Teradata, Agentik İş Akışlarında Verimlilik ve Maliyet Kontrolünü Hedefliyor

Teradata, kurumsal veri ve yapay zeka görevleri için tasarladığı yapay zeka destekli çalışma alanı Tera’ya önemli eklemeler yaparak agentik iş akışı süreçlerinin verimliliğini artırmayı hedefliyor. Şirket, çok adımlı veri işleme süreçlerinde yapay zeka modellerinin daha akıllıca çalışmasını sağlayacak bir bağlam motoru, yürütme katmanı ve yeniden kullanılabilir ajan becerileri sunuyor. Bu yenilikler, gereksiz model ve araç çağrılarını azaltarak işletmelerin çıkarım maliyetlerini kontrol altında tutmasına olanak tanırken, iş bağlamının korunmasına ve her görevin doğru veri, araç ve modellerle eşleştirilmesine odaklanıyor.

Otonom Veri İşlemede Yeni Bir Yaklaşım

Teradata’nın Autonomous Knowledge Platform’unun bir parçası olarak geçtiğimiz mayıs ayında tanıtılan Tera, otonom veri yönetiminde yeni bir sayfa açmıştı. Kurumsal yapay zeka uygulamalarının yaygınlaşmasıyla birlikte, çok adımlı ve karmaşık veri iş akışlarının yönetimi, işletmeler için giderek daha büyük bir maliyet ve verimlilik sorununa dönüşüyor. Agentik yapay zeka sistemleri, belirli bir hedefe ulaşmak için adımlar planlayıp uygularken, bu süreçlerde gereksiz veya tekrarlayan model çağrıları, yüksek token ve altyapı maliyetlerine yol açabiliyor. Teradata, bu zorluğun üstesinden gelmek amacıyla Tera’nın yetenek setini genişleterek, yapay zeka ajanlarının daha stratejik ve maliyet-etkin çalışmasını sağlamayı amaçlıyor. Bu, yalnızca operasyonel yükü azaltmakla kalmıyor, aynı zamanda kurumsal yapay zeka stratejilerinin ölçeklenebilirliğini de doğrudan etkiliyor.

Tera Harness ve Bağlam Motorunun Teknik Derinliği

Teradata’nın yeni eklediği teknik bileşenler, agentik yürütmenin kalbinde yer alıyor. Tera Bağlam Motoru, iş kararlarını yönlendirmek için gerekli iş bağlamını ekleyerek ajanların daha bilinçli seçimler yapmasına yardımcı oluyor. Asıl yenilik ise Tera Harness adı verilen yürütme katmanında gizli. Bu katman, ajanların görevlere nasıl yaklaştığını ve iş akışlarının nasıl yönlendirildiğini belirliyor. Harness, işi büyük dil modeline (LLM) göndermeden önce bir yürütme planı oluşturarak hesaplama ihtiyacını önemli ölçüde azaltıyor. Bağımsız görevleri gruplandırıyor ve görevi ilerletmeyen model veya araç çağrılarını devre dışı bırakıyor. Şirketin belirttiğine göre, Harness çıkarım öncesinde 84 farklı yürütme kalıbı uyguluyor ve iş akışının ilerlemesine bağlı olarak adımlarını sınırlıyor. Bu mekanizma, tekrarlayan LLM akıl yürütmesini ve verimsiz ajan döngüleriyle ilişkili token ve altyapı maliyetlerini doğrudan azaltmayı hedefliyor.

Maliyet Kontrolü ve Tahmin Edilebilirlik

Agentik iş yüklerinin maliyetini yönetmek, özellikle yapay zeka bütçelerini optimize etmeye çalışan Bilgi İşlem Yöneticileri (CIO’lar) için kritik bir mesele haline geldi. Sektör analistleri, Teradata’nın bu ekonomik odak noktasının önemine dikkat çekiyor. Bir uzmanın ifadesine göre, bir ajanın her adımda kendi yolunu bulmaya çalışması, görevi ilerletmeyen döngülerde gereksiz token tüketimine neden olabilir; bu noktada küçük bir çağrı azaltmanın bile ölçekte büyük fark yaratabileceği vurgulanıyor. Daha ucuz bir model seçmek yerine, gereksiz model çağrılarını ve tükettikleri akıl yürütme token’larını kesmenin daha pratik bir yaklaşım olduğu belirtiliyor. Bu, ajanın ihtiyaç duyduğu çıkarım miktarını azaltarak, her çıkarımın maliyetini düşürmekten daha etkili bir maliyet optimizasyonu sunuyor. Ayrıca, bir ajanın görev yürütmesini kısıtlama yeteneği, agentik iş yükleri için daha iyi bütçeleme yapılmasına da olanak tanıyor. Bir gün beş, ertesi gün elli çağrı yapabilen aynı görevle, agentik maliyetleri tahmin etmek zorken, planlama yapan bir Harness’ın maliyetleri daha tutarlı hale getireceği ve bütçeleme ile ölçeklendirme kararlarını kolaylaştıracağı ifade ediliyor.

Geliştirici Yükünü Hafifleten Otomatik Optimizasyon

Bu yeni yetenekler, sadece maliyetleri düşürmekle kalmıyor, aynı zamanda geliştirici ekiplerin üzerindeki yükü de önemli ölçüde hafifletiyor. Büyük dil modelini çağırmadan önce planlama yapmak, bağımsız adımları toplu işlemek ve görevi ilerletmeyen çağrıları düşürmek, yerleşik mühendislik uygulamaları olarak kabul ediliyor. Ancak platformun bunları varsayılan olarak uygulaması, bireysel geliştirme ekiplerinin her ajan iş akışı için bu kontrolleri sürekli olarak uygulamak ve ayarlamak zorunda kalmaması anlamına geliyor. Bu durum, ekiplerin daha yüksek değerli işlere odaklanmasına olanak tanırken, karmaşık optimizasyon süreçlerini platform düzeyinde standartlaştırıyor. Bu otomasyon, manuel müdahale gereksinimini azaltarak, geliştirme sürecini hızlandırıyor ve hata potansiyelini düşürüyor. Dolayısıyla, Teradata’nın bu yaklaşımı, geliştirici verimliliğini artırarak kurumsal yapay zeka projelerinin daha hızlı ve güvenilir bir şekilde hayata geçirilmesine katkı sağlıyor.

Agentik Yapay Zeka Stratejilerinde Denge

Teradata’nın maliyet odaklı optimizasyon yaklaşımı, kuşkusuz kurumsal yapay zeka stratejilerinde önemli bir denge unsuru sunuyor. Şirketin kendi SWE-bench Pro kıyaslaması üzerinde yaptığı değerlendirmelerde, bu yeni yeteneklerle Tera’nın aynı Opus 5 modelini çalıştırırken Claude Code’a kıyasla %73 daha az token kullandığı, görevleri %42 daha hızlı tamamladığı ve %58 daha düşük toplam maliyetle daha yüksek görev tamamlama oranları elde ettiği gözlendi. Bu veriler, platformun vadettiği verimlilik artışının somut bir göstergesi. Ancak, daha sıkı kontrol edilen bu maliyet optimize edilmiş yaklaşımın beraberinde bazı ödünleşimleri de getirebileceği açıktır. Özellikle esneklik ve ajanın karmaşık senaryolarda beklenmedik yollar izleme yeteneği gibi konularda, kurumsal ekiplerin bu kısıtlamaları dikkate alması gerekebilir. Büyük resimde bakıldığında, Teradata’nın bu hamlesi, agentik yapay zeka pazarında maliyet ve performans dengesinin ne kadar kritik hale geldiğini gösteriyor. İşletmelerin bu tür platformları benimserken, elde edilecek maliyet tasarruflarını, geliştirici sorumlulukları ve platform bağımlılığı gibi daha geniş iş akışı maliyetlerine karşı dikkatli bir şekilde değerlendirmesi önem taşıyor. Agentik yapay zekanın geleceği, verimlilik ve maliyet etkinliğini artırırken, inovasyon ve adaptasyon yeteneğini de koruyabilen çözümlerin ortaya çıkışıyla şekillenecek.