Kıdemli Ürün Yöneticisi, teslimat ekiplerinin otomasyon peşinde koşmak yerine aksaklıklara odaklanması gerektiğini söylüyor

Proje teslimatı açısından ne inşa edeceğimizi ve bunun nedenini tanımlamaya, ekipleri öncelikler konusunda hizalamaya ve güvenilir bir şekilde ve hızlı teslimat yapmamızı sağlamaya odaklanıyorum. Bu, yürütme sürecinde mühendislik ekibiyle yakın çalışırken müşteri etkisini, kaliteyi ve sürekli iyileştirmeyi de yakından takip etmek anlamına geliyor.

You should also read

• Bir Asana Uygulama Ajansında Teslimat Başkanının Kullandığı Gerçek Dünya Yapay Zekâ İş Akışları

• Yapay Zekâ Destekli Proje Yöneticisi ve Eğitimci, Projelerin İşleyişini Temelden Değiştiren Basit Bir Yapay Zekâ İş Akışını Paylaşıyor

Yapay zekâ proje teslimatını neden tepkisel yaklaşımdan stratejik yaklaşıma dönüştürüyor?

Yapay zekâ hem rolümü hem de günlük proje teslimatını temelden değiştirdi. Önceden teslimat; manuel koordinasyona, tepkisel hata ayıklamaya ve insan analizine bağlıydı. Bugün ise iş akışlarımıza entegre edilen yapay zekâ sayesinde işler daha stratejik hâle geldi.

Artık daha az zaman ayırdığım konular:

• Manuel önceliklendirme ve hata ayıklama: Daha önce hataların temel nedenlerini belirlemek, ekipler arasında birçok karşılıklı iletişim turu gerektiriyordu. Artık yapay zekâ sistemleri bunları otomatik olarak tespit edip sınıflandırabiliyor ve hatta düzeltmeler önerebiliyor. Bu, başlangıçtaki çabayı önemli ölçüde azalttı.
• Her uç durum için ayrıntılı özellik tanımları yazma: Her şeyi en baştan kapsamlı biçimde belgelemek yerine çözümleri geliştirmek için yapay zekâ destekli keşfe, benzetimlere ve hızlı yinelemelere daha fazla güveniyoruz.
• Durum takibi ve koordinasyon yükü: İlerleme takibi, özetleme ve raporlama artık otomatikleştirildi; bu da sürekli takip gereksinimini azaltıyor.

Saloni Paylaşıyor

Rolüm, yürütmeyi yakından yönetmekten, akıllı sistemlerin bizim adımıza nasıl çalışacağını şekillendirmeye dönüştü.

Artık daha fazla dikkatimi çeken konular:

• Doğru problemleri ve sinyalleri tanımlama: Yapay zekâ hızlı hareket edebildiğinden girdilerin kalitesi çok daha önemli. Neleri izlememiz gerektiğini, hangi sinyallerin önemli olduğunu ve sistemlerin nasıl yanıt vermesi gerektiğini düşünmeye daha fazla zaman ayırıyorum.
• Yapay zekâ destekli iş akışları tasarlama: Artık yalnızca özellikler değil, yapay zekâ aracıların sorunları tespit ettiği, eyleme geçtiği ve bazen bunları çözdüğü uçtan uca akışlar tasarlıyoruz. Araçlardan sistemlere geçiş, artık rolümün önemli bir bölümünü oluşturuyor.
• Kalite ve güven: Yapay zekâ kararlar aldığında veya kararlar önerdiğinde güvenilirliği, açıklanabilirliği ve kullanıcı güvenini sağlamak kritik hâle geliyor. Çıktıları doğrulamaya ve koruyucu sınırları tanımlamaya daha fazla zaman ayırıyorum.
• Hesap verebilirlikle birlikte hız: Öncekinden daha hızlı teslimat yapıyoruz, ancak beklentiler de daha yüksek. Mesele yalnızca hızlı ilerlemek değil, gerilemeler yaşamadan hızlı ilerlemek. Bu denge, daha titiz bir ürün yaklaşımı gerektiriyor.

Genel olarak proje teslimatında değişen şey şu: İnsan güdümlü, tepkisel bir modelden yapay zekâ ile güçlendirilmiş, daha proaktif bir modele geçtik. Sorunları daha erken tespit ediyor, çözüm döngülerini kısaltıyor ve ekipler yangın söndürmeye daha az, sistemin kendisini iyileştirmeye daha fazla zaman ayırıyor.

Dolayısıyla rolüm, yürütmeyi yakından yönetmekten, akıllı sistemlerin bizim adımıza nasıl çalışacağını şekillendirmeye dönüştü.

Yapay zekâ olay önceliklendirmesini nasıl dönüştürüyor?

Her şeyi otomatikleştirmeye çalışmadık. Bunun yerine mühendisleri yavaşlatan, sık tekrarlanan ve zihinsel açıdan tekrara dayalı alanlara odaklandık. Olay önceliklendirme ve RCA, her gün gerçekleştiği, yüksek zaman maliyetine sahip olduğu ve yoğun biçimde örüntülere dayandığı için bu alanlardan biriydi.

Aracı kurulumumuz; telemetriden anormallikleri tespit eden bir Sinyal aracısını, günlükleri, izleri ve ilgili çalıştırmaları alan bir Bağlam aracısını, temel nedeni ve kanıtları oluşturan bir RCA aracısını ve tüm bağlamı içeren bir kayıt oluşturan bir Eylem aracısını içeriyor. Başarı MTTR aracılığıyla ölçülebildiği için başlamak açısından en kolay yer burasıydı.

Bu, gözlemlenebilirlik katmanımızın üzerine bir RCA motoru oluşturmamıza yol açtı.

Yapay zekâ destekli sistemler gerçek dünya vakalarındaki karmaşıklığı nasıl çözüyor?

MTTR'yi azaltmak için bir RCA motoru oluşturduk; ancak asıl değişim, manuel incelemeden sistem tarafından yönlendirilen teşhise geçişti. Sorun şuydu: Bir hata geldiğinde günlükler hizmetler arasında dağınık durumdaydı, mühendislerin akışı manuel olarak yeniden oluşturması gerekiyordu ve kök neden analizi büyük ölçüde bireysel deneyime bağlıydı. Bilinen sorunlarda bile süreç tekrarlanabilir olmadığı için MTTR tutarsızdı.

Çözüm olarak, gözlemlenebilirlik katmanımızın üzerinde çalışan ve üç işlemi otomatik olarak gerçekleştiren bir RCA motoru oluşturduk:

Bağlam birleştirme

• Hizmetler arasındaki günlükleri, ölçümleri ve yürütme izlerini toplar
• Hatanın tam yolunu yeniden oluşturur (bir toplu işlem veya akış içindeki adım adım süreç)

Örüntü eşleştirme + benzerlik tespiti

• Sorunu geçmişteki olaylarla karşılaştırır
• Gerçekleşmiş benzer olayları belirlemek için gömmeleri kullanır

Yapay zekâ destekli kök neden önerisi

• Sorunu sınıflandırır (veri sorunu, yapılandırma sorunu, kod gerilemesi, altyapı)
• En olası kök nedeni önerir
• Yalnızca bir yanıt sunmakla kalmaz, destekleyici kanıtları da ortaya koyar

Yapay zekânın etkisi neden sistem kalitesine bağlıdır?

Başlangıçta bir LLM katmanının sonuçları doğrudan iyileştireceğini varsaydık. Öyle olmadı. İlk sürümler beklentilerin altında kaldı. Kısa sürede öğrendiğimiz şey, yapay zekânın dağınık sistemleri düzeltmediğiydi. Onları büyütür. Ayrıca veri kalitesinin model kalitesinden daha önemli olduğunu öğrendik.

Tutarsız günlükleri, hizmetler arasındaki eksik bağlamı ve kötü tanımlanmış sinyalleri düzeltmek için çok zaman harcadık. Altta yatan veriler yapılandırılmış ve güvenilir hâle geldiğinde, basit yapay zekâ kurulumları bile iyi çalıştı.

Güven, doğruluk kadar önemlidir. RCA motoru veya önceliklendirme sistemi teknik olarak doğru sonuç verse bile mühendisler onu kullanmadı. Neden mi? Çünkü kendini açıklamıyordu.

Başlangıçta bir LLM katmanının sonuçları doğrudan iyileştireceğini varsaydık. Öyle olmadı. Yapay zekâ dağınık sistemleri düzeltmez. Onları büyütür. Veri kalitesi, model kalitesinden daha önemlidir.

Share This Quote on:

• Share on Twitter
• Share on LinkedIn
• Share on Facebook

Saloni MalhotraOpens new window

Kıdemli Ürün Müdürü, o9 Solutions Ar-Ge ekibi

İnsanların kusursuz yapay zekâya ihtiyacı yok. Anlaşılır yapay zekâya ihtiyaçları var. Asıl kazanım hız değil — odaklanmadır. Yapay zekânın bizi yalnızca hızlandıracağını düşündük. Ancak mühendisler yalnızca talepleri daha hızlı kapatmıyordu. Şunu sormaya başlıyorlardı: “Bu tür bir sorun neden var?” Bu, farklı bir düşünme düzeyi. Dar ve spesifik olan, iddialı ve geniş olandan daha etkilidir. İlk içgüdümüz geniş kapsamlı, akıllı bir sistem oluşturmaktı. Bu başarısız oldu. Yapay zekânın benimsenmesi büyük bir sıçrama değildi. Küçük ve etkili kazanımlar dizisiydi.

Yalnızca kanıt eklediğimizde (günlükler, izler, karşılaştırmalar) ve belirli bir sonuca neden ulaştığını gösterdiğimizde bir değişim gördük. Bunun sonucunda tekrarlayan incelemelere daha az, sistem düzeyindeki iyileştirmelere daha fazla zaman ayırdık. Daha sonra belirli kullanım alanlarını (toplu işlem hataları için RCA gibi) seçip bunları derinlemesine çözerek ve kademeli olarak genişleyerek başarıya ulaştık.

Yapay zekâ araçları proje teslimat verimliliğini nasıl artırır?

İşte teknoloji yığınımız.

Yapay zekâ ve zekâ katmanı:

• LLM'ler (GPT sınıfı modeller) — RCA, özetleme, sınıflandırma
• Gömme modelleri + Vektör Veritabanı (FAISS / Pinecone) — benzerlik araması, olayların geri getirilmesi
• RAG işlem hatları — yapay zekâ çıktılarını günlükler ve geçmiş verilerle temellendirme
• Anomali tespiti (kurallar + makine öğrenmesi) — hata örüntüsü tespiti

Gözlemlenebilirlik ve veri:

• Günlük kaydı ve izleme (Elastic / Datadog / OpenTelemetry)
• Dağıtık izleme sistemleri
• Veri işlem hatları (Python, akış/toplu işleme)
• Telemetri depolama ve özellik mühendisliği katmanları

Teslimat ve iş akışı:

• CI/CD (GitHub Actions / Jenkins)
• Sorun takibi (Jira veya benzeri)
• Sürüm doğrulama / simülasyon çerçeveleri

Geliştirici verimliliği:

• Kod asistanları (GitHub Copilot veya benzeri)
• Hata ayıklama ve sistemleri sorgulama için dahili yapay zekâ yardımcıları

Genel olarak, son 6-12 aydaki gelişim şu şekilde oldu:

• Panolardan → yapay zekâ destekli içgörülere
• Manuel önceliklendirmeden → otomatik kök neden analizine
• Yalıtılmış araçlardan → birbirine bağlı işlem hatlarına
• Tepkisel hata ayıklamadan → proaktif tespite

Claude ve Figma ekip verimliliğini nasıl artırıyor?

Claude'u Figma ile birleştirmek bizim için şaşırtıcı derecede yüksek kaldıraçlı oldu. Daha önce şu şekilde görünen bir iş akışı kullanıyorduk: Ürün yöneticisi bir PRD yazar, tasarımcı bunu yorumlar ve birden fazla karşılıklı düzenleme döngüsü yaşanırdı.

Artık kaba fikirleri, akışları ve hatta dağınık notları Claude'a verip akışları yapılandırmasını, uç durumları önermesini ve ekran düzeyinde düşünceler üretmesini istiyoruz.

Ardından bunu doğrudan Figma'ya aktarıyoruz; burada tel çerçeveleri çok daha hızlı oluşturuyor, farklı varyasyonları hızla inceliyor ve mikro metinleri ve durumları düşünüyoruz.

Hafif sistemler neden geleneksel proje yönetiminin yerini alıyor?

Geleneksel sistemler işe yarıyordu ancak uyum sağlamaları yavaştı, koordinasyon yükleri yüksekti ve çoğu zaman sistemde olup bitenlerden kopuktu. “Geleneksel” yaklaşım şu şekilde görünüyordu: ayrıntılı ön PRD'ler (çoğunlukla birkaç hafta içinde güncelliğini yitirirdi), katı kapsama sahip sabit sprint planları, manuel durum takibi (günlük toplantılar, raporlar, panolar), planlama, yürütme ve izleme için ayrı araçlar.

Artık kapsamlı PRD'lerden modüler spesifikasyonlara ve canlı bağlama geçtik. Bu yeni yaklaşımla işleri şu parçalara ayırabiliyoruz: sorun tanımı, temel akışlar ve kısıtlar. Bunları hafif formatlarda (belgeler + görevler) depolayabiliyor ve uç durumları genişletmek, test senaryoları oluşturmak için LLM'leri kullanabiliyoruz.

Artık kapsamlı belgeler yazmaya çok daha az zaman harcıyoruz ( Confluence'da 10–15 sayfalık PRD'ler). Bunun yerine sorun, kullanıcı akışı ve kısıtları içeren 1 sayfalık yapılandırılmış bir girdimiz var.

Bunu yapmak için şu araçları kullandık:

• Confluence (azaltılmış kullanım)
• Jira (gerçeğin birincil kaynağı)
• LLM katmanı (API üzerinden GPT sınıfı modeller)
• Figma
• Claude (akış yapılandırma için)

Sürecimiz şöyle:

• 1 sayfalık yapılandırılmış girdi:
  • Sorun
  • Kullanıcı akışı
  • Kısıtlar
• Bunu Claude'a / LLM'ye vererek şunları yapıyoruz:
  • Akışları genişletme
  • Uç durumlar oluşturma
  • Kabul kriterleri taslağı oluşturma
• Bunu doğrudan Jira görevlerine + Figma tel çerçevelerine dönüştürüyoruz

Etkisi şu şekilde görünüyor:

• Fikirden → ilk geliştirmeye kadar geçen sürede yaklaşık %40–50 azalma
• Ürün yönetimi, tasarım ve mühendislik arasındaki karşılıklı düzenleme döngülerinde azalma
• Özelliklerin ilk sürümünün çok daha net olması

AI entegrasyonu teslimat ritüellerini nasıl değiştiriyor

Ayrıca, kapsamı tanımlamak kapsamlı olmaktan yön belirleyici olmaya doğru değişti. Önceden her şeyi en baştan tanımlamaya ve PRD'lerde tüm uç durumları ele almaya çalışırdık. Şimdi ise problemi, temel akışları ve kısıtlamaları tanımlıyoruz. Ardından uç durumları genişletmek, senaryoları simüle etmek ve eksikleri ortaya çıkarmak için AI kullanıyoruz. Kapsam artık ilk günde eksiksiz olmakla ilgili değil; güçlü bir yön belirlemek ve hızlı bir iyileştirme döngüsünü mümkün kılmakla ilgili.

Beş yıl içinde planlar artık “yazılmayacak” — sürekli olarak oluşturulacak. Bence planlar belgeler değil, canlı sistemler olacak. AI, gerçek zamanlı yürütmeye, müşteri sinyallerine ve sistem sağlığına dayanarak öncelikleri, riskleri ve zaman çizelgelerini sürekli güncelleyecek. Planlama dönemsel bir çalışma değil, dinamik ve her zaman güncel bir süreç olacak.

Saloni Paylaşıyor

AI, gerçek ve günlük bir sorunu ortadan kaldırdığında en iyi şekilde çalışır; bir katman olarak eklendiğinde değil.

AI'ı benimsemeden önce sürtüşmeleri ele almak neden önemli?

AI ile başlamayın. Sürtüşmeyle başlayın.

“AI'ı nerelerde kullanabiliriz?” diye sormak cazip gelebilir. Bu genellikle yanlış başlangıç noktasıdır. Bunun yerine şunları sorun: Ekipler nerelerde tekrar tekrar zaman kaybediyor? İş nerelerde birkaç kişiye gereğinden fazla bağımlı? Baskı altında işler nerelerde yavaşlıyor? Bunlardan birini seçin ve derinlemesine çözün.

AI, gerçek ve günlük bir sorunu ortadan kaldırdığında en iyi şekilde çalışır; bir katman olarak eklendiğinde değil.

Takip edin

Saloni'nin çalışmalarını LinkedIn üzerinden takip edebilirsiniz.

The Digital Project Manager'da daha fazla uzman röportajı sizleri bekliyor!