Planlama, PoC ve Üretimin Successful AI-Driven Enterprise Çözümü

Şirketler, yapay zeka (AI) girişimlerini hızlı bir tempoda hızlandırıyorlar. Algorithmia tarafından yapılan bir araştırma, CIO’ların %76’sının AI ve makine öğrenimi (ML) çözümlerine odaklanmak için IT bütçelerini önceliklendirdiğini ve artırdığını gösterdi. Şirketler ayrıca verilerin önemini tanımakta ve çoğu, şirket içi verilerin %80’inin yapısal olmayan doğası olduğunu kabul etmektedir.

Yapısal olmayan veri, şirket içi bir yığında üretilmekte ve hızla büyümektedir. Ölçme birimi terabayttan petabayta kaymıştır. Sonuç olarak, IT profesyonelleri, CDO’lar ve CIO’lar, kullanılabilir veri ve eyleme geçirilebilir içgörüler için artan talebi karşılamak amacıyla bazı yeni zorluklarla başa çıkmak zorundadır. AI’nin herhangi bir endüstriyi dönüştürme potansiyeli olmasına rağmen, 2022 yılı sonuna kadar dağıtılan AI çözümlerinin yalnızca %15’i başarılı olacak ve daha azı olumlu bir ROI üretecektir.

En büyük sorun, çoğu şirket içi AI çözümünün, beklentilerin uyumsuzluğu nedeniyle gün ışığına çıkmamasıdır. AI’nin olanakları etrafında yanlış anlaşılmalar devam etmektedir ve projeler hala hype-driven modellerde tasarlanmaktadır. Çoğu ürün veya model, günlük şirket içi operasyonların gerçekliğiyle uzaktadır. Düşük başarı oranlarının diğer sürücüleri arasında maliyet aşımı, AI Merkezleri Excellence (CoE) eksikliği, deneyimsiz yetenek, veri eksikliği ve eski politikalar bulunmaktadır.

Planlama, Şirket AI Başarısını Sağlar

Yapısal olmayan veri, önceden tanımlanmış bir veri modelinden yoksun veri ve metin belgelerinden web sitelerine, resimlere, video dosyalarına, sohbet botlarına, ses akışlarına ve sosyal medya gönderilerine kadar her şeyi içerir. Şirket içi mimaride yapısal olmayan verilerin artan miktarı ile, tüm kurumsal paydaşların hedefleriyle uyumlu verimli ve artımlı bir plana sahip olmak kritiktir. Tipik hedefler organizasyonel düzeyde şunları içerebilir: süreç otomasyonu, dolandırıcılık tespiti, müşteri deneyiminin iyileştirilmesi, güvenlik iyileştirilmesi, satış artışı vb. Bu hedeflerin bazıları yapısal doğası nedeniyle oldukça etkili bir şekilde gerçekleştirilebilir, ancak yapısal olmayan veri etrafında planlama zor olabilir.

Tipik olarak, planlama, bir organizasyon içinde fırsatlar alanlarını tanımlamayla başlar. Yönetici düzeyinde büyük bir AI vizyonu olabilir, ancak yüksek etkiye, düşük riske ve sürekli büyüyen veriye sahip bir alan tanımlamak kritiktir. Banka ve finans sektöründeki kredi işlemleri fonksiyonu gibi bir kullanım örneği olabilir. Kredi oluşturmadan hizmete kadar, sistemlere tekrarlayan bir şekilde elle girilen bilgilerle dolu manuel işlemler vardır. Kredi başvurularının due diligence’ü, riskleri oluşturan önemli miktarda belge sunmayı içerir. Ancak AI, belge işlemeden dolandırıcılık tespitine kadar iş akışının çeşitli alanlarında uygulanabilir. Bu ayrıca sürekli yıl içi veri büyümesi olan bir alandır.

Planlama aşamasında dikkate alınması gereken diğer kritik adımlar, ölçülebilir başarı kriterlerini tanımlamak, kapsamlı bir veri stratejisi oluşturmak, sürekli eğitim ve geri bildirimi sağlamak ve kullanıcı deneyimi, ölçeklenebilirlik ve altyapıyı değerlendirmeyi içerir.

Ölçülebilir Başarı Kriterlerini Tanımlama (ve Atın Önüne Arabayı Koymama Anı!)

Google’ın erken başarısı, şirketin Objective Key Results (OKR) kurmasını içerir. Bu yaklaşım, herhangi bir iş veya kişisel hedefe uygulanabilir ve AI stratejinize uygulanabilir. Ancak yapısal olmayan veri, endüstrinin genel olarak çözmeye çalıştığı bir sorundur. İş liderleri, ‘ne’ ve ‘neden’ sorularını sormalıdır. Örneğin, verimliliği artırmak ana hedefse, iki soru cevaplanabilir:

• Otomasyon yoluyla üretim kapasitesini artırmayı planlamalı mıyım?
• Tüm başvuruların %80’ini çözmeyi planlamalı mıyım?

Bu sorular, farklı uygulama yolculuklarına yol açar ve hangisinin şirketiniz için doğru olacağına karar vermeniz önemlidir.

Yapısal olmayan veri ile ilgili başka bir belirsiz ölçüm alanı doğrulukdır. Kredi işlemleri örneğinde, müşteriler tarafından sunulan belgilerdeki varyasyon çok yüksektir, bu nedenle iş ve teknoloji liderlerinin AI çözümünün doğruluğunu nasıl ölçtüğüne dair bir mutabakata varması kritiktir. Verimlilik, AI çözümünün hedeflerinden biri ise, üretkenliği etkileyen diğer alanları tanımlamak gerekli olacaktır. Bu, mevcut iş sürecini yakından inceleyerek ve AI otomasyonu ile süreci yeniden hayal ederek gerçekleştirilebilir. Yeni otomasyon, manuel istisna yönetimi, açıklama, eğitim gibi yeni adımlara yol açabilir. Bu adımlarla, doğruluğu nasıl ölçeceğinizi belirlemek daha kolay olacaktır.

Veri, Tüm Şirketlerin Can Damarıdır

Yapısal olmayan veri, bilgilerin yapılandırıldığı ve sunulduğu şekilde yüksek bir varyasyon derecesine sahiptir. Şirketler, belgelerde sunulan bilgilere, paragraflardan, cümlelerden ve çok boyutlu tablo yapılarından oluşmaktadır. Belgelerin yanı sıra, şirketler sohbet botlarına, sosyal medya verilerini izlemeye ve diğer yapısal olmayan veri türlerine yatırım yapmaktadır.

Çoğu şirket, elinde bulunan ve erişilebilen veri miktarını küçümsemektedir. Çoğu zaman, zorluk basitçe uyumluluk kısıtlamalarını aşmak ve verileri şirket içinde paylaşmaktır. Temiz ve yüksek varyasyonlu verilere sahip olmak, bir sorunun değerlendirilmesi ve optimal bir çözümün tasarlanması için daha iyi bir fırsat sunar.

Diğer önemli bir faktör, bu yapısal olmayan verilerden ne beklediğinizdir. Bu, doğru bir miktar temel gerçek, eğitim ve test verisi sağlayacaktır. Kredi işlemleri örneğine geri dönersek, AI çözümünün amacı, başvurucuların ortalama günlük bakiyelerini belirlemek ise, temel gerçek ve eğitim verileri, banka ekstreleri etrafında odaklanabilir. Ancak odak, başvurucuların dolandırıcılığını belirlemek ise, gerekli temel gerçek ve eğitim verilerini elde etmek için daha geniş bir belge yelpazesine erişmek gerekir.

PoC’den Üretime Ölçeklendirme

Ölçülebilir bir Proof of Concept (PoC) ile tüm paydaşların, AI çözümünün zorluklarını, sonuçlarını ve değer önerisini anladığından emin olun. Ancak PoC, üretim için hazır bir çözüm değildir. PoC, bir organizasyonun boşlukları tanımlamasına, üretim çözümü için tasarım düşünmesini uyarmasına ve elde edilmesi gereken anahtar sonuçları akışını sağlar. PoC’den ölçeklenebilir bir çözüme gitmek için, şirketler karmaşık veri senaryoları için planlamalıdır; bu, sürekli veri değişikliklerini, etiketli verilerin bulunmamasını ve form ve formatlardaki yüksek varyasyonu içerir. Ayrıca, iş akışının yeniden hayal edilmesi, iş gücünün yeniden eğitilmesi ve altyapının, maliyetlerin, performansın, veri mimarisinin, bilgi güvenliğinin ve hizmet seviyesi anlaşmalarının (SLA) belirlenmesi önemlidir.

AI çözümünden en iyi sonuçları elde etmek için tüm iş akışını ve iş sürecini değerlendirmek mutlak olarak önemlidir. Davranışsal ekonomiden bir ipucu alarak, mevcut bir referans noktasına (veya “referans bağımlılığı” olarak da bilinir) kıyaslayarak, tasarım düşünmesi ve iş süreci yeniden haritalaması yoluyla üretimden önce daha iyi verimliliklerin öngörüldüğü söylenebilir.

Bu senaryo, hem iş hem de teknik liderlerin PoC’ye dayanarak MI veya derin öğrenme yaklaşımı konusunda anlaştığını varsayar. Bazı problem ifadeleri deterministiktir ve istenen sonuçları elde etmek için istatistiksel bir yaklaşım uygulanabilir. Diğer zorluklar, MI ve sinir ağı tabanlı yaklaşımların kombinasyonunu gerektirebilir.

Bazı AI çözümleri, Doğal Dil İşleme (NLP) entegrasyonunu gerektirir. Genel dil modelleri temel bir adım olarak hizmet eder, ancak çoğu model her şirketin benzersiz problem ifadesini karşılamak için tasarlanmamıştır ve fine-tuning gerektirecektir. Aynı zamanda, çoğu yönetici, GPT3 gibi büyük modellere karşı heyecanlanacaktır; bu modeller önemli hesaplama gücü gerektirir ve şirketin ROI’sini doğrudan etkileyebilir. Bu modeller, şirketiniz için uygun olmayacaktır.

AI-driven PoC’niz uzun bir sürecin başlangıcıdır, bu nedenle aşağıdaki noktaları dikkate alın:

• PoC aşamasında karmaşık bir problemi çözme seçeneğini seçmeyin
• Tasarım düşünmesini uygulayın ve uçtan uca iş sürecinizi gözden geçirin; riskleri erken tahmin edin ve yönetin
• Doğruluk, tek ölçüm değildir; değer odaklı bir çözüm oluşturmayı planlayın, %100 doğruluk elde etmeye çalışmayın
• AI yaklaşımınızı değerlendirin; hype-driven modellere dayanmayın, modüler bir yapıya sahip optimal bir yaklaşım seçin
• Tüm paydaşların beklentilerini yönetin ve en başarılı sonucu elde edin
• Çözümünüzü ve mimarinizi, verilerin büyümesiyle ölçeklenebilir bir şekilde tasarlayın ve en optimal ROI’yi elde edin

AI-Driven Çözümler için En İyi Uygulamalar

Bugün, çoğu şirket bir veya daha fazla AI projesi üstlenmektedir. İyi niyetlere ve yoğun çalışmaya rağmen, birçok şirket AI programı beklentileri karşılamaktan, ölçeklenmekten ve istenen ROI’yi üretmekten uzaktır. AI’yi bir iş bileşeni olarak entegre etmek zaman alacaktır, ancak başarılı şirketlerin izlediği bazı en iyi uygulamalar şunları içerir:

• AI CoE ile Başlayın: Çok sayıda büyük şirket, AI Merkezleri Excellence (AI CoE) kurmuştur. AI CoE, AI tabanlı dönüşüm girişimlerinin başarısını en üst düzeye çıkarmak için gerekli uzmanlığı, kaynakları ve insanları bir araya getirir. Primary faydalar şunları içerir:
• AI öğrenimi, kaynakları ve yetenekleri tek bir yerde konsolide etmek
• AI vizyonu ve iş stratejisi oluşturmak
• AI yaklaşımları, platformları ve süreçleri standardize etmek
• AI ve inovasyon için yeni gelir fırsatlarını tanımlamak
• AI’yi tüm iş fonksiyonlarına açık olacak şekilde veri bilimini ölçeklemek
• Yönetici Onayı: AI stratejisi, üstten alta bir yaklaşım yoluyla en başarılı şekilde uygulanır. Bir organizasyon genelinde pilotları başarılı bir şekilde ölçeklemek için, liderlik onayı, gerekli beceriler ve veri, ve modellerin zaman içinde doğru kalmasını sağlayan bir organizasyonel yapı gereklidir.
• Veri Erişimi: Çoğu şirket, çeşitli uyumluluk nedenleriyle verilerini bölmüştür. Ancak veri, herhangi bir AI çözümünün can damarıdır ve bu verilerin sağlanması kritiktir. Sağlama ile birlikte, verilerin sınıflandırılması ve temizlenmesi de önemlidir. Doğru temel gerçek ve eğitim verilerini geliştirmek, AI çözümünün başarısını belirleyebilir.
• Mimari: AI’yi kullanmak, bir organizasyon için yeni düşünme ve planlama yolları gerektirir. Optimal bir teknik ve operasyonel mimari tasarlamak, başarınızı artırır. Bu, ML operasyonları, veri operasyonları, yinelemeli eğitim ve açıklamalar gibi yeni işlevleri içerir.
• Modülerlik ve Esneklik: AI-driven çözümler, özellikle şirketlerin ağır yapısal olmayan veri ile başa çıktıklarında, hala gelişme aşamasındadır. İşletme ve büyüyen zorluklarıyla ölçeklenebilecek modüler ve esnek bir çözüm tasarlamak ve inşa etmek kritiktir.

AI stratejisi oluşturmak ve uygulamak, çoğu organizasyon için büyük bir potansiyele sahiptir ve kullanım örnekleri sınırsızdır. Makine ve derin öğrenme çözümleri, satış ve pazarlamadan günlük operasyonlara kadar bir organizasyonun her yönünü etkiler. Ancak, bir roket inşa etmek veya yeni bir cihaz icat etmek gibi, başarı bir anda elde edilemez. AI-driven çözümler, daha küçük zaferler üzerine inşa edilen aşamalarla yaklaşılmalıdır.