# Yapay zekâ projesine başlamadan önce 7 soru

> Yapay zekâ projelerinin çoğu, modelin kendisinden değil, başlangıçta cevaplanmayan sorulardan zorlanır. Bu rehber, kod yazmadan önce sorulması gereken yedi soruyu ve her birinin neden önemli olduğunu anlatır.

**Kısaca:**

- Önce karar ya da süreci tanımlayın, sonra yöntemi seçin.
- Veri kalitesi ve temsil gücü modelin kendisinden daha belirleyicidir.
- Başarıyı baştan ölçülebilir bir ölçütle yazın.
- Üretime geçiş, izleme ve yeniden eğitim planı projenin parçasıdır.

## 1. Hangi kararı ya da süreci iyileştiriyoruz?

Yapay zekâ bir araçtır; hedef değildir. 'Yapay zekâ kullanmak' yerine 'iade tahminini iyileştirmek', 'destek taleplerini doğru ekibe yönlendirmek' gibi somut bir karar ya da süreç tanımlayın. Hedef netleştiğinde yapay zekânın gerçekten gerekli olup olmadığı da görünür hâle gelir.

Kuralları net ve az değişen problemler çoğu zaman klasik yazılımla daha güvenilir ve ucuz çözülür. Yapay zekâ, kuralların yazılamayacak kadar karmaşık ya da sürekli değişen olduğu durumlarda anlamlıdır.

## 2. Başarıyı nasıl ölçeceğiz?

'Daha iyi' bir ölçü değildir. Başlamadan önce hangi metriğin, hangi değerin üstüne çıkınca projeyi başarılı sayacağınızı yazın. Metrik seçimi problemin maliyetine bağlıdır: yanlış alarm mı daha pahalı, kaçırılan olay mı?

- Sınıflandırmada doğruluk, kesinlik ve duyarlılığı birlikte değerlendirin.
- Tahminde ortalama hata ile birlikte en kötü senaryodaki hatayı da izleyin.
- Mevcut yöntemin (kural ya da elle süreç) sonucunu karşılaştırma tabanı olarak kullanın.

## 3. Elimizdeki veri yeterli ve temsil gücü yüksek mi?

Model, gördüğü verinin dünyasını öğrenir. Eğitim verisi gerçek kullanımı yansıtmıyorsa (belirli bir dönem, belirli bir müşteri grubu, belirli bir cihaz) model gerçek hayatta başarısız olur. Eksik, yanlış etiketli ya da çarpık veri, en gelişmiş modeli bile işe yaramaz hâle getirir.

Veri miktarı probleme göre değişir; bu yüzden önce küçük bir veri kümesiyle hızlı bir prototip kurmak, daha fazla veri toplamanın değer katıp katmayacağını gösterir.

## 4. Verinin kullanımına ilişkin izinler ve gizlilik gereksinimleri neler?

Verinin kime ait olduğu, hangi amaçla toplandığı ve model eğitiminde kullanılıp kullanılamayacağı baştan netleşmelidir. Kişisel veri içeriyorsa ilgili mevzuata uyum ve veri azaltma (yalnızca gerekli alanları kullanma) tasarımın parçası olmalıdır.

## 5. Model çıktısını kim, nasıl kullanacak?

Modelin ürettiği sonuç bir ekrana, bir iş akışına ya da başka bir sisteme girer. Kullanıcı, modelin ne kadar emin olduğunu görebiliyor mu? Yanlış sonuç geldiğinde düzeltme yolu var mı? Yüksek riskli kararlarda modelin önerisi ile insan onayı birlikte tasarlanmalıdır.

## 6. Modeli üretime nasıl taşıyacağız?

Defterde çalışan bir model, çalışan bir ürün değildir. Servis olarak sunulması, sürümlenmesi, test edilmesi, gecikme ve maliyet hedeflerinin karşılanması gerekir.

1. Model ve verinin sürümlerini kayıt altına alın.
2. Servisi otomatik testlerle yayına alın.
3. Hata durumunda önceki sürüme dönebilecek bir yol bırakın.

## 7. Zamanla kötüleşirse nasıl fark edeceğiz?

Gerçek dünya değişir; müşteri davranışı, ürünler ve veri biçimleri zamanla kayar (model kayması). İzleme olmadan model sessizce kötüleşir. Girdi verisinin dağılımını ve model başarısını sürekli izleyin, belirli eşikte uyarı alın ve yeniden eğitim sürecini baştan planlayın.

## Bu soruları cevapladıktan sonra

Cevaplar netleşince en küçük çalışan örneği kurup ölçüm yapmak, büyük yatırım yapmadan yönünüzü doğrulamanın en hızlı yoludur. VeriSet A.Ş. bu süreci araştır, prototiple, geliştir ve ölçekle adımlarıyla yürütür. Daha fazla bilgi için yapay zekâ çalışma alanı sayfamıza göz atabilirsiniz.

---
https://veriset.org/rehber/yapay-zeka-projesine-baslamadan-once/ · destek@veriset.org