Vahşi Doğada Yapay Zekâ: 3 Ekip Yapay Zekâyı Gerçek Operasyonel Kazanımlara Nasıl Dönüştürdü
İnsan Kontrol Noktası: Başarılı yapay zekâ vaka çalışmaları, insan incelemesini koruyarak denetimi ortadan kaldırmak yerine istisnalara yönlendirir.
İletişim Sınıflandırması: Chime, arama sınıflandırmasını ve denetimini otomatikleştirerek temsilcilerin müşterilere odaklanmasına yardımcı olurken model doğruluğunu ve gerilemeleri izledi.
Tahmin Kazanımları: Amazon'un etmen tabanlı yapay zekâsı, daha temiz ve görünür veriler sayesinde talep planlama süresini yüzde 80, tahmin hatasını ise yüzde 40 azalttı.
İş Akışı Entegrasyonu: ACV Auctions; araç kabulü, değerleme, pazarlama, işlemler ve teslimatı birbirine bağlayarak araç satış döngüsünün süresini üçte iki oranında kısalttı.
Güven Oluşturma: Ekipler küçük başlayarak, ölçülebilir sonuçlar göstererek, dağınık verileri sadeleştirerek ve dağıtım boyunca paydaşları sorumlu tutarak benimsenmeyi sağladı.
AI vaka çalışmaları genellikle iki biçimde karşımıza çıkar: hiçbir sayı içermeyen belirsiz başarı hikâyeleri ya da doğrudan zor kısmı atlayan abartılı anlatılar.
DPM’nin yakın zamanda düzenlediği Gerçek Dünyada AI etkinliği, her ikisinden de kaçınmak amacıyla oluşturuldu. Biri bir finansal teknoloji şirketinin müşteri hizmetleri kuruluşundan, biri Amazon’un talep planlama alanından, diğeri ise otomobil bayilerinin kullanılmış araç alıp sattığı çevrim içi bir pazar yerinden olmak üzere üç lider; gerçekten oluşturdukları AI sistemlerini, karşılaştıkları sorunları ve sürecin sonunda ortaya çıkan sonuçları anlattı.
Chime’da AI operasyonlarından sorumlu kıdemli yönetici Chris Hernandez, ekibinin müşteri hizmetleri çağrılarında iletişim nedenlerini sınıflandırma işini nasıl otomatikleştirdiğini anlatarak oturumu açtı. Amazon’da kıdemli tedarik zinciri yöneticisi olan Aniket Ghonge, talep planlamasını düzeltmek için tek başına oluşturduğu etmen tabanlı AI platformunu anlattı. ACV Auctions’ta teknoloji program yönetimi direktörü Anika Banakh ise araç satışlarını modernleştirmek için ekibinin oluşturduğu uçtan uca dijital operasyon motorunu anlatarak oturumu tamamladı.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Bu üç projenin yüzeyde pek ortak noktası yok. Ancak hepsinde ortak bir tema vardı: Bu ekiplerin hiçbiri AI’ı kurulup sonra bir kenara bırakılacak bir şey olarak görmedi. Manuel iş ortadan kalktıktan sonra bile her sistemde bir insan kontrol noktası korundu.
AI ile Ön Saflardaki Çalışanların Odağını Özgürleştirmek
Hernandez’in ekibi, bir müşteri görüşmesi sırasında çağrı merkezi temsilcilerinin gerçekte ne yaptığını inceleyerek işe başladı ve bunun müşterinin sorununu çözmekten ibaret olmadığını gördü. Temsilciler aynı zamanda not alıyor ve görüşme devam ederken, 1.500’den fazla olası kategori arasından doğru iletişim nedeni etiketiyle görüşmeyi işaretlemeye çalışıyordu.
Hernandez, "Seçmeleri gereken on beş yüzden fazla farklı iletişim nedeni çeşidi vardı," dedi. "Ve hangisinin doğru olduğunu bilmek her zaman zordu." Süreç manuel, tutarsız ve hataya açıktı; ayrıca hatta bulunan üyeye odaklanmak yerine dikkati başka yöne çekiyordu.
Ekip, çağrı dökümlerini incelemek ve iletişim nedenini otomatik olarak uygulamak için bir LLM kullanan bir sınıflandırıcı oluşturdu. Bu çalışma, planlanmamış ikinci bir projeye yol açtı: Hernandez’in ekibi artık sınıflandırıcının halüsinasyon üretmediğini ve beklendiği gibi çalıştığını doğrulamak için önemli miktarda zaman harcıyordu. Bunun üzerine ilkini denetlemek amacıyla ikinci bir AI işlem hattı oluşturdular. Bu sistem, bir kişinin her vakayı incelemesini gerektirmek yerine "tekrarlanan hataları gruplandırıyor, hataları yakalıyor, kendi testlerini de gerçekleştiriyor ve bulguları ekibime sunuyor".
Buraya ulaşmak kolay olmadı. Hernandez, her model kararının üç kaldıraçtan oluştuğunu söyledi: hız, doğruluk ve maliyet. Daha küçük ve ucuz bir model hızlı sonuçlar üretiyor, ancak doğruluğu daha düşüktü; karmaşıklığı yönetebilen daha büyük bir model ise daha yüksek bir fiyat anlamına geliyordu. İstem mühendisliği bir sınıra ulaştığında ekip, maliyeti yönetmek için erişime dayalı yaklaşımlara ve toplu işlemeye yöneldi. Ayrıca, temel iletişim nedenleri değişmeye devam ederken bile sınıflandırıcının doğruluğunu karşılaştırarak ölçmek için güvenilir bir referans kaynağı olan bir "altın veri kümesi" oluşturmaları ve bunu sürekli olarak korumaları gerekti.
Destek, yalnızca modeli değil, sınıflandırma sisteminin kendisini sorgulamaktan geldi. Hernandez, "Bazen her çözümün üzerine AI’ı ekleyebileceğimizi ve bunun her şeyi çözeceğini düşünüyoruz," dedi. "Ancak iyi veri girerse iyi veri çıkar. Ve içeri kötü veri girerse kötü veri çıkar." Bu da ekibin modelden sistemin sınıflandırma listesinin etrafından dolaşmasını istemek yerine 1.500’den fazla iletişim nedeni listesini sadeleştirmesine yol açtı.
Sonuçlar arasında çağrı yönetiminde tasarruf ve çağrı sonrasındaki işlerde iyileşme vardı, ancak Hernandez en önemli şeyin ne olduğu konusunda netti: Temsilcilere, evrak işleri yerine üyeye odaklanabilmeleri için zaman kazandırmak. "Her görevi otomatikleştirdiğimizde kontrol noktasını gerçekten ortadan kaldırmadık, yerini değiştirdik," dedi. "AI, yoğun ve tekrarlayan işleri ortadan kaldırmak için bir çarpandır, ancak bu çarpanı gerçekten güvenilir kılan şey, sürece dahil olan insandır."
Bu denge, denetim işlem hattının bugün nasıl çalıştığında doğrudan görülüyor. Sistemin değişiklikleri doğrudan üretim ortamına göndermesine güvenmek yerine, gerilemelerin veya test hatalarının meydana geldiği yerleri işaretleyen haftalık bir rapor oluşturuyor; böylece Hernandez’in ekibi tam olarak nereye odaklanması gerektiğini biliyor. "Dengeyi burada kuruyoruz," dedi, "LLM’i bir yargıç olarak ve farklı yetenekleri kullanarak herhangi bir riski işletmeye sokmadan daha fazlasını genişletmeye ve üstlenmeye çalışıyoruz."
Tedarik Zinciri Planlamasını Etmen Tabanlı AI ile Otomatikleştirmek
Ghonge’un ekibi binlerce tedarikçi ve iş ortağıyla çalışıyor; her biri için talebi tahmin etmek üzere gereken veriler CRM yazılımına, proje yönetimi araçlarına ve Excel tablolarına dağılmış durumdaydı. Üstelik verilerin bir sistemden diğerine nasıl etiketlendiği konusunda hiçbir tutarlılık yoktu. "Veriler üzerinde hiçbir kontrol yoktu çünkü veri işlem hatları farklı sahipleri ve kullanıcıları olan farklı yazılımlardan geliyordu," dedi.
Tüm bunları manuel olarak uzlaştırmak, işletmenin hâlâ nispeten küçük olduğu bir dönemde Ghonge'un haftada 16 ila 20 saatini alıyordu. "Bu benim için çılgıncaydı," dedi. Bu nedenle önce yaklaşımın işe yarayıp yaramayacağını test etmek için bir Excel prototipiyle denemeler yapmaya başladı. Bu yardımcı oldu, ancak tamamen yeterli değildi. İşte o zaman, gösterge paneli oluşturma ve ürün gereksinimleri alanındaki geçmişinden yararlanarak, ancak herhangi bir resmî mühendislik eğitimi almadan sistemi kendisi kurup ajan tabanlı yapay zekâya yöneldi.
Benimseme küçük başladı — tek kullanıcı Ghonge'du — ve gayriresmî kanallar aracılığıyla büyüdü: işletme değerlendirme görüşmeleri, öğle arası öğrenme oturumları ve kulaktan kulağa iletişim. Dört ay sonra platformun 75'ten fazla kullanıcısı ve binlerce görüntülenmesi vardı.
Sonuçlar kayda değerdi. Daha önce 20 saat süren işlem artık iki saat sürüyor; bu, talep tahmini oluşturma süresinde %80'lik bir azalma ve aynı zamanda tahmin hatasında %40'lık bir düşüş anlamına geliyor. Ghonge, "En büyük sonuç, talep oluşturmak için gereken sürede %80'lik bir azalma ve yüksek doğruluk elde edilmesi," dedi. "Ayrıca tahmin [hatasında] yaklaşık %40'lık bir azalma gördük." Sistem ayrıca ekibe daha önce hiç sahip olmadığı bir görünürlük sağladı — binlerce aylık değişikliğe hangi tedarikçi özelliklerinin yön verdiğini tam olarak ayrıştırabilme olanağı verdi; ekip artık tahmin yürütmek zorunda kalmıyordu.
Güven, yapay zekâ etiketinden kaynaklanmadı. Şeffaflıktan kaynaklandı. Proje yönetimi verileri, aslında yalnızca 600 ila 700 gerçek bileti temsil eden 18.000 satır olarak dışa aktarıldığında, Ghonge'un sistemi bu karmaşayı ayrıştırıp kullanıcıların doğrudan inceleyebileceği temiz bir tabloda birleştirdi; kullanıcıların kaynak araçta bilet bilet arama yapmasına gerek kalmadı. "Artık her bilet için her seferinde araca gitmek yerine, her şeyi tek bir sistemde kolayca görebiliyorlar," dedi. Kullanıcılar ayrıca önceki herhangi bir haftayı açıp mevcut haftayla karşılaştırabiliyor, tahmin hatalarının zaman içinde düşüşünü izleyebiliyordu — bu da sistemin yalnızca otomasyon sağlamadığını, gerçekten çalıştığını kanıtlıyordu.
Ghonge ayrıca, başlangıçta planlamadığı bir konu için de yapay zekâya itibar etti: belgeleme. Yapay zekâdan kendi dağıtımlarını ve harcadığı zamanı takip etmesini istemeye başladığında, sonradan kendi geliştirme sürecini nicel olarak ölçebildi — bunu gerçekleştirmek için gereken komut sayısına kadar.
Yapay Zekâ Destekli Dijital Operasyon Motoru Oluşturmak
Banakh'ın ekibi, araçların pazara sunulması, değer biçilmesi, satışa hazırlanması, alıcılarla eşleştirilmesi, işlemlerinin gerçekleştirilmesi, teslim edilmesi ve taşınması gibi tüm araç satış sürecini, sektörün geleneksel modeli olan müşterinin haftada bir aracını fiziksel bir müzayedeye getirip o gün satılmasını umması yerine, birbirine bağlı tek bir dijital süreç olarak yeniden tasarlamaya koyuldu.
Banakh, "Yakın zamanda temel ortaklarımızdan biri için araç verilerinin alınması, denetim, değerleme, satışa hazırlama, alıcı bulma, işlem ve teslimat dâhil olmak üzere uçtan uca eksiksiz bir akıllı dijital iş akışı oluşturduk," dedi. "Her şey gerçekten tek ve sürekli bir sürece dönüştü."
En zor kısım teknoloji değildi. Sektörün kendisiydi. Banakh, "İnsan faktörü bu sektörde dijital teknolojilere karşı isteksiz olmasıyla ünlüdür," dedi. "Hâlâ belgelemek için kalem ve kâğıtla dolaşan bayiler görüyorum." Bu da projenin yalnızca bir süreç değişikliğinden fazlasını gerektirdiği anlamına geliyordu — Banakh'ın temel davranışlarda paradigma değişimi olarak adlandırdığı, yanlış uygulanması kolay bir dönüşüme ihtiyaç vardı.
Sıkışık bir takvimle çalışan Banakh'ın ekibi, iş akışının nasıl bir araya gelmesi gerektiğini değerlendirmek ve çeşitli paydaş kişiliklerini simüle etmek için yapay zekâyı kullandı. "Temelde iş akışının taslağını birlikte oluşturduk," dedi. "Ardından taslak, doğrulama için ortağımıza sunuldu. Bu da görüşmeleri gerçekten hızlandırdı" — yavaş ilerleyen, tek tek yapılan doğrulama toplantılarının yerini, ortağın doğrudan değerlendirebileceği bir taslak aldı.
Proje hâlâ erken pilot aşamasında olduğundan Banakh yalnızca sınırlı sayıda veri paylaşabildi, ancak genel sonuç dikkat çekiciydi: sistem henüz tamamen optimize edilmeden önce çevrim süresi üçte iki oranında azalmıştı. Maliyet, varlık amortismanı ve insan emeğinde de azalmalar bekleniyor. "Çevrim süresi şu anda üçte iki oranında azaldı ve henüz tam olarak optimize etmedik," dedi.
Şüpheci paydaşları ikna etmek için ısrarcı bir sunum yapmak gerekmedi. Banakh, "Gerekçeyi ve yatırım getirisini anlatırsınız; gerçek iş insanları sonucu gördüklerinde ikna olurlar," dedi. İşleri eski yöntemle sürdürmeyi tercih eden bayiler için de bu sorun değil — sistem, hâlihazırda birileri için işe yarayan her iş akışının yerine geçmek için değil, ulusal ölçekte büyümek isteyen ortaklar için tasarlandı.
Ortak Nokta
Farklı sektörler, farklı araçlar, farklı ölçekler — ancak aynı temel disiplin. Hernandez'in ekibi, ilk sistemi dürüst tutmak için ikinci bir yapay zekâ sistemi oluşturdu. Ghonge, kullanıcıların çıktıya sorgusuzca güvenmek yerine verileri kendilerinin doğrulayabilmesi için platformuna görünürlük kazandırdı. Banakh'ın ekibi, insan denetiminin aksi takdirde gözden kaçırabileceği anormallikleri yakalamaktan sorumlu bir program yöneticisiyle, "her adımda sıcak bir devir teslimi" sürdürdü.
Bu ekiplerin hiçbiri, yapay zekâyı bir kavram olarak sunarak destek kazanmadı. Küçük bir şey geliştirip kullanıma sundular, işe yaradığını kanıtladılar ve sonuçların kendilerini savunmasına izin verdiler. Banakh'ın ifade ettiği gibi, "gerçek iş insanları sonucu gördüklerinde ikna olurlar." Her üç örnek olayın temelindeki yaklaşım da bu: mesele yapay zekânın kendisinden çok, onunla birlikte sisteme güven inşa etme disiplinidir.
Bunun gibi daha fazla içgörü mü istiyorsunuz? Ücretsiz bir DPM hesabı açın; bunun gibi daha fazla uzmandan bilgi alın ve yaklaşan etkinliklerden ilk haberdar olanlar arasında yer alın.
