Üretken yapay zekanın getirisi, ancak şirketler işlerinde daha derin bir organizasyonel operasyon gerçekleştirdiklerinde ortaya çıkabilir.

Üretken yapay zekayı (gen AI) sıfırlamanın zamanı geldi. 2023’teki ilk coşku ve faaliyet telaşı, şirketler üretken yapay zekayı (gen AI) muazzam potansiyel değerini yakalamanın beklenenden daha zor olduğunu fark ettikçe yerini ikinci düşüncelere ve yeniden kalibrasyonlara bırakıyor.

2024, üretken yapay zekanın (gen AI) değerini kanıtlayacağı bir yıl olarak şekillenirken, şirketler dijital ve yapay zeka dönüşümleriyle öğrenilen zor dersleri akılda tutmalıdır: rekabet avantajı, çözümleri geniş ölçekte yenilemek, dağıtmak ve iyileştirmek için organizasyonel ve teknolojik yetenekler oluşturmaktan gelir – gerçekte, işletmeyi dağıtılmış dijital ve yapay zeka yeniliği için yeniden yapılandırır.

Üretken yapay zeka (gen AI) ile erken kazanç elde etmek isteyen şirketler hızlı hareket etmelidir. Ancak üretken yapay zeka (gen AI) zorlu ve gerekli organizasyonel ameliyattan sonra bir kestirme yol sunacağını umanların hayal kırıklığı yaratan sonuçlarla karşılaşması muhtemeldir. Pilot uygulamaları başlatmak (nispeten) kolaydır; pilot uygulamaların ölçeklendirilmesini ve anlamlı bir değer yaratmasını sağlamak zordur, çünkü işin yapılma biçiminde geniş bir dizi değişiklik gerektirir.

Bunun bir Pasifik bölgesi telekomünikasyon şirketi için ne anlama geldiğine kısaca bakalım. Şirket, “kuruluşun veri ve yapay zeka ile değer yaratmasını sağlamak” amacıyla bir baş veri ve yapay zeka sorumlusu işe aldı. Baş veri ve yapay zeka sorumlusu, stratejik vizyonu geliştirmek ve kullanım senaryolarına yönelik yol haritasını uygulamak için iş dünyasıyla birlikte çalıştı. Alanların (yani, müşteri yolculukları veya işlevleri) ve işletme genelinde kullanım senaryosu fırsatlarının taranmasının ardından liderlik, pilot uygulama için ev hizmetleri/bakım alanına öncelik verdi ve ardından daha büyük bir girişim sıralamasının parçası olarak ölçeklendirdi. Özellikle, sevk memurlarının ve servis operatörlerinin evlere servis yaparken ihtiyaç duyulan çağrı ve parça türlerini daha iyi tahmin etmelerine yardımcı olacak bir üretken yapay zeka (gen AI) aracının geliştirilmesini hedeflediler.

Liderlik, yapay zeka aracını oluşturmak için ortak hedefleri ve teşvikleri olan çapraz işlevli ürün ekiplerini devreye soktu. Veri ve üretken yapay zeka (gen AI) araçlarıyla daha iyi çalışabilmeleri için tüm işletmeye beceri kazandırma çabasının bir parçası olarak, sevk memurlarının ve servis operatörlerinin eğitimlerinin bir parçası olarak kaydolduğu bir veri ve yapay zeka akademisi de kurdular. Baş veri ve yapay zeka sorumlusu, gen yapay zekanın teknoloji ve veri temellerini sağlamak için, alanın ihtiyaçlarını karşılayabilecek ve aynı zamanda işletmenin diğer bölümlerine de hizmet verebilecek bir büyük dil modeli (LLM) ve bulut sağlayıcısı da seçti. Baş veri ve yapay zeka sorumlusu ayrıca, üretken yapay zeka (gen AI) aracını oluşturmak için gereken temiz ve güvenilir verilerin (hizmet geçmişleri ve envanter veritabanları dahil) hızlı ve sorumlu bir şekilde sağlanabilmesi için bir veri mimarisinin uygulanmasını denetledi.

Kitabımız “Rewired: Dijital ve Yapay Zeka Çağında Rekabet Etmek için McKinsey Rehberi” (Wiley, Haziran 2023), dijital ve yapay zeka teknolojisinden yararlanan geniş çaplı bir değişim sağlamak için gereken altı yetenek hakkında ayrıntılı bir kılavuz sunmaktadır. Bu makalede, başarılı bir üretken yapay zeka (gen AI) programını geniş ölçekte uygulamak için bu yeteneklerin her birinin nasıl genişletileceğini inceleyeceğiz. Bunların henüz erken olduğunu ve öğrenilecek daha çok şey olduğunu kabul etmekle birlikte, deneyimlerimiz üretken yapay zeka (gen AI) fırsatını ortaya çıkarmanın şirketlerin çalışma şekillerini aşağıdaki şekillerde yeniden düzenlemesini gerektirdiğini göstermiştir.

 

Üretken yapay zeka (gen AI) kopilotlarının size nerede gerçek bir rekabet avantajı sağlayabileceğini öğrenin

Yapay zekanın yarattığı geniş heyecan ve göreceli kullanım kolaylığı, kuruluşlar arasında bir deneme patlamasına yol açtı. Ancak bu girişimlerin çoğu rekabet avantajı sağlamayacak. Örneğin bir banka on binlerce GitHub Copilot lisansı satın aldı, ancak teknolojiyle nasıl çalışılacağı konusunda net bir fikri olmadığı için ilerleme yavaş oldu. Sıklıkla gördüğümüz bir başka odaklanmamış çaba da şirketlerin gen yapay zekayı müşteri hizmetleri yeteneklerine dahil etmek için harekete geçmeleridir. Müşteri hizmetleri çoğu şirket için ana işin bir parçası değil, bir emtia kabiliyetidir. Üretken yapay zeka (gen AI) bu gibi durumlarda üretkenliğe yardımcı olsa da rekabet avantajı yaratmayacaktır.

Rekabet avantajı yaratmak için şirketler öncelikle “alıcı” (genellikle API’ler ve abonelik hizmetleri aracılığıyla mevcut araçların kullanıcısı), “şekillendirici” (mevcut modelleri özel verilerle entegre eden) ve “üretici” (LLM’lerin üreticisi) olmak arasındaki farkı anlamalıdır. Şimdilik, üretici yaklaşımı çoğu şirket için çok pahalı, bu nedenle işletmeler için tatlı nokta, rekabet avantajı için şekillendirici uygulamalar oluştururken verimlilik iyileştirmeleri için bir alıcı modeli uygulamaktır.

Üretken yapay zekanın (gen AI) yakın vadedeki değerinin büyük bir kısmı, insanların mevcut işlerini daha iyi yapmalarına yardımcı olma becerisine yakından bağlıdır. Bu şekilde, üretken yapay zeka (gen AI) araçları, bir çalışanla yan yana çalışan yardımcı pilotlar gibi hareket ederek, örneğin bir geliştiricinin uyarlayabileceği bir ilk kod bloğu oluşturur veya sahadaki bir bakım çalışanının gözden geçirip gönderebileceği yeni bir parça için bir talep emri hazırlar (bkz. kenar çubuğu “Üç üretken yapay zeka (gen AI) arketipinde yardımcı pilot örnekleri”). Bu, şirketlerin kopilot teknolojisinin öncelikli programları üzerinde en büyük etkiyi nerede yapabileceğine odaklanmaları gerektiği anlamına geliyor.

Örneğin bazı endüstriyel şirketler, bakımı işletmeleri için kritik bir alan olarak belirlemiştir. Bakım raporlarını incelemek ve ön saflarda çalışanlarla zaman geçirmek, ekipman arızalarıyla ilgili sorunları hızlı ve erken bir şekilde tespit etmek gibi, yapay zeka yardımcı pilotunun nerede büyük bir fark yaratabileceğini belirlemeye yardımcı olabilir. Gen AI yardımcı pilotu ayrıca arızaların temel nedenlerini belirlemeye ve normalden çok daha hızlı bir şekilde çözüm önermeye yardımcı olabilir ve en iyi uygulamalar veya standart işletim prosedürleri için sürekli bir kaynak görevi görebilir.

Kopilotlarla ilgili zorluk, artan üretkenlikten nasıl gelir elde edileceğini bulmaktır. Örneğin, müşteri hizmetleri merkezleri söz konusu olduğunda, şirketler yeni temsilci alımını durdurabilir ve potansiyel olarak gerçek finansal kazançlar elde etmek için yıpranmayı kullanabilir. Bu nedenle, artan üretkenlikten nasıl gelir elde edileceğine ilişkin planların önceden tanımlanması, değerin yakalanması için çok önemlidir.

 

Elinizdeki yetenekleri geliştirin ancak ihtiyacınız olan üretken yapay zekaya (gen AI) özgü beceriler konusunda net olun

Şimdiye kadar çoğu şirket, model ince ayarı, vektör veritabanı yönetimi, istem mühendisliği ve bağlam mühendisliği gibi ihtiyaç duydukları teknik üretken yapay zeka (gen AI)  becerileri hakkında iyi bir anlayışa sahip olmuştur. Çoğu durumda, bunlar mevcut iş gücünüzü geliştirmek için eğitebileceğiniz becerilerdir. Mevcut yapay zeka ve makine öğrenimi yeteneklerine sahip olanlar güçlü bir başlangıç yapabilirler. Örneğin veri mühendisleri çok modlu işleme ve vektör veri tabanı yönetimini öğrenebilir, MLOps (Makine Öğrenimi Operasyonları) mühendisleri becerilerini LLMOps’a (LLM operasyonları) genişletebilir ve veri bilimcileri hızlı mühendislik, önyargı tespiti ve ince ayar becerilerini geliştirebilir.

Öğrenme süreci, çeşitli LLM’lerin ne yapıp ne yapamayacağını ve bunları en iyi nasıl kullanacağını öğrenmedeki karmaşıklıklar nedeniyle makul bir yeterlilik seviyesine ulaşmak için iki ila üç ay sürebilir. Örneğin, kodlayıcıların yazılım oluşturma, test etme ve yanıtları doğrulama konusunda deneyim kazanmaları gerekir. Bir finans hizmetleri şirketinin en iyi veri bilimcilerini yüksek bir yetkinlik seviyesine getirmesi üç ay sürmüştür. Kurslar ve dokümantasyon mevcut olsa da – birçok LLM sağlayıcısının geliştiriciler için eğitim kampları vardır – ölçekte yetenek oluşturmanın en etkili yolunun çıraklık, daha sonra başkalarını eğitecek kişileri eğitmek ve uygulayıcı toplulukları oluşturmak olduğunu gördük. Diğerlerini eğitmek için uzmanları ekipler arasında rotasyona tabi tutmak, insanların öğrendiklerini paylaşmaları için düzenli oturumlar planlamak ve iki haftada bir belge inceleme oturumları düzenlemek, uygulayıcı toplulukları oluşturmada başarılı olduğu kanıtlanmış uygulamalardır (bkz. “İhtiyaç duyulan yeni üretken yapay zeka becerilerine bir örnek” kenar çubuğu).

Başarılı üretken yapay zekaya (gen AI)  becerilerinin kodlama yeterliliğinden daha fazlası olduğunu akılda tutmak önemlidir. Kendi üretken yapay zeka (gen AI) platformumuz olan Lilli’yi geliştirme deneyimimiz, bize en iyi üretken yapay zeka (gen AI) teknik yeteneklerinin çözümlerin nereye odaklanacağını ortaya çıkarmak için tasarım becerilerine, en alakalı ve yüksek kaliteli yanıtların üretilmesini sağlamak için bağlamsal anlayışa, bilgi uzmanlarıyla iyi çalışmak için işbirliği becerilerine (yanıtları test etmek, doğrulamak ve uygun bir kürasyon yaklaşımı geliştirmek için), arızaların nedenlerini bulmak için güçlü adli becerilere (sorun verilerde mi, kullanıcının amacının yorumlanmasında mı, katıştırmalardaki meta verilerin kalitesinde mi yoksa başka bir şeyde mi? ) ve olası sonuçları düşünmek ve planlamak ve kodlarına doğru türde izleme eklemek için öngörü becerileri. Özünde bu becerilere sahip olmayan saf bir kodlayıcı, bir ekip üyesi kadar faydalı olmayabilir.

Mevcut becerilerin geliştirilmesi büyük ölçüde “iş başında öğrenme” yaklaşımına dayanırken, geçtiğimiz yıl bu becerileri öğrenmiş kişiler için hızlı bir pazarın ortaya çıktığını görüyoruz. Bu beceri artışı hızla ilerliyor. GitHub, geliştiricilerin “büyük sayılarda” üretken yapay zeka (gen AI) projeleri üzerinde çalıştığını ve 2023 yılında platformunda 65.000 halka açık üretken yapay zeka (gen AI) projesi oluşturulduğunu bildirdi – bir önceki yıla göre neredeyse yüzde 250’lik bir artış. Şirketiniz üretken yapay zeka (gen AI) yolculuğuna yeni başlıyorsa, şirketleri için üretken yapay zeka (gen AI) şekillendirici bir ürün oluşturmuş iki veya üç kıdemli mühendisi işe almayı düşünebilirsiniz. Bu, çabalarınızı büyük ölçüde hızlandırabilir.

 

Sorumlu ölçeklendirmeyi mümkün kılacak standartları oluşturmak için merkezi bir ekip oluşturmak

İşletmenin tüm bölümlerinin üretken yapay zeka (gen AI) yeteneklerini ölçeklendirebilmesini sağlamak için, yetkinlikleri merkezileştirmek doğal bir ilk adımdır. Bu merkezi ekip için kritik odak noktası, ölçeği desteklemek için protokoller ve standartlar geliştirmek ve uygulamaya koymak, ekiplerin modellere erişebilmesini sağlarken aynı zamanda riski en aza indirmek ve maliyetleri kontrol altında tutmak olacaktır. Ekibin çalışmaları arasında örneğin modellerin tedarik edilmesi ve bunlara erişim yollarının belirlenmesi, veri hazırlığı için standartların geliştirilmesi, onaylı istem kütüphanelerinin oluşturulması ve kaynakların tahsis edilmesi yer alabilir.

Lilli’yi geliştirirken, ekibimiz açık bir eklenti mimarisi oluşturduğunda ve API’lerin nasıl çalışması ve oluşturulması gerektiğine ilişkin standartları belirlediğinde ölçeği göz önünde bulundurdu. Ekiplerin güvenli bir şekilde deney yapabilecekleri ve GPT LLM’ye erişebilecekleri standartlaştırılmış araçlar ve altyapı, ekiplerin erişebileceği önceden onaylanmış API’lere sahip bir ağ geçidi ve kendi kendine hizmet veren bir geliştirici portalı geliştirdiler. Amacımız, bu yaklaşımın zaman içinde “bir ürün olarak Lilli “yi (bir avuç ekibin belirli çözümler oluşturmak için kullandığı) “bir platform olarak Lilli “ye (kurum genelindeki ekiplerin diğer ürünleri oluşturmak için erişebileceği) dönüştürmeye yardımcı olabilmesidir.

Genel yapay zeka çözümleri geliştiren ekipler için, ekip kompozisyonu yapay zeka ekiplerine benzer olacak, ancak genel yapay zeka deneyimine sahip veri mühendisleri ve veri bilimcileri ile risk yönetimi, uyum ve hukuk işlevlerinden daha fazla katkıda bulunacaktır. Ekiplerin farklı uzmanlık alanlarından bir araya getirilen kaynaklarla oluşturulması genel fikri değişmeyecek, ancak üretken yapay zeka (gen AI) ağırlıklı bir ekibin beceri bileşimi değişecektir.

 

Teknoloji mimarisini ölçeklendirmek için ayarlayın

Bir yapay zeka modeli oluşturmak genellikle nispeten kolaydır, ancak bunu ölçeklendirerek tamamen çalışır hale getirmek tamamen farklı bir konudur. Mühendislerin bir hafta içinde temel bir sohbet robotu oluşturduklarını gördük, ancak ölçeklendirilen istikrarlı, doğru ve uyumlu bir sürümü yayınlamak dört ay sürebilir. Bu nedenle deneyimlerimiz, gerçek model maliyetlerinin çözümün toplam maliyetinin yüzde 10 ila 15’inden daha az olabileceğini gösteriyor.

Ölçek için inşa etmek yeni bir teknoloji mimarisi inşa etmek anlamına gelmez. Ancak bankayı zarara uğratmadan süreçleri basitleştiren ve hızlandıran birkaç temel karara odaklanmak anlamına gelir. Bu kararlardan üçü öne çıkmaktadır:

 

  • Teknolojinizi yeniden kullanmaya odaklanın. Kodun yeniden kullanılması, yapay zeka kullanım durumlarının geliştirme hızını yüzde 30 ila 50 oranında artırabilir. Onaylı araçlar, kodlar ve bileşenler için bir kaynak oluşturmak iyi bir yaklaşımdır. Örneğin bir finans hizmetleri şirketi, hem güvenlik hem de hukuk ekipleri tarafından onaylanmış üretim sınıfı araçlardan oluşan bir kütüphane oluşturdu ve bunları ekiplerin kullanabileceği bir kütüphanede kullanıma sundu. Daha da önemlisi, en öncelikli kullanım durumlarında ortak olan yetenekleri belirlemek ve oluşturmak için zaman ayırmaktır. Örneğin aynı finansal hizmetler şirketi, 100’den fazla tanımlanmış kullanım durumu için yeniden kullanılabilecek üç bileşen belirledi. İlk önce bunları oluşturarak, tanımlanan tüm kullanım durumları için kod tabanının önemli bir bölümünü oluşturabildiler – esasen her uygulamaya büyük bir avantaj sağladılar.
  • Mimariyi, yapay zeka modelleri ile dahili sistemler arasında verimli bağlantılar sağlamaya odaklayın. Üretken yapay zeka (gen AI) modellerinin şekillendirici arketipinde etkili bir şekilde çalışması için, bir işletmenin verilerine ve uygulamalarına erişmeleri gerekir. Entegrasyon ve orkestrasyon çerçevelerindeki gelişmeler, bu bağlantıları kurmak için gereken çabayı önemli ölçüde azaltmıştır. Ancak bu modellerin verimli bir şekilde çalışmasını sağlamak ve teknik borç (bir şirketin mevcut teknoloji sorunlarını gidermek için gereken zaman ve kaynaklar açısından ödediği “vergi”) yaratan karmaşıklıktan kaçınmak için bu entegrasyonların ne olduğunu ve nasıl etkinleştirileceğini ortaya koymak kritik öneme sahiptir. Bilgi işlem müdürleri ve teknoloji müdürleri kendi kuruluşları için referans mimarileri ve entegrasyon standartlarını tanımlayabilir. Temel unsurlar arasında, talep üzerine sağlanabilecek eğitimli ve onaylı modelleri içeren bir model merkezi; gen yapay zeka modellerini uygulamalara veya verilere bağlayan köprüler olarak işlev gören standart API’ler ve modellere kurumsal veri kaynaklarından ilgili bilgileri sağlayarak işlemeyi hızlandıran bağlam yönetimi ve önbelleğe alma yer almalıdır.
  • Test ve kalite güvence yeteneklerinizi geliştirin. Lilli’yi oluştururken edindiğimiz deneyim bize teste geliştirmeden daha fazla öncelik vermemiz gerektiğini öğretti. Ekibimiz yalnızca geliştirmenin her aşaması için test protokolleri geliştirmeye değil, aynı zamanda tüm ekibi uyumlu hale getirmeye de yatırım yaptı, böylece örneğin sürecin her aşamasında kimin özellikle imza atması gerektiği açıktı. Bu, ilk geliştirmeyi yavaşlattı ancak hataları ve hataları düzeltmek için gereken süreyi azaltarak genel teslimat hızını ve kalitesini artırdı.

 

Veri kalitesinden emin olun ve modellerinizi beslemek için yapılandırılmamış verilere odaklanın

Bir işletmenin üretken yapay zeka (gen AI) modellerinden değer üretme ve ölçeklendirme yeteneği, kendi verilerinden ne kadar iyi yararlandığına bağlı olacaktır. Teknolojide olduğu gibi, üretken yapay zekanın (gen AI) gelecekteki stratejik faydalarını en üst düzeye çıkarmak için mevcut veri mimarisinde hedeflenen yükseltmelere ihtiyaç vardır:

  • Veri kalitesi ve veri artırma çalışmalarınızı artırmayı hedefleyin. Veri kalitesi her zaman önemli bir konu olsa da, üretken yapay zeka (gen AI) modellerinin kullanabileceği verilerin ölçeği ve kapsamı (özellikle yapılandırılmamış veriler) bu konuyu çok daha önemli hale getirdi. Bu nedenle, karar haklarının netleştirilmesinden net veri süreçlerinin tanımlanmasına ve modellerin ihtiyaç duydukları verilere erişebilmeleri için taksonomilerin oluşturulmasına kadar veri temellerinin doğru bir şekilde atılması kritik önem taşıyor. Bunu iyi yapan şirketler, veri kalitesi ve artırma çabalarını belirli bir yapay zeka (AI)/üretken yapay zeka (gen AI) uygulamasına ve kullanım durumuna bağlar; bu veri temelinin işletmenin her köşesine yayılmasına gerek yoktur. Bu, örneğin, bakım yardımcı pilot uygulamalarını daha iyi desteklemek için tüm ekipman özellikleri ve bildirilen sorunlar için yeni bir veri havuzu geliştirmek anlamına gelebilir.

 

  • Yapılandırılmamış verilerinizde hangi değerin kilitli olduğunu anlayın. Çoğu kuruluş geleneksel olarak veri çalışmalarını yapılandırılmış verilere (fiyatlar ve özellikler gibi tablolarda düzenlenebilen değerler) odaklamıştır. Ancak LLM’lerin gerçek değeri, yapılandırılmamış verilerle (örneğin PowerPoint slaytları, videolar ve metinler) çalışma becerilerinden gelir. Şirketler hangi yapılandırılmamış veri kaynaklarının en değerli olduğunu belirleyebilir ve modellerin verileri işleyebilmesi ve ekiplerin ihtiyaç duyduklarını bulabilmesi için meta veri etiketleme standartları oluşturabilir (etiketleme, gerektiğinde şirketlerin verileri modellerden çıkarmasına yardımcı olmak için özellikle önemlidir). Veri fırsatları hakkında düşünürken yaratıcı olun. Örneğin bazı şirketler, kıdemli çalışanlarla emekli olduklarında görüşmekte ve elde edilen kurumsal bilgiyi, yardımcı pilot performanslarını iyileştirmeye yardımcı olmak için bir LLM’ye beslemektedir.

 

  • Maliyetleri büyük ölçekte düşürmek için optimize edin. Şirketlerin veri için ödedikleri ile veri altyapılarını ve temel maliyetlerini optimize etmeleri halinde ödeyebilecekleri arasında genellikle on kata varan bir fark vardır. Bu sorun genellikle şirketlerin veri yaklaşımlarını optimize etmeden kavram kanıtlarını ölçeklendirmelerinden kaynaklanmaktadır. Genellikle iki maliyet öne çıkmaktadır. Birincisi, şirketlerin buluta terabaytlarca veri yüklemesi ve bu verilerin 7/24 erişilebilir olmasını istemesinden kaynaklanan depolama maliyetleridir. Pratikte, şirketler bu düzeyde kullanılabilirliğe sahip olmak için verilerinin nadiren yüzde 10’undan fazlasına ihtiyaç duyarlar ve geri kalanına 24 veya 48 saatlik bir süre boyunca erişmek çok daha ucuz bir seçenektir. Diğer maliyetler, çalıştırmak için binlerce işlemciye çağrı üzerine erişim gerektiren modellerle hesaplamayla ilgilidir. Bu durum özellikle şirketler kendi modellerini oluştururken yaratıcı arketip ve aynı zamanda önceden eğitilmiş modeller kullanıp bunları kendi verileri ve kullanım senaryolarıyla çalıştırırken hükümdar arketipi geçerlidir. Şirketler bulut platformlarında hesaplama maliyetlerini nasıl optimize edebileceklerini yakından inceleyebilirler; örneğin, bazı modelleri işlemcilerin kullanılmadığı zamanlarda (örneğin Amerikalıların yatmaya gittiği ve Netflix gibi bilgi işlem hizmetlerinin tüketiminin azaldığı zamanlarda) çalıştırmak üzere sıraya koymak çok daha ucuz bir seçenektir.

 

Benimsenmeyi ve ölçeği artırmak için güven ve yeniden kullanılabilirlik oluşturun

Birçok insanın üretken yapay zeka (gen AI) konusunda endişeleri olduğu için, bu araçların nasıl çalıştığını açıklama çıtası çoğu çözümden çok daha yüksektir. Araçları kullanan kişiler sadece ne yaptıklarını değil, nasıl çalıştıklarını da bilmek isterler. Bu nedenle, modelin doğruluğunu sağlayarak ve yanıtları kontrol etmeyi kolaylaştırarak güven oluşturmak için fazladan zaman ve para yatırımı yapmak önemlidir.

Örneğin bir sigorta şirketi, taleplerin yönetilmesine yardımcı olmak için bir üretken yapay zeka (gen AI) aracı oluşturdu. Aracın bir parçası olarak, uygulamaya konulan tüm korkulukları listeledi ve her yanıt için ilgili politika belgelerinin cümlesine veya sayfasına bir bağlantı sağladı. Şirket ayrıca cevap tutarlılığını sağlamak amacıyla aynı sorunun birçok varyasyonunu oluşturmak için bir LLM kullandı. Bu adımlar, diğerlerinin yanı sıra, son kullanıcıların araca güven duymasına yardımcı olmak için kritik öneme sahipti.

Üretken yapay zeka (gen AI) aracı kullanan bakım ekiplerinin eğitiminin bir parçası da modellerin sınırlarını ve doğru yanıtları en iyi nasıl alabileceklerini anlamalarına yardımcı olmak olmalıdır. Bu, çalışanlara geniş sorularla başlayıp daha sonra bunları daraltarak en iyi cevaba mümkün olduğunca hızlı ulaşma stratejilerini öğretmeyi içerir. Bu, modele daha fazla bağlam sağlar ve ayrıca cevabı zaten bildiklerini düşünebilecek kişilerin önyargılarını ortadan kaldırmaya yardımcı olur. Mevcut araçlarla aynı görünen ve aynı hissi veren model arayüzlerine sahip olmak, kullanıcıların her yeni uygulama tanıtıldığında yeni bir şey öğrenmek için daha az baskı hissetmelerine de yardımcı olur.

Ölçeğe ulaşmak, işletmelerin diğer benzer kullanım durumları için kullanılması zor olan tek seferlik çözümler oluşturmayı bırakması gerektiği anlamına gelir. Örneğin küresel bir enerji ve malzeme şirketi, yeniden kullanım kolaylığını tüm üretken yapay zeka (gen AI) modelleri için temel bir gereklilik olarak belirlemiş ve ilk yinelemelerde bileşenlerinin yüzde 50 ila 60’ının yeniden kullanılabileceğini tespit etmiştir. Bu, diğer vakalar için kolayca yeniden kullanılabilecek üretken yapay zeka (gen AI) varlıkları (örneğin, istemler ve bağlam) geliştirmek için standartlar belirlemek anlamına gelir.

Üretken yapay zeka (gen AI) ile ilgili risk konularının birçoğu, veri gizliliği, güvenlik, önyargı riski, iş değiştirme ve fikri mülkiyetin korunması gibi halihazırda devam eden tartışmaların evrimi olsa da, üretken yapay zeka (gen AI) bu risk ortamını büyük ölçüde genişletmiştir. Yapay zekayı (AI) benimsediğini bildiren şirketlerin sadece yüzde 21’i, çalışanların yapay zeka (AI) teknolojilerini kullanımını düzenleyen politikalar oluşturduklarını söylüyor.

Benzer şekilde, veri gizliliği, debiasing ve fikri mülkiyet korumasına saygı duyulduğunu göstermek için yapay zeka (AI)/üretken yapay zeka (gen AI) çözümleri için bir dizi test oluşturulmalıdır. Aslında bazı kuruluşlar, performans özelliklerini detaylandıran belgelerle birlikte modelleri yayınlamayı önermektedir. Kararlarınızı ve gerekçelerinizi belgelemek, özellikle düzenleyicilerle yapılan görüşmelerde yardımcı olabilir.

Bu makale bazı açılardan olgunlaşmadı – o kadar çok şey değişiyor ki, bir yıl içinde üretken yapay zeka ve yetenekleri konusunda muhtemelen çok daha farklı bir anlayışa sahip olacağız. Ancak değer bulma ve değişimi yönlendirmeye ilişkin temel gerçekler hala geçerli olacak. Şirketlerin bu dersleri ne kadar iyi öğrendikleri, bu değeri yakalamada ne kadar başarılı olacaklarını büyük ölçüde belirleyebilir.

Source: “A generative AI reset: Rewiring to turn potential into value in 2024” article published in McKinsey Digital

https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/a-generative-ai-reset-rewiring-to-turn-potential-into-value-in-2024#/