Yapay Zeka Stratejisi Geliştirmek için Pratik Adımlar

Tam olarak biz ne yapıyoruz? Yapay zeka stratejisi geliştirirken kuruluşların cevaplaması gereken ilk soru budur.  Sorumluluk sahibi herkes öncelikle şirketinin varoluş amacı konusunda net olmalıdır. Şirketin misyonu, şirketin ‘Neden’ var olduğu sorusunun cevabını verecektir. ‘Neden’ sorusu cevaplandıktan sonra, ‘Nasıl’ sorusu değerlendirilmelidir; şirket bu amaç doğrultusunda nasıl çalışıyor?

Örneğin Dell Technologies olarak amacımız, büyük fikirlere sahip kişiler için daha iyi teknolojiye erişimi artırarak (Nasıl) insanlığın ilerlemesine katkıda bulunmaktır (Neden).

Kuruluşun misyonunu göz önünde bulundurarak, şirket operasyonlarında ve sonuçlarında misyona uygun olmayan durumlar belirlenmelidir. Kıdemli bir yönetici bu durumların nerede olduğu konusunda geniş bilgi sahibi olmalı ve sıkıntılı noktaları incelemek üzere yöneticiler görevlendirmelidir. Örneğin, misyonu müşterilerine üstün kaliteye sahip ürünler ve hizmetler sunmak olan bir yiyecek işleme şirketi, azalan üretimle veya ürün hatalarından ötürü atığın artmasıyla ilgili yüksek rakamlara sahip raporlar alıyorsa şirket misyonunu yerine getirme konusunda başarısızdır. Bu durum üretim sürecindeki başka sorunlara işaret ediyor olabilir. Aşırı atıktan kaçınmayı sağlayacak hatalar öngörülebilirse, “ders almak” yerine “önlem almak” söz konusu olur.

Tüm yapay zeka kullanım durumları, yapay zekanın şirket operasyonlarını arttırmak için kullanılabileceği belirlenmiş görevler üzerine oluşturulur. Örnekteki yiyecek işleme şirketinde görev, “tahmin, tespit, belirleme veya tanıma” olabilir ve kullanım durumu da hatalı ürünü erkenden tahmin etmek veya belirlemektir. Bu sayede şirket misyonuna uygun hareket eder. Yapay zeka ile ilgili bazı örnekler ve cevapladıkları sorular şunlardır:

  • Tespit – Bir şey tespit edilebilir mi/mevcut mu?
  • Tanıma – Bir şey tanımlanabilir mi?
  • Sınıflandırma – Bir şey belirli bir sınıfa uyuyor mu?
  • Segmentasyon – Bir şey varsa, biçimlendirilebilir mi? Ne kadarı var?
  • Anomali tespiti – Bir şey beklentilere uymuyor mu?
  • Doğal dil işleme – Dil ve ifade anlaşılır mı?
  • Tavsiye – İstenen sonuç için çözüm bulunabilir mi?

‘Görev + kullanım durumu’ formülünü kullanmak, şirketin arasından seçim yapabileceği uzun bir kullanım durumu listesi oluşturur. Aynı görev türünü kullanarak birçok kullanım durumu belirlendiğinde, tekrarlama fırsatı sunar ve yapay zekanın hızlı benimsenmesini sağlar. Seçim yaparken aşağıdaki sorular unutulmamalıdır:

  • İş değeri nedir? Stratejik etkisi var mıdır? Etkisi ölçülebilir mi?

Ürün hatalarından kaynaklı atıklar zaman içinde şirket için maliyeti arttırabilir. Bu maliyetin kayıtları, iş değerinin kanıtıdır ve para tasarrufu sağlanabilir ve bu tasarruf yenilikçi projelere aktarılabilirse stratejik etkiye sahip olabilir.

  • Kullanım durumu ne kadar uygulanabilir?

Uygulanabilirlik, sorunu anlamak ve yapay zeka modellerini eğitmek için ilgili verilerin geçerliliğini kullanarak ölçülebilir. Hangi verilerin geçerli olduğu, verilerin nerede saklandığı ve yapay zekada kullanmak için verilerin nasıl hazırlanması gerektiği önemli unsurlardır. İlgili veriler, istenen sonuçlara katkı sağlayan unsurlar hakkında bilgi sağlar. Bu, ürün hataları için yanlış işleme ekipmanının göstergesi olabilir.

Belirtildiği üzere, dış cevapları gereğinden erken aramak, iç düşüncenin benzersizliğini işi en iyi bilen insanların elinden alabilir. Kullanım durumlarını belirlemek, “benzer diğerlerinin” yapay zeka ile neler yaptığıyla ilgili araştırma yaparken referans noktası verir. Bazı kullanım durumları zaten başarılı bir şekilde dağıtılmış olabileceğinden dış araştırma, seçili kullanım durumlarını yürütmek için ne kadar çaba gerektiği ile ilgili bilgi verir. ‘Yapay zeka + *sektör*’ veya ‘ürün hatası tahmini + üretim + yapay zeka’ gibi web aramaları, ilgili sonuçlar verebilir. Başka yapay zeka görevleri çıkabilir ve çıkan sonuçlar başka kullanım durumları için uygun olabilir.

Yapay zekayı benimsemenin yönünü belirlemek, şirket genelinde bu yönde fikir birliği sağlamak için etkin katılımcıların olduğu bir ekip oluşturmak için uygun ortamı yaratır. Aşağıdaki kişiler bu ekibin bir parçası olabilir:

  • Veri Mimarı/Mühendisi – Veri elde etmeyi, işlemeyi ve verileri tüketim için hazırlamayı tasarlar.
  • Veri Bilimci/Makine Öğrenimi veya Derin Öğrenme Mühendisi – Tahminlerde bulunmak ve karmaşık veri bilimi ve şirket görevlerini çözmek için geleneksel istatiksel yöntemleri ve makine öğrenimi/derin öğrenme tekniklerini kullanır.

Her iki grup da, başarılı olmak için gerekli yazılım/donanım araçlarını anlar. Diğer önemli kişiler şunlardır:

  • Veritabanı Yöneticileri – Veri erişimini ve kontrolünü sağlar, genel olarak geleneksel verilerle çalışır ve veri konumlarını bilir.
  • Veri/İş Zekası (BI) Analisti – geçmiş veri analizlerini inceler ve maliyetleri ve stratejik etkileri gösteren raporları hazırlar.
  • BI Geliştirici – Analizleri standartlaştırmak için SQL ve python gibi araçları kullanır.
  • Yapay zekanın şirket için yararlarını gözeten şirket yöneticileri.

Dell’e göre başarılı yapay zeka projeleri, kişinin potansiyeline ulaşması için Maslow’un ihtiyaç hiyerarşisine benzer bir model takip eder. Bu hiyerarşi bir kullanım durumu ile başlar ve bu durumu desteklemek için optimize edilmiş bir BT ortamında çalışır.

Doğru çözümü bulmak yorucu bir iş olabilir bu nedenle yolculuklarında müşterilerimize yardımcı olmak üzere bir kaynak ekosistemi oluşturduk. Daha fazla bilgiye buradan ulaşabilirsiniz, ayrıca Emerging Tech ekibimizle iletişime geçebilirsiniz. Yolculuğunuzda size eşlik etmek için sabırsızlıkla bekliyoruz.

Dell Technologies

About the Author: Dell Technologies