DİJİTAL DÖNÜŞÜM (Öğrenme Platformu)
Yapay zekâya yatırım yapılıyor. Yazılımlar alınıyor, uzmanlar işe başlıyor, yeni uygulamalar duyuruluyor. Ancak beklenen sonuçlara ulaşmak her zaman kolay olmuyor. Üç önemli sorun yaşanabiliyor: 1) Bir bölümde başarıyla çalışan sistemin başka bir bölümde kullanılamaması. 2) Çalışanların yeni uygulamayı benimsememesi. 3) Başlangıçta küçük görünen veri sorunları, uygulama genişledikçe büyük engellere dönüşebiliyor.
Kurumlar bu güçlükleri nasıl aşabilir? Yapay zekâ konusunda deneyim kazanmak işleri kolaylaştırıyor mu?
Bu sorulara yanıt arayan Ångström ve arkadaşlarının 2023 yılında California Management Review dergisinde yayımlanmış araştırma sonuçlarını paylaşmak istiyorum. Büyük teknoloji şirketlerinin başarıları sık anlatılıyor. Araştırmacılar ise diğer kurumların yapay zekâyı uygularken hangi güçlükleri yaşadığını ve bunları nasıl aşmaya çalıştığını incelemişler. İsveç ve İngiltere’de 16 uzmanla görüşmüşler. Çin, Almanya, Hindistan, İngiltere ve ABD’de yapay zekâ uygulama deneyimi bulunan 2 525 karar vericiye anket uygulamışlar. Katılımcılar en az 100 çalışanı olan kuruluşlardan seçilmiş.
Kurumları iki gruba ayırmışlar: en az bir yapay zekâ sistemini tamamen uygulayanlar ve henüz ilk uygulamasını tamamlamamış olanlar.
Güçlükler; teknoloji, kurumun işleyişi ve çalışma kültürü olmak üzere üç alanda gözleniyor.
Teknoloji alanında uygun yazılım ve donanım ihtiyacı, yatırım gereksinimi ve veri yönetimi sorunları öne çıkıyor. Gerekli veri bulunamayabiliyor. Bulunan veri, yapılacak işe uygun biçimde düzenlenmemiş olabiliyor. Aynı bilgi farklı birimlerde farklı adlarla kaydedilebiliyor.
Kurumun işleyişinde ise yeterince eğitimli çalışan bulunmaması önemli bir güçlük. Yöneticilerin yapay zekâyı yeterince anlamaması, veriyle ilgili görev ve sorumlulukların açık olmaması da uygulamayı zorlaştırıyor.
Çalışma kültüründe çalışanların endişeleri dikkat çekiyor: “İşimi kaybeder miyim? Uzmanlığımın değeri azalır mı? Yaptığım iş üzerindeki kontrolüm ne olacak?” Yerleşmiş alışkanlıklar ve yeni uygulamanın yararının görülememesi de değişimi güçleştiriyor.
Deneyim kazanınca da sorunlar bitmiyor. Deneyimli kurumlarda çalışanların beceri eksiklikleri ve yapay zekâya ilişkin korkuları daha az bildiriliyor. Ancak uygulamalar genişledikçe yeni sorunlar ortaya çıkıyor.
Bu çalışmanın bulguları, önceki yazılarımda değindiğim veri ve meta veri sözlükleri oluşturmanın, iş, veri ve teknoloji profesyonelleri arasında iş birliği sağlamanın önemini destekliyor.
Veri yönetimi temel bir ihtiyaç: Çalışmadaki banka örneğinde, birimlerin farklı terimler kullanması ve verilerin yerinin bilinmemesi zaman alıcı, maliyetli düzeltmelere yol açıyor. Banka, veri yönetimini ve sorumlulukları düzenleyen özel bir birim oluşturuyor. Çıkarılacak ders: Verinin bulunması yeterli değil; anlamı, yeri, kalitesi ve sorumlusu bilinmeli.
İnsana yatırım sürdürülmeli: Birkaç veri bilimciyi işe almak yeterli değil. Teknik uzmanlar kurumun işini, işin uzmanları da yapay zekâ sonuçlarını değerlendirmeyi bilmeli. İş, veri ve teknoloji uzmanları birlikte çalışmalı. Eğitimlerin amacı herkesi veri bilimci yapmak değil; temel kavramları anlayarak kendi işinde deneyim kazanmasını sağlamak olmalı.
Küçük başlayıp sürekli değerlendirmek önemli: Gerçek bir ihtiyacı karşılayan, kapsamı belirli ve verisine erişilebilen uygulamalarla başlanmalı. Denemeler değerlendirilerek ilerlenmeli. Uygulama genişledikçe veri yönetimi, sorumluluklar, eğitim ve iş birliği geliştirilmeli. En yeni ve karmaşık araç her zaman gerekli değil.
Katılımcıların deneyimlerine dayanan bu çalışma tek reçete sunmuyor. Yapay zekâ kullanımı sürekli öğrenme ve iyileştirme gerektiriyor.
Kurum yapay zekâya yatırım yaparken verilerine, çalışanlarına ve yönetim biçimine de yatırım yapmalı.
