Yapay Zeka İşletim Sistemi

AIOS: Yapay Zeka Tabanlı İşletim Sistemi

Yapay Zeka İşletim Sistemi (AI OS) çağı, tıpkı geçmişteki teknolojik devrimlerin işletim sistemleri tarafından yaygınlaştırılması gibi, yapay zekayı basitleştirerek, güvenli hale getirerek ve herkes için erişilebilir kılarak demokratikleştirmeyi hedefleyen yeni bir dönemi ifade etmektedir.

Bu makaleyi Spotify’da sesli olarak dinlemek için podcast’ine bu linkten ulaşabilirsiniz.

1.1       Giriş

Yapay Zeka İşletim Sistemi (AIOS), yapay zekayı, özellikle büyük dil modellerini (LLM’ler) ve yapay zeka ajanlarını, bir bilgisayarın işletim sistemine entegre eden bir teknolojidir. Temel olarak, işletim sisteminin “beyni” veya “ruhu” gibi hareket ederek, kaynak tahsisini optimize etme, farklı ajanlar arasında bağlam geçişini kolaylaştırma, eşzamanlı ajan yürütme, araç hizmetleri sunma ve erişim kontrolünü sürdürme gibi görevleri otomatikleştirme yeteneği sağlar. AIOS’un amacı, tıpkı Windows’un kişisel bilgisayarları demokratikleştirmesi gibi, yapay zekayı basitleştirerek, güvenli hale getirerek ve herkes için erişilebilir kılarak demokratikleştirmektir.

Bu makaleyi Youtube’da görüntülü olarak izlemek için videosuna bu linkten ulaşabilirsiniz.

• Giriş: Altına Hücumdan Sistem Kurmaya

Yapay zeka çağında, tıpkı 1849 Kaliforniya altına hücum döneminde olduğu gibi büyük bir fırsat bulunmaktadır. O dönemde en çok kazananlar, altın arayanlar değil, onlara kazma, kürek, çadır satanlar ve sistemi kuranlardı. Günümüzde de durum benzerdir: gerçek kazanç, “kopyala yapıştır” otomasyonları veya “hazır paketler” satmaktan değil, asıl sistemi kurmaktan, geliştirmekten ve ürünleştirmekten gelir.

Yapay zeka otomasyonlarını satmaktaki temel sorun, her müşteriye ayrı ayrı kurulum yapma, sistemlerine giriş yapıp bağlantılarını kurma ve tek tek ayarlama gerekliliğidir. Bu durum, aksilikler çıktığında veya iyileştirme gerektiğinde her müşterinin kurulumuna tekrar gidip güncelleme yapmayı zorunlu kılar, ki bu da inanılmaz derecede zaman alan ve ölçeklenebilir olmayan bir iş modelidir. Klasik ajans modeli, aynı anda hizmet verebileceğiniz müşteri sayısı ve harcayabileceğiniz zaman ile sınırlıdır.

Bu nedenle, yapay zeka otomasyonlarını satmayı bırakıp, ölçeklenebilir bir ürün inşa etme (“Micro-SaaS” veya “SaaS” modeli) yaklaşımına geçmek gerekmektedir. Bu modelde:

• Müşteriler, sunulan çözüm için doğrudan size gelir, sizin ekstra satış peşinde koşmanıza gerek kalmaz.
• Tüm müşteriler aynı merkezi uygulamayı kullandığı için iş yükünüz artmaz.
• Güncelleme veya iyileştirme gerektiğinde, ana otomasyonu bir kez güncellersiniz ve yaptığınız değişiklik anında tüm kullanıcılara ulaşır.
• Her müşteri, sisteme erişebilmek için size her ay abonelik ücreti öder, bu da düzenli ve öngörülebilir bir gelir sağlar.

Bu dönüşüm, yalnızca otomasyon satmak değil, yapay zeka aracılığıyla müşterilerin sorunlarına çözüm üretmek, insanların çalışma şekillerini değiştirmek, daha fazla para kazanmalarını sağlamak veya zamandan tasarruf ettirmek üzerine odaklanmayı gerektirir. Başarı için, otomasyon sistemlerinin mantığını öğrenmek, test etmek, sorunları çözmek ve sürekli gelişmek esastır. Çünkü hiçbir otomasyon sistemi hazır değildir ve sürekli sorunsuz çalışmaz.

Warm Wind OS gibi yapay zeka işletim sistemleri, bu yeni çağın örneklerindendir. Bu sistemler, yapay zeka ajanlarının API çağrıları yerine, tıpkı bir insanın bilgisayarla etkileşime girmesi gibi arayüzü “görmesini”, butonlara tıklamasını, yazmasını, sürükleyip bırakmasını sağlayarak gerçek dünya görevlerini otomatikleştirebilir. Bu, çalışanların tekrarlayan ve sıkıcı işlerden kurtulmasını, yaratıcı ve stratejik işlere odaklanmasını sağlayarak iş gücünü otomatikleştirmekten ziyade “özgürleştirmeyi” ve “güçlendirmeyi” hedefler.

Özetle, yapay zeka çağındaki “altına hücum” fırsatından faydalanmak için, bireysel otomasyon satıcılığından çıkıp, gerçek bir değer sunan, ölçeklenebilir yapay zeka tabanlı sistemler ve ürünler inşa eden bir zihniyete sahip olmak kritik öneme sahiptir.

1.2       Yapay Zeka Otomasyon Ajanslarının Sorunları ve Sınırlılıkları

Yapay zeka otomasyon ajanslarının karşılaştığı temel sorunlar ve sınırlılıklar, genellikle ölçeklenebilirlik eksikliği ve iş modelinin sürdürülemezliği etrafında yoğunlaşmaktadır. İnternette “kopyala yapıştır otomasyonlar” veya “hazır paketler” satarak kısa yoldan zengin olma vaatleri sıkça görülse de, kaynaklar bu tür yaklaşımların gerçek kazanç getirmediğini vurgulamaktadır.

İşte yapay zeka otomasyon ajanslarının karşılaştığı başlıca problemler ve sınırlılıklar:

• Ölçeklenebilirlik Eksikliği (Tekil Kurulum Yükü):
  • Her müşteri için otomasyonu ayrı ayrı kurma gerekliliği büyük bir problem teşkil eder. Bir müşterinin bir şehirde, diğerinin farklı bir şehirde veya ülkede olması fark etmeksizin, her biri için sistemlerine giriş yapmak, bağlantıları kurmak ve otomasyonları tek tek ayarlamak zaman alıcıdır.
  • Bu durum, müşterilere hizmet vermek için harcanabilecek zaman ve emekle sınırlanmış bir iş modelidir ve bu nedenle pek ölçeklenebilir değildir.
• Bakım ve Güncelleme Zorlukları:
  • Otomasyon sistemlerinde bir aksilik çıktığında veya iyileştirme yapılması gerektiğinde, her müşterinin kurulumuna tekrar gidip güncelleme yapmak zorunludur. Bu da inanılmaz derecede zaman alan bir iştir.
  • Müşterilerin güncellemeleri veya iyileştirmeleri almak için ajansı beklemesi gerekir, bu da müşteri deneyimini olumsuz etkileyebilir.
• Ekip Büyütme ve Karmaşa:
  • Bir yapay zeka ajansını büyütmeye çalışırken, yeni insanları işe almak, onları eğitmek, müşterilerle tanıştırmak ve süreçlere alıştırmak gibi tonlarca ek iş ve karmaşa ortaya çıkar.
  • Mevcut otomasyonların birden fazla CRM’den CSV çekme, birleştirme, Google Sheets’e aktarma gibi karmaşık iş akışları içerdiği düşünülürse, her bir çalışanın bu süreçlere hakim olması zorlaşır.
• Hazır Çözüm Yanılgısı ve Temel Anlayış Eksikliği:
  • Piyasada otomasyonun “sihirli bir şeymiş” gibi, “bir kere kurulduğunda herkese satılabilir bir şeymiş” gibi anlatıldığı yaygın bir yanılgı vardır. Ancak bu doğru değildir.
  • Sadece “kopyala yapıştır” yaparak kişiye özel bir sistem haline getirilemez veya problem çıktığında kimseye danışılamaz. Sistemin mantığını nasıl çalıştığını öğrenmek ve bilmek zorunludur; otomasyonu alıp test etmek, denemek ve takılan yerlerde problemi çözmek en doğru yoldur.
  • Hiçbir otomasyon sistemi hazır değildir ve sürekli sorunsuz çalışmaz. Bu yüzden otomasyonu satacak kişinin veya ajansın temelini anlaması ve sistemleri yapılandırma yeteneğine sahip olması gerekir.
• Fırsatçılık ve Gerçekçi Olmayan Beklentiler:
  • “Bu otomasyonu al hemen 10.000 dolara satacaksın” gibi söylemlerle insanlara hayal satılmaya çalışıldığı belirtilmektedir. Gerçek kazanç, asıl sistemi kurmakta ve bunu ürünleştirmekte yatmaktadır.
  • Gerçek bir iş kurma, geliştirme ve mentaliteye sahip olma gerekliliği vardır; sadece otomasyon satmakla para kazanılamaz.

Bu sınırlılıklar, geleneksel ajans modelinin yerine, otomasyonların bir ürün haline getirildiği ve Micro-SaaS (Hizmet Olarak Yazılım) modeli gibi daha ölçeklenebilir yaklaşımların önemini ortaya koymaktadır. Bu yeni yaklaşımda, müşteriler doğrudan ürüne gelir, merkezi bir uygulama kullanıldığı için iş yükü artmaz ve güncellemeler tüm kullanıcılara anında ulaşır, böylece ajans modelinin sorunları aşılır.

1.3       Yapay Zeka İşletim Sistemi Nedir?

Yapay Zeka İşletim Sistemi (AIOS), yapay zekayı, özellikle büyük dil modellerini (LLM’ler), bilgisayarın işletim sistemine entegre eden bir teknolojidir. Temel olarak, işletim sisteminin “beyni” veya “ruhu” görevi görerek görevleri otomatikleştirmeyi ve yapay zeka ajanlarını bilgisayarda dağıtmayı mümkün kılar.

İşte yapay zeka işletim sisteminin temel özellikleri ve işlevleri:

• Tanım ve Amaç:
  • AIOS, kaynak tahsisini optimize etmek, farklı ajanlar arasında bağlam geçişini kolaylaştırmak, eşzamanlı ajans yürütmeyi sağlamak, araç hizmetleri sunmak, erişim kontrolünü sürdürmek ve LLM ajan geliştiricileri için zengin bir araç seti sağlamak üzere tasarlanmış bir sistemdir.
  • Amacı, tıpkı Windows’un kişisel bilgisayarları demokratikleştirmesi gibi, yapay zekayı basitleştirerek, güvenli hale getirerek ve herkes için erişilebilir kılarak demokratikleştirmektir.
• Mimarisi ve Bileşenleri:
  • Bir AIOS mimarisi genellikle üç ana katmandan oluşur: Uygulama Katmanı, Çekirdek (Kernel) Katmanı ve Donanım Katmanı.
  • Çekirdek Katmanı, işletim sistemi çekirdeği (OS kernel) ve LLM çekirdeği (LLM kernel) olmak üzere ikiye ayrılır. LLM çekirdeği, LLM ile ilgili görevleri ve kaynakları diğer işletim sistemi işlevlerinden izole etmek için özel olarak tasarlanmıştır.
  • Bu çekirdek katmanı içinde çeşitli modüller bulunur:
    • Ajan Zamanlayıcı (Agent Scheduler): Ajan isteklerini önceliklendirir ve zamanlar, LLM kullanımını optimize eder.
    • Bağlam Yöneticisi (Context Manager): LLM’e sağlanan bağlamı yönetir, bağlam anlık görüntüleme ve geri yükleme işlevleri sunar.
    • Bellek Yöneticisi (Memory Manager) ve Depolama Yöneticisi (Storage Manager): Ajanların kısa ve uzun süreli belleğini yönetir, veri depolama ve erişimi sağlar.
    • Araç Yöneticisi (Tool Manager): Ajanların harici API araçlarını çağırmasını yönetir.
    • Erişim Yöneticisi (Access Manager): Ajanlar arasında gizlilik ve erişim kontrolü politikalarını uygular.
  • Bu modüller, işletim sistemi içinde LLM ile ilgili faaliyetlerin yönetimini ve koordinasyonunu geliştirmek için birlikte çalışır.
• İşleyiş Farklılıkları ve Ölçeklenebilirlik:
  • Geleneksel otomasyon araçlarının aksine, AIOS ajanları API çağrıları veya webhook’lar aracılığıyla çalışmak yerine, bir insanın bilgisayarla etkileşime girmesine benzer şekilde arayüzü “görür” ve butonlara tıklar, yazar, sürükler ve bırakır. Bu, daha karmaşık ve insan benzeri görevlerin otomatikleştirilmesine olanak tanır.
  • Manuel olarak her müşteri için ayrı ayrı kurulum gerektiren klasik ajans modelinden farklı olarak, AIOS tabanlı çözümler merkezi bir uygulama aracılığıyla ölçeklenebilir gelir modeli sunar. Tek bir güncelleme tüm kullanıcılara anında ulaşır ve müşteriler her ay abonelik ücreti ödeyerek bu merkezi sisteme erişebilir. Bu, binlerce müşteriye zaman sınırlaması olmadan hizmet verilmesini sağlar.
• Pratik Kullanım Alanları ve Örnekler:
  • Warm Wind OS gibi AIOS sistemleri, bulut tabanlı bir çalışma alanı sunarak kurulum veya GPU gereksinimi olmadan AI ajanlarının çalışmasına olanak tanır.
  • Örnek görevler arasında fatura verisi girme, analiz çekme, CRM’lerden CSV’leri birleştirip Google Sheets’e aktarma, sosyal medya yönetimi (hashtag bulma, gönderi taslağı oluşturma, zamanlama), müşteri desteği (e-postaları, canlı sohbeti, WhatsApp ve Instagram DM’lerini ele alma, siparişleri kontrol etme, iade yapma), rakip takibi, muhasebe (PDF faturaları ERP’deki satın alma siparişleriyle eşleştirme, yevmiye kayıtları oluşturma), işe alım (özgeçmişleri inceleme, LinkedIn etkinliğini kontrol etme, mülakat ayarlama) ve DevOps (sistem çalışma süresini izleme) yer alır.
  • AIOS, kullanıcı uyurken veya uzaktayken bile çalışmaya devam edebilir.
  • VAST AI Operating System gibi platformlar, AI ajanlarının deneyimlerini veri olarak işlemesine, uzun süreli anılar tutmasına, düşünceler oluşturmasına ve eyleme geçirmesine olanak tanıyan bir süreklilik olarak tanımlanır. Ayrıca ajanların birbirlerini keşfetmelerini ve iletişim kurmalarını, eylemlerini denetlemeyi ve veri paylaşımını güvenli bir şekilde kontrol etmeyi sağlar.
• Paradigma Değişimi:
  • Yapay zeka işletim sistemi çağı, sadece kopyala-yapıştır otomasyonları veya hazır paketler satmanın ötesine geçer. Gerçek kazanç, bir sistem kurmaktan, geliştirmekten ve ürünleştirmekten gelir.
  • Önemli olan, otomasyon satmak değil, yapay zeka aracılığıyla müşterilerin sorunlarına çözüm üretmek, insanların çalışma şekillerini değiştirmek, daha fazla kazanmalarını sağlamak veya zamandan tasarruf ettirmektir.
  • Bu yeni çağda, “altına hücum” dönemindeki gibi bir fırsat vardır, ancak başarılı olmak için sağlam bir zihniyet, sürekli öğrenme ve gelişim esastır. Kopya-yapıştır yaklaşımlarla kalıcı başarı elde etmek mümkün değildir; sistemin mantığını anlamak, test etmek ve sorun çözme becerisine sahip olmak gereklidir.

İşte bu çağın temel yapılandırmaları ve uygulamaları:

1.4       Yapay Zeka İşletim Sistemi (AI OS) Çağı

Bu yeni dönem, 1849 Kaliforniya altın hücumuna benzetilmektedir; o dönemde en çok kazananlar altın arayanlar değil, sistemi kuranlar ve ürün yerine çözüm satanlardı. Günümüzde de internette herkesin “altın aradığı”, yani hızlı yoldan zengin olma hayaliyle hazır otomasyonları kopyalayıp yapıştırarak satmaya çalıştığı belirtilmektedir. Ancak gerçek kazanç, çalışmadan ve öğrenmeden mümkün olmayan, asıl sistemi kurmakta yatmaktadır. Yapay zeka, çalışma ve iş yapma şekillerini hızla değiştirmekte olup, toplum ve sistemler henüz buna tam olarak adapte olmamıştır. Bu çağ, bireylerin kendi girişimlerini kurmaları için eşi benzeri olmayan bir fırsat sunmaktadır.

Yapay zeka devrimi, önceki tüm bilgi işlem çağlarını boyut ve hız açısından geride bırakacak bir potansiyele sahiptir. 70’lerde sadece bilgisayar bilimcilerinin bilgisayar kullanabildiği gibi, bugün de yapay zeka ile aynı dönüm noktasındayız; AI işletim sistemini kim kurarsa, AI’yı herkes için basitleştirerek, güvenli hale getirerek ve erişilebilir kılarak demokratikleştirecektir. Bu yeni işletim sistemleri, AI ajanlarının deneyimlerini veri olarak işlemesi, uzun süreli belleklerini koruması ve bu deneyim ve anıları düşüncelere ve eylemlere dönüştürmesi için bir yer haline gelecektir.

1.5       Geleneksel Otomasyon Satışının Sorunları

Geleneksel yapay zeka otomasyonu satışı, genellikle “kopyala yapıştır, sat bitti gitti” mantığıyla anlatılan, sanki sihirli bir şeymiş ve bir kere kurulduğunda herkese satılabilirmiş gibi pazarlanan bir yaklaşımdır. Ancak bu modelin ciddi problemleri vardır:

• Ölçeklenebilirlik Sorunu: Her müşteri için otomasyonu ayrı ayrı kurmak, onların sistemlerine giriş yapmak, bağlantıları kurmak ve tek tek ayarlamak gerekir. Bu, inanılmaz derecede zaman alan bir iştir ve müşterilere hizmet vermek için harcanabilecek zaman ve emekle sınırlıdır.
• Bakım ve İyileştirme Zorlukları: Sistemlerde aksilik çıkması veya iyileştirme gerektiğinde, her müşterinin kurulumuna tekrar gidip güncelleme yapmak zorunludur. Bu durum, bir yapay zeka ajansını büyütmeye çalışırken tonlarca ek iş ve karmaşa yaratır. Klasik ajans modeli, aynı anda hizmet verilebilecek müşteri sayısıyla sınırlıdır.
• Eğitim ve Adaptasyon Yükü: Ekip büyütülse bile, yeni insanları eğitmek, müşterilerle tanıştırmak ve süreçlere alıştırmak gerekmektedir.
• Yanlış Beklentiler: İnternette görülen yüksek kazançların, sadece otomasyon satarak elde edilemeyeceği, bunun yerine sistem kurma, geliştirme ve ürünleştirme zihniyetine sahip olmanın gerektiği belirtilir. Hazır sistemleri alıp satmak yerine, sistemi kullanmayı, konfigüre etmeyi ve test etmeyi bilmek esastır.
• Çözüm Üretme Eksikliği: Amacın sadece otomasyon satmak değil, bir müşterinin sorununa yapay zeka ile çözüm bulmak olması gerektiği vurgulanır. Bir otomasyon sisteminin “havalı” olmasının bir önemi yoktur; karşı tarafın bir ihtiyacı olması gerekir.

1.6       Micro SaaS Modeli (AI OS Çözümü)

Micro SaaS modeli, yukarıda bahsedilen sorunlara bir çözüm olarak sunulmaktadır. Bu model, aylık veya yıllık abonelik ücretleri karşılığında yazılım satmayı içeren bir hizmet olarak yazılım (SaaS) modelinin bir numaralı yolu haline gelmiştir.

• Öngörülebilir Gelir: Micro SaaS’ın en büyük avantajlarından biri, düzenli ve öngörülebilir bir gelir sağlamasıdır.
• Kolay Geliştirme: Mevcut yapay zeka araçları kullanılarak kendi SaaS ürününü yapmak artık her zamankinden daha kolaydır; eskiden büyük ekipler ve bütçeler gerekirken, şimdi çok daha basit hale gelmiştir.
• Ölçeklenebilirlik ve Otomatik Müşteri Kazanımı: Müşterilerin, sunulan çözümü kullanmak için kendiliğinden gelmesi sağlanır; ek satış çabası gerekmez. Tüm müşteriler aynı merkezi uygulamayı kullandığı için iş yükü artmaz ve bu, şehir veya ülke bazında sınırlı kalmadan herkesin hizmeti alabilmesini sağlar.
• Merkezi Güncellemeler: Güncelleme veya iyileştirme gerektiğinde, her müşterinin sistemini tek tek elden geçirmek yerine, SaaS uygulamasındaki ana otomasyon bir kez güncellenir ve yapılan değişiklik anında tüm kullanıcılara ulaşır. Müşteriler her ay ödeme yaparak daima en son sürüme erişirler.
• Pratik Uygulama (Lead Generation Örneği):
  • Mevcut AI otomasyonları anında bir Micro SaaS uygulamasına dönüştürülebilir.
  • Örnek olarak, bir lead generation (potansiyel müşteri bulma) sistemi kullanılır.
  • Bu otomasyon, N8N ve Lavable gibi platformlar kullanılarak bir ürüne dönüştürülür.
  • Sistem, hedef kitleye göre internetten potansiyel müşterileri tarar (örneğin San Francisco’daki emlak danışmanları).
  • Bulunan lead’ler Google Sheets veya AirTable gibi bir veri tabanına kaydedilir.
  • Her lead için detaylı araştırma yapılır (kişi ve şirket bilgileri toplanır) ve kişiselleştirilebilir mesaj taslağı ile rapor hazırlanır. Bu raporlar, satış ekiplerinin işine yarayacak değerli bilgiler içerir.
  • Teknik Akış:
    • Basit bir web sitesi (Lavable ile oluşturulmuş) ve birkaç form alanı kullanılır.
    • Kullanıcı bu formlara hedef kitlesi ve kendi işletmesiyle ilgili bilgileri girer.
    • Arka planda N8N üzerindeki otomasyon (bir webhook aracılığıyla tetiklenir) aynı akışı çalıştırır.
    • N8N’deki ana agent (lead generation agent), istenen bilgiye göre alt otomasyon sistemlerini (lead scraping ve lead research) çalıştırır.
    • Lead Scraping: Epify’daki Apollo Scraper gibi araçlar kullanılır. Apollo, unvan, şirket, konum, sektör gibi kriterlere göre lead bulmak için bir platformdur, ancak Epify ile daha uygun maliyetle (her 1000 lead için 0.75 dolar) Apollo’daki lead’ler kazınır. Elde edilen bilgiler (isim, URL, unvan, mail adresi, web sitesi vb.) Google Sheets’e kaydedilir.
    • Lead Research (Zenginleştirme): Epify aracılığıyla LinkedIn profilleri taranarak (eğitim, deneyim, gönderiler), şirket bilgileri (Purplex gibi araçlarla) toplanır. Bu bilgiler, kullanıcının işiyle ilgili benzerlikler ve “Pain Points” (acı noktaları) üzerine bir rapor hazırlamak için kullanılır. Rapor HTML olarak kaydedilir ve email ile müşteriye gönderilebilir.
  • Gelir Modeli: Bu sistem kurulduktan sonra, örneğin 10 lead için 10 dolar, 100 lead için 50 dolar, 1000 lead için 90 dolar gibi fiyatlandırmalarla otomatik olarak gelir elde edilebilir.
  • Ödeme Sistemleri: Ödeme almak için Stripe (en kolay entegre olan platform) veya PayPal gibi platformlar kullanılabilir.
  • Geliştirme Yöntemi: Bu otomasyonların mantığını anlamak, test etmek ve takılındığında problemi çözerek öğrenmek en hızlı öğrenme ve gelişme yoludur.

1.7       AIOS (LLM Ajan İşletim Sistemi)

AIOS, Büyük Dil Modeli (LLM) Ajan İşletim Sistemi olarak tanımlanır ve yapay zekayı işletim sistemlerimize entegre ederek otomasyon sağlamanın yanı sıra AI ajanlarını bilgisayarımıza dağıtmayı amaçlayan bir projedir.

• Tanım ve Fonksiyon: AIOS, farklı büyük dil modellerini (örneğin Mixol, Quen) işletim sisteminin “beyni” olarak gömer. Bu sayede işletim sistemi bir “ruha” sahip olur. AIOS, kaynak tahsisini optimize eder, farklı ajanlar arasında bağlam geçişini kolaylaştırır, ajanların eşzamanlı yürütülmesini sağlar, araç hizmetleri sunar, erişim kontrolünü sürdürür ve LLM ajan geliştiricileri için zengin araç setleri sağlar.
• Örnek Kullanım (Seyahat Ajanı): Bir seyahat acentesi ajanı, kullanıcının tercihlerine göre bir gezi düzenleme görevini yerine getirirken hem LLM düzeyinde hem de OS düzeyinde kaynaklara ve işlevlere ihtiyaç duyar. Ajan, LLM hizmetiyle etkileşim kurarak tercihleri alır, araç ve API’ler hakkında kararlar verir. Aynı zamanda geleneksel OS hizmetleriyle (disk sürücülerine erişim, yazılım çalıştırma gibi) etkileşim kurar. Her adımda LLM akıl yürütmesi ve OS düzeyinde eylemlerin birleşimi söz konusudur.
• Mimari: AIOS mimarisi üç katmana ayrılmıştır:
  • Uygulama Katmanı: Seyahat ajanı, kodlama ajanı, matematik ajanı gibi ajan uygulamalarının konuşlandırıldığı ve geliştirildiği yerdir. AIOS SDK, sistem çağrılarını soyutlayarak geliştirme sürecini basitleştirir.
  • Çekirdek (Kernel) Katmanı: İşletim sisteminin kalbidir ve iki ana bileşenden oluşur:
    • OS Çekirdeği: LLM’e özgü olmayan operasyonları yönetir.
    • LLM Çekirdeği: LLM’e özgü görevlere (bağlam yönetimi, ajan zamanlama gibi) adanmıştır. Bu ayırma, LLM çekirdeğinin kritik LLM ile ilgili faaliyetlere odaklanmasını sağlar.
  • Donanım Katmanı: CPU, GPU, bellek gibi sistemin fiziksel bileşenlerini kapsar. LLM çekirdeği, bu bileşenlerle OS sistem çağrıları aracılığıyla dolaylı olarak etkileşime girer.
• Anahtar Çekirdek Modülleri:
  • Ajan Zamanlayıcı (Agent Scheduler): Ajan isteklerini önceliklendirir ve zamanlar, LLM kullanımını optimize eder. FIFO (İlk Giren İlk Çıkar) ve Round Robin gibi stratejiler kullanarak eşzamanlı yürütmeyi sağlar, böylece farklı ajanlardan gelen görevler birbirini keser ve bekleme süreleri azalır.
  • Bağlam Yöneticisi (Context Manager): LLM’e sağlanan bağlamı yönetir. Kesintiye uğrayan üretim süreçlerini sürdürmek için bağlam anlık görüntüleme ve geri yükleme işlevlerini destekler.
  • Bellek Yöneticileri (Memory Managers): Ajanlar aktifken kısa vadeli bellek sağlar.
  • Depolama Yöneticisi (Storage Manager): Uzun vadeli depolama için kalıcı veri saklar.
  • Araç Yöneticisi (Tool Manager): Ajanların harici API araçlarını çağırmasını sağlar.
  • Erişim Yöneticisi (Access Manager): Ajanlar arasındaki gizlilik ve erişim kontrol politikalarını uygular.
• Pratik Kullanım Alanları: Kodlama (kişiselleştirilmiş sanal kodlama asistanı, hata ayıklama, kod tamamlama, hata tespiti, sözdizimi vurgulama), seyahat planlama, kişiselleştirilmiş öneriler gibi görevleri kapsar.
• Kurulum: AIOS’u kurmak için Pip, Git ve işlevsel bir Hugging Face Hub token kimliği gibi ön koşullara sahip olmak ve Python 3.9 veya üstünü kullanmak gerekmektedir. Depoyu klonlayıp gerekli paketleri yükledikten sonra Hugging Face kimliği ayarlanarak ana dosya çalıştırılabilir.
• Deneysel Sonuçlar: Modüllerin doğruluğu ve performansı, çoklu ajanların paralel olarak çalıştırılmasıyla değerlendirilmiştir. Çıktıların tek ajan yapılandırmalarıyla mükemmel uyum sağladığı (Bilu ve Bert puanları 1.0) ve zamanlama mekanizmasının bekleme ve geri dönüş sürelerini önemli ölçüde iyileştirdiği gösterilmiştir.
• Gelecek Araştırma Yönleri: Gelişmiş zamanlama algoritmaları, yerel olarak konuşlandırılmış modellerin entegrasyonu, daha verimli bağlam yönetimi ve ajanların ortak bir kaynak havuzuna erişimini sağlayacak paylaşımlı bellek ve depolama mimarileri üzerinde çalışılacaktır.

1.8       AIOS’un Temel Bileşenleri ve Çalışma Mekanizması

AIOS (Büyük Dil Modeli Ajan İşletim Sistemi), yapay zeka entegrasyonunu işletim sistemlerine taşıyarak görevleri otomatikleştirmek ve yapay zeka ajanlarını bilgisayar ortamına dağıtmak için geliştirilmiş bir projedir. Temel amacı, çeşitli Büyük Dil Modellerini (LLM’ler), örneğin Mixol ve Quen gibi, işletim sisteminin beyni olarak konumlandırarak, işletim sistemine bir nevi “ruh” kazandırmaktır.

AIOS’un temel bileşenleri ve çalışma mekanizması, karmaşık ajan işlemlerini verimli bir şekilde yönetmek için tasarlanmış katmanlı bir mimariye dayanır.

1. AIOS Mimarisi ve Katmanları

AIOS, işlevselliği üç ana katmana ayırarak düzenli bir yapı sunar:

1. Uygulama Katmanı (Application Layer):
   • Bu katman, seyahat acentesi ajanı, kodlama ajanı veya matematik ajanı gibi ajan uygulamalarının geliştirildiği ve dağıtıldığı yerdir.
   • AIOS, sistem çağrılarını soyutlayarak geliştirme sürecini basitleştiren bir Yazılım Geliştirme Kiti (SDK) sağlar.
   • Ajanlar, LLM tabanlı faaliyetler için LLM’ye veya değilse doğrudan işletim sistemi çekirdeğine (OS Kernel) ilgili çağrıları gönderir.
2. Çekirdek Katmanı (Kernel Layer):
   • Bu, AIOS mimarisinin kalbidir ve İşletim Sistemi Çekirdeği (OS Kernel) ile LLM Çekirdeği (LLM Kernel) olmak üzere iki ana bileşene ayrılmıştır.
   • OS Çekirdeği, LLM’ye özgü olmayan genel işletim sistemi işlemlerini yönetirken, LLM Çekirdeği ise bağlam yönetimi ve ajan zamanlaması gibi LLM’ye özgü görevlere odaklanmıştır.
   • LLM Çekirdeği, ajan uygulaması yürütmesini yönetmek için tasarlanmış çeşitli önemli modülleri içerir.
3. Donanım Katmanı (Hardware Layer):
   • Bu katman, CPU, GPU ve bellek gibi sistemin fiziksel bileşenlerini kapsar.
   • LLM Çekirdeği, soyutlama ve güvenlik sağlayarak bu bileşenlerle OS sistem çağrıları aracılığıyla dolaylı olarak etkileşime girer.
4. Kernel Katmanındaki Temel Modüller ve İşlevleri

AIOS’un Kernel katmanındaki LLM Çekirdeği, ajan yönetiminin ve etkileşiminin belirli yönlerini ele almak için tasarlanmış çeşitli temel modüllerden oluşur:

• Ajan Zamanlayıcı (Agent Scheduler):
  • Ajan görevlerinin eş zamanlı yürütülmesini yönetmekle sorumludur.
  • İşlem sürelerini optimize etmek, bekleme sürelerini azaltmak ve kaynak kullanımını en üst düzeye çıkarmak için FIFO (İlk Giren İlk Çıkar) ve Round Robin gibi stratejiler kullanır.
  • Ajan isteklerini önceliklendirerek ve zamanlayarak LLM kullanımını optimize eder.
• Bağlam Yöneticisi (Context Manager):
  • LLM’ye sağlanan bağlamı yönetmede kritik bir rol oynar.
  • Kesintiye uğrayan üretim süreçlerini sürdürmek için gerekli olan bağlam anlık görüntüleme ve geri yükleme işlevlerini destekler.
  • Uzun bağlamları barındırmak için bağlam penceresi yönetimini de üstlenir.
• Bellek Yöneticisi (Memory Manager):
  • Ajanın aktif yaşam döngüsü sırasında kısa süreli veri depolamasından sorumludur.
  • Hızlı veri alma ve işlemeyi sağlar.
• Depolama Yöneticisi (Storage Manager):
  • Ajanın aktif ömrü boyunca tutulması gereken bilgileri yöneterek verilerin uzun süreli korunmasını denetler.
  • Etkileşim geçmişi, yerel dosyalar, veritabanları ve bulut depolama gibi çeşitli formatlarda saklanabilir.
• Araç Yöneticisi (Tool Manager):
  • Ajanların harici API araçlarını çağırmasını sağlar.
  • Arama, hesaplama, veritabanı sorgulama ve görüntü işleme gibi çeşitli işlevleri kapsayan yönetilen araçları (örn. Google, Bing, Wolfram Alpha, SQL veritabanları, Wikipedia) içerir.
• Erişim Yöneticisi (Access Manager):
  • Ajanlar arasındaki gizlilik ve erişim kontrolü politikalarını uygular.

Bu modüller, AIOS’un dağıtıldığı işletim sistemi içindeki LLM ile ilgili faaliyetlerin yönetimini ve koordinasyonunu geliştirmek için birlikte çalışır.

1. Çalışma Mekanizması

AIOS’un çalışma prensibi, LLM tabanlı bir ajanın, bir görevi tamamlamak için hem LLM hem de geleneksel işletim sistemi kaynaklarını ve işlevlerini nasıl kullandığına odaklanır. Örneğin, bir seyahat acentesi ajanı ele alındığında:

1. Kullanıcı Sorgusu: Kullanıcı bir seyahat planı düzenlemesi için bir sorgu gönderir (örn. “Gelecek ay San Francisco’dan New York’a iş için uçuyorum, seyahati düzenlememe yardım et”).
2. Ajan Etkileşimi: Bu sorgu, işletim sisteminde çalışan seyahat acentesi ajanına iletilir.
3. LLM Hizmetleriyle Etkileşim: Ajan, tercihleri almak, araçlar ve API’ler hakkında kararlar vermek, incelemeler ve yanıtlar oluşturmak gibi görevler için LLM hizmetleriyle etkileşime girer.
4. Geleneksel OS Hizmetleriyle Etkileşim: Aynı zamanda, disk sürücülerine erişim ve yazılım yürütme gibi görevler için geleneksel işletim sistemi hizmetleriyle de etkileşim kurar.
5. Adım Adım Yürütme: Her adım, bir LLM akıl yürütmesi ve bir OS seviyesi eyleminin birleşimini içerir. Bu, tercihlerin alınmasından uçuş ve otel önerilerine, hatta otomatik metin üretimine kadar geniş bir yelpazeyi kapsar.
6. Sistem İş Akışı: Kernel, ajanların bu hizmetlere erişmesi için bir çağrı arayüzü aracılığıyla bir LLM sistemi sunar. Bu modüllerin birleşimi, ajanın karmaşık görevleri verimli ve güvenli bir şekilde yerine getirmesini sağlar.

1. AIOS’un Hedefleri ve Avantajları

AIOS’un geliştirilmesinin temelinde, artan karmaşıklık ve ajan sayısının ortaya çıkardığı zorluklara (kaynak yönetimi, zamanlama ve gizlilik endişeleri gibi) çözüm bulmak yatmaktadır. AIOS’un hedefleri ve sağladığı avantajlar şunlardır:

• Kaynak Optimizasyonu: Kaynak tahsisini optimize eder.
• Bağlam Anahtarlama: Farklı ajanlar arasında bağlam geçişini kolaylaştırır.
• Eş Zamanlı Yürütme: Ajanların eş zamanlı yürütülmesini sağlar.
• Modülerlik ve Verimlilik: LLM’ye özgü çekirdek yapısı, LLM ile ilgili görevlerin diğer OS işlevlerinden izole edilmesine olanak tanır, bu da verimliliği artırır.
• Kanıtlanmış Performans: Deneysel sonuçlar, AIOS modüllerinin ve eş zamanlı ajan yürütmesinin güvenilirliğini ve verimliliğini göstermektedir. Özellikle zamanlama mekanizması, bekleme ve geri dönüş sürelerinde önemli iyileşmeler sağlamaktadır.
• Geliştirilmiş Ajan Yönetimi: Ajanların performansını ve verimliliğini artırmayı hedeflerken, AIOS ekosisteminin gelişimini teşvik eder.

1.9       Warm Wind OS (Cloud AI İşletim Sistemi)

Warm Wind OS, “bulut çalışanları için ilk gerçek AI işletim sistemi” olarak tanıtılmıştır.

• Temel İşlev: Kullanıcılar bir tarayıcıdan giriş yaparak AI ajanlarının gerçek işleri (tıklama, yazma, panolarda gezinme, araçları kullanma) canlı bir bulut çalışma alanında yapmasını izleyebilirler. Bu sistem, kodlama bilgisi veya yerel kurulum gerektirmez.
• Bulut Tabanlı Çalışma: Warm Wind, doğrudan bulutta bir AIOS oluşturur ve AI ajanları (bulut çalışanları olarak adlandırılır) burada çalışır. Bu ajanlar, kendi görme-dil modelleriyle güçlendirilmiştir.
• İnsan Benzeri Etkileşim: Ajanlar, kullanıcının gördüğünü görür, arayüzü anlar, düğmelere tıklar, yazar, sürükler ve bırakır, tıpkı bilgisayar başında oturan bir insan gibi. API engellerini tamamen aşarlar.
• Öğrenme Modu: Bir “öğretme modu” bulunur. Kullanıcı, ajana bir görevi (örneğin fatura verisi girme, analitik çekme) bir kez gösterir ve ajan bunu öğrenir. Ardından birkaç komut yönergesi eklenir ve sistem, kullanıcı dizüstü bilgisayarını kapatsa bile çalışmaya devam eder.
• Ölçeklenebilirlik ve Performans: Bir ajan çalıştırılabilir veya 10.000 ajana kadar ölçeklenebilir. SAS panoları ve masaüstü tarzı uygulamaları düşük gecikme ve sorunsuz bir şekilde işleyebilir. Belirli bir iş akışı normalde 4 dakika sürerken 2.5 dakikada tamamlanmıştır. Ajanslar hızlı bir şekilde çoğaltılarak saniyeler içinde canlı hale getirilebilir.
• Örnek Roller/Şablonlar:
  • AI Sosyal Medya Büyüme Yöneticisi: Trend olan hashtag’leri ve sesleri bulur, özel görsellerle gönderi taslakları oluşturur, optimum zamanlarda zamanlar ve birden fazla başlık seçeneğini otomatik olarak test eder.
  • Müşteri Destek Ajanı: E-posta, canlı sohbet, WhatsApp ve hatta Instagram DM’lerini yönetir. Shopify’daki siparişleri bulur, teslimat durumunu kontrol eder, para iadesi yapar ve yalnızca insan yargısı gerektiren görevleri aktarır.
  • Rekabet Takibi: Rakip hesapları takip eder, gönderi sıklığını ölçer, etkileşimi izler, yeni ürün lansmanlarını tespit eder ve günlük PDF raporları oluşturur.
  • Muhasebe Botu: Taranmış PDF faturaları ERP’deki satın alma siparişleriyle eşleştirir, yevmiye defteri girişleri oluşturur, ödeme hatırlatıcıları ayarlar ve aylık kar ve zarar raporları hazırlar.
  • İşe Alım Ajanı: Özgeçmişleri iş tanımlarına göre inceler, LinkedIn etkinliğini kontrol eder ve ilk tur mülakatları ayarlar.
  • DevOps Ajanı: Çalışma süresini, web vitallerini izler ve herhangi bir şey performans eşiklerinin altına düşerse ekibi uyarır. Sorunlar meydana geldiğinde kullanıcı deneyimini kaydeder ve Slack’te paylaşır.
  • İnovasyon Keşif Ajanı: Her gece Product Hunt, Archive, Crunchbase ve patent akışlarını kontrol eder, yeni araçlar, finansman faaliyetleri ve ilgili geliştirici konuşmaları hakkında sabah özeti hazırlar.
• Mimari ve Güvenlik: Bir zamanlayıcı, izin katmanı ve güvenli sanal alan içerir (Kubernetes’e benzer). Ajanlar bir bellek katmanını paylaşır, böylece bir ajanın bir müşteriyi “kızgın” olarak işaretlemesi durumunda destek ajanı bunu otomatik olarak görür. AB’de barındırılır ve uçtan uca şifreleme ile uyumluluk sağlar. Her ajan kendi izole edilmiş konteynerinde şifrelenmiş kimlik bilgileri ve katı erişim kontrolleriyle çalışır. Bir ajanın rolü dışında bir şey yapmaya çalışması durumunda (örneğin finans botunun Instagram’dan mesaj göndermesi), işletim sistemi bunu durdurur ve bir uyarı gönderir. Veri sızdırma girişimleri anında engellenir ve tam deneme kaydedilir.
• Entagrasyon: Warm Wind’in dahili uygulama mağazası, Slack, Notion, Zero, Google Workspace ve hatta normalde sanallaştırma gerektiren bir Windows muhasebe uygulaması gibi önceden bağlanmış konektörler ve masaüstü istemciler sunar.
• Temel Felsefe: Şirket, insan çalışanların yerini almaya değil, onları sıkıcı ve tekrarlayan görevlerden kurtararak yaratıcı, stratejik ve yüksek değerli işlere odaklanmalarını sağlamayı amaçlar. Bu, otomasyondan ziyade bir “özgürleşme” vaadidir.
• Erişim: Kapalı beta aşamasındadır ve bekleme listesi mevcuttur. Başvuranların, otomatize etmek istedikleri şeyleri ve teknolojiyi nasıl kullanacaklarını ayrıntılı olarak belirtmeleri önemlidir.

1.10   VAST AI İşletim Sistemi

VAST AI İşletim Sistemi, şirketin “VAST veri platformunun” doğal bir evrimi olarak sunulmuş ve yapay zeka çağında temel bir rol oynamayı hedeflemektedir.

• Tarihsel Bağlam ve Rol: Geçmişteki teknolojik devrimlerin (PC için Windows/MacOS, internet için ağ protokolleri/web tarayıcıları, mobil için iOS/Android) yeni donanımları yaygınlaştıran işletim sistemleriyle başladığı gibi, VAST AI OS’nin de yapay zeka donanımını ve uygulamalarını demokratikleştireceği belirtilir. Yapay zeka devrimi için belirleyici özelliğin “veri” olduğu vurgulanır (PC’ler için “hesaplama”, internet için “ağ oluşturma” idi).
• Veri Yönetimi ve Erişimi: Geleneksel olarak veritabanlarındaki sayılar ve sütunlar analiz edilirken, şimdi bilgisayarların resimleri, videoları, sesleri, genomları ve doğal dili anlamasına geçişle birlikte, bu bilgiyi barındırmak için çok daha ölçeklenebilir sistemlere ihtiyaç duyulmaktadır. İnsanların veriyi onlarca CPU üzerinden tüketmesinden, milyonlarca GPU aracılığıyla ajanların tüketmesine geçişte, çok daha hızlı erişim sağlanması gerekmektedir.
• AI Ajanları İçin Continuum: VAST AI İşletim Sistemi, AI ajanlarının yaşadığı bir “continuum” olarak tanımlanır. Bu ajanlar robotlarda, arabalarda ve dronlarda fiziksel form almaya başladıkça, birbirleriyle, insanlarla ve doğal dünyayla etkileşime girdikçe, bu yeni işletim sistemi onların deneyimlerini veri olarak işlemesi, uzun süreli anıları sürdürmesi ve bu deneyimleri ve anıları düşüncelere ve eylemlere dönüştürmesi için bir yer haline gelir.
• Ajanlar Arası Etkileşim ve Kontrol: VAST AI OS, ajanların birbirlerini keşfetmesi ve iletişim kurması için yollar sunar. Ayrıca, ne yaptıklarını gözlemleme, iletişimlerini denetleme ve kimin kimle etkileşime girdiğini veya hangi verilerin paylaşıldığını güvenli bir şekilde kontrol etme imkanı sağlar. Tüm bu parçalar, coğrafyalar arası tek bir küresel sistemin parçası olarak çalışmalıdır.
• Temel Bileşenler ve Akış:
  • VAST Data Store: Ajanların duyusal verileri (resimler, sesler) “uzun süreli anılar” olarak depoladığı yer.
  • VAST Data Engine: Yeni deneyimleri eski anılarla birleştirerek doğal dünyayı anlamayı sağlar, yapılandırılmamış verilerden yapı oluşturur ve vektör gömmeleri (düşünceler) oluşturarak anlam verir. “Düşünceler” eylemlere dönüştüğünde, Lambda fonksiyonları bu eylemleri VAST Data Engine’ın bir parçası olarak yürütür, bu da yeni deneyimler ve düşünceler üretir.
  • VAST Insight Engine: Yeni deneyimleri eski anılarla birleştirerek doğal dünyanın anlaşılmasını sağlar.
  • VAST Agent Engine: Ajanların birbirlerini keşfetmeleri ve sürekli akışlar aracılığıyla iletişim kurmaları, zaman içinde uzun vadeli bağlama sahip olmaları ve coğrafyalar arası fiziksel dünyaya açılmaları için yollar sağlar. Gerçek zamanlı mesaj aracısı ile ajanlara eski uygulamalara sorunsuz erişim imkanı da sunar.
• Güvenlik ve Şeffaflık: VAST AI OS, ajanların kabul edilebilir sınırlar içinde çalışmasını sağlar ve gerçek zamanlı güvenlik, gözlemlenebilirlik ve denetlenebilirlik sunar. Ajan iletişimleri, düşünceleri ve anıları hakkında tam şeffaflık sağlanır; eylemleri sınırlanabilir ve hangi verilere kimin erişebileceği dikte edilebilir.
• Küresel Ortam: VAST Data Space, uçtaki insansı robottan veri merkezlerine ve çekirdekteki bulut platformlarına kadar uzanan, küresel bir ajanik işletim sistemi oluşturur.
• Gelecek ve Açık Kaynak: VAST, ajanik bilgi işlemeye geçişi hızlandırmak için önümüzdeki 12 ay boyunca her ay bir örnek ajan yayınlayacak. Bunlar veri mühendisliğinden siber güvenliğe, bilimsel araştırmadan tıbbi bakıma ve içerik üretimine kadar geniş bir yelpazede görevler için tasarlanacak ve açık kaynak yazılım olarak sunulacaktır.

1.11   Temel Uygulamalar ve Araçlar

Yapay Zeka İşletim Sistemi (AIOS), hem genel otomasyon görevlerini yerine getirmek hem de yapay zeka ajanlarının gelişimi için bir dizi temel uygulama ve araç sunar. Bu uygulamalar ve araçlar, AIOS’un “beyni” veya “ruhu” gibi hareket ederek, bilgisayarda görevleri otomatikleştirmeyi ve yapay zeka ajanlarını dağıtmayı mümkün kılar.

İşte AIOS’un temel uygulamaları ve kullandığı araçlar:

1. Temel Uygulama Alanları ve Örnek Görevler:

AIOS’lar, bir insanın bilgisayarla etkileşimine benzer şekilde, arayüzü “görerek”, butonlara tıklayarak, yazarak, sürükleyip bırakarak çeşitli gerçek dünya görevlerini otomatikleştirebilir. Bu, geleneksel API çağrılarına dayalı otomasyonlardan farklıdır.

• Lead Oluşturma ve Zenginleştirme (Lead Generation & Enrichment):
  • İnternetten potansiyel müşterileri tarayarak ve bularak.
  • Belirlenen müşteriler (lead’ler) hakkında detaylı araştırma yaparak (kişi ve şirket bilgileri).
  • Bu lead’ler için kişiselleştirilmiş mesaj taslakları hazırlayarak ve raporlar oluşturarak.
  • Örnek olarak, San Francisco’daki emlak danışmanları gibi belirli bir hedef kitle için potansiyel müşteri listesi oluşturabilir.
  • Bu lead’ler, Google Sheets veya AirTable gibi veri tabanlarına kaydedilebilir.
• Sosyal Medya Yönetimi:
  • Trend olan hashtag’leri ve sesleri bulma.
  • Özel görsellerle gönderi taslakları hazırlama.
  • Optimal zamanlarda gönderileri planlama.
  • Birden fazla başlık seçeneğini otomatik olarak test etme.
  • Yorumlara yanıt verme ve performans analizi yapma.
• Müşteri Desteği:
  • E-posta, canlı sohbet, WhatsApp ve Instagram DM’lerini yönetme.
  • Shopify gibi platformlarda siparişleri bulma, teslimat durumunu kontrol etme ve iade yapma.
  • Müşteri taleplerini anlama ve kişiselleştirilmiş yanıtlar oluşturma.
  • Sadece gerçek insan yargısı gerektiren görevleri insan operatörlere aktarma.
• Muhasebe ve Finans:
  • Taranmış PDF faturalarını ERP’deki (Kurumsal Kaynak Planlaması) satın alma siparişleriyle eşleştirme.
  • Yevmiye kayıtları oluşturma.
  • Ödeme hatırlatıcıları ayarlama.
  • Aylık kar/zarar raporları hazırlama (örneğin QuickBooks’ta).
• İşe Alım (Recruiting):
  • Özgeçmişleri iş tanımlarına göre inceleme.
  • LinkedIn etkinliğini kontrol etme.
  • İlk tur mülakatları ayarlama.
  • Adayın GitHub’ını tarama ve kodlama görevi gönderme.
• DevOps ve Sistem İzleme:
  • Sistem çalışma süresini (uptime) ve web vitallerini izleme.
  • Performans eşiklerinin altına düşen durumlarda ekibi uyarma.
  • Sorunlar ortaya çıktığında kullanıcı deneyimini kaydetme ve Slack gibi platformlarda paylaşma.
• Yenilik Takibi (Innovation Scout):
  • Her gece Product Hunt, Archive, Crunchbase ve patent akışlarını kontrol etme.
  • Yeni araçlar, fonlama faaliyetleri ve ilgili geliştirici konuşmalarının sabah özetini hazırlama.
• İş Akışı Otomasyonu:
  • Birden fazla CRM’den CSV’leri çekme, birleştirme ve sonuçları Google Sheets’e aktararak Tableau’ya besleme.
  • Günlük piyasa analizi oluşturma ve raporları e-posta ile ekibe gönderme.
  • Belirli programlama dilleri için kişiselleştirilmiş sanal kodlama asistanı olarak kod tamamlama, kod parçacıkları, hata tespiti ve sözdizimi vurgulama gibi konularda yardımcı olma.

2. AIOS Mimarisindeki Temel Modüller ve Dahili Araçlar:

AIOS mimarisi genellikle Uygulama Katmanı, Çekirdek (Kernel) Katmanı ve Donanım Katmanı olmak üzere üç katmandan oluşur. Çekirdek katmanı, İşletim Sistemi Çekirdeği (OS Kernel) ve Büyük Dil Modeli Çekirdeği (LLM Kernel) olarak ikiye ayrılır. LLM çekirdeği, LLM ile ilgili görevleri ve kaynakları diğer işletim sistemi işlevlerinden izole etmek için tasarlanmıştır.

LLM Çekirdeği içinde yer alan temel modüller şunlardır:

• Ajan Zamanlayıcı (Agent Scheduler): Ajan isteklerini önceliklendirir ve zamanlar, LLM kullanımını optimize eder. Eşzamanlı ajan yürütmeyi sağlar. FIFO (İlk Giren İlk Çıkar) ve Round Robin gibi stratejiler kullanarak işlem sürelerini optimize eder.
• Bağlam Yöneticisi (Context Manager): LLM’e sağlanan bağlamı yönetir. Kesintiye uğrayan üretim süreçlerini sürdürmek için bağlam anlık görüntüleme (snapshotting) ve geri yükleme işlevleri sunar. Ayrıca uzun bağlamları yönetmek için bağlam penceresi yönetimini de sağlar.
• Bellek Yöneticisi (Memory Manager) ve Depolama Yöneticisi (Storage Manager):
  • Bellek Yöneticisi: Ajanların aktif yaşam döngüleri sırasında kısa süreli veri depolamasını yönetir, hızlı veri alımını ve işlemeyi sağlar.
  • Depolama Yöneticisi: Ajanın aktif ömrü sonrasında bile verilerin uzun süreli korunmasını sağlar. Etkileşim geçmişini yerel dosyalar, veri tabanları ve bulut depolama gibi çeşitli formatlarda saklar.
• Araç Yöneticisi (Tool Manager): Ajanların harici API araçlarını çağırmasını yönetir. Arama, hesaplama, veri tabanı sorgulama ve görüntü işleme gibi dört ana alanda araçları kategorize eder. Bu araçlar Google, Bing, Wolfram Alpha, SQL veri tabanları, Wikipedia, ArXiv gibi çeşitli kaynaklardan gelebilir.
• Erişim Yöneticisi (Access Manager): Ajanlar arasında gizlilik ve erişim kontrolü politikalarını uygular. Her ajanın kendi izole edilmiş kapsayıcısında çalışmasını sağlar ve şifreli kimlik bilgileri ile sıkı erişim kontrolleri uygular. Bir ajan rolü dışında bir şey yapmaya çalıştığında (örneğin, bir finans botunun Instagram’da mesaj göndermesi), işletim sistemi bunu durdurur ve uyarı gönderir.

3. Entegre Edilen Harici Platformlar ve Teknolojiler:

AIOS’lar, karmaşık iş akışlarını gerçekleştirmek için çeşitli harici platformlar ve teknolojilerle entegre olabilir:

• Web Kancaları (Webhooks): Uygulamalar arasında veri göndermek ve almak için kullanılır. Formlardan gelen bilgileri otomasyonun tetikleyicisine iletmek için bir URL adresi görevi görür.
• n8n: Otomasyon iş akışlarını oluşturmak için kullanılan bir platformdur. Lead oluşturma ve zenginleştirme gibi süreçler n8n üzerinde otomasyon akışları olarak kurulabilir.
• Lavable: Web arayüzleri oluşturmak için kullanılan bir araçtır. Kullanıcıların komutlar ve prompt’lar girerek ihtiyaçlarına uygun web siteleri yaratmalarına olanak tanır. n8n’deki otomasyonları bir “Micro-SaaS” uygulamasına dönüştürmek için kullanılabilir.
• Apollo ve Epify: Lead toplama süreçlerinde kullanılır. Apollo, potansiyel müşteri verilerini arayıp bulmak için bir platformken, Epify ise Apollo’daki lead’leri kazımak için kullanılan bir araçtır. Epify’daki aktörler (örneğin LinkedIn profil veya gönderi kazıyıcıları) n8n içerisinden tetiklenebilir.
• Veri Depolama ve İşleme:
  • Google Sheets ve AirTable: Toplanan lead’leri ve detaylı araştırmaları kaydetmek için kullanılır.
  • Purplex: Şirketler hakkında bilgi toplamak için kullanılan bir araç olabilir.
• Ödeme ve Gelir Modeli Araçları:
  • Stripe ve PayPal: Mikro-SaaS uygulamaları için ödeme almak üzere entegre edilebilir platformlardır.
• Yapay Zeka Modelleri:
  • OpenAI Chat Model (ChatGPT): Araştırma, yazma ve karmaşık istekleri anlama konusunda kullanılır. AIOS, ChatGPT’den alınan yanıtları alıp, gerçek dünya eylemlerine (e-posta gönderme, PDF oluşturma, sosyal medyada paylaşma) dönüştürebilir.
  • Gemma 2B, Mistral 8x7B: AIOS sistemlerinde beyin olarak kullanılabilen büyük dil modelleri örnekleridir.
• Diğer Entegrasyonlar: Slack, Notion, Jira, Google Workspace gibi çeşitli iş uygulamaları ve hatta Windows tabanlı muhasebe uygulamaları AIOS içinde sanallaştırmaya gerek kalmadan çalışabilir.

Bu entegrasyonlar ve modüller, AIOS’u, mevcut otomasyon araçlarının ötesine geçerek, ölçeklenebilir, insan benzeri etkileşim yeteneğine sahip ve sürekli gelişen bir iş yapma aracı haline getirmektedir.

1.12   Temel Terimler Sözlüğü

• AI Otomasyonu: Yapay zeka teknolojileri kullanarak tekrarlayan veya karmaşık görevleri otomatikleştirme süreci.
• AI İşletim Sistemi (AIOS): Yapay zeka ajanlarını ve Büyük Dil Modellerini (LLM’ler) bir işletim sisteminin çekirdeğine entegre eden, kaynak tahsisi ve ajan yönetimini optimize eden platform.
• Agent (Ajan): Belirli görevleri yerine getirmek, bilgi toplamak, kararlar almak ve çevreyle etkileşimde bulunmak üzere tasarlanmış özerk yapay zeka varlığı.
• Apollo: Potansiyel müşteri (lead) üretimi için kullanılan bir platform.
• Apify: Web sitelerinden veri kazıma (scraping) ve otomasyon için kullanılan bir araç.
• Büyük Dil Modeli (LLM): Geniş veri kümeleri üzerinde eğitilmiş, insan benzeri metin üretebilen, anlayabilen ve işleyebilen yapay zeka modeli (örn. GPT modelleri).
• Bulut Çalışanı (Cloud Employee): Warm Wind OS bağlamında, bir bulut ortamında çalışan ve insan gibi bilgisayar arayüzleriyle etkileşim kurabilen yapay zeka ajanı.
• Çekirdek (Kernel): Bir işletim sisteminin temel bileşeni olup, donanım ve yazılım kaynaklarını yönetir. AIOS bağlamında, LLM’e özgü görevleri yöneten bir LLM çekirdeği de bulunabilir.
• Görsel Otomasyon: API entegrasyonu yerine, bir insanın bilgisayar ekranını gördüğü ve fare/klavye ile etkileşim kurduğu gibi çalışan otomasyon. Warm Wind OS’un temel özelliğidir.
• Lead Generation (Potansiyel Müşteri Üretimi): Potansiyel müşterilerin (leadlerin) tanımlanması ve ilgi çekici hale getirilmesi süreci.
• Lead Scraping: Web sitelerinden veya çevrimiçi platformlardan potansiyel müşteri bilgilerini (isim, e-posta, şirket vb.) otomatik olarak toplama.
• Lavable: n8n gibi otomasyon iş akışlarını web tabanlı Mikro-SaaS uygulamalarına dönüştürmek için kullanılan bir platform.
• Mikro-SaaS (Micro-SaaS): Niş bir pazara hitap eden, genellikle tek bir sorunu çözen, küçük ölçekli, abonelik tabanlı yazılım hizmeti (Software as a Service).
• n8n: İş akışı otomasyonu ve entegrasyonu için açık kaynaklı bir araç.
• Ölçeklenebilirlik: Bir sistemin veya iş modelinin artan talebi veya iş yükünü performansını düşürmeden karşılama yeteneği.
• Prompt (Komut): Bir yapay zeka modeline belirli bir görev veya yanıt almak için verilen metin tabanlı talimat.
• Retainer: Müşterilere sürekli hizmet sunmak karşılığında alınan periyodik (genellikle aylık) ücret.
• SDK (Software Development Kit): Yazılım geliştiricilerin belirli bir platform veya yazılım için uygulama oluşturmasına olanak tanıyan araçlar ve kitaplıklar bütünü.
• Webhook: Bir olay gerçekleştiğinde (örn. form gönderimi) bir uygulamadan başka bir uygulamaya otomatik olarak veri gönderen bir HTTP geri araması veya bildirimi.