Yapay Zekâ Projelerini Hayata Geçirmek

Transkripti Okuyun:

Podcast yayınlarımızı bir yazılım programı kullanarak yazıya dökmeyi deniyoruz. Bot her zaman yüzde 100 doğru sonuç vermediği için lütfen olası yazım hatalarını mazur görün.

Galen Low: Yine o rüyaları görüyorsun. Hani ekibindeki diğer tüm proje yöneticilerinin birer siborg olduğu rüya? Ya da ekibinin geliştirdiği yapay zekâ ürününün bilinç kazanıp insanlığı köleleştirdiği rüya?

Rahatla.

Elbette yapay zekâ bugünlerde çok popüler bir konu; ancak aslında onlarca yıldır bir biçimde varlığını sürdürüyor. Üstelik her yerde karşına çıkıyor: e-postan için ifade öneriyor, sana videolar tavsiye ediyor, hatta işe gitmek için en iyi güzergâhı hesaplıyor.

Ancak evet, yapay zekâ içeren projeleri hayata geçirmek büyük bir sorumluluk ve açıkçası kaçınılmaz bir durum. Hızla gelişen her teknolojide olduğu gibi her projenin başarılı olması beklenemez. Yani hissettiğin baskı gerçek ve anlaşılır.

Yapay zekâyı ve bunun dijital proje yönetimini nasıl etkileyeceğini anlamaya çalışan biriysen bugünkü bölüm tam sana göre. Yapay zekâ projelerinin neden başarısız olduğunu ve proje yöneticileri olarak yapay zekâyla ilişkili projelerimizin başarı şansını artırmak için neler yapabileceğimizi ele alacağız.

Herkese merhaba, bizi dinlediğiniz için teşekkürler. Ben Digital Project Manager'dan Galen Low. Dijital dünyada proje yönetiminin değerini artırabilmek için birbirimizin becerilerini geliştirmesine, özgüven kazanmasına ve bağlantılar kurmasına yardımcı olmayı amaçlayan bir dijital profesyoneller topluluğuyuz. Daha fazla bilgi almak isterseniz thedigitalprojectmanager.com adresini ziyaret edin.

Bugün yapay zekâ içeren projeleri ve çevik uygulamaların yapay zekâ tabanlı bir ürün oluşturmanın bazı karmaşıklıklarını yönetmeye nasıl yardımcı olabileceğini konuşuyoruz.

Bugünkü konuklarım, Cognilytica'nın yönetici ortakları ve baş analistleri Kathleen Walch ile Ron Schmelzer. Aynı zamanda yapay zekâ dünyasında yaşananlara ilişkin pratik ve gerçek dünyadan bilgiler sunan AI Today podcast'inin sunucuları.

Kathleen, Ronald, hoş geldiniz!

Ronald Schmelzer: Bizi davet ettiğiniz için teşekkür ederiz.

Kathleen Walch: Burada olduğumuz için çok heyecanlıyız.

Galen Low: Programa katılmanız harika. Dinleyenler için söyleyelim: Ron ve Kathleen yaklaşık altı yıldır yapay zekâ üzerine podcast hazırlıyor. Programa başlamadan önce podcast'ler hakkında konuşup duruyorduk.

Kathleen Walch: Evet, neredeyse altı yıl oldu.

Galen Low: Ben de tüm ipuçlarını ve sırlarını öğrenmeye çalışıyordum; şimdi biraz baskı hissediyorum.

Yine de doğrudan konuya girmek istedim. Yapay zekâ şu anda proje yönetimi dünyasında, hatta belki genel olarak tüm dünyada çok ilginç bir konu. Podcast'inizin çok sayıda dinleyicisi var. Herkes çok hızlı ilerleyen ve genel olarak yanlış anlaşılan bu gelişmeyi yakından takip etmeye çalışıyor.

Ancak konuya girmeden önce Cognilytica'dan biraz söz eder misiniz? Kuruluşunuzu oluşturmanıza ne vesile oldu ve insanların yapay zekâ dünyasında yol almasına nasıl yardımcı oluyorsunuz?

Kathleen Walch: Elbette. Cognilytica, 2017'den beri, yani podcast'imiz kadar uzun süredir faaliyet gösteriyor. Ron'la daha önce Tech Breakfast adlı bir şirkette birlikte çalışıyorduk. Bu şirket, esas olarak sabahları düzenlenen, demoların sunulduğu etkinlikler gerçekleştiriyordu.

Oldukça girişimci bir yapıydı. Yapay zekâya özel olarak odaklanmıyordu; genel olarak teknoloji alanında, Amerika Birleşik Devletleri'nin farklı bölgelerinde neler olup bittiğini göstermek ve öne çıkarmakla ilgileniyordu. Boston'dan New York'a, Washington DC bölgesinden Kuzey Virginia ve Maryland'e kadar yaklaşık 12 farklı lokasyonda faaliyet gösteriyorduk. Teksas, Kuzey Carolina ve elbette Silikon Vadisi'nde de etkinliklerimiz vardı.

Tech Breakfast döneminde özellikle sesli asistanlar ve ses teknolojisi alanında çok fazla gelişme yaşandığını görmeye başladık. Bunun önemli bir fırsat olabileceğini düşündük. Cognilytica'nın temelleri böyle atıldı. Cognilytica, yapay zekâya odaklanan bir araştırma, danışmanlık ve eğitim şirketi olarak başladı. Kısa sürede şunu fark ettik: Yapay zekâ projelerini yöneten insanlar, yapay zekânın 1956'da ortaya atılmış bir kavram olduğunu bilmelerine rağmen bu projeleri doğru şekilde yürütmüyorlardı.

Yani kavram yeni değil; onlarca yıldır var. Buna rağmen hâlâ yeniymiş gibi görünüyor. Birçok kişi için gerçekten de yeni olabilir; daha önce yapay zekâyla karşılaşmamış olabilirler. Yapay zekâ ancak son on yılda ana akım hâline gelmeye başladı. İnsanlar bugün sesli asistanlar, telefonlar ve yüz tanıma teknolojileri aracılığıyla yapay zekâyla her gün etkileşim kuruyor.

Gördüğümüz şey, insanların yapay zekâ projelerini doğru şekilde yürütmediği ve bu projelerde başarısızlık oranının yüksek olduğuydu. Bu nedenle bir adım geri çekilip neler olduğunu ve bunun neden yaşandığını anlamaya karar verdik. Podcast'imizde yapay zekâ projelerinin neden başarısız olduğuna ilişkin yaygın nedenleri ele alan bir yapay zekâ başarısızlıkları serimiz bulunuyor.

Bunlar veri kalitesi ve veri miktarı sorunlarıyla ilgili olabilir. Yatırım getirin yeterli olmayabilir. İnsanlar yalnızca yapay zekâ kullanmış olmak için yapay zekâ kullanmak isteyebilir. Bir diğer önemli neden de insanların çeşitli sebeplerle fazla söz verip gereğini yerine getirememesidir. Yapay zekânın yapabilecekleri konusunda aşırı vaatlerde bulunurlar; teknolojiye duydukları heyecan nedeniyle kapsamı aşan projelere girişirler ve sonunda vaatlerini karşılayamazlar.

Yani yapabileceklerinden fazlasını üstlenirler. Bu nedenle temel eğitime odaklanmamız ve insanlara yapay zekâyı doğru şekilde nasıl kullanacaklarını göstermemiz gerektiğini düşündük. Bunun içinde en iyi uygulama metodolojilerini takip etmek de var. Şimdi Ron'un kendisini tanıtmasına ve bu konuya devam etmesine izin vereyim.

Ronald Schmelzer: Harika bir giriş oldu.

Ben de Cognilytica'da yönetici ortak olarak görev yapan Ron Schmelzer'im. Cognilytica'da üzerinde durduğumuz konulardan biri kavramlar, açıklamalar ve hatta terminolojidir.

Çünkü bazı kavramlar kafa karıştırıcıdır. Hatta bazıları neredeyse kasıtlı olarak kafa karıştırıcıdır. Aynı kelimeleri farklı anlamlarda, farklı kelimeleri de aynı anlamda kullanıyoruz. Bunun nedeni, yapay zekânın birbiriyle ilişkili ancak farklı toplulukların birleşiminden oluşmasıdır. Geleneksel robotik alanında çalışanlar ve kontrol sistemleriyle ilgilenenler var.

İstatistik ve veri analitiği geçmişine sahip istatistikçiler var. Dilbilimciler ve doğal dil alanında çalışanlar var. Sibernetik ve kontrol sistemleri üzerinde çalışan insanlar var. Her biri bazı kavramları farklı şekilde tanımlıyor. Ancak kimse genellikle bu sorunu çözmüyor; her şeyi bir araya getiriyorlar.

Bu sırada insanlar yapay zekâ konusunda heyecanlanıyor ve araştırmacılara bazen milyarlarca dolar aktarıyor. Bu araştırmacılar Microsoft, Amazon, Google ve Facebook gibi büyük şirketlerde çalışmaya başlıyor ve projeler yürütüyorlar. Kathleen'in de belirttiği gibi zamanımızın önemli bir kısmını eğitime ayırıyoruz. Cognilytica'nın ilk dönemlerinde yapay zekânın temelleri ve yapay zekâ uygulamaları üzerine eğitimler hazırladık.

Bu eğitimler hızla ilgi gördü. Hükûmetlere, federal, eyalet ve yerel kurumlara, uluslararası kuruluşlara ve Avustralya, Birleşik Krallık, Singapur gibi birçok ülkeye eğitim vermeye başladık. Ayrıca büyük kuruluşlarla ve şirketlerle de çalıştık.

Tüm bu yıllardan sonra insanların neler olup bittiğini anlayacağını düşünürsünüz. Ancak kuruluşlara gittiğimizde hâlâ şaşırıyoruz. Bu kadar çok çalışma yapıp temel bir anlayışa nasıl sahip olmadıklarını anlamakta zorlanıyoruz. Bu durum bizi yapay zekâ projelerinin nasıl yürütüleceğine ilişkin metodolojiye yöneltti. Çünkü bu kuruluşların çoğu aynı hataları tekrar tekrar yapıyordu.

Sorun akıllı insanlara sahip olmamaları değil; aksine çok sayıda akıllı insanları var. Alanın en tanınmış ve en zeki araştırmacılarından bazıları bu şirketlerde çalışıyor ve harika teknolojileri bulunuyor. O hâlde suçlanacak başka bir şey olmalı. Hepinizin bildiği gibi, bütün bu çalışmaların işe yaramasını sağlayan temel unsur proje yöneticisidir. Biz de bu yüzden buradayız.

Galen Low: Yapay zekânın kökeninin 1950'li yıllara dayandığını ve kavramın o dönemde ortaya atıldığını söylemeniz ilginç. Bunu, önce bilim kurgu dünyasında ortaya çıkan ve sonrasında gerçeğe dönüşen bir teknoloji gibi düşünüyorum. Yapay zekâ projelerinin neden başarısız olduğunu ele alacağız.

Bunu ışınlanma fikriyle karşılaştırıyorum. Bu kavramı kurguda ortaya attık ve şimdi birileri onu gerçeğe dönüştürmeye çalışıyor. Ancak asıl soru, bunu gerçekleştirmeye çalışmak yerine ışınlanmanın neden gerekli olduğu ve yaratacağı ticari etkinin ne olduğudur.

Bu teknolojiyi kullanıma nasıl sunacağımızı da düşünmemiz gerekir.

Ronald Schmelzer: Aslında bu hafta yaşanan bir gelişme bunu çok iyi gösteriyor. Otonom araç şirketlerinden biri iflas etti. Milyar dolarlık Argo kapandı, 2.000 kişiyi işten çıkardı ve ekibini ve teknolojisini Ford ile Volkswagen'e sattı.

Büyük bir makalede otonom araçlardaki heyecanın azaldığı ve bu araçların belki de gerçekleşmeyeceği yazıyordu. Ancak senin değindiğin noktaya geliyor: Kathleen otonom araç fikrini özellikle seviyor; fakat kelime oyunu yapmak gerekirse bu araçların bir sürücüsü yok.

Gerçekten sürücüleri yok, ama ticari açıdan da bir iş gerekçeleri yok. Ön koltukta sürücü yok ve onu yönlendiren bir ticari motivasyon da yok. O hâlde önemli olan yalnızca hedefin kendisi mi? Yoksa bunu işe yarar hâle getirmek için bir yatırım getirisine ihtiyacımız var mı?

Galen Low: Bu yaklaşımı çok beğendim. Dinleyicilerimizin ve genel olarak insanların yapay zekâ projelerini duyduklarında otonom araçları, konuşma tasarımını ve sohbet botlarını düşündüklerini biliyorum.

Ancak yapay zekâ çok geniş bir alan. Yapay zekâ yalnızca bunlardan ibaret değil. Yapay zekâ içeren projeleri hayata geçirmekten söz ettiğimizde başka ne tür projeleri kastediyoruz? Başka hangi örnekleri verebiliriz?

Kathleen Walch: Başlangıçta biz de bu konuda zorlanıyorduk. İnsanlar yapay zekâdan söz ederken farklı şeyleri kastedebiliyor. Otonom araçlardan veya sohbet botlarından bahsedebilirler. Ben ise tahmine dayalı bakım gibi bambaşka bir konudan söz ediyor olabilirim.

Bunların tümü genel yapay zekâ kategorisine girer; ancak aynı şey değildir. Bu nedenle yapay zekânın yedi modelini geliştirdik. Gördüğümüz tüm projeler bu yedi modelden en az birine giriyor.

Bunlardan ilki konuşmaya dayalı sistemlerdir. Bilgisayarların insanlarla, insanların bilgisayarlarla ve insanların birbirleriyle iletişim kurması buna örnektir. Makine çevirisi de bu kapsamdadır.

İkinci model otonom sistemlerdir. Buradaki amaç insanı sistemden çıkarmaktır. Otonom araçlar buna örnektir; ancak otonom yazılımlar da olabilir. Bir şeyleri en uygun yoldan otomatik olarak yönlendirmek veya süreç akışlarındaki darboğazları ortadan kaldırmak gibi uygulamalar bu kapsama girer.

Üçüncü model tanımadır. Burada çoğunlukla yapılandırılmamış veriyi anlamlandırmaya çalışırız. Günümüzde sahip olduğumuz verilerin büyük bölümü yapılandırılmamıştır. Bilgisayarlı görü ve yüz tanıma bunun örnekleridir.

Dördüncü model hedef odaklı sistemlerdir. Pekiştirmeli öğrenmeyi kullanarak bir labirentteki en uygun yolu bulmaya çalışmak veya oyun oynamak buna örnektir.

Beşinci model örüntüler ve anomalilerdir. Verilere bakıp örüntüleri ve aykırı değerleri bulmaya çalışırız.

Altıncı model hiper kişiselleştirmedir. İnsanları gruplara ve kategorilere ayırmak yerine her birini birey olarak ele alırız. Reklam hedefleme, hiper kişiselleştirilmiş tıp ve hiper kişiselleştirilmiş sağlık hizmetleri buna örnektir.

Son model tahmine dayalı analitiktir. Geçmiş veya mevcut verileri kullanarak insanların daha iyi tahminlerde bulunmasına yardımcı olur.

Bu şekilde düşündüğünüzde her şey daha anlaşılır hâle gelir. Doğal dil işleme uygulamamın konuşmaya dayalı sistemler modeline ait olduğunu görebilirsiniz. Bu, hangi verilere ihtiyacınız olduğunu, hangi algoritmaları seçeceğinizi ve ekibinizde kimlerin yer alması gerektiğini anlamanıza yardımcı olur. Böylece yapay zekâ projesinin başarıya ulaşmasını kolaylaştırır.

Galen Low: Model kelimesini seviyorum. Başta bilgisayarların örüntüleri ve eğilimleri algılaması anlamında düşündüm; ancak doğru anladıysam dikiş kalıbı gibi bir şeyden söz ediyoruz.

Bir elbise için kullandığınız kalıp ile pantolon için kullandığınız kalıp farklıdır. Kalıp size bir başlangıç noktası verir ve belirli bir yönde ilerlemenizi sağlar. Rastgele dikdörtgen bir kumaş parçasıyla başlamaktan daha kullanışlıdır. Doğru mu anlıyorum?

Ronald Schmelzer: Evet, model kelimesi İngilizcede farklı anlamlarda kullanılan kelimelerden biri. Bu aslında kötü bir benzetme değil. Makine öğrenimi sistemlerini verilerden öğrenmeye çalıştırdığımızda bunların tümü bir bakıma örüntü tanıma ve örüntülerle çalışma biçimidir.

Ancak model önemlidir. Bir dil örüntüsünü öğrenmeye çalışıyorsam bu modeli görüntü tanımaya uygulayamam. Yapay zekânın genel yapay zekâ olarak adlandırılan daha geniş bir hedefi var. İnsan beyninin nasıl çalıştığını düşündüğümüzde uzmanlaşmış bölgeler bulunsa da tek bir beynimiz var; 20 farklı beynimiz yok.

Bu nedenle her şeyi öğrenebilen, tanıma, konuşma ve otonom işlemleri gerçekleştirebilen genel bir zekâ sistemi oluşturmaya çalışıyoruz. Ancak bunu henüz çözemiyoruz. Beynin nasıl çalıştığını tam olarak bilmiyoruz.

Şu anda dar yapay zekâ üzerinde çalışıyoruz. Yani belirli örüntüleri tek tek çözmeye çalışıyoruz. Satranç veya poker oynama konusunda çok başarılı olan bir yapay zekâ, görüntü tanıma konusunda aynı başarıyı gösteremez. Bu hâlâ büyük bir sıçrama gerektirir.

Galen Low: Bu durum daha da ilginç. Beynin nasıl çalıştığını tam olarak anlamıyoruz, ancak onu parça parça inşa etmeye çalışıyoruz. Genel yapay zekâ arayışımız aslında bir beyin inşa etmeyi öğrenme arayışı gibi görünüyor.

Yapay zekâ içeren projeleri hayata geçirmekle ilgili bazı kopukluklara, yanlış anlamalara ve sorun alanlarına daha önce değindik. Yapay zekâ projesini hayata geçirmek diğer projeleri, hatta diğer dijital projeleri hayata geçirmekten nasıl farklıdır? Başarılı olmak isteyen proje yöneticilerinin bilmesi gereken temel özellikler nelerdir?

Ronald Schmelzer: Bu, yanıtlanması gereken en önemli soru. İnternette yapay zekâ projelerinin yaklaşık yüzde 70 ila 80'inin başarısız olduğunu görebilirsiniz. Başarısızlık; projenin iptal edilmesi, şirketlerin kapanması veya çok sayıda kişinin işten çıkarılması anlamına gelebilir.

Daha küçük başarısızlıklar da vardır: projelerin durdurulması veya insanların başka görevlere aktarılması gibi. Gördüğümüz kadarıyla bunların çoğu temel proje yönetimi sorunlarına dayanıyor.

Birinci sorun, yapay zekâ ve veri ekiplerinin temel proje yönetimini bilmemesi. İkinci sorun ise projeye dâhil edilen proje yöneticilerinin yapay zekâ projesini diğer projeler veya dijital projeler gibi ele almasıdır.

En büyük fark, yapay zekâ sistemlerinin tamamen verilere bağımlı olmasıdır. Bir web sitesi veya mobil uygulama oluşturabilirsiniz; ilk gün çok az veriye sahip olabilir veya hiç veriniz olmayabilir. Daha sonra veri eklenebilir; ancak bu veri sistemin nasıl çalıştığını değiştirmeyebilir.

Makine öğrenimi sistemi ise her şeyi verilerden öğrenir. Aynı teknolojiyle aynı sohbet botunu oluştursak, ben bir eğitim verisi kümesi, sen başka bir eğitim verisi kümesi kullansan, başarı ve başarısızlık oranları tamamen farklı olabilir.

Bu nedenle yapay zekâ projelerini veri merkezli bir bakış açısıyla yürütmeniz gerekir.

Kathleen Walch: Veri merkezli bir proje yürütmek istiyorsanız veri odaklı bir zihniyete sahip olmanız gerekir. Projeye veriye özgü metodolojileri ve uygulamaları dâhil etmelisiniz.

Birçok kişinin bunu yapmadığını gördük. Yazılım uygulaması projelerinde kullanılan geleneksel zihniyetle çalışıyorlar ve projeler başarısız oluyor. Biz yapay zekânın doğru şekilde uygulanmasını savunuyoruz. Bu nedenle bilişsel yapay zekâ proje yönetimi anlamına gelen CPMAI metodolojisini destekliyoruz.

İnsanların iş anlayışıyla mı yoksa veri anlayışıyla mı başlamaları gerektiği konusunda da kafaları karışabiliyor. Verinin yapay zekânın kalbi olduğunu söylediğimizde doğrudan veriden başlamaları gerektiğini düşünüyorlar. Oysa önce iş anlayışı gerekir; çünkü gerçek bir problemi çözmüyorsanız bunu neden yaptığınızı sorgulamanız gerekir.

Yapay zekânın heyecanına kapılıp üst yönetim istediği için veya haberlerde yer aldığı için proje başlatmak doğru değildir. Gerçek bir problemi çözmüyorsanız zaman, para ve kaynak harcayarak yararlı bir uygulaması olmayan bir şey geliştirirsiniz.

Galen Low: Bağlamı anlamanın ne kadar önemli olduğunu düşünüyordum. Proje yönetimi de dâhil olmak üzere tüm disiplinlerde bazen daha geniş bağlamı anlamadan yalnızca işi yapmaya odaklanıyoruz.

Bir veri projesini yönetmekle web sitesi geliştirmeyi veya CRM dağıtımını yönetmek arasındaki farkları anlamamız gerekir. Veri bilimcileri ve proje yöneticileri, iş stratejisini ve kuruluşun hedeflerini anlamıyorlarsa ayrıntılara odaklanıp bütünü gözden kaçırabilirler.

Özellikle yapay zekâ alanında her şey sürekli değişiyor. Rekabet yoğun, herkes nereye gittiğini veya aynı hedef için yarışıp yarışmadığını bilmiyor. Bu bağlamı anlamadan yalnızca bir işi yapar, sonra da o işin artık istenmediğini fark edebilirsiniz.

Ronald Schmelzer: Veri merkezli olmama sorunu yalnızca yapay zekâ projelerinde değil, büyük veri projelerinde de ortaya çıkar. Öncelikle verilere gerçekten erişiminiz olup olmadığını, onları görüp görmediğinizi sormalısınız.

Proje başlar ve verileri hiç incelemediğinizi fark edersiniz. Verilerin yarısı eksiktir, kalitesi kötüdür, erişim izniniz yoktur veya gizli bilgiler içerir. Gizlilik ve güvenlik politikaları devreye girer. Projenizin başarısı veriye erişme ve veriyi temizleme becerinize bağlı hâle gelir.

Elinizde harika bir ürün fikri olabilir; ancak tıbbi görüntü verilerine erişemiyorsanız, veriler korunan sağlık bilgileri içeriyorsa, kalitesi kötüyse veya bulunabilirliği sınırlıysa projeyi durdurmanız gerekir. Yeni veri toplamak, mevcut verileri temizlemek veya veri etiketlemek için ayrıca bir projeye ihtiyaç duyabilirsiniz.

Bir anda 12 veya 18 ay geçmiş olur ve hâlâ veri temizlemeye çalışırsınız. Bu sırada projenin ihtiyacı ortadan kalkmış veya pazar değişmiş olabilir.

Bu nedenle büyük düşünmek iyidir; ancak küçük başlayıp sık sık yinelemek gerekir. Daha küçük bir veri kümesiyle başlayabilir, tüm otonom sistemi kurmak yerine kameraya sahip bir el arabasıyla raf taraması yapabilirsiniz. Böylece tanıma modelini otonom modelden ayırabilirsiniz.

Galen Low: Yapay zekâ için çıta çok yüksek. Bir yapay zekâ projesi yapıyorsak kahvaltımı hazırlayan bir robot geliştirmemiz gerektiğini düşünüyoruz. Oysa ilk yineleme yalnızca kişiselleştirilmiş bir tarif önerisi olabilir.

Çevikliğin iyi bir yaklaşım olduğunu söylüyorsunuz; çünkü işler hızla değişiyor ve yinelemelere değer vermemiz gerekiyor. Ancak çeviklik yapay zekâ dünyası için mükemmel bir metodoloji mi? Yapay zekâ alanında çeviklik nerede yetersiz kalabilir?

Kathleen Walch: Birçok kuruluş çevik olduğunu söylüyor veya çevik olmaya çalışıyor. Biz sık sık “çeviksel” yaklaşım terimini kullanıyoruz; çünkü bu, şelale ve çevik yaklaşımın birleşimi gibi. Çevik olmak istiyorlar ama projeler yine de 12 veya 18 ay sürüyor.

Çevik yaklaşımın önemli bir yönü var; ancak yapay zekâ projeleri için geliştirilmesi gerekiyor. Bunların veri projeleri olduğunu anlamalı, onları veri projeleri gibi yönetmeli ve çevik zihniyeti projeye dâhil etmeliyiz.

Ronald Schmelzer: Çevikliği sürekli dönen bir sarmal gibi düşünebilirsiniz. Ana projenizin içinde bir makine öğrenimi modeli veya yapay zekâ sistemi geliştirmek olabilir. Ancak yapay zekâ nihai hedef değildir; başka bir amaca ulaşmak için kullanılan araçtır.

Bunu iç içe geçmiş iki tirbuşon gibi düşünebilirsiniz. Biri ana projenin yinelemesidir, diğeri ise makine öğrenimi modeli gibi çalışan kara kutunun yinelemesidir. Farklı zaman çizelgelerine sahip olabilirler; aynı sıklıkta yinelemek zorunda değillerdir.

Yapay zekâ ekibinden ilk yinelemede çok temel bir şey isteyebilirsiniz. Çok akıllı olmasına gerek yoktur; her seferinde aynı yanıtı veren basit bir sohbet botu bile olabilir. Daha sonra bunu giderek daha akıllı hâle getirebilirsiniz.

CPMAI bir metodolojiden çok bir süreçtir. Önce iş ihtiyaçlarını anlamak, yapay zekâ için uygunluk değerlendirmesi yapmak, veriyi anlamak, veriyi hazırlamak, modeli geliştirmek, modeli değerlendirmek ve modeli operasyonel hâle getirmek gerekir. Ardından bu süreci tekrar edersiniz. Bunu çevik bir sprint bağlamında yürütürsünüz; çevikliğin yerine geçmez.

Galen Low: Çerçevelerin bize yol göstermesini seviyorum. Bunları katı biçimde uygulamak yerine çevikliğin temel ilkesini, yani uyarlanabilir olmayı ve gerektiğinde değişmeyi hatırlamamız gerekiyor.

Veri çalışmasını en başta tamamlamadıysanız projenizin zaman çizelgesi ve maliyeti kontrolden çıkabilir. Ancak bu, veri toplamanın mutlaka şelale yaklaşımıyla yapılacağı anlamına gelmez. Veri toplama da yinelemeli olabilir.

Asıl önemli olan farklı parçaların birbiriyle iç içe olmasıdır. Bir ekibin uçağın ön kısmını, diğer ekibin arka kısmını geliştirdiği ve iki bölümü birleştiren kablonun yeterince uzun olmadığının en son fark edildiği örneği düşünün. Bu tür sorunları önlemek için ekiplerin sürekli iletişim kurması gerekir.

Ronald Schmelzer: İnsanları genellikle varsayımlar tökezletir. Bir proje için petabaytlarca veriye ve en gelişmiş derin öğrenme sinir ağlarına ihtiyaç duyduklarını düşünürler. Ancak ilk yinelemede yalnızca bir tahminin işe yarayıp yaramadığını veya insanların bunu kullanıp kullanmayacağını test etmek için daha basit bir model yeterli olabilir.

Megabaytlarla başlayabilir, basit bir karar ağacı kullanabilir ve ilk yinelemede sonucu kontrol edebilirsiniz. Bu yaklaşım zaman ve maliyetten tasarruf sağlar.

İlk yinelemenin nihai hedef olmadığını unutmayın. Önce sistemlerin hangi noktalarda birleşmesi gerektiğini belirleyin. Kabloyu hemen kullanmak yerine bir ip kullanabilirsiniz. İlk yineleme size uçağın ne kadar uzun olması gerektiğini gösterebilir; daha sonra ipi kabloyla değiştirirsiniz.

Kathleen Walch: Adım adım yaklaşım izlemek, herkesin neye ihtiyaç olduğunu anlamasına ve aynı sayfada olmasına yardımcı olur. Projeleri doğaçlama yürütmek yerine süreç açıkça ortaya konur.

İş anlayışında ne yapılacağını, veri anlayışında ne yapılacağını bildiğinizde projenin beşinci ayında neden hiçbir şey teslim edilmediğini veya neden milyonlarca dolar harcandığını sorgulamak zorunda kalmazsınız.

Veriye erişmek bile aylar sürebilir. Bu nedenle liderliğin desteğini almak önemlidir. Küçük bir veri kümesiyle başlamak, veri silolarını aşma ve başka ekiplerin koruduğu verilere erişme sorunlarını da azaltabilir.

Galen Low: Bizi zor bir konuşmaya getiren nokta da bu: beklentiler her zaman örtüşmüyor. Liderlik bir robot beklerken siz yalnızca bazı barkodları tarayan bir alışveriş arabası geliştirmiş olabilirsiniz. Ekip de büyük vaatlerde bulunup milyonlarca dolar harcadıktan sonra ne ortaya çıktığını açıklamakta zorlanabilir.

Beklentiler arasında denge kurmak için insanlar ne bilmeli, kiminle ne zaman konuşmalı ve bu konuşmalara nasıl hazırlanmalı?

Kathleen Walch: Öncelikle yapay zekânın neleri yapıp neleri yapamayacağını anlamaları gerekir. Yapay zekâ her probleme uyan tek tip bir teknoloji değildir. Bir işlemin her seferinde aynı şekilde yapılması gerekiyorsa basit bir otomasyon veya kural tabanlı çözüm daha uygun olabilir.

Yapay zekâ deterministik değil, olasılıksaldır. Her seferinde tamamen aynı sonucu vermez. Bunun farkında olmak önemlidir. Yapay zekâ probleminiz için doğru çözüm değilse bunu dürüstçe kabul etmelisiniz.

Gerçekçi beklentiler belirleyin, projenizi doğru kapsamlandırın ve çözmeye çalıştığınız problemi anlayın. Yapay zekânın doğru teknoloji olduğuna karar verdiyseniz en iyi uygulamaları takip edin.

Galen Low: Bu, işi gerçekleştiren ekibin sorumluluğunu gösteriyor. İnsanları yapay zekâ konusunda daha da endişeli hâle getirirseniz yatırım azalır ve ilerleme yavaşlar.

Ronald Schmelzer: İnsanların bu vaatlere kapılmasının nedenini anlayabiliyoruz. Daha zor problemleri çözmek ve dijital dönüşüm hayalini gerçekleştirmek istiyoruz.

Ancak otomasyonun sınırları var. Kurallara dayalı sistemler istisnalarla karşılaştığında çalışamaz hâle gelebilir. Bu nedenle insanı döngüde tutan artırılmış zekâ yaklaşımı daha yumuşak bir yöntem olabilir. İnsanların yaşamları üzerinde hâlâ kontrol sahibi olduklarını hissetmelerini sağlar.

Galen Low: Yapay zekâ ters gittiğinde veya beklentilerle uyuşmadığında buna karşı bir direnç oluşuyor. İnsanların ve ekiplerin kendilerini rahat hissetmesini nasıl sağlarız?

Kathleen Walch: Öncelikle liderlik desteği gerekir. Yapay zekâyla ilgili hem duygusal hem de mantıksal korkular ve endişeler vardır. Her ikisini de ele almalıyız.

İnsanlar teknolojinin işlerini ellerinden alacağından korkabilir. Oysa insanlar ve makineler farklı alanlarda iyidir. Makineler tekrarlayan veya tehlikeli işleri üstlenebilir; insanlar ise makinelerin zorlandığı son kilometre teslimatı veya duygusal etkileşim gibi işlere odaklanabilir.

Liderlik, teknolojinin çalışanların yerini almak için değil, işlerini daha iyi yapmalarına yardımcı olmak için kullanıldığını açıkça söylemelidir. Ayrıca geri bildirim son derece önemlidir. Çalışanların sevmedikleri işleri ortadan kaldırmalı, sevdikleri işleri değil.

Çalışanlara işlerinin hangi bölümlerinin zorlayıcı olduğunu sorun. Otomasyon veya artırılmış zekâ ile bu yükü azaltın. İnsanlar dinlendiklerini ve işlerini daha iyi yapmalarına yardımcı olunduğunu gördüklerinde teknolojiye daha olumlu yaklaşırlar.

Ronald Schmelzer: İş ile görev arasındaki farkı da düşünmeliyiz. Müşteri hizmetlerindeki göreviniz müşteri hizmetlerini ve müşteri ilişkilerini geliştirmektir; veri girişi yapmak değildir.

Günün altı saatini veri girişiyle geçiriyorsanız asıl işinizi yapamıyorsunuz demektir. Bu durum ne işverene ne de çalışana fayda sağlar. Basit otomasyon, kural tabanlı sistemler veya daha akıllı sistemler burada güçlü bir yatırım getirisi sağlayabilir.

Bu, yapay zekâdan çok değişim yönetimiyle ilgilidir. Süreçleri değiştirmek ve yapay zekâ, otomasyon veya makine öğrenimini daha az ilgi çekici ama daha verimli alanlarda kullanmak herkes için gerçek fayda sağlayabilir.

Galen Low: Dinleyen herkesin aklındaki soruya geldik: Yapay zekâ proje yöneticilerinin yerini alacak mı?

Kathleen Walch: İnsan dokunuşu ve insan unsuru gerektiren roller tamamen ortadan kalkmayabilir; ancak değişebilir. Yapay zekâ bir iş katili değil, iş kategorisi değiştiricisi olabilir.

Teknoloji çalışma ve yaşama biçimimizi her zaman değiştirdi. 1960'larda sosyal medya pazarlamacısı diye bir meslek yoktu; bugün bu alanda çalışan çok sayıda insan var. Roller değişebilir ve yeni roller ortaya çıkabilir.

Yapay zekâ bankacılık, sigorta, sağlık, finans, otomotiv, perakende ve diğer tüm sektörleri etkiliyor. Proje yönetimi de bundan farklı olmayacak. Yapay zekâ proje yöneticilerinin işlerini daha iyi yapmasına yardımcı olabilir, bazı görevlerin yerini alabilir; ancak rolün tamamen ortadan kalkması gerekmez.

Ronald Schmelzer: Aslında daha fazla yapay zekâ projesi, daha fazla proje yöneticisine ihtiyaç duyulması anlamına gelebilir. Yapay zekâ projelerinin çoğu temel proje yönetimi eksiklikleri nedeniyle başarısız oluyor.

Yapay zekâ toplantı notlarını yazıya dökebilir, daha iyi tahminler sağlayabilir ve görünürlüğü artırabilir. Ancak proje yöneticisinin temel görevi değişmez: projeyi başarıyla tamamlanmaya götürmek ve sahiplenme duygusunu korumak.

Proje yöneticisi konu uzmanı veya işi yapan kişi olmayabilir; aynı zamanda yönetici de değildir. Proje yöneticisi bütün bu parçaları birbirine bağlayan dokudur. Gelecekte proje yöneticisinin rolü değişebilir, ancak varlığını koruyacaktır.

Galen Low: Yapay zekâ hakkında daha fazla bilgi sahibi olmak insanların bu alanda yol almasını kolaylaştırır. Proje yöneticileri doğru soruları sormayı ve basit çözümler önermeyi nasıl öğrenebilir?

Kathleen Walch: CPMAI eğitimini ve sertifikasyonunu bu nedenle hazırladık. Derin yapay zekâ, makine öğrenimi veya matematik bilgisine sahip olmayan kişilerin yapay zekâ projelerini nasıl yürüteceklerini öğrenmelerini amaçlıyor.

Eğitim ve sertifikasyona henüz hazır olmayanlar AItoday.live/cpmai adresindeki ücretsiz CPMAI'ye giriş kursuna katılabilir. Kurs yaklaşık üç saat sürüyor ve CPMAI'nin kapsamlı bir özetini ve projelere nasıl uygulanacağını sunuyor.

Bu, adım adım bir yaklaşımdır. Adımları ve doğru sıralamayı anlamanız gerekir. Süreç yinelemeli olduğu için gerektiğinde önceki adımlara dönebilirsiniz.

Ronald Schmelzer: Ayrıca AI Today podcast'imizde temel terimleri açıklayan bir sözlük serisi hazırlıyoruz. Yapay genel zekâ, yapay zekâ kışları, tahmine dayalı analitik ve yapay zekânın yedi modeli gibi kavramları ele alıyoruz.

Bazen veri nedir veya büyük veri nedir gibi temel soruları da açıklıyoruz. Bu tür bir temel anlayış çok yararlı olabilir. Proje yönetimi topluluğuyla daha fazla bağlantı kurmak ve yapay zekâ topluluğuyla proje yönetimi topluluğunu bir araya getirmek de istiyoruz.

Galen Low: Bu fikirleri bir araya getirme düşüncesini çok seviyorum. Hepimizin birbirimizden öğrenmesi ve gelecekte başarıya hazırlanması için ortak etkinlikler düzenleyebiliriz.

Kathleen Walch: Kesinlikle.

Galen Low: Ron, Kathleen, programa katıldığınız için çok teşekkürler. Bu sohbet çok eğlenceli ve son derece bilgilendiriciydi. Podcast'inize, AI Today içeriklerine ve Cognilytica'ya ilişkin bağlantıları paylaşacağım.

Düşünceleriniz için ve zamanınızı ayırdığınız için tekrar teşekkür ederim.

Kathleen Walch: Biz teşekkür ederiz. Çok keyifliydi.

Galen Low: Siz ne düşünüyorsunuz?

Bir yapay zekâ projesini başarıyla yönetmek için özel bir yaklaşım gerekir mi? Yoksa her proje, diğer projelerle aynı zorluklara sahip sıradan bir proje midir?

Bize bir hikâye anlatın: Yapay zekâ destekli bir araç veya teknoloji projenizin işleyişini ne zaman bozdu? Bu sorunu nasıl çözdünüz?

Stratejik bir proje lideri olarak becerilerinizi geliştirmek istiyorsanız topluluğumuza katılın!

Bilgi paylaşan, karmaşık sorunları çözen ve mesleğimizin geleceğini birlikte şekillendiren destekleyici bir topluluğa erişmek için thedigitalprojectmanager.com/membership adresini ziyaret edin.

Zaman ve enerji tasarrufu sağlayan kapsamlı şablonlardan ve aylık eğitim oturumlarından Slack tartışmalarında, canlı etkinliklerde ve beyin fırtınası gruplarında sunulan meslektaş desteğine kadar topluluğumuzun üyesi olmak, dijital proje teslimatı kariyerinizde ilerlerken yanınızda binden fazla kişinin olması anlamına gelir.

Bugün dinlediklerinizi beğendiyseniz lütfen abone olun ve thedigitalprojectmanager.com üzerinden iletişimde kalın.

Bir sonraki bölüme kadar bizi dinlediğiniz için teşekkürler.