on üç yıldır yapay zekâ teknolojilerinde yaşadığımız üretim patlaması nedeniyle içinde bulunduğumuz dönem ve yakın gelecek, “yapay zekâ çağı” olarak adlandırılıyor. Ancak aslında bu dönemin neredeyse 200 yıl önce başladığını söyleyebiliriz. Büyük dil modelleri, halka mal olmuş adıyla üretken yapay zekâ, sürpriz bir şekilde ortaya çıkan ve hikâyeyi başlatan bir fenomen değil. Aksine, 200 senelik bir gelişme ve evrilme süreci içerisinde önemli atılım noktalarından biri.

Yakın tarihe dönüp baktığımızda, yapay zekânın rüyalardan gerçekler arenasına çıkışının, programlanabilir bir hesap makinesini ilk defa kavramsallaştıran Babbage’ın “Analitik Motoru”nun Ada Lovelace tarafından Bernoulli sayılarını hesaplamaya yönelik programlanmasıyla gerçekleştiğini görüyoruz.

Konuyu bu kez tarihsel gelişim perspektifiyle ele almak neden çok önemli? Çünkü son üç dört yıldır yapay zekâ denildiğinde yalnızca “üretken yapay zekâ” anlaşılır oldu. Oysa ondan iki yüz yıl önce kavramsallaştırılmaya başlayan betimleyici ve tahmin edici yapay zekâ, yalnızca üretken yapının öncülleri değil; aynı zamanda problem türü ve çözüm imkânları açısından alternatifleri de olabilir. Bu yazıda, iş hayatında betimleyici ve tahmin edici yapay zekânın uygulama ve öğretim tarafında çalışmış bir araştırmacı olarak, üretken yapay zekânın kendi öncülleriyle etkileşimini ve günümüzün ihtişamlı teknolojileriyle nasıl doğru analizler yapılabileceğini ele alacağım.

---

Başlamadan önce, yazının başlangıcında da belirttiğim gibi, bugünlerde yapay zekâ denildiğinde zihinlerde oluşan tabloya ilişkin önemli bir yanılgıya değinmek gerekiyor: Yapay zekâyı, analitiğin işlevlerinden yalnızca biri olan üretken yapay zekâdan ibaret sanmamak gerekir. Transformer modelleri ve dikkat (attention) mekanizması sayesinde karmaşık komutlara yanıt üretebilen üretken yapay zekâ, doğası gereği deterministik biçimde hareket edememektedir. Bu nedenle, betimleyici, tahmin edici ve yönlendirici yapay zekâ alanlarına giren problemlerde hâlâ 2022 öncesinde geliştirilen algoritmik yaklaşımlara ihtiyaç duyuyoruz.

Yani üretken yapay zekâ, Kuhn’un önerdiği anlamda, bilimsel devrimlerin ardından paradigmaların değişmesiyle ortaya çıkmış tarihsel bir son nokta değildir. Aksine, diğer analitik yaklaşımları destekleyen tamamlayıcı bir yapıdır. Nasıl ki ajan tabanlı yapay zekâ, yıllardır oturmuş bir metodolojiye sahip uygulama geliştirme alanının hızını ve verimliliğini artırdıysa, veri bilimi tarafında da benzer bir dönüşüm yaşıyoruz. Öngörü, sınıflandırma ve benzerlik modellerimizi geliştirirken, çıktıların biçimlendirilmesinde yapay zekâ yapılarını kontrollü ve yoğun bir biçimde kullanıyoruz.

Burada sözünü ettiğim taksonomiyi, büyük ölçüde David Bending ve Antonio Brauche’nin Management Review Quarterly dergisinde yayımlanan makalesinde yer alan ve aşağıda paylaştığım yapıdan sadeleştirerek aldım. Meraklı okuyucular, açık erişimli makaleyi yazının sonundaki bağlantıdan okuyabilirler.

---

Modelleme teknolojilerinde son dönemde yaşanan ilerlemelerin yol açtığı kavram karmaşasını toparladığımıza göre, çalışmalarımıza destek sağlayan üretken yapay zekâ hizmetleriyle güçlendirilmiş bir analitik kültürde başarı için gereken temel kavramlara odaklanabiliriz.

Kurumların yapay zekâ destekli analitiğe yaklaşırken çözmesi gereken temel konu; daha fazla kişinin altyapıya erişmesini sağlamak, daha hızlı donanım edinmek ya da daha ileri üretken yapay zekâ imkânları sunmak değildir. Bunlar zaten analitik ekiplerinize sağlamanız gereken temel altyapının parçalarıdır. Kurum içinde veriyle konuşma kültürünün geliştirilmesine ve veri demokratizasyonuna hizmet eden “self servis analitik” sistemleri açısından bunlar önemli konular olabilir. Ancak bu yazıda daha çok “karar analitiği” tarafına odaklanmak istiyorum.

Çok basit bir tanımlamayla self servis analitik, insanların daha fazla yanıt üretmesini sağlarken karar analitiği hangi yanıtın hangi kararı değiştireceğini belirler. Doğrudan etki yaratacak kararların alınmasına odaklandığı için karar analitiği, kurum içindeki iş birimleri ile konu uzmanlığı gelişmiş analitik ekiplerin ortak çalışmasıyla ele alınması gereken bir yapıdır.

S&P Global’in geçtiğimiz yıl yaptırdığı anket, kurumların yüzde 42’sinin yıl içinde başlattıkları yapay zekâ projelerini henüz yıl tamamlanmadan gündemlerinden çıkardığını ortaya koyuyor. Üstelik çoğunlukla milyonlarca dolarlık donanım ve yapay zekâ bütçesine sahip firmalarda yaşanan bu durum, yeterli teknolojik yatırım yapılmamasından kaynaklanmıyor. Asıl neden, kişilerin hangi iş problemini çözeceklerini ve hangi kararı alacaklarını en başta iyi planlamamalarıdır.

Hangi kararın alınacağı ve hangi problemin çözüleceğinin belirlenmesindeki güçlük, biraz da büyük veri dönüşümünden sonra fazlasıyla öne çıkarılan “veri odaklı karar verme” ve “veriyle yönetilen şirket olma” hedeflerinin kurgulanmasındaki bakış açısı hatasından kaynaklanıyor.

Analitiği, ne sorulursa sorulsun doğru ve çözüm getirecek cevabı veren büyülü bir ajan olarak görme yaklaşımı; modelleme, istatistik ve olasılık perspektifinden değerlendirme yapmakta zorlanan kesimlerce benimsendi.

“Veri konuşsun” zorlaması, son kertede kararları verilerin değil insanların verdiği gerçeğini unutturdu. Aynı zamanda verinin insan muhakemesinin yerini hiçbir zaman alamayacağını; onu yalnızca disipline eden, sezgileri sınayan ve gözden kaçan örüntülere dikkat çeken bir araç olduğunu gözden kaçırmamıza neden oldu.

Artık veri bir araç değil, karar vermek için bir amaç hâline geldi.

Yapay zekâ destekli analitiğin bir karar verici olmadığı, yalnızca karar vericinin muhakemesini geliştirebileceği düşüncesini kabul etmek elbette zor. Bu, özellikle üzerlerindeki karar verme sorumluluğunun yükünü eşit sorumluk sahibi bir ortak ile paylaşmak isteyen karar vericiler için daha da zordur. Bu teknolojik imkânı araç değil amaç yerine koyanlar, çıktılara yanlış perspektiften baktıkları ve üretilen içgörüleri kendi deneyimleriyle birleştirerek rafine etmedikleri için yapay zekânın şu zaaflarını fark edemeyebilirler:

• Olasılıklı, dolayısıyla kesin olmayan karar yapısı,
• Geçmiş verilerden öğrendiği için yeni politika değişikliklerini algılamada beklenen yavaşlığı,
• Transformer modelleri ve dikkat mekanizmasıyla bağlam farkındalığı artmış olsa da hiçbir konuyu bir insanın doğal ortamında algıladığı gibi algılayamaması.

Bu zaafların gözden kaçırılması hatalı kararlar verilmesine neden olabilir. Burada, kararın hesabını verme sorumluluğunu tümüyle makineye devretmenin çekiciliğini de göz ardı etmemeliyiz. Ancak bu doğru değildir.

Yapay zekâ hiçbir karar vericinin işini kolaylaştırmayacaktır. Aksine, karar alırken kullanılabilecek analitik çıktıların üretilme hızını ve sayısını artırarak, sınırlı da olsa muhakeme için gereken süreyi uzatacaktır. Bunu yaparken karar verme sürecine metodolojik bir zorluk getirecek; fakat aynı zamanda insanlara daha isabetli ve çok kriterli karar verme imkânı kazandıracaktır.

Ancak veri ve yapay zekânın bu kadar geliştiği bir dünyada rakipleriniz çok boyutlu karar alma yöntemlerine odaklanırken sizin çoğunlukla geçmişteki kişisel deneyimlerinizle karar vermeniz, şirketiniz açısından önemli bir tehlikeye dönüşecektir.

Yazının bu aşamasına kadar sonucun karara dönüştürülmesine odaklandık. Ancak doğru karar almanın bir diğer sütunu da doğru soruyu sormaktır. Son yıllarda, üretken yapay zekâya sorulan soruların cevaba dönüşme sürecinde soru kalitesinin sonuçlara ne kadar güçlü biçimde yansıdığını daha rahat gördük. Oysa üretken yapay zekânın yaygınlaşmasından önce de bir kümeleme problemine sınıflandırmayla yaklaşılması ya da öngörü problemlerinde zaman boyutu bulunmayan modellerin tercih edilmesi gibi yanlış problem kurulumları nedeniyle üretilen içgörülerin kalitesinde düşüşlerle karşılaşıyorduk.

Bugün analitik ekiplerin ve onların ürün sahibi (product owner) konumundaki kişilerin yapması gereken, iş problemini yani soruyu iyi tanımlamadan çıktı aşamasına kesinlikle geçmemektir. Yapay zekâ, sisteme yalnızca daha fazla cevap üretmesi için takılan bir eklenti değil; karar kalitesini geliştirecek analitiği üreten çalışma modelinin bir parçası olmalıdır.

Her projeye başlanırken, henüz veri hazırlıkları başlamadan önce aşağıdaki soruların dürüstçe cevaplanmış olması gerekir:

• Verilecek karar nedir?
• Bu kararın sahibi kimdir?
• Masadaki gerçek seçenekler nelerdir?
• Kurum, sonuçlara göre hangi eylemi gerçekleştirebilir?
• Hangi kanıt, mevcut görüşü değiştirebilir?
• Başarı neye göre değerlendirilecektir?
• Hangi sonuç bize yanıldığımızı gösterecektir?

Karar analitiği, analizi belirli bir karar etrafında tasarlayarak karar sahibini, seçenekleri ve gerekli kanıt standardını tanımlar. Bulguları uygulanabilir bir eyleme bağlar ve sonuçların nasıl ölçüleceğini daha en başta belirler.

Yukarıda da belirttiğim gibi, kurumlarda analitik ve yapay zekâyla karar verme sürecinde teknoloji ve yöntem tek başına yeterli değildir. Peki, yalnızca analitik kullanmak ve yöneticilere

“Karar verirken içgüdülerinizin yanında analitik yapılara da güvenin”

demek, analitiğin gücünün şirket yönetimine yansımasını sağlar mı? Sizi zorlamaya devam edeceğim ama tabii ki hayır. Analitiğin karar süreçlerine doğru biçimde yansıtılabilmesi için kurumların edinmesi gereken bazı alışkanlıklar vardır:

• Mevcut görüşleri çürüten kanıtların da değerli kabul edilmesi,
• Karar alıcılar ile kararların etkisini ölçen birimlerin birbirinden bağımsız olması,
• Başarı kriterlerinin mutlaka sonuçlar görülmeden önce belirlenmesi,
• Yapay zekâ destekli analizin, karar sahibinin kendi görüşlerini doğrulama aracına dönüştürülmemesi,
• Karar alıcıların, analitik çıktıların da tıpkı deneyimler gibi hatasız ve deterministik olmadığını, sapmalı olabileceğini bilmesi gibi.

Bir kurum yalnızca duymak istediği sonuçları ödüllendiriyorsa en gelişmiş yapay zekâ sistemi bile daha iyi kararlar değil, daha ikna edici gerekçelendirmeler üretir.

Peki, deneyime dayalı karar alma, yapay zeka analitiği ile karşılaştırıldığında hatasız mıdır? Bu da başka bir yazının konusu…

Konuyu toparlamak gerekirse yapay zekâ, analitiğin hızını ve erişilebilirliğini kuşkusuz artırıyor. Ancak bu hız, doğru çerçevelenmiş problemlerde bir avantajken yanlış sorularda hata çarpanı görevi görebilir. Kurumlar analitikteki başarılarını yalnızca karar üretimine göre değil, karar kalitesindeki gelişmeye göre de değerlendirmelidir. Bunun için karar sahipliğinin, kanıt standartlarının ve nesnel ölçüm kültürünün oluşturulması gerekir.

Unutmayalım: Analizleri egomuzu beslemek ya da savaşları kazanmak için yapmıyoruz. Yapay zekâ ve analitiğin değeri, ne kadar çok kanıt ürettikleriyle değil; kararlarımızı ne ölçüde daha açık, sınanabilir ve savunulabilir hâle getirdikleriyle ortaya çıkar.

[Açık kaynaklı makale] https://link.springer.com/article/10.1007/s11301-024-00451-y