Yapay Zekâ ile Akıcı ve Etkili Çalışma Becerileri: Anthropic'in 4D Formülü

Herkese merhabalar,

Bugünkü yazıya geçmeden önce geçtiğimiz hafta içerisinde gerçekleşen Experinn 'den bazı haberleri sizinle paylaşmak istiyorum.

Experinn'den Haberler:

1- Geçtiğimiz hafta perşembe günü, çözüm ortaklarımızdan Teens In Innovation 'ın eğitim destekçilerinden olduğumuz Yapı Kredi liseli çalışan çocuklarına yönelik Yapı Kredi FRWRD AI Akademisi'nde uygulamalı Lovable eğitimi verdik.

---

2- Pazartesi gündüz KOBİ’lere özel tasarladığımız yapay zekâ farkındalık ve yetkinlik geliştirme programımız KOBİ AI Check-Up'a başladık. İlk programımızı ambalaj ve paketleme sektöründe faaliyet gösteren Onare Endustriyel Ambalajlama A.S. ve packmore.com ile gerçekleştirdik. Program Detayları İçin Link

---

3- Pazartesi akşam online olarak Yapı Kredi saha portföy yöneticilerine yönelik akıcı ve etkili yapay zekâ kullanma eğitimimizi gerçekletirdik.

---

4- Salı günü ANADOLU ISUZU Talent Pick-Up programına dahil olan genç yeteneklerle Girişim Hızlandırma Programı’na başladık. Program Detayları İçin Link

---

5- Çarşamba günü program yürütücü paydaşlarından biri olduğumuz Fibabanka Focus Kurum İçi Girişimcilik programının finali için demo day'deydik.

Son 1 hafta bizim için gerçekten dolu dolu geçti. Önümüzdeki günlerde hem girişimcilik hem de yapay zekâ alanlarında sektöre değer katan programlarımıza tüm hızımızla devam edeceğiz. Hizmetlerimiz hakkında detaylı bilgi almak isterseniz web sitemizi ziyaret edebilirsiniz: http://experinn.com/

Gelelim bu haftanın yazısına. Bundan yaklaşık 6 ay önce Anthropic'in "Akıcı ve Etkili Yapay Zekâ Becerileri" eğitimini ilk aldığımda, yapay zekâ ile çalışmayı tam anlamıyla içselleştirmem konusunda bana çok faydası olmuştu. O dönemden beri hâlâ hemen hemen tüm yapay zekâ ile iletişimimi bu eğitimde çerçeveye göre yürütüyorum. Hatta bugün kurumsal şirketlere verdiğimiz yapay zekâ eğitimlerinde de bu omurgayı sık sık kullanıyoruz.

Çünkü iş ister basit bir metin düzenleme olsun, ister karmaşık AI agent yapıları kurmak olsun, temel mantık çok fazla değişmiyor.

Yapay zekâ ile verimli çalışmak için önce neyi devredeceğimizi bilmemiz, sonra ne istediğimizi iyi tanımlamamız, gelen sonucu doğru değerlendirmemiz ve en sonunda da sürecin sorumluluğunu üstlenmemiz gerekiyor.

Anthropic bu yaklaşımı İngilizce baş harflerle 4D Formülü olarak anlatıyor:

• Devretme (Delegation): Hangi işleri biz insanlar yapmalıyız, hangilerini yapay zekâya devretmeliyiz?

• Tanımlama (Description): Yapay zekâ sistemleriyle net bir şekilde nasıl iletişim kurarız?

• Ayırt Etme (Discernment): Yapay zekânın bize sunduğu çıktıları nasıl değerlendiririz?

• Özen Gösterme ve Sorumlu Olma (Diligence): Yapay zekâ ile kurduğumuz etkileşimin sorumlu, şeffaf ve hesap verebilir olduğundan nasıl emin oluruz?

Bu çerçevenin yapay zekâyı ile çalışmayı çok daha etkili, verimli, bilinçli, güvenli ve sürdürülebilir bir hale getirdiğini düşünüyorum. Bundan 3 ay önce eğitimin tamamını 5 farklı yazı olarak paylaşmıştım. Çok değerli olduğuna inandığım için daha konsantre halini bu yazımda tekrar paylaşıyorum. Her bir başlığı daha kapsamlı olarak okumak isterseniz o yazılara da göz atabilirsiniz. Link

1. Devretme (Delegation): Hangi İş Kimde Kalmalı?

Devretme, yapay zekâ ile etkili çalışmanın ilk adımı. Bugüne kadarki çalışmalarımda farkettiğim bir husuz, AI ile çalışma kesinlike sadece "şu işi benim yerime yap" demek değil. Yapılacak işi doğru parçalara ayırmak ve hangi kısmın insanda, hangi kısmın yapay zekâda kalacağına bilinçli bir şekilde karar vermek bu işin en önemli püf noktalarından biri. Yine bu noktayla bağlantılı geçtiğimiz hafta "Beynimizi Bu Kadar Az Kullanmaya Nasıl İkna Olduk?" başlıklı bir yazı yazmıştım bakmak isterseniz.

Anthropic'in eğitimde vurguladığı en önemli nokta şu:

İyi bir devretme sürecinin temeli aslında yapay zekâ değil, bizim kendi uzmanlığımız ve muhakememiz.

Devretme'yi genel hatlarıyla 3 parçada incelebiliriz:

Problem Farkındalığı

Yapay zekâyı sürece dahil etmeden önce neyi başarmak istediğimizi netleştirmemiz gerekiyor.

• Bu çalışmadaki hedefimiz nedir?

• Bu çalışmada bizim için başarı ne anlama geliyor?

• Basit ama zaman alan görevler hangileri?

• Belirsizlik içeren ve düşünce ortaklığı gerektiren alanlar nereler?

• Kesinlikle insan muhakemesi isteyen noktalar hangileri?

Bu sorulara cevap vermeden, önemli bir problemde en gelişmiş yapay zekâ sistemi bile bizi istediğimiz noktaya getirmiyor.

Platform Farkındalığı

Problemimizi netleştirdikten sonra, hangi aracın hangi konuda daha iyi olduğunu anlamamız gerekir. Tek bir "mükemmel" sistem aramak yerine, farklı modellerin güçlü ve zayıf yönlerini tanımak daha doğru bir yaklaşım.

Bazı sistemler hızlı cevap üretmekte, bazıları derin analizde, bazıları yaratıcılıkta, bazıları ise yapılandırılmış işlerde daha güçlü olabilir. Bu nedenle platform farkındalığı, sadece araç ismi bilmek değil; hangi problemi hangi sistemle daha iyi çözebileceğimizi anlamak.

Görev Devri

Son aşama, işi insan ve yapay zekâ arasında stratejik olarak paylaştırmak.

• İş akışının hangi kısmı otomasyonla çözülebilir?

• Nerede yapay zekâyı bir düşünce ortağı gibi kullanmak daha fazla değer yaratır?

• Hangi rutin etkileşimler ajanlara bırakılabilir?

• Hangi kararlar mutlaka insanda kalmalıdır?

Etkili işbirliği için direksiyonu tamamen yapay zekâya bırakmak değil; her iki tarafın güçlü yönlerini bilinçli şekilde birleştirmek daha doğru.

---

2. Tanımlama (Description): İyi Prompt Değil, Net İletişim

Tanımlama, yapay zekâ ile kurduğumuz iletişimin merkezinde yer alıyor. Ben burayı Yapay Zekâ Dili ve Edebiyatı olarak tanımlıyorum. Anthropic eğitimde önemli olanın sadece internette bulunan karmaşık promptları kopyalamak olmadığını vurguluyor. Tanımlarına göre, yapmamız gereken niyetlerimiz ile yapay zekânın kapasitesi arasında net bir köprü kurmak.

Yapay zekâ zihnimizi okuyamaz. Bu yüzden ne istediğimizi, neden istediğimizi, hangi bağlamda istediğimizi ve nasıl bir çıktı beklediğimizi açıkça anlatmamız gerekir.

Ürün Tanımlaması

Ürün tanımlaması, yapay zekânın ne üretmesini istediğimizi netleştirmekle ilgili.

• Çıktı bir özet mi olacak, e-posta taslağı mı, analiz mi, tablo mu, sunum akışı mı?

• Hedef kitle kim? Dil nasıl olmalı?

• Beklenen kalite ve başarı kriterleri neler?

Ne kadar açık tanımlarsak, çıktı da ihtiyacımıza o kadar yaklaşır.

Süreç Tanımlaması

Bazen yapay zekânın hangi sonuca ulaşacağını söylemek yetmez; o sonuca nasıl ulaşmasını istediğimizi de tarif etmemiz gerekir.

• Hangi adımları takip etmeli?

• Hangi verileri veya kaynakları kullanmalı?

• Hangi yöntemi, çerçeveyi veya analiz biçimini izlemeli?

• Nerede bizim örneklerimizden veya şablonlarımızdan yararlanmalı?

Bu bölüm özellikle karmaşık görevlerde kritik hale gelir. Çünkü süreç doğru kurulmazsa, çıktı ilk bakışta iyi görünse bile yanlış bir mantık üzerine inşa edilmiş olabilir.

Performans Tanımlaması

Performans tanımlaması, yapay zekânın bizimle nasıl bir çalışma arkadaşı gibi davranacağını belirler.

• Kısa cevap mı bekliyoruz, kapsamlı açıklama mı?

• Varsayımlarımızı takip etmesini mi istiyoruz, yoksa sorgulamasını mı?

• Cevaba nasıl ulaştığını açıklamalı mı?

• Tonu, üslubu ve etkileşim tarzı nasıl olmalı?

Bu detayları belirlemek, yapay zekâyı sadece yanıt veren bir araçtan, ihtiyacımıza uyum sağlayan bir düşünce ortağına dönüştürür.

---

3. Ayırt Etme (Discernment): Çıktıyı Uzmanlık Filtresinden Geçirmek

Ayırt Etme, yapay zekâdan aldığımız yanıtın gerçekten ihtiyacımızı karşılayıp karşılamadığını değerlendirme becerisi. Anthropic bu yetkinliği, yapay zekâ ile yürüttüğümüz işbirliğinin kalite kontrol sistemi olarak ele alıyor.

En gelişmiş sistemler bile yanlış bilgi üretebilir, mantık hatası yapabilir veya beklenmedik şekilde davranabilir. Bu nedenle yapay zekânın sunduğu çıktıları eleştirel bir gözle değerlendirmek asla devredilemez bir sorumluluk.

Ürün Ayırt Etme

İlk olarak ortaya çıkan nihai çıktıya bakmamız gerekir.

• İçerik gerçeklere uygun mu?

• Dil ve yaklaşım hedef kitleye uygun mu?

• Yanıt tutarlı ve iyi yapılandırılmış mı?

• Temel gereksinimleri karşılıyor mu?

• Probleme gerçekten değer katıyor mu?

Bu aşamada yapay zekânın ürettiği şeyi olduğu gibi kesinlikle kabul etmemeliyiz. Her bir çıktıyı kendi uzmanlığımızla kontrol etmemizde fayda var.

Süreç Ayırt Etme

İkinci olarak, yapay zekânın sonuca nasıl ulaştığını değerlendirmemiz gerekir.

• Mantık sürecinde kopukluk var mı?

• Büyük resmi kaçırıp gereksiz bir detaya mı takılmış?

• Alternatifleri yeterince değerlendirmiş mi?

• Daha önce reddettiğimiz fikirleri tekrar sürece dahil etmiş mi?

Bu kontrol özellikle strateji, analiz, karar destek ve araştırma gibi alanlarda çok önemli.

Performans Ayırt Etme

Son olarak, yapay zekânın bizimle nasıl etkileşim kurduğunu değerlendirmeliyiz.

• Bilgiyi yardımcı bir üslupla sunuyor mu?

• Geri bildirimlerimize doğru tepki veriyor mu?

• Gereksiz yere karmaşıklaşıyor mu?

• Beklediğimiz derinlikte cevap veriyor mu?

Eğer burada bir sorun görüyorsak, çoğu zaman çözüm daha iyi bir tanımlama yapmak. Bu yüzden Tanımlama ve Ayırt Etme aslında sürekli birlikte çalışan iki adım.

---

4. Özen Gösterme ve Sorumlu Olma: Sorumluluk Daima İnsanda

4D formülünün son adımı, işin etik ve güvenlik boyutu. Yapay zekâ ile çalışırken sadece en hızlı veya en verimli sonuca odaklanamayız. Hangi sistemi kullandığımızı, hangi verileri paylaştığımızı, çıktıyı nasıl kontrol ettiğimizi ve ortaya çıkan işin arkasında nasıl duracağımızı da düşünmemiz gerekir.

Anthropic'in burada verdiği temel mesaj net:

Yapay zekâ destekli bir işin nihai sorumluluğu %100 olarak insanda.

Üretim Süresince Özen ve Sorumluluk

Bu aşamada kullandığımız sistemleri bilinçli seçmemiz gerekir.

• Sistem nasıl eğitildi?

• Girdiğimiz verilere kimler erişebilir?

• Kendi verilerimizi ve başkalarının verilerini nasıl koruyoruz?

• Platform kurum politikalarıyla uyumlu mu?

Özellikle hassas veri, müşteri bilgisi, kurum içi bilgi veya kişisel veri içeren çalışmalarda bu sorular oldukça kritik hale geliyor.

Özen ve Sorumluluğun Şeffaflığı

Yapay zekânın rolü konusunda kimin, ne zaman ve ne kadar bilgi sahibi olması gerektiğini düşünmeliyiz.

• Hangi kısımlar yapay zekâ destekli?

• Bunu ekip arkadaşlarımızla, müşterilerle veya paydaşlarla paylaşmamız gerekir mi?

Şeffaflık sadece kurallara uymakla ilgili değil. Aynı zamanda güven ve dürüstlük inşa etmekle ilgili.

Paylaşım Süresince Özen ve Sorumluluk

Bir çıktıyı başkalarıyla paylaşmadan önce doğruluğunu, kaynaklarını, olası hatalarını ve ön yargılarını kontrol etmemiz gerekir.

• Kullanım hakları net mi?

• Bilgiler doğru mu?

• Bu çıktı başkalarını nasıl etkileyebilir?

• Ortaya çıkan işin arkasında durabilir miyiz?

Yapay zekâ destekli bir içeriği yayımladığımızda veya kullandığımızda, sorumluluğu modele değil kendimize ait olur.

Sonuç

Anthropic'in 4D formülü, belirli bir araca veya kısa sürede eskiyebilecek prompt tekniklerine bağlı kalmadan yapay zekâ ile daha bilinçli çalışmak için güçlü bir çerçeve sunuyor.

Özetle iyi bir yapay zekâ kullanıcısı olmak için temel çerçevenin 4 köşesi var:

• Neyi devredeceğimizi bilmek.

• Ne istediğimizi doğru tanımlamak.

• Gelen yanıtları eleştirel şekilde ayırt etmek.

• Sürecin ve çıktının sorumluluğunu üstlenmek.

Yapay zekâ akıcılığı, sadece teknik bir uzmanlık göstergesi değil; giderek daha önemli hale gelen bir çalışma yetkinliği. Teknoloji değişmeye devam edecek. Ancak bu dört beceri, yapay zekâ ile daha etkili, verimli, etik ve güvenli bir işbirliği kurmamız için sağlam bir temel oluşturmaya devam edecek.

Experinn ile Yapay Zekâ bültenimizde bir yazının daha sonuna geldik. Umarım sizin için faydalı bir içerik olmuştur. Haftaya perşembe günü 7*7 formatında aylık global yapay zekâ gelişmelerini özetleyeceğim yeni yazımda görüşmek üzere.

Enis Erdem Yurdatapan

enis@experinn.com & http://experinn.com/