Yapay Zekâ Yeniden Sahneye Çıkarken Yöneticiler Ne Anlamalı?

Bir tekstil ihracatçısının satış müdürü, geçen ay bir konferansta şunu duydu: bilgisayarlar artık hangi müşterinin siparişten vazgeçeceğini tahmin edebiliyor. Geri döndüğünde bu fikri genel müdürüne anlattı; genel müdür ise konuya temkinli yaklaştı. Haklıydı. Yapay zekâ etrafındaki söylem, gerçek uygulama olanaklarının önüne geçiyor ve bu durum yöneticiler için ciddi bir karar riski yaratıyor.

Yapay zekâ kavramı onlarca yıllık bir geçmişe sahip. İlk dönemlerde akademik çevrelerde yoğun ilgi gören bu alan, pratikte beklentileri karşılayamayınca uzun bir sessizlik dönemine girdi. Araştırmacılar bu dönemlere ‘yapay zekâ kışı’ adını verdi. Şu anda yaşanan yeniden canlanmanın arkasında ise iki somut değişken var: işlem gücünün dramatik biçimde ucuzlaması ve kurumların elinde biriken veri hacminin artık anlamlı örüntüler çıkarmaya yetecek düzeye ulaşması. Banka işlemleri, müşteri kayıtları, üretim hattı verileri — bunların tamamı dijital ortamda birikmeye devam ediyor. Makine öğrenmesi algoritmaları bu birikimi hammadde olarak kullanıyor.

Peki bu algoritmalar ne yapıyor? Temel mantık şu: sistem, geçmiş verilerden örüntü öğreniyor ve bu örüntüyü yeni verilere uyguluyor. Klasik bir karar destek sisteminde bir analist kuralları elle tanımlar; makine öğrenmesinde ise sistem bu kuralları veriden kendisi çıkarıyor. Kredi risk değerlendirmesi, spam filtreleme, stok tahminleme — bunlar günümüzde fiilen çalışan uygulamalar. Ancak bu uygulamaların büyük çoğunluğu hâlâ finans sektörü ve büyük ölçekli kurumlar bünyesinde. KOBİ ölçeğinde, özellikle Türkiye’deki orta boy imalat veya ticaret firmalarında bu teknolojinin doğrudan uygulanması henüz istisnai bir durum.

Yöneticiler için asıl değer şuradan geliyor: karar kalitesini artırmak. Satış tahmini yapmak, hangi müşterinin gecikmiş ödeme riskine girdiğini öngörmek ya da hangi üretim parametresinin hata oranını yükselttiğini tespit etmek — bunların hepsi, yeterli veri ve doğru araç bir araya geldiğinde makine öğrenmesinin üstlenebileceği görevler. Önemli olan nokta şu: bu sistemler yöneticinin yerine karar vermiyor, yöneticiye daha iyi bir karar zemini sunuyor. Farkı kavramak, teknolojiyi doğru konumlandırmak açısından kritik.

İş zekâsı araçlarıyla bu alandaki çözümleri karşılaştırmak gerekirse: iş zekâsı raporlama ve görselleştirme yapıyor, geçmişe bakıyor. Makine öğrenmesi ise geleceğe dair olasılıksal çıkarımlar üretiyor. İkisi birbirinin rakibi değil, tamamlayıcısı. Halihazırda iş zekâsı altyapısına yatırım yapmış bir firma, bu altyapıyı makine öğrenmesi uygulamaları için zemin olarak kullanabilir. Ancak bu geçiş, veri kalitesine ve kurumsal hazırlığa bağlı. Temiz, tutarlı ve yeterince geniş bir veri kümesi olmadan en sofistike algoritma bile anlamsız sonuçlar üretiyor.

Pratik zorluk tam da burada başlıyor. Türkiye’deki pek çok KOBİ, verilerini hâlâ farklı sistemlerde ve birbiriyle konuşmayan formatlarda tutuyor. Muhasebe yazılımı ayrı, satış takibi ayrı, depo yönetimi ayrı. Bu parçalı yapı, makine öğrenmesi için gerekli bütünleşik veri tabanını oluşturmayı güçleştiriyor. Buna ek olarak, bu teknolojileri anlayan ve kurumsal bağlamda uygulayabilen insan kaynağı oldukça sınırlı. Yurt dışından veya büyük danışmanlık firmalarından destek almak ise KOBİ bütçeleriyle çoğu zaman örtüşmüyor. Sonuç olarak teknolojinin potansiyeli ile KOBİ’nin uygulama kapasitesi arasında ciddi bir uçurum var.

Yöneticiler için somut karar kriteri şu olmalı: önce veri altyapısını değerlendirin. Şirketinizde en az iki ila üç yıllık, tutarlı biçimde kaydedilmiş işlem verisi var mı? Verileriniz tek bir sistemde mi, yoksa farklı kaynaklarda dağınık mı? Bu soruların yanıtı ‘hayır’ ise makine öğrenmesi yatırımı öncelikli gündem değil. Önce veri kalitesine ve entegrasyonuna yatırım yapmak, uzun vadede çok daha yüksek bir ROI üretiyor. Yanıt ‘evet’ ise bir sonraki adım, dar kapsamlı ve ölçülebilir bir pilot proje tanımlamak. Tüm şirketi kapsayan büyük bir dönüşüm projesi değil; tek bir iş sürecinde, net başarı kriterleriyle tanımlanmış küçük bir uygulama. Yapay zekâ etrafındaki gürültüyü bir kenara bırakın; asıl soru, elinizde bu teknolojiyi besleyecek ham madde olan veri var mı?


model yönetişimi ancak kullanıcı davranışı, yönetim sahipliği ve veri kalitesi birlikte ele alındığında kalıcı değer üretir. Teknoloji tek başına dönüşüm yaratmaz; yalnızca dönüşüm ihtiyacını daha görünür kılar. Başarı, sistemin çalışmasından çok kurumun sistemle çalışmayı öğrenmesidir.


Gökhan Mercanoğlu
Yapay Zekâ ve Makine Öğrenmesi