Yapay Zekâ Projesine Başlamadan Önce Gereken 7 Yetkinlik

Yapay zekâ projesine başlamadan önce yalnızca doğru aracı veya modeli seçmek yeterli değildir. Projenin değer üretmesi; kullanılacak verinin kalitesine, iş probleminin doğru tanımlanmasına, ekibin yapay zekâ çıktısını değerlendirebilmesine ve güvenlik kurallarının baştan oluşturulmasına bağlıdır.

Birçok kurum yapay zekâ projesine teknoloji satın alarak başlar. Ancak proje ilerledikçe verilerin kullanıma hazır olmadığı, başarı göstergelerinin belirlenmediği, çalışanların yeni sistemi benimsemediği veya güvenlik sorumluluklarının tanımlanmadığı ortaya çıkar. Sonuç olarak pilot proje tamamlanamaz ya da üretim ortamına taşınamaz.

Bu rehberde yapay zekâ projesine başlamadan önce teknik ve iş ekiplerinde bulunması gereken yedi temel yetkinliği, proje ekibinin yapısını ve hazır oluş kontrol listesini bulabilirsiniz.

Yapay zekâ projesine başlamadan önce ne yapılmalı?

İlk adım kullanılacak yapay zekâ aracını belirlemek değil, çözülmek istenen iş problemini tanımlamaktır. “Şirket içinde yapay zekâ kullanalım” bir proje hedefi değildir. Buna karşılık “müşteri taleplerinin sınıflandırılması için harcanan süreyi azaltmak” ölçülebilir bir iş problemidir.

Proje başlamadan önce şu sorular cevaplanmalıdır:

• Çözülmek istenen iş problemi nedir?
• Mevcut süreç nasıl çalışıyor ve başlangıç performansı nedir?
• Yapay zekâ bu sürecin hangi aşamasına değer katacak?
• Gerekli veriler mevcut, erişilebilir ve güvenilir mi?
• Projenin iş sahibi ve teknik sorumlusu kim olacak?
• Hangi çıktılarda insan kontrolü zorunlu olacak?
• Başarı hangi KPI’larla ölçülecek?
• Pilot başarılı olursa nasıl ölçeklendirilecek?

Bu kararları şirket genelindeki hedeflerle ilişkilendirmek için öncelikle bir kurumsal yapay zekâ stratejisi oluşturulmalıdır. Strateji, tek bir projenin ötesinde hangi kullanım senaryolarının önceliklendirileceğini ve yatırımların nasıl yönetileceğini belirler.

Yapay zekâ projesi için gereken 7 temel yetkinlik

1. Veri okuryazarlığı

Yapay zekâ sistemleri, kendilerine sağlanan veriler ve talimatlar üzerinden sonuç üretir. Bu nedenle proje ekibinin verinin nereden geldiğini, neyi temsil ettiğini, hangi sınırlamalara sahip olduğunu ve nasıl yorumlanması gerektiğini anlayabilmesi gerekir.

Veri okuryazarlığı yalnızca veri analisti veya yazılımcılara ait bir beceri değildir. Projeye katılan iş birimi çalışanlarının da kullanılan göstergelerin anlamını, veri kalitesi sorunlarını ve sonuçların hangi koşullarda yanıltıcı olabileceğini bilmesi gerekir.

Ekip şu soruları cevaplayabiliyorsa temel veri okuryazarlığına sahiptir:

• Kullanılan verinin kaynağı ve sahibi kim?
• Veri ne kadar güncel ve eksiksiz?
• Eksik veya hatalı kayıtlar nasıl tespit ediliyor?
• Veri hedef kullanıcı grubunu yeterince temsil ediyor mu?
• Model çıktısı hangi metriklerle değerlendirilecek?

Bu yetkinliğin geliştirilmesi için Veri Okuryazarlığı Eğitimi içeriğini inceleyebilirsiniz.

2. Prompt yazma ve yapay zekâ ile çalışma becerisi

Üretken yapay zekâ projelerinde çalışanların görevi, bağlamı ve beklenen çıktı biçimini açıkça tanımlayabilmesi önemlidir. Etkili bir prompt; yalnızca bir soru değil, modele verilen görev, bağlam, kısıt, örnek ve çıktı formatının birleşimidir.

Ancak prompt mühendisliği tek başına yeterli değildir. Ekip üyeleri modelin yanlış bilgi üretebileceğini, talimatları eksik yorumlayabileceğini ve hassas verilerin onaysız sistemlere aktarılmaması gerektiğini de bilmelidir.

Bu yetkinlik kapsamında çalışanlar:

• Açık ve ölçülebilir görev tanımları hazırlayabilmeli,
• Gerekli bağlamı ve kısıtları belirtebilmeli,
• Beklenen çıktı biçimini tanımlayabilmeli,
• Üretilen bilgiyi doğrulayabilmeli,
• Hassas verileri promptlara eklememeli,
• Tekrarlanabilir görevler için standart prompt şablonları oluşturabilmelidir.

Kurumsal ekiplerde bu yetkinliği geliştirmek için Prompt Engineering Eğitimi değerlendirilebilir.

3. Yapay zekâ ve makine öğrenimi temelleri

Projede yer alan herkesin model geliştirmeyi veya kod yazmayı bilmesi gerekmez. Bununla birlikte karar vericilerin ve proje yöneticilerinin yapay zekânın neyi yapabildiğini, hangi koşullarda hata üretebildiğini ve sonuçların nasıl değerlendirilmesi gerektiğini anlaması gerekir.

En azından şu kavramların bilinmesi önemlidir:

• Eğitim verisi ve test verisi,
• Doğruluk, kesinlik ve geri çağırma gibi performans ölçütleri,
• Yanlılık ve veri temsiliyeti,
• Aşırı öğrenme,
• Üretken yapay zekâda yanlış bilgi üretimi,
• Model performansının zaman içinde değişmesi,
• İnsan denetimi ve güven düzeyi.

Örneğin müşteri taleplerini sınıflandıran bir sistemin genel doğruluk oranı yüksek görünebilir. Ancak kritik şikâyetleri yanlış sınıflandırıyorsa iş açısından kabul edilebilir olmayabilir. Bu nedenle teknik metrikler, iş riskiyle birlikte değerlendirilmelidir.

İş ihtiyacının yapay zekâ kullanım senaryosuna dönüştürülmesi konusunda Yapay Zekâ Destekli İş Analizi ve PO Eğitimi incelenebilir.

4. Veri yönetişimi, etik ve mevzuat farkındalığı

Yapay zekâ projesinde hangi verinin kullanılabileceği, veriye kimlerin erişebileceği ve verinin hangi sistemlerde işleneceği baştan belirlenmelidir. Özellikle kişisel, finansal, sağlıkla ilgili veya ticari açıdan gizli verilerin kullanıldığı projelerde yönetişim sonradan eklenecek bir kontrol olarak görülmemelidir.

Proje ekibinin şu konularda ortak kurallara sahip olması gerekir:

• Kişisel ve hassas verilerin sınıflandırılması,
• Veri minimizasyonu ve kullanım amacı,
• Anonimleştirme veya maskeleme gereksinimleri,
• Rol bazlı erişim yetkileri,
• Model sağlayıcısının veriyi nasıl işlediği,
• Çıktıların kayıt altına alınması,
• Yanlılık ve ayrımcılık risklerinin kontrolü,
• İnsan onayı gerektiren kararlar,
• Hata ve güvenlik ihlali bildirim süreci.

Bu alan için Veri Yönetişimi Farkındalığı Eğitimi ekiplerin veri kullanımı, GDPR ve KVKK uyumu konusunda ortak bir temel oluşturmasına yardımcı olabilir.

5. Proje ve ürün yönetimi becerileri

Yapay zekâ projeleri, klasik yazılım projelerinden daha yüksek belirsizlik içerebilir. Verinin yeterli olmaması, modelin beklenen performansı göstermemesi veya kullanıcıların çözümü benimsememesi proje kapsamını değiştirebilir.

Bu nedenle proje başında kesin ve büyük kapsamlı taahhütler vermek yerine küçük deneylerle ilerlemek daha sağlıklıdır. Her iterasyonda varsayım test edilmeli, sonuç ölçülmeli ve sonraki adıma elde edilen bulgulara göre karar verilmelidir.

Yapay zekâ projesinin ürün veya proje sorumlusu:

• İş problemini ve kullanıcı ihtiyacını tanımlayabilmeli,
• Kullanım senaryolarını önceliklendirebilmeli,
• Teknik ekip ile iş birimi arasında iletişim kurabilmeli,
• Kabul kriterlerini ve KPI’ları belirleyebilmeli,
• Riskleri ve bağımlılıkları takip edebilmeli,
• Pilot sonrasında devam, revizyon veya iptal kararı verebilmelidir.

İteratif çalışma ve ürün sorumluluğu için Agile & Scrum Foundations Eğitimi değerlendirilebilir.

6. Siber güvenlik ve güvenli kullanım farkındalığı

Yapay zekâ projeleri yeni erişim noktaları, veri akışları ve dış hizmet sağlayıcılar oluşturabilir. Bu nedenle güvenlik ekibi yalnızca proje tamamlandıktan sonra onay veren bir birim olmamalı, tasarım aşamasından itibaren sürece dahil edilmelidir.

Değerlendirilmesi gereken başlıca riskler şunlardır:

• Hassas verilerin yetkisiz yapay zekâ araçlarına aktarılması,
• Prompt injection ve zararlı talimatlar,
• Yetkisiz sistem veya belge erişimi,
• Model çıktılarının güvenilir kabul edilmesi,
• API anahtarlarının ve erişim bilgilerinin korunmaması,
• Üçüncü taraf sağlayıcı riskleri,
• İşlem kayıtlarının tutulmaması,
• Yapay zekâ agent’larına gereğinden geniş işlem yetkisi verilmesi.

Her proje için rol bazlı erişim, en az yetki ilkesi, güvenli test ortamı, kayıt tutma ve olay müdahale süreci oluşturulmalıdır.

7. Değişim yönetimi ve adaptasyon kapasitesi

Teknik olarak başarılı bir yapay zekâ çözümü, çalışanlar tarafından kullanılmıyorsa iş değeri üretemez. Yeni sistemin hangi sorunu çözdüğü, çalışanların görevlerini nasıl etkileyeceği ve insan kontrolünün nerede devam edeceği açık biçimde anlatılmalıdır.

Değişim yönetimi planında şu uygulamalara yer verilmelidir:

• Çalışanların pilot tasarımına dahil edilmesi,
• Rol bazlı eğitim programlarının hazırlanması,
• Kabul edilen ve yasaklanan kullanım örneklerinin açıklanması,
• Çalışanların soru ve hata bildirebileceği kanallar kurulması,
• Erken başarı örneklerinin kurum içinde paylaşılması,
• İş tanımlarındaki değişikliklerin açıkça anlatılması,
• Kullanım ve benimseme göstergelerinin takip edilmesi.

Kurumsal benimseme sürecini planlamak için kurumlarda yapay zekâ farkındalığı rehberini, dönüşümün insan boyutunu yönetmek için ise Change Management Eğitimi içeriğini inceleyebilirsiniz.

Yapay zekâ proje ekibinde kimler bulunmalı?

Proje ekibinin büyüklüğü kullanım senaryosuna göre değişir. Ancak sorumlulukların açık olması gerekir. Bir ekip üyesi birden fazla rolü üstlenebilir.

Rol	Temel sorumluluk
İş sahibi	Problemi, hedefi ve beklenen iş değerini tanımlar.
Ürün veya proje sorumlusu	Kapsamı, öncelikleri, takvimi ve KPI’ları yönetir.
Veri sorumlusu	Verinin erişimini, kalitesini ve kullanım kurallarını kontrol eder.
Teknik ekip	Model, uygulama ve sistem entegrasyonlarını gerçekleştirir.
Bilgi güvenliği	Erişim, veri akışı ve güvenlik risklerini değerlendirir.
Hukuk ve uyum	Mevzuat, sözleşme ve veri kullanım koşullarını inceler.
Son kullanıcı temsilcisi	Çözümün gerçek iş akışında kullanılabilirliğini test eder.

İlk yapay zekâ pilot projesi nasıl seçilmeli?

İlk proje şirketin en büyük veya en karmaşık problemi olmak zorunda değildir. Yüksek iş değeri sağlayan ancak sınırlı risk taşıyan ve kısa sürede ölçülebilen bir süreç seçmek daha uygundur.

İyi bir ilk pilot:

• Açık ve tekrar eden bir iş problemine dayanır,
• Gerekli veriye erişilebilir,
• Mevcut performans ölçülebilir,
• İnsan kontrolüyle yürütülebilir,
• Sınırlı bir kullanıcı grubunda test edilebilir,
• Başarısız olması durumunda kritik zarar oluşturmaz,
• Başarılı olduğunda başka süreçlere ölçeklenebilir.

Yetkinlik ve hazırlık çalışması tamamlandıktan sonra çözümün mevcut operasyonlara nasıl taşınacağını yapay zekâyı iş süreçlerine entegre etme adımlarından inceleyebilirsiniz.

Yapay zekâ projesi hazırlık kontrol listesi

• İş problemi açık ve ölçülebilir biçimde tanımlandı mı?
• Projenin iş sahibi ve teknik sorumlusu belirlendi mi?
• Başlangıç performansı ve hedef KPI kaydedildi mi?
• Gerekli veri kaynakları ve veri sahipleri belirlendi mi?
• Veri kalitesi kontrol edildi mi?
• Kişisel ve hassas veriler sınıflandırıldı mı?
• Hangi işlemlerde insan onayı gerektiği belirlendi mi?
• Güvenlik ve hukuk ekipleri projeyi değerlendirdi mi?
• Son kullanıcılar pilot tasarımına dahil edildi mi?
• Pilotun kapsamı, süresi ve bütçesi belirlendi mi?
• Başarısızlık veya durdurma kriterleri tanımlandı mı?
• Pilot başarılı olursa ölçeklendirme planı hazır mı?

Bu soruların önemli bir bölümüne “hayır” cevabı veriliyorsa proje iptal edilmek zorunda değildir. Ancak araç satın almadan veya tam ölçekli uygulamaya geçmeden önce eksik hazırlıkların tamamlanması gerekir.

Sonuç: Önce yetkinlik, sonra teknoloji

Yapay zekâ projesinin başarısını yalnızca kullanılan model veya platform belirlemez. Veri okuryazarlığı, yapay zekâ temelleri, yönetişim, güvenlik, proje yönetimi ve değişim yönetimi birlikte ele alınmalıdır.

İlk hedef şirketin tamamını dönüştürmek değil; doğru ekiple, ölçülebilir bir iş problemi üzerinde, kontrollü bir pilot yürütmek olmalıdır. Pilot sonuçları doğrulandıktan sonra teknoloji ve kullanım modeli diğer departmanlara taşınabilir.

Ekibinizde hangi yetkinliklerin eksik olduğunu belirledikten sonra role ve ihtiyaca göre kurumsal yapay zekâ eğitimlerini inceleyerek bir gelişim planı oluşturabilirsiniz.