Yapay zekâ projelerinde en pahalı hata, yanlış projeye başlamaktır. Aşağıdaki 10 soru, bir fikri yatırıma dönüştürmeden önce değerlendirmek için basit ama etkili bir kontrol listesi sunuyor. Bu soruların çoğuna net cevap veremiyorsanız, proje henüz başlamaya hazır değil demektir.
Problem ve değer
1. Hangi iş problemini çözüyoruz?
Problemi tek cümleyle, teknoloji kelimesi kullanmadan ifade edebiliyor olmalısınız. "Müşteri taleplerinin ilgili ekibe yönlendirilmesi ortalama 2 gün sürüyor" iyi bir problem tanımıdır; "Bir GenAI asistanı kuralım" değildir.
2. Çözülürse değeri ne olur?
Problemin bugünkü maliyetini kabaca hesaplayın: harcanan zaman, hata maliyeti, kaçırılan gelir. Değer küçükse, en iyi teknoloji bile yatırımı haklı çıkarmaz.
3. Başarıyı nasıl ölçeceğiz?
Projenin sonunda neye bakarak "başardık" diyeceğinizi baştan belirleyin. Ölçüt bir iş metriği olmalı: süre, maliyet, hata oranı, müşteri memnuniyeti.
4. Yapay zekâ gerçekten gerekli mi?
Bazı problemler basit kurallar, süreç iyileştirmesi veya mevcut bir yazılımın doğru kullanımıyla çözülebilir. Yapay zekâ, kuralların yetersiz kaldığı, belirsizlik ve büyük hacimli veri içeren problemlerde fark yaratır.
Veri ve hukuk
5. Gerekli veri var mı?
Çözüm için hangi veriye ihtiyaç var, nerede duruyor, ne kadar geçmişe uzanıyor ve kalitesi nasıl? Etiketlenmiş veri gerekiyorsa, etiketleri kim üretecek?
6. Veriyi kullanmaya hakkımız var mı?
Kişisel veri varsa KVKK kapsamında hukuki dayanak nedir? Veri yurt dışına çıkacak mı? Sektörel düzenlemeler (ör. bankacılıkta veri lokalizasyonu) neyi gerektiriyor? Bu soruların cevabı, çözümün bulutta mı yoksa kurum içinde mi kurulacağını da belirler.
Kullanıcı ve süreç
7. Çözümü kim kullanacak ve nasıl?
Kullanıcılar çözümü hangi ekranda, iş akışının hangi adımında görecek? Kullanıcılar sürece dahil edilmezse, teknik olarak başarılı bir çözüm bile kullanılmayabilir.
8. Yapay zekâ yanlış yaptığında ne olacak?
Her yapay zekâ sistemi zaman zaman hata yapar. Hatanın maliyeti nedir, kim fark edecek ve nasıl düzeltilecek? Kişileri etkileyen kararlarda insan onayı nerede devreye girecek?
Uygulama ve ölçek
9. Hangi sistemlerle entegre olacak?
Çözüm hangi sistemlerden veri alacak, sonucu hangi sisteme yazacak? Entegrasyon çoğu zaman projenin en uzun ve en riskli kısmıdır.
10. Canlıda kim işletecek ve maliyeti ne olacak?
Pilot bittikten sonra modeli kim izleyecek, güncelleyecek ve destekleyecek? Canlı ortamda altyapı ve kullanım maliyeti (özellikle LLM tabanlı çözümlerde kullanım başına maliyet) ne olacak?
Kontrol listesi
| # | Soru | Cevap net mi? |
|---|---|---|
| 1 | Hangi iş problemini çözüyoruz? | ☐ |
| 2 | Çözülürse değeri ne olur? | ☐ |
| 3 | Başarıyı nasıl ölçeceğiz? | ☐ |
| 4 | Yapay zekâ gerçekten gerekli mi? | ☐ |
| 5 | Gerekli veri var mı? | ☐ |
| 6 | Veriyi kullanmaya hakkımız var mı? | ☐ |
| 7 | Çözümü kim, nasıl kullanacak? | ☐ |
| 8 | Hata olduğunda ne olacak? | ☐ |
| 9 | Hangi sistemlerle entegre olacak? | ☐ |
| 10 | Canlıda kim işletecek, maliyeti ne? | ☐ |
Sonraki adım: Hızlı bir prototip
Bu sorulara olumlu cevap verdiyseniz, sıradaki adım büyük bir yatırım değil, kısa süreli bir prototip (PoC) olmalı. Prototip, fikrin kendi verinizle gerçekten çalışıp çalışmadığını düşük maliyetle gösterir.
Kullanım Senaryosu ve Fizibilite hizmetimizle bu soruları birlikte cevaplıyor, en umut verici senaryo için çalışan bir prototip geliştiriyoruz. Birden fazla fikir arasında önceliklendirme yapmak isterseniz Yapay Zekâ Stratejisi ve Yol Haritası Atölyesi iyi bir başlangıç noktası.
Kaynaklar
- Google – Rules of Machine Learning (Kural 1: Makine öğrenmesi olmadan başlamaktan çekinmeyin)
- NIST – Yapay Zekâ Risk Yönetimi Çerçevesi (AI RMF)
- Anadolu Ajansı – KVKK Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi
- Sculley vd. (2015) – Hidden Technical Debt in Machine Learning Systems (NeurIPS)