Yapay Zekâ ile Operasyonel Otomasyon: Nereden Başlanır?

Yapay zekâ her yerde konuşuluyor, ama iş süreçlerinizde kullanmaya niyetlendiğiniz an ortada net bir yol haritası kalmıyor: nereden başlayacağım, hangi sürecim uygun, elimdeki veri yeter mi? Projelerin çoğu da tam bu noktada, hevesle başlayıp yarı yolda tıkanıyor ya da vaat edilen değeri bir türlü üretemiyor.

Bu rehberde operasyonel AI ile süreçlerinizi otomatikleştirmeye pratikte nasıl başlanacağını anlatıyorum: doğru süreci seçmekten veri hazırlığına, pilot projeyi kurgulamaktan başarıyı ölçmeye kadar; aralara da sahadan, markası gizlenmiş örnekler serpiştirdim.

Operasyonel AI vs Generative AI: Fark Nedir?

Operasyonel AI, geçmiş veriden öğrenip günlük kararları hızlandırır

Yapay zekâ deyince çoğu insanın aklına önce ChatGPT gibi Generative AI araçları geliyor. Oysa iş süreçlerinde asıl işi yapan taraf genelde perde arkasında kalıyor: geçmiş verilerden öğrenip karar üreten Operasyonel AI. Gösterişli olan biri, para kazandıran çoğu zaman diğeri.

Operasyonel AI Nedir?

Tekrar eden iş kararlarını geçmiş veriye bakarak otomatikleştirir. Pratikte dört başlık altında toplanır:

• Tahminleme: Gelecek talep, satış, stok ihtiyacı
• Sınıflandırma: Müşteri segmentasyonu, risk skorlama, öncelik tespiti
• Anomali Tespiti: Fatura hatası, üretim sapması, siber tehdit
• Optimizasyon: Rota planlama, kaynak dağıtımı, fiyatlama

Generative AI Nedir?

Yeni içerik üretir; metin, görsel, kod. Süreçlerde çoğunlukla yardımcı rolde durur:

• Müşteri destek chatbotları
• İçerik taslakları (e-posta, rapor özeti)
• Kod otomasyonu önerileri

Kısacası fark şu: Operasyonel AI karar verir, Generative AI içerik üretir. İş süreçlerinde önceliğiniz neredeyse her zaman Operasyonel AI olmalı.

AI İçin Uygun Süreç Seçimi: 5 Kriter

Yanlış süreçle başlayan bir AI projesi, daha kod yazılmadan kaybedilir

Her süreç yapay zekâya gelmez. İlk projeniz için aday süreci masaya yatırırken şu beş kritere bakın; biri bile eksikse iki kez düşünün.

1. Tekrarlayan ve Yüksek Frekanslı

Günde 100’ün üzerinde tekrarlanan işler ideal. Örneğin:

• Fiyat teklifi hazırlama
• Stok sipariş onayı
• Müşteri talebinin kategorize edilmesi

2. Veri Zengin

Elinizde en az 3–6 aylık temiz veri olmalı. Bu verinin de şöyle durması lazım:

• Yapılandırılmış (tablo formatında, sütunlar tutarlı)
• Eksiksiz (boş alanlar %10’un altında)
• Etiketli (girdi + sonuç çiftleri)

3. Ölçülebilir Çıktı

Başarının neye benzediğini baştan bilmelisiniz:

• “Doğruluk %85+” gibi somut bir hedef
• “Süre %30 azaldı” gibi ölçülebilir bir etki
• “Hatalı işlem oranı %5’e düştü” gibi bir kalite metriği

4. İnsan Girdisi Azaltılabilir

Bugün insanın elle karar verdiği, çoğu zaman da sezgiye dayanan işler AI’ya uygundur:

• Faturaların elle kontrolü → Anomali tespiti
• Talep tahmininde sezgi → Tahminleme modeli
• Müşteri segmentasyonunda deneyim → Sınıflandırma

5. Düşük Riskli

İlk proje için kritik olmayan bir süreç seçin; deney yapacağınız yer burası değil, ama yanılma payını da tanımayan bir yerde başlamayın:

• Yanlış bir karar operasyonu durdurmamalı
• Yasal/regülasyon riski düşük olmalı
• Araya insan onayı eklenebilmeli (hybrid model)

3 Başlangıç Senaryosu: Tahminleme, Sınıflandırma, Anomali

İlk projelerin büyük çoğunluğu bu üç senaryodan birine denk düşer

İlk AI projeniz büyük ihtimalle şu üç senaryodan birine oturur. Kullanım alanları, ihtiyaç duydukları veri ve verdikleri çıktı birbirinden farklı; hangisine baktığınızı bilmek işi baştan kolaylaştırır.

Senaryo 1: Tahminleme (Forecasting)

Ne yapar: Gelecekteki sayısal bir değeri tahmin eder.

Kullanım alanları:

• Satış tahmini (gelecek ay kaç adet satılacak)
• Talep tahmini (hangi ürünün stoğu yenilenecek)
• Nakit akış tahmini (gelecek çeyrek ne kadar gelir bekleniyor)
• Bakım tahmini (ekipman ne zaman arızalanacak)

Veri gereksinimi: En az 6–12 aylık tarihsel veri; mevsimsellik varsa 2 yılı görmeden rahat edemezsiniz.

Çıktı: “Gelecek ay talep: 4.200 adet ± %12”

Senaryo 2: Sınıflandırma (Classification)

Ne yapar: Gelen girdiyi önceden tanımlı kategorilere ayırır.

Kullanım alanları:

• Müşteri segmentasyonu (A/B/C segmenti)
• Risk skorlama (düşük/orta/yüksek risk)
• E-posta/talep önceliklendirmesi (acil/normal/düşük)
• Ürün kategorizasyonu (otomatik etiketleme)

Veri gereksinimi: Her kategori için en az 100–300 etiketli örnek.

Çıktı: “Müşteri X → Segment: A (yüksek değer, düşük risk)”

Senaryo 3: Anomali Tespiti (Anomaly Detection)

Ne yapar: Normalin dışına çıkan veriyi kendiliğinden yakalar.

Kullanım alanları:

• Fatura hataları (tutar, tarih, tedarikçi uyuşmazlıkları)
• Üretim sapmaları (fire oranı birden yükselmiş)
• Siber güvenlik (şüpheli giriş denemesi)
• Kalite kontrol (ürün ölçüsü tolerans dışı)

Veri gereksinimi: Elinizdeki verinin neredeyse tamamı normal olacak; anormal örnekler %1–5 bandında kalır.

Çıktı: “Fatura #12345 → Anomali: Tutar normalin %340 üzerinde”

Veri Hazırlığı ve Kalite Gereksinimleri

Projenin en uzun ve en sıkıcı kısmı çoğu zaman veriyle geçer

Bir AI projesinin kaderini, seçtiğiniz algoritmadan çok elinizdeki verinin kalitesi belirler. Bu iş de kabaca dört aşamada yürür.

Aşama 1: Veri Toplama

Önce veriyi nereden çekeceğinizi netleştirin:

• ERP sistemi (satış, stok, finans)
• CRM (müşteri etkileşimleri)
• Excel dosyaları (saha notları, elle tutulan kayıtlar)
• IoT sensörler (sıcaklık, titreşim, enerji tüketimi)

Tuzak: Veri farklı sistemlerde, farklı formatlarda dağılmış olur. Entegrasyon işi buradan çıkar.

Aşama 2: Veri Temizleme

Eksik, tutarsız ve hatalı kayıtları düzeltin:

• Boş alanlar (NULL değerler) → Medyan veya mod ile doldurma
• Aykırı değerler (outliers) → İstatistiksel filtre uygulama
• Tutarsız formatlar (tarih: 01/02/2025 vs 2025-02-01) → Standartlaştırma
• Duplike kayıtlar → Tekilleştirme

Önemli: Veri temizliği tek başına proje süresinin %40–50’sini yiyip bitirir; buna baştan razı olun.

Aşama 3: Veri Etiketleme (Supervised Learning için)

Tahmin ve sınıflandırma modellerinde her girdinin doğru çıktısı önceden bilinmeli:

• Talep tahmini → Tarihsel talep + gerçekleşen satış
• Müşteri segmentasyonu → Müşteri özellikleri + segment etiketi
• Fatura anomali → Fatura detayı + normal/anormal etiketi

Etiketleme maliyeti: Elle etiketlemede saatte 50–200 kayıt işlenir; gerisini takvime siz yayın.

Aşama 4: Veri Bölme (Train/Test/Validation)

Verinin %70’i eğitime, %15’i doğrulamaya, %15’i teste ayrılır:

• Train (Eğitim): Model bu veriyle öğrenir
• Validation (Doğrulama): Model hiperparametreleri ayarlanır
• Test: Model performansı ölçülür

Önemli: Test verisi eğitimde asla kullanılmamalı; kullanılırsa model öğrenmiş değil, ezberlemiş olur.

Pilot Proje Yaklaşımı: 8 Haftalık Sprint

Pilot, büyük bütçeyi taahhüt etmeden değeri görmenin en ucuz yolu

İlk projenizi bütün şirkete yaymadan önce küçük bir pilotla deneyin. Aşağıda oturmuş bir 8 haftalık sprint kurgusu var.

Hafta 1–2: Süreç ve Veri Analizi

• Pilot sürecin belirlenmesi (ör: tek ürün grubu için talep tahmini)
• Veri kaynaklarının tespiti ve erişim izinlerinin alınması
• Veri kalitesi kontrolü (eksiksizlik, tutarlılık)

Hafta 3–4: Model Geliştirme

• Veri temizleme ve etiketleme
• Model seçimi (regresyon, sınıflandırma, anomali tespiti)
• İlk model eğitimi ve doğrulama
• Performans ölçümü (accuracy, F1 score, RMSE)

Hafta 5–6: Entegrasyon ve Test

• Model çıktısının mevcut sisteme entegrasyonu
• Kullanıcı arayüzü tasarımı (dashboard, uyarı sistemi)
• Gerçek veriyle canlı test (sandbox ortamında)

Hafta 7–8: Pilot Çalıştırma ve Değerlendirme

• Pilot ekiple canlı kullanım (5–10 kişi)
• Geri bildirim toplama (anket, görüşme)
• Sonuç raporu (başarı metrikleri, zorluklar, öneriler)
• Yaygınlaştırma veya iptal kararı

Başarı kriteri: Pilotun sonunda model doğruluğu %75+, kullanıcı memnuniyeti 4/5+, süreç iyileştirmesi %20+ olmalı. Bu çizgiyi tutmuyorsanız yaymadan önce durup düşünün.

Sahadan Örnek: Talep Tahmini ile Stok Optimizasyonu

En Sık Yapılan 7 AI Uygulama Hatası

1. Çözüm Aramadan AI’ya Başlamak

“AI moda, biz de yapalım” refleksi. Önce iş problemini tanımlayın, sonra AI’nın buna gerçekten çare olup olmadığına bakın.

2. Veri Kalitesini Görmezden Gelmek

“Veri var, hemen modeli eğitelim” acelesi. Çöp veriden çöp model çıkar; temizlik aşaması atlanmaz.

3. Tüm Şirkete Aynı Anda Yaymak

Pilot yapmadan büyük yatırım. İlk hatada bütün operasyon aksar, kullanıcının güveni de bir daha zor gelir.

4. Model Performansını Takip Etmemek

“Modeli kurduk, iş bitti” yanılgısı. İş koşulları değiştikçe doğruluk düşer; modelin düzenli yenilenmesi şart.

5. Kullanıcı Katılımını Sağlamamak

AI projesi yalnızca IT’nin işi değildir. Saha ekibi sürece dâhil olmazsa model rafta kalır, proje kâğıt üstünde başarısız sayılır.

6. Sadece Teknik Metriği Hedeflemek

“Model doğruluğu %95, tamamdır” demek yetmez. Asıl bakılacak yer iş değeri: düşen maliyet, kazanılan süre.

7. Açıklanabilirliği Unutmak

“AI öyle dedi” cevabı kimseyi ikna etmez. Model kararını gerekçelendirebilmeli; örneğin “Talep yüksek çünkü geçen yıl aynı hafta %40 artmıştı” diyebilmeli.

Başarı, kurulumdan çok kurulumdan sonraki izlemede saklı

AI Proje Başarı Metrikleri

Bir projenin başarısını tek bir sayıya bakarak değerlendiremezsiniz. Hem teknik tarafı hem de iş değerini birlikte izleyin:

Önemli: Teknik metrikler (accuracy, F1) tavan yapıp iş değeri (maliyet, süre) yerinde sayıyorsa, o proje başarılı değildir.

AI Proje Başlangıç Kontrol Listesi

Sıkça Sorulan Sorular (SSS)