Yapay Zekaya Dayalı Karar Verme

5 Aralık - Dr. Merve Ayyüce Kızrak 

Büyük Dil Modellerinin insan benzeri bir muhakeme yeteneğine sahip sistemler olmamasından dolayı, büyük veri kümeleri üzerinden olasılık temelli örüntü tanıma yaklaşımıyla çalışmaktadır.Büyük Dil Modellerinin bağlamsal ve güncel bilgiye erişimlerinin sınırlı olmasından dolayı, uzmanlık gerektiren veya güncelliğin kritik olduğu konularda hatalı ya da eksik çıktılar üretebilmektedir.

Modellerin bağlam penceresinin sınırlı olmasından dolayı, uzun metinlerde veya karmaşık dokümanlarda önemli detayları gözden kaçırabilmektedir.Büyük Dil Modellerinin çıktıları verilen talimatlara doğrudan bağlı olduğundan dolayı, prompt yapısının açık, net ve iyi kurgulanmış olması çıktı kalitesini belirleyici bir faktör haline gelmektedir.
Büyük Dil Modellerinin yanlı veya hatalı içerik üretebilme potansiyeline sahip olmasından dolayı, insan denetimi ve kontrol mekanizmalarının sürece entegre edilmesi gerekmektedir.
Veri kalitesinin yapay zekâ sistemlerinin performansını doğrudan etkilemesinden dolayı, yapısal, yapısal olmayan ve zaman serisi verilerin doğru seçilmesi ve hazırlanması kritik önem taşımaktadır.

Prompt engineering yöntemlerinin model davranışını önemli ölçüde yönlendirebilmesinden dolayı, zero-shot ve few-shot yaklaşımlarının kullanım amacına göre bilinçli şekilde tercih edilmesi gerekmektedir.Prompt’ların sistematik olarak test edilmemesinden dolayı, elde edilen çıktılara doğrudan güvenmenin risk oluşturabileceği anlaşılmıştır.
Fine-tuning süreçlerinin maliyetli ve zaman alıcı olmasından dolayı, yalnızca belirli ve sürekli uzmanlık gerektiren alanlarda tercih edilmesi daha uygun olmaktadır.
Doğru veri seçimi ve etkili prompt tasarımıyla birçok senaryoda istenen performansa ulaşılabilmesinden dolayı, fine-tuning her problem için zorunlu bir çözüm olarak değerlendirilmemelidir.

Fikirden Ürüne – İhtiyaçların Ürününü Yaratmak

9 Ocak - Baran Gürcan

👉🏻Bu oturumda, bir fikrin ürüne dönüşme sürecinin tesadüfi değil; doğru soruları sormak ve doğru yöntemleri uygulamakla mümkün olduğu vurgulandı.

Pek çok ürünün başarısız olmasının temel sebebi, yanlış problemi çözmeye çalışmak ya da herkese hitap etmeye çalışmaktır. Bu nedenle sürecin en kritik noktası, kimin hangi problemini çözdüğümüzü netleştirmektir.✨

👉🏻Süreç, kullanıcıyı gerçekten dinlemekle başlıyor. Empati kurarak yapılan gözlemler ve görüşmeler, anlamlandırma aşamasında bir araya getirilerek ortak ihtiyaçlar bulunuyor. Bu aşamada hedef kullanıcı (persona) belirleniyor ve problem net bir cümleyle tanımlanıyor. Çünkü iyi tanımlanmamış bir problem, yanlış bir ürün anlamına geliyor.
Baran Bey bu yolculuğa Design Thinking, Lean Startup ve Agile yaklaşımlarının birlikte kullanılmasıyla anlattı. Design Thinking doğru problemi bulmaya, Lean Startup hızlı deneylerle öğrenmeye, Agile ise doğrulanmış çözümleri hayata geçirmeye odaklanıyor. “Kur – Ölç – Öğren” döngüsüyle ilerlemek, belirsizliği azaltmanın en etkili yolu olarak öne çıkıyor.✨

👉🏻Fikir üretme ve prototipleme aşamalarında mükemmel ürünü yapmak yerine, en az eforla en çok öğrenmeyi sağlayacak denemeler yapmanın önemi vurgulandı. MVP’nin (Minimum Viable Product) amacı kusursuz bir ürün değil, temel varsayımları test etmektir. Kağıt çizimler, basit ekranlar, anketler, landing page’ler veya ön sipariş gibi düşük maliyetli yöntemlerle kullanıcıdan geri bildirim almak sürecin merkezinde yer alıyor.✨

👉🏻Son olarak, Bubble, Glide, Webflow, Airtable gibi no-code / low-code araçların fikirleri hızlıca prototipe dönüştürmede büyük avantaj sağladığı paylaşıldı