Bu makale aslen Forbes Teknoloji Konseyi adına yayınlandı, dünya çapında CIO'lar, CTO'lar ve teknoloji yöneticileri için bir topluluk. Orijinal yazıyı buradan okuyabilirsiniz buradan.

Yapay zeka (AI) ve özellikle makine öğrenimi konusunda, yazılımı mühendislik etme şeklimiz temel olarak değişiyor. Geleneksel mühendisler yazılımın yararlı olabilmesi için 'öğrenmesi' gerektiğini düşünmek zorunda kalmadılar. 'Kuralları' tanımladık, hesaba katmak istediğimiz kuralları kod haline getirdik ve inşa edilen uygulamalara entegre ettik ve onları piyasaya sunduk. Sonra, bunları sürekli bir döngü içinde düzeltip geliştirdik.

Bu AI ile farklıdır. Uygulamalara kuralları kodlamak yerine, AI ürünleri çalışabilmesi için eğitim verilerine dayanır. Örneğin, GPS uygulamaları ilk çıktığında, her şeyi değiştirdiler - elveda kağıt haritalar! Yaklaşık on yıl sonra, navigasyon yazılım uygulaması Waze bir kez daha deneyimi yeniden tanımladı. Waze, tüm kullanıcılarından gelen verileri toplayarak, bir kullanıcıya sadece bir sonraki adımı değil, aynı zamanda oraya en hızlı şekilde nasıl ulaşılacağını ve bu önerileri gerçek zamanlı olarak güncelleyebileceğini anladı.

Yazılım uygulamaları geliştirmede daha akıllı hale geldikçe, kullanıcıları yazılım geliştirme yaşam döngüsünde yeterince düşünmedikleri için çeşitli geliştirme praksislerinin, örneğin şelale modelinin işe yaramadığını öğrendik. Sonunda, kullanıcıların muhtemelen yeni gereksinimleri olacak. Bu nedenle, Eric Ries'in The Lean Startup kitaplarında ünlü hale getirilen gibi yeni yaklaşımlara geçtik. Günümüzde insanlar genellikle 'minimum kabul edilebilir ürün' gibi kavramlara itiraz etse de, fikirler kesinlikle doğrudur: Küçük başlatın ve ürününüzü mümkün olan en kısa sürede kullanıcıların eline alın, böylece geri bildirimlerini alabilir ve yol boyunca ürünü geliştirebilirsiniz.

AI'ı aynı şekilde ele almalı. Yıllarca mükemmel yapay zeka sistemi oluşturmak için zaman harcamak cazip olabilir, mükemmel veri setleri tarafından eğitilen. Ancak, dünyaya tanıtıldığında ürünün tamamen eskide ve önemsiz olabileceği konusunda şaşırmayın.

Belki veri setiniz artık anlamsız olan eski uygulamaları yansıttı, veya algoritmanız hiçbir zaman belirli bir idiyoma maruz kalmamış olabilir. Ya da belki de ürününüzü kullanacak kişinin aslında kim olacağını düşündüğünüz kişi olmadığı olabilir. Vakumda eğitilen bir AI, yalnızca neyle karşılaştığına tepki verebilir. Algoritmanızın öğrenebileceği, uyarlayabileceği ve geliştirebileceği yerde olduğuna dair kesin bir inançlıyım. İşte neden AI'ınızın 'saflaştan' başlamasına izin vermenin iyi olduğuna dair bir neden.

Odaklanmanızı Bulun

Zaten AI araçlarının şu an insanları değiştirebilecek kadar yetenekli olmadığını biliyoruz ve yakın gelecekte bunu başarabileceklerini beklemiyoruz. Çözümünüzü tasarlarken bunu akılda tutun. Kullanıcıyı algoritmanızın odak noktası yapın ve bu kullanıcının önemsediği bir kullanım durumuna kasıtlı olarak odaklanın ve açıkça belirleyin.

İşte bir örnek, işe alım profesyonellerine daha iyi iş açıklamaları yazmalarında yardımcı olmaya odaklanmış olan bir AI tabanlı koçluk ağı olan Textio. Bu çok spesifik bir görev. Herkesi daha iyi yazarlara dönüştürmeye odaklanmıyorlar. Tek bir uzmanlık alanı seçtiler - iş açıklamaları - ve derinleştiler. Gördüğümüz en büyük YZ başarıları, bir ayrık görevle başlar ve ardından genişler. Ve çözüm ne kadar dar odaklı olursa, YZ o kadar hızlı öğrenir.

Makine Öncesinde Hayalet Koymayın

Odakınızı bulduktan sonra, hemen dünyayı değiştirmek konusunda çok heyecan yapmayın. Bir YZ sisteminin (bile aptal olan birinin) çalışabilmesi için olması gereken şeyleri düşünmek, yoğun, tükenmez bir süreçtir ve şunları içerir:

• Teknik ortamın kurulması
• Tüm eğitim verilerini depolayan sistemin kurulması
• Verileri eğiten ve öneriler sunan önemli algoritmanın kurulması

Bulut bu adımları kolaylaştırsa da, hala zahmetlidir. Bu yüzden nihayetinde çabanızın büyük kısmını yukarıdaki süreçleri kurup sabitlemeye odaklanmalısınız, bu da müşterilerinizle ürününüzü test etmeye başladığınızda çok daha hızlı ilerlemenizi sağlar, eğer zamanınızın büyük kısmını verilerinizi eğitmeye harcamak yerine. Teorik bir dünyada çalışıyor ve gerçek müşteri girişi olmadan eğitim verileri toplamaya çalışıyorsanız, size zaten önyargılarınızı geri besleyen bir vakumda çalışıyorsunuz.

Yapay Zekanızı İnsanların Önüne Koymak

Eğitim verileriniz, sürecin başlangıcında hayati öneme sahip olsa da, zamanla daha iyi hale gelebilen bir YZ ürünü yapabilmek için en büyük veri setine, insan deneyimine atlamalısınız. Ve bunu yapmak, kullanıcı deneyiminize (KX) yatırım yapmanızı gerektirir. Yapay Zekanızı kullanmanın deneyimini ne kadar iyi yaparsanız, insanlar onu kullanmak isteyecek ve bu da modelinizin çok daha hızlı çok daha fazla veri toplaması anlamına gelir.

KX'nin önemini, YZ girişiminizin başarısıyla bağdaştırmak kritiktir. Maalesef, çoğu insan bu şekilde düşünmüyor. Algoritmalar aracılığıyla daha iyi bir yaşam fikrine kapılıp YZ'nin makinelerle ilgili olduğunu varsayıyorlar. Gerçek şu ki, tüm bu çalışmaları veriye erişebilmek için yapıyorsunuz. Ancak veri bir yerden gelmeli.

Çoğu zaman unutulan temel kavram, "bir yer," yazılımınızı kullanan insanlardır. YZ, onu insanlar ve makineler arasında bir ortaklık olarak gördüğünüzde çalışır. Bu yüzden iyi bir KX'iniz yoksa, iyi bir YZ'niz olmayacak. "İnsanların kullanmak istediği, kullanımı kolay ve sıkça kullanacakları bir sistem oluşturacağım" diyerek başlamazsanız, geri kalanın hiçbir önemi yok.

Bir algoritma her zaman ayarlanabilir. Gerçek dünya da olduğunda, o kadar iyi olur. İlk başta deha gibi olması, belirli bir problemi çözmek istediğinizi bulmaktan ve teknik ortamınızı veri almaya hazır hale getirmekten daha önemli değildir. Sonunda, akıllı bir YZ basitçe çalışan bir YZ'dir.