2025’in ilk yarısında ABD gayri safi yurt içi hasıla büyümesinin kabaca üçte ikisi, işletme yakıt sağlamak için tasarlanmış yazılım ve ekipmana yapılan harcamalar yapay zeka evlat edinme.
Yapay zekanın potansiyelini açığa çıkarmaya odaklanan bu kadar çok yatırım ve enerji varken, birçok işletmenin, yatırımcının ve yorumcunun ne zaman bir getiri görmeyi bekleyebileceğimizi sorgulamaya başlaması mantıklıdır.
Artan yatırımlara ve yapay zekanın benimsenmesine rağmen şirketlerin hâlâ somut faydalar gösteremediği büyüyen bir “Yapay Zeka paradoksuna” işaret ediyorlar.
Potansiyel değer ile gerçek dünya değeri arasındaki bu büyüyen uçurumun nedeni nedir? Bu durum, giderek artan bir şekilde, aralarındaki kritik etkileşimin anlaşılmamasından kaynaklanmaktadır. verialan uzmanlığı ve yapay zeka iş akışlarının düzenlenmesi.
Çoğu iş lideri yapay zekanın gücünden gerçek anlamda faydalanabilmek için önce veri alanlarını düzene sokmaları gerektiğini artık anlamış olsa da birçoğu bu süreçte yanlış yola gidiyor.
Büyük bir girişimde bulunuyorlar veri taşıma süreci daha yönetilebilir hale getirmek için girişimlerde bulunuyor veya işletmelerinin küçük bölümlerine odaklanıyor, ancak çok azı veri sorununu çözmek için yapay zekayı kullanıyor. Verilerinin kilidini açmak için yapay zekanın gücünden yararlanmak yerine, büyük veri uyumlaştırma projelerinin nihai hedefi olarak yapay zekaya bakıyorlar.
Veri hazırlığı yapay zeka girişimlerini güçlendirir veya bozar
Bu fenomenin sayısız olayda gerçekleştiğini gördüm işletmeler Yapay zekayı etkinleştirmeyi desteklemek için gereken veri ve teknoloji temeline değinmeden, ne pahasına olursa olsun yapay zeka odaklı inovasyona öncelik veren şirketler.
İşletmelerin kurumsal iş akışlarını sıfırdan yeniden tasarlayabildiği ve yapay zekadan muazzam değer elde edebildiği diğer tarafı da gördüm. Her örnekte, yapay zeka formülünü doğru şekilde kullananları kavram kanıtlama aşamasını geçmekte zorlananlardan ayıran tek tanımlayıcı özellik veri hazırlığıdır.
Yapay zekanın kurumsal düzeyde gerçekten değer sunabilmesi için işin tüm yönlerinden çok çeşitli yapılandırılmış ve yapılandırılmamış veri kümelerinden yararlanabilmesi gerekir. Çoğu durumda, bu veri kümeleri bir arada tutulur, eksiktir, uyumsuzdur veya kuruluşun farklı bölümlerine erişilemez durumdadır.
Bu parçalanma, günümüzde pek çok yapay zeka projesinin potansiyelini sınırlayan şeydir. Bu aynı zamanda yapay zekanın çözülmesine yardımcı olmak için benzersiz bir şekilde uygun olduğu bir sorundur. Günümüzün ajansal yapay zekası ile, veri keşfini, iyileştirmeyi ve dönüştürmeyi otomatikleştirmek için yapay zekayı kullanmak mümkündür; bu da kuruluş çapında doğru verileri yapay zekaya hazır hale getirir.
Kurumsal iş akışlarının baştan sona yeniden yapılandırılması
Örneğin, mülk ve kaza (P&C) sigortası sektörü, yapay zeka için en verimli test alanlarından biri olarak ortaya çıktı çünkü bu, yapılandırılmamış verilerden beslenen ve düzgün çalışması için bir dizi standartlaştırılmış ve tekrarlanan ancak oldukça karmaşık süreçler gerektiren bir iş kolu.
Her bakımdan bu, yapay zeka tarafından dönüştürülmeye hazır bir iş akışıdır. Ancak pek çok sigorta şirketi yapay zekayı bu sürece tam olarak entegre etmekte zorlandı çünkü gerçek anlamda kesintisiz bir bilgi akışını desteklemek için temel veri alanlarını alamıyorlar.
Adil olmak gerekirse, bu karmaşık bir süreç. Sigortalamadan hasar ödemelerine kadar sigorta iş akışları büyük ölçüde verilere bağlıdır; ancak her aşamada veriler farklı şekilde ele alınır ve saklanır. Sigortacılar, müşteri hizmet, finansve hesap yönetimi ayrı veri kümeleri kullanır ve süreç genellikle manuel aktarımlarla yürütülür.
Teknolojideki ilerlemelere rağmen sigorta şirketlerinin artık tipik bir ev sahibi talebini, başvurudan ödemeye kadar işleme koyması ortalama 44 gün sürüyor. İş akışlarını kolaylaştırmak yerine süreç her zamankinden daha yavaş hale geldi.
Yapay zeka aracılarını karmaşık iş akışlarının kritik noktalarına yerleştirme
Bu şekilde olmasına gerek yok. Yapay zekayı bir nokta çözüm veya kavram kanıtı olarak değil, kritik veri bağlantılarını yeniden yapılandırma ve yapay zeka aracılarını tüm veri mimarilerine yerleştirme fırsatı olarak benimseyen sigortacılar, oldukça farklı sonuçlar görüyor.
Örneğin, büyük bir ulusal sigorta şirketi yakın zamanda, bir müşterinin bir olayı bildirmesi ile ödemeyi alması arasındaki süreyi kısaltmak amacıyla, ilk hasar bildirimi işlemlerini hızlandırmak için tasarlanmış bir projeye başladı.
Aracı yapay zekayı sürecin önemli noktalarına yerleştirerek ve tüm verileri tutarlı, standart bir formatta yönetilebilecek şekilde yapılandırarak, talep döngü süresini birkaç haftadan iki güne düşürmeyi başardılar.
Tüm projenin gizli sosu daha büyük ve daha iyi değildi. büyük dil modeli veya yapay zekaya daha fazla yatırım. İş akışında yapay zekanın daha iyi düzenlenmesi sağlanıyordu.
Sigortacının, uyumlu, yapay zeka destekli bir iş akışını desteklemek için kaza görüntüleri, sesli aramalar, eksper notları, hasar verileri, tarihsel bağlam, araç şasi numaraları, veri kalitesi kontrolleri, kapsam incelemeleri ve dolandırıcılık kontrollerinden oluşan tüm yelpazenin koreografisini yapabilmesi gerekiyordu.
Örneğin sigortacı, devam eden operasyonları izleyen ve iş akışında kesintiler veya düzensizlikler olduğunda müdahale eden operasyon odaklı yapay zeka temsilcileriyle birlikte çalışan, veri kalitesine odaklanan yapay zeka temsilcilerini kullanıma sunabildi.
Yapay zeka temsilcilerinin dikey silolarda çalışmak yerine birlikte çalışmasını sağlama yeteneği, gerçek anlamda dönüştürücü sonuçlar sağlayan eksiksiz bir kurumsal yapay zeka iş akışını mümkün kılan şeydir.
İşletmeler, koordineli yapay zeka aracılarını önemli veri kümelerine dağıtarak işlevler arası operasyonları destekleyen birleşik bir veri omurgası oluşturabilir. Bu yaklaşım, sistemlerin karmaşık iş akışlarını sorunsuz bir şekilde işbirliği yapmasına, uyarlamasına ve yürütmesine olanak tanır.
Veri, etki alanı ve yapay zeka
ChatGPT’nin piyasaya sürülmesinin ve dünyanın üretken ve ajansal yapay zekanın işletmeleri gerçek anlamda dönüştürme potansiyeline dair büyük uyanışının üçüncü yıl dönümüne yaklaşırken, birçok yorumcu temelde çatlaklar arıyor; sonuçların abartıyı karşılamadığını gösteren örnekler.
Aslında en pratik olanı anlayan işletmeler için sonuçlar uygulamalar Yapay zekayı geliştirmek ve yalnızca araçlar oluşturmak için değil aynı zamanda temel işlevleri yeniden tasarlamak için de zaman ayırmak dikkate değer bir şey.
Zorluklarla karşı karşıya olanlar için bu genellikle teknolojinin kendisinin bir işlevi değil, onu etkili bir şekilde entegre etme yeteneğinin bir işlevidir.
Bu, hazır satın alıp taktığınız ve sonuçları beklediğiniz türden bir teknoloji değil. Yapay zekayı güçlendirmek için gereken verilerle nasıl çalışılacağını anlayan yapay zekayı etkinleştirenlerin ve dönüşüm için en iyi aday olan sektöre özel iş akışlarına ilişkin ayrıntılı bilgi gerektirir.
Bu hassas bir denge, ancak formülü doğru anlayanlar için sınır gökyüzüdür.
En iyi yapay zeka yazarını öne çıkardık.
Bu makale, günümüz teknoloji endüstrisindeki en iyi ve en parlak beyinleri öne çıkardığımız TechRadarPro’nun Expert Insights kanalının bir parçası olarak üretildi. Burada ifade edilen görüşler yazara aittir ve mutlaka TechRadarPro veya Future plc’ye ait değildir. Katkıda bulunmak istiyorsanız buradan daha fazla bilgi edinin: https://www.techradar.com/news/submit-your-story-to-techradar-pro