Satış, üretim ve hizmet sektörlerindeki operasyonlarda ve karar destek sistemi oluşturmada yapay zeka muazzam fırsatlar sunuyor. Ancak tek başına teknoloji, başarının garantisi değildir.
Yazının başında yapay zeka uygulamaların mevcut durumu ve geleceği ile ilgili bir kaç istatistik verelim.
Yapay zeka pazarının 2025 yılında 126 milyar USD, 2027 yılında 267 milyar USD'ye ulaşması, 2030 yılında küresel ekonomiye katkısının 15,7 trilyon USD olması bekleniyor. (Kaynak: Statistica & Dataprot)
2025 yılında 85 milyon iş yapay zeka sayesinde yok olurken, 97 milyon yeni iş ortaya çıkacak. (Kaynak: Dataprot)
Şirketlerin %37'si bir şekilde yapay zeka ile tanıştı. Son 4 yıldaki gelişim %270. (Kaynak: Gartner)
2025 yılında müşteri etkileşimlerinin %97'si yapay zeka ile gerçekleştirilecek. (Kaynak: Servion Globaş Solutions)
Yapay zeka uygulama alanlarına baktığımızda ise aşağıdaki sonuçlar ortaya çıkıyor.
İşe alım
Siber güvenlik
Pazar tahminleme
Müşteri analizi
Faturalama
Tekliflendirme
Sanal asistanlar ve etkileşim
Hedef pazar belirleme
Sosyal medya iç görüleri
Platform operatörü Augmentir, şirketlerin en yaygın dört engelden nasıl kaçındığını gösteriyor.
Tuzaklar: Platform operatörü Augmentir'in deneyimine göre, yapay zekalı projeleri söz konusu olduğunda en yaygın engeller; teknolojinin fırsatları hakkında ortak bir anlayış, açıkça tanımlanmış projeler, iyi veri kalitesi ve yeterli kalifiye uzmanları. İdeal olarak, büyük bir projeyi üstlenmeden önce şirketler, küçük kullanım alanları ile ilgili deneyim kazanmalıdır.
1. Anlama engeli: Burada aslında neden bahsediyoruz?
Hiç şüphe yok ki yapay zeka şirketler için büyük bir potansiyel barındırıyor. Ancak birçok trendde olduğu gibi, problemler genellikle "yapay zeka" terimi ile başlar. Bir projeye başlamak isteyen herkes, önce kendi şirketi içinde yapay zekadan ne anlaşıldığını ve hangi liderlik, yönetim ve operasyonel seviyenin şirkette olduğunu kendisine sormalıdır ve şirket içerisinde ortak, aynı seviyede bilgi oluşturulmalıdır. Makine öğrenimi, derin öğrenme, yapay zeka, sinir ağları ve doğal dil işlemenin nasıl ilişkili olduğunu ve nasıl farklı olduklarını netleştirmeniz önerilir.
Bu temelde, mevcut istekler, fikirler ve beklentiler netleştirilebilir:
Bir BT sisteminin geleneksel temel yeteneklerinin hangi noktasında yapay zeka başlamalı?
Algılama (girdi), anlama (işleme) veya eyleme geçme (çıktı)? Katılımcılar, sistemin tanımsal, insan benzeri, akıllı davranış gösterdiğinden nerede endişe duyuyor?
Geri bildirimden veya hatalardan bağımsız bir şekilde öğrenmek için nerede çaba gösteriyorlar ve nerede yalnızca akıllı veri toplama ve veri zenginleştirme isteniyor?
Hedefler, stratejiler ve yaklaşımlar hakkında sağlam temelli bir ortak bilince sahip olmak ancak bu tür temel sorular açıklığa kavuşturulduğunda mümkündür.
2. Boyut engeli: Projeyi açıkça belirtin.
Çok büyük bir proje yönetmek hata olabilir. Augmentir'deki DACH bölgesi Operasyon Müdürü Carsten Hunfeld, "Karmaşık ve riskli deneyler yapmak yerine yapay zeka yoluyla sonuçlara ulaşmak isteyen herkes, hedefleri açıkça tanımlamalı ve ideal olarak kendilerini bireysel süreçlerle sınırlandırmalıdır" diye açıklıyor. Hunfeld, daha iyi bir çalışma sonucu gibi kapsayıcı bir hedefi, üretkenlik, kalite, iş güvenliği veya uyumlulukta somut iyileştirmeler gibi alt hedeflere bölmeyi ve bunları kilometre taşlarına ayırmayı önermektedir.
Böyle bir yaklaşım, neyin başarılacağını şeffaf hale getirir: Bir yandan, yapay zekanın hangi noktalarda ve hangi süreçlerde mantıklı bir şekilde kullanılabileceğini değerlendirmeyi kolaylaştırır ve aynı zamanda kilit rakamlara kadar hedeflerin tam olarak tanımlanmasına yardımcı olur. Günün sonunda, her şey katma değer yaratmakla ilgilidir.
Böyle bir alt amaç, personeli daha hızlı eğitmek olabilir. Bir diğeri, çalışanların işlerini yüksek kalite ve güvenlikle yapmak için ihtiyaç duydukları bilgiye tam olarak sahip olmalarını sağlama arzusu olacaktır. Yapay zeka ile çalışan yazılım platformları, akıllı telefon, tablet veya iş yeri eğitimleri, talimat ve destek vererek bu ve daha birçok projeyi ilerletebilir. Algoritmaların yardımıyla talimatlar, her çalışanın tam olarak ilerlemelerine yardımcı olacak bilgi ve kontrol miktarını alacağı şekilde kişiselleştirilebilir.
3. Veri engeli: Veri büyüklüğü çok yardımcı olur, ancak temiz olması gerekir.
En başta kontrol edilmesi gereken bir diğer faktör de verilerdir. Çünkü doğru girdi olmadan yapay zeka çalışamaz. Bu özellikle bir uygulama makine öğrenimine dayalı olduğunda geçerlidir. İlk adım, güvenilir bir tahminin mümkün olduğu bir algoritmayı eğitmek için yeterli veri setinin oluşturulduğu uygulama alanlarını bulmaktır. Şirketler, müşteri verileri gibi "küçük veriler" ile çalışmak yerine, ya mevcut büyük veri senaryolarına bakmalı ya da büyük miktarda veri toplamaya başlamalıdır. Ağa bağlı çalışanlar ve makineler zengin bir kaynak sunar. Aynı zamanda sosyal medya, halka açık kurum verileri büyük veri olarak karşımıza çıkar.
Ancak, önemli olan sadece veri miktarı değil, özellikle kalitesidir. "Çöp içeri - çöp dışarı" mottosuna göre, yapay zekaya dayalı bir uygulamanın umulan başarıya ulaşmak yerine işleri zorlaştırması ve çıkılamaz bir noktaya gelmesi çok kolaydır. Veri temizliği ve insani, yetkin bir taraftan düzeltici bir bakış, bu tür projeler için zorunlu programın bir parçasıdır.
4. Personel engeli: Uzmanlara bağımlılıktan kaçınmak
İşte tam da bu noktada birçok şirket için başka bir engel ortaya çıkıyor. İlk projeye başlamak için önce model geliştiricileri ve veri bilimcilerini işe almaları gerekip gerekmediğini merak ediyorlar. Gerçek şu ki, bu tür uzmanlar nadir ve pahalıdır. Hali hazırda hazır modellerle gelen bulut çözümleri bu nedenle idealdir. Herhangi bir özel bilgi gerektirmezler ve bazen bir haftadan kısa sürede kullanıma hazır hale gelirler. Ardından, çalışanların becerilerine ve deneyimlerine dayalı olarak dağıtım planlamasını doğrudan optimize edebilir veya bir bot için bir bilgi veritabanında uzmanların yanıtlarıyla birlikte üretimle ilgili en sık sorulan soruları derlemeye başlayabilirsiniz.
Ayrıca, bağlı çalışma alanından gelen veri zenginliği, geleneksel iş zekası araçlarıyla kolayca değerlendirilemez. Şimdiye kadar, bunları yararlı iç görülere dönüştürmek için bir veri bilimcisi gerekiyordu. Akıllı analiz işlevleri ve gösterge tabloları "tak ve çalıştır" sağlayan sistemlerde durum böyle değildir. Algoritmaları, "yapısal olmayan verilerde" bile tutarsızlıkları veya aykırı değerleri tanıma ve korelasyon bulma yeteneğine sahiptir. Sürekli öğrenme için en umut verici iyileştirme fırsatlarını belirlemeye yardımcı olurlar.
Sonuç: Yapay zeka trenine geçiş yapmak iyi bir fikir. Ancak çok büyük bir projeye hazırlıksız başlamak, şirketleri hızla bunaltabilir. Hunfeld, "İlk önce küçük bir ölçekte ilk deneyim kazanmak genellikle daha iyidir" diyor. “Otonom bakım veya kestirimci bakım gibi açıkça tanımlanmış kullanım durumları için kullanıma hazır çözümler bunun için bir fırsat sunuyor. Uzun hazırlıklar, büyük riskler ve personel değişiklikleri olmadan uygulanabilirler ve hızlı sonuçlar getirebilirler.” Silolardan kaçınmak için, bu tür bir bulut platformunun mevcut sistemlere kolayca bağlanabilmesi, veri ve iç görü elde etmek için önemlidir.
En çok bilinen, tercih edilen yapay zeka platformları:
1. Google AI
2. Microsoft Azure ML
3. Amazon Web Services (AWS)
4. Oracle AI
5. IBM Watson
6. SAS
7. NVIDIA GPU Cloud (NGC)
Kaynaklar:
IT-Matchmaker.news, Statistica, Gartner, Dataprot, Spiceworks
EDT Center, dijital dönüşüm ve Endüstri 4.0 alanında uluslarası tecrübe ve bilgi birikimi ile şirketlere baştan uca çözümler üretmektedir.
* Dijital Dönüşüm ve Endüstri 4.0 bilinçlendirme eğitimleri
* Dijital Dönüşü Olgunluk Seviyesi Ölçümü
* Dijital Dönüşüm 4.0 Yol Haritası
* Uygun çözüm ve sağlayıcı bulma (www.i40markt.com) (www.it-matchmaker.com.tr)
* Proje yönetimi
* Profesyonel danışmanlık
Detaylı bilgiler: EDT Center - i40Markt
Comments