Karar destek sistemi kurmak: karar tasarımı, pilot ve yönetişim

Karar destek sistemi ile tahmin modeli aynı şey değildir

Karar destek sistemi, bir karar verici için bir kararı iyileştirmeye yönelik bilgi, öneri ve senaryo sunan sistemdir. Tahmin modeli bu sistemin yalnızca bir parçasıdır. Model talebin ne olacağını söyler; karar destek sistemi ise bu tahminin hangi eşikte, hangi maliyetle, kimin onayıyla ve hangi alternatiflerle birlikte eyleme dönüşeceğini tanımlar.

Bu ayrım proje hatalarının önemli bir kısmını önler. Yüksek doğruluklu bir model, kimsenin kullanmadığı bir panele gömülürse karar kalitesini değiştirmez. Aksine sade bir kural ve doğru zamanda gelen bir uyarı, karmaşık bir modelden daha fazla fark yaratabilir.

Yapay zeka destekli karar sistemi kurmak, bu yüzden bir veri bilimi projesinden çok bir karar tasarımı projesidir. Başlangıç noktası algoritma değil, kararın kendisidir: kim, hangi kararı, hangi sıklıkla, hangi bilgiyle veriyor ve yanlış karar neye mal oluyor?

Adım adım: kararı tanımlamaktan pilota

Aşağıdaki sıra pratikte çalışan bir iskelet sunar:

• Kararı yazın. "Hangi ürün ne kadar siparişe girsin" gibi tek ve somut bir karar seçin. "Satışı artırmak" karar değil hedeftir.
• Karar vericiyi ve bağlamını belirleyin: kim karar veriyor, hangi araçta çalışıyor, ne kadar süresi var, kararın sonucu kime yansıyor.
• Mevcut süreci haritalayın. Şu an karar nasıl veriliyor, hangi bilgiler kullanılıyor, hangileri eksik? Çoğu projede ilk kazanım burada, veri akışının düzeltilmesinden gelir.
• Başarı ölçütünü tanımlayın. Model doğruluğu yerine karar sonucunu ölçün: stoksuz kalma, fazla stok maliyeti, kredi kaybı gibi.
• Veriyi ve kısıtları toplayın: tarihsel kararlar, sonuçlar, dış etkenler, iş kuralları. İş kuralları (yasal sınırlar, bütçe sınırı) model dışında sabit kalır ve sistemde açıkça kodlanır.
• Önce basit bir referans oluşturun: mevcut kural ya da basit bir istatistik. Yeni yöntem bunu yenemiyorsa karmaşıklığa değmez.
• Modeli ve karar mantığını birleştirin. Model olasılık verir; eşik ve maliyet fonksiyonu eylemi belirler.
• Pilotu gölge modda çalıştırın: sistem öneri üretir, insan kararını verir, sonuçlar karşılaştırılır.
• Canlıya alırken geri bildirim kanalını açın ve izlemeyi kurun.

Örnek senaryo: stok yenileme kararı

Örneğin bir dağıtım şirketinin planlama ekibi, her hafta hangi ürünlerin yeniden sipariş edileceğine karar veriyor. Mevcut yöntem, geçen dönemin satışına göre sabit bir kural. Karar destek sisteminin ilk sürümünde talep tahmin modeli, ürün bazında olası talep aralığını üretir. Karar mantığı ise bu aralığı tedarik süresi, ürün marjı ve fazla stok maliyetiyle birleştirerek önerilen sipariş miktarını hesaplar.

Planlamacı ekranda önerilen miktarı, tahmin aralığını ve önerinin gerekçesini görür: son dönem satış eğilimi, mevsimsel etki, açık promosyon. Öneriyi kabul edebilir, değiştirebilir ya da reddedebilir. Değiştirdiğinde nedenini seçeneklerden işaretler. Bu kayıtlar sistemin en değerli verisidir: modelin neyi bilmediğini, planlamacıların ise neyi bildiğini gösterir.

Pilotun ilk döneminde sistem yalnız öneri üretir, planlamacı mevcut yöntemiyle karar verir. Sonuçlar karşılaştırılır: hangi ürün gruplarında öneri daha iyi, hangilerinde kötü? Kötü olan gruplarda genellikle veri eksikliği ya da gözden kaçan bir iş kuralı ortaya çıkar.

Belirsizlik, risk ve insan-döngü tasarımı

Karar destek sisteminin güveni, belirsizliği nasıl gösterdiğine bağlıdır. Tek bir sayı sunmak kesinlik yanılsaması yaratır; aralık, senaryo ya da güven düzeyi sunmak karar vericiye risk payını verir. Düşük güvenli durumlarda sistem öneri vermek yerine insana yönlendirebilir: "Bu durumda yeterli veri yok, uzman değerlendirmesi öneriliyor."

İnsan-döngü (human-in-the-loop) tasarımı, kararın ağırlığına göre değişir. Düşük riskli ve sık tekrar eden kararlarda otomatik uygulama mümkündür; yüksek riskli kararlarda sistem öneri sunar, insan onaylar. Hangi kararın hangi kategoride olduğu yazılı olarak belirlenmeli, onay yetkisi açık olmalıdır.

Açıklanabilirlik aynı derecede önemlidir. Karar vericinin "neden bu öneri" sorusuna sistem anlaşılır bir cevap verebilmelidir. Bu hem güveni hem hatanın fark edilmesini sağlar. Model karmaşıksa en azından etkili girdileri ve benzer geçmiş vakaları göstermek işe yarar.

Önyargı ve adalet de risk başlığıdır. Tarihsel kararlar insan önyargısı taşıyorsa model bunu öğrenir ve büyütür. Veri seçiminde ve değerlendirmede farklı gruplar arasında sonuç farklılıkları incelenmelidir.

Yönetişim, izleme ve sürdürme

Canlıya çıkan karar sistemi sahipsiz kalmamalıdır. Kim modelden, kim karar kurallarından, kim veri kalitesinden sorumlu, hangi sıklıkla gözden geçirilir? Bu sorulara yazılı cevap verilmezse sistem zamanla sessizce bozulur.

İzleme farklı katmanlarda yürür. Veri izleme, girdilerin dağılımı değiştiğinde uyarır (örneğin yeni bir ürün grubu, farklı müşteri tipi). Model izleme, tahminlerin gerçekleşenle farkını takip eder. Karar izleme ise insanların öneriyi ne sıklıkla kabul ettiğini ve kabul edilen önerilerin sonuçlarını ölçer. Kabul oranı çok düşükse güven sorunu ya da hatalı öneri vardır; çok yüksekse insan denetimi şekilsel kalmış olabilir.

Kayıt tutma ve denetim izi, hesap verebilirlik için gereklidir: hangi öneri, hangi veriyle, hangi model sürümüyle üretildi, kim ne karar verdi? Düzenlemeye tabi alanlarda (finans, sağlık, kamu) bu kayıtlar zorunluluk olabilir. Kişisel veri içeren sistemlerde KVKK ve ilgili mevzuat uyumu tasarımın parçasıdır.

Sık yapılan hatalar

Karar yerine veriyle başlamak, projeyi araç odaklı hale getirir: eldeki veriden ne çıkar diye bakılır, hangi karar iyileşecek unutulur. Kullanıcıyı sürece katmadan sistem kurmak, çıktının işe yaramaması ve kullanılmaması sonucunu doğurur. Başarıyı yalnızca model doğruluğuyla ölçmek, karar sonucunu görmezden gelir.

Bir başka hata, öneriyi mutlak gerçek gibi sunmaktır. Karar verici itiraz edemezse sistemi bırakır ya da körü körüne uygular. Bunların ikisi de kötü sonuçtur. Geri bildirim yolunu açık tutmak ve itirazı veri olarak toplamak gerekir.

Son olarak, pilottan canlıya geçerken değişim yönetimini atlamak başarısızlığa yol açar. Karar vericilere sistemin neyi yapıp neyi yapmadığı, hatalı öneri durumunda ne yapacakları ve geri bildirimin nasıl işleneceği anlatılmalıdır.

Mindset programlarında bu beceri nerede çalışılır?

Yapay Zeka Destekli Karar Sistemleri programı; "Kurumsal Karar Süreçleri ve Yapay Zeka", "Veri Odaklı Karar Araçları", "Risk Değerlendirme ve Belirsizlik Yönetimi" ve "Kurumsal Karar Yönetişimi" modülleriyle karar sisteminin iş tarafını kapsar. "Uygulama Atölyesi: Gerçek Karar Senaryoları" modülü kurgusal senaryolarda bu adımları denemeye olanak tanır. Operasyon, planlama, risk ve finans gibi karar yoğun ekiplerde çalışan yöneticiler ve analistler için uygundur.

Kurumsal ekipler için en somut kullanım, kendi departmanındaki tekrarlayan bir kararı seçip adımları o karar üzerinde uygulamaktır; böylece program, genel bir bilgi yerine ekibin gerçek sürecine bağlanır.