Bir araç ile bir sistem arasındaki farkı hiç düşündünüz mü?
Araçlar, görevleri yerine getirirken kullandığımız şeylerdir. Sistemler de benzer şekilde görevleri kolaylaştırır.
Bazıları bir sistemi, daha karmaşık bir araç olarak hayal edebilir.
Ancak, görevler iki türe ayrıldığında—iterasyon çalışması ve akış işi—araçlar ile sistemler arasındaki ayrım netleşir.
İterasyon ve Akış
İterasyon çalışması, esnek deneme yanılmalarla aşamalı olarak çıktılar oluşturma sürecidir.
İterasyon çalışmasında, belirli görevler için dönüşümlü olarak kullanılabilecek bir araç seti faydalıdır.
Tersine, akış işi, aşamalı olarak ilerleyen ve nihai aşamada bir çıktı üreten bir süreçtir.
Akış işinde, görev akışını yönlendirecek bir sisteme sahip olmak, üretkenliği ve kaliteyi önemli ölçüde artırır.
Akış İşine Dönüştürme ve Sistemleştirme
İnsanlar tarafından gerçekleştirilen birçok görev, ya iterasyon çalışmasıdır ya da sistemleştirilmiş akış işinin bir parçasıdır.
İterasyon çalışmasını akış işine dönüştürerek ve ardından sistemleştirerek, üretkenlik ve kalite önemli ölçüde artırılabilir.
Sanayi Devrimi ve BT Devrimi
Sanayi Devrimi ve BT Devrimi, iterasyon çalışmasının akış işine dönüştürülmesi ve ardından sistemleştirilmesiyle üretkenliğin ve kalitenin nasıl dramatik bir şekilde arttığına dair başlıca örneklerdir.
Sanayi Devrimi'nden önce, imalat, insanların araçları ustaca kullanarak ve düzenlemeleri ve prosedürleri her seferinde serbestçe değiştirerek gerçekleştirdiği bir iterasyon çalışmasıydı.
Benzer şekilde, BT Devrimi'nden önce, bilgi işlem, insanların araçları yapılandırılmamış, iteratif bir şekilde kullanmasını içeriyordu.
Bu süreçleri, tıpkı fabrika üretim hatları veya iş BT sistemleri gibi sistemleştirerek, üretkenlik ve kalite önemli ölçüde artırıldı.
Ancak, sadece sistemleştirme değil, aynı zamanda iteratif görevlerin akış işine dönüştürülmesi de son derece önemlidir. Sistemleştirmeyi mümkün kılan şey, ilk etapta akış işine dönüştürebilme yeteneğiydi.
Üretken Yapay Zeka Devrimi
Üretken yapay zekayı iş operasyonlarında kullanarak üretkenliği ve kaliteyi artırmayı hedeflerken, yapay zekayı yalnızca bir araç olarak kullanmak gerçek değerini ortaya çıkarmayacaktır.
Asıl amaç, iterasyon çalışmasının akış işine dönüştürülmesi ve ardından bu akış işinin sistemleştirilmesidir.
Üretken yapay zeka, uyarlanabilirliği sayesinde iterasyon çalışmasını yürütebilir. Ancak, ister insanlar ister üretken yapay zeka tarafından yapılsın, iterasyon çalışmasının üretkenliğinin ve kalitesinin sınırları vardır.
Bu nedenle, akış işine dönüştürmeyi ve sistemleştirmeyi hedeflemek kritik öneme sahiptir.
Akış işine dönüştürmenin insan çalışanlar için üretkenliği ve kaliteyi artırabileceği düşünülürse, üretken yapay zeka ortaya çıkmadan önce de bu tür girişimlerin yapılabileceği iddia edilebilir.
Ancak, insan çalışanlara dayalı akış işine dönüştürme, aslında çok zor bir sorundur. İnsan çalışanlar, görev atamalarındaki veya içerikteki değişikliklere anında uyum sağlayamazlar.
Tersine, çalışan üretken bir yapay zeka olduğunda, rolleri ve görev içeriğini iteratif olarak yeniden yapılandırmak kolaydır.
İnsanların aksine, üretken yapay zeka önceki adımları unutabilir, yeni prosedürleri anında okuyup anlayabilir ve bunlara dayanarak görevleri yerine getirebilir.
Bu nedenle, üretken yapay zekayı iş dünyasında kullanmanın ana akım yaklaşımı, iterasyon çalışmasının akış işine dönüştürülmesi ve ardından bunun sistemleştirilmesi olacaktır.
Üretken Yapay Zeka Kullanarak İş Verimliliği
Üretken yapay zeka aracılığıyla elde edilen iş verimliliğine bir örnek düşünelim.
Örneğin, çalışanların şirket içi kurallara ilişkin sorularına yanıt verme görevini ele alalım.
Üretken yapay zeka, şirket içi kuralları aramak ve taslak yanıtlar oluşturmak için kullanılabilir.
Ancak, üretken yapay zekanın güncel olmayan kurallara başvurma veya kurallarda bulunmayan hayal ürünü bilgilere dayanarak yanlış yanıtlar oluşturma olasılığı vardır.
Ayrıca, sorular e-posta, mesajlaşma araçları, telefon veya şahsen gibi çeşitli kanallar aracılığıyla gelebilir.
Bu nedenle, soruları yanıtlayan çalışanın eskiden olduğu gibi bunları almaya devam etmesi gerekir.
Çalışanların mümkün olduğunca soruları anında yanıtlaması ve kural doğrulaması gerektiren sorular için, soru içeriğini üretken yapay zekaya girerek taslak yanıtlar oluşturmasını sağlamak yoluyla verimliliğin artırılabileceği düşünülebilir.
Ek olarak, sıkça sorulan sorular için, bunları şirketin dahili web sitesinde SSS olarak yayınlamak gerekir.
Üretken yapay zeka, temsilci soruları ve yanıtları girerek web sitesinde yayınlanacak maddeler halinde taslaklar oluşturmak için de kullanılabilir.
Dahası, kural değişiklikleri gerektiğinde taslak ifadeleri gözden geçirmek için üretken yapay zekadan yararlanılabilir.
Bu tür kullanımlar, soru yanıtlama görevlerinin belirli bir yüzdesini kolaylaştırabilir.
Ancak bu, yalnızca soru yanıtlama sürecini bir iterasyon çalışması olarak ele almak ve üretken yapay zekayı bir araç olarak kullanmaktan ibarettir.
Sonuç olarak, bu yaklaşımdan elde edilen verimlilik kazanımları çok sınırlıdır.
Akış İşine Dönüştürme
Örnek olarak verilen sorgu yanıtlama görevinin verimliliğini en üst düzeye çıkarmak için, bu görevin akış işine dönüştürülmesi gerekir.
Bu, sorumlu kişinin sorguları ele alırken attığı adımların ayrıntılı olarak belirlenmesini ve belgelenmesini gerektirir:
- Sorguları çeşitli kanallar aracılığıyla alın.
- Sorgu daha önce yanıtlanmış bir sorguyla aynıysa ve ilgili kurallarda değişiklik yoksa, öncekiyle aynı yanıtı verin.
- Yeni bir sorgu veya kural değişikliği içeren bir sorgu için, kuralları gözden geçirin ve taslak bir yanıt hazırlayın.
- Taslak yanıtta eski kurallara atıf olup olmadığını veya kurallarda belirtilmeyen bilgileri içerip içermediğini kontrol edin.
- Yanıtlamadan önce onay gerekip gerekmediğini kontrol edin ve gerekirse onay alın.
- Sorgunun alındığı kanal aracılığıyla yanıtlayın.
- Sorgu içeriğini, onay sonucunu ve yanıt sonucunu sorgu geçmişi verilerine kaydedin.
- Sıkça sorulan sorular ve yanıtlar için önerilen güncellemeleri oluşturmak üzere sorgu geçmişi verilerini periyodik olarak kontrol edin.
- Onay aldıktan sonra şirket içi web sitesini güncelleyin.
- Kurallar güncellendiğinde, referans alınan kural verilerini güncelleyin.
- Eşzamanlı olarak, geçmiş sorgu geçmişi verilerinde ilgili yanıtların ve kural güncellemelerinin gerçekleştiğini kaydedin.
- Sıkça sorulan sorular ve yanıtların kural değişiklikleri nedeniyle revizyona ihtiyacı olup olmadığını doğrulayın ve gerekirse güncelleyin.
Bu görevlerin ayrıntılarını netleştirerek ve birbirine bağlayarak, esnek iterasyon çalışması net bir akış işine dönüştürülebilir.
Sistemleştirme Örneği
Görevleri akış işine dönüştürerek, sistemleştirme yolu netleşir.
Sistemleştirme yaparken, çalışan kolaylığında bir miktar fedakarlık kabul edilebilir ise, sorgu kanallarını birleştirmek bir seçenek olabilir.
Tersine, çalışan kolaylığı en yüksek öncelikse, tüm sorgu kanalları açık kalmalıdır.
Temelde, sistem sorguları doğrudan almalıdır. Sadece sözlü sorgular durumunda bir insan, ayrıntıları sisteme girmelidir.
Bir sorgu alındıktan sonra, BT sistemi ve üretken yapay zeka, akışa göre sonraki görevlerin mümkün olduğunca çoğunu gerçekleştirecektir. Başlangıçta, insan kontrolleri ve onayları sistem boyunca aralıklı olarak yer almalı ve insan operatörler düzeltmeler yapabilmelidir.
Daha sonra, sistem sorguları ele almak için kullanıldıkça, üretken yapay zeka bir hata yaparsa, hatanın tekrarlanmasını önlemek için yapay zeka talimatları dikkat edilmesi gereken noktalar, kontrol edilecek öğeler, hata örnekleri ve doğru örneklerle güncellenmelidir.
Bu süreç, üretken yapay zekanın hatalarını azaltabilir. Bu yapay zeka talimatlarını güncelleme işlemi, iterasyon çalışmasından akış işine dönüştürülerek daha da verimli hale getirilebilir.
Bu şekilde, akışa dönüştürülmüş görevleri sistemleştirerek, başlangıçta insan müdahalesi gerektirecek gibi görünen operasyonlar bile üretken yapay zeka merkezli bir sistemle değiştirilebilir.
Yaygın Yanlış Anlamalar
Birçok kişi, üretken yapay zekanın iş uygulamalarının şu anda çok az etkisi olduğuna veya henüz erken olduğuna inanmaktadır.
Ancak, bu kişilerin çoğu genellikle iki tür yanlış anlamaya sahiptir.
İlk yanlış anlama, üretken yapay zekayı sadece bir araç olarak kullanmaya odaklanmaktan kaynaklanır.
Burada gösterildiği gibi, üretken yapay zekayı iterasyon çalışması için bir araç olarak kullanmak, iş verimliliğini önemli ölçüde artırmaz. Bu yanlış anlama, bu tür sınırlı sonuçları deneyimlemekten veya gözlemlemekten kaynaklanır.
İkinci yanlış anlama, üretken yapay zekanın iterasyon çalışmasını gerçekleştirmesine odaklanmaktan gelir.
Gerçekten de, mevcut üretken yapay zekanın iterasyon çalışmasını gerçekleştirmesini sağlamaya çalışmak genellikle başarısız olur. Sonuç olarak, insanlar sadece bu gözleme dayanarak, üretken yapay zekanın insanlar tarafından yapılan görevleri üstlenemeyeceği sonucuna varırlar.
Sonuç
Tartışıldığı üzere, iterasyon çalışmasını akış işine dönüştürerek ve sistemleştirerek, yalnızca araçlarla sağlanandan daha fazla verimlilik beklenebilir.
Ayrıca, üretken yapay zeka iterasyon çalışması yapamasa bile, bir akış işi sürecindeki birçok bireysel görevi halledebilir. Başlangıçta çok sayıda hata olsa bile, talimatları güncelleyerek sürekli iyileşme sağlanabilir.
Alternatif olarak, gerekirse görevler bölünebilir; taslak hazırlama kontrol etmeden ayrılabilir veya çok aşamalı kontroller uygulanabilir.
Bu şekilde sistemleştirme başarılırsa, yapılan her görevle birlikte iyileşmeler ilerleyecek ve operasyonlar zamanla daha verimli hale gelecektir.
Bu, fabrika üretimi ve BT sistemleştirmesine benzer şekilde, mekanizmanın kendisinin sürekli iyileştirilmesine olanak tanıyan bir çalışma yöntemidir.
Üretken yapay zekayı etkin bir şekilde kullanmak için, kişinin kendi iterasyon çalışmasını iyileştirmeye çalışmak yerine, görevlerini objektif olarak akış işine dönüştürmesi ve sistemleştirmesi gereken bir zihniyet değişimi gerekmektedir.