Ajan Tabanlı Yapay Zeka FinOps Rehberi: Kurumsal Yapay Zeka Maliyetlerini ve Ekonomisini Yönetin

Ajan tabanlı yapay zeka, kurumsal yapay zekanın nasıl hayata geçirildiğini değiştirdiği gibi, yapay zeka ekonomisinin nasıl değerlendirilmesi gerektiğini de temelden değiştiriyor.

Geleneksel kurumsal uygulamaların çoğu nispeten öngörülebilir tüketim örüntülerine sahiptir. Bir şirket kaç kullanıcıya hizmet verdiğini, ne kadar altyapıya ihtiyaç duyduğunu ve talebin zaman içinde aşağı yukarı nasıl değiştiğini bilir.

Ajan tabanlı yapay zekada ise tablo daha farklıdır. Bir ajan bir isteği basit bir etkileşimle ele alırken, başka bir istekte çok daha uzun bir akıl yürütme, veri erişimi, araç kullanımı ve aksiyon zinciri çalıştırabilir. Yeni bir ürünün piyasaya sürülmesi, hizmet kesintisi, sezonluk yoğunluk veya ajanın yeni bir çalışan grubuna açılması gibi durumlarda talep de hızla değişebilir.

Canlı ortamdaki ajan sayısı arttıkça yeni bir kurumsal zorluk ortaya çıkıyor: Yapay zeka, iş yüklerinin görevlerini yerine getirmek için yeterli kapasiteye sahip olmasını sağlarken, öngörülemeyen kullanımın beklenmedik bir finansal yüke dönüşmesini nasıl önleyebilirsiniz?

Google Cloud’un ajanlar için esnek fatura yönetimi ve maliyet kontrollerine ilişkin güncellemeleri bu soruya yönelik bir yaklaşım ortaya koyuyor. Platform, yapay zeka harcamalarını iş yüklerinin davranışıyla daha iyi eşleştirmek için paylaşımlı kotalar, esnek taahhüt seçenekleri, gelişmekte olan ertelenmiş çalıştırma fiyatlandırması, harcama kontrolleri, aşım yönetimi ve kullanım ile maliyet görünürlüğünü geliştiren yeni seçenekler sunuyor.

Yine de tek başına faturalandırma yetenekleri, büyük resmin yalnızca küçük bir parçasını temsil eder. Gerçek kurumsal değer; iş yükü mimarisini, finansal politikayı, kapasite stratejisini, yönetişimi ve ticari sorumluluğu sistematik olarak aynı çerçevede buluşturan ajana duyarlı bir FinOps işletim modeli kurmakta yatar.

Google Cloud’un sunduğu bu yeni yetenekler bu tartışma için önemli bir başlangıç noktası oluşturuyor. Ancak bu yazıda, Gemini Enterprise’ın ötesine geçerek kurumsal ajan iş yüklerinin yönetilmesine ilişkin daha geniş bir sorunu ele alan bir FinOps çerçevesini ve bu modeli oluştururken temel almanız gereken 5 soruyu inceleyeceğiz.

1. Bir Yapay Zeka Ajanının Ekonomik Birimi Nedir?

Kurumların yapabileceği ilk hatalardan biri, yapay zekanın tüketimini bir iş sonucu olarak değerlendirmektir. Bir ajan; token, model çağrısı veya bulut kapasitesi tüketmek için değil, aşağıdaki gibi belirli bir iş sürecini tamamlamak için vardır:

• Bir müşteri sorununu çözmek
• Şüpheli bir işlemi incelemek
• Bir sözleşmeyi değerlendirmek
• Bir sigorta hasarını işlemek
• Tedarik zincirindeki bir istisnayı çözmek
• Bir yazılım geliştiriciyi desteklemek
• Finansal rapor oluşturmak
• Bir hizmet kesintisine yanıt vermek

Her bir görev ayrı bir ekonomik birim olarak ele alınabilir. Bir ajanın finansal etkisini sağladığı çıktının değeriyle ölçmek gerektiğinden, bu ayrımı fark etmek büyük önem taşır.

Bir müşteri hizmetleri ajanını ele alalım. Finansal gösterge paneli model tüketimini ve bulut ücretlerini gösterebilir. Bu metrikler faydalıdır ancak eksiktir. Bir iş liderinin ayrıca bir müşteri sorununu çözmenin ne kadara mal olduğunu, insan müdahalesi olmadan kaç etkileşimin çözüldüğünü ve bu sonuçların yatırımı karşılayıp karşılamadığını da bilmesi gerekir.

Aynı prensip farklı sektörler ve kullanım senaryoları için de geçerlidir.

Bu, FinOps’un rolünü de değiştiriyor. Ekipler yalnızca “Yapay zeka iş yüklerimiz ne kadara mal oldu?” diye sormak yerine, “Bu iş sonucunu üretmenin maliyeti ne oldu?” sorusunu da sorabiliyor. Bu yaklaşım, yatırım kararları için çok daha anlamlı bir temel oluşturuyor.

2. İş Yükü Ne Kadar Öngörülebilir?

Tüm yapay zeka iş yükleri aynı şekilde davranmaz. Bazıları oldukça öngörülebilirken, bazıları kullanım açısından büyük dalgalanmalar gösterebilir.

• Kurumsal bir çalışan asistanının günlük kullanımı nispeten istikrarlı olabilir.
• Bir müşteri hizmetleri ajanında ürün lansmanı sırasında önemli kullanım artışları yaşanabilir.
• Bir dolandırıcılık inceleme iş yükü, bir güvenlik olayının ardından aniden büyüyebilir.
• Otonom bir ajan, başka bir değişkenlik kaynağı daha yaratabilir. Çünkü bir görevi tamamlamak için gereken iş miktarı her zaman önceden bilinmeyebilir.

Bu nedenle kurumların, yapay zeka kapasitesini nasıl tahsis edeceklerine ve bunun için nasıl ödeme yapacaklarına karar vermeden önce iş yükü değişkenliğini anlamaları gerekiyor.

Aşağıdaki tablo; sınıflandırma, kapasite ve finansal politikaların yoğunluk dönemlerini karşılayabilmesi, ancak kurumların sürekli olarak maksimum kapasite için ödeme yapmak zorunda kalmaması için faydalı bir çerçeve sunuyor.

Google Cloud, bu farklı tüketim örüntülerini ele almak üzere tasarlanmış birkaç mekanizma sunar:

• Paylaşımlı kotalar (Pooled Quotas): Uygun Gemini Enterprise kullanıcılarının proje düzeyindeki ortak kota havuzlarından yararlanmasına olanak tanır. Böylece dahil edilen kotaların daha verimli kullanılması ve kullanılmayan kapasitenin ayrı alanlarda atıl kalmasının engellenmesi hedeflenmektedir.
• Esnek Tasarruf Planları (Flexible Savings Plans): Tüketim konusunda esnekliği korurken uygun aylık harcamalara taahhüt vermenin bir yolunu sunar. Gemini Enterprise Esnek Tasarruf Planları, uygun aylık Gemini Enterprise harcamalarında 1 yıllık taahhütler için %10, 3 yıllık taahhütler için ise %20 tasarruf sağlar.*
• Ertelenmiş Çalıştırma Fiyatlandırması (Deferred Execution Pricing): İşlemin hemen gerçekleştirilmesinin gerekmediği uygun iş yükleri için maliyet yapısını esnetmeye yönelik bir seçenek sunar.

Buradaki temel kurumsal prensip şudur: Finansal modeli, iş yükünün davranışıyla eşleştirin. Kararlı bir iş yükü, yüksek değişkenlik gösteren bir iş yükü ve yalnızca dönemsel olarak ortaya çıkan yoğunluk, ticari veya kapasite stratejisinde otomatik olarak aynı şekilde ele alınmamalıdır.

3. Hangi Yapay Zeka İş Yükleri Önceliklidir?

Yapay zeka kapasitesi kısıtlı hâle geldiğinde, kurumların teknik bir kuyruktan daha fazlasına ihtiyacı vardır; iş önceliklerini de dikkate alan bir model gerekir.

Bir şirketin aynı anda üç ajan çalıştırdığını düşünün:

• Potansiyel olarak şüpheli işlemleri inceleyen bir dolandırıcılık ajanı
• Rutin soruları yanıtlayan bir müşteri hizmetleri ajanı
• Haftalık yönetim özeti oluşturan bir kurum içi ajan

Üçü de değerlidir, ancak aciliyet düzeyleri aynı değildir.

Kurumsal ölçekte kullanılabilecek faydalı bir model, iş yüklerini şu şekilde sınıflandırabilir:

Bu ayrım, yapay zekada FinOps için önemli bir fırsat yaratır. Maliyet optimizasyonu, her iş yüküne aynı şekilde yaklaşmak zorunda değildir. Bunun yerine, kurumlar optimizasyonu iş önceliklerine göre yapabilir.

• Kritik bir operasyon ajanı, anında yürütmeyi ve kullanılabilirliğe öncelik veren bir kapasite stratejisini haklı çıkarabilir.
• Arka planda çalışan bir analiz iş yükü, daha düşük maliyetli bir yürütme penceresini bekleyebilir.

Google Cloud’un uygun iş yükleri için planladığı ertelenmiş yürütme fiyatlandırması, iş yüklerini yoğunluğun düşük olduğu kapasite pencerelerinde çalıştıracak şekilde tasarlanmıştır. Google, müşterilerin bu sayede standart kota sınırlarına takılmaksızın, çıkarım (inference) maliyetini yarı seviyesine düşürebileceğini belirtmektedir.

Bu nihayetinde mimari bir karardır. Bir kurum anlık, gerçek zamanlı yapay zeka işlemesi için ödeme yapmadan önce şunu sormalıdır: Bu görevin gerçekten şu anda gerçekleşmesi gerekiyor mu? Yanıt hayır ise, iş yükü potansiyel olarak farklı bir yürütme ve maliyet stratejisi etrafında tasarlanabilir.

4. Yapay Zeka Kullanımı Planlanan Seviyeyi Aşarsa Ne Olur?

Ajan tabanlı yapay zekanın özellikle önemli bir FinOps sorunu yarattığı noktalardan biri de budur.

Geleneksel bir uygulamada beklenmeyen tüketim, trafik artışından, altyapıdaki yanlış yapılandırmalardan veya uygulamadaki bir hatadan kaynaklanabilir. Bir ajanda ise iş yükünün kendisi dinamik olabilir.

Bir görev ek bilgi gerektirebilir. Ajan başka bir aracı çağırabilir. Bu araç başka bir sistemi tetikleyebilir. Başarısız bir işlem yeniden denenebilir. Talep aniden artabilir.

Bu nedenle finansal yönetim sistemi şu basit soruya yanıt verebilmelidir: Gerçekleşen yapay zeka tüketimi beklenen seviyeyi aştığında ne olmalı?

Bunun için uygulanabilecek çeşitli politikalar bulunuyor:

1. Durdurma: İş yükü tanımlanmış bir finansal sınıra ulaşır ve daha fazla kullanım engellenir. Bu, bütçenin aşılmasının kabul edilemez olduğu iş yükleri için uygundur.

2. Kontrollü aşım ile devam etme: İş yükü, paylaşımlı kota tahsisinin tamamlanmasının ardından aşım kullanımına izin veriliyorsa, çalışmaya devam edebilir. Bu durumda ek tüketim, geçerli kullandıkça öde tarifeleri üzerinden ücretlendirilir.

Google Cloud artık desteklenen Gemini Enterprise sürümleri için aşım kontrolleri sunuyor. Yöneticiler, paylaşımlı kotalara ulaşıldığında kullanımın devam edip etmeyeceğine karar verebilir. Aylık harcamayı kontrol altında tutmak için proje düzeyinde harcama limitleri de yapılandırılabilir.

3. Uyarı verme ve inceleme: Olağandışı bir kullanım artışı, iş yükü çalışmaya devam ederken bir uyarıyı tetikleyebilir. Bu yaklaşım, ajanın durdurulmasının geçici ek tüketim maliyetinden daha yüksek operasyonel maliyet yaratabileceği kritik sistemlerde anlamlı olabilir.

Doğru politika, iş yükünün niteliğine göre belirlenmelidir:

• Bir müşteri hizmetleri ajanının talebin aniden arttığı bir dönemde çalışmaya devam etmesi gerekebilir.
• Deneysel bir kurum içi ajan ise limitine ulaştığında duraklatılabilir.

Burada önemli olan, bu kararın kullanım artışı gerçekleşmeden önce verilmesidir.

5. Paranın Nereye Gittiğini Görebiliyor Muyuz?

Finansal kontrol görünürlük gerektirir. Bir kurum yalnızca tek bir aylık bulut faturasını görebiliyorsa, yapay zeka ekonomisini yönetemez. Şunları anlayabilmesi gerekir:

• Hangi iş yükleri kapasite tüketiyor?
• Hangi ekipler bundan sorumlu?
• Kullanım zaman içinde nasıl değişiyor?
• Paylaşımlı kotalar nerede tüketiliyor?
• Planlanan tahsisin dışında ne kadar kullanım gerçekleşiyor?
• Hangi iş yükleri beklenmedik artışlara neden oluyor?
• Harcamalar iş faaliyetleriyle uyumlu mu?

Google Cloud’un Gemini Enterprise kullanım ve harcama yetenekleri; Gemini Enterprise ve Cloud Billing konsolları aracılığıyla ortak kota tüketimi, kullandıkça öde kullanımı ve 30 günlük faturalandırma eğilimleri hakkında görünürlük sağlar.

Google Cloud ayrıca olağandışı harcama örüntülerini ve artışlara neden olan ilk 3 SKU’yu belirlemeye yardımcı olmak amacıyla anomali tespiti ve kök neden analizi yetenekleri de sunuyor. Kurumlar için bu görünürlük, daha geniş bir işletim modelinin parçası haline gelmelidir.

Faydalı bir yapay zeka FinOps gösterge paneli dört boyutu birlikte gösterebilir:

Kullanım → Maliyet → İş Yükü → İş Sonucu

Bu yaklaşım, yalnızca bulut harcamasına bakmaktan çok daha kapsamlı bir tablo sunar.

Örneğin, “Müşteri hizmetlerinin yapay zeka harcamaları %18 arttı.” faydalı bir bilgidir. Ancak “Müşteri etkileşimleri %27 artarken, çözülen destek talebi başına maliyet %7 azalırken ve insana devir oranı %12 düşerken müşteri hizmetleri yapay zeka harcaması %18 arttı.” ifadesi doğrudan iş kararlarında kullanılabilecek bir içgörü sunar.

Maliyet Kontrolünden Finansal Yönetişime

Yapay zeka FinOps, harcamaları izlemenin ötesine geçip kaynakların nasıl tahsis edileceği, kullanılacağı ve gerektiğinde artırılacağına ilişkin kurallar oluşturmaya dönüştüğünde çok daha değerli hâle gelir.

Olgun bir işletim modeli şu konuları netleştirebilir:

• Kimler bir ajanı canlıya alabilir: Ekipler, finansal sahiplik olmadan sınırsız sayıda ajanı canlı ortamda dağıtamamalıdır.
• Bütçenin sahibi kimdir: Canlıdaki her iş yükünün net bir finansal sahibi olmalıdır.
• Harcama sınırı nedir: Projelerin ve iş yüklerinin tanımlanmış bütçeleri, eşik değerleri ve eskalasyon prosedürleri olmalıdır.
• Talep değiştiğinde ne olur: Kurum; ne zaman kapasite artıracağını, yürütme stratejilerini değiştireceğini, aşımlara izin vereceğini veya iş yüklerini erteleyeceğini bilmelidir.
• Ek maliyetin haklı olup olmadığına kim karar verir: Karar yalnızca teknik ekibin daha fazla kapasite talep etmesine göre değil, üretilen iş değerine göre verilmelidir.

Bu yaklaşım FinOps’u şu ekiplerin birlikte çalıştığı çapraz fonksiyonel bir disipline dönüştürür:

Finans + Mühendislik + Bulut + Veri + Güvenlik + İş Birimleri

Yapay zeka harcamaları giderek daha fazla farklı ekiplerin ve iş birimlerinin sınırlarını aşan ortak bir konu hâline geldiği için bu önemlidir.

Portföy Yaklaşımı

Tek bir yapay zeka ajanını yönetmek nispeten kolaydır; yüz ajan ise bambaşka bir problemdir. Bu noktada kurum artık münferit yapay zeka uygulamalarını değil, bir yapay zeka iş yükü portföyünü yönetir hâle gelir.

Bu portföyde şu tür iş yükleri bulunabilir:

• Yüksek hacimli, karmaşıklığı düşük
• Düşük hacimli, karmaşıklığı yüksek
• İş açısından kritik
• Deneysel
• Sezonluk
• Öngörülebilir
• Yüksek değişkenlik gösteren
• Gerçek zamanlı
• Arka planda çalışan

Portföy yaklaşımı, organizasyonların her bir ajanı bağımsız olarak optimize etmek yerine iş yükleri genelinde kararlar almasına olanak tanır.

Örneğin bir şirket şu sonuçları görebilir:

• Ajan A, tahsis edilen kapasitesini sürekli olarak atıl bırakıyor.
• Ajan B, düzenli olarak kotasına ulaşıyor.
• Ajan C, oldukça sezonluk bir talebe sahip.
• Ajan D, yüksek maliyet yaratmasına rağmen ölçülebilir bir iş değeri üretmiyor.

Bu içgörüler kapasite tahsisi ile ilgili daha iyi kararlar alınmasını sağlayabilir:

• Kapasite farklı iş yükleri arasında paylaşılabilir.
• Düşük değer üreten iş yükleri yeniden değerlendirilebilir.
• Yüksek değer üreten iş yüklerine daha fazla öncelik verilebilir.
• Deneysel iş yükleri daha sıkı finansal kısıtlarla yönetilebilir.

Paylaşımlı kotalar ve merkezi görünürlük de bu noktada özellikle önem kazanır. Bu mekanizmalar, yapay zeka kapasitesinin birbirinden bağımsız tahsislerin toplamı yerine kurum genelinde yönetilen ortak bir kaynak olarak ele alınmasına yardımcı olabilir.

Amaç En Düşük Yapay Zeka Faturası Değildir

Yapay zekanın finansal operasyonlarında önemli bir tuzak vardır. Tek hedef harcamaları azaltmak olduğunda, kuruluş yanlış şeyi optimize edebilir.

• Müşteri sorununu çözmesi iki kat daha uzun süren daha ucuz bir yapay zeka iş yükü, operasyonel maliyetleri artırabilir.
• Daha düşük maliyetli bir model düşük kaliteli sonuçlar üretirse, insan incelemesine duyulan ihtiyaç artabilir.
• Kritik bir ajanı büyük bir operasyonel olay sırasında durduran katı bir harcama limiti, çok daha büyük bir iş etkisi yaratabilir.

Bu nedenle hedef, belirlenen finansal sınırlar içinde maksimum iş değeri yaratmak olmalıdır.

Bunu başarmak için şu unsurlar birlikte dengelenmelidir:

• Maliyet
• Kalite
• Gecikme süresi
• Güvenilirlik
• Kapasite
• Risk
• İş değeri

Bu nedenle yapay zeka FinOps, mimari ve yönetişimle yakından bağlantılı bir disiplindir. Finansal politikalar, bir ajanın nasıl tasarlandığından ve işletildiğinden ayrı düşünülemez.

Pratik Bir Ajan Tabanlı Yapay Zeka FinOps Mimarisi

Bu modeli operasyonel hâle getirmenin faydalı bir yolu, yapay zeka FinOps’u birbirine bağlı beş katman olarak düşünmektir:

1. İş yükü katmanı: Ajanın amacını, beklenen talebi, gecikme süresi gereksinimlerini, araçları, veri erişimini ve iş sonucunu tanımlayın.
2. Finansal katman: Bütçeleri, faturalandırma modellerini, kotaları, taahhütleri ve harcama politikalarını tanımlayın.
3. Yürütme katmanı: Hangi iş yüklerinin hemen çalışacağını, hangilerinin kapasiteyi paylaşacağını ve hangilerinin ertelenebileceğini belirleyin.
4. Kontrol katmanı: Harcama limitlerini, aşım politikalarını, anomali tespitini, uyarıları ve eskalasyon mekanizmalarını uygulayın.
5. Değer katmanı: Yapay zeka tüketimini operasyonel ve ticari sonuçlara bağlayın.

Böylece sürekli işleyen bir yönetim döngüsü oluşur:

Tanımla → Bütçele → Tahsis Et → Yürüt → İzle → Yönet → Ölç

Sonra döngüyü tekrarla.

Bu yaklaşım, kurumlar birkaç yapay zekâ pilotundan onlarca veya yüzlerce ajandan oluşan portföylere geçtikçe özellikle önemli hâle gelmektedir.

Ajan Tabanlı Yapay Zeka FinOps Kontrol Listesi

Bir yapay zeka ajanını ölçeklendirmeden önce bu soruları yanıtlayın. Eğer kurumunuzun bu sorulara net yanıtları varsa, kurumunuzda bir yapay zeka FinOps işletim modelinin temellerinin oluştuğu söylenebilir. Yanıtlar belirsizse, ajanı ölçeklendirmek değer yaratmaktan çok daha fazla belirsizlik yaratabilir.

Token Yönetiminden Ajan Ekonomisine

Kurumlar, yapay zeka tüketiminin ölçülmesi ve optimize edilmesi gerektiğini zaten öğrendi.

Yapay zeka sistemleri ajan tabanlı hâle geldikçe, yeni zorlukların kapsamı da genişliyor. Kurumların artık yalnızca tek tek modellerin işlem verimliliğini değil, kurum genelinde otonom olarak çalışan iş yüklerinin davranışını ve yarattığı ekonomik etkiyi de değerlendirmesi gerekiyor.

Bir ajan, gerçekleştirdiği göreve bağlı olarak kapasiteyi farklı şekillerde tüketebilir:

• Değişken bir talep yaratabilir.
• Birden fazla servis üzerinde çalışabilir.
• Paylaşılan kapasite için diğer iş yükleriyle rekabet edebilir.
• Altyapı metrikleriyle tek başına ifade edilmesi zor bir iş değeri yaratabilir.

Bu da yapay zeka FinOps’un tüketim yönetiminden iş yükü yönetişimine evrilmesi gerektiği anlamına gelir.

Google Cloud’un en son faturalandırma ve maliyet kontrolü yetenekleri bu yönde atılmış önemli bir adımdır ve kurumlara yapay zeka iş yüklerinin nasıl fiyatlandırılacağı, tahsis edileceği, planlanacağı, izleneceği ve kontrol edileceği konusunda daha fazla esneklik sağlar. Kurumlar açısından asıl zorluk, bu yetenekleri kendi iş yüklerine ve önceliklerine uygun etkili bir işletim modeline dönüştürmektir.

Kartaca Nasıl Yardımcı Olabilir?

Ajan tabanlı yapay zekayı devreye almak, bir yapay zeka modelini yayınlamaktan daha fazlasını gerektirir. Kurumlar; yapay zeka iş yüklerini ölçekli ve güvenilir bir şekilde işletmek için mimariye, veri temellerine, uygulama entegrasyonuna, kimlik kontrollerine, gözlemlenebilirliğe ve yönetişime ihtiyaç duyar.

Kartaca; bulut mimarisi, veri platformları, uygulama entegrasyonu, yapay zeka ve ajan geliştirme, kimlik ve erişim yönetişimi ve üretim sistemlerinde gözlemlenebilirlik alanlarında bu temelleri oluşturmanıza ve modernleştirmenize yardımcı olur.

Yapay zeka FinOps için bu, bir ajanın tüm yaşam döngüsüne bakmak anlamına gelir:

İş Gereksinimi → İş Yükü Tasarımı → Bulut Mimarisi → Canlıya Alma → Finansal Kontroller → Gözlemlenebilirlik → Optimizasyon

Kartaca olarak kurumların şu hedeflere ulaşması için gereken temeli oluşturuyoruz:

• Yapay zeka iş yüklerini iş önceliğine göre sınıflandırmak
• Uygun yürütme ve kapasite stratejileri tasarlamak
• Yapay zeka ajanlarını kurumsal uygulamalar ve verilerle entegre etmek
• Yönetişim ve erişim kontrolleri kurmak
• Canlı ortamda kapsamlı gözlemlenebilirlik sağlamak
• Kullanım verilerini iş metrikleriyle ilişkilendirmek
• Büyüyen yapay zeka portföyleri için ölçeklenebilir mimariler oluşturmak

Amacımız, kurumsal ekiplere yapay zekayı ölçeklendirmeleri için yeterli esnekliği sağlarken, canlı ortam için gereken finansal görünürlüğü ve kontrolü korumalarına destek olmak.

Yapay zeka ajanlarınızı ölçeklendirirken iş yükü ekonomisini, yönetişimi ve iş değerini dengede tutmaya hazır mısınız? Kurumunuz için ajan tabanlı yapay zeka temelini oluşturmak üzere bizimle iletişime geçin.