Yapay Zeka Projesine Nasıl Başlanır? Kurumlar İçin 6 Adımlık Rehber

Kısa cevap: Kurumsal bir yapay zeka projesi altı adımda başlatılır: iş problemini tek sayfada tanımlamak, veri envanterini ve hukuki dayanağı çıkarmak, başarı eşiğini temel ölçümle birlikte sözleşmeye yazmak, pilot ile üretim kapsamını ayırmak, modelin nerede çalışacağına karar vermek ve üretim sonrası izleme düzenini kurmak. Her adımın sonunda yazılı bir çıktı vardır; o çıktı üretilmeden bir sonraki adıma geçilmez.

Yönetim kuruluna gelen yapay zeka sunumları genelde teknik bir soruyla karşılaşmaz. Karşılaşılan üç soru şudur: bu proje ne kadar sürer, ne kadar tutar ve bittiğinde neyin iyileştiğini nasıl kanıtlarız. Projelerin pilot aşamasında takılıp kalmasının sebebi çoğu zaman modelin yetersiz kalması değil, bu üç sorunun cevabının projeye başlamadan yazılmamış olmasıdır. Regüle sektörlerde tablo daha da nettir: hukuk, iç denetim ve operasyon aynı masaya oturur, imza çıkmaz, proje rafa kalkar.

Bu rehber, ilk yapay zeka projesine hazırlanan kurumlar için altı adımlık bir sıra öneriyor. Sıranın amacı, projelerin en pahalı hatasını, yani yanlış problemi doğru biçimde çözmeyi baştan engellemektir.

Yapay zeka projeleri neden teknikte değil karar masasında tıkanır?

Bir kurumda yapay zeka projesinin önünde çoğu zaman üç ayrı veto noktası bulunur ve üçü de teknik değildir.

• Hukuk ve uyum: Verinin nereye gittiği; özellikle KVKK kapsamında özel nitelikli sayılan kişisel verilerin kurum dışına çıkıp çıkmadığı.
• Operasyonel sorumluluk: Sistem yanlış çıktı ürettiğinde sorumluluğun kimde olduğu ve insanın süreçte nerede devreye girdiği.
• İç denetim: Verilen kararın neye dayandığı ve aylar sonra geriye dönük olarak gösterilip gösterilemeyeceği.

Aşağıdaki altı adım, bu üç masayı teknik çalışmayla aynı anda ilerletmek için kurgulandı.

Adım 1: Hangi iş problemini çözeceğinizi nasıl netleştirirsiniz?

"Yapay zeka kullanalım" bir hedef değildir. Hedef, ölçülebilir bir iş sonucudur. Başlangıç için tek sayfalık bir problem tanımı yeterlidir ve şu dört soruya cevap vermelidir:

1. Bu işi bugün kim yapıyor, ne kadar sürüyor?
2. Hatanın maliyeti nedir? Yanlış çıktı para mı kaybettirir, zaman mı, yoksa geri dönülemez bir sonuç mu doğurur?
3. İş kaç kez tekrarlanıyor? Ayda birkaç kez yapılan bir iş, otomasyon yatırımını genelde karşılamaz.
4. Projenin karar sahibi kim? Tek bir isim.

Yapay zeka ajanı (AI agent) nedir? Kendisine verilen görevi adım adım planlayan ve bu adımları yürütürken kurumun diğer sistemlerine bağlanabilen yazılımdır. Klasik otomasyondan farkı, izlenecek adımların tamamının önceden kodlanmamış olmasıdır.

Bu esneklik hız kazandırır, ancak kontrol tasarlanmadığında risk de üretir. Yapay zeka ajanı geliştirme projelerinde ilk yazılan şey kod değil, ajanın hangi sistemde hangi işlemi yapmaya izinli olduğunu tarif eden sınır listesidir.

Adım çıktısı: tek sayfalık problem tanımı ve tek karar sahibi.

Adım 2: Verinizin projeye hazır olup olmadığını nasıl anlarsınız?

Yapay zeka projelerinde takvimi en çok uzatan kalem veridir. Model eğitimi çoğu projede günler ya da haftalar sürer; veriyi toplanabilir, temiz ve kullanılabilir hale getirmek aylar sürebilir. Şu envanteri çıkarmadan bütçe onaylamayın:

• Veri fiziksel olarak nerede duruyor, hangi sistemde, hangi formatta?
• Veri etiketli mi? Etiketleme, her örneğin doğru cevabının insan tarafından işaretlenmesidir; model ancak bu işaretlerden öğrenir.
• Kaç örnek var ve bu örnekler gerçek çeşitliliği temsil ediyor mu?
• Kişisel veri içeriyor mu, hangi hukuki dayanakla işlenecek, anonimleştirme mümkün mü?

Veri kalitesi düşükse doğru cevap projeyi iptal etmek değil, kapsamı bir veri toplama fazıyla başlatmaktır. Bu fazın kendisi de bir çıktı üretir ve sonraki her proje için kurumda varlık olarak kalır.

Adım çıktısı: veri envanteri, erişim haritası ve hukuki dayanak notu.

Adım 3: Başarı eşiğini sözleşmeye nasıl yazarsınız?

Bir yapay zeka projesinin en kritik cümlesi şudur: hangi metrik, hangi veri kümesinde, hangi eşiği geçerse proje başarılı sayılacak. Bunu yazabilmek için önce temel ölçüm (baseline) gerekir; yani aynı görevde bugünkü sürecin performansı. Temel ölçüm yoksa proje sonundaki iyileşme tartışması fikir tartışmasına döner.

Bu yüzden sıralamayı değiştirmiyoruz: önce mevcut performans ölçülür, sonra modelin bu eşiği geçtiği kanıtlanır, ancak ondan sonra üretime alınır. Bir projede aynı işte insan performansı %80 seviyesindeydi; yapay zeka destekli akışla bu oran %90'a çıkarıldı. Bu tür bir karşılaştırma yalnızca görev tanımı, ölçüm yöntemi ve veri kümesi birlikte verildiğinde anlamlıdır; rakamı bağlamsız kullanan hiçbir sunumu ciddiye almayın.

Eşik her projede aynı olmaz. Sağlık alanındaki projelerimizde %85 üzeri doğrulukla, görüntü işleme projelerimizde %80 üzeri stabiliteyle çalışıyoruz. Stabilite burada tek seferlik doğruluk değil, sistemin farklı gün, ışık ve saha koşullarında aynı sonucu üretebilme oranıdır.

Adım çıktısı: sözleşmeye yazılabilir kabul kriteri.

Adım 4: Pilot mu üretim mi, doğru kapsam nasıl seçilir?

Kurumlarda en sık karşılaştığımız tablo pilot yorgunluğudur: demoda çalışan, üretime hiç geçemeyen projeler. Ayrım aslında basittir.

Kapsam kararını verirken pilotun sonunda üretime geçiş kriterinin ne olduğunu baştan yazın. Pilot, üretime geçiş kriteri olmadan başlatıldığında sonucu ne olursa olsun tartışmalı kalır.

Gerçek zamanlı sistemlerde bu fark ölçülebilir hale gelir. Savunma sanayii bağlantılı bir projede, insansız hava aracı görüntüsünde sınıftan bağımsız uçan cisim tespiti ve takibi için hedef, saniyede 50 ila 150 kare (FPS) işlemektir. FPS (frames per second), sistemin bir saniyede kaç görüntü karesini işleyebildiğini gösterir; laboratuvarda yüksek doğruluk veren bir model bu hızı tutturamıyorsa sahada kullanılamaz.

Adım çıktısı: pilot kapsamı ve üretime çıkış tanımı.

Adım 5: Model nerede çalışacak, kendi sunucunuzda mı bulutta mı?

Bu, projenin hukuk masasından geçip geçemeyeceğini belirleyen sorudur ve cevabı teknik tercihle değil, verinin kurum dışına çıkıp çıkamayacağıyla başlar. Üç seçenek vardır.

Çalıştığımız kurumlarda ağırlıklı kurulum biçimi kurum içi (on-premise), bulut ise opsiyonel olarak kullanılıyor. Dağıtımı Docker konteynerleri üzerinden yapıyoruz; böylece aynı sistem test ve üretim ortamında aynı biçimde çalışır, kuruma özel sunucuda tekrar kurulum yükü çıkmaz.

Dil modeli tarafında karar ikili değildir. Kurum içinde çalışan açık kaynak modellerle ticari API'ler aynı projede birlikte kullanılabilir: hassas içerik kurum ağından çıkmadan işlenirken, hassas olmayan görevler dış servise verilebilir. Bu ayrımı adım 2'deki veri envanteri belirler, tersi değil.

Adım çıktısı: kurulum mimarisi kararı ve verinin hangi sınırın içinde kalacağını gösteren tek sayfalık şema.

Adım 6: Üretime aldıktan sonra sistemi nasıl izler ve denetlersiniz?

Yapay zeka projesi devreye alma ile bitmez. Model, eğitildiği veriye benzeyen girdilerde iyi çalışır; saha değiştikçe performans sessizce düşebilir. Bu düşüşün adı veri kaymasıdır (drift): modelin eğitildiği veri ile sahadaki verinin zaman içinde birbirinden uzaklaşması. Kayma ölçülmediğinde fark edilmez, çünkü sistem hata vermez, sadece yanılmaya başlar.

Üretim sonrası düzenin dört bileşeni vardır:

• İzleme: Adım 3'te yazılan metrik, üretimde de periyodik olarak ölçülür. Ölçülmeyen eşik, sözleşmede kalmış bir cümledir.
• Kayıt: Hangi girdiye hangi çıktı verildi, hangi model sürümü kullanıldı, kim onayladı. İç denetimin geriye dönük soruları ancak bu kayıtla cevaplanır.
• İnsan devri: Sistemin kendi güven eşiğinin altında kaldığı durumlarda kararın insana geçtiği açık bir kural.
• Sahiplik: Yeniden eğitim kimin sorumluluğunda, hangi sıklıkta ve hangi veriyle yapılacak.

Bu bileşenlerin belgelenebilir hale gelmesi için referans alınan çerçeve ISO/IEC 42001, yani yapay zeka yönetim sistemleri için tanımlanmış uluslararası standarttır. AI Yapay Zeka Mühendislik A.Ş. ISO 42001 belgesine sahiptir ve aynı alanda danışmanlık verir; tedarikçi değerlendirme süreçlerinde bu belgelenebilirlik giderek daha sık isteniyor.

Adım çıktısı: izleme planı, kayıt şeması ve yeniden eğitim sorumlusu.

Altı adımın çıktıları tek tabloda

İlk projede en sık yapılan üç hata

1. Temel ölçüm yapmadan başlamak. Karşılaştırılacak sayı yoksa proje sonunda iyileşme kanıtlanamaz.
2. Veriyi son adıma bırakmak. Veri hazırlığı takvimin en uzun kalemidir; bütçe onayından sonra fark edildiğinde proje durur.
3. Karar sahibini komiteye dağıtmak. Tek isim yoksa pilot bitse bile üretime geçiş kararı çıkmaz.

Sık sorulan sorular

Yapay zeka projesine nasıl başlanır?

Kurumsal bir yapay zeka projesi altı adımda başlatılır: iş problemini tek sayfada tanımlamak, veri envanterini ve hukuki dayanağı çıkarmak, başarı eşiğini temel ölçümle birlikte sözleşmeye yazmak, pilot ile üretim kapsamını ayırmak, modelin nerede çalışacağına (kurum içi sunucu, bulut veya hibrit) karar vermek ve üretim sonrası izleme düzenini kurmak. Her adımın sonunda yazılı bir çıktı vardır; o çıktı üretilmeden bir sonraki adıma geçilmez.

Yapay zeka ajanı (AI agent) nedir?

Yapay zeka ajanı, kendisine verilen görevi adım adım planlayan ve bu adımları yürütürken kurumun diğer sistemlerine bağlanabilen yazılımdır. Klasik otomasyondan farkı, izlenecek adımların tamamının önceden kodlanmamış olmasıdır. Bu esneklik hız kazandırır, ancak kontrol tasarlanmadığında risk üretir. Bu yüzden ajan projelerinde ilk yazılan şey kod değil, ajanın hangi sistemde hangi işlemi yapmaya izinli olduğunu tarif eden sınır listesidir.

Yapay zeka projesi için ne kadar veri gerekir?

Tek bir doğru sayı yoktur; belirleyici olan örnek sayısı değil, örneklerin gerçek çeşitliliği temsil etmesi ve etiketli olmasıdır. Etiketleme, her örneğin doğru cevabının insan tarafından işaretlenmesidir; model ancak bu işaretlerden öğrenir. Veri yetersizse doğru karar projeyi iptal etmek değil, kapsamı bir veri toplama fazıyla başlatmaktır. O fazın çıktısı sonraki projeler için de kurumda kalır.

Yapay zeka projesinde başarı nasıl ölçülür?

Başarı, projeye başlamadan önce yapılan temel ölçüme göre tanımlanır. Temel ölçüm, aynı görevde bugünkü sürecin performansıdır; bu sayı yoksa proje sonundaki iyileşme tartışması fikir tartışmasına döner. Kabul kriteri sözleşmeye tek cümleyle yazılır: hangi metrik, hangi veri kümesinde, hangi eşiği geçecek. Örneğin bir projede aynı işte insan performansı %80 seviyesindeydi; yapay zeka destekli akışla bu oran %90'a çıkarıldı.

Yapay zeka modeli kurum içinde mi bulutta mı çalışmalı?

Kararı teknik tercih değil, verinin kurum dışına çıkıp çıkamayacağı belirler. Veri kurumun ağından çıkamıyorsa kurum içi (on-premise) kurulum gerekir; hızlı başlangıç ve esnek kapasite önceliğse bulut uygundur. Hibrit kurgu da mümkündür: hassas veri kurum içinde işlenirken diğer bileşenler dışarıda çalışır. Dil modeli tarafında kurum içinde çalışan açık kaynak modeller ile ticari API'ler bir arada kullanılabilir.

Sağlık verisiyle yapay zeka projesi yürütülebilir mi?

Yürütülebilir, ancak sağlık verisi KVKK kapsamında özel nitelikli kişisel veridir ve işleme şartları daha ağırdır. Pratikte üç unsur birlikte kurgulanır: verinin kurum ağı dışına çıkmadığı bir kurulum, mümkün olan yerde anonimleştirme ve kararın kime ait olduğunu gösteren kayıt düzeni. Sağlık alanındaki projelerimizde %85 üzeri doğrulukla çalışıyoruz.

ISO/IEC 42001 nedir ve yapay zeka projesinde neden istenir?

ISO/IEC 42001, yapay zeka yönetim sistemleri için tanımlanmış uluslararası standarttır; modelin nasıl geliştirildiğini, risklerin nasıl değerlendirildiğini ve sorumlulukların nasıl dağıtıldığını belgelenebilir hale getirir. İç denetim ve tedarikçi değerlendirme süreçlerinde bu belgelenebilirlik istenir. AI Yapay Zeka Mühendislik A.Ş. ISO 42001 belgesine sahiptir ve aynı alanda danışmanlık verir.

İlk adımı birlikte atmak isterseniz

AI Yapay Zeka Mühendislik A.Ş., kurumsal yapay zeka projelerinde ajan geliştirme, görüntü işleme, video işleme, LLM çözümleri ve kurumsal eğitim alanlarında çalışır. Projeler Türkçe, İngilizce ve Fransızca yürütülebilir. Hizmetlerimizi inceleyebilir veya yukarıdaki altı adımın ilk ikisini birlikte çıkarmak için bize ulaşabilirsiniz: 0540 509 19 05, gokhan@aiyapayzeka.io. Her gün 09.00-19.00 arası ulaşabilirsiniz.

Yazar: Dr. Gökhan Tahıl, AI Yapay Zeka Mühendislik A.Ş. kurucusu. Son güncelleme: 17 Ağustos 2026.

Ücretsiz danışmanlık için bize ulaşın

← Tüm yazılar