Geleceği Gören Makineler – Yapay Zeka Ekonomisine Giriş Kitap Özeti
Yapay Zeka İle İşletmeler İçin Geleceği Görmek
Son zamanların heyecan verici gelişmelerinden biri olan yapay zeka, yegane amacı kar olan pek çok işletme için ilgi çekici bir teknoloji olarak görülmektedir. Bazı işletmeler AR-GE yatırımlarıyla geleceği tasarlarken bazı işletmeler gerekliliği konusunda tartışmaktadır.
Uzun süren uğraşlar sonunda, bu konuda kıymetli eserlerden biri olan “Geleceği Gören Makineler – Yapay Zeka Ekonomisine Giriş” kitabının özetini çıkardım. Pek çok üst düzey yönetici ve işletme sahibi yapay zeka ve benzeri teknolojiler hakkında doğrudan kaynak kurcalayacak vakte sahip değildir. Bu konuda faaliyet gösteren danışmanların yönlendirmelerini değerli bulur ve aldıkları geri bildirimlere göre işletmelerinin gelecek tasarılarını oluştururlar.
Aşağıdaki yazıda yapay zekanın ne olduğu, nasıl çalıştığı, yapay zeka kullanmadan önce neleri bilmemiz gerektiği, kullanma kararı verdiğimizde nelerle karşılaşabileceğimizi öğrenebilirsiniz.
Yapay Zekanın Gözünden
- Yapay zeka dalgasındaki güncel gelişmeler aslında zeka değil zekanın vazgeçilmez bir öğesini getirir o da öngörüdür.
- Karar almak için ana girdi öngörüdür. Ekonomi biliminin karar alma sürecini anlamak için oldukça gelişmiş bir yapısı vardır. Öngörü teknolojilerindeki ilerlemelere dair yeni ve pek anlaşılmamış çıkarımlar şirketinizin yapay zeka yaklaşımında yol gösterecek fikirler vermesi için ekonomideki karar teorisinin eski ve iyice kabul görmüş mantığı ile bir arada kullanılabilir
- Genelde hangi yapay zeka stratejisinin ya da hangi yapay zeka araçlarının en iyisi olduğuna ilişkin tek bir doğru yanıt yoktur. Çünkü yapay zeka ödülleşmeler içerir, hızın artmasıyla doğruluk azalır, otonominin artışı ile birlikte kontrol azalır, daha fazla veriyle birlikte gizlilik azalır. Kurumunuzun misyonu ve hedefleri doğrultusunda yapılan her takasın iki yönüne de değerlendirebilmeniz ve size göre en doğru kararı almanız için yapay zeka ile ilgili her kararda ödülleşmeleri belirleyebilmenizi sağlayacak bir yöntem sunulmaktadır.
Ucuz Her Şeyi Değiştirir
- Ekonomi bilimi daha ucuz öngörünün iş yaşamındaki anlamını görmek için net bir bakış açısı sunar. Öngörü makineleri muhtemelen envanter ve talep tahmini gibi geleneksel öngörü işlerinde ve navigasyon ve çeviri gibi yeni alanlarda kullanılacak. Öngörü maliyetindeki düşüş, veri, yargıda bulunma ve harekete geçme gibi tamamlayıcıların değerini arttırırken insan öngörüsü gibi ikame öğelerin değerini düşürecek.
- İşletmeler mevcut stratejilerini hayata geçirirken yardımcı olması için öngörü makinelerinden faydalanabilecekler, bu araçlar güçlenince stratejinin kendisini değiştirmek için motive edici olabilirler. Örneğin, Amazon alışveriş yapanların ne istediğini öngörebilirse satın alma – sonra gönderme modeli yerine önce gönderme – sonra satın alma modeline, yani ürünlerin sipariş edilmeden evlere getirildiği bir modele geçebilir. Bu yönde bir değişim işletmenin dönüşümünü sağlayacaktır
- İşletmelerin yapay zekadan fayda sağlamak için geliştirdikleri yeni stratejilerin bir sonucu olarak yapay zekanın topluma etkileriyle ilgili bir dizi ödün vermemiz gerekecek. Seçimlerimizin ihtiyaçlarımıza ve tercihlerimize bağlı olacak ve büyük ihtimalle farklı ülkeler ve kültürler arasında değişiklik gösterecek. Bu kitap öngörünün temellerinden başlayarak toplumun vereceği ödüllere kadar getirerek yapay zekanın her seviyedeki etkilerini yansıtması için 5 bölüm olarak yapılandırıldı.
- Öngörü
- Karar alma
- Araçlar
- Strateji
- Toplum.
Öngörü Makinesinin Sırrı
- Öngörü, eksik bilgileri doldurma işlemidir. Öngörü, genellikle veri olarak adlandırılan sahip olduğunuz verileri alır ve onu sahip olmadığınız bilgileri üretmek için kullanır. Gelecekle ilgili bilgi üretmeye ek olarak öngörü şimdiki zamanla ve geçmişle ilgili de bilgi üretebilir, kredi kartı işlemlerini hileli olarak, bir tıbbi görseldeki tümörü kötü huylu olarak ya da iPhone’u tutan kişiyi o telefonun sahibi olarak sınıflandırdığında gerçekleşen budur.
- Öngörü hatasızlığındaki küçük gelişmelerin etkisi aldatıcı olabilir. Örneğin %85 hatasızlıktan %90 hatasızlığa gelişim %98’den %99.9’a göre iki katından fazla görünebilir, 2 puanlık artışa göre 5 puanlık artıştır bu ancak ilk gelişme hataların üçte bir oranında azalması anlamına gelirken ikincisi hataların 20 faktör değerinde azalması anlamına gelir, bazı durumlarda hatalardaki 20 faktörlük düşüş dönüşümsel olur.
- Sıradan bir şey gibi görünen eksik bilgileri doldurma işlemi öngörü makinelerini sihirliymiş gibi gösterebilir, makineler gördüğünde nesne tanımlama, navigasyon kullandıklarında sürücüsüz arabalar ve çeviri yaptıklarında zaten bunlar yaşanmıştı.
Neden Zeka Diyoruz?
- Makine öğrenmesi biliminin istatistikten farklı hedefleri vardı, istatistik ortalama doğruluğa vurgu yaparken makine öğrenmesi buna ihtiyaç duymadı. Bunun yerine hedeflenen şey operasyonel etkililikti. Daha güçlü bilgisayarlar sayesinde öngörüler daha iyi olduğu sürece sapmalar olabilirdi. Bu durum, bilim insanlarına son 10 yıldaki zengin veliler ve hızlı bilgisayarlar sayesinde deneyler yapma ve gelişmeleri hızlandırma özgürlüğü tanındı.
- Geleneksel istatistiksel yöntemlerde oluşturulacak modelin belirlenmesi için varsayımların ya da en azından insan sezgilerinin belirtilmesi gerekiyor. Makine öğrenmesi ise nelerin dahil olacağını belirlemeye o kadar ihtiyaç duyuyor ve değişkenler arası daha fazla etkileşim ile çok daha karmaşık modellerin eş değerlerini barındırabiliyor.
- Makine öğrenmesinde son yaşanan ilerlemelerden genelde yapay zeka alanındaki ilerlemeler olarak söz edilir, çünkü;
- Bu tekniğe dayanan sistemler zaman içinde öğrenir ve ilerleme kaydeder.
- Bu sistemler değer yaklaşımlara göre belli koşullar altında büyük ölçüde daha isabetli öngörler üretir ve bazı uzmanlar öngörünün zeka için merkezi bir önemi olduğunu söylemektedir.
- Bu sistemlerin öngörülerinin dahi isabetli olması önceden sadece insan zekasının alanına giren çeviri ve navigasyon gibi işlemleri yapabilmelerini sağlar. Biz öngörü ve zeki arasındaki bağlantının tam anlamıyla bilinemeyeceğine inanıyoruz, vardığımız sonuçlardan hiçbiri öngörüdeki ilerlemelerin zekadaki ilerlemeleri temsil ettiğine bağlı değil. Biz zeka maliyetindeki düşüş yerine öngörü maliyetindeki düşüşe odaklanıyoruz.
Yeni Petrol Veri
- Öngörü makineleri 3 tür veri kullanır; 1) Yapay zekayı elde etmek için eğitim verisi, 2) Öngörü için giriş verisi ve 3) Öngörünün doğruluğunu iyileştirmek için geri bildirim verisi. Veri toplamak maliyetlidir ve bir yatırım gerektirir, veri toplamanın maliyeti ne kadar veriye ihtiyaç duyduğunuzda ve bu sürecin ne kadar müdahaleci olduğuna bağlı olarak değişir. Verileri elde etmek ile öngörüde ki hatasızlığı geliştirmekten elde edilecek faydayı dengelemek çok önemlidir, en iyi yaklaşıma karar vermek için her veri türü için yatırım getirisini tahmin etmek gerekir. Bunu elde etmenin maliyeti nedir ve buna bağlı olarak öngörü doğruluğundaki artış ne kadar değerli olacaktır incelenmelidir.
- İstatistiksel ve ekonomik gerekçeler daha fazla verinin daha fazla değer yaratıp yaratmadığını belirler. İstatistiksel açıdan verinin azalan getirisi bulunur, her yeni birim veri öngörünüzü bir öncekine göre daha az geliştirir 10. gözleminiz öngörünüzü birincisinden daha fazla geliştirir, ekonomik açıdan aradaki ilişki muğlaktır. Büyük veri grubuna daha fazla veri eklemek küçük bir veri grubuna eklemekten daha etkili olabilir. Örneğin, yeni verirler öngörünüzün performansına faydasızken faydalı olma eşiğinin üstüne taşıyacaksa ya da düzenleyici bir performans eşinin altındayken üzerine çıkacak veya bir rakibinizden kötüyken daha iyi olmasını sağlayacaksa. Bu yüzden kurumların daha çok veri ekleme, öngörü doğruluğunu iyileştirme ve değer yaratma arasındaki ilişkiyi anlaması gerekiyor.
Yeni İş Bölümü
- Profesyonel uzmanlar da dahil olmak üzere insanlar belli durumlarda kötü öngörüler yapar, genelde göz önündeki bilgilere fazla önem verir ve istatistiksel özellikleri hesaba katmazlar, çok sayıda bilimsel çalışma ve farklı alanlardan profesyonellerde bu eksiklikleri belgelemektedir. Bu olgu Moneyball filminde gösterilmiştir.
- Makineler ve insanların öngörü bağlamında güçlü ve zayıf yanları farklıdır, öngörü makineleri geliştikçe, işletmeler buna tepki olarak insanlar ve makineler arasındaki iş bölümünü ayarlamak zorunda kalır. Öngörü makineleri özellikle zengin verilere sahip ortamlarda farklı göstergeler arasındaki karmaşık etkileşimleri dikkate almada insanlardan daha iyidir. Bu tür etkileşimler için boyut sayısı arttıkça insanların özellikle makinelere kıyasla doğru öngörü oluşturma becerisi azalır. Buna karşın genelde insanlar veri üretim sürecinin öngörü avantajı yarattığını anlamada özellikle az veri olan ortamlarda makinelerden daha iyidir. Biz uygun iş bölümünü tahmin etmek için yardımcı olan öngörü ayarları sınıflandırmasını gösteriyoruz. Örneğin;
- Bilinen Bilinenler
- Bilinen Bilinmeyenler
- Bilinmeyen Bilinenler
- Bilinmeyen Bilinmeyenler
- Öngörü makineleri farklı ölçeklerde olabilir. Onun sıklığı arttıkça üretim başına maliyet düşer, insan öngörüsü aynı şekilde ölçeklenmez. Bununla birlikte İnsanların dünyanın nasıl işlediği ile ilgili bilişsel modelleri vardır ve böylece küçük miktarda veriyle öngörüler yapabilirler. Bu yüzden istisna ile insan öngörüsünde artış bekliyoruz bu öngörülerin çoğunun rutin sıradan verilere dayandığı için makineler tarafından yapıldığı fakat nadir gerçekleşen olaylar ortaya çıktığında makinenin güvenini güvenli bir öngörü yapamayacağını anlayıp insanın yardımını istemesidir. İstisna ile öngörüyü sağlayan insandır.
Karar Verme
- Öngörü makineleri çok değerlidir çünkü;
- Genelde insanlardan daha iyi daha hızlı ve daha önceden öngörü üretirler
- Öngörü belirsizlik durumlarında çok önemli bir parçadır ve karar verme ekonomik ve toplumsal hayatımıza sıklıkla karşılaştığımız bir durumdur. Buna karşın öngörü karar değildir, bir kararın sadece öğesidir. Diğer öğeler yargı, eylem, sonuç ve 3 çeşit veridir (girdi, eğitim ve geri bildirim verisi)
- Bir kararı öğelerini ayırarak öngörü makinelerinin insanlar ve diğer mallar üzerindeki değerinin etkisini anlayabiliriz. Öngörü makinelerinin ikamelerinin değeri, yani insan öngörüsü azalacaktır. Bununla birlikte veri toplama, yargı ve eylemlerle ilişkili insan becerileri gibi tamamlayıcıların değeri artacaktır. Her birinin bilgiyi günün belli bir saatinde bir noktadan diğerine giden en hızlı yolu öngörmeyi öğrenmek için 3 yıl harcadığı Londra taksi şoförlerinin durumunda şoförlerin hiçbiri işlerinde öngörü makineleri yüzünden kötüleşmemiştir. Daha ziyade diğer pek çok şoför öngörü makinelerini kullanarak en hızlı yolu seçmede çok daha iyi olmuşlardır, şoförlerin öngörü becerileri artık az bulunan bir ürün olmaktan çıkmıştır. Taksi Şoförü olmayan sürücülerin rekabet edebilmelerini sağlayacak öngörü makineleri ile desteklenen araç kullanma becerileri ve insan sensörleri gözler ve kulaklardır. Bunlar bugün vardır.
- Yargıda bulunma bir kararın her olası sonucuyla yanlış karar doğru kararlarlabağlantılı göreceli bedelin belirlenmesini içerir. Yargı gerçekten peşinde olduğunu hedefi tayin etmeyi gerektirir ve karar verme konusunda gerekli bir adımdır. Öngörü makineleri zaman içinde öngörüleri daha iyi daha hızlı ve daha ucuz hale getirdikçe insanın yargılarının değeri de artacak çünkü ona daha çok ihtiyacımız olacak. Önceden (Varsayılanı kabul ederek karar vermemeyi seçtiğimiz durumlarda daha fazla gayret göstermeye ve yargıda bulunmaya istekli olabiliriz.)
Yargıların Değeri
- Öngör makineleri yargıların sağladığı kazancı arttırır çünkü öngörünün maliyetini düşürür ve bu sayede eylemlerle bağlantılı ödülleri anlamanın değerini arttırır. Ancak yargı maliyetlidir, farklı durumlarda farklı eylemler için göreceli kazançları Anlamak zaman çaba ve deney yapmaya gerektirir.
- Pek çok karar belirsizlik ortamında verilir, yağmur yağabileceğini düşündüğümüz için şemsiye almaya karar veririz ama yanılıyor olabiliriz, bir bankacılık işlemine onay vermeye karar veririz çünkü onun geçerli olduğunu düşünürüz ama yanılıyor olabiliriz, belirsizlik durumlarında sadece doğru kararlar için değil yanlış olanlar için de bedelleri belirlememiz gerekir. Yani belirsizlik verili bir karar hakkında bedellere ilişkin yargıda bulunmanın maliyetini arttırır.
- Eğer bir kararı bağlı olarak yönetilebilir sayıda eylem – durum kombinasyonu varsa yargıyı kendimizden alıp makineye devredebiliriz. Bu, ödül işlevi mühendisliğidir ve bu sayede makine bir kez öngörüyü oluşturunca kendi başına karar verebilir. Bu kararı otomatize etmeyi sağlar, yine de genelde çok fazla eylem durum kombinasyonu bulunur ve öyle ki özellikle çok nadir gerçekleşen kombinasyonlarda her kombinasyon için bütün bedelleri önceden kodlamak fazla maliyetlidir. Böyle durumlarda öngörü makinesi ön görüşünü yaptıktan sonra bir insanın yargıda bulunması daha verimli olur.
Yargıyı Öngörmek
- Makineler insan yargılarını öngörmeyi öğrenebilir, araç kullanma bunun bir örneğidir. Bütün muhtemel durumları idare edebilmesi için insanların yargılarını kodlamaları uygulanabilir değildir, buna rağmen otonom sürüş sistemlerini çok sayıda örnek göstererek ve insan yargısını öngörmesi için ödüllendirerek eğitiriz. (Bu durumda bir insan olsa ne yapardı?)
- Makinelerin insan yargısını öngörmelerinin sınırları vardır. Bu sınırlar verilerin azlığı ile ilişkilidir, kişisel tercihler gibi insanların sahip olduğu ve makinelerde olmayan bazı veriler vardır. Bu veriler değerlidir ve şirketler sadakat kartları ve Google, Facebook gibi ücretsiz internet hizmetleri yoluyla bu verilere ulaşmak için şu anda ödeme yapmaktadır.
- Makineler nadir gerçekleşen olayları ön görmede zayıftır, yöneticiler şirketleri için geçmişte yaşanmış benzer olaylara dair veriler olmadan şirket birleşmeleri inovasyon ve ortaklıklar hakkında karar verir. İnsanlar buna benzer alışılmadık durumlarda benzeşimler ve modeller kullanarak karar verir. Makineler geçmişte bir durum defalarca gerçekleşmediyse insan yargılarını öngöremez.
Karmaşıklığı Düzeltmek
- Gelişmiş öngörü insan ya da makine olması fark etmeksizin karar vericilerin daha fazla Eğer ve Öyleyse durumuyla başa çıkmasına imkan tanır Bu şekilde daha iyi sonuçlara ulaşırız. Bu bölümdeki navigasyon örneğinde, öngörü makineleri posta robotu sayesinde otonom araçları önceki sınırlarının dışına çıkarmıştır. Bu, ortamların özelliği, sınırlı sayıda eğerli, “ya da” durumları olmasıdır. Öngörü makineleri otonom araçların sokak gibi kontrolsüz ortamlarda çalışabilmesini sağlar çünkü önceden bütün potansiyel “eğerleri” kodlamaktansa makine bir insan yönlendiricinin herhangi bir özel durumda ne yapacağını öngörmeyi öğrenir. Benzer şekilde havaalanlarındaki dinlenme salonu örneği, gelişmiş öngörünün her zaman tedbir olarak erken çıkıp havaalanı dinlenme salonunda fazladan zaman geçirmektense, daha fazla “öyleyse” durumuna imkan verdiğini gösteriyor. Örneğin;Belirli bir günün belirli bir saatinde havaalanına ulaşmanın ne kadar zaman alacağına ilişkin öngörüye dayanarak “öyleyse x ya da z saatinde evden çık” denmesine.
- Iyi öngörü olmadığı zaman eldeki verilerle yeterince iyi kararlar alarak fazla yetinmiş oluruz. Havaalanına varmak için her zaman erken çıkıp ve genelde erken varıp beklemek yetinmenin bir örneğidir. Bu en uygun çözüm değildir ama eldeki bilgilere bağlı yeterince iyi bir çözümdür. Posta robotu ve havaalanı dinlenme salonları yetinmeleri yanıt olması için tasarlanmış buluşlardır. Öngörü makineleri yetinme ihtiyacını azaltacak ve bu sayede posta robotu sistemleri ve havaalanı dinlenme salonları gibi çözümlere yapılan yatırımların getirisini de azaltacaktır.
- İşlerimizde ve toplumsal yaşamlarımızda yetinmeyi o kadar kabullenmişiz ki öngörü makinelerinin daha fazla “Eğer” ve “Öyleyse” ile ve böylece daha karmaşık ortamlarda daha karmaşık kararla baş edebilmesi sayesinde mümkün olacak geniş çaplı dönüşümleri hayal etmek için alışmamız gerekiyor. Pek çok insan havaalanı dinlenme salonlarının kötü öngörülerin çözümü olduğunu ve öngörü makinelerinin güçlü olduğu bir çağda değerlerinin azalacağını düşünemez. Diğer bir örnek ise tıbbi görüntülemelerle öngörü yapmanın zayıflığı karşısında biyopsi kullanımıdır, öngörü makinelerine güven arttıkça biyopsi yapılması ile ilişkili mesleklerde Tıbbi Görüntüleme kullanımı yapay zekanın etkisi sayesinde artabilir. Çünkü, havaalanı dinlenme salonlarındaki gibi bu maliyetli ve müdahaleci işlem zayıf öngörüye bir yanıt olarak icat edilmiştir. Hem havaalanı dinlenme salonları hem de biyopsiler risk yönetimi çözümleridir, öngörü makineleri risk yönetimi için yeni ve daha iyi yöntemler sağlayacaktır.
Kararları Otomatize Etmek
- Bir işte yapay zeka kullanılması o işin bütünüyle otomatize olduğu anlamına gelmez. Öngörü parçalardan sadece biridir, çoğu zaman yargıda bulunmak ve eyleme geçmek için insanlara hala ihtiyaç vardır. Buna rağmen yargılar bazen kodlanabilir ya da yeterince örnek varsa makineler yargıları ön görmeyi öğrenebilir. Ayrıca makineler eyleme de geçebilir, makineler bir işi bütün yönleri ile üzerine alındığında o iş tam olarak otomotize olur ve insanlar tamamen devre dışı kalır.
- Bütünüyle otomatize edilme ihtimali olan işlerin başında tam otomasyonun en yüksek kazanç sağlayacağı işler vardır. Bunların içinde bir o işte öngörü dışındaki bütün parçaların zaten otomatize olduğu işler; Örneğin, madencilik, 2) Eyleme geçme hızının getirisinin öngörüye karşılık olarak yüksek olduğu işler; Örneğin, sürücüsüz araçlar ve 3) Öngörü için bekleme süresinin azalmasından elde edilen kazançların yüksek olduğu işler; Örneğin, uzay keşifleri bulunabilir .
- Otonom araçların şehir sokaklarında hareket etmesi ile maden alanında hareket etmeleri arasındaki önemli bir fark birincisinin dikkate değer dışsallıklar yaratmasına karşın ikincisinde böyle bir durum olmamasıdır. Sokaklarda hareket eden otonom araçlar karar vericinin dışındaki bireylerin maruz kalacağı bir kazaya neden olabilir. Buna karşılık bir maden alanında hareket eden araçlar sadece madenle ilişkili nesneler ya da insanların maruz kalacağı maliyetlere neden olur. Hükümetler dışsallık yaratan eylemlere ilişkin düzenlemeler getirir bu yüzden yapılan düzenlemeler kayda değer dışsallıklar yaratan uygulamaların tam otomasyonu önünde potansiyel bir engel oluşturur. Ekonomistlerin bu probleme dikkat çekmek için kullandığı bir araç dışsallıkların yüklenilmesi ile sorumluluk verilmesidir. Otomasyonun pek çok yeni alanda kullanımı için artan taleple birlikte sorumluluk yüklemeye ilişkin kayda değer politikalar geliştirilebileceğini tahmin ediyoruz.
İş Akışlarına Yakından Bakmak
- Yapay zeka araçları hedefe yönelik çözümlerdir, her biri özel bir öngörü geliştirir ve çoğu özel bir görev için tasarlanmıştır birçok yapay zeka girişimi tek bir yapay zeka aracı yaratmaya dayanır.
- Büyük şirketler girdileri çıktılara dönüştüren iş akışlarından oluşur, iş akışları görevlerden oluşur örneğin x bir şirketin halka arzı 146 ayrı görevden oluşan bir iş akışıdır. Yapay zekanın nasıl uygulanacağına karar verirken şirketler iş akışlarını görevlere ayıracak her bir görevi yerine getirecek yapay zekanın yapılması ya da satın alınması için gereken yatırım getirisini tahmin edecek, yapay zeka araçlarını yatırım getirisine göre sıralayacak ve listenin başından başlayarak aşağıdaki maddelere doğru çalışmaya devam edecektir. Bazen bir şirket bir yapay zeka aracını iş akışına dahil edebilir ve görevin verimliliği artacağı için anında bir fayda görebilir. Fakat çoğu zaman bu kolay değildir, bir yapay zeka uygulamasından gerçek bir fayda elde etmek için tüm iş akışını yeniden düşünmek veya “değişim mühendisliği” gerekir. Sonuç olarak birçok ana akım işletmede yapay zekadan elde edilen verimlilik kazancını görmek, kişisel bilgisayar devrimindeki gibi zaman alacaktır.
- Bir yapay zeka aracının iş akışı üzerindeki potansiyel etkisini görmek için herhangi bir MBA başvurusunun sıralamasını öngören hayali bir yapay zeka aracı tarif ettik, bu öngörü makinesinden tam olarak faydalanmak için okulun iş akışını yeniden tasarlanması gerekir. Yapay zeka daha büyük bir başvuru havuzuna ulaşmanın getirisini arttıracağından dolayı başvurulardan hangilerinin başarılı olacağına ilişkin daha iyi öngörürler ve başvuruları değerlendirme maliyetini düşüreceği için başvuruların manuel olarak sıralama görevini ortadan kaldırılması gerekecek ve MBA programının pazarlama görevini geliştirecektir. Okul kimin başarılı olacağını daha kesin olarak belirleyebileceği için burs ve maddi yardım gibi teşvikler verme görevinde değişiklik yapar, son olarak kabul kararlarını anlık olarak vermenin avantajlarından yararlanmak için iş akışının diğer öğelerinde ayarlamalar yapacaktır.
Kararları Parçalamak
- Öngörü makinelerinin nereye yerleştirilebileceğini görmek için görevlerin ayrıştırılması gerekir. Gelişmiş öngörünün faydasını ve bu öngörünün üretilme maliyetini bu şekilde tahmin edebiliriz, makul tahminler oluşturduktan sonra yapay zeka araçlarını yatırım getirisine göre en yüksekten en düşüğe doğru sıralayın ve beklenen yatırım getirisi anlamlı oldukça uygulamaya koyun.
- Yapay zeka tuvali ayrıştırılma işlemlerine yardımcı olacak bir destektir, her karar veya görev için yapay zeka tuvalini tamamlayın, bu sürece disiplin ve yapı kazandırır. İhtiyaç duyulan 3 veri türünün hepsi ile ilgili net olmanızı talep eder, eğitim girdi ve geri bildirim. Ayrıca, öngörmeniz gerekenleri farklı eylem ve sonuçların göreceli değerini, eylem fırsatlarını ve sonuç olanaklarını değerlendirmek için gereken yargıyı açıkça ifade etmenizi talep eder.
- Yapay zeka tuvalinin merkezinde öngörü yer alır. Görevin merkezindeki asıl öngörüyü tanımlamanız gerekir ve bu yapay zeka görüşü gerektirebilir. Bu soruyu cevaplama çabası yönetici ekipte genellikle varoluşsal bir tartışmaya yol açar. Asıl amacımız nedir ki? Öngörü, misyon bildirilerinde sıkça bulunmayan bir belirlilik gerektirir. Örneğin, bir işletme okulu için en iyi öğrencileri kabul etmeye odaklandıklarını söylemek kolaydır fakat öngörüyü belirlemek için en iyinin ne olduğunu belirlememiz gerekir. Mezuniyetin ardından en yüksek maaşa sahip bir iş teklif edilmesi mi? Mezuniyetten sonra büyük ihtimalle 5 yıl içinde CEO olmak mı? Toplumun farklı kesimlerinden mezunlarınızın olması mı? Mezun olduktan sonra okula bağış yapma ihtimalinin yüksek olması mı? Kar maksimimizasyonu gibi görünüşte anlaşılır olan hedefler bile göründüğü kadar basit değildir karı en üst düzeye çıkarmak için yapılması gerekenleri bu hafta bu çeyrek içinde bu yıl veya bu 10 yılda görmemiz gerekir mi? Şirketler genellikle kendilerini hedeflerini yeniden düzenlemek ve yapay zeka stratejileri ile ilgili çalışmalarında ilk adım olarak misyon bildirilerini iyileştirmek için bu temellere dönmek zorunda kalıyor.
Yeniden Tasarlanan İşler
- Bir iş görevlerden oluşur, bir iş akışını parçalarına bölerken ve yapay zeka araçlarını kullanırken önceden İnsanların yaptığı bir takım görevler otomatize edilebilir. Kalan görevlerin sıralaması ve önemi değişebilir ve yeni görevler yaratılabilir. Bu yüzden bir işi oluşturan görevler toplamı değişebilir. Yapay zeka araçlarının uygulanmasının işlerliği için 4 ayrı sonucu olur;
- Yapay zeka araçları, elektronik hesap çizelgeleri ve muhasebeci örneklerindeki gibi işleri geliştirebilir .
- Yapay zeka araçları, tedarik merkezlerinde olduğu gibi işleri azaltabilir .
- Yapay zeka araçları, radyologlarda olduğu gibi birtakım görevlilerin eklendiği ve bazılarının çıkarıldığı bir şekilde işlerin yeniden oluşturulmasına yol açabilir.
- Yapay zeka araçları, okul otobüsü sürücülerinde olduğu gibi belirli bir iş için gereken özel becerilere verilen önemi değiştirebilir.
- Yapay zeka araçları belirli becerilerin nispi kazançlarını değiştirebilir ve bu nedenle belirli işler için en uygun insan tiplerinin değişmesine yol açabilir. Muhasebecilerin durumunda elektronik hesap çizelgesinin ortaya çıkışı bir hesap makinesinde hızlıca birçok hesaplama yapabilmenin getirisini azaltmıştır. Aynı zamanda teknolojinin verimli bir şekilde senaryo analizleri yapma becerisinden tam olarak yararlanmak için doğru soruları sormada başarılı olmanın getirisini de arttırmıştır.
Üst Düzey Yönetimde Yapay Zeka
- Üst düzey yönetim, yapay zeka stratejisini bütünüyle bilgi işlem departmanını devretmemeli. Çünkü güçlü yapay zeka araçları kurumun stratejisine ters bir şekilde yöneticilik hizmetlerindeki görevlerin verimliliğini arttırmanın ötesine geçip stratejinin kendisini değiştirebilir. Yapay zekanın stratejik değişime yol açması için 3 etken olması gerekir; 1) İş modelinin merkezinde bir ödülleşme olduğunda örneğin önce satın alma sonra göndermeye karşılık önce gönder sonra satın alma. 2) Belirsizlikler ödülleşmeyi etkilediğinde örneğin müşterilerin ne satın alacağına ilişkin belirsizlik nedeniyle iade edilen ürünlerden kaynaklı yüksek maliyet önce gönderim sonra satın almanın sağladığı yüksek satıştan üstün geldiğinde. 3) Belirsizliği azaltan bir yapay zeka aracı optimum stratejideki ödülleşmenin bir taraftan diğerine doğru kayarak dengesinin bozulmasına neden olduğunda örneğin bir müşterinin ne alacağını tahmin ederek belirsizliği azaltan bir yapay zeka aracı önce gönder sonra satın alma modelinin geleneksel modelden üstün geleceği şeklinde dengeyi bozduğunda.
- Yapay zeka stratejisinin belirlenmesinde üst düzey yönetime ihtiyaç duyulmasının bir nedeni de yapay zeka araçlarının işletmenin bir bölümünde uygulanmasının diğer bölümleri etkileyebilmesidir. Amazon, düşünce deneyinde önce gönderim sonra satın alma modeline geçişin bir yan etkisi muhtemelen haftada bir mahalledeki iade edilen eşyaları toplayan bir kamyon filosuyla iade eşya toplama işine dikey entegrasyon olmuştu, başka bir deyişle güçlü yapay zeka araçları iş akışlarının ve şirketin sınırlarının yeniden tasarlanması ile sonuçlanabilir.
- Öngörü makineleri yargıda bulunma eylemler ve veriler dahil olmak üzere tamamlayıcıların değerini arttıracaktır. Yargıda bulunmanın artan değeri kurumsal hiyerarşide değişikliğe yol açabilir, farklı rolleri veya farklı insanları güçlü pozisyonlara yerleştirmenin daha fazla yüksek getirileri olabilir. Ayrıca, öngörü makineleri yöneticilerin bileşenleri tek tek optimize etmenin ötesine geçecek üst düzey hedefleri optimize etmelerini ve böylece kurumun hedeflerine daha uygun karar alınmasını sağlar. Öngörünün şekillendirdiği eylemler geleneksel işletmelerin yapay zekadan gelen değerin bir kısmını elde etmesini sağlayan rekabet avantajı için bir kaynak olabilir. Ancak, güçlü yapay zeka araçlarının önemli bir rekabet avantajı sağladığı bazı durumlarda yeni katılımcılar eylemlere sahip olmaya dikey olarak entegre olabilir ve ellerindeki yapay zekayı rekabet için bir temel olarak kullanabilir.
Yapay Zeka İle İşletmenizin Dönüşümü
- Stratejik bir karar şirketin sınırlarına bağlı olarak (Örneğin, havayolu şirketinin ortaklıkları otomatik parça üretiminin şirket dışında yaptırılması) sizin işinizin bittiği bir başka işletmenin işinin başladığı yeri belirler. Belirsizlik de bu kararda etkilidir, öngörü makineleri belirsizliği azalttığından dolayı kurumunuz ve diğer kurumlar arasındaki sınırı etkileyebilir.
- Öngörü makineleri belirsizliği azaltarak daha fazla sözleşme yapılabilmesini ve böylece öngörü ve eylemi odaklanan araç gereç sermayesi ile birlikte iş gücünün de dışarıda bırakılmasını teşvik eder. Ancak öngörü makineleri yargıda bulunmaya odaklanan iş gücünün dışarıda bırakılmasını teşvik etmez. Yargıların sözleşmelerde belirtilmesi ve takip edilmeleri zordur. Eğer yargı iyi bir şekilde belirtilebiliyor olsaydı bu onun programlanabilirliği anlamına gelirdi ve o durumda onu sağlayan insanlara ihtiyacımız kalmazdı, yapay zeka yayıldıkça insan gücü için yargıda bulunmak çok önemli olacağından daha fazla çalışan şirkette istihdam edilecek ve iş gücü daha az dışarıda kalacak.
- Yapay zeka veriye sahip olma konusunda teşvik edici olacaktır yine de verilerin sağladığı öngörülerin kurumunuz için stratejik olarak gerekli olmadığı durumlarda veri için insanların işe alınması gerekmeyebilir, bu tür durumlarda veri satın alıp kendi öngörülerinizi yaratmaktan sa doğrudan öngörü satın almak daha iyi olabilir.
Öğrenme Stratejiniz
- Yapay zeka, öncelikli stratejiye geçiş, önceki en önemli büyük önceliğin önemini kaybetmesine neden olur. Diğer bir deyişle yapay zeka öncelikli ifadesi moda bir kullanımdan daha fazlasıdır, gerçek bir ödülleşmeyi temsil eder. Yapay zeka öncelikli bir strateji kullanıcı sayısı ya da kullanıcı deneyimini en üst seviyeye çıkarmaktan taviz vermek anlamına gelse bile öngörülerdeki doğruluğu kurumun asıl hedefi olarak belirler.
- Yapay zeka yıkıma yol açabilir, çünkü genelde teknolojiye uyum sağlamada mevcut şirketler girişimlere göre ekonomik olarak aynı düzeyde istekli değildir. Yapay zeka ile çalışan ürünler başlarda etkisizdir çünkü bir öngörü makinesini kendi kendine öğrenmek yerine insan yönlendirmelerini takip eden değişmez şekilde kodlanmış bir cihaz kadar başarılı olması için eğitmek zaman alır. Yine de bir kere kullanmaya başlandığında bir yapay zeka aracı zeki olmayan rakiplerinin ürünlerini geride bırakarak öğrenmeye ve gelişmeye devam edebilir. Kurumsal şirketlere “Bekle ve gör” yaklaşımını tercih ederek kenarda durup kendi sektörlerinde yapay zekanın nasıl uygulandığını izlemek cazip gelebilir. Bu, bazı şirketler için işe yarayabilir ama diğerleri rakipleri yapay zeka araçlarını eğitme ve kullanmada öne geçtiklerinde onları kolayca yakalayamaz.
- Bir diğer stratejik karar yapay zeka araçlarının kontrolsüz ortamda kullanılmasının zamanlaması ile ilgilidir. Başlangıçta yapay zeka araçları müşterilerden uzakta şirket içinde eğitilir. Ancak, ticari Kullanıma açıldıklarında daha hızlı öğrenirler çünkü gerçek çalışma şartları ve daha fazla veri ile karşılaşırlar. Erken uygulanmanın faydası daha çabuk öğrenmelidir ve bedeli ise daha çok risk alınmasıdır (müşterileri düzgün bir şekilde eğitilmemiş az gelişmiş yapay zeka araçlarına maruz bırakarak markanın ve müşterinin güvenilirliğinin tehlikeye atılması) Google inbox örneğindeki gibi bazı durumlarda ödülleşme nettir. Bu örnekte çabuk öğrenmenin getirileri performans düşüklüğüne üstün gelir. Sürücüsüz araçlar gibi farklı örneklerde bir ticari ürün hazır değilse hatanın yüksek maliyeti onu erken piyasaya sürmenin getirileri ile karşılaştırıldığında ödülleşme daha zor tespit edilir.
Yapay Zeka Risklerini Yönetmek
- Yapay zeka, çok çeşitli riskler taşır. En çok karşılaşılan 6 çeşidini burada özetliyoruz ;
- Yapay zekalardan gelen öngörler ayrımcılığa neden olabilir, kasıt olmasa da bu ayrımcılık sorumluluk yaratır.
- Verilerin kıt olduğu durumlarda yapay zeka araçları etkili olmaz, bu durum bir öngörünün doğru olduğuna inanıldığı ama yanlış çıktığı durumlar için özellikle bilinmeyen bilinenler türünde kalite riskleri yaratır.
- Yanlış girdi verileri öngörü makinelerinin kullanıcılarını hackerlara karşı savunmasız bırakacak şekilde kandırılabilir.
- Biyoçeşitlilikte olduğu gibi öngörü makinelerinde de çeşitlilik bireysel ve sistemsel düzeyde olan sonuçlar arasında ödülleşme yapılmasını içerir daha fazla çeşitlilik birey düzeyde performans için faydalı olabilir ama büyük bir başarısızlık riskini de arttırır .
- Öngörü makineleri sizi farklı haklar hırsızlığı ve sistemde zayıflık bulunan saldırganlar sebebiyle adli davaları açık hale getirebilir.
- Öngörü makinelerinin yıkıcı davranışlar öğrenmesi için geri bildirimler manipüle edilebilir.
İşin Ötesinde
- Yapay zekanın yükselişi topluma birçok seçenek sunuyor. Her biri bir ödülleşmeyi temsil etmektedir Bu aşamada teknoloji tam gelişmemişken toplumsal seviyede özellikle 3 ödülleşme görünüyor.
- Birinci ödülleşme verimlilik ile bölüşüm arasındadır, birçok insan yapay zekanın bizi fakirleştireceğini ya da daha kötü bir duruma götüreceğini söylüyor. Bu doğru değil, ekonomistler teknolojik ilerlemenin bizi daha iyi bir konuma getireceğini ve verimliliği arttıracağı konusunda anlaşmış durumda. Yapay zeka kesinlikle verimliliği arttıracaktır sorun zenginliğin yaratılmasında değil bunun bölüşülmesinde. Yapay zeka iki nedenden ötürü gelir dağılımındaki eşitsizlik sorununu da daha kötü bir hale getirebilir.
- Birincisi, birtakım işleri üstlenerek geriye kalan işler için insanlar arasında rekabeti arttırabilir, maaşların düşmesine neden olabilir ve gelirden işçilerin aldığı payı azaltıp sermaye sahiplerinin aldığı payı arttırabilir.
- İkincisi, öngörü makineleri diğer bilgisayar teknolojileri gibi yapay zeka araçlarının daha becerikli işçilerin verimliliğini orantısız bir şekilde arttırmasına benzer şekilde beceri odaklı olabilir.
- Ikinci ödülleşme inovasyon ile rekabet arasındadır. Pek çok yazılım teknolojisinde olduğu gibi yapay zekanın ölçek ekonomileri vardır, dahası yapay zeka araçları 1. dereceye kadar kazancın arttırılması ile tanımlanır. Daha iyi öngörü doğrulduğu daha fazla kullanıcıya, daha fazla kullanıcı daha fazla veriye ve daha fazla veri daha iyi öngörü doğruluğuna ulaştırır. İşletmeler daha fazla kontrol sahibi olursa öngörü makineleri yapmak için daha istekli olurlar, ama ölçek ekonomileri ile birlikte bu tekelleşmeye yol açabilir. Daha hızlı inovasyon kısa vadeli bir bakış açısına göre topluma yararlı olabilir ama uzun vadeli ya da toplumsal bir bakış açısına göre en iyi seçenek olmayabilir.
- Üçüncü ödünleşme, performans ile gizlilik arasındadır. Yapay zeka araçları daha fazla veri ile daha başarılı olurlar, özellikle daha fazla kişisel veriye erişimleri olduğunda öngörülerini daha iyi kişiselleştirebilirler. Kişisel veriler çoğu zaman gizliliğin azalması koşuluyla gelir. Avrupa’da ki gibi bazı hükümetler vatandaşlarına daha fazla gizlilik sağlayan bir ortam yaratmayı tercih eder, bu vatandaşları için faydalı olabilir ve hatta bireylerin kendi kişisel verilerini takas yapma satma ya da bağışlama konusunda daha kolay karar vermelerine imkan tanıyarak özel bilgiler için daha dinamik bir pazar oluşturacak şartlar yaratabilir. Buna karşın katılım göstermenin maliyetli olduğu ortamlarda çatışma yaratabilir ve Avrupalı şirketler ve vatandaşlar için verilere daha iyi erişim sağlayan yapay zeka araçlarının daha rekabetçi olduğu pazarlarda dezavantaj oluşturabilir.
- Bu 3 ödülleşme için hükümetlerin kayıpları ve kazançları iki yönlü olarak değerlendirilmesi ve genel stratejileri ve bütün vatandaşlarının öncelikleri ile en uyumlu politikaları tasarlaması gerekecektir.
Geleceği Gören Makineler – Yapay Zeka Ekonomisine Giriş