İnsan kaynakları, finans ve üretim. Üç farklı departman, üç farklı ihtiyaç. UpperMind ile yürüttüğümüz çalışmalarda gördük ki yapay zekâ dönüşümünün başlangıç noktası teknoloji değil, çözülmesi gereken iş problemi.
Kurumsal yapay zekâ projelerinde genellikle benzer bir soruyla karşılaşıyoruz: “Yapay zekâyı şirketimizde nerede kullanabiliriz?”
Bu sorunun tek bir cevabı yok. Çünkü insan kaynaklarının bilgiye erişim problemiyle finansın veri yönetimi ihtiyacı veya üretimin kalite süreçleri birbirinden oldukça farklı.
UpperMind ile üç farklı departmanda yürüttüğümüz çalışmalar da bunu gösteriyor. Her projede farklı bir noktadan başladık, farklı sorunlarla karşılaştık ve farklı kazanımlara odaklandık.
Ancak üçünde de ortak bir yaklaşımımız vardı: Önce iş sürecini anlamak, ardından yapay zekânın nerede değer üretebileceğini belirlemek.
1. İnsan Kaynakları: Bilgi vardı, erişmek zordu
İnsan kaynakları ekipleriyle yaptığımız görüşmelerde talep çoğunlukla benzer bir cümleyle başlıyor:
“Çalışanların sorularını yanıtlayabilecek bir yapay zekâ asistanı istiyoruz.”
İlk bakışta çözüm basit görünüyor. Kurum dokümanlarını sisteme yüklemek ve çalışanların bu dokümanlara doğal dille erişmesini sağlamak.
Ancak uygulamaya geçtiğimizde asıl problemin yalnızca bilgiye erişim olmadığını gördük.
İzin prosedürleri farklı klasörlerde bulunabiliyor. Güncel bir politika dokümanının yanında eski bir versiyonu yer alabiliyor. Bazı bilgiler intranet duyurularında, bazıları ise yıllar önce paylaşılmış dosyalarda kalabiliyor.
Böyle bir ortamda yapay zekâ sistemini devreye almak, tek başına doğru cevaplar üretileceğini garanti etmiyor.
Bu nedenle çalışmaya model seçiminden değil, dokümanların düzenlenmesinden başladık. Hangi dokümanın güncel olduğu, hangisinin yürürlükten kalktığı ve içeriğin kimin sorumluluğunda bulunduğu netleştirildi.
Ardından önemli bir kural belirledik: Yapay zekânın ürettiği cevaplar, dayandığı kaynaklarla birlikte sunulmalıydı.
Çalışan bir izin prosedürünü sorduğunda yalnızca yanıtı değil, yanıtın hangi dokümana ve hangi maddeye dayandığını da görebilmeliydi.
Çünkü kurumsal kullanımda güven, yalnızca akıcı bir cevap üretmekle sağlanmıyor. Kullanıcının gerektiğinde bilgiyi doğrulayabilmesi gerekiyor.
İlk ayın soru kayıtları incelendiğinde bir başka ihtiyaç da görünür hale geldi: İK ekiplerinin zamanını alan konuların önemli bir bölümü, tekrar eden çalışan sorularından oluşuyordu.
Bu gözlem, yalnızca asistanın geliştirilmesi açısından değil, kurum içi bilgi yönetiminin iyileştirilmesi açısından da değerliydi.
2. Finans: Veriye ulaşmak kadar, kimin ulaşacağını belirlemek de önemli
Finans departmanındaki ihtiyaç farklıydı.
Ay sonu kapanış süreçlerinde üç ayrı sistemden veri toplanıyor, Excel dosyalarında birleştiriliyor ve raporlamaya hazır hale getiriliyordu.
Hedef, bu manuel veri toplama ve birleştirme iş yükünü azaltmaktı.
UpperMind’ın veritabanları ve API entegrasyonları üzerinden ilgili kaynaklara erişebildiği bir yapı kurguladık. Böylece kullanıcıların doğal dille sordukları soruların, uygun veri sorgularına dönüştürülmesi ve sonuçların analiz için sunulması hedeflendi.
Ancak uygulama sırasında projenin asıl önemli kısmının entegrasyon değil, yetkilendirme olduğunu gördük.
Finansal verilerde herkesin her bilgiye erişebilmesi kabul edilebilir bir yaklaşım değil.
Bir kullanıcının toplam satış rakamlarını görme yetkisi bulunabilirken, müşteri bazlı kârlılık veya belirli maliyet kalemlerine erişim yetkisi bulunmayabilir.
Yapay zekânın devreye alınması, kurumun mevcut erişim kurallarını ortadan kaldırmamalıydı.
Bu nedenle hangi kullanıcıların hangi verilere, hangi detay seviyesinde erişebileceğini belirleyen bir yetki matrisi üzerinde çalıştık.
İki hafta süren bu çalışma, projenin teknik entegrasyonu kadar önemli bir çıktıya dönüştü.
Bir başka önemli sınır da sistemin rolüyle ilgiliydi.
Yapay zekâ verileri topluyor, sorguluyor ve analiz için sunuyordu. Ancak muhasebesel değerlendirme ve nihai karar, ilgili uzmanların sorumluluğunda kalıyordu.
Buradaki hedef, finans çalışanlarının yerine karar veren bir sistem oluşturmak değil; onların doğru bilgiye ulaşmak için harcadığı zamanı azaltmaktı.
3. Üretim: Sorun veri eksikliği değil, verinin anlamlandırılamamasıydı
Üçüncü çalışma, bir otomotiv aydınlatma üreticisinin kalite ve üretim süreçlerinde yürütüldü. Üretim tesislerindeki test istasyonları, PLC sistemleri, ERP ve MES uygulamaları her gün büyük miktarda veri üretiyordu; ancak verinin toplanıyor olması, tek başına etkin biçimde analiz edildiği anlamına gelmiyordu.
Karşılaştığımız tablo tanıdıktı: operasyonel veriler mevcuttu, fakat veriler arasındaki ilişkiler görünür değildi ve sonuçlar çoğu zaman aksiyona geç dönüşüyordu. Yani sorun veri eksikliği değil, mevcut verinin anlamlandırılamamasıydı.
Bu nedenle hedefimizi baştan somut tuttuk: hurda, yeniden işleme ve plansız duruş gibi kötü kalite maliyetlerini etkileyen unsurları daha anlaşılır kılmak. Bu kapsamda UpperMind’ı ERP ve MES verileriyle ilişkilendirdik ve kritik aksiyonlarda insan onayını koruyan bir süreç tasarladık; çünkü üretimde kontrolsüz alınan operasyonel kararlar yeni riskler doğurabiliyor.
Çalışma boyunca üç kullanım alanı öne çıktı.
Yanlış retlerin incelenmesi
Bir test hattında sağlam parçalar hatalı olarak sınıflandırılıyor, yani yanlış ret oranı yükseliyordu; incelenen süreçte bu oran %7,55 seviyesine ulaşmıştı. Yalnızca test sonuçlarına bakmak ise nedeni açıklamaya yetmiyordu.
Test sonuçlarını kalibrasyon kayıtlarıyla birlikte değerlendirdiğimizde tablo değişti: sorun ürün kalitesinden değil, ölçüm sürecinden kaynaklanıyordu. Farklı veri kaynaklarını yan yana getirmek, tek bir kaynağa bakıldığında fark edilmesi güç olan bir ilişkiyi görünür kıldı.
Arıza kayıtlarında ortak noktaların bulunması
İkinci kullanım alanında PLC arıza kayıtları Pareto analiziyle değerlendirildi ve arızaların %47’sinin belirli bir malzeme lotuyla korelasyon gösterdiği görüldü.
Bu bulgu, malzeme lotunun arızalara doğrudan neden olduğunu tek başına kanıtlamıyordu; ancak kalite ekiplerinin dağınık bir arıza yığını yerine tek bir odağa yönelmesini sağlayarak inceleme süresini belirgin biçimde kısalttı.
Erken uyarı mekanizması
Üçüncü senaryoda ret oranlarındaki ani değişimler izlendi. Amaç, normal üretim davranışından sapmaların vardiya ekipleri tarafından geç fark edilmesi yerine, tanımlanan koşullar oluştuğunda ilgili kişilere anında bildirim verilmesiydi.
Böylece veri, yalnızca geçmişi açıklayan bir rapor olmaktan çıkıp operasyon sırasında dikkat gerektiren durumları görünür kılan bir araca dönüştü.
Üç örnek de aynı ihtiyaca işaret ediyordu: fabrikanın daha fazla veri toplamasından önce, hâlihazırda sahip olduğu veriden daha fazla anlam çıkarabilmesi gerekiyordu.
Üç departmandan çıkan ortak sonuç
İnsan kaynakları, finans ve üretim çalışmalarının başlangıç noktaları farklıydı.
İK tarafında çalışanların doğru bilgiye ulaşması, finansta manuel veri toplama süreçlerinin azaltılması, üretimde ise mevcut verilerin daha etkin kullanılması öncelikliydi.
Buna rağmen üç projede de benzer bir gerçekle karşılaştık:
Yapay zekâ sistemini kurmak, dönüşümün yalnızca bir parçası.
Bilginin güncelliği, veri kaynaklarının erişilebilirliği, kullanıcı yetkileri, süreç sahipliği ve insan onayı gibi konular da çözümün başarısını doğrudan etkiliyor.
Bu nedenle çalışmalarımıza “Hangi yapay zekâ modelini kullanalım?” sorusuyla başlamadık.
Önce ekiplerle birlikte mevcut iş süreçlerini inceledik. En fazla zaman alan, tekrar eden veya mevcut verilerden yeterince faydalanılamayan noktaları belirledik.
Ardından teknolojiyi bu ihtiyaçların etrafında konumlandırdık.
UpperMind’ın Bilir, Düşünür, Yapar yaklaşımı da bu noktada anlam kazanıyor.
Kurumun mevcut bilgi kaynaklarından beslenen, bu bilgileri işin bağlamına göre değerlendiren ve gerekli durumlarda kurumsal sistemlerle etkileşime geçebilen bir yapı, farklı departmanların ihtiyaçlarına ortak bir platform üzerinden cevap verilmesini mümkün kılıyor.
Ancak her departmanın veri erişimi, kullanım senaryosu ve yetki sınırları kendi gereksinimlerine göre ele alınmalı.
Ortak bir platform, bütün departmanların aynı şekilde çalışması demek değil. Farklı ihtiyaçların, ortak yönetişim ilkeleriyle yönetilebilmesi demek.
Sonuç: Yapay zekâ projesinden iş sonucuna
Kurumsal yapay zekâ dönüşümünde en önemli sorulardan biri, teknolojinin neler yapabildiği değil, kurumun hangi sorununu çözebildiğidir.
Çalışanların bilgiye daha kolay ulaşması, finans ekiplerinin manuel veri toplama yükünün azalması veya üretim verilerindeki kritik ilişkilerin görünür hale gelmesi, birbirinden farklı ama somut hedeflerdir.
UpperMind ekibi olarak yaklaşımımız, kurumların mevcut süreçlerini anlamak ve yapay zekânın bu süreçlerde nasıl değer üretebileceğini birlikte belirlemek.
Çünkü başarılı bir yapay zekâ çalışmasının sonunda konuşulması gereken konu, kullanılan modelin büyüklüğü veya geliştirilen asistanın özellikleri değil; kurumun işinde neyin değiştiğidir.
Yapay zekâ dönüşümü, teknoloji konuşmayı bırakıp iş sonuçlarını konuşmaya başladığımızda gerçek anlamını kazanıyor.
Kurumunuzdaki kullanım senaryolarını konuşmak ve yapay zekânın nerede somut değer üretebileceğini birlikte belirlemek isterseniz, kısa bir görüşme ayarlamaktan memnuniyet duyarız.