Bir yapay zekâ projesi altı adımda başlatılır: problemi tanımlayın, verinizi değerlendirin, yapay zekânın gerçekten gerekli olup olmadığını kontrol edin, başarı kriterini önceden yazın, küçük bir pilotla başlayın ve doğru ortağı seçin. Bu sıralamayı bozan projeler genellikle teknik nedenlerle değil, yanlış soruyla başladıkları için başarısız olur. Bu rehber, hangi tedarikçiyle çalışırsanız çalışın işinize yarayacak şekilde yazıldı.
Yapay zekâ projelerinin en yaygın başlangıç hatası, sorunun “yapay zekâ ile ne yapabiliriz?” diye kurulmasıdır. Bu soru, cevabı sürekli değişen ve hiçbir zaman bitmeyen bir arayış üretir.
Doğru soru şudur: hangi kararı daha hızlı, daha doğru veya daha ucuza almak istiyorsunuz? Bu soruya verdiğiniz cevap projenin kapsamını, başarı ölçüsünü ve bütçesini kendiliğinden belirler.
İyi tanımlanmış bir problem cümlesi şuna benzer:
Kötü tanımlanmış bir problem ise şöyledir: “Dijital dönüşüm kapsamında yapay zekâ kullanmak istiyoruz.” Bu cümle bir hedef değil, bir niyettir — ve niyetten proje kapsamı çıkmaz.
Bu adımda henüz teknolojiden hiç bahsetmemiş olmanız normaldir. Problemi doğru yazdıysanız, çözümün yapay zekâ mı yoksa daha basit bir şey mi olduğu bir sonraki adımlarda kendiliğinden ortaya çıkar.
Yapay zekâ veriyle çalışır. Bu adımda üç soruya cevap aramanız gerekir.
Verinin dağınık olması normaldir — ERP’de, Excel dosyalarında, e-postalarda ve bazen yalnızca birinin aklında olabilir. Önemli olan verinin var olup olmadığıdır; bir araya getirmek çözülebilir bir iştir.
İhtiyaç duyulan geçmiş, probleme göre değişir. Belge okuma gibi işler için kurumunuzun geçmiş verisine neredeyse hiç gerek yoktur. Buna karşılık talep tahmini veya müşteri kaybı öngörüsü gibi işlerde mevsimsel etkileri görebilmek için genellikle en az bir yıllık veri gerekir.
Aynı müşterinin üç farklı yazımla kayıtlı olması, zorunlu olmayan alanların boş bırakılması, tarih formatlarının karışık olması — bunlar hemen her kurumda vardır ve düzeltilebilir. Ancak veri sistematik olarak yanlışsa (örneğin bir alan yıllardır başka amaçla kullanılıyorsa) bunun önce fark edilmesi gerekir.
Veriniz yoksa ne yapmalısınız? Yapay zekâ projesini ertelemek ve önce veriyi biriktirmeye başlamak. Bu bir başarısızlık değil, doğru sıralamadır. Veri toplama altyapısı kurmak, olmayan veriyle model eğitmeye çalışmaktan çok daha değerlidir. Bu aşamada İş Zekâsı altyapısı doğru başlangıç olabilir.
Bu adımı atlamak, gereksiz karmaşıklığa ve boşa harcanan bütçeye yol açar. Her otomasyon ihtiyacı yapay zekâ gerektirmez.
Yapay zekâ muhtemelen gereksiz:
Yapay zekâ doğru araç:
İhtiyacınız birinci gruba giriyorsa, dürüst bir danışman size yapay zekâ satmaz. Bu kontrolü kendiniz yapabilmeniz, doğru tedarikçiyi seçerken de işinize yarar.
Projeye başlamadan önce, “başarılı” kelimesinin ne anlama geldiğini yazılı olarak tanımlayın. Bu yapılmadığında proje hiçbir zaman bitmez; sürekli “biraz daha iyileştirelim” döngüsüne girer.
İyi bir başarı kriteri ölçülebilir, zamanlı ve mevcut durumla karşılaştırmalıdır:
Dikkat edilmesi gereken nokta: yanlış alarm oranını da tanımlayın. Yalnızca yakalama oranını hedeflerseniz, her şeyi şüpheli işaretleyen ve bu yüzden kimsenin güvenmediği bir sistem elde edersiniz. İki ölçü birlikte tanımlanmalıdır.
Ayrıca bu kriteri kimin, hangi veriyle ölçeceğini de baştan belirleyin. Ölçümün kendisi tartışmalı hale gelirse, sonucun ne olduğu hiç netleşmez.
Kurumsal yapay zekâ projelerinin en sık başarısızlık nedeni, kapsamın baştan çok geniş tutulmasıdır. Bütün süreçleri kapsayan büyük bir sistem hedeflendiğinde, ilk çalışan çıktı aylar sonra görülür ve o zamana kadar varsayımların yanlış olduğu anlaşılmış olur.
Pilot kapsamı nasıl seçilir? İyi bir pilot şu üç özelliği taşır:
Çalışan bir prototip genellikle 2-4 hafta içinde elde edilebilir. Bu prototip gerçek verinizle çalışmalı ve üretim sistemine hiç yazmamalıdır — yalnızca okumalı ve sonuç üretmelidir. Böylece yaklaşımın işe yarayıp yaramadığını hiçbir risk almadan görürsünüz.
Prototip beklentiyi karşılamıyorsa orada durmak bir başarısızlık değil, tasarruftur. Asıl kayıp, işe yaramayacağı belli olan bir projeyi aylarca sürdürmektir.
Bu bölümü tarafsız yazıyoruz; aşağıdaki soruları bize de sorun.
Yapay zekâ projelerinin çoğu teknik nedenlerle çökmez. Beş gerçek sebep şunlardır.
Proje “yapay zekâ ile bir şeyler yapalım” diye başladıysa, kapsam her toplantıda biraz daha genişler. Hiçbir zaman bitmez çünkü bitiş çizgisi tanımlanmamıştır. Çözüm: tek cümlelik problem tanımı ve yazılı başarı kriteri.
Planlama aşamasında verinin temiz olduğu varsayılır; uygulamada öyle olmadığı görülür. Bu, projeyi haftalarca geciktirir. Çözüm: keşif aşamasında gerçek veriye bakmak, örnek dosyalara değil.
Yapay zekâ sistemleri iş süreçlerini değiştirir. Bu değişikliği onaylayacak kişi projede yoksa, teknik olarak çalışan sistem organizasyonda kullanılmaz. Çözüm: süreç sahibinin ve karar vericinin projede fiilen yer alması.
Yapay zekânın hata yapmayacağı, her durumu bileceği veya insan kararını tamamen ortadan kaldıracağı beklenirse hayal kırıklığı kaçınılmazdır. Çözüm: hedef doğruluk oranını ve yanlış alarm toleransını baştan yazmak.
Sistem kurulur, tedarikçi projeden ayrılır ve altı ay sonra kimse sistemi güncelleyemez hale gelir. Model zamanla eskir, veri kaynakları değişir. Çözüm: devir eğitimi, dokümantasyon ve bakım planının sözleşmede yer alması.
Teknolojiden değil, süreçten başlayın. Ekibinizin en çok zaman harcadığı tekrarlayan işi veya en sık hata yapılan noktayı belirleyin. Bunu tek cümleyle yazabiliyorsanız başlangıç noktanız hazırdır. Hangi sürecin uygun olduğundan emin değilseniz, birkaç adayı listeleyip hacim, tekrar sıklığı ve hata maliyeti açısından karşılaştırın.
Evet, doğru yaklaşım zaten budur. Aşamalı ilerleyen bir planda önce keşif, sonra sınırlı kapsamlı prototip gelir. Prototip aşamasında yaklaşımın işe yarayıp yaramadığını görür, devam edip etmeme kararını orada verirsiniz. Baştan büyük bir taahhüt isteyen planlara temkinli yaklaşın.
Kurum tarafından genellikle iki kişi yeterlidir: süreci sahada bilen bir kişi ve sistem erişimlerini sağlayabilecek bir teknik sorumlu. Süreç sahibinin katkısı toplamda birkaç saat düzeyindedir ama proje için kritiktir; veri alanlarının gerçekte ne anlama geldiğini yalnızca o kişi bilir. Yapay zekâ uzmanı istihdam etmeniz gerekmez.
Keşif 1-2 hafta, çalışan prototip 2-4 hafta, üretim ortamına geçiş dahil toplam 2-3 ay tipik bir aralıktır. Çok sayıda sistemle entegrasyon gerektiren veya veri altyapısının önce kurulması gereken projeler daha uzun sürer. Bu süreleri fizibilite aşamasında netleştirmeyen bir plana temkinli yaklaşın.
Kurumunuzda yapay zekâ deneyimi olan bir ekip varsa ve bu iş stratejik önceliğinizse içeride yapmak mantıklıdır. İlk projenizse dış ortakla başlamak genellikle daha hızlı ve daha az risklidir; ekibiniz süreç boyunca öğrenir ve sonraki projeleri içeride yürütebilir. Kritik olan, dış ortakla çalışsanız bile devir planının baştan konuşulmasıdır.
Aşamalı ilerlendiğinde kayıp, o ana kadar harcanan süre ve prototip maliyetiyle sınırlı kalır. Asıl risk, işe yaramayacağı erken anlaşılabilecek bir projenin aylarca sürdürülmesidir. Bu yüzden her aşamanın sonunda durma imkânı veren bir plan, baştan tam kapsam taahhüdünden daha güvenlidir. Başarısız bir pilottan bile veri kalitesi ve süreç haritası gibi kalıcı çıktılar elde edilir.
Yukarıdaki adımların herhangi birinde takıldıysanız — problemi netleştiremediyseniz, verinizin yeterli olup olmadığını bilmiyorsanız veya yapay zekânın gerçekten gerekli olup olmadığından emin değilseniz — bu görüşme tam da bunun için.
Satış sunumu yapmıyoruz: probleminizi anlatın, dürüst bir değerlendirme alın. Yapay zekâ gerekmiyorsa bunu da söyleriz.
Ücretsiz ön değerlendirme için iletişime geçin →
İlgili sayfalar: Kurumsal yapay zeka danışmanlığı · Yapay zeka entegrasyonu · İşletmeler için yapay zeka çözümleri
