Üretken Yapay Zeka Projeleri İşletme Yöneticilerinin Anlayışı Olmadan Başarısızlık Riskine Giriyor

Veri yönetimi firması Teradata’nın uluslararası veri bilimi direktörü Chris Hillman, işletmelerin gelişen teknolojiye yaptıkları yatırımlardan değer elde etmeye çalıştıkları için son zamanlarda veri bilimi ve yapay zeka ekiplerinin maliyetine daha fazla ilgi gösterildiğini gördü.

Bununla birlikte, veri bilimcilerinin teknik düzeyde yapay zeka modelleri oluşturma yeteneğine sahip olduğuna ve yapay zeka modellerinin nasıl çalıştığını anlamadıklarında veya model önerilerini eyleme dönüştürmede başarısız olduklarında başarılı yapay zeka projelerini engelleyenlerin genellikle iş paydaşları olduğuna inanıyor.

Hillman, “Veri bilimi dünyasında her şey teknik bir sorundur ve biz bunu teknolojiyle çözüyoruz” diye açıkladı. “Fakat bu şeylerin iş süreçlerine girmemesinin büyük kısmının teknik bir sorun değil, temelde kültürel, politik veya insani bir sorun olduğuna tamamen inanıyorum.”

Teradata’nın çeşitli uluslararası müşterilere yönelik model oluşturma deneyimi şunları önermektedir:

• İşletme yöneticilerinin proje başarısını desteklemek ve başarıya ulaşmak için yapay zekayı anlamaları gerekir.
• Yöneticiler “veri bilimi 101” dersleri yerine kullanım örneği örnekleri yoluyla daha iyi öğreniyorlar.
• İşletmeler yapay zeka projeleri başlamadan önce etki değerlendirmeleri yapmalıdır.

Kültür, politika ve insanlar: Yapay zeka projesinin başarısının önündeki engeller

Hillman, yapay zeka projelerinin başarısızlığının çoğunlukla iş paydaşlarından kaynaklanabileceğini savunuyor:

• Yapay zeka modelinin sonuçlarına, sürecin bir parçası olmadıkları için güvenmemek.
• Model çıktılarını alıp bunları gerçek süreç ve eylemlere dönüştürememek.

Hillman, veriler bir veri bilimi ve yapay zeka ekibine sağlandığı sürece yapay zeka sorununun teknik olmadığını açıkladı. Bunun yerine, iş paydaşlarının bu teknolojiyi anlamasında ve yapay zeka çıktılarını iş eylemlerine dönüştürmesinde daha sık zorluklar yaşanıyor.

İş yöneticileri yapay zeka geliştirme sürecine dahil edilmelidir

Veriler mevcut olduğu sürece Hillman’ın ekibi yapay zeka modellerini başarıyla eğitebilir, test edebilir ve değerlendirebilir.

“Bu modelin çıktısını bir yere yazıyoruz ve bu iş bitti” dedi. “Üretim, her ay çalışan ve masanın bir yerine bir şeyler yapıştıran modeldir.”

Ancak bu noktada başarısız olabilir.

Hillman, “İşletme sahiplerinin bu süreçte yer alması gerektiği için çöküyor” diye ekledi. “Bu puanı alıp ‘sinyal nedir?’ sorusuna karar vermeleri gerekiyor. Eğer bir şeyin dolandırıcılık olasılığının %90 olduğunu söylüyorsam, bu aslında ne anlama geliyor?

BAKIN: Üretken yapay zeka ölçeği arayışındaki Avustralya inovasyonunun kanıtı

“Eğer sinyal ödemeyi bloke etmekse ve onlar da bunu yapmaya karar verirlerse birisinin bunu yapması gerekir. Pek çok şirkette bu, dört olmasa da en az üç ekibin dahil olması anlamına gelir; veri mühendisleri ve veri bilimcileri, işletme sahipleri ve uygulama geliştiricileri.”

Bu, ekiplerin etkili bir şekilde iletişim kuramadığı, yapay zekanın iş süreçlerini etkileyemediği ve yapay zekanın istenen değeri yaratamadığı, işlevsiz bir sürece dönüşebilir.

İşletme sahipleri yapay zeka modellerinin nasıl çalıştığını anlamalıdır

Hillman, yapay zekanın yükselişinin, tüm işletme yöneticilerinin bu modellerin nasıl oluşturulduğunu ve çalıştığını bilmesi gerektiği anlamına geldiğini söyledi.

“Çıktıyı anlamaları gerekiyor çünkü süreci yönlendirmeleri gerekiyor” diye açıkladı. “Onların şu soruyu sorması gerekiyor: ‘Bu benim müşterim veya iş süreçlerim için ne anlama geliyor?'”

Algoritmaların teknik olarak anlaşılması gerekli olmasa da şirket yöneticileri, yapay zeka modellerinin olasılıksal doğası gibi yapay zekanın içerdiği temel matematiği anlamalıdır. İş paydaşlarının, yapay zeka modellerinin doğruluğunun, geleneksel iş zekası raporlama araçlarından beklenenden neden farklı olacağını anlaması gerekiyor.

“Mali direktöre bir raporla gitsem ve ‘bu ne kadar doğru?’ diye sorsalardı. ve ben de ‘yaklaşık %78 doğru’ dedim, muhtemelen atılırdım” dedi Hillman. “Fakat bir yapay zeka modelinin %78 doğru olması iyi bir şey. %50’den fazla doğru olduğunda zaten kazanıyorsunuz demektir.

“Bazı müşterilerimizden ‘bu modeli istiyoruz ve hatalı pozitif sonuçlar olmadan %100 doğruluk istiyoruz’ diyen gereksinimler ortaya koyduk. Onlara şunu söylemeliyiz: ‘Bunu yapamayız çünkü bu imkansız.’ Ve eğer bu tür bir model elde ederseniz, yanlış bir şey yapmışsınız demektir.”

Kullanım örnekleri: iş yöneticilerine yapay zeka modellerinde eğitim verirken etkili araçlar

Hillman, işletme sahiplerinin pratikte kendileri için “yararsız” olabilecek “veri bilimi 101” derslerine tabi tutulması gerektiğine inanmıyor. Bunun yerine, yapay zeka modellerinin iş adamları için nasıl daha etkili bir şekilde çalıştığını göstermek için yapay zeka kullanım örneklerinden yararlanılabileceğini söyledi.

“Kullanım senaryosu odaklı yaklaşımın iş tarafındaki insanlar için kesinlikle daha iyi olduğunu düşünüyorum çünkü onlar bununla ilişki kurabilirler ve siz de konuşmaya dahil olabilirsiniz” dedi.

Yapay zeka projenizin gerçekten çalışır duruma gelmesini sağlamaya yönelik ipuçları

Hillman, işletme sahiplerine yapay zeka projelerinin fikir ve konsept kanıtından üretime kadar ilerlemesini sağlamak için çeşitli önerilerde bulundu:

Etki değerlendirmesi yapın

Etki değerlendirmesi önceden yapılmalıdır. Bu değerlendirme, işletmenin neden yapay zeka projesini takip ettiği ve ayrıntılı iş faydaları gibi temel hususları içermelidir.

Hillman, “Bunu orijinal özelliklerde çok nadir görüyorum” dedi.

Daha ziyade, etki değerlendirmeleri genellikle bir proje devam ederken veya teknik çalışma tamamlandıktan sonra başlatılmaktadır; bu da projelerin rafa kaldırılmasına ve üretime geçmemesine katkıda bulunabilir.

Doğru kullanım örneklerini seçin

Her ne kadar transformatör modelleri ChatGPT’den önce popülerlik kazansa da, OpenAI’nin chatbot’u piyasaya sürmesinin yarattığı heyecan, işletmelerin güncelliğini korumak için üretken yapay zeka projeleri başlatmasına yol açtı. Bu, yanlış yönlendirilebilecek bazı kullanım senaryosu seçimleriyle sonuçlandı.

BAKINIZ: 2024’te Avustralya işletmelerinde yapay zekanın 9 yenilikçi kullanım örneği

Hillman, genellikle iş hedeflerine ulaşmanın bir yapay zeka modeli oluşturmaktan daha kolay yolları olduğundan, işletmelere “bunun yerine bir rapor oluşturup oluşturamayacaklarını” soruyor. Yapay zeka modellerinin genellikle etki değerlendirmesinin olmaması veya kullanım senaryosunun yanlış olması nedeniyle başlatılamayacağını söyledi.

Güçlü bir iş sponsoruna sahip olun

Yapay zeka projeleri, kendilerini ileriye taşıyan güçlü bir iş sponsoruna sahip olduklarında daha iyi durumda olur. Bir iş şampiyonu, bir yapay zeka projesinin potansiyel etkisinin işletmedeki diğer ekipler tarafından anlaşılmasını ve yapay zeka verilerini süreçlere uygulamak için birlikte çalışmalarını sağlayabilir.

Hillman, “Teknolojinin bütçesi BT’nin elinde olabilir, veriler ve bunun güvenlik ve gizlilik kısmı da başkasının elinde olabilir, ancak gerçekte itici gücün her zaman iş tarafından gelmesi gerekir” dedi.