Data Department, bir teknoloji grubuyla birkaç yıl boyunca çalışarak grubun kendi makine öğrenmesi ve yapay zekâ yetkinliğini kurmasına destek oldu. Yeni kurulan bir Ar-Ge (araştırma ve geliştirme) merkezinin ekiplerine makine öğrenmesi yaşam döngüsünün tamamında mentorluk yaptık, grup genelinde eğitimler verdik ve birimin 30'dan fazla kişilik bir departmana büyümesine yardımcı olduk; 7 sektörde 20'den fazla model geliştirildi.
Karar neydi?
Grup, birçok şirketin karşılaştığı bir seçimle karşı karşıyaydı: Makine öğrenmesi projelerini dışarıdan tek tek satın almaya devam etmek ya da bu yetkinliği kurum içinde kurmak.
Grup, yetkinliği kurum içinde oluşturmayı tercih etti. Bu kararın da kendi riskleri vardır. Yeni ekipler çoğu zaman umut verici analizler ve demolar üretir, ancak bunlar canlıya hiç geçmez. Bu sorun yalnızca işe alım yoluyla çözülemez. Ekiplerin bir iş problemini doğru tanımlamayı, veriyi hazırlamayı, modeli canlıya almayı ve çalışır durumda tutmayı öğrenmesi gerekir.
Bizim rolümüz bu öğrenme sürecini kısaltmaktı; böylece yeni ekipler deneme değil, canlıda çalışan modeller üretti.
Ne yaptık?
Bu proje tek bir modelle değil, insanlarla ve çalışma pratikleriyle ilgiliydi. Çalışma üç ana başlıktan oluştu.
| Çalışma alanı | Ne yaptık |
|---|---|
| Ekip mentorluğu | Yeni Ar-Ge merkezinin ekiplerine makine öğrenmesi yaşam döngüsünün tamamında mentorluk |
| Alan odaklı ekipler | Her biri bir alana odaklanan dört ekip: konaklama, enerji, turizm ve otomotiv |
| Grup geneli eğitim | Grup genelinde makine öğrenmesi ve yapay zekâ eğitimleri |
| Departmanın büyümesi | Birimin 30'dan fazla kişilik bir yapay zekâ departmanına büyümesine destek |
Yaşam döngüsünün tamamında mentorluk. Makine öğrenmesi yaşam döngüsü, iş probleminin tanımlanmasından veri hazırlığına, modelleme ve değerlendirmeden canlıya alma ve izlemeye kadar uzanır. Her aşamada ekiplerle birlikte çalıştık; ekipler kendi alanlarındaki gerçek projeler üzerinde çalışarak öğrendi.
Alan odaklı ekipler. Dört ekibin her biri grubun bir iş alanına odaklandı: konaklama, enerji, turizm ve otomotiv. Alan odağı, ekipleri modellerinin desteklemesi gereken kararlara yakın tutar.
Çekirdek ekibin ötesinde eğitim. Makine öğrenmesi projeleri, iş birimleri modellerin neyi yapıp neyi yapamayacağını anladığında başarılı olur. Grup geneli eğitimler bu ortak anlayışı teknik ekiplerin dışına da taşıdı.
Sonuçlar
- Makine öğrenmesi yaşam döngüsünün tamamında mentorluk verilen 4 ekip: konaklama, enerji, turizm, otomotiv.
- Grup genelinde yapay zekâ ve makine öğrenmesi eğitimi verildi.
- 30'dan fazla kişilik yapay zekâ ve makine öğrenmesi departmanı oluştu.
- 7 sektörde 20'den fazla model geliştirildi.
Başarıyı belirleyen etkenler
İlerlemenin ölçüsü gerçek kararlar için geliştirilen modellerdi. Bir ekibin olgunluğu, kaç prototip ürettiğiyle değil, gerçek iş kararları için kaç model geliştirdiğiyle ölçülür. Bu çalışmada belirleyici gösterge, 7 sektörde geliştirilen 20'den fazla modeldir. Yedek parça tahmini projemiz aynı ilkeyi yansıtır: insanların zaten kullandığı araçlara uyum sağlayacak biçimde tasarlanmış bir model.
Yaparak öğrenme. Ekiplere kendi alanlarındaki gerçek projelerde mentorluk yapmak, yalnızca sınıf içi eğitimden çok daha fazlasını öğretti. Eğitimler ise bu pratiği grup geneline yaydı.
İş alanlarına göre örgütlenme. Konaklama, enerji, turizm ve otomotive göre kurulan ekipler, çalışmayı gerçek iş kararlarına bağlı tuttu.
Bağımsızlığı hedeflemek. Yetkinlik kazandırmanın amacı, rutin işler için artık dış desteğe ihtiyaç duymayan bir ekiptir. Aynı ilke yapay zekâ stratejisi ve dış kaynaklı yapay zekâ yöneticisi (fractional Chief AI Officer) danışmanlığımızın da temelidir: Kendi ekibiniz büyürken kıdemli rehberlik sağlarız. Ekip kurmak ile dışarıdan hizmet almak arasında karar veriyorsanız, ücretsiz 30 dakikalık yapay zekâ fırsat değerlendirmesi iyi bir başlangıç noktasıdır.
Sık sorulan sorular
Bir makine öğrenmesi ekibine mentorluk neleri kapsar?
Ekiple birlikte, iş probleminin tanımlanmasından modellerin canlıya alınmasına ve izlenmesine kadar tüm yaşam döngüsünde çalışmayı kapsar. İşi ekip yapar; biz kararlara yön verir, yaklaşımları gözden geçirir ve deneyim aktarırız.
Kurum içinde bir yapay zekâ departmanı kurmak ne kadar sürer?
Bu örnekte, birimi 30'dan fazla kişiye ve 7 sektörde 20'den fazla modele taşıyan çok yıllı bir çalışma oldu. Süre; başlangıç noktasına, işe alımlara ve ilk projelerin hızına bağlıdır.
Kurum içi ekip mi kurmalıyız, danışmanla mı çalışmalıyız?
Birçok şirket ikisini birlikte yapar: Dış uzmanlar ilk projeleri teslim eder ve kurum içi ekibe koçluk yapar, ardından işi ekip devralır. Doğru denge, makine öğrenmesinin işinizdeki önemine ve kullanım alanlarının sayısına bağlıdır.