Finans devi Capital One, hazır temel modeller yerine açık ağırlıklı modelleri kendi verileriyle özelleştirdiği, ölçeklenebilir ve çoklu ajan tabanlı bir yapay zeka mimarisi geliştirdi. VB Transform 2026 etkinliğinde detayları paylaşılan sistem, şirketin yıllar önce başladığı veri dönüşümü ve bulut bilişim yatırımlarının bir sonucu olarak hayata geçirildi.

Kurumsal Verilerle Özelleştirilmiş Açık Modeller

Şirket, genel amaçlı öncü modellerle yetinmek yerine, açık ağırlıklı modelleri kendi özel verileriyle ince ayardan geçiriyor. Makine öğrenimi mühendisliği MVP'si Kel Vanee, sahip oldukları verilerin genel modellerin sağlayamayacağı büyük bir avantaj sunduğunu belirtti. Bu yaklaşım, modellerin kurum içi politikalarda ve terminolojide uzmanlaşmasını sağlayarak tüm portföy genelinde bir performans artışı sağlıyor.

MACAW Sistemi ile Karmaşık İş Akışları

Bankacılık dolandırıcılığı gibi milyonlarca çağrının alındığı karmaşık süreçler için MACAW adı verilen çoklu ajan iş akışı geliştirildi. Bu sistemde süreç tek bir modele bırakılmak yerine uzmanlaşmış ajanlara dağıtılıyor: İlk olarak anlamlandırma ajanı müşteri niyetini belirliyor, akıl yürütme ajanı özet oluşturuyor, doğrulama ajanı bilgileri kontrol ediyor ve açıklama ajanı ise tüm detayları formatlı bir belgeye dönüştürüyor.

Müşteri Deneyimi ve Operasyonel Verimlilik

Bu mimari aynı zamanda Meta'nın Llama modelinin özelleştirilmiş bir versiyonunu kullanan Chat Concierge adlı otomobil alışveriş asistanının da temelini oluşturuyor. Sistem; konuşma, eylem planı oluşturma, doğrulama ve açıklama şeklinde dört farklı ajan arasında iş bölümü yaparak çalışıyor. Ayrıca şirket, arka uç barındırma altyapısını optimize etmek için otonom ajan sistemlerini kullanarak çalışanların rutin görevlerini otomatikleştiriyor.

Ne anlama geliyor?

Yapay zeka sistemlerinde tek bir büyük modelin tüm görevleri üstlenmesi yerine, her biri belirli bir konuda uzmanlaşmış küçük birimlerin koordineli çalışması prensibi uygulanmaktadır. Bu yöntem, özellikle karmaşık süreçlerde hata payını düşürerek doğruluğu artırır ve işlem süresini optimize eder. Birimlerin birbirini denetlediği bu yapı, sistemin kendi kendini düzeltme mekanizmasına sahip olmasını sağlar.

Kendi verileriyle eğitilen açık sistemler, şirketin gizli bilgilerini dışarı sızdırmadan yüksek performanslı çözümler üretmesine imkan tanır. Bu teknoloji, özellikle yoğun veri akışının olduğu sektörlerde, standart çözümlerin sunamadığı sektörel uzmanlığı sağlar. Kullanıcı tarafında ise bu durum, daha tutarlı yanıtlar ve manuel işlem gerektiren raporlama süreçlerinin otomatikleşmesi şeklinde karşılık bulur.