Yapay Zeka ile Prototipleme
Londra'daki Öğrenme Teknolojileri '26 konferansında dinlemeyi, gözlemlemeyi, iletişim kurmayı, sohbet etmeyi ve konuşmayı tamamladık. Expo salonuna ve neredeyse her oturuma hakim olan bir konu vardı:
İnsan Zekası Vs. Yapay Zeka
Kim kazanıyor? Bu bir yarışma mı? Bugün heyecan nedir ve gerçekçi olan nedir? Öğrenme nereye gidiyor? Bir fark yaratıyor muyuz? Ne değişiyor? Ne değişmeli? Geride miyiz? İnsanlar etkiyi ölçmekle mi yoksa etki yanılsamasını mı ölçmekle ilgileniyor? Yapay Zeka (AI) çağında hala insan olarak bağlantı kurabilir miyiz? İşte bu deneyimden çıkardığım tek kelimelik çıkarım: diyalog.
İki senaryo yazdım. İçlerinden biri kötüydü. Ama arada yıllar boyunca zanaatım üzerinde çalışıyordum, iyi diyaloglar yaratıyordum.
Diyalog, iki veya daha fazla kişi arasındaki bir konuşma veya edebiyatta, oyunlarda ve filmlerde karakterler arasındaki yazılı alışveriştir. Karakterleştirme, kişilikleri ortaya çıkarma ve olay örgüsünü ilerletme için bir araç görevi görür ve aynı zamanda karşılıklı anlayışı amaçlayan ciddi, işbirlikçi fikir alışverişine de gönderme yapabilir.
Bir an için bir filmdeki karakterler olduğumuzu hayal edin. Hepimizin bir geçmişi, bir inanç sistemi, başarısızlık ve başarılarla dolu bir geçmişi, (bilinen veya bilinmeyen) önyargıları vb. var. Hikayemizde bazı karakterler insan zekasına sahipken bazıları yapay zekaya sahiptir. Geçmiş, şimdiki zaman ve gelecekle ilgili sınırlı bir dünya görüşümüz var. Diyalog olay örgüsünü yönlendirmek için sahnelerde gerçekleşir. Bir filmde her sahne önemlidir. Konuyu ilerlettikçe kişilikleri ortaya çıkarır ve karakterlerin büyümesine yardımcı olurlar.
Yazarın güneş gözlüklerindeki yansıma
Diyalog Ne Değildir?
Konuşmalar, indirmeler, açıklama, dersler, içerik, bilgi dökümleri, gösterge tabloları, Sharepoint siteleri…
Sahne 1: Uluslararası Konuşmacılar Yemeği
Konferans öncesinde konferansın bazı konuşmacıları ve başkanları resmi olmayan bir akşam yemeğinde bir araya geldi. Ne yedik? Yemeği hatırlamıyorum. Ama karakterleri ve aramızdaki diyaloğu hatırlıyorum. Diyalog, karşılıklı anlayışın ortak amacını varsayar! Karşılıklı anlayış tam bir anlaşma anlamına gelmez. Biriyle tamamen aynı fikirde olmayabilirsiniz ve yine de onunla diyalog kurabilirsiniz. Ancak bu yalnızca en azından belirli bir düzeyde karşılıklı güven, saygı ve açıklık olduğunda gerçekleşir. Diyalog dinlemeyi de içerir. Aktif ve açık dinleme. Konuşma sırasının size gelmesini beklemiyorum. Yanıt vermeyi bekliyorum.
Psikolojik güvenlik, eğlence, yemek, seyahat ve tabii ki öğrenmeyle ilgili bazı konulara değindik. Slayt yoktu, yardım malzemeleri yoktu ve ileri tıklaması yoktu. Diyalog yoluyla bağlantılar kurmak yapay zeka çağında da hayati önem taşımaya devam edecek.
İki durumu hayal edin:
- Yöneticiniz size bir projedeki başarınızla ilgili güzel hazırlanmış bir not gönderiyor. Kısa, öz, duygusal ve mükemmel dilbilgisi ile. Ancak açıkça AI tarafından yazılmıştır.
- Yöneticiniz aynı başarı hakkında bir not gönderir. Mükemmel değil ama iki önemli toplantı arasında biraz zaman ve çaba gerekti. Hatta yazım hatası bile olabilir.
Çoğu kişi, otomatik olarak insan odaklı mesajları ve iletişimleri tercih ettiğini söyler. Peki öyle mi? Çevrimiçi trafiği yönlendiren marka özgünlüğüne sahip yapay zeka etkileyicileri, insan doktorlardan daha empatik olarak derecelendirilen sohbet robotları veya “alışılmadık derecede yüksek çağrı hacmi” nedeniyle uzun bekleme süresinin yerini alan müşteri hizmetleri yapay zeka temsilcileri var.
Cevabım yok ama etkileşimin işlemsel, pratik olduğu ve uzun vadeli ilişkiyi umursamadığınız durumlarda yapay zekanın diyaloğa hakim olacağından şüpheleniyorum.
Sahne 2: Gerçekliğe Karşı. Heyecanlandırmak
Yapay zekanın mevcut manzarası Oz Ülkesi'ne benziyor. Öte yandan LinkedIn'de sihir yanılsaması hakim: her köşede çok sayıda çerçeve bulunan uzmanlar. Artık her iyi öğrenme teknolojisi satıcısı, içerik oluşturmadan simülasyonlara kadar yapay zeka odaklı özellikler sunuyor. L&D hâlâ hızlı mühendislik üzerinde çalışırken, bazı liderler bağlam mühendisliğine geçerken, dünyanın geri kalanı OpenClaw ile kendilerine personel şefi oluşturuyor.
Sonuç nerede?
DX, boylamsal bir çalışmada yapay zeka ve mühendislik sonuçlarını inceledi:
Pek çok lider, kuruluşlarının yapay zeka odaklı mühendislik hızını ortaya çıkarma yarışında geride kaldığını düşünüyor. Satıcı pazarlaması ve sosyal medya, beklentileri 3 kat, hatta 10 kat iyileştirme olarak belirliyor. Liderler daha mütevazı sonuçlar gördüklerinde bir şeylerin yanlış olduğunu varsayıyorlar.
Bu resmi sağlamak için DX, yapay zekanın benimsenmesinin keskin bir şekilde arttığı 400'den fazla şirketten oluşan bir örneklemde Kasım 2024'ten Şubat 2026'ya kadar mühendislik hızını analiz etti. Halkla ilişkiler veriminde %10-15'lik bir artışın gerçek bir kazanç olduğunu, ancak çoğu liderin beklediğinin oldukça altında olduğunu gördük.
Makale daha sonra yapay zeka yoluyla performans artışı beklentilerinin şu ana kadar neden karşılanmadığının ayrıntılarına giriyor [1].
Peki ya Öğrenme ve Geliştirme?
Artık yapay zekanın öğrenme ve geliştirme üzerindeki etkisine odaklanan çok sayıda araştırma var. RedThread Research, Egle Vinauskaite, Markus Bernhardt ve diğerlerinden gelen araştırma bulguları, öğrenme ve geliştirmede (ve ötesinde) neler olduğu ve geleceğin sorumluluğunun nasıl üstlenileceği konusunda bazı rehberlik sağlıyor.
Sorumluluk almaktan bahsetmişken: Oturumum yapay zeka araçlarıyla hızlı prototip oluşturmaya çok özeldi. L&D'nin çalışan modelleri göstermek için hızlı ve yinelenen tasarım konusunda her zaman bir sorunu vardı. Eskiden teknoloji uzmanlığı ve sıklıkla BT yardımı gerektiriyordu. Günümüzde yapay zeka, süreci hızlandırabiliyor ve öğrenme profesyonellerinin prototipler aracılığıyla hızlı bir şekilde deney yapmalarını, yinelemelerini ve öğrenmelerini mümkün kılabiliyor. Bunu, gitmeye değer bir hedefe (iş sorunu veya fırsatı), bir araca (maliyet, hız ve kontrol açısından ihtiyacınızı karşılayan bir yapay zeka aracı) ve oraya nasıl gideceğinizi gösteren bir haritaya (eski anlamda statik bir harita değil, daha çok yolculuğa nasıl başlayacağınızı gösteren GPS yol tarifleri gibi) ihtiyaç duyduğunuz bir yolculuk olarak tanımladım.
Ancak yapay zekanın bu süreci yönlendirmesine izin verirsek ve pasif olarak katılırsak, asla gitmeyi düşünmediğimiz yerlere ne kadar hızlı gidebileceğimizi öğrenmek pahalı bir yolculuk olacak.
Gerçek şu ki yapay zeka, öğrenme ve geliştirmenin “benimsemesi” gereken bir teknoloji değil. En azından tek açı bu değil. Ve kesinlikle başlangıç noktası değil. Örneğin içerik oluşturmayı otomatikleştirmek için yapay zekayı kullanmanın verimlilik artışını göstermek cazip geliyor. Tüm öğrenme ve geliştirme liderleri için benim görevim, daha hızlı içerik oluşturma sürecine geçmek ve verimliliği ölçmektir. Ve bu yapay zeka ile başlamıyor. Bugün nasıl çalıştığımızı ve yarın nasıl çalışmamız gerektiğini anlamakla başlar:
- Bugün işler nasıl yapılıyor? İş akışı nedir?
- Kim hangi kararları veriyor?
- Hangi çıktıdan kim sorumlu?
- Belirli bir çıktı için kaliteyi nasıl tanımlarsınız? Kaliteyi nasıl kontrol ediyorsunuz?
- Sonuç beklentisi nedir?
Soru sormanın sizi yavaşlatıyormuş gibi gelebileceğini biliyorum, ancak karşılaşacağınız çıkmazları azaltırken yolculukta hızlanmanıza yardımcı olacaktır.
Sahne 3: Neden Prototiplemeli, Neyi Prototiplemeli?
Yaygın bir hata, bir prototipe gerçeğin ucuz bir versiyonu gibi davranmaktır. Bu prototipler genellikle prototip aşamasında takılıp kalıyor çünkü ölçeklenmiyorlar ve aslında herhangi bir soruyu yanıtlamıyorlar (“bunu yapabilir miyiz?” dışında).
Bir prototip öğrenmek içindir. Bir şeyi hızlı ve tekrarlayarak öğrenmek. Prototip, simüle ettiğiniz deneyimin en kritik kısmına odaklanmalıdır. Çalışanlara yardımcı olacak ilk yapay zeka sohbet robotunuzsa, ürettiği şeyin hedef kitlenizle alakalı olmadığını öğrenmek için tam gelişmiş bir uygulama oluşturmanıza gerek yoktur. Gerçek iş sorunlarıyla ve gerçek kullanıcılarla deneme testi yapmak çok önemlidir.
Fikrinizin işe yaramadığını öğrenirseniz ne olur? Bunu yapacak bir şey inşa etmek için kaynaklardan ve zamandan tasarruf ettiniz. Ekip temel deneyimin prototipini oluşturmadığı için kurumsal dünyada pek çok uygulama “benimseme sorunu” gördüm. “Yaparlarsa gelirler” bir strateji değildir.
Neyin Prototiplenmesi Gerekir?
Öncelikle çözmeye değer bir iş sorunu veya fırsatıyla başlayın. Verimlilik kolay bir hedeftir ancak geri tepebilir. Bir defasında, metni alan ve içerikten birkaç dakika içinde bir PowerPoint sunumu oluşturan bir otomasyon oluşturdum. Yüzlerce HeH (insan eşdeğeri saat) tasarruf ettiğimi sanıyordum. Bir nevi. Etkisiz bir seslendirme sunumunu daha hızlı oluşturmaya devam etmemize yardımcı oldu. Tekrar ediyorum, yalnızca şimdiki aşama için değil, gelecek için de bir iş senaryosu olduğundan emin olun.
İkinci olarak, son noktayı aklınızda tutarak başlayın: Hedef kitlenizin kim olduğu ve çözüme nasıl erişecekleri. Prototipin mükemmel olması gerekmez, ancak ölçeklenebilirlik için prototip versiyonunu oluştururken nihai teslimatınızı aklınızda tutmanız gerekir.
Hedef kitle kim?
- Kendin
Yeterlilik veya kalite kontrolüne yardımcı olan pratik bir uygulama olabilir. Örneğin, değerlendirme sorusunun kalitesini kontrol etmekten sorumluysanız bu, yetenekli bir yapay zeka temsilcisi için harika bir hedeftir. Henüz bir yapay zeka aracısı oluşturmuyorsanız ancak oluşturduğunuz e-Öğrenim kurslarında Kullanıcı Deneyimini geliştirmek istiyorsanız bu da pratik bir hedef olabilir. - Akranlarınız
Ekibinizin mevcut iş akışındaki darboğazları çözebilseydiniz ne olurdu? Peki ya bu süreci güçlendiren, hatta bazı unsurların yerini alan bir şey inşa edebilseydiniz? Örneğin, xAPI kullanıyorsanız ekibiniz için standartlarınızı takip eden ve anında hazır kod üreten bir bildirim oluşturucu oluşturabilirsiniz. Hala SCORM ile uğraşıyorsanız aynısını oluşturabilirsiniz. - Kuruluşunuz
İşlevler arası iş akışı darboğazlarını çözebilseydiniz ne olurdu? Peki ya bir yardımcı araç başkalarının işlerini daha kolay, daha hızlı yapmasına ya da ilgili bilgileri daha hızlı bulmasına yardımcı olabilirse? Peki ya eski, bayatlamış eğitim kurslarından kurtulup bunları gerçek zamanlı destek için etkileşimli bir asistanla değiştirebilseydiniz? - Çalışanlar (“öğrenenler”)
Bir öğrenme deneyiminin içine bir diyalog yerleştirebilseydiniz ne olurdu? Yoksa role, konuma ve önceki beceri seviyesine göre uyarlanmış bir simülasyon mu? Bazen becerikli olma anlamında “yenilikçi” olmanız yeterlidir: Zaten kullanıcıların kimliğini doğrulayan ve verileri (SCORM cmi ifadeleri aracılığıyla) depolayan bir ÖYS/LMS'niz vardır, böylece derin bağlantı lansmanıyla ilgili, özelleştirilmiş ve pratik bir yardımcı araç dağıtabilirsiniz. Elbette, tek oturum açma özelliğine sahip özel bir web sunucusu daha iyi olurdu, ancak bu arada aracın prototipini de oluşturabilirsiniz.
Erişimden bahsetmişken: Oturumumda ilk prototip ne kadar küçük olursa olsun herkesin planlamayla başlaması gerektiğini önerdim. Özellikle, tüm çözümün (yalnızca prototipin değil) bir ürün gereksinim belgesinde (PRD) planlanması. Tüm LLM'ler PRD'nin tam olarak ne olduğunu bilir ve sizin için temelleri oluşturabilirler. Daha sonra bu belgeyi proje yapıtlarından biri olarak genişletebilirsiniz.
Kullandığınız AI aracı ne olursa olsun (Rüzgar Sörfü, Claude Code/Coworker ve Github Copilot arasında geçiş yapıyorum), bu temel PRD, karar vermenize ve nihai çözümü göz önünde bulundurarak prototipin dar kapsamını belirlemenize yardımcı olacaktır. Yukarıdakilerin hepsi tek bir şeyle ilgilidir: diyalog. İnsanlar ve yapay zeka arasındaki anlamlı, yinelenen konuşmalar.
Şimdi Gidin ve Bir Şey İnşa Edin!
Not: Eğer resmin neyi temsil ettiğini merak ediyorsanız (güneş gözlüklerindeki yansımaların ötesinde), arka plandaki Banksy heykelini incelemeniz gerekir. Başlangıçta bunun kör bir vatanseverlikle ilgili olması gerekiyordu; bayrak yüzünden kör olan bir kişinin serbest düşüşe geçmesi. Benim için yapay zekaya benzerlikler getiriyor. Sorumluluğu üstlenin, öğrenin ve deneyin. Etkileyicileri körü körüne takip etmeyin.
Resim Kredisi:
- Makalenin içindeki fotoğraf yazar tarafından sağlanmıştır.
Referanslar:
[1] Yapay zeka ve mühendislik hızı: Uzunlamasına bir analiz
Bir yanıt yazın