Her Kuruluş Neden Öngörücü Yapay Zekâya Yatırım Yapmalı

David Rice: İşletmeler üretken yapay zekâya milyonlarca dolar yatırım yapıyor. Aracılar oluşturuyor, gündemin peşinden gidiyorlar. Çoğu zaman da yapay zekâ yığınının ölçülebilir iş değerini gerçekten sağlayan diğer %50’lik kısmını göz ardı ediyorlar. Öngörücü yapay zekâ göz alıcı değil. Şiir yazmıyor veya görseller oluşturmuyor. Yalnızca kimin tıklayacağını, kimin satın alacağını öngörüyor. Pazarlamanızı hedefliyor. Dolandırıcılığı gerçekleşmeden önce tespit ediyor ve kararları insanın sürece dahil olmasına gerek kalmadan büyük ölçekte otomatikleştiriyor. Eğer bunu göz ardı ediyorsanız, bunun nedeni çoğu zaman yeterince insansı görünmemesidir.

Bugünkü konuğumuz, Yapay Zekâ El Kitabı’nın yazarı ve Machine Learning Week’in kurucusu Eric Siegel. Ona göre kuruluşların çoğu, üretken yapay zekâya yaptıkları yatırım kadar, hatta en az o kadar, öngörücü yapay zekâya da yatırım yapmalı. Ancak yapay zekâ heyecanı odadaki tüm ilgiyi fazlasıyla üzerine çekiyor ve bu herkes için bir kayıp. İşte onun sürekli gördüğü sorun bu. Şirketler öngörücü yapay zekâyı bir veri bilimi projesi olarak ele alıyor.

Veri bilimcisini bir model oluşturması için görevlendiriyor, model tamamlandığında bunu kutluyor ve ardından bunu değer olarak görüyorlar. Oysa değer modelin kendisi değil. Değer, öngörüler doğrultusunda harekete geçmektir. Operasyonel entegrasyon değerdir. Bunun için de Eric’in açıklayacağı altı adım boyunca iş paydaşlarıyla derin bir iş birliği gerekir; yalnızca üç teknik adım yeterli değildir.

Şirketlerin çoğu iş tarafındaki adımları tamamen atlıyor. Nelerin öngörüldüğünü ve bunlar hakkında ne yapılacağını tanımlamıyorlar. Operasyonel entegrasyonu atlıyorlar. Ardından yapay zekâ yatırımlarının neden karşılığını vermediğini merak ediyorlar. Bugün öngörücü yapay zekânın neden daha az gösterişli ama üretken yapay zekâdan daha otonom olduğunu ele alacağız.

Öngörücü yapay zekânın, üretken yapay zekâyı gerçekten uygulanabilir kılan güvenilirlik katmanı hâline nasıl geleceğini inceleyeceğiz. Biz ML çerçevesinin altı adımını ve iş paydaşlarının büyük olasılıkla atladığı üç adımı konuşacağız. %95 doğruluk oranının neden etkileyici göründüğünü ama sisteminizi nasıl değersiz hâle getirebileceğini açıklayacağız. Ayrıca iş liderlerinin olasılıklar hakkında ne anlaması gerektiğine değineceğiz. Endişelenmeyin, bu roket bilimi değil.

Ben David Rice. Burası People Managing People. Eğer öngörücü yapay zekâyı göz ardı ederken üretken yapay zekânın peşinden gidiyorsanız, bu konuşma size tam olarak neleri kaçırdığınızı gösterecek. Haydi başlayalım.

Eric, hoş geldin! Bugün programımıza katıldığın için mutluyuz.

Eric Siegel: Teşekkürler David. Burada olmak harika.

David Rice: Üretken yapay zekâ çok fazla ilgi görüyor ama sen öngörücü yapay zekâyı yapay zekâ yığınının unutulmuş %50’si olarak tanımladın, değil mi? Oysa gerçek iş değeri için vazgeçilmez. Kuruluşların neden üretken modellere çok daha fazla ilgi gösterdiğini merak ediyorum. Bu öngörücü sistemler geri plana itildiğinde neler gözden kaçırılıyor?

Eric Siegel: Evet, bunu ifade etme biçimini beğendim. Öngörücü yapay zekâ daha eski, ama eski kafalı değil. Değerinin büyük bölümü hâlâ ortaya çıkarılmayı bekliyor. Bir bakıma diğer, özgün yapay zekâ. Birkaç yıl önce ChatGPT ve diğer üretken yapay zekâ çözümleri ortaya çıkmadan önce insanların yapay zekâ derken kastettiği şey çoğunlukla buydu. Büyük ölçekli mevcut operasyonları hedeflemek ve iyileştirmek amacıyla verilerden öğrenerek öngörüde bulunur. Kimin tıklayacağını, satın alacağını, yalan söyleyeceğini, öleceğini veya dolandırıcılık yapacağını; büyük ölçekli operasyonlar yürüten bir kuruluş için değer taşıyan herhangi bir sonucu ya da davranışı öngörür.

Sorunuz şu: Üretken yapay zekâ neden bu kadar ilgi görüyor? Cevap gerçekten basit. Çok daha çekici ve kullanımı çok daha kolay. Bu iki özellik onun mutlaka daha değerli olduğu anlamına gelmez. Her birine değineyim. Günümüz kültüründe üretken yapay zekâya ve potansiyel değeri hakkındaki abartılı söylemlere bu kadar yoğun biçimde odaklanılması karşısında oldukça kışkırtıcı bir ifade kullanacağım.

Üretken yapay zekâ son derece değerli ve teknolojiye yönelik bir eleştirim yok; ona hayranım. Eleştirdiğim şey, onun hakkında anlatılan bazı hikâyeler ve yapılan abartılar. Ancak kışkırtıcı ifade şu: Kuruluşların çoğu, üretken yapay zekâya yaptıkları yatırım kadar, hatta en az o kadar, öngörücü yapay zekâya yatırım yapmalı. Bu iki teknoloji farklı sorunları çözüyor ve bir su parkı ile kayak merkezinin rekabet etmesi gerekmediği gibi birbirleriyle rekabet etmemeliler.

Buna rağmen ilgi, veri bilimcilerin zamanı ve kaynaklar için ciddi biçimde rekabet ediyorlar. Ne yazık ki bu bir ölçüde sıfır toplamlı bir oyun. Bunun zararı hepimize dokunuyor; üretken yapay zekâ odadaki tüm oksijeni fazlasıyla tüketiyor. Bu orantısızlık herkes için bir kayıp. Öngörücü yapay zekâ, kimin satın alacağını öngörerek pazarlamayı hedefler; hangi işlemin dolandırıcılığa dönüşeceğini öngörerek dolandırıcılık tespitini hedefler.

Daha özel olarak, hangi işlemin engelleneceğini, beklemeye alınacağını veya denetleneceğini belirler. Büyük ölçekli operasyonlar söz konusu olduğunda kaynaklar her zaman sınırlıdır. İş dünyası bir olasılıklar oyunudur. Sihirli bir kristal küremiz yok, ancak tahmin etmekten daha iyi öngörülerde bulunarak olasılıkları lehimize çevirebiliriz. Öngörücü yapay zekâyla oynadığınız sayı oyununun temeli budur.

Başka bir deyişle, geçmiş verilerden olasılıkları hesaplar. Olasılık dünyadaki en çekici sohbet konusu değildir; ancak değerle ilgileniyorsanız ve mevcut büyük ölçekli operasyonlarınızı iyileştirmek istiyorsanız genellikle başvuracağınız yer burasıdır. Üretken yapay zekânın çekiciliği, görünüşte insan gibi olmasından ve yapay zekâ hakkındaki uzun vadeli anlatıyla bu kadar iyi örtüşmesinden kaynaklanıyor.

1950’lerde bu terimin ortaya çıkışından ve elbette son derece eğlenceli filmlerden bu yana böyle. Bu nedenle görünüşte insan gibi ve gerçekten de etkileyici. Bu durum, düşünce ortağı, ilk taslaklar, kod taslakları ve çok başarılı biçimde yaptığı diğer işler olarak kullanılabileceği tüm alanlardaki potansiyel değeriyle tamamen ilgisiz değil. Ancak kullanım alanlarının büyük çoğunluğunda insanın sürece mutlaka dahil olması gerekiyor.

İronik biçimde, daha insansı göründüğü için normalde insanların yapacağı ve hatalara daha az tolerans gösterilen işlere uygulanıyor. Oysa öngörücü yapay zekâ daha az insansı görünmesine rağmen potansiyel olarak daha otonom. Örneğin hangi kredi kartı işleminin engellenmesi gerektiğine, çünkü dolandırıcılık olabileceğine, otomatik olarak karar verebiliyor.

İki alan arasındaki farkla ilgili kısa konuşmam buydu.

David Rice: Hiç sorun değil. Komik olan şu ki, arkadaş grubunda harika yemek davetleri düzenleyen ama kimsenin onu yemek meraklısı olarak görmediği kişi gibi. Çünkü Instagram hesabı Food Network’e benzemiyor.

Ama ilginç; senin de söylediğin gibi bu teknoloji uzun zamandır var. Özellikle kurumsal düzeydeki birçok şirketin bu sistemler üzerinde bir süredir çalıştığını düşünüyorum. Yakın zamanda bir konuğumla konuşurken şunu ele aldık: Bu sistemlerden bazılarını hayata geçirip gerekli çalışmayı yaptıysanız, yaklaşan aracı devrimi büyük olasılıkla sizin için yeni bir şey olmayacak; çünkü bunların büyük bölümü zaten otomatikleştirilmiş durumda.

Eric Siegel: Aracı tabanlı yapay zekâ ve yapay zekâ aracıları terminolojisi konusunda endişeliyim. Forbes’ta birkaç makale yayımladım ve bu terimin çoğunlukla yanıltıcı ve faydasız olduğunu düşündüğümü söyledim.

Bu bir abartı terimi. Herhangi bir yeni teknoloji türüne işaret etmiyor. Yalnızca niyete, yani daha fazla otomasyon sağlamaya işaret ediyor. Bu zaten açıkça ortada olan bir niyet, değil mi? Aksi takdirde bir insan tarafından yapılması gereken işleri gerçekleştirmek için makineler kurmamızın nedeni bu.

Bir şeyin üzerine aracı tabanlı kelimesini yapıştırmamız, ortada yeni bir teknoloji olduğu anlamına gelmez. Üretken yapay zekâyla yapmaya çalışacağınız kullanım alanları oldukça açık; ancak projenin kapsamı ve hedefleri çok hızlı biçimde, insanın sürece dahil olmadığı bir ortamda otonom çalışamayacağı bir noktaya ulaşıyor.

Bu da beni son zamanlarda çokça vurguladığım temel noktaya getiriyor: Öngörücü yapay zekâ ile üretken yapay zekânın birbirine gerçekten ihtiyaç duyduğu, iki evrenin kesiştiği yer. Bana göre öngörücü yapay zekânın bir sonraki büyük uygulaması, üretken yapay zekâ için güvenilirlik katmanı olarak hizmet etmek olacak.

Üretken yapay zekâ konusunda hepimizin çok hızlı biçimde büyük hedefler belirlediğini düşünelim. Buna aracı diyelim ya da başka bir ad verelim; müşteri hizmetleri temsilcisi olarak çalışacağını, tüketicilerle çok sayıda konu hakkında doğrudan iletişim kuracağını, hatta işlemleri gerçekleştirebileceğini düşünüyoruz.

Böyle bir sistemi tamamen otomatik hâle getirme fikri, yapılması beklenen işin kapsamına bağlı olarak hızla yönetilemez bir hâle geliyor. Sistem zamanın belki %5’inde kritik bir hata yapabilir. Paylaşmaması gereken bilgileri açıklayabilir veya gerçekten gerçekleştirmemesi gereken bir işlemi yapabilir.

Yanlış gidebilecek milyonlarca şey var. Zamanın %95’inde doğru sonuç veriyorsa bu inanılmaz, etkileyici ve birkaç yıl önce hayal bile edemeyeceğimiz bir şey. Ancak bütün sistemin hiçbir değeri yok. Uygulanabilir değil ve kullanıma alınmayacak.

%5’lik hata oranı çok yüksek. Peki bunu nasıl ele alacağız? Tüm köşelerin yuvarlanmasını ve teknolojinin gelişmesini bekleyebiliriz, ancak bu sandığımızdan çok daha zor. Üretken yapay zekâ ile insanların yapabildikleri arasındaki fark, göreve bağlı olarak %5’lik veya benzeri bir oranın içinde kalıyor.

Üretken yapay zekânın yapabildikleriyle insanların yapabildikleri arasındaki fark giderek daha görünür hâle gelecek. İyileştirmelerinde azalan getiriler var. Ancak öngörücü bir katman eklersek, o cesur otonomi vaadinin büyük bir bölümünü gerçekleştirebiliriz.

Örneğin öngörücü yapay zekâ, öngörücü analitik veya kurumsal makine öğrenmesi kullanalım. Sistem için sorun oluşturma ihtimali en yüksek durumları otomatik olarak işaretlemeyi öğrenelim. Bunlar son tüketiciyle gerçekleşen durumlar, etkileşimler veya sistemin yapması gereken herhangi bir iş olabilir. Ardından en riskli durumları otomatik olarak daha maliyetli olan insan denetimine aktaralım.

Örneğin bir sohbet robotunun son tüketicilerle etkileşimindeki en riskli %15’lik bölümü düşünelim. İnsan devreye girer; gerektiğinde yanıtı değiştirir veya müdahale eder. %5 hata oranının bulunduğu bir durumda %15’i incelemeye alıyoruz. Bunun yeterli olup olmadığını bilmiyoruz; bu kullanım alanı da dahil olmak üzere hiçbir öngörücü kullanım alanı için sihirli bir kristal küremiz yok.

Ancak sorunların gerçekleşme oranından daha sık bir oranda inceleme yaparsak, örneğin bu %5’i bulmak için %15’lik bölümü ele alırsak, bunların çoğunu yakalamamız mümkün olabilir. Net sonuç belki %1’lik bir hata oranı olur. Kullanım alanına ve iş bağlamına bağlı olarak bu oran sistemi uygulanabilir kılabilir. Böylece cesur otonomi vaadinin %85’ini gerçekleştirmiş oluruz. Bu, sistem kullanıma alınamayacak durumda olduğunda elde edilen %0’dan çok daha iyidir.

David Rice: Üstteki makine katmanından bahsettin. Son birkaç yıl içinde yeni bir kitap yayımladın: Yapay Zekâ El Kitabı. Başlığın alt başlığı ilgimi çekti: Makine öğrenmesi uygulamasının nadir sanatında ustalaşmak. Neden bu kadar nadir olduğunu sormak istiyorum.

Eric Siegel: Bu rahatsız edici bir gerçek. Kitabın alt başlığında sözünü ettiğimiz makine öğrenmesi uygulaması, öngörücü yapay zekâ veya öngörücü analitik projelerine, yani kurumsal makine öğrenmesine gönderme yapıyor. Verilerden öngörücü bir model oluşturursunuz.

Makine öğrenmesinin yaptığı budur. Verilerden öğrenir ve bunu kurallar, formüller veya bir model içindeki başka yapılar olarak ifade eder. Bu arada açıkça belirtelim: Hem üretken yapay zekâ hem de öngörücü yapay zekâ makine öğrenmesi üzerine veya makine öğrenmesiyle oluşturulur. İkisi de makine öğrenmesindeki kullanım alanı kategorileridir, ancak sonuçta çok farklı amaçlara hizmet eden çok farklı sistemler ortaya çıkar.

Öngörücü yapay zekâda öngörüler; müşteri, sağlık hizmeti hastası, dolandırıcılık içerebilecek işlem, pilinin bitmesi muhtemel uydu, petrol açısından verimli olabilecek saha veya bozulabilecek tren tekerleği gibi kurumsal birimler bazında yapılır. Kullanım alanları neredeyse sonsuzdur.

Öngörücü analitik ve kurumsal makine öğrenmesi alanları onlarca yıldır, 1960’lardan beri var. O dönemde pazarlamayı ve dolandırıcılık tespitini hedeflemek, kredi puanlaması yapmak için regresyon kullanıyorduk. Bu nedenle potansiyel olarak çok daha olgun bir alan. Ancak üretken yapay zekâ gibi henüz tam anlamıyla büyümedi ve profesyonelleşmedi.

Kitabı yazmamın ve Gooder AI girişimimi kurup ortak kurmamın nedeni bu. Teknoloji ile iş dünyası arasındaki son boşluğu, son kilometreyi kapatmaya çalışıyoruz. Teknoloji ekipleri ve veri bilimciler ile modelin öngörüleriyle iyileştirilmesi gereken operasyonun başındaki iş paydaşı arasındaki fark oldukça geniş. Projeleri tekrar tekrar başarısızlığa uğratan şey de bu.

Örneğin veri bilimcisi gelir ve şöyle der: İptal edecek, müşteri kaybına yol açacak veya ayrılacak müşterileri tahmin etmek üzere istediğiniz makine öğrenmesi modelini oluşturdum. Bunların hepsi eş anlamlıdır ve buna müşteri kaybı modellemesi denir. Artık müşterilerin tamamına vermeyi göze alamayacağınız elde tutma teklifini veya indirimi yalnızca yüksek riskli müşterilere sunabilirsiniz.

Öngörücü kullanım alanlarının çoğu kötü bir şeyi öngörüp müdahale etme biçiminde çerçevelenebilir: Hangi üretken yapay zekâ etkileşiminin kötü gideceğini öngörüp insanı sürece dahil etmek; hangi işlemin dolandırıcılığa dönüşeceğini öngörüp işlemi engellemek; hangi müşterinin ayrılacağını veya hangi çalışanın istifa edeceğini öngörmek.

Hewlett Packard, HPE olarak ayrılmadan önce 300.000 çalışanının tamamı için bunu yaptı. Bu çalışmayı ilk kitabımda ele aldım ve konferansımda sundular. Her durumda veri bilimcisi gelir ve modelin hazır olduğunu söyler. Model iyi öngörü yapar, sağlamdır, verilerden öğrenmiştir ve tüm teknik kontrolleri tamamlanmıştır. Ardından modelin kullanıma alınmasını ister.

İş paydaşı da modelin ne kadar iyi olduğunu sorar. Sihirli kristal küremiz olmadığını, yalnızca bir kişinin tıklama, satın alma veya başka bir davranışta bulunma olasılığına ilişkin tahminde bulunabileceğimizi biliriz. Genel olarak yaptığımız şey olasılıkları değerlendirmektir.

Veri bilimcisi neredeyse her zaman şöyle bir cevap verir: Harika. Alıcı işletim karakteristik eğrisinin altındaki alan 0,837. Ardından uzun ve rahatsız edici bir sessizlik olur. Veri bilimcileri genel olarak yalnızca teknik performans ölçütlerini hesaplamak üzere eğitilir ve donatılır: kesinlik, duyarlılık, F puanı, kazanım, eğri altındaki alan.

Doğruluk bile yalnızca teknik bir ölçüttür. Bunlar size yalnızca modelin rastgele tahmin gibi bir temele kıyasla ham ve soyut öngörü performansını gösterir. Modelin teknik olarak tahminden çok daha iyi olduğunu bilmek önemlidir, ancak bu size potansiyel değer hakkında hiçbir şey söylemez.

Örneğin bu modeli pazarlama, müşteri elde tutma teklifleri, dolandırıcılık tespiti veya öngörücü bakım için kullanarak ne kadar para kazanacağınızı göstermez. Kimi işe almanız veya çalışan olarak kimi elde tutmaya çalışmanız gerektiği de aynı kapsamdadır. Her zaman sınırlı kaynakları hedeflemek ve bunu öngörülebilir biçimde yapmaktır.

Ancak parasal performans, kâr, tasarruf veya diğer ilgili temel performans göstergeleri açısından sonucu hesaplamak istediğinizde, bu hâlâ veri bilimi alanında yaygın bir uygulama değildir. Otuz yılı aşkın süredir bu alanda, makine öğrenmesinde çalışmama rağmen ben de neredeyse herkes kadar şaşkınım.

Aynı nedenle çoğu veri bilimcisi gibi ben de bu alana meraklı biri olarak girdim: En havalı teknoloji olduğu ve verilerden öğrenerek keşifler yapabildiği için. Genel olarak geçerli örüntüleri ve görülmemiş, benzersiz yeni durumlara eşit biçimde uygulanabilecek formülleri keşfetmek gerçekten etkileyici.

Ancak temel teknolojilere gereğinden fazla önem veriyoruz. Roket bilimine, roketin fırlatılmasından daha fazla heyecan duyuyoruz. Bir şey inşa ettikten sonra roketi fırlatmak istiyorsanız, onu önemli temel performans göstergelerine göre test etmeniz gerekir. Roketi stres testine tabi tutmalısınız.

Roketi inşa edebiliriz; fakat onu yönlendirebilmemiz ve performansı hakkında fikir sahibi olabilmemiz de gerekir. İş metriklerini, parasal performansı, kârı ve tasarrufu hesaplamak; bu modelin öngörülerini gerçekten kullanırsak iş açısından ne kadar fayda sağlayacağımıza ilişkin tahmin yapmak gerekiyor.

Gooder AI’yi bu nedenle oluşturduk. Bu aynı zamanda Yapay Zekâ El Kitabı’nın temel parçalarından biri. Kötü haber şu: Bu alan hâlâ çoğu zaman başarısız oluyor. Kurumsal operasyonlarımızda kullanılmak amacıyla veriler üzerinde geliştirilen öngörücü modellerin çoğu kullanıma alınamıyor.

İyi haber ise bunun yalnızca son kilometre olması. Zaten 10.000 kilometre yol kat ettik. Verilerden öğrenen makine öğrenmesi algoritmalarını geliştiren öncüllerimizin omuzlarında duruyoruz. Şimdi gereken, teknoloji ve iş tarafları arasında derin bir iş birliği kurmak, aynı dili konuşmalarını sağlamak ve iş metriklerini sürece dahil etmekten ibaret bir kurumsal düzenleme.

Böylece bu düşük uygulama oranını düzeltebilir ve değeri çok daha düzenli biçimde gerçekleştirebiliriz.

David Rice: Küresel bir ekip kurmak, insan kaynakları, bordro ve bilişim için beş farklı sistemi aynı anda yönetmek anlamına gelmemeli. Deel her şeyi bir araya getiriyor; böylece insanları her yerde, alışılmış karmaşa olmadan işe alabilir, işe başlatabilir, ücretlerini ödeyebilir ve ihtiyaç duydukları araçlarla donatabilirsiniz. İster 10 ülkede çalışan işe alın, ister farklı zaman dilimlerindeki yüklenicileri yönetin; Deel uyumluluğu, yan hakları ve bordroyu tek bir yerde yönetir. Bu da daha az araç karmaşası, daha az baş ağrısı ve çalışanlarınıza odaklanmak için daha fazla zaman demektir.

Sınırların olmadığı işe alımın gerçekte nasıl göründüğünü görmek ister misiniz? Deel.com/pmp adresini ziyaret ederek demo randevusu alın. Tekrar edelim: Deel.com/pmp. Deel, herkesi her yerde işe alın, yönetin ve ücretini ödeyin.

Eric Siegel: Öngörücü yapay zekâ projesini tanımlarken iki şeyi birlikte tanımlarsınız: Neyi öngördüğünüz ve bunun hakkında ne yapılacağı. Olasılıkları tam olarak neye uyguluyorsunuz? Temas kurulursa kimin satın alacağını mı, hangi işlemlerin dolandırıcılığa dönüşeceğini mi öngörüyorsunuz? Ardından bunun hakkında ne yapılacağını belirlersiniz; bu müdahaledir.

Öngörülen şey ile bunun hakkında yapılan şey arasındaki bu ikili, projeyi tanımlar. Ancak bu, Yapay Zekâ El Kitabı’nda tanımladığım ve makine öğrenmesi projelerini başarıyla kullanıma almaya kadar yürütmek için kullandığım Biz ML iş uygulaması çerçevesindeki altı adımdan yalnızca ilkidir.

Bu adımların tamamındaki temel unsur, teknoloji ve iş tarafları arasında derin bir iş birliği bulunmasıdır. Veri bilimcileri bunu tek başlarına yapamaz. Öngörücü yapay zekâ projeleri her zaman bir danışmanlık işidir; teknoloji kurulumu değildir. Daha hızlı çalışan bir veri tabanına sahip olmak ve bunu altyapıya yerleştirmek gibi basit bir işlem değildir.

Tahminler, olasılıklar ve oranlarla operasyonları değiştirdiğiniz her durumda, büyük ölçekli bir operasyonda temel bir değişiklik yaparsınız. Bu nedenle tüm süreç, makine öğrenmesinden yararlanan bir iş girişimidir. Bunu bu şekilde yeniden çerçevelememiz gerekir.

İş tarafının, erişilebilir ve ilgi çekici bir alanda bilgi düzeyini artırması gerekir. Motorun nasıl çalıştığını veya bujilerin nasıl değiştirileceğini öğrenmek zorunda değilsiniz; yalnızca arabayı kullanmayı öğrenmeniz gerekir. Ancak aracı siz kullanmazsanız, bu benzetmede varış noktanıza ulaşamazsınız.

Yapay Zekâ El Kitabı’nın temel amaçlarından biri bu bilgi artışını sağlamaktır. Bu bir saatte öğrenilecek bir konu değil, ancak üniversite düzeyinde tam bir ders de değil. Temel olarak tek bir kitapta yer alan bilgiyle, öngörücü yapay zekâ projelerinin nasıl hizmet verdiğini, bunları yürütmek için ne gerektiğini, neyin öngörüldüğünü, bunun hakkında ne yapılacağını ve metriklerin nasıl belirlenmesi gerektiğini anlayabilirsiniz.

Metrikler yalnızca aritmetiktir. Herkesin aynı dili konuşabilmesi, projeleri başarılı biçimde kullanıma alabilmesi ve operasyonlara entegre edebilmesi için gereken özel bir aritmetiktir. Operasyonlar iyileşmiyor veya değişmiyorsa kullanım süreci tamamlanmış sayılmaz; değişim, kullanıma almanın kendisidir.

David Rice: Üretken yapay zekâ ile öngörücü yapay zekânın kesiştiğinden ve birbirleriyle etkileşime girdiğinden bahsettin. Her birinin diğerinin bazı sınırlamalarını ele aldığı için ikisini hibrit hâle getirmekten de söz ettin. Bunların pratikte birlikte çalışmasına iyi bir örnek nedir ve ekipler bu ikisini entegre etmeye çalışırken hangi engellerle karşılaşır?

Eric Siegel: Bunu yeniden gündeme getirdiğin için teşekkürler. Yazılarımda ve yakın tarihli konuşmalarımda buna hibrit adını veriyorum. Bu durumda öngörücü ve üretken yapay zekâyı birleştirmekten, harmanlamaktan söz ediyoruz. Bir yöntem, daha önce belirttiğim gibi, öngörücü yapay zekâyı üretken yapay zekâ sisteminin üzerine bir güvenilirlik katmanı olarak yerleştirmektir.

Diğer yöntem, üretken yapay zekânın öngörücü yapay zekâ projesinde size yardımcı olmasıdır. Üretken yapay zekâ daha kolaydır; çünkü insan dilini kullanmak üzere geliştirilmiş bir dil modelidir. Onunla İngilizce konuşabilirsiniz ve kullanmaya başlamak için çok az eğitim gerekir.

Bu nedenle teknoloji ve iş dünyası arasındaki boşluğu kapatmaya yardımcı olabilir. Örneğin Gooder AI yazılımımızda, öngörücü yapay zekâ projesi için bir iş konsolu görevi görür. Ana grafiklerden birinde iki boyut bulunur. X koordinatı, pazarlama amacıyla kaç kişiye ulaşılacağına veya hangi işlemlerin dolandırıcılık nedeniyle engelleneceğine karar vermek için modelin kullanılmasını gösterir.

Modelin öngörüleri, hangi müşterilerin iletişim kurulması açısından en değerli olduğunu ve hangi işlemlerin en riskli olduğunu belirlemek için kullanılır. Ardından çizgiyi tam olarak nerede çekeceğinize karar vermeniz gerekir. Çok az işlemi de çok fazla işlemi de engellemek istemezsiniz. Pazarlama ve ekipman denetimi için de aynı durum geçerlidir.

Her zaman en iyi sonuçları veren bir denge noktası vardır. Modeli kullanmaya ve kullanıma almaya karar verirken incelenen aralık, modelin öngörülerine dayanır. Y koordinatı ise paradır: Bu projeden elde edeceğiniz potansiyel getiri, tasarruf ve kazanç nedir?

Grafik genellikle önce yükselir, sonra düşer; çünkü en iyi sonuçları sağlayan bir denge noktası vardır. Bu görsel, Gooder AI yazılımımızdaki temel unsurlardan biridir. Son derece temel ve iki boyutludur. Her iki boyut da işle ilgilidir; roket bilimi değildir. Ancak birçok nicel analist için bile nispeten yenidir.

Çünkü insanlar parasal tasarruf ve kâr gibi iş metriklerini genellikle hiç hesaplamaz. Bu henüz kültürün gerekli bir parçası hâline gelmedi. Bir veri bilimcisine sıkıcı veya bilgisiz görünme korkusu yaşamadan milyonlarca soru sorabilmek güzel olmaz mıydı?

Dil modeli tabanlı bir sohbet robotunu sisteme entegre ettik ve ona gördüğünüz şeyle ilgili özel yönlendirmeler verdik. Artık neden eğrinin yükselip düştüğünü sorabilirsiniz. Bunu bir çocuğa anlatır gibi açıklamasını istediğinizde, limonata sattığınızı ve yoldan geçen kaç müşteriyi hedeflemeniz gerektiğine karar vermeye çalıştığınızı anlatabilir. Bunu gayet iyi yapıyor. Bu da iki alanın birbirini nasıl güçlendirebileceğine başka bir örnek.

David Rice: Öngörücü modellerin, özellikle üretken sistemler halüsinasyon gördüğünde veya öngörülemez davranmaya başladığında, kritik güvenlik sınırları olarak hizmet edebileceğine ilişkin giderek büyüyen bir görüş var. Sence öngörücü yapay zekâ güvenlik katmanı ve operasyonel iş akışları şeklinde nasıl yapılandırılabilir?

Eric Siegel: Bunlar, ilk kitabımın 2013’te yayımlanan ilk baskısına ve 2016’daki güncellenmiş baskılarına dahil ettiğim klasik örneklerden bazıları. Shell Oil, petrol platformlarında hangi ekiplerin olay yaşama riskinin en yüksek olduğunu öngörüyor. Bu, ekip, ortam veya durum bazında iş güvenliği için oldukça uygun.

Öngörücü kullanım alanlarını tahminlerden ayıran şey, her ikisinin de geleceğe ilişkin bir tahminde bulunmaya çalışmasıdır. Tahmin genellikle tek bir sonucu ifade eder: Ekonomi yükselecek mi, düşecek mi? Gelecek çeyrekte kaç dondurma külahı satacağız? Öngörücü yapay zekâda ise makine öğrenmesini kullanarak her bir durum hakkında öngörüde bulunursunuz.

Hangi kişinin dondurma külahı tutma olasılığı daha yüksek? Hangi seçmen adayınıza oy verecek veya bir gönüllü kapısını çaldığında adayınıza oy vermeye ikna olma ihtimali en yüksek olan kişi kim? Büyük ölçekli operasyonlara uygulanması onu çok daha değerli kılar. Milyonlarca duruma uygulanır. Büyük ölçekli operasyonlar bu milyonlarca mikro karardan oluşur.

Bu mikro kararların her birini yönlendirmenin veya iyileştirmenin en iyi yolu, o kararla ilgili bir sonucu veya davranışı öngörmektir. Çok sayıda uygulama yapıldığı için büyük sayılar yasasından yararlanırsınız. Sihirli bir kristal küremiz olmamasının yarattığı eksikliği bu şekilde telafi ederiz.

Olasılık kulağa karmaşık gelebilir ve birçok kişi bundan kaçınır. Olasılığı hesaplamak için gereken matematik zor olabilir, ancak sistemlerin çıktısı ve her bir olasılık hiç de teknik değildir. Aslında sihirli bir kristal kürenin dışında umut edebileceğiniz en açık ve en iyi seçenektir.

Sihirli bir kristal küremiz olsaydı kesin cevabı verirdi: Bu kişi satın alacak, bu işlem kesinlikle dolandırıcılığa dönüşecek. Böyle bir küremiz yoksa en iyi alternatif nedir? Sıfır ile yüz arasında bir sayı. Bu özel durumun gerçekleşme ihtimali nedir? Bu, çok sayıda durumu sınıflandırmanızı, önceliklendirmenizi ve hangilerine nasıl davranacağınıza karar vermenizi sağlar.

Olasılıkları belirleyip ardından önceliklendirme fikri güvenlikte ve daha pek çok alanda kullanılabilir. Bunun nasıl uygulanacağına karar vermek roket bilimi değildir. Bu, iş paydaşlarının bu teknolojiden yararlanmayı umuyorlarsa anlamaları gereken temel konudur.

Bir sonraki adım olarak projeye katılmaları gerekir. Veri bilimcilerini tek başlarına görevlendirip geri çekilemezler. Sorunun temelinde bu bulunur. Teknolojiye gereğinden fazla önem veriyor ve onu gözümüzde büyütüyoruz; çünkü verilerden öğrenerek öngörüde bulunabilmek gerçekten etkileyici.

Ancak en iyi teknolojiyi kullanıyor olmanız onun mutlaka değerli olduğu anlamına gelmez. Değer, veri bilimcisinin yoğun çalışmayla oluşturduğu modelin çıktısını kullanıp bu öngörülere göre harekete geçtiğinizde ortaya çıkar. Öngörüleri büyük ölçekli operasyona dahil etmeniz gerekir. Asıl kazanç budur; operasyonlar burada iyileşmeye ve değer üretmeye başlar.

Bunun tek yolu derin iş birliğidir. Teknolojiyi gözümüzde büyütmek, makine öğrenmesi olarak bilinen en iyi teknolojiyi kullanacağımız, sertifikalı bir veri bilimcisinin verileri hazırlayıp modeli oluşturacağı ve değerin bundan ibaret olduğu yönünde yanlış bir anlatı yaratır.

Oysa değer, modeli de içeren ve gerçekten entegre edilene kadar devam eden derin iş birliğini kapsayan genel iş projesidir. İş tarafındaki kişiler, neyin öngörüldüğü ve bunun hakkında ne yapıldığı konusunda bilgi sahibi olmalıdır. Altı adımın tamamında olasılıkları belirleme, sıralama, önceliklendirme, bir eşik çizme ve her bir duruma nasıl davranılacağına karar verme gibi erişilebilir ve ilgili işler bulunur.

David Rice: Birçok öngörücü yapay zekâ çerçevesi veri modellemesini vurguluyor. Ancak senin yaklaşımın öngörü tanımı, operasyonel entegrasyon ve sürekli yineleme gibi başka unsurları da öne çıkarıyor. Şirketler öngörücü yapay zekâya yatırım yapmaya başladığında genellikle hangi daha az görünür ama kritik adımları atlıyor ve bu sonuçları nasıl etkiliyor?

Eric Siegel: Temel olarak bütün adımları veya iş tarafıyla ilgili adımların çoğunu atlıyorlar. Veri bilimcileri tüm adımları yerine getirmeye çalışıyor, ancak yalnızca teknik hesaplama adımlarını ve teknik değerlendirmeyi yapmak üzere eğitilmiş durumdalar.

Yürüttüğüm Machine Learning Week konferansının izleyicilerinin yarısından fazlası veri bilimcilerinden oluşuyor. Onların da bu boşluğu kapatmaya yardımcı olmalarını, teknik metriklerin yanı sıra iş metriklerini de hesaplamalarını ve müşterilerinin veya paydaşlarının ayrıntılı katılımını sağlamalarını istiyorum.

İş tarafındaki temel adımlar neyin öngörüldüğü ve bunun hakkında ne yapıldığıyla ilgilidir. Buna üçüncü bir unsur olarak ne kadar iyi öngörüldüğünü ekleyebilirsiniz. Bu üçlü, projenin ve gereksinimlerinin temelini oluşturur: ne öngörülüyor, ne kadar iyi öngörülüyor ve bunun hakkında ne yapılıyor?

Yapay Zekâ El Kitabı’ndaki Biz ML çerçevesinin altı adımı, bu üç unsurla ilgilenen iki üçlüden oluşur. Son üç adım, 1960’lardan beri veri bilimcilerin yaptığı adımlardır: gerekenlere ve öngörülmek istenen şeye göre verileri hazırlamak, gerçek makine öğrenmesi bölümünü gerçekleştirip modeli eğitmek ve ardından modeli kullanıma almak.

Diğer üç adım üretim öncesi adımlardır. Tüm altı adım iş tarafıyla derin iş birliği gerektirir. İlk üç adım, neyin öngörüldüğünü, ne kadar iyi öngörüldüğünü ve bunun hakkında ne yapıldığını tanımlamakla ilgilidir.

Bu projelerden birine iş tarafıyla katılmak istiyorsanız, kitabın amacı budur. Kitabın altı ana bölümünde bu altı adımı ele alırken, aynı zamanda herkesin katılım sağlayabilmesi için gerekli yarı teknik ve erişilebilir anlayışı kazanırsınız.

David Rice: Ne yazık ki bugün zamanımız doldu Eric. Programa katıldığın için teşekkür ederim. Gerçekten çok ilgi çekiciydi.

Eric Siegel: Harika David. Beni davet ettiğin için çok teşekkürler.

David Rice: Dinleyiciler, henüz yapmadıysanız peoplemanagingpeople.com/subscribe adresine giderek bültene kaydolun. Bunun gibi podcast’leri ve yayımladığımız en yeni makaleleri doğrudan gelen kutunuza alacaksınız. Bu konu hakkında daha fazla bilgi edinmek istiyorsanız Yapay Zekâ El Kitabı’na mutlaka göz atın. Zaman ayırmaya kesinlikle değer.

Bir sonraki bölüme kadar öngörücü yapay zekâya dair merakınızı koruyun. Üretken yapay zekânın bulanıklığında kaybolmayın.