Kurumsal Yapay Zeka kabuk değiştirdi. Birkaç yıl önce, yönetimi makine öğrenmesini test etmeye bile ikna etmek zorlu bir mücadeleydi. Şimdi bütçeler var. Pilot projeler onay alıyor. Kullanım durumları yol haritalarında birikiyor. Yine de bu projelerin çoğu, işleyişi asla değiştirmeyen pahalı deneyler olarak kalıyor. Modeller iyi. Sorun geri kalan her şeyde.

Pilot Projelerin Öldüğü Yer

Herkes bir demoya bayılır. Prototip, müşteri kaybını (churn) şaşırtıcı bir hassasiyetle tahmin eder. Yönetim kurulu onaylar. Fonlar akar. Sonra sessizlik başlar. Kavram kanıtlama (PoC) onaylanır ama ilerleme durur. Ne oldu?

İş ekipleri bir gösterge paneline (dashboard) bakarlar ve bunun günlük iş akışlarına nasıl uyum sağlayacağını çözemezler. Modeli besleyen veri hattı, kimsenin sahiplenmediği tek seferlik manuel bir veri çıkarımıdır. Uyumluluk kuralları sürecin ortasında değişir. Sistem, CRM'in daha önce hiç üretmediği temiz girdiler talep eder. Yapay zeka bir notebook içinde çalışır. Organizasyon ise onunla ne yapacağını bilemez.

Bu bir teslimat başarısızlığıdır. %95 doğruluk oranına sahip bir model bir hackathon'u kazanabilir. Ancak kalan %5'lik kısım denetim kabuslarına veya güvenlik ihlallerine yol açarsa, operasyonlar sistemi kapatacaktır. Mühendisler teknik dönüm noktalarını kutlar. İş birimleri ise asla gelmeyecek sonuçları bekler. İkisi arasındaki boşluk, projelerin öldüğü yerdir.

Anlam Boşluğu

Adını ne koyarsanız koyun. Yöneticiler gelir artışı veya maliyet düşüşü ister. Operasyon birimleri kaos olmadan hız ister. Veri ekipleri mantıklı şemalar ister. Mühendisler çalışma süresi (uptime) ve temiz API'lar ister. Bu isteklerin hiçbiri doğal olarak birbiriyle örtüşmez.

Kendi hallerine bırakıldıklarında, her grup farklı bir şeyi optimize eder. Bir mühendis, satış ekibi arayüz (UI) nedeniyle kafası karıştığı için her şeyi hâlâ Excel'e aktarırken, bir tahmin uç noktasındaki (prediction endpoint) gecikmeyi (latency) azaltmak için haftalarını harcayabilir. Bir veri bilimci, depo ekibi altı aydır kritik bir alana null değerler girerken AUC'nin dördüncü ondalık basamağına takıntılı hale gelebilir. Kimse haksız değildir. Sadece farklı diller konuşuyorlardır.

Bu uyumsuzluk, yapay zekanın pilot aşamasından sonra duraksamasının en büyük nedenidir. Bu bir GPU kıtlığı değildir. PhD eksikliği de değildir. Bu, bu grupların arasına oturup ortak bir gerçeklik inşa edebilecek birinin eksikliğidir.

Forward Deployed Engineer'lar Aslında Ne Yapar

Forward Deployed Engineer'lar (FDE) işte bu köprüdür. Veri bilimcilerinizin veya platform mühendislerinizin yerini almazlar. Teknolojiyi henüz yayına girmeden öldüren organizasyonel sürtünmeyi gidermek için iş, mühendislik, veri ve ürün ekipleri arasında çalışırlar.

Bir FDE bir projeye dahil olduğunda, rahatsız edici sorular sorarak başlar. Bu aracı kullanan kişi için başarılı bir Salı sabahı nasıl görünür? Hangi üç eski (legacy) sistem bu veri akışını gerçekten besliyor? Model yanlış çıkarsa süreçte ne olur? Ekiplerin yanlış çözümü inşa etmek için aylarını boşa harcamaması için bu cevapları teknik kararlara dönüştürürler.

Tipik bir görevde bir FDE şunları yapar:

  • Belirsiz talimatları kabul etmek yerine paydaşlarla hedefleri netleştirir
  • Hiçbir Jira biletinin yakalayamadığı darboğazları bulmak için operasyon sahasını gezer
  • Mevcut dokümantasyonun unuttuğu veri bağımlılıklarını tanımlar
  • Bu gereksinimleri somut teknik kararlara dönüştürür
  • Varsayımları erkenden doğrular; bunu genellikle çıktıyı devralacak olan operasyon ekibiyle yapılan bir görüşmeye katılarak yapar

FDE'ler sadece teknik sorunları değil, organizasyonel sorunları da çözerler. Bir operasyon yöneticisinin, eğitim verisi seçiminde yer almadığı için modele güvenmediğini fark edebilirler. Bu yüzden onun gerçekten anlayabileceği bir geri bildirim döngüsü kurarlar. Bir iş akışının, yeni sistemin görmezden geldiği iki onay gerektirdiğini görebilirler ve aracı bozuk bir sürece zorlamak yerine el değiştirme (handoff) sürecini yeniden tasarlarlar.

Sadece Doğruluğu Değil, Benimsenmeyi Ölçün

En başarılı yapay zeka programları farklı bir karneden takip eder. Model metrikleri hâlâ önemlidir, ancak asıl göstergeler sürecin devamında (downstream) yer alır. İnsanlar kullanıyor mu