Yapay zekâ, kodun veriyle buluştuğu yerde başlar

Bir yapay zekâ uygulamasının değerini neden yalnızca model değil; veri, yazılım, kurallar ve kontrolün birlikteliği belirler.

Yeni bir model çıkar, kıyaslama puanı yükselir ve demo sorulara daha akıcı yanıt verir. En önemli kararın verildiğini düşünmek kolaydır: En güçlü modeli seç, önüne arayüz koy ve kurum belgelerini bağla.

Gerçekte sistem mühendisliği burada başlar. Önceden eğitilmiş model, eğitim verilerindeki istatistiksel örüntüleri temsil eder. Sağlanan bağlam olmadan kurumun güncel fiyat mantığını, onay aşamalarını, müşteri anlaşmalarını, koruma sınıflarını ve istisnalarını güvenilir biçimde bilemez. Gerekli veri eksikse, terimler çelişiyorsa veya araçlar sınırlandırılmamışsa güçlü model de güvenilir kurumsal karar üretemez.

Başlık bu nedenle yapay zekânın kelimesi kelimesine tanımı değildir. Modeller elbette verilerle eğitilir. Tez, genel model yeteneğinin somut uygulamaya dönüştüğü anı anlatır: Yazılımın modeli sorumluluğu belirlenmiş veri, kurallar, araçlar ve gerçek süreçlerle kontrollü biçimde bağladığı an.

Model sistemin tamamı değil, bir bileşenidir

Yararlı bir mimari bakış dört katmanı ayırır:

1 · Veri: Belgeler, tablolar, olaylar, ana veri, meta veri ve izin bilgileri.

2 · İşleme: Alım, ayrıştırma, temizleme, normalleştirme, ilişkilendirme, parçalama ve geri getirim.

3 · Model ve mantık: Deterministik kurallar, klasik makine öğrenmesi, üretken modeller ve gerekirse ajan planlaması.

4 · Kontrol: Kimlik, erişim, onay, kayıt, değerlendirme, izleme ve müdahale sınırları.

Yalnızca dil modeline bakmak birçok hata kaynağını gizler. Yanlış çıktı model davranışından; eski kaynaktan, ayrıştırma hatasından, yanlış birim dönüşümünden, bozuk eşlemeden veya uygunsuz erişim yapılandırmasından doğabilir. „Hangi model başarısız oldu?" sorusu yerine „Sistem zincirinin hangi noktasında anlam, geçerlilik veya kontrol kayboldu?" diye sormak gerekir.

Veri çalışması sistem davranışını değiştirir

Üç sistem aynı durumu „tamamlandı", „closed" ve „bitti" olarak adlandırabilir. İnsanlar eşitliği bağlamdan çıkarabilir; otomatik hat üç kategori oluşturabilir. Model eşleme önerebilir, fakat hangi tanımın kurumsal olarak bağlayıcı olduğunu sessizce belirlememelidir.

Aynı sorun para birimi, saat dilimi, ölçü birimi, müşteri kimliği ve rollerde görülür. „Ciro" bir kaynakta net, diğerinde brüt, üçüncüsünde tahmin anlamına geliyorsa asıl sorun model seçimi değildir. Veri sözlüğü, onaylı eşleme ve sınanabilir dönüşüm gerekir.

Bu nedenle veri çalışması dolaylı model çalışmasıdır. Eğitilmiş parametreleri değiştirmeyebilir; ancak sistemin aldığı sinyalleri, oluşturduğu kategorileri ve sonraki eylemleri değiştirir.

Veri sözleşmeleri alan anlamını yazılıma bağlar

Sağlam arayüz yalnızca dosya biçiminden ibaret değildir. Veri sözleşmesi beklenen alanları, anlamı, izin verilen değerleri, güncelliği ve ihlal durumundaki işlemi tanımlar.

dataset: customer_requests
version: 2.1
required_fields: [request_id, received_at, category, status]
status_values: [new, triaged, in_progress, resolved]
timezone: Europe/Berlin
owner: Service Operations
freshness_target: 15m
on_validation_error: quarantine

Sözleşme kusursuz veriyi kanıtlamaz; beklentileri sınanabilir kılar. Kaynak sistem yeni durum değerleri gönderirse hat, kayıtları sessizce modele aktarmak yerine karantinaya alabilir.

Her sorun büyük dil modeli gerektirmez

İyi AI Data Engineering doğru mekanizmayı seçer. Koşullar kararlı ve sonuç tek anlamlı olmalıysa deterministik kurallar uygundur. Onay eşiği, zorunlu alan ve erişim engeli yaratıcı biçimde yorumlanmamalıdır. Uygun eğitim ve değerlendirme verisi varsa klasik makine öğrenmesi sınıflandırma, tahmin ve aykırı değer tespitini destekler. Üretken modeller özetleme, dönüştürme, açıklama ve doğal dil erişiminde değerlidir.

Ajan sistemleri planlama ve araç kullanımı ekler. Böylece yetenekle birlikte etki alanı da büyür. Taslak geri alınabilir; gönderilen e-posta, değişen izin veya verilen sipariş gerçek sonuç üretir. Daha geniş etki; sınırlı araçlar, asgari yetki, önizleme, onay, iptal ve denetim kaydı gerektirir.

En güçlü mimari genellikle „her yerde LLM" değildir. Deterministik kontrolleri istatistiksel ve üretken bileşenlerle birleştirir, insanı açık karar sınırlarına yerleştirir.

Veri akışından eylem döngüsüne

Basit bir yapay zekâ uygulaması veriyi okur ve öneri üretir. Ajan sistem ayrıca araç çağırabilir, sonucu gözlemleyip sonraki adımı seçebilir:

1. Veriyi al ve güncel durumu belirle.

2. İlgili bilgiyi getir ve doğrula.

3. Plan veya öneri üret.

4. İzin verilen araçları tanımlı sınırlar içinde kullan.

5. Sonucu ve yan etkileri gözle.

6. Devam et, düzelt, yükselt veya dur.

Her geçişte girdi verisi, geçerli kural ve sorumlu rol tanımlanmalıdır. Bunlar yoksa esneklik öngörülemezliğe dönüşür.

Üretim demodan sonra başlar

Demo birkaç seçilmiş belgeyle mükemmel çalışabilir. Üretimde yeni sürümler, beklenmeyen girdiler, izin değişiklikleri, kesintiler, saklama süreleri, maliyet sınırları ve çelişkili kaynaklar devreye girer. Güzel bir örnek yanıt operasyonel hazırlığı kanıtlamaz.

Üretim; alım, doğrulama, sunum, kullanım, ölçüm, hata izleme ve kaynak güncelleme yaşam döngüsü gerektirir. İstem, model, geri getirim veya veri değişikliği sürümlenmelidir; her biri sistem davranışını değiştirebilir. Model değişimi sentezi, ayrıştırıcı güncellemesi tablo bölünmesini, indeks yenilemesi bulunan bölümleri ve izin değişimi kullanılabilir kanıtı etkiler.

Her sürüm; veri durumu, kod sürümü, model, kurallar ve değerlendirme sonuçlarını izlenebilir biçimde taşımalıdır.

Gözlemlenebilirlik nedenleri ölçmelidir

Gecikme ve hata mesajları yeterli değildir. Alan kalitesi için kullanılan kaynaklar, etkin filtreler, doğrulama ihlalleri, insan düzeltmeleri, maliyet, süre, yanıt vermeme ve yükseltmeler de izlenmelidir.

Değerlendirme katmanları ayırmalıdır. Veri kontrolleri şema, güncellik ve izin verilen değerleri; geri getirim testleri kanıt seçimini; çıktı testleri kanıta bağlılık, eksiksizlik ve uygun belirsizliği; süreç testleri araç izinleri ve durma koşullarını ölçer.

Tek bir toplam puan bunların yerini tutmaz. İyi gözlemlenebilirlik, zayıf yanıtı yeniden promptlamak yerine kök nedene kadar izlemeyi sağlar.

İnsanın rolü değişir

İnsan her ara adımı elle yürütmek zorunda değildir. Temel görevi alan anlamını, risk sınırını ve onay kuralını tanımlamaktır. Kritik eşlemeleri onaylar, istisnaları çözer ve yüksek etkili eylemleri inceler.

Etkili kontrol yalnızca onay düğmesi değildir. İnceleyen kişi girdi, kanıt, belirsizlik, uygulanan kurallar ve sonuç oluşmadan eylemi reddetme, değiştirme veya durdurma yetkisine sahip olmalıdır.

Belirleyici mimari düşünce

Model etkileyici olabilir. Güvenilir uygulama onu çevreleyen sistemden doğar. Veri gerçeklikle bağ kurar. Yazılım bileşenleri birleştirir. Kurallar davranışı sınırlar. Kontroller kararları izlenebilir kılar. İnsan anlamı ve sorumluluğu güvence altına alır.

Kurumsal kullanımda belirleyici yapay zekâ tasarımı bu nedenle kodun sorumluluğu belirlenmiş veriyle buluştuğu yerde başlar. Zekâ orada yoktan var olduğu için değil; genel yetenek gerçek, sınanabilir ve sonuç doğuran işleve çevrildiği için.

Çalışma kâğıdı: Bir yapay zekâ sisteminin dört katmanını tasarla

Gerçek veya kurgusal bir kullanım senaryosu seç. Veri, işleme, model/mantık ve kontrolü ayrı gösteren sistem haritası oluştur.

1. Amaç ve etkiyi tanımla. Kullanıcıları, hedef sonucu ve hata sonuçlarını yaz. Geri alınabilir ve yüksek etkili eylemleri işaretle.

2. Veri ve sözleşmeleri tanımla. Kaynak, sorumlu, güncellik, koruma sınıfı ve beklenen alanları listele. En az üç sınanabilir veri kuralı yaz.

3. Mekanizmayı seç. Her adımı deterministik kural, klasik makine öğrenmesi, üretken yapay zekâ veya insan kararına ata. Gerekçeyi belirt.

4. Karar sınırlarını kur. Sistemin ne zaman devam edebileceğini ve ne zaman durması, yükseltmesi veya onay istemesi gerektiğini tanımla.

5. Gözlemlenebilirliği planla. Her katman için en az bir sinyal, bir test ve bir sorumlu rol belirle.

İndirilecek tüm materyaller — konu özeti ve çalışma kâğıdı:

Kapsam: Başlık, operasyonel yapay zekâ uygulamaları hakkında editoryal bir tezdir. Modeller zaten verilerle eğitilir; burada anlatılan, kurumsal değerin modelin güncel veri, yazılım, kurallar ve süreçlerle kontrollü biçimde bağlanmasıyla ortaya çıkmasıdır. NIST AI RMF gönüllüdür.

Kaynaklar ve mesleki kapsam