ÜRETKEN YAPAY ZEKADA DİL MODELLERİNİN İŞLETME YÖNETİMİ ALANINDA KULLANIMI

 

Dr. İbrahim İPEK
ORCİD: 0009-0004-0136-7274
www.ibrahimipek.com.tr
dr.ibrahimipek@hotmail.com
05322019881

 

Özet

Üretken yapay zekâ (YZ), yeni ve özgün içerikler üretebilme yeteneği ile diğer yapay zekâ sistemlerinden ayrılmaktadır ve hızla yayılan bir teknoloji olarak değerlendirilmektedir. YZ’nın kullanım kolaylığı, sağladığı iç görüler ve insansı cevaplar, bu yayılmayı artıran özelliklerdir ancak, bu teknolojinin sağladığı faydalarla birlikte dezavantajları da bulunmaktadır ve akademik araştırmalar henüz erken aşamadadır.YZ’nın gelişim sürecine bakıldığında Büyük Dil Modelleri (LLM) alanındaki büyüme ve son gelişmeler de dikkat çekmektedir. ChatGPT, DALL-E ve Midjourney gibi YZ programları, derin öğrenme ve büyük veri kümelerine erişimdeki gelişmeler sayesinde hızla gelişmiştir ve LLM programları, insan benzeri yanıtlar oluşturmak için kapsamlı metin koleksiyonları kullanarak dili işleme biçiminideğiştirmiştir.Bu çalışmanın amacı da YZ’da dil modellerinin iş dünyasını nasıl etkilediğinin, potansiyel kullanımlarının ve işletmelere sağladığı avantaj ve dezavantajlarının değerlendirilmesidir. Çalışmada GPT-4, PaLM2 ve daha küçük LLM programlarınınişletmelerdeki kullanımları incelenmiştir. Elde edilen sonuçlara göre YZ dil modelleri, işletme yönetiminde büyük değişimlere yol açmıştır ve bu modeller, büyük veri kümelerini analiz ederek yöneticilere pazar eğilimleri ve tüketici davranışları hakkında bilgiler sunmaktadır ve böylece hem hızlı hem de doğru karar alınmasına yardımcı olmaktadır. İnsan kaynakları alanında ise özgeçmiş tarama ve performans değerlendirmelerinde zaman kazandırmıştır. Ayrıca, YZ destekli sohbet botları, müşteri memnuniyetini artırmaktadır. Ancak, yanlış veri yorumlama ve etik sorunlar gibi riskler de vardır ve etkili kullanım için etik ilkeler ve güncel veri politikaları önemlidir.

Anahtar Kelimeler:Dil Modelleri, İşletme Yönetimi, Üretken Yapay Zekâ.

Abstract

Generativeartificialintelligence (AI) distinguishesitselffromother AI systemswithitsabilitytogeneratenewandoriginalcontent, and it is considered a rapidlyspreadingtechnology. AI’sease of use, insights, andhuman-likeresponsesareamongthefeaturesthataredrivingthis spread. However, whilethistechnologyoffersadvantages, it also has disadvantages, andacademicresearch is still in itsearlystages. Thegrowthandrecentdevelopments in thefield of Large Language Models (LLMs) arealsonoteworthy in thedevelopment of AI. AI programssuch as ChatGPT, DALL-E, andMidjourneyhaverapidlyevolvedthankstoadvances in deeplearningandaccesstolargedatasets. LLM programshavetransformedthewaylanguage is processedbyusingextensivetextcollectionstogeneratehuman-likeresponses. Thepurpose of thisstudy is toevaluate how languagemodels in AI impactthebusinessworld, theirpotentialuses, andtheadvantagesanddisadvantages they offerbusinesses. Thisstudyexaminestheuse of GPT-4, PaLM2, andsmaller LLM programs in businesses. Accordingtotheresults, AI languagemodelshave led tosignificantchanges in businessmanagement. Thesemodelsanalyzelarge data sets, providingmanagerswithinsightsinto market trendsandconsumerbehavior, thushelpingthemmakebothrapidandaccuratedecisions. Inthehumanresourcesfield, they havesaved time in resumescreeningandperformanceevaluations. Furthermore, AI-poweredchatbotsincreasecustomersatisfaction. However, therearealsorisks, such as data misinterpretationandethicalissues, andethicalprinciplesandup-to-date data policiesareessentialforeffectiveuse.

Keywords:Language Models, Business Management, GenerativeArtificialIntelligence

GİRİŞ

Üretken yapay zekâ (YZ), 2022’nin sonlarında ChatGPT uygulaması sayesinde geniş bir kullanıcı kitlesine ulaşmaya başlamış ve 30 Kasım 2022’de kullanıma sunulan bu uygulama, 5 günden az bir sürede 1 milyon kullanıcıya erişmiştir. 2023 yılı için üretken yapay zekanın pazar payı 13,71 milyar dolar olarak hesaplanırken, 2032’de bunun 100 milyar doları geçmesi beklenmiştir. ChatGPT dışında Google Bart, Bing AI, DALL-E, Midjourney gibi araçlar ve Moderna gibi bilimsel uygulamalar da dikkat çekmiş ve YZ çok çeşitli alanlarda kullanılmaya başlanmıştır (Euchner, 2023, s. 72; Thormnundsson, 2023).

Gartner (2023), üretken yapay zekânın yatırımcılar, müşteriler ve çalışanlar üzerindeki etkilerini üç şekilde öngörüyor. Yatırımcılar için yeni büyüme fırsatları ve daha yüksek kar marjları sunacak. Müşteriler, bu teknolojinin günlük yaşamda daha fazla kullanılmasını bekleyecek. Çalışanlar ise bu teknolojiyi insan iş gücüne tercih eden işletmelerden ayrılacak. Accenture’ın 2023 raporuna göre, üst düzey yöneticilerin %98’i önümüzdeki 3-5 yıl içinde örgüt stratejilerinin dönüştürülmesinde önemli rol oynayacağını düşünmektedir. GPT-4 gibi geniş dil modelleri, çalışma saatlerinin %40’ını etkileyecek. ChatGPT, kullanıcı deneyimini artırarak insan müdahalesini azaltır ve maliyetleri düşürür. ChatGPT, müşteri hizmetleri ve dil çevirisinde kullanılabilir ve kişiselleştirilebilir.

Lukauskas ve arkadaşları (2023) kullanarak üretken yapay zekâ ile iş profilleri oluşturmak amacıyla bir çalışma yapmıştır. 50.000’in üzerinde iş ilanı verisi, makine öğrenmesi algoritmalarıyla analiz edilmiştir. Bu süreçte, GPT-4 API modeli kullanılarak çeşitli iş profilleri oluşturulmuştur. Örnek bir talep, “Listelenen anahtar kelimelere göre iş profili oluşturun” şeklindedir. Üretilen bir profil, güçlü İngilizce dil ve iletişim becerilerine sahip, bilgisayar okuryazarlığı olan, ofis görevlerinde deneyimli bir profesyoneli tanımlar. Ayrıca sorumluluk sahibi, inisiyatif alan ve yeni ortamlara uyum sağlayabilen kişileri anlatır (Lakauskas, 2023, s. 5).

YÖNTEM

Bu çalışmada nitel araştırma yöntemlerinden geleneksel derleme deseninden yararlanılmıştır.Geleneksel derleme metodunda tüm tarama literatür üzerinden gerçekleştirilmektedir. Bu bağlamda derlemeler sübjektif olarak görülmektedir ancak literatürün bir portresini çizmesi açısından oldukça önemli araştırmalardır (Özdemir, 2022, s. 30).

İŞLETME YÖNETİMİNDE YAPAY ZEKÂ

Yapay zekâ, veri analizi ve algoritmalar kullanarak büyük verileri hızlı ve doğru bir şekilde işleyebilmektedir ve bu özelliği onu işletmeler için stratejik bir araç yapmaktadır. İnsan kaynakları yönetiminde, yapay zekâ işe alım süreçlerini otomatikleştirmekte, verimliliği artırmakta ve maliyetleri düşürmektedir. Ayrıca, kalite yönetiminde hataları erken tespit edip ortadan kaldırarak maliyetleri azaltmaktadır (Ever ve Demircioğlu, 2022, s. 62-64).

Yapay zekanın yönetim süreçlerine entegrasyonu, organizasyonların bilgiye daha bütüncül bir şekilde yaklaşmasını sağlamaktadır. Yapay zekâ destekli tavsiye sistemleri, iç bilgi kullanarak kurum performansını artırmaktadır. Ayrıca, yapay zekâ operasyonel verimliliği sağlamanın yanı sıra stratejik karar alma süreçlerini de dönüştürmektedir. Bununla birlikte, yapay zekâ, dış etkileşimleri yeniden şekillendirerek müşteri ilişkileri yönetiminde daha etkili iletişim stratejileri geliştirilmesine olanak tanımaktadır (Erişen ve Yılmaz, 2023, s. 2). Aşağıda Şekil 1’de işletme yönetiminde kullanılan yapay zeka araçları ve metotları diyagram haline sunulmuştur.

Şekil 1.İşletme Yönetiminde Kullanılan Üretken Yapay Zekâ Metotları (Linkon ve ark., 2024, s. 228)

Yukarıda sayılan katkılarına ek olarak yapay zekâ ve yönetim ilişkisi, etik ve hukuki boyutları da içermektedir. Yapay zekanın organizasyonlarda konumlandırılması ve yönetim kurullarındaki rolü, gelecekteki yönetim yapıları için önemli konulardır (Kılıçarslan, 2019, s. 371).

BÜYÜK DİL MODELLERİ (LLM’LER)

Büyük Dil Modeli (LLM), insanlara benzer metinleri anlayıp oluşturabilen bir yapay zekâ modelidir. Bu modeller, milyonlarca hatta milyarlarca parametreye sahip, büyük ve karmaşıktır. Kitap ve makale gibi birçok metin verisini analiz ederek öğrenebilen bu modellerin eğitimi sırasında model, çıktısını gerçek metinle karşılaştırmak için geri yayılımı kullanmaktadır ve farklılıkları azaltmak için parametrelerini güncellemektedir. Bu süreç, model net ve alakalı bir metin oluşturana kadar devam etmektedir. Ayrıca yapay zekanın gelişimiyle birlikte daha da ilerleyen büyük dil modeller, dil görevlerini ele alma biçimini değiştiren büyük ve karmaşık modellerdir. İyi çalışmaları için çok fazla veri toplama, hazırlık ve dikkatli eğitim gerektirmektedirler. Bu modeller, insan benzeri metinler oluşturmak ve dil kalıplarını anlamak için büyük metin koleksiyonlarından öğrenmektedirler ve doğru model kurulumunu seçmek, performanslarının ne kadar iyi olduğu ve eğitimlerinin ne kadar sürdüğü açısından önemlidir (Kurnia, 2018, s. 7). Zira model eğitimi, işlenmiş metin verileriyle gözetimli öğrenmeyi kullanmaktadır ve modelin sonraki kelimeleri tahmin etmesini sağlamaktadır. Büyük modellerin eğitimi, yüksek işlem gücü ve model paralelliği gibi teknikler gerektirmektedir.

Son yıllarda OpenAI ve Google gibi şirketlerin GPT-4 ve PaLM2 gibi gelişmiş üretken yapay zekâ modelleri piyasaya sürmesiyle, büyük yapay zekâ teknolojisinde önemli ilerlemeler kaydedilmiştir. Bu modeller gerçek dünya uygulamalarında daha iyi performans göstermektedir. Açık kaynaklı LLM’ler ve sLLM’ler gibi uzmanlaşmış modeller, uygun fiyatlı çözümler sunarak, belirli alanlara ve dillere özel yapay zekâ yatırımlarının artmasına yol açmıştır (Allock ve Zhang, 2019, s. 26). Aşağıda alt başlıklar halinde LLM’lerin genel çalışma prosesleri açıklanmıştır.

Veri Toplama ve Ön İşleme

Bir LLM oluşturmanın ilk adımı, bir eğitim veri kümesi toplamaktır. Bu veriler kitaplardan, web sitelerinden, makalelerden ve diğer kamuya açık kaynaklardan elde edilebilmektedir. Veriler,genel veriler ve alana özgü veriler şeklinde iki türe ayrılmaktadır. Web sayfaları ve konuşma metinleri de dahil olmak üzere genel veriler, LLM’lerin dil becerilerini geliştirmek için yaygın olarak kullanılmaktadır. Çok dilli ve bilimsel veriler gibi özel veri kümeleri de LLM’lere belirli beceriler kazandırmak için eklenebilmektedir(Akter ve ark., 2021, s. 4).

Model Seçimi ve Yapılandırması

Google’ın BERT ve OpenAI’nin GPT-3.5 gibi büyük modeller, gelişmiş NLP görevleri için popüler olan Transformer derin öğrenme mimarisini kullanmaktadır. Transformer’ı yapılandırmak, katman sayısını, dikkat başlıklarını, kayıp fonksiyonunu ve hiperparametreleri ayarlamayı içermektedir. Modelin kurulumu, kullanılan uygulamaya ve verilere bağlı olarak eğitim süresini etkilemektedir (Annepaka ve Pakray, 2025, s. 2984).

Model Eğitimi

Model, işlenmiş metin verilerini kullanarak gözetimli eğitim yoluyla öğrenmektedir. Bu süreçte, bir dizideki bir sonraki kelimeyi tahmin eder ve tahminleri gerçek kelimeyle karşılaştırarak ağırlıklarını ayarlamaktadır vebu döngü, model iyi performans gösterene kadar milyonlarca kez tekrarlanmaktadır. Eğitim, genellikle model paralelliği kullanılarak yüksek işlem gücü gerektirmektedir. Bu noktada uygun maliyetli bir yöntem, mevcut bir dil modelini belirli kullanımlar için ince ayar yapmaktır (Bhuiyan ve ark., 2024, s. 116).

Değerlendirme

Eğitimden sonra, modelin performansı farklı bir veri kümesiyle test edilmektedir. Gerekirse, ince ayarlar yapılarak, yapısı değiştirilerek veya ek verilerle daha fazla eğitilerek model iyileştirilebilir. Amaç, modelin yeteneklerini geliştirmektir (Sarkar ve ark., 2024, s. 233).

İŞLETME YÖNETİMİNDE BÜYÜK DİL MODELLERİ

İşletme yönetimine özel olarak hazırlanmış YZ tasarımlarıtasarımları, basit metin veya koddan öte, yapay zekâ çıktıları açısından büyük bir önem taşımaktadır. İş zekâsı platformları, Q&A, Smart Narrative, Copilot ve ChatGPT gibi araçlar içermektedir. Q&A modeli, verileri doğal dil ile keşfetmeyi sağlamaktadır ve içgörü elde etmeyi kolaylaştırmaktadır. Ayrıcabu model, raporlama süreçlerinde anormallikleri tespit ederek kullanıcıya fayda sunmaktadır (Sparkman ve Piesco,2024, s. 1). Smart Narrative modeli de görsellerin ve raporların metinsel özetlerini çıkarmaktadır ve kullanıcıların kişiselleştirilmesini desteklemektedir. ChatGPT, doğal dil girdilerine yanıt vererek insan benzeri cevaplar üretebilen bir yapay zekâ arayüzüdür ve yazı yazma, çeviri yapma, görsel ve kod oluşturma gibi birçok görevde yeteneklidir. Copilot uygulamaları ise dil modellerini daha etkin kullanmayı amaçlar ve kullanıcıları daha yaratıcı hale getirmeye çalışmaktadır (Kytö,2024, s. 9).

Yapay zekâ teknolojileri, pek çok sektörde işletme süreçlerine uygulama alanı bulmuş ve firmalara bilgiye ulaşma konusunda kolaylık sunmaya başlamıştır. İnsan merkezli teknolojik dönüşümler, sohbet botları ve istem mühendisliği gibi kavramların ortaya çıkmasında etkili olmuştur (Kang ve ark., 2020, s. 143). İşletme yönetiminde sıklıkla kullanılan YZ araçları ile kullanıcılar arasında etkileşimi sağlayan komutlardır. Sohbet botları, bu komutlarla çalışarak, kullanıcıların beklentilerini karşılamak üzere cevaplar üretmektedir. Matematiksel modeller olan Büyük Dil Modelleri, metin, görüntü ve ses gibi içeriklerden yeni içerikler oluşturabilmektedir (White ve ark., 2023, s. 1).

İşletme Yönetiminde Tanılama

İşletme yönetiminde yaşam döngüsü, bir şirkette genellikle çok az yapılandırılmış süreç bilgisinin bulunduğu Tanımlama ile başlamaktadır. Bu noktada, çeşitli dahili belgelerden önemli bilgilerin çıkarılması gerekmektedir. LLM’ler, bu bilgileri hızlı bir şekilde tarayıp özetlemede etkilidir. LLM’ye yasal belgeler, iş tanımları ve dahili el kitapları gibi tüm ilgili belgeleri sağlayarak, kuruluşta gerçekleşen süreçleri belirleyebilmektedir ve belgeleri buna göre sınıflandırabilmektedir.Ayrıca, LLM’ler bu süreçlerin stratejik önemini belge referanslarına dayanarak değerlendirebilmektedir ve destekleyici bilgi sistemlerine erişim sağlandığında süreç sağlığını analiz edebilmektedir. İlgili veriler sağlanırsa, teorik olarak da uygulanabilirliğini değerlendirebilmektedirler. Bu, LLM’lerin iyileştirme için süreçleri önceliklendirmelerine olanak tanımaktadır (Ananya, 2021, s. 288).

İşletme Yönetiminde Keşif

İşletme yönetimi yaşam döngüsünün ikinci aşaması, süreç modelleri oluşturmak için yöntemlerin seçildiği Süreç Keşfi’dir. Otomatik süreç keşfi genellikle bilgi sistemlerinin olay kayıtlarından model ve veri çıkaran süreç madenciliğini ifade etmektedir. Ek olarak, diğer keşif teknikleri de LLM yardımıyla kısmen otomatikleştirilebilmektedir. Bu noktada kullanılan bir yöntem, süreç analistlerinin şirket içi belgeler ve iş ilanları gibi çeşitli kaynaklardan bilgi topladığı dokümantasyon analizidir. Bu zaman alıcı olabilmektedir ancak LLM, büyük miktarda metni hızlı ve düzenli bir biçimde özetleyerek yardımcı olabilmektedir. Çıktıyı düz metin veya numaralandırılmış listeler olarak biçimlendirebilen ve kullanıcının ayrıntı düzeyini seçmesine olanak tanıyan bazı LLM programları, işletme yönetimi modellerini otomatik olarak oluşturmak için XML ile bile çalışabilmektedir.Bir diğer keşif kaynağı, çalışanlar ve müşteriler de dahil olmak üzere süreç katılımcıları arasındaki e-postalar ve sohbetler gibi iletişim günlükleridir (Norouzifar ve ark., 2024, s. 48). LLM, bu günlüklerdeki kalıpları belirleyebilmektedir ve süreç açıklamaları veya modelleri oluşturabilmektedir.LLM ayrıca, geleneksel bir keşif yöntemi olan alan uzmanlarıyla yapılan görüşmelerde de yardımcı olabilmektedir. Bu görüşmelerde analistler sorular sormaktadır ve çeşitli uzmanlardan gelen geri bildirimlere dayanarak süreç modelleri geliştirmektedir. Ancak uzmanlar arasındaki çelişkili görüşler, bu süreci karmaşıklaştırarak hem analistler hem de ilgili uzmanlar için daha zor ve zaman alıcı hale getirebilmektedir (Grohs ve ark., 2023, s. 456).

LLM, alan uzmanlarının soruları yanıtlaması için bir sohbet botu arayüzü sağlayarak bazı sorunların çözülmesine yardımcı olabilmektedir. Bu kurulum; ilk olarak, uzmanlar uzun görüşmeler olmadan kendi hızlarında iletişim kurabilme; ikinci olarak, LLM görüşmeler sırasında veya hemen sonrasında süreç modelleri oluşturup bunları anında güncelleyebildiğinden geri bildirim döngüsünün kısalması ve bunun da gerçek zamanlı doğrulamaya olanak tanıması ve son olarak, birden fazla uzman sohbet botuyla aynı anda etkileşime girdiğinde girdinin genel görüşmeyi geliştirebilmesi ancak bunun uygulanmasının daha zor olması şeklinde çeşitli avantajlar sunmaktadır.Farklı süreç keşif yöntemlerinin avantajları ve dezavantajları vardır. En iyi sonuçları elde etmek için genellikle birden fazla yöntemin bir arada kullanılması gerekmektedir, ancak bu, görev için mevcut kaynaklarla sınırlıdır. Bahsedilen keşif yöntemleri verimlidir ve daha az kaynak gerektirmektedir ve bu da daha iyi sonuçlar için eş zamanlı kullanımlarını mümkün kılmaktadır. Bu kombinasyon, geleneksel süreç madenciliğini veya manuel keşfi de tamamlayarak daha derinlemesine sonuçlara yol açabilmektedir. Yöntemler arasında tutarsızlıklar ortaya çıkabilse de bunlar yarı otomatik bir şekilde ele alınabilmektedir.LLM’ler, XML olarak serileştirilmiş süreç modellerini sorgulayabilmektedir ve bu da onları kalite güvencesi için kullanışlı hale getirmektedir. Mevcut araçlarla karşılaştırıldığında sözdizimsel kaliteyi ve potansiyel olarak diğer kalite unsurlarını kontrol edebilmektedirler. Örneğin, bir süreç analisti, LLM’ye hem bir mülakat dökümü hem de bir süreç modeli sunabilmektedir ve LLM, geçerlilik ve eksiksizlik açısından kontrol edebilmektedir. Ancak bu, yalnızca dökümün kendisi geçerli ve eksiksizse etkilidir. Ayrıca, LLM, modelin belirli yürütme dizileri üretme veya olası diziler önerme yeteneğini değerlendirmek için süreç simülasyonları gerçekleştirebilmektedir. Son olarak, LLM, 7PMG gibi yönergeler verildiğinde modellerin pragmatik kalitesini değerlendirebilmektedir ve kalite sorunlarını belirleyip çözümler önerebilmektedir (Vigdof ve ark., 2023, s. 9).

İşletme Yönetiminde Analiz

İşletme yönetiminde süreç keşfinin sonrasındaki aşama, keşfedilen süreçlerin sorunları ve darboğazları belirlemek için incelendiği süreç analizidir. Bu görev karmaşık olabilmektedir, ancak LLM’ler, insan analistlere yardımcı olabilmektedir.Analistler, sorunları bulmak için bir süreçle ilgili şikayetleri inceleyebilmektedirler. Şikayetler, sosyal medya veya dahili iletişim araçları gibi çeşitli platformlarda müşterilerden, iş ortaklarından veya çalışanlardan gelebilmektedir. LLM’ler, büyük miktarda yapılandırılmamış metni özetleme ve kalıpları belirleme konusunda mükemmeldir ve bu bilgileri toplamayı kolaylaştırmaktadır. Örneğin, ilgili metni taradıktan sonra “müşterilerin şikâyet ettiği her şeyi bul” gibi basit bir komut kullanılabilmektedir.Bir sorun tespit edildikten sonraki adım, sürecin hangi kısmının buna neden olduğunu belirlemektir. Bu, özellikle karmaşık süreçlerde zor olabilmektedir veLLM’ye analiz etmesi için süreç modelleri ve tespit edilen sorunlar verilmelidir. Görev adlarını ve açıklamalarını değerlendirerek sorundan hangi görevlerin sorumlu olabileceğini önerebilmektedir. İleri vakalarda, LLM’ler yavaş bir manuel görevi otomatikleştirmek veya bu yaklaşımlar konusunda eğitim almışlarsa daha karmaşık yeniden tasarım yöntemleri önermek gibi çözümler önerebilmektedirler (Priyadharshini, 2025, s. 17).

İşletme Yönetiminde Yeniden Tasarım

İşletme yönetiminde yaşam döngüsünün dördüncü aşaması süreç yeniden tasarımı olarak adlandırılmaktadır. Bu aşamada, tespit edilen sorunlara ve iyileştirme yöntemlerine dayanarak süreçleri iyileştirmeye yönelik öneriler oluşturulmaktadır. Bu öneriler değerlendirilerek yeni bir süreç modeli geliştirilmektedir.Faydalı bir yaklaşım, süreci yeniden tasarlamak için bir LLM kullanmaktır. Bu model, tekil faaliyetlerden kaynaklanan basit sorunları ele alabilmektedir. LLM’nin etkinliği, kendisine sağlanan bilginin kalitesine bağlıdır. Süreç ve belirli yeniden tasarım yöntemleri hakkında ayrıntılı bilgi verilirse, LLM bu yöntemleri iş sürecini iyileştirmek için kolayca uygulayabilmektedir.Bunu geliştirmek için, önceki aşamada belirlenen sorunlar yeniden tasarım çalışmalarına rehberlik etmek üzere girdi olarak dahil edilebilmektedir. LLM’den farklı yeniden tasarım yöntemleri kullanması ve her birinden ayrı öneriler üretmesi istenebilmektedir. Ayrıca, en iyi önerileri seçmesi ve gerekçelerini açıklaması da istenebilmektedir. Ancak, bu yaklaşım yalnızca süreçler ve yöntemler hakkında yeterli ve ayrıntılı bilgi sağlandığında en iyi sonucu vermektedir (Laner, 2025, s. 44).

İşletme Yönetiminde Uygulama

İşletme yönetiminde yaşam döngüsünün bir sonraki aşaması, süreç katılımcılarının çalışma biçimini iyileştirmek ve yeni süreç için BT desteğini geliştirmek amacıyla organizasyon ve teknolojide gerekli değişiklikleri içeren süreç uygulamasıdır. LLMuygulamada kullanılan modellerin kalitesini artırabilmektedir ve yeniden tasarım fikirleri önerebilmektedir. LLM ayrıca BPMN modelleri için yazılı açıklamalar da sağlayabilmektedir. Ayrıntı düzeyini ayarlayarak, farklı kitlelere uygun özetler veya derinlemesine açıklamalar oluşturabilmekte olup, yeterli ayrıntı mevcutsa yazılım geliştiriciler için gereksinimler türetebilmektedir.Ayrıca, LLM, süreç sahipleri ve bireysel katılımcılar da dahil olmak üzere belirli kullanıcılar için model açıklamalarını özelleştirerek, belirli görevlerini ayrıntılı olarak açıklayabilmektedir. Kullanıcılar, anlamadıkları bölümler hakkında açıklama veya daha fazla bilgi isteyerek LLM ile etkileşim kurabilmektedirler. Üstelik LLM,API’leri kullanabilmektedir ve diğer API’lere erişebilmektedir. Bir süreç düzenleyicisinin yönlendirdiği otomatik görevleri gerçekleştirebilen ve potansiyel olarak kendisi de bir düzenleyici gibi davranabilen LLP’ler, yürütülebilir bir süreç modeli, ilgili kısıtlamalar ve gerekli veriler alınarak LLM, süreçleri esnek ve verimli bir şekilde yönetebilmektedir ve geleneksel orkestrasyon yöntemlerini geride bırakabilmektedir (Zhang ve ark., 2022, s. 2).

İşletme Yönetiminde İzleme

İşletme yönetiminde yaşam döngüsünün son aşaması, uygulanan süreçlerin yürütüldüğü ve performanslarının izlendiği Süreç izlemedir. Toplanan veriler, operasyonları yönetmek için kullanılır ve gelecekteki yaşam döngüsü yinelemelerine bilgi sağlayabilmektedir. Panolar, bir sürecin temel performans göstergelerini (KPI’lar) görsel olarak özetleyerek, durumunu sayılar ve renklerle göstermektedir. Gelişmiş bir sohbet robotu, görselleri yorumlamaya gerek kalmadan kullanıcıları süreçlerin durumu hakkında doğrudan bilgilendirerek bunu kolaylaştırabilmektedir (Vigdof ve ark., 2023, s. 11).

TARTIŞMA

Bu çalışmada üretken yapay zekâ ve LLM’in işletme yönetiminde kullanımına ilişkin vir inceleme yapılmıştır. Bulgular, daha iyi performans için daha büyük veri kümeleri üzerinde eğitilen OpenAI tarafından GPT-4 ve Google tarafından PaLM2’nin piyasaya sürülmesi gibi önemli değişiklikleri vurgulamıştır. Ayrıca, Meta LLaMA ve Falcon gibi açık kaynaklı LLM programlarına olan ilginin arttığını ve Naver Cloud tarafından e-ticaret, finans, hukuk ve eğitim gibi sektörler için “HyperCLOVA X” gibi ultra büyük modellerin piyasaya sürüldüğü de belirlenmiştir. Geleneksel LLM’lerin donanım ve maliyet sorunlarını aşmak üzere tasarlanan sLLM’lerin (slisansüstü lisans programları) büyümesi perspektifinde girişim şirketleri, performansı artırmak için belirli alanlar ve diller için sLLM’ler oluşturmada ilerleme kaydetmektedir. Bu gelişme, standart LLM’lerin sınırlamalarına bir çözüm sunmaktadır ve bu alanda devam eden inovasyonu göstermektedir. Ayrıca, çeşitli şirketlerin yapay zekâ modellerinin yükselişi, sağlık, üretim ve finans gibi sektörlerde üretken yapay zekâ kullanımını genişletmekte ve gerçek dünya sorunlarını çözme ve inovasyonu teşvik etme potansiyelini ortaya koymaktadır.

LLM’ler, geniş bilgiye erişim ve görevleri yerine getirme esnekliği ile öne çıkmaktadır, ancak bazı sorunlar da içermektedir. Sınırlı eğitim verisi, zaman gecikmeleri ve konularla ilgili anlayış eksikliği performanslarını etkileyebilmektedir. Harici uzman modellerle etkileşim eksikliği, kullanılabilirliklerini sınırlayabilmektedir. Bu noktada gelişen istem mühendisliği, LLM’lerin potansiyelini ortaya çıkararak istemleri geliştirmeye odaklanan yeni bir alandır. Sıfır atış ve birkaç atışlı istem teknikleri, önceden eğitilmiş bir modelle yeni görevleri çözebilmektedir, fakat karmaşık görevlerde performansları düşebilmektedir ve her zaman doğru sonuçlar üretmemektedir (Tan ve ark., 2024, s. 1418).

LLM’lerinişletme yönetimindeki pratik kullanımına odaklanıldığında temel soru, LLM’nin hangi görevleri etkili bir şekilde yerine getirebileceğidir. Ancak, bu liste tüm görevleri kapsamayabilmektedir ve bazıları daha az yararlı olabilmektedir. Bir diğer önemli soru ise hangi görevlerin kuruluşlara en fazla değeri sunacağıdır. Görevler ile değer için gereken model özellikleri arasındaki ilişki de önemlidir. Mevcut modellerin belirli görevleri yerine getirip getiremeyeceği ve her zaman en büyük ve en doğru modelin gerekli olup olmadığı konusunda sorular vardır. Son olarak, önemli bir soru da LLM’nin İş Süreci Yönetimi BPM projelerindeki çalışmaları nasıl etkileyeceğidir. Örneğin, konuşma temelli LLM’lerin belirli rollerin yerini alabileceği önerilmektedir; bu, BPM ve bilgi sistemleri topluluklarının keşfetmesi gereken önemli bir sosyo-teknik sistem sorusudur (Malinova ve Mendling, 2018, s. 890).

Kamuya açık veri kümeleri ve kıyaslama ölçütleri, araştırmacıların ilerlemeyi takip etmelerine yardımcı oldukları için LLM’lerin araştırmalarda ilerlemesi için olmazsa olmazdır. Ayrıca, uygulayıcılar için de önemlidirler ve modelleri ince ayarlarken gerekli veri kümesi bilgilerini sağlamaktadırlar. Bu nedenle, veri kümeleri ve kıyaslama ölçütleri İş Süreci Yönetimi’nin otomasyon ihtiyaçlarıyla uyumlu olmalıdır. Blagec ve arkadaşları (2022), klinik alanda da benzer bir soruna dikkat çekerek, klinisyenlerin çalışmalarıyla ilgili yapay zekâ kıyaslama ölçütlerinin eksikliğine dikkat çekmektedir. İşletme yönetiminde yapay zekanın kullanımı için bir araştırma yönü, mevcut NLP veri kümelerinin BPM araştırmacıları ve uygulayıcıları için ilgili faaliyetleri kapsayıp kapsamadığını analiz etmektir. Bu araştırma yönü, büyük dil modellerinin iş süreci yönetimi ve görevleriyle nasıl etkileşim kurduğunu incelemektedir. Amaç, LLM’ler ve daha yeni sürümleri için değerli sonuçlar üretmek üzere hangi uygulamalara ihtiyaç duyulduğunu belirlemektir. Bu alan, özellikle işletme yönetimi için bir tür istemli mühendislik olarak görülebilmektedir. Bir LLM’nin çıktısının kalitesi büyük ölçüde aldığı bağlama bağlıdır; bağlam ne kadar çok ve iyiyse, çıktı da o kadar iyi olmaktadır. Örneğin, bir LLM’nin bağlamı, bir görsel içerebilen bir müşteri sorgusuna bağlı olarak değişebilmektedir. Bir sorgu sürecinin yeniden tasarımı sırasında, süreç çizimleri veya veri erişimiyle ilgili sesli yorumlar gibi farklı uygulamalar üretilmektedir. Bu bilgi, bir LLM’nin, muhtemelen bu tür bilgileri depolamak için merkezi bir sistemin olmaması nedeniyle, mevcut teklifler hakkındaki müşteri sorularını neden yanıtlayamadığını anlamaya yardımcı olabilmektedir (Zhang ve ark., s. 4).

SONUÇ VE ÖNERİLER

Bu araştırma, özellikle iş süreci yönetimi görevleri için büyük dil modellerinin kullanımına odaklanmaktadır. Genel amaçlı modellerin aksine, işletme yönetimine yönelik geliştirilmiş modellere değinilmiştir. LLM Tabanlı yeni uygulamalar hızla popülerlik kazanmış ve ChatGPT sadece 2 ayda 100 milyon kullanıcıya ulaşmıştır. Bu hızlı benimsenme, büyük ölçüde çok yönlülüklerinden kaynaklanmaktadır ve bu da onları birçok amaç için kullanışlı kılmaktadır. Araştırmacılar, konuşma temelli LLM programlarının bilimi önemli ölçüde etkileyebileceğine inanmaktadır. Güncel tartışmalar, bu programların şimdiki ve gelecekteki performanslarına odaklanmakta ve etkinliklerini daha iyi anlamak ve insan uzmanlar ile LLM uygulamaları arasındaki iş birliğini geliştirmek için net görevler tanımlamanın önemini vurgulamaktadır (Teubner ve ark., 2023, s. 97; Van Dis ve ark., 2023, s. 225).

Üretken yapay zekâteknolojileri, işletmelerin ve kullanıcıların bu teknolojileri anlama ve kullanma becerilerini artırarak daha işlevsel çözümler sağlamaktadır. Bu durum, firmaların uygun YZ teknolojilerini seçip uyarlama çabalarını önemli hale getirmektedir ve yöneticilere YZ sorumluluğu yüklemektedir. ÜYZ teknolojileri, veri kaynaklarını değerlendirme ve yorumlama gibi yeteneklerle karar süreçlerine katkıda bulunmaktadır. Kullanıcı deneyimlerini geliştiren istem komutları, yaratıcılığı artırır ve iş süreçlerindeki verimliliği desteklemektedir. İstem komutlarını deneyimleyen kullanıcılar, YZ’nin fonksiyonel özelliklerini daha iyi anlamaktadır (Mikalef ve Gupta,2021, s. 1). Zira veriye dayalı karar alma süreçleri, işletmelerin rekabet avantajı sağlamasında önemli bir rol oynamaktadır. İş zekâsı uygulamaları, büyük verileri analiz etme ve stratejik kararlara dönüştürme imkânı sunmaktadır. YZ Teknolojileri ile bu uygulamalar birleşerek veri analizinde önemli değişiklikler yaratmıştır. Bu yapay zekâ uygulamaları, karar alma süreçlerini hızlandırır ve daha kesin hale getirmektedir. Ayrıca, otomasyonu artırarak manuel analizleri azaltır ve verimliliği artırmaktadır (Quyang ve ark., 2022, s. 4).

YZ çözümleri, iş zekâsı uygulamaları üzerinde kullanıcı deneyimini geliştirmeye devam etmektedir ve Smart Narrative teknolojileri, analiz sonuçlarını doğal dilde özetleyerek kullanıcıların verileri hızlı ve doğru yorumlamasına yardımcı olmaktadır. Bu araçlar, karmaşık verilerle etkileşimi kolaylaştırırken, karar alma süreçlerine katılım artırmaktadır. ChatGPT entegrasyonları, kullanıcıların veriyle doğal dil ile iletişim kurmasını sağlamaktadır ve teknik engelleri ortadan kaldırmaktadır. Sonuç olarak, yapay zekâ ile entegre iş zekâsı araçları, veri analizi süreçlerini kolaylaştırmakla kalmaz, aynı zamanda işletmelerin stratejik çevikliğini artırmaktadır. Bu çözümler, modern işletmeler için bir zorunluluk haline gelmektedir.İşletme yönetimleri, YZ teknolojileri için uyum ve yenilik sağlarken tüm birimleri motive etmede önemli bir rol oynayabilmektedir. İşletmeler, uygun ÜYZ araçlarını tanımalı ve entegre etmelidir. Yöneticiler, çalışanların yeteneklerini geliştiren girişimlerde bulunmalı ve ÜYZ araçlarının doğru seçimi ve kullanımıyla fark yaratmalıdır.