Yapay zekâ projelerinde en sık sorulan soru «hangi model?» sorusudur. Oysa bu projelerin çoğu modelin yeteneğinden önce hedefin, verinin ve sorumluluğun belirsizliğinde tıkanır. Proje yöneticisinin işi tam olarak bu boşlukları kapatmaktır. Aşağıda bu rolü nasıl tarif ettiğimi anlatıyorum; bu bir vaka anlatısı ya da ölçülmüş bir sonuç değil, çalışma yöntemimin özeti.
Proje yöneticisi modeli seçmez, karar çerçevesini kurar
Yazılım geliştirici kökenli bir proje yöneticisi olarak şunu görüyorum: yapay zekâ projesinde teknik ekip «ne yapılabilir» sorusuna, iş tarafı «ne işe yarar» sorusuna bakar. Aradaki soruyu, yani «hangi karar ya da süreç hangi göstergeyle iyileşecek?» sorusunu sahiplenen kimse yoksa proje demo aşamasında takılır. Proje yöneticisinin ilk katkısı bu soruyu yazılı hâle getirmek, kapsam dışı kalanları da aynı belgeye eklemektir.
AI agent projelerinde: yetki sınırı ve insan onayı
Bir AI agent, araç çağırabilen ve adım adım ilerleyen bir süreçtir. Bu yüzden yönetim sorusu «ne kadar akıllı?» değil «neye dokunabilir?» olur. Proje başında şunları netleştiririm:
- Agent hangi araçlara ve hangi verilere erişebilir; hangi işlemleri yalnızca okuyabilir, hangilerini değiştirebilir?
- Hangi adımlarda insan onayı zorunludur?
- Agent takıldığında ya da yanlış yaptığında ne olur; geri alma ve devralma yolu nedir?
- Çalışma kayıtları nerede tutulur ve kim inceler?
LLM RAG projelerinde: kaynak, güncellik ve yetkilendirme
RAG, modelin kurum belgelerinden yanıt üretmesini sağlar; başarısı çoğu zaman modelden çok belgelerin durumuna bağlıdır. Hangi belgeler kaynak olacak, kim güncelleyecek, eski sürümler nasıl ayıklanacak, kullanıcı yalnızca yetkili olduğu belgeden mi yanıt alacak? Bunlar teknik ayrıntı gibi görünse de proje planının ilk haftalarında karara bağlanması gereken iş kararlarıdır. Ayrıca yanıtın dayanağının gösterilebilir olmasını kabul ölçütüne yazarım: kullanıcı «bunu nereden çıkardın?» diye sorduğunda kaynak belge izlenebilmelidir.
İnce ayar (fine-tuning) projelerinde: önce gerekli mi?
İnce ayar çoğu zaman ilk akla gelen çözümdür, ama her zaman ilk çözüm olmamalıdır. İstem düzenlemesi ya da RAG ihtiyacı karşılıyorsa ince ayar ek maliyet ve bakım yükü getirir. Karar verilirse proje yöneticisi şunları ister: eğitim verisinin kaynağı ve kullanım hakkı, içinde kişisel veri olup olmadığı, değerlendirme için ayrılmış ayrı bir örnek kümesi ve beklenen sonuca ulaşılamazsa geri dönüş planı.
Ortak omurga: pilot, ölçüm, karar
Üç tür projede de aynı sırayı izlerim: hedefi ve başarı ölçütünü yazmak, küçük bir kapsamda pilot kurmak, sonucu gerçek örneklerle ölçmek ve genişletme, durdurma ya da yön değiştirme kararını yazılı almak. Pilotun amacı «çalıştı» demek değil, bir sonraki kararı bilgiyle vermektir. Durdurma kararı da başarılı bir pilot çıktısı olabilir; yanlış bir ürüne yatırım yapmadan öğrenmiş olursunuz.
Proje yöneticisinin teslimleri
- Kapsam ve kabul ölçütleri belgesi: iş sorusu, kullanıcı, veri, kapsam dışı maddeler.
- Veri, erişim ve risk kaydı: her riskin sahibi ve önlemi yazılı.
- Pilot sonuç özeti: gerçek örneklerle birlikte, genişletme önerisiyle.
- Karar kayıtları: kim, neye, hangi gerekçeyle karar verdi.
- Devir: ekibin sistemi bensiz işletebilmesi için kullanım ve bakım bilgisi.
Kısacası
Yapay zekâ projesinde proje yöneticisi, modelin yerine geçen kişi değildir; modelin içinde çalışacağı işi, veriyi, yetkiyi ve kararı tanımlayan kişidir. Bu yaklaşımı kendi çalışmamda nasıl uyguladığımı Yapay Zekâ Projeleri ve Proje Yönetimi sayfalarında bulabilirsiniz.