Araç Bağımlılığı Yerine Yöntem Yetkinliği

Yapay zekâ araçları, kurumların çalışma biçimlerini belgeleyebileceğinden daha hızlı değişiyor. Modeller yenileniyor, işlevler ürünler arasında taşınıyor, arayüzler yeniden tasarlanıyor, fiyatlar ve kullanım sınırları değişiyor, sağlayıcılar ortadan kayboluyor ya da başka çözümler tarafından geride bırakılıyor. Dün vazgeçilmez görünen bir iş akışı, birkaç ay sonra yalnızca birden fazla teknik seçeneğin biri hâline gelebiliyor.

Bu nedenle yetkinliğini belirli bir düğmeye, sağlayıcıya veya tıklama sırasına bağlayan kişi hareketli bir zeminin üzerine inşa yapar. Bu, araç bilgisinin değersiz olduğu anlamına gelmez. Tam tersine: Bir aracı iyi kullanmak zaman kazandırır, işlevleri açığa çıkarır ve üretkenliği artırır. Sorun, kullanım bilgisinin problem çözme yetkinliğiyle karıştırıldığı yerde başlar.

Daha kalıcı olan yetkinlik yöntem yetkinliğidir. Bu yetkinlik, hangi sistemin bir şeyi yapabildiğini sormakla değil, verili koşullar altında güvenilir bir sonuca ulaşmak için mantıksal olarak hangi işin yapılması gerektiğini sormakla başlar. Buradan hedefin netleştirilmesi, problemin parçalanması, kaynak ve kanıt mantığı, kalite ölçütleri, karar noktaları, doğrulama ve ancak sonrasında uygun aracın seçimi gelir.

Geleceğe dönük asıl yetkinlik bu nedenle „En yeni yapay zekâyı biliyorum” değildir. Şudur: „Yeni bir yapay zekâ sistemini, kendi çalışma mantığımı ona aktaracak, sınırlarını fark edecek ve onu mevcut bir sürece doğru yere yerleştirecek kadar hızlı anlayabiliyorum.”

„Öğrenmeyi öğrenmek” tam olarak bunu ifade eder. Pedagojik bir slogan değildir. Yapay zekâ çağında operasyonel bir temel yetkinliktir.

Birbirine karşı konulmaması gereken iki yetkinlik

„Yöntem mi, araç mı?” sorusu yanlış kurulmuştur. Profesyonel çalışma ikisine de ihtiyaç duyar. Araç yetkinliği belirli bir teknik ortamın nasıl kullanılacağını cevaplar. Yöntem yetkinliği ise bir adımın neden, ne zaman ve hangi koşullarda anlamlı olduğunu açıklar.

Bilginin sağlayıcı değişikliğinden sağ çıkıp çıkmayacağını belirleyen üçüncü katman transfer yetkinliğidir. Bilinen yöntemleri yeni bir teknik veya mesleki duruma bağlar. Transferin tehlikeli bir genellemeye dönüşmesini engelleyen dördüncü katman ise alan yetkinliğidir.

Bu dört düzey birlikte bir yetkinlik yığını oluşturur. Teknoloji ne kadar hızlı değişirse bu katmanları ayırmak o kadar önemli olur. Yalnızca araç katmanında çalışan biri çok hızlı olabilir ama sistematik biçimde yanlış problem üzerinde çalışabilir. Yöntem bilen fakat araç kullanamayan biri gereksiz yere yavaş kalır. Transfer yapabilen fakat alan sınırlarını görmeyen biri ise iyi kalıpları geçerli olmadıkları ortamlara taşır.

Yöntem yetkinliği araçları küçümsemek değildir. Araçların doğru yerde kullanılmasını sağlar.

Araç bağımlılığı süreç körlüğüdür

Araç bağımlılığı, yapay zekâyı sık kullanmak ya da belirli bir ürünü sevmek değildir. Araç fark ettirmeden işin tanımını devraldığında başlar.

Bir proje yönetim sistemi belirli bir şablon sunar ve proje o şablona zorlanır. Bir asistan görev yapısı önerir ve bu yapı bir anda „plan” sayılır. Bir araştırma aracı yüzlerce kaynak getirir ve miktar araştırma kalitesiyle karıştırılır. Bir ajan sistemi görevleri otonom yürütebilir diye hedef, sınırlar ve kabul kriterleri netleşmeden işler devredilir. Bir platform yalnızca beş durum değeri sunar ve gerçeklik bu beş alana sığacak şekilde tanımlanır.

Bu örneklerin hepsinde aynı tersine dönüş gerçekleşir: Problem yöntemi, yöntem aracı belirlemek yerine araç hem problemi hem yöntemi biçimlendirmeye başlar.

Bu risklidir; çünkü her teknik arayüz iş hakkında örtük bir teori taşır. Kanban panosu akışı görünür kılar. Sohbet penceresi ardışık diyaloğu teşvik eder. Veritabanı yapılandırılabilir nesneleri tercih eder. Ajan sistemi devredilebilir iş paketlerini teşvik eder. Görsel üretici; prompt, referans ve varyasyon mantığıyla çalışır. Bu bakışların hiçbiri yanlış değildir. Fakat hiçbiri problemin otomatik olarak eksiksiz tanımı değildir.

Yöntem yetkinliği gerekli mesafeyi yaratır. Bir arayüzün güçlü yanlarından faydalanmayı, onun mantığını projenin mantığıyla karıştırmadan mümkün kılar.

En önemli zihniyet değişimi: Süreci hızlandırmadan önce anlamak

Birçok yapay zekâ problemi yapay zekâda başlamaz. Kimsenin açık biçimde tarif edemediği bir süreçte başlar. İyi çalışan bir insanın hangi bilgilere ihtiyaç duyduğu, sırada hangi kararın olduğu, kalitenin nasıl anlaşılacağı ve hangi durumda dosyanın üst seviyeye taşınması gerektiği belli değilse, yapay zekâ sistemi bu belirsizliği en fazla daha hızlı çoğaltır.

Bu nedenle „Bunu hangi araç otomatikleştirir?” sorusu çoğu zaman erkendir. Önce temel mantık görünür hâle gelmelidir:

Bu mantık en azından kabaca anlaşıldıktan sonra araç seçimi anlamlı hâle gelir. Aksi hâlde bir kurum yalnızca belirsizliği, gereksiz işi ya da tarihsel olarak büyümüş bir dolambaçlı yolu otomatikleştirebilir.

Bu küçük işler için de geçerlidir. Her görevi süreç el kitabına dönüştürmek gerekmez. Mesele bürokrasi değil, bilinçli nedenselliktir: Bu adımı neden yapıyorum? Kaldırsam ne olur? Hangi problemi çözüyor? Bu sorular yöntemi ritüelden ayırır.

„Öğrenmeyi öğrenmek”, yeni sistemleri bilinen işlev sınıflarına yerleştirmektir

Yeni bir yapay zekâ ürünüyle karşılaşınca her özelliği tek tek öğrenmek mümkündür. Bu yöntem çalışır ama pahalıdır ve her yeni sistemde tekrarlanır. Daha verimli yaklaşım, önce sistemin bilinen bir çalışma mantığı içinde hangi rolü üstlenebileceğini sormaktır.

Yaygın işlev sınıfları arasında araştırma, bilgi çıkarımı, yapılandırma, üretim, dönüştürme, değerlendirme, retrieval, dokümantasyon, otomasyon, uygulama ve ajan tabanlı yönlendirme bulunabilir. Böylece yeni ürün tamamen yeni bir dünya olarak öğrenilmek zorunda kalmaz; önce bu sınıflardan birine yerleştirilir.

Ardından asıl inceleme başlar. Yöntem açısından güçlü bir kullanıcı şunları sorar: Sistem hangi girdilere ihtiyaç duyuyor ve hangi bilgileri gözden kaçırabilir? Ne tür çıktı üretiyor: taslak, karar önerisi, eylem, yapılandırılmış veri ya da yalnızca metin mi? İş akışı hakkında hangi varsayımlarda bulunuyor? Hangi parçalar deterministik, hangileri olasılıksal? Hangi hatalar kolayca görünür, hangileri ikna edici biçimde doğruymuş gibi görünebilir? Bir sonuç bağımsız olarak nasıl kontrol edilebilir? Hangi kararlar geri alınabilir, hangileri yüksek devam maliyeti yaratır? Sistem gerçekten hangi verilere ve yetkilere ihtiyaç duyuyor? Ve aracın kullanım durumuma uygun olmadığını nasıl anlayacağım?

Böylece bir transfer modeli oluşur. Yeni bilgi izole ürün bilgisi olarak değil, mevcut kavram ve yöntemlere bağlanarak saklanır.

Çok araç denemiş biriyle, çok araç kullanarak problem çözmede daha iyi hâle gelmiş biri arasındaki fark budur.

Sağlam bir öğrenme modeli: Anla, modelle, uygula, doğrula, açıkla, aktar

Yöntem yetkinliği bir yöntemin adını bilmekle oluşmaz. Tekrarlanan uygulama ve bilinçli geri besleme ile gelişir. Kullanışlı bir öğrenme modeli altı aşamadan oluşabilir.

1. Anlamak

Önce gerçek problem netleştirilir. „Bir ajana ihtiyacımız var” yerine „Bugün hangi iş zaman kaybettiriyor, hatalar nerede oluşuyor ve hangi karar desteklenmeli?” diye sorulur. Hedef teknik çözümden ayrılır.

2. Modellemek

Sonra süreç basit, okunabilir bir mantığa çevrilir: girdiler, adımlar, kararlar, kalite ölçütleri, istisnalar ve sorumluluk sınırları. Model kaba olabilir. Amacı gerçekliği eksiksiz kopyalamak değil, düşünmeyi mümkün kılmaktır.

3. Uygulamak

Şimdi yöntem uygun bir araçla hayata geçirilir. Araç bilgisi burada merkezi hâle gelir. İşlevler, promptlar, entegrasyonlar veya otomasyonlar daha önce gerekçelendirilmiş bir rolü yerine getirmek için kullanılır.

4. Doğrulamak

Yalnızca sonuç değil süreç de değerlendirilir. Sistem doğru kaynakları mı kullandı? Bir varsayımı sessizce değiştirdi mi? Akış gereksiz yere karmaşık mı? Hangi hata sınıfı ortaya çıktı?

5. Açıklamak

Bir süreci açıklayabilen kişi, yalnızca tıklama sırası ezberlemediğini gösterir. Soru şudur: Bir iş arkadaşına bu adımların neden var olduğunu ve hangi koşullarda farklı davranacağımı açıklayabilir miyim?

6. Aktarmak

Son olarak aynı mantık ikinci bir araca, ikinci bir göreve veya yakın bir alana taşınır. Ancak burada gerçekten bir ilkenin mi anlaşıldığı, yoksa yalnızca tek bir konfigürasyonun mu çalıştığı ortaya çıkar.

Bu altı aşama katı bir müfredat değildir. Bir öğrenme döngüsünü tarif eder. Transfer yeni hatalar ve yeni içgörüler üretir; onlar da anlayışı değiştirir.

Pratik, iç pusulayı oluşturur

Profesyonel yapay zekâ yetkinliğinin önemli bir kısmı tamamen kurallarla aktarılamaz. Deneyim arttıkça bir modelin görevi amaçlanandan farklı yorumladığını, görünüşte iyi bir optimizasyonun hedefi kaydırdığını veya dil açısından güçlü bir çıktının yöntem açısından zayıf olduğunu daha erken fark eden bir „his” oluşur.

Bu „pusula” mistik bir sezgi değildir. Örüntü karşılaştırmasından doğar. İnsanlar birçok vaka görür, sapmaları izler, düzeltir, karşılaştırır, belgeler ve zamanla tekrarlanan hata imzalarını tanır.

Bu nedenle yalnızca başarılı çıktıları incelemek yeterli değildir. Başarısız denemeler de sistematik incelendiğinde öğrenme hızlanır. Bir hata çok farklı düzeylerde bulunabilir:

Her başarısızlığa yalnızca yeni bir promptla cevap veren kişi yavaş öğrenir. Sorun metin formülasyonu değil, süreç veya yöntem olabilir. Yöntem yetkinliği hataları teşhis edilebilir hâle getirir.

Yöntem bir prompttan daha fazlasıdır

Promptlar önemlidir. İyi promptlar hedefleri, rolleri, sınırları, formatları ve kalite ölçütlerini net biçimde iletebilir. Fakat prompt tek başına yöntem değildir.

Yöntem ayrıca promptun ne zaman kullanılacağını, öncesinde hangi kaynakların gerektiğini, hangi bilginin bağlam sayılacağını, sonucun nasıl doğrulanacağını, hangi istisnaların bulunduğunu ve doğrulama başarısız olduğunda ne olacağını kapsar. Bu nedenle promptu, bir sürecin bir parçasına açılan çalıştırılabilir bir arayüz olarak görmek mümkündür.

Bu bakış, süreç anlayışından kopuk prompt kütüphanelerinin neden hızlı eskidiğini de açıklar. Kaydedilmiş bir prompt dilsel olarak hâlâ çalışabilir fakat görev değişmiş olabilir. Kalite ölçütleri farklılaşmış olabilir. Bir kaynak güncel olmayabilir. Yeni bir sistem daha önce manuel olan ara adımı doğrudan yapabiliyor olabilir. Prompt, artık ortadan kalkmış teknik bir sınır için geliştirilmiş geçici bir çözüm olabilir.

Yöntem kütüphanesi daha dayanıklıdır. Yalnızca yapay zekâya ne söyleneceğini değil, şunları da belgeler: bileşenin hangi problemi çözdüğünü, hangi girdilerin gerekli olduğunu, hangi varsayımların geçerli olduğunu, hangi kalite ölçütlerinin karşılanması gerektiğini, hangi araç sınıflarının adımı destekleyebileceğini, hangi hataların tipik olduğunu ve adımın ne zaman kısaltılabileceğini, derinleştirilebileceğini veya kaldırılabileceğini. Böylece belirli prompt değişse bile mantık korunur.

Sonuç kalitesinden süreç kalitesine: İyi sonuç kötü bir öğretmen olabilir

İnsanlar sonuç iyi göründüğünde süreci de iyi olarak değerlendirmeye eğilimlidir. Üretken yapay zekâda bu özellikle risklidir; çünkü ikna edici biçim kolayca üretilebilir.

İyi sonuç tesadüfen ortaya çıkmış olabilir. Model doğru cevabı yanlış gerekçeyle üretmiş olabilir. Güvenilir olmayan bir kaynak kullanılmış fakat sonuç şans eseri doğru çıkmış olabilir. Bir iş akışı on standart vakada çalışıp on birinci, kritik sınır vakasında başarısız olabilir.

Tersine, yöntem açısından temiz bir süreç olumsuz sonuca ulaşıp yine de değerli bilgi üretebilir: Bir hipotez reddedilir, bir araç uygunsuz çıkar, bir proje hedefinin taşınabilir olmadığı görülür.

Bu nedenle çıktı kalitesi ve süreç kalitesi ayrı değerlendirilmelidir.

Bu ayrım eğitimi de değiştirir. Yalnızca doğru sonucun değerlendirildiği eğitim kısa vadeli görev uyumunu güçlendirir. Yaklaşımın, gerekçenin ve transfer kabiliyetinin değerlendirildiği eğitim ise yetkinlik geliştirir.

Müşteri odaklılık yöntem yetkinliği için bir stres testidir

Araç bağımlılığı özellikle danışmanlık ve dönüşüm projelerinde görünür olur. Araç odaklı danışmanlık çoğu zaman bir çözümle başlar: „X sistemini devreye alacağız”, „bir ajan kuracağız”, „süreci otomatikleştireceğiz”, „bir dashboard gerekiyor”.

Müşteri odaklı çalışma ise darboğazdan başlar. Gerçek problem kötü veri kalitesi olabilir. Roller net değildir. Süreç belgelenmemiştir. Kabul kriterleri yoktur. Görev otomasyonu ekonomik kılacak kadar sık yaşanmıyor olabilir. Karmaşık bir yapay zekâ sistemi yerine basit bir kontrol listesi veya daha iyi bir şablon daha etkili olabilir.

Yöntem yetkinliği teknoloji baskısı altında kolayca birbirine karışan dört şeyi ayırır:

Basit bir test şudur: Tercih edilen araç yarın ortadan kalksa çözüm fikri yine de anlamlı biçimde anlatılabilir mi? Cevap hayırsa, muhtemelen araç kavramın kendisine dönüşmüştür.

Araç değişimleri yalnızca teknik göç değil, bilgi testidir

Kurumlar araç değişimini çoğu zaman BT projesi olarak görür: Veriyi taşı, hesapları değiştir, personele eğitim ver. Oysa değişim aynı zamanda gerçek çalışma bilgisinin nerede saklandığını ortaya çıkarır.

Bir ekip süreci yalnızca arayüz üzerinden biliyorsa, arayüz değiştiğinde örtük bilgisinin bir kısmı da kaybolur. Buna karşılık hedefler, kalite ölçütleri, veri gereksinimleri, kontrol adımları ve karar noktaları araçtan bağımsız belgelenmişse yalnızca teknik uygulama yeniden eşlenir.

Bu bilişsel taşınabilirliktir: Araç değişse bile kurum ne yaptığını bilir.

Bilişsel taşınabilirlik, çoğu zaman gözden kaçan bir teknik bağımsızlık biçimidir. Bir kurum tamamen açık teknolojiler kullanıp yine de tek bir iş akışına bağımlı olabilir. Tersine, ticari araçlar kullanan bir şirket yöntemlerini, veri modellerini ve kalite mantığını ayrı tuttuğu sürece yüksek taşınabilirliğe sahip olabilir.

Araç bağımsızlığı bu nedenle yalnızca altyapıda başlamaz. Düşünme biçiminde başlar.

Araçtan bağımsız stres testi

Bir sürecin gerçekten anlaşılmış olup olmadığı pratikte test edilebilir: Aynı çekirdek işi ikinci bir araçla veya kısmen manuel olarak yürütün. Amaç ürünleri yarıştırmak değildir. Önemli olan çalışma mantığının hangi parçalarının sabit kaldığıdır.