Kurumda Yapay Zeka CoE Kurma Yol Haritası

Yapay zeka CoE ne işe yarar?

Yapay zeka çalışmaları kurumda genellikle dağınık başlar: bir birim kendi veri bilimcisini işe alır, başka bir birim dış sağlayıcıyla proje yürütür, bir başka ekip kendi başına deneme yapar. Bir süre sonra aynı veri aynı şekilde tekrar tekrar hazırlanır, araçlar tutarsızlaşır, hangi modelin nerede kullanıldığı kimsenin bilmediği bir konuma gelir. Mükemmeliyet merkezi (Center of Excellence, CoE), bu dağınıklığı toparlayan, ortak yöntem, platform ve yönetişim sağlayan kurumsal yapıdır.

CoE bir departman duvarı ya da bütün projelerin tek elden geçtiği bir darboğaz olmamalıdır. İşlevi şudur: ortak standartları koymak, tekrar kullanılabilir varlıkları (veri hazırlığı, model şablonları, platform) üretmek, kritik yetenekleri toplamak, riskleri yönetmek ve kurumun yapay zeka olgunluğunu yükseltmek. İş birimlerinin kendi sorunlarını çözmesini kolaylaştırdığı ölçüde başarılıdır.

Önce vizyon ve operasyon modeli

Kuruluşa başlamadan önce CoE'nin neden var olduğu yazılı hale getirilmelidir: hangi iş hedeflerine hizmet edecek, hangi kararlarda söz sahibi olacak, hangi alanlarda yalnızca destek verecek? Ardından operasyon modeli seçilir. Yaygın modeller şunlardır:

• Merkezi model: Yapay zeka yetenekleri tek bir ekipte toplanır, projeler merkezden yürütülür. Standardizasyon ve güçlü kontrol sağlar, ancak iş birimlerinin hızı ve alan bilgisi kaybolabilir.
• Dağıtık model: Her iş birimi kendi yapay zeka ekibini kurar. Hız ve alan bilgisi güçlüdür, ancak tutarsızlık ve mükerrerlik riski yüksektir.
• Merkez ve iş birimi birlikteliği (hub-and-spoke): CoE standart, platform, yönetişim ve ortak yetenekleri sağlar; iş birimlerindeki ekipler alan projelerini yürütür. Olgunlaşan kurumlar sıklıkla bu modele yönelir.

Model seçimi kurumun büyüklüğüne, mevcut yeteneklerin dağılımına ve yönetim kültürüne bağlıdır. Seçim sabit değildir; kurum olgunlaştıkça gözden geçirilir.

Ekip ve yetkinlikler

CoE yalnız veri bilimcilerden oluşmaz. Tipik rol alanları şunlardır:

• CoE lideri ve iş ortakları: İş birimleriyle ilişkiyi, önceliklendirmeyi ve yönetim raporlamasını yürütür.
• Veri bilimciler ve makine öğrenmesi mühendisleri: Model geliştirir, deneyleri yürütür, üretime alma yolunu hazırlar.
• Veri mühendisleri: Veri hatlarını, kalitesini ve erişimini sağlar.
• Platform ve MLOps mühendisleri: Modellerin güvenli ve tekrarlanabilir biçimde yayınlanmasını, izlenmesini ve güncellenmesini sağlar.
• Ürün sahipleri ve iş analistleri: İş sorununu tanımlar, çözümün kullanıcı için değer üretmesini izler.
• Risk, etik ve uyum uzmanları: Veri koruma, adalet, açıklanabilirlik ve mevzuat gereksinimlerini izler.
• Değişim ve eğitim sorumluları: İş birimlerinde yapay zeka okuryazarlığını ve benimsemeyi destekler.

Tüm bu yetkinlikleri baştan tam kadro aramak gerekmez. Küçük bir çekirdek ekiple başlayıp, portföy büyüdükçe rol ekleme, dış kaynakla desteklenen alanları zamanla içeri alma yaklaşımı yaygındır.

Yönetişim, portföy ve ölçekleme

Yönetişim, kimin hangi karara yetkili olduğunu belirleyen yapıdır. Bir CoE için tipik bileşenler:

• Yönlendirme kurulu: İş birimleri ve üst yönetim temsilcileriyle yapay zeka önceliklerini ve kaynak dağılımını belirler.
• Proje alım süreci: Yeni yapay zeka fikri nasıl sunulur, kim değerlendirir, hangi ölçütlere göre kabul edilir?
• Standartlar ve politikalar: Veri kullanımı, model geliştirme, test, dokümantasyon ve yayına alma kuralları.
• Model envanteri: Kurumda hangi modeller var, kim sahibi, hangi veriyle eğitildi, nerede kullanılıyor?

Portföy yönetiminde fikirler, iş değeri ve uygulanabilirlik (veri hazırlığı, teknik karmaşıklık, benimsenme riski) eksenlerinde değerlendirilir. Hızlı sonuç verebilecek küçük işlerle güven kazanmak, büyük ve uzun vadeli yatırımlarla dengelenir. Ölçekleme aşamasında deneme (pilot) başarısı, üretim ortamında sürekli işleyen bir ürüne dönüştürülür; bunun için platform, izleme ve sahiplik hazırlığı gerekir. Pilot aşamasında kalan girişimler olur, çünkü üretime taşıma maliyeti ve sahipliği baştan hesaba katılmamıştır.

Risk, etik ve uyum kontrolleri

Yapay zeka sistemleri yanlış, taraflı ya da açıklanamaz sonuç üretebilir; kişisel veri işleyen sistemler ise ilgili veri koruma mevzuatına uymak zorundadır. CoE bu kontrolleri proje yaşam döngüsüne yerleştirir:

• Proje başlangıcında risk sınıflandırması: Kararın etkisi yüksekse (örneğin kişilerin hakları ya da güvenliği ile ilgili) daha sıkı denetim uygulanır.
• Veri uygunluğu: Kullanılacak verinin kaynağı, izni ve amacı kontrol edilir; Türkiye'de KVKK gereklilikleri hukuk ve uyum ekibiyle birlikte değerlendirilir.
• Test ve doğrulama: Doğruluk yanında adalet, dayanıklılık ve açıklanabilirlik de sınanır.
• İnsan gözetimi: Hangi kararların insan onayına bağlı kalacağı önceden belirlenir.
• Canlıda izleme: Model davranışı zamanla bozulabilir; performans ve sapma düzenli izlenir.
• Olay yönetimi: Hatalı çıktı ya da şikâyet halinde kimin, ne yapacağı yazılıdır.

Bu çerçeve bürokrasi için değil, projelerin hızla ve güvenle üretime çıkabilmesi içindir. Kontroller riskle orantılı kurulmazsa ya riski kaçırır ya da düşük riskli işleri yavaşlatır.

Değer nasıl ölçülür ve kanıtlanır?

CoE'nin sürekli kaynak alabilmesi, katkısını göstermesine bağlıdır. Ölçümler proje ve merkez düzeyinde yapılır. Proje düzeyinde: iş hedefine bağlı göstergeler, örneğin süreç süresindeki azalma, hata azalması, müşteri memnuniyeti ya da gelir katkısı. Merkez düzeyinde: üretime alınan çözüm sayısı, tekrar kullanılan varlıklar, projelerin pilottan üretime geçiş süresi, eğitilen çalışan sayısı, model envanterinin güncelliği.

Ölçümde dikkat edilecekler:

• Başlangıç değerini proje öncesinde kaydedin; sonradan karşılaştıracak veri yoksa katkı kanıtlanamaz.
• Yapay zekaya özgü kazanımı diğer iyileştirmelerden ayırın.
• Maliyeti de görün: Platform, veri hazırlığı, ekip ve bakım giderleri değer hesabına dahil edilmeli.
• Teknik göstergelerle iş göstergelerini karıştırmayın. Modelin doğruluğu iyi olabilir ama iş sonucu değişmeyebilir.
• Yönetime düzenli ve kısa raporlayın; başarıyla birlikte öğrenilen dersleri de paylaşın.

Sık yapılan hatalar

• Vizyon yerine teknolojiden başlamak. Önce platform alıp sonra kullanım arayan CoE'ler iş değeri üretmekte zorlanır.
• Yalnızca teknik ekip kurmak. İş ortakları, risk ve değişim yetkinlikleri olmadan geliştirilen çözümler benimsenmez.
• Tüm projeleri merkeze toplamak. CoE darboğaza dönüşür, iş birimleri dolambaçlı yollara başvurur.
• Yönetişimi sonradan eklemek. Model envanteri ve risk kontrolleri baştan kurulmazsa sonradan düzeltmek zor olur.
• Pilotlarda kalmak. Üretime alma, izleme ve sahiplik planı olmayan pilotlar kalıcı değer yaratmaz.
• Ölçmemek. Katkısı kanıtlanamayan merkez, bütçe döneminde ilk kesilen kalem olur.
• Yetenek planlamasını ihmal etmek. Kritik rolleri doldurmak ve elde tutmak için kariyer yolu ve öğrenme planı gerekir.
• Kurumun yapay zeka okuryazarlığını göz ardı etmek. Kullanıcılar neyi neden kullandığını bilmezse sistemlere ya aşırı güvenir ya da hiç kullanmaz.

Bu beceriyi Mindset programlarında nerede çalışırsınız?

Kurumsal Yapay Zeka Mükemmeliyet Merkezi (CoE) Kurulumu eğitimi bu sayfadaki konunun doğrudan karşılığıdır. CoE Vizyonu, Yapısı ve Yönetişim Modeli modülü operasyon modeli ve yönetişimi; CoE Ekibi: Yetenek ve Yetkinlik Yönetimi modülü ekip tasarımını; Yapay Zeka Projeleri: Portföy ve Ölçekleme modülü proje önceliklendirmeyi; CoE Risk Yönetimi, Etik ve Uyum modülü kontrol çerçevesini; CoE Performans Ölçümü ve Değer Kanıtlama modülü ise ölçümü işler. CoE Teknoloji Altyapısı ve Sürdürülebilirlik başlığı platform tarafını kapsar.

Eğitim, yapay zeka stratejisinden sorumlu yöneticiler, dijital dönüşüm ve veri liderleri, BT ve iş birimi temsilcileri için uygundur. Kurumsal ekiplerde farklı birimlerin aynı CoE modeli ve aynı yönetişim diliyle çalışması için ortak zemin oluşturur.