Yapay zeka pazara büyük bir ilgiyle girdi, büyük ilgi gördü ve benimsendi. Ama artık tempo düşüyor.
İş dünyası liderleri hâlâ yapay zekayı benimsemekten bahsediyor çünkü faydalarını istiyorlar; McKinsey, GenAI’nın şirketleri şu ana kadar kurtarabileceğini tahmin ediyor: 2,6 trilyon dolar bir dizi operasyon. Ancak yürüyüşe çıkmıyorlar. Kıdemli analitik ve BT liderleri arasında yapılan bir ankete göre, GenAI uygulamalarının yalnızca %20’si şu anda üretimdeler.
İlgiyle gerçeklik arasında neden bu kadar büyük bir uçurum var?
Cevap çok yönlüdür. Güvenlik ve veri gizliliği, uyumluluk riskleri ve veri yönetimiyle ilgili endişeler yüksek profillidir, ancak aynı zamanda yapay zekanın şeffaf olmaması ve yatırım getirisi, maliyetler ve beceri boşlukları konusunda endişeler de vardır. Bu makalede yapay zekanın benimsenmesinin önündeki engelleri inceleyeceğiz ve iş dünyasının liderlerinin bu engelleri aşmak için alabileceği bazı önlemleri paylaşacağız.
İçindekiler
Verileri ele alın
SolarWinds Başkan Yardımcısı ve Çözüm Mühendisliği Global Başkanı Rob Johnson, “Yüksek kaliteli veriler, doğru ve güvenilir yapay zeka modellerinin temel taşıdır ve bu da daha iyi karar alma ve sonuçlara yol açar” dedi ve şunları ekledi: “Güvenilir veriler yapay zekaya olan güveni artırır BT profesyonelleri arasında yapay zeka teknolojilerinin daha geniş çapta benimsenmesini ve entegrasyonunu hızlandırıyoruz.”
Bugün BT profesyonellerinin yalnızca %43’ü yapay zekanın veri taleplerini karşılama yeteneklerinden emin olduklarını söylüyor. Verilerin yapay zeka başarısı için hayati önem taşıdığı göz önüne alındığında, veri zorluklarının yapay zekanın yavaş benimsenmesinde sıklıkla bahsedilen bir faktör olması şaşırtıcı değil.
Bu engeli aşmanın en iyi yolu veri temellerine geri dönmektir. Kuruluşların, veri kalitesini ve bütünlüğünü güçlendiren sıkı kontrollerle, sıfırdan güçlü bir veri yönetişim stratejisi oluşturması gerekiyor.
Etiği ve yönetişimi ciddiye alın
Düzenlemelerin mantar gibi çoğalmasıyla uyumluluk birçok kuruluş için zaten baş ağrısı haline geldi. Yapay zeka, güvenlik ve uyumluluk riskinin ortadan kalkması ölçüsünde iş liderlerinin endişe duyacağı yeni risk alanları, daha fazla düzenleme ve artan etik yönetim sorunları ekliyor en çok bahsedilen endişeydi Cloudera’nın Kurumsal Yapay Zekanın Durumu ve Modern Veri Mimarisi raporunda.
Yapay zeka düzenlemelerindeki artış ilk başta endişe verici görünse de, yöneticiler bu çerçevelerin sunduğu desteği benimsemelidir; çünkü bu çerçeveler, kuruluşlara kendi risk kontrollerini ve etik korkuluklarını oluşturabilecekleri bir yapı sağlayabilir.
Uyumluluk politikaları geliştirmek, yapay zeka yönetişimi için ekipler atamak ve insanların yapay zeka destekli kararlar üzerinde otorite sahibi olmasını sağlamak, kapsamlı bir yapay zeka etiği ve yönetişim sistemi oluşturmanın önemli adımlarıdır.
Güvenlik ve gizlilik üzerindeki kontrolü güçlendirin
Güvenlik ve veri gizliliği endişeleri her işletme için büyük önem taşıyor ve bunun iyi bir nedeni var. Cisco’nun 2024 Veri Gizliliği Karşılaştırma Çalışması şunu ortaya çıkardı: Çalışanların %48’i Halka açık olmayan şirket bilgilerinin GenAI araçlarına girildiğini kabul etmek (ve bilinmeyen sayıda kişi bunu yaptı ve bunu kabul etmiyor), kuruluşların %27’sinin bu tür araçların kullanımını yasaklamasına yol açtı.
Riskleri azaltmanın en iyi yolu hassas verilere erişimi sınırlamaktır. Bu, erişim kontrollerinin ve ayrıcalıkların iki katına çıkarılmasını ve verilerin halka açık olarak barındırılan LLM’lerden uzak tutulmasını içerir. Pyramid Analytics CTO’su Avi Perez, iş zekası yazılımının yapay zeka altyapısının bilinçli olarak tasarlandığını açıkladı. Verileri LLM’den uzak tutunyalnızca sorunu tanımlayan meta verileri paylaşıyor ve yerel olarak barındırılan motorların analiz yürütmesinin en iyi yolu olarak LLM ile arayüz oluşturuyor.”Burada çok büyük sorunlar var. Bu sadece gizlilikle ilgili değil, aynı zamanda yanıltıcı sonuçlarla da ilgili. Dolayısıyla bu çerçevede veri gizliliği ve bununla bağlantılı sorunlar bence çok büyük. Onlar bir gösterişçidir” Perez dedi ki. Ancak Pyramid’in kurulumuyla “LLM tarifi oluşturur, ancak bunu hiçbir zaman bilgi almadan yapar”. [its] Verileri elle ve matematiksel işlemler yapmadan kullanabilirsiniz. […] Bu, veri gizliliği riskleri açısından sorunun yaklaşık %95’ini ortadan kaldırıyor.”
Şeffaflığı ve açıklanabilirliği artırın
Yapay zekanın benimsenmesinin önündeki bir diğer ciddi engel de sonuçlarına olan güven eksikliğidir. Amazon’un kadınlara karşı ayrımcılık yapan yapay zeka destekli işe alma aracının kötü şöhretli hikayesi, birçok insanı yapay zekadan uzaklaştıran uyarıcı bir hikayeye dönüştü. Bu korkuyla mücadele etmenin en iyi yolu açıklanabilirliği ve şeffaflığı arttırmaktır.
“Yapay zeka şeffaflığı, çıktının arkasındaki mantığı açıkça açıklamak, karar verme sürecini erişilebilir ve anlaşılır kılmakla ilgilidir.” Adnan Masood dediUST’da baş yapay zeka mimarı ve Microsoft bölge direktörü. “Günün sonunda, bu, yapay zekanın kara kutu gizemini ortadan kaldırmak ve yapay zekanın karar verme sürecinin nasıl ve neden olduğuna dair içgörü sağlamakla ilgili.” Ne yazık ki birçok yönetici şeffaflığın önemini gözden kaçırıyor. Yakın zamanda yapılan bir IBM araştırması şunları bildirdi: CEO’ların yalnızca %45’i açıklık için yetenekler sunduklarını söylüyorlar. Yapay zeka savunucularının, kara kutuların ortaya çıkmasını önleyen sıkı yapay zeka yönetişim politikalarının geliştirilmesine öncelik vermesi ve SHapley Additive exPlanations (SHAP’ler) gibi açıklanabilirlik araçlarına, Google’ın Adillik Göstergeleri gibi adalet araç takımlarına ve İç Denetçiler Enstitüsü’nün yapay zekası gibi otomatik uyumluluk kontrollerine yatırım yapması gerekir. Denetim Çerçevesi.
Net iş değerini tanımlayın
Maliyet, her zaman olduğu gibi yapay zeka engelleri listesinde yer alıyor. Cloudera anketi, yanıt verenlerin %26’sının yapay zeka araçlarının çok pahalı olduğunu söylediğini ve Gartner’ın yapay zeka projelerinin başarısızlığında “belirsiz iş değerini” bir faktör olarak değerlendirdiğini ortaya çıkardı. Ancak aynı Gartner raporu, GenAI’nin kullanıcıları arasında ortalama %15’in üzerinde bir gelir artışı ve maliyet tasarrufu sağladığını belirtti; bu da, yapay zekanın doğru uygulandığı takdirde finansal yükselişi artırabileceğinin kanıtı.
Bu nedenle yapay zekaya diğer tüm iş projeleri gibi yaklaşmak çok önemlidir; hızlı yatırım getirisi sağlayacak alanları belirleyin, görmeyi beklediğiniz faydaları tanımlayın ve değeri kanıtlayabilmeniz için belirli KPI’lar belirleyin. Bir yapay zeka stratejisi ve yol haritası oluşturmak için kritik bir ilk adım, odaklanılacak en değerli ve dönüştürücü yapay zeka kullanım senaryolarının belirlenmesidir.” dedi Michael RobinsonUiPath Ürün Pazarlama Direktörü.
Etkili eğitim programları oluşturun
Beceri açığı, yapay zekanın benimsenmesinin önünde önemli bir engel olmaya devam ediyor, ancak bu sorunu çözmek için çok az çaba sarf edildiği görülüyor. Worklife’ın bir raporu, yapay zekanın benimsenmesindeki ilk patlamanın erken benimseyenlerden geldiğini gösteriyor. Artık iş, doğası gereği şüpheci olan ve genel olarak yapay zekaya ve herhangi bir yeni teknolojiye karşı daha az güven duyan geride kalanlara düşüyor.
Bu da eğitimi önemli kılıyor. Ancak Asana’nın İşyerinde Yapay Zekanın Durumu araştırmasına göre, Katılımcıların %82’si şunları söyledi: kuruluşları üretken yapay zeka kullanımına ilişkin eğitim sağlamadı. Eğitimin işe yaramadığına dair hiçbir belirti yok; daha ziyade olması gerektiği gibi olmuyor.
Net sonuç, kaliteli yönlendirme ve diğer ilgili beceriler konusunda kapsamlı bir eğitim sunmaktır. Cesaret verici bir şekilde, aynı araştırma yapay zekayı eğitim almadan kullanmanın bile insanların becerilerini ve özgüvenini artırdığını gösteriyor. Bu nedenle, yapay zeka konusunda vasıfsız çalışanların iş başında öğrenmesine olanak tanıyan düşük kodlu ve kodsuz araçlarla başlamak iyi bir fikirdir.
Yapay zekanın benimsenmesinin önündeki engeller aşılamaz değil
Yapay zekanın benimsenmesi yavaşlamış olsa da uzun vadede tehlikede olduğuna dair bir gösterge yok. Şirketleri yapay zeka araçlarını kullanıma sunmaktan alıkoyan birçok engel, çok fazla sorun yaşamadan aşılabilir. Veri kalitesinin ve etik yönetişimin güçlendirilmesi gibi adımların çoğu, yapay zekanın dikkate alınıp alınmamasına bakılmaksızın atılmalıdır; atılan diğer adımlar ise, yapay zekanın getirebileceği artan gelir ve üretkenlik kazanımları ile kendi maliyetini karşılayacaktır.
