Yapay zekâ projeleri genellikle “model seçelim, çalışsın” gibi başlar; sonra gerçek hayat duvarına çarpar: veri eksik, dağınık, farklı formatlarda ve ölçüm yok. Oysa başarı çoğu zaman modelden önce veri hazırlama ve süreç tasarımı ile gelir.
1) Hedefi netleştir: Model ne üretecek?
“Yapay zekâ yapalım” hedef değildir. Net hedef örnekleri: “Gelen talepleri kategorilere ayırsın”, “Teklif metni taslağı oluştursun”, “Sık soruları yanıtlasın”. Hedef netleşince veri ihtiyacı da netleşir.
2) Veri envanteri çıkar
Elindeki veri kaynaklarını listele:
- Form mesajları
- E-posta içerikleri (kişisel verileri maskeleyerek)
- SSS dokümanları
- Ürün/hizmet açıklamaları
- Destek konuşmaları (varsa)
3) Temizlik: Aynı şeyin 10 farklı yazımı
Veri dağınıksa model de dağınık olur. Temizlik adımları: yazım tutarlılığı, tarih formatları, kısaltmaların standardı, gereksiz tekrarların temizlenmesi.
4) Etiketleme: “Doğru cevap” nerede?
Bazı projelerde etiketleme gerekir. Örnek: talepleri kategoriye ayırmak istiyorsan geçmiş taleplerden örnek bir set seçip kategorileri belirlemek gerekir.
5) Pilot çalışma: Küçük başla, ölç, iyileştir
En iyi yöntem: tüm sistemi bir anda kurmak yerine, 1-2 senaryo ile pilot yapmak. Pilot hedefi: başarı oranını ölçmek ve sorunları erken yakalamaktır.
6) Ölçüm: “İyi” ne demek?
Projeye göre metrik değişir:
- Yanıt doğruluğu (SSS chatbot)
- İşlem süresi (taslak üretim)
- Dönüşüm oranı (form/teklif)
- İnsan müdahalesi ihtiyacı (ne kadar düzeltme gerekiyor?)
Pratik başlangıç şablonu
- 1 hedef seç
- 50-100 örnek veri topla
- Temizle ve standardize et
- Pilot uygula
- 1 ay ölç, sonra ölçekle
Yapay zekâ tarafında hız önemli; ama sürdürülebilir başarı, verinin ve süreçlerin düzenli olmasına bağlı. Bu yaklaşım, hem maliyeti hem de revizyon yükünü düşürür.