Üretken Yapay Zekayı İş Stratejisine Entegre Etmek

1       Üretken Yapay Zekayı İş Stratejisine Entegre Etmek

Üretken Yapay Zekayı İş Stratejisine Entegre Etmek: Dr. George Westerman, MIT’den bir araştırma bilimcisi, teknolojinin iş stratejilerine nasıl entegre edileceği konusunda, özellikle de üretken yapay zekaya odaklanarak bilgiler sunuyor. Westerman, teknolojinin hızlı değiştiğini ancak organizasyonların çok daha yavaş dönüştüğünü vurgulayarak, asıl zorluğun teknoloji adaptasyonundan ziyade iş yapış biçimlerini değiştirmek olduğunu belirtiyor. Yapay zekanın dört ana kategorisini (kural tabanlı, ekonometri, derin öğrenme ve üretken yapay zeka) açıklayarak, liderlerin hangi tekniği ne zaman kullanacaklarını ve yanlış gitme maliyeti gibi soruları sormalarını öneriyor. Ayrıca, şirketlerin küçük ölçekli dönüşümlerle başlayarak, risk yönetimini ve çalışanların katılımını sağlayarak daha büyük dönüşümlere nasıl hazırlanabileceğini detaylandırıyor.

Bu makaleyi Spotify’da sesli olarak dinlemek için podcast’ine bu linkten ulaşabilirsiniz.

Dr. George Westerman’ın “Üretken Yapay Zekayı İş Stratejisine Entegre Etmek” başlıklı konuşması, liderlerin teknolojik yenilikleri, özellikle de yapay zekayı anlamalarına ve uygulamalarına yardımcı olmayı amaçlamaktadır. Westerman, teknoloji hızla değişirken kuruluşların yavaş kaldığını vurgulayan “Westerman Yasası”nı tanıtır ve başarılı dönüşümün teknik bir zorluktan ziyade bir liderlik sorunu olduğunu belirtir. Yapay zekanın dört ana kategorisini, bunların faydalarını ve sınırlamalarını açıklayarak işletmelerin yapay zekayı müşteri deneyimi, operasyonlar ve çalışan memnuniyeti gibi alanlarda nasıl kullanabileceğini gösterir. Konuşma, kuruluşların yapay zeka entegrasyonuna ilişkin riskleri ve yetenekleri yönetmeleri, kültürlerini hazırlamaları ve çalışanları bu değişime dahil etmeleri için rehberlik sunmaktadır. Sonuç olarak Westerman, küçük çaplı ama sürekli dönüşümlerin büyük çaplı başarıların temelini oluşturacağını belirterek, şirketlerin problem odaklı yaklaşımla hemen başlamaları gerektiğini tavsiye eder.

Bu makaleyi Youtube’da görüntülü olarak izlemek için videosuna bu linkten ulaşabilirsiniz.

Dr. George Westerman’ın “Üretken Yapay Zekayı İş Stratejisine Entegre Etmek” konulu sunumundan alınan bilgilere dayanarak, isteğiniz üzerine kapsamlı bir yanıt aşağıda sunulmuştur:

1.1       Yönetim Açısından Yapay Zeka (AI)

Dr. George Westerman, MIT Sloan Yönetim Okulu’nda teknolojik yenilik yoluyla dönüşüm ve rekabet avantajı konusunda dünya çapında tanınmış bir liderdir. Amacı, teknolojileri “demistifiye etmek”, liderlerin neler olduğunu anlamalarına ve organizasyonlarını nasıl tasarlayıp dönüşüme nasıl liderlik edeceklerini düşünmelerine yardımcı olmaktır. Dijital dönüşüm üzerine en erken araştırmalardan bazılarını 15 yıl önce yapmıştır ve şimdi AI’ın bu alanların hepsini nasıl etkilediğine odaklanmaktadır.

Dr. Westerman’ın sunumunun temel yönetim odaklı noktaları şunlardır:

• Westerman’ın Yasası: Teknoloji hızla değişirken, organizasyonlar çok daha yavaş değişir. Bu yasa, teknolojinin benimsenmesinin asıl zorluk olmadığını, iş yapış şekillerini değiştirmenin, yani “dijital” kısmın değil, “dönüşüm” kısmının zor olduğunu vurgular.
• Değer Yaratımı: Teknoloji kendi başına şirkete sıfır değer sağlar. Değer, teknolojiyle ne yaptığınızla, işinizi veya ürünlerinizi nasıl daha iyi hale getirmek için değiştirdiğinizle oluşur. Airbus’tan Matthew Evans’ın belirttiği gibi, şirketler doğrudan AI’ya değil, her zaman bir iş problemine yatırım yapar. Home Depot’tan Fim Squa’nın dediği gibi, amaç her zaman “olağanüstü deneyimler” yaratmaktır ve teknoloji ikincildir.
• Yapay Zekanın Niteliği: Yapay zeka, ismine rağmen akıllı değildir. Temelde, programlandığı veya öğrendiği bir formülü yürüten bir programdır. MIT’den A. Oliva, yapay zekanın “yapay aptallar” olarak düşünülmesi gerektiğini belirtir. Ancak, çok zekice hareket edebilir ve doğru kullanıldığında son derece faydalıdır.
• Yapay Zeka Fırsat Alanları (Dijital Dönüşümden Gelen)

AI, dijital dönüşümden gelen dört temel fırsat alanıyla yakından ilişkilidir. Dr. Westerman, 2010’da başlayan ve 2021’de güncellenen dijital dönüşüm araştırmalarından yola çıkarak bu alanları belirlemiştir:

• Duygusal Olarak Çekici, Hedeflenmiş, Kişiselleştirilmiş Müşteri Deneyimi Yaratmak.
• Operasyonel Dönüşüm: Sadece otomasyon değil, aynı zamanda koşullara göre adapte olma ve ayarlama yeteneği (Endüstri 4.0).
• İş Modelleri: Sektörünüzün Alibaba’sı veya Amazon’u olmak gibi büyük değişimlerin yanı sıra, bilgiyle daha düşük maliyetli fırsatlar yaratmak ve ürünleri hizmetlere dönüştürmek gibi “düşük asılı meyveler”i toplamak.
• Çalışan Deneyimi: Memnun çalışanlar memnun müşterilere yol açar. Kötü bir çalışan deneyimi, sistemlerin, süreçlerin veya teşviklerin doğru çalışmadığının önemli bir göstergesidir.

Bu fırsatlar, şirketin sistemleri ve verileri üzerine inşa edilmiştir. Verileriniz ne kadar iyi ve süreçleriniz ne kadar temiz olursa, AI uygulamalarınız o kadar başarılı olur.

1.2       Üretken Yapay Zeka Uygulamaları

Üretken Yapay Zeka (Gen AI) son derece güçlü ve birçok alanda uygulanmaktadır, ancak aynı zamanda riskler de taşır. İşte bazı önemli uygulama alanları:

• İçerik ve Medya Oluşturma: Eğitim kursları için ders tasarımlarını sesli ve görüntülü içeriğe dönüştürme, kurumsal literatürü anında istenen dile çevirme.
• Yazılım Geliştirme: Programcıların kodlama sürecini hızlandırmak için yardımcı pilotlar (co-pilots) kullanması, kodlama standartlarının uygulanması ve dokümantasyon oluşturma (ki programcıların çoğu sevmez).
• Müşteri Hizmetleri ve Satış: Cresta gibi araçlar, satış temsilcilerinin konuşmalarını dinleyerek gerçek zamanlı ipuçları sunar (örneğin, “müşteri kafası karıştı, ürünü daha iyi açıkla”, “müşteri sinirleniyor, şunu dene”) ve görüşme sonrasında geri bildirimler sunar (“satışı yeterince hızlı kapatmıyorsun”). Bu, kıdemli çalışanların performansını %14, yeni başlayanlarınkini %34 oranında artırmıştır.
• Eğitim ve Öğrenme: Programlama dersleri için kişiselleştirilmiş eğitmenler geliştirmek, öğrencilerin kariyer yapmasını sağlamak.
• Kurumsal Yazılım Entegrasyonu: SAP, Workday, Adobe gibi mevcut kurumsal ürünlere entegrasyon.
• Karma Çözümler: En iyi çözümler genellikle üretken AI, geleneksel AI, eski BT sistemleri, insan ve süreçlerin bir kombinasyonudur. Örneğin, Lemonade sigorta şirketi, poliçelerin %98’ini, ilk talep bildirimlerinin %98’ini ve taleplerin %50’sini bu tür kombinasyonlarla otomatik olarak işler; zor durumlar insanlara yönlendirilir.
• Sektör Spesifik Yenilikler: Cisco (gıda hizmeti dağıtım şirketi), müşteri deneyimi, arka ofis ve lojistik gibi birçok alanda AI kullanır; satış görevlilerinin çağrı planlamasından depo rotalamasına ve ürün ikameleri bulmaya kadar çeşitli uygulamalar mevcuttur.

1.3       Yapay Zeka Kategorileri (4 Kategori)

AI uzmanları arasında kategoriler konusunda tam bir mutabakat olmasa da, Dr. Westerman kendi dört kategorisini sunar:

1. Kural Tabanlı Sistemler (Uzman Sistemler):
   • Çalışma Prensibi: “Eğer-o zaman” (if-then) ifadelerine dayanır.
   • Veri ve Programlama: Veri gerektirmez, uzman görüşmeleriyle programlanır.
   • Avantajları: Belirli bir bağlam içinde kullanıldığında reçete yazımı veya kredi verme gibi alanlarda faydalıdır. Hassas ve her zaman aynı cevabı verir.
   • Dezavantajları: En basit problemler dışında iyi çalışmaz ve adapte olmaz. Uzmanların tüm bilgilerini açıkça ifade etme zorluğu vardır.
2. Ekonometri (İstatistik):
   • Çalışma Prensibi: Çoğumuzun okulda öğrendiği istatistik yöntemleridir.
   • Veri ve Programlama: Yapılandırılmış (genellikle sayısal) verilerle çok iyi çalışır. Programlaması nispeten ucuzdur.
   • Avantajları: Sayısal verilerle (veya sayısal verilere dönüştürülebilenlerle) oldukça iyi çalışır. Hassas ve her zaman aynı cevabı verir. Trend çizgileri ve regresyon gibi analizlerle birden çok boyutta (örneğin, 100 milyon özgeçmişi analiz etmek) kullanılabilir.
   • Dezavantajları: Yalnızca sayısal veri gerektirir ve belirli bir fonksiyonel form fikrine sahip olmak gerekir.
3. Derin Öğrenme (Deep Learning):
   • Çalışma Prensibi: Bir sinir ağı mimarisi kullanarak girdileri bir dizi ağırlıklı ortalama üzerinden işleyip birden çok çıktıyı tahmin eder. İnsan yeteneklerinin ötesine hızla geçer.
   • Veri ve Programlama: Etiketli verilerle eğitilir (örneğin, CAPTCHA’larda araba veya bisiklet fotoğraflarını belirleyerek, sosyal medyada yaşlandırma uygulamalarıyla insanlar veri etiketler). Büyük veri kümeleri ve iyi algoritmalar sayesinde çalışır (“büyük sayıların sihri”).
   • Avantajları: El yazısı tanıma gibi karmaşık görevlerde çok az kodla (25-35 satır) mükemmel performans gösterebilir. Çıktılar tekrarlanabilir.
   • Dezavantajları: Çıktılar açıklanamaz; en akıllı kişiler bile nasıl çalıştığını tam olarak anlayamaz. Veri önyargısına karşı hassastır; örneğin, Amazon’un yalnızca erkek mühendislerin özgeçmişleriyle eğitildiğinde kadın adayları rutin olarak reddetmesi gibi.
4. Üretken Yapay Zeka (Generative AI):
   • Çalışma Prensibi: Benzer algoritmalar kullanır, ancak sadece sınıflandırmak yerine yeni şeyler icat eder ve yaratır. Verilen bilgilere ve bildiği her şeye dayanarak bir sonraki en iyi kelimeyi veya kelime çiftini rastgele tahmin eder.
   • Veri ve Programlama: Çok büyük miktarda eğitim verisi ve enerji gerektirir.
   • Avantajları: Yeni ve yaratıcı içerikler oluşturabilir.
   • Dezavantajları: Cevaplar rastgele olduğu için her zaman farklı olabilir. Halüsinasyonlar (yanlış veya uydurma bilgi üretimi) yaygındır (örneğin, Chat GPT’nin uydurma hukuk emsalleri göstermesi). Ancak insanlar da hata yapar; bu nedenle, AI’dan kusursuzluk beklemek yerine, hataları ele almak için doğru kontrol ve süreçleri uygulamak önemlidir.

1.4       Doğru Yapay Zeka Tekniğini Seçme (Sorun Odaklı Yaklaşım)

AI’ı iş stratejisine entegre ederken, teknolojiye değil, çözülmesi gereken iş problemine odaklanmak esastır. Doğru AI tekniğini seçmek için kendinize ve teknik ekibinize şu soruları sormak önemlidir:

• Ne kadar doğru olması gerekiyor? Yanlış olmanın maliyeti nedir (örneğin, yanlış bir pazarlama mesajı göndermek mi, yoksa yanlış bir tıbbi karar vermek mi)?
• Cevabın açıklanabilir olması gerekiyor mu? (Kural tabanlı sistemler ve ekonometri açıklanabilirken, derin öğrenme ve üretken AI genellikle açıklanamazdır.)
• Cevapların her zaman aynı olması gerekiyor mu? (Üretken AI rastgele olduğu için bu mümkün değildir.)
• Gizlilik endişeleri var mı? (Günümüzde üretken AI satıcıları gizliliği koruyacağını vaat etse de dikkatli olmak gerekir.)
• Bir doğruluk kaynağına sahip miyiz ve bu veriler ne kadar doğru?
• Veriler genellenebilir mi, yoksa önyargılı mı? (Veri önyargısı kadınları işe almama gibi sorunlara yol açabilir.)

Bu soruları sormak, teknik ekibinizle daha iyi bir iletişim kurmanızı ve daha bilinçli kararlar almanızı sağlar.

1.5       Kurumda Yapay Zekayı Çalıştırma (Dönüşüm Odaklı)

AI’ı bir organizasyonda başarılı bir şekilde uygulamak, teknolojiyi benimsemenin ötesinde, dönüşüm liderliği ve organizasyonel değişiklik gerektirir. Üç ana zorluk alanı vardır:

1. Önceliklendirme: Ne yapılmalı ne yapılmamalı ve hangi sırayla yapılmalı?
2. Risk Yönetimi: Gizlilik sorunları veya hatalar gibi riskler nasıl yönetilecek?
3. Yetenekler: Organizasyon, AI inovasyonundan ve farklı inovasyonlar arası öğrenmeden nasıl faydalanacak?

Bu zorlukları ele almak için sorulması gereken dört temel soru grubu vardır:

• Yönetişim Süreçleri: AI uygulamaları için nasıl bir yönetişim yapısı kurulmalı?
  • Yukarıdan Aşağıya (Merkezi): Çok riskli ve pahalı projeler için her şeyi kontrol eden bir yaklaşım. Güvenli ama yavaş inovasyon sağlar.
  • Merkezi Olmayan (Ademi Merkeziyetçi): Çalışanları yenilik yapmaya teşvik eden bir yaklaşım. Hızlı ama daha riskli ve maliyetli olabilir, hatta yasalara aykırı sonuçlar doğurabilir.
  • Hibrit Yaklaşımlar: Fransız bankası Société Générale, 700 kullanım durumu topladı, bazılarını hızla uyguladı, diğerlerini ise belirli yetenekler geliştirilene kadar bekletti. Gıda hizmeti dağıtım şirketi Cisco ise, önce satın almayı, sonra kural tabanlı sistemleri/istatistikleri ve en son olarak üretken AI’ı değerlendiren bir yaklaşım benimsedi.
• Kültürel Hazırlık: Organizasyonun kültürü AI’ya hazır mı?
  • Tehdit Algısı: Bilgisayarların insan uzmanlar kadar iyi olduğu durumlarda (örneğin, kredi veya sigorta değerlendirmeleri), çalışanlar kendilerini tehdit altında hissedebilir. Bu durumlarda, insanların AI ile çalışmaya istekli olmaları için alçakgönüllülük kültürü ve bu dönüşümde onlara rehberlik eden süreçler önemlidir.
  • Etik: Doğru olanı yapma ve yanlış şeylerden kaçınma konusunda etik bir yaklaşıma sahip olmak.
  • Deneycilik: Hızlı deneme yapma ve “hızlı başarısız olma” kültürü, ilk cevabın doğru cevap olmasını beklemeden yenilik yapma yeteneği.
• Beceri ve Kariyer Gelişimi: AI’ın kariyerler ve beceriler üzerindeki etkisi nedir?
  • Bir araştırmaya göre, işlerin %46’sının görevlerinin %50’si zamanla AI tarafından değiştirilebilir.
  • AI sizi değiştirmek zorunda değil, işinizi kolaylaştırabilir ve bilişsel yükünüzü azaltabilir. Örneğin, Dr. Westerman yaratıcı başlıklar için AI kullanır.
  • AI güçlü bir öğretim aracıdır; öğrenme, AI ile soru sormak veya kişiselleştirilmiş bir eğitmen olarak kullanmak yoluyla gerçekleşebilir.
  • İnsanları sürece dahil etmek: Çalışanlara “işinizi kaybetmeyeceksiniz” demek yerine, AI’ın onlara nasıl yardımcı olabileceği konusunda diyalog kurmak önemlidir. Reklam firması Dentsu Creative örneği, AI’ın sıkıcı işleri yaparak yaratıcı insanların daha fazla yaratıcılık için zaman bulmasını sağlamıştır. Şirket, herkesi AI kullanmaya teşvik etmiş ve fikirleri paylaşmak için ofis saatleri düzenlemiştir.
  • Geleceğin Becerileri: Gelecekteki 15 yılın işleri bilinmese de, yaratıcılık, insanlarla çalışma, eleştirel düşünme, liderlik ve iletişim gibi “insan becerileri”nin önemini koruyacağı tahmin edilmektedir. Bu becerilerin gençlere erken yaşta kazandırılması önemlidir.

1.6       Dönüşüm Düzeyleri (Büyük ‘D’ Dönüşümü Yerine Küçük ‘d’)

Şirketlerin üretken AI ile büyük çaplı, “Büyük ‘D'” dönüşümleri (örneğin, tüm satışları bir bilgisayara devretme) yerine, daha küçük (“küçük ‘d'”) dönüşümler yaparak değer elde ettikleri ve gelecekteki büyük dönüşümlere hazırlandıkları gözlemlenmektedir. Bu dönüşümler genellikle üç seviyede ilerler:

1. Bireysel Üretkenlik: Çoğu şirket bu seviyede AI’ı bireysel kullanıcıların üretkenliğini artırmak için kullanır. Belgeleri özetleme, e-posta taslakları hazırlama veya şirkete özel Büyük Dil Modelleri (LLM’ler) kullanma (örneğin, McKinsey’in tüm sunum destelerini tarayan LLM’si) gibi uygulamalar yaygındır. Bu, çok düşük riskli bir başlangıç noktasıdır.
2. Uzmanlaşmış Roller ve Görevler: Bu seviyede, AI belirli rollerin veya görevlerin dönüşümünde kullanılır. Çağrı merkezleri ve kodlama bu alanlara örnek gösterilebilir. Genellikle, riskleri azaltmak için insan hala döngüde kalır. Örneğin, Lemonade’de düşük riskli taleplerin %50’si otomatik olarak işlenirken, zorlu vakalar bir insana yönlendirilir.
3. Doğrudan Müşteri Etkileşimi: Bu en ileri seviyedir ve müşteriyle doğrudan etkileşimde AI kullanılır. Online mağazalarda kişiselleştirilmiş konuşmaya dayalı satış yaklaşımları (Coach ve Kate Spade örneği) veya müşteri hizmetlerinin ilk ve ikinci kademelerini otomatikleştirmek gibi uygulamalar görülür. Bu genellikle ürün şirketlerinde daha yaygındır.

Büyük süreçlerin tamamen üretken AI ile değiştirilmesi henüz yaygın değildir. Bunun yerine, üretken AI’ın geleneksel sistemlerle kombinasyonları (örneğin, formlardaki verileri dönüştürme ve konuşma diline çevirme) daha fazla görülecektir. Şirketler, bu “risk eğimi” boyunca kademeli olarak ilerleyerek, her adımda öğrenerek ve yeteneklerini geliştirerek daha büyük ve karmaşık uygulamalara hazır olurlar.

1.7       Sonuç

Dr. Westerman’ın sunumunun temel sonuçları şunlardır:

• Akıllıca Kullanım: AI akıllı gibi görünse de, onu akıllıca kullanın. İnsanlar da hata yapar; AI’ın da hatalar yapabileceğini göz önünde bulundurarak doğru süreçleri ve kontrolleri devreye sokun.
• Sorun Odaklı Yaklaşım: Teknolojiye değil, çözmeniz gereken probleme odaklanarak başlayın. Çoğu zaman en iyi çözüm, farklı AI tekniklerinin bir kombinasyonu olacaktır.
• Hemen Başlayın: Şimdi başlamak önemlidir. Küçük adımlarla başlayın, her uygulamadan ders çıkarın ve yeteneklerinizi zamanla geliştirin (“risk eğimi boyunca ilerleyin”).
• İnsanları Hazırlayın: Çalışanlarınızı AI’ya hazırlayın. Eğer hazır değillerse, ya aktif olarak direnç gösterecekler ya da “bu zor” diyerek pasif bir direnç sergileyeceklerdir.
• Sürekli İyileşme: Daha küçük (“küçük ‘d'”) dönüşümler yaparak, gelecekteki daha büyük (“Büyük ‘D'”) dönüşümler için zemin hazırlayın.

• Soru-Cevap Ana Noktaları

Sunumun sonunda gelen sorulardan öne çıkanlar ve cevapları şunlardır:

• Herkesi AI kullanmaya teşvik etmek: Herkese AI kullanması için baskı yapmak yerine, onları teşvik etmek önemlidir. Bu, çalışanların yenilikler önermesine ve AI’ın faydalarını görmesine yardımcı olabilir.
• AI’ın verimlilik sağladığı durumlarda insan odağı: AI rutin ve sıkıcı görevleri üstlenirken, insanların daha ilginç ve karmaşık işlere odaklanması için birçok fırsat olacaktır. Otomasyon her zaman rutin işleri devralmış, ancak insanlara hala bir rol bırakmıştır.
• Yaratıcılık ve AI: AI, yaratıcı fikirler üretmede insanlara yardımcı olabilir. AI’dan gelen fikirleri görmezden gelmek her zaman mümkündür; bir dezavantajı yoktur. Önemli olan, tek bir yola takılıp kalmamak ve farklı yolları denemeye açık olmaktır.
• Gençleri geleceğin işlerine hazırlamak: Gençleri 15 yıl sonra var olmayabilecek belirli bir işe hazırlamak yerine, onlara öğrenme yeteneği, büyüme zihniyeti ve uyum sağlama becerileri kazandırmak esastır. Ayrıca yaratıcılık, eleştirel düşünme, insanlarla çalışma ve liderlik gibi “insan becerileri”nin (MIT insan becerileri çerçevesi) önemini koruyacağı ve bu becerilerin geliştirilmesine odaklanılması gerektiği vurgulanmıştır.

1.8       Anahtar Terimler Sözlüğü

• Westerman Yasası: Teknolojinin hızlı değiştiğini, ancak organizasyonların çok daha yavaş değiştiğini belirten ilke. Dönüşümün teknoloji adaptasyonundan daha zor olduğunu vurgular.
• Dijital Dönüşüm: Teknolojinin bir organizasyonun tüm yönlerini temelden değiştirmesi süreci.
• Yapay Zeka (AI): İnsan zekasını taklit eden veya insan benzeri problem çözme yetenekleri sergileyen bilgisayar sistemleri. Dr. Westerman, “akıllıca davrandığını ama zeki olmadığını” belirtir.
• Generatif Yapay Zeka (Gen AI): Mevcut verilerden öğrenerek yeni ve özgün içerik (metin, görüntü, kod vb.) üretebilen bir AI türü.
• Halüsinasyonlar: Generatif AI’ın, doğru olmayan veya tamamen uydurma bilgiler üretme eğilimi.
• Kural Tabanlı Sistemler (Uzman Sistemler): Önceden tanımlanmış “eğer-o zaman” kurallarına dayalı kararlar alan AI sistemleri. Genellikle basit ve belirli sorunlar için kullanılır.
• Ekonometri (İstatistik): Yapılandırılmış (genellikle sayısal) verilere dayalı tahminler ve analizler yapmak için istatistiksel modeller kullanan AI yaklaşımı.
• Derin Öğrenme (Deep Learning): Geniş veri kümelerinden öğrenmek için çok katmanlı yapay nöral ağlar kullanan bir makine öğrenimi alt dalı. Özellikle görüntü ve ses tanımada başarılıdır.
• Nöral Ağ (Neural Net): İnsan beyninin yapısından esinlenerek oluşturulmuş, verilerdeki karmaşık örüntüleri tanımak için katmanlı düğümler (nöronlar) ve bağlantılar kullanan bir AI modeli.
• Etiketlenmiş Veri (Labeled Data): Öğrenme algoritmalarını eğitmek için kullanılan, her bir veri noktasının ilgili bir etikete veya doğru yanıta sahip olduğu veri.
• Risk Eğrisi (Risk Slope): Bir organizasyonun AI yeteneklerini artırdıkça, karşılaştığı risklerin de arttığını gösteren kavram. Yetenek ve risk yönetiminin eş zamanlı olarak büyümesi gerektiğini ifade eder.
• Küçük ‘t’ Dönüşümleri (Small ‘t’ Transformations): Büyük ölçekli ve köklü değişimler yerine, kademeli ve sistematik olarak gerçekleştirilen daha küçük, artımlı dönüşümler.
• Büyük ‘T’ Dönüşümleri (Big ‘T’ Transformations): Bir organizasyonun önemli bir bölümünü veya tamamını kapsayan, köklü ve kapsamlı dönüşüm süreçleri.
• Çalışan Deneyimi (Employee Experience): Bir çalışanın organizasyon içindeki tüm etkileşimleri ve algıları; AI’ın bu deneyimi iyileştirme potansiyeli vurgulanır.
• Bilişsel Yük (Cognitive Load): Bir kişinin zihninde aynı anda işlemesi gereken bilgi miktarı. AI’ın bu yükü azaltarak insanların daha yaratıcı veya stratejik görevlere odaklanmasını sağlayabileceği belirtilir.
• Co-pilotlar: Özellikle kodlama gibi alanlarda insan kullanıcılara yardımcı olan, görevleri otomatikleştiren veya öneriler sunan AI araçları.
• Halüsinasyonları Azaltma (Mitigating Hallucinations): Generatif AI’ın uydurma bilgiler üretme riskini azaltmak için alınan önlemler ve oluşturulan kontrol mekanizmaları.