Üretken yapay zekayı (GenAI) kullanan uygulama geliştirme, kodlamayı demokratikleştirebilir ve potansiyel olarak kaynakları serbest bırakabilir, ancak kuruluşların daha önce kodlama deneyimi olmayan katılımcıları dikkatli bir şekilde yönetmeleri gerekir.
Kantar’ın profiller bölümünde inovasyon başkan yardımcısı olan Jon Puleston’a göre, 250 tahmini demografik değişken içeren 25.000 gerçek kişiden oluşan bir veri setine dayanan doğru bir sentetik kişilik bile, ‘Köpeğiniz var mı?’ gibi basit sorulara bile “çok düzensiz” sonuçlar verebilir.
“Deneyimizde, en gelişmiş yapay zeka ve makine öğrenimi kullanılarak bile bu durum ancak %75 doğrulukla tahmin edilebildi. [ML] Puleston, “Demografik verilerimize göre %52’lik bir şansa karşı uyguladığımız teknik,” diyor. “Bu, sentetik veri modellerini genelleştirilmiş ticari kullanım için yeterince doğru hale getirmek için gereken girdi miktarını vurguluyor. Milyarlarca dolar değerinde bir iş kararı verirken riskler vardır.”
Kantar’ın deneyi, özellikle doğal dil üretici yapay zeka araçlarının yükselişi söz konusu olduğunda karmaşıklıkların “vatandaş geliştiriciler” söylemine aykırı olduğunu öne sürüyor. Puleston ise şunları ekliyor: “Gerçek insan içgörüleri hala iyi bir pazar araştırmasının kalbidir.”
Sonuçta, herhangi bir etkinliğin ayrıntılı bağlamı sıklıkla hayati önem taşıyabilir. Bir futbol topunu kale direkleri arasında tekmelemek prensipte basit bir eylemdir, ancak güvenilir bir şekilde iyi yapmak için yıllarca pratik yapmak gerekir.
Kod optimizasyon şirketi TurinTech’in CEO’su ve kurucu ortağı Leslie Kanthan, bir organizasyonun kendi veri kümeleri hazır olsa bile, dikkatsizleri tuzakların beklediğini söylüyor. Kanthan, “Yapay zeka kodu ve şirket içi uygulamalarla etkileşim kurmak iyidir çünkü insanların bu son teknoloji ürünü şeyleri kullanmasını sağlar, fikir üretmeye ve yaratıcılığa olanak tanır. Ancak bunun bir de yönetişimi var,” diyor.
Örneğin, hassas veri kümeleri içeren bir uygulama oluşturuyorsanız ve kodlama bilginiz yoksa, düzenleyicilere ve uyumluluğa uygulamanın tam olarak ne yaptığını ve ne yapmadığını kanıtlamanız zor olacaktır.
Kanthan, “Sadece bir uygulama oluşturduğunuzu ve bunun bu sorunu çözdüğünü söylemek düzenleyiciler için yeterli değil,” diyor. “Verilerin doğru şekilde tutulduğunu ve benzeri şeyleri bilmeleri gerekiyor.”
Bununla birlikte, GenAI genç geliştiricilerin bir veya iki yıl içinde yeteneklerini geliştirmelerine yardımcı olabilir ve araçlar geliştikçe sağlam test, inceleme ve kullanıcı benimsemesinin gerekliliği akılda tutularak geliştirme daha geniş katkılara genişletilebilir.
Kanthan, temiz kodun daha sürdürülebilir olabileceğini, enerji dahil daha az kaynak tüketebileceğini unutmayın diye ekliyor. “Şu anda, şunu düşünün: [GenAI] gerçekçi olarak. En gelişmiş kullanımlarınız için bile sağlam bir uygulama kullanımına sahip olmanız birkaç yıl daha sürecek,” diyor. “Tam olarak ne yaptığınızı bilmeniz gerekiyor.”
Şirkete tam olarak ne getirdiğinizi ve bunu nasıl kullanacağınızı sorun. Günümüzün GenAI’sı, uzmanlığın yerine geçmek yerine, uzmanlığa yardımcı olarak en iyi şekilde kullanılır ve her kullanım durumunda uygun denetim ve dengeler ve yönetişim geliştirin. Kanthan, “Ne yarattığınızı ve bunu nasıl haklı çıkarabildiğinizi bilin” diye ekliyor.
Domino Data Lab’da AI stratejisi başkanı olan Kjell Carlsson, kodlayıcı olmayanlar için erişilebilir olarak faturalandırılan Amazon Q gibi tekliflerin genellikle sınırlı bir kullanım sağlayacağını belirtiyor. Soru, bir aracı kullanmak için becerilere ihtiyacınız olup olmadığı değil, bu aracı gerçekten iyi bir etki için kullanıp kullanamayacağınızdır. Bunun tersine, bir kural olarak “insanlarınızı geliştirmeniz” gerekecektir.
Örneğin, Visual Basic veya Excel makrolarını kullanmakla zorluğu karşılaştırın: bunlar beceri veya teknik bir geçmiş gerektirir. Peki ya dokümantasyon?
Carlsson, daha az kaynağa sahip işletmelerde, daha az deneyimli geliştiricilerin uygulamalar oluşturmak için ChatGPT’yi benimseyebileceği durumlarda, sonuçların kalitesine “çok fazla” güvenemeyeceğinizi doğruluyor.
“Bir son kullanıcının iyinin neye benzediğini bilmesi için çok fazla anlayışa sahip olması gerekir,” diyor. “Hızla hız kazanmanın ve sıradan şeyler yapmanın harika bir yolu olabilir. Genellikle SQL kullandığınız bir görevse veya -Allah korusun- COBOL’u kullanmıyorsanız.”
‘Herkes kod yazabilir’
Pazarlama istihbarat platformu Streetbees’in mühendislik lideri Gavin Harcourt, GenAI ile ürün tasarımı, keşfi ve erken uygulama aşamalarında yaşadıkları deneyimin, “herkesin kod yazabileceği” efsanesini vurguladığını söylüyor.
“Amazon Q’nun bu demolarıyla ilgili olarak çok fazla şüphem var: yatırım yapmanız gerektiğini öğrendik,” diyor Harcourt. “Şemalaştıran, pazar araştırma uzmanlığını fiziksel olarak aktaran ve daha fazlasını yapan ekipler var.”
Streetbees’in AI ürün direktörü Shaf Shajahan şunları ekliyor: “Buna, karmaşık pazar araştırma sorunlarını veri kütüphanelerine dönüştürmeye adanmış iki buçuk kişilik bir personel de dahil, tıpkı strateji danışmanlarının karmaşık veri şemalarında gezinmeyi öğrenmesi gibi. Pazarlama, strateji ve teknolojiyi bir arada ve mühendisliğe adanmış insanlara ihtiyacınız var.”
GenAI, zamanla büyük dil modelleri (LLM’ler) daha fazla meta haline geldikçe evrimleşecektir. Yine de, neredeyse herkesin sunabileceği “bir kalite ve çıktı unsuru” olsa bile, bunun muhtemelen optimum olmadığını belirtiyor Shajahan.
Shajahan, “Sizi diğerlerinden ayıran en önemli şey, sadece temel bir LLM programının etrafına sarılmış ince bir örtü değil, ürününüzün veya çıktınızın, alanında uzman kişiler tarafından tasarlanmış ve geliştirilmiş olmasıdır” diyor.
Düşük kodlu geliştirici platformu satıcısı Mendix’in baş ürün sorumlusu (CPO) Hans de Visser, platformunda çalışan geliştiricilerin üretkenliğini artırmak için yapay zeka hizmetleri eklemeyi amaçlayan yapay zeka destekli geliştirmeyi, geliştirici tarafından oluşturulan daha akıllı uygulamalara yapay zeka hizmetlerini entegre eden yapay zeka destekli uygulamalardan ayırdıklarını söylüyor.
Gereksinimlere özgü politikalar, uygulama ve yönetim en önemli unsurlardır. Bazı müşteriler, kısmen daha teknik ekiplerdeki iş yükünü azaltmak ve çalışanlara kendi kaderleri üzerinde daha fazla kontrol sağlamak amacıyla “sola kaydırma” arayışındadır. Visser, “Ancak bahsettiğiniz uygulama türünü ve bunu desteklemek için hangi platformun uygun olduğunu düşünün” diyor.
Bireysel çalışma gruplarının, departmanların ve işletmenin kapsamını, erişimini ve kritikliğini uygulama karmaşıklığına göre inceleyin. Tamamen görebildiğiniz bir görsel alan veya veri modeli oluşturursanız, sonuçları ve bunların oluşturulan ilgili sayfa veya iş akışı için geçerli olup olmadığını doğrulayabilmelisiniz.
Microsoft PowerApps’in “duvarlı bahçesini” düşünün, en basit haliyle SharePoint ve Excel’i veri bağlamak için sadece kaynak olarak kullanabilir. Bunun etrafında, onay hatırlatıcıları veya benzeri için bir kullanıcı arayüzü, bir kontrol listesi veya çok basit bir iş akışı oluşturabilirsiniz.
Visser, “Bunu bu sınırda tutarsanız ve yönetebilirseniz, vatandaş geliştiriciler ve o belirli platformdaki yapay zeka özelliklerinin kullanımı açısından tamamen iyi olabilirsiniz” diyor.
Daha karmaşık departman uygulamaları için GenAI hizmetlerinin dahil edilmesi, soyutlama ve otomasyon yoluyla üretkenliği her durumda artıracaktır.
“Hangi tür geliştiriciye hangi tür GenAI özellikleri vereceğinizi düşünün. Kod tabanlı bir GenAI’niz varsa, üretilen kod elde edersiniz. Daha önce hiç uygulama oluşturmamışlarsa genellikle sahne arkasında neler olup bittiğini anlayamazlar,” diyor Visser.
BT Group’ta Yapay Zeka/Makine Öğrenmesi alanında baş kurumsal mimar olan Melvyn White, hızlı teknolojik evrim ve kuruluşların bu hıza ayak uydurma ihtiyacı göz önüne alındığında, sözde demokratikleşmenin belirli bir uzmanlık seviyesiyle sınırlı bir gelişmeyle eşleştirilmesi gerektiği konusunda genel olarak hemfikir.
White, “Yapay zekayı kitlelere açmak birçok açıdan iyi bir şey” diyor ve GenAI’nin bazı açılardan, birleşik modelleme dilinin (UML) hızlandırıcı olarak kullanılmasından sonraki adım olarak düşünülebileceğini belirtiyor.
“Her gün programlama yapan arkadaşlarım LLM’leri kullanıyorlar, ancak kendi alanlarında çok iyi programcılar. Bu, üretkenliklerini bir dereceye kadar artırıyor, ancak yine de dalıp ince ayarlar ve değişiklikler yapmaları gerekiyor. Ne yaptıklarını biliyorlar.”