Eğitimin Amacı ve Kapsamı
Finans, hukuk, sağlık, İK ve kurumsal operasyonlarda kullanıcılar yapay zekanın yalnızca ne söylediğine değil, bu sonuca hangi kaynaktan ve hangi mantıkla ulaştığına bakarak karar verir. Ancak ham model düşünce zincirini (raw chain-of-thought) veya onlarca kaynak linkini ekrana dökmek açıklanabilirlik sağlamak yerine kafa karışıklığı yaratır.
Bu eğitim, RAG yanıtlarında satır içi atıf ve kaynak önizleme, skorlama/öneri modellerinde etki faktörleri ve agent'larda anlaşılır gerekçe özeti tasarlamayı öğretir; katılımcılar kendi ürünleri için bir açıklanabilirlik prototipi ve kabul kriterleri hazırlar.
Kimler Katılmalı?
- Karar destek, RAG, analitik ve kurumsal AI ürünleri geliştiren ürün yöneticileri
- UX/UI tasarımcıları ve bilgi mimarları
- Regüle sektörlerde (bankacılık, sigorta, sağlık, kamu) çalışan ürün ve uyum ekipleri
- Teknik ön koşul yoktur
Kazanımlar
- Kullanıcı rolüne (son kullanıcı, uzman, denetçi) uygun açıklama derinliğini belirlemek
- RAG ve belge analizinde iddiayı doğrudan kaynak paragraf veya tablo hücresiyle görsel olarak eşlemek
- Reasoning modellerinin düşünme sürecini okunabilir ve aşamalı (progressive) özetler halinde sunmak
- Skorlama ve öneri sistemlerinde 'Neden bu önerildi / Neden reddedildi?' sorularını yanıtlayan karşı-olgusal (counterfactual) açıklamalar kurgulamak
- Sahte açıklanabilirlik (kaynağı desteklemeyen atıf / citation hallucination) riskini ölçmek
Konular
Açıklanabilirlik Neden ve Kimin İçin Gerekli?
- Hızlı doğrulama arayan uzman, öğrenmek isteyen kullanıcı ve kayıt arayan denetçi
- Aşama aşama açılan (progressive disclosure) açıklama mimarisi
Kaynak Gösterimi (Citations) ve Kanıt Eşleme
- Satır içi atıf rozetleri, üzerine gelince (hover) kaynak pasaj önizlemesi ve yan yana belge vurgusu
- Veritabanı/SQL sorgularında kullanılan filtre ve tablo kaynağını anlaşılır gösterme
Düşünme Özeti (Reasoning UI) ve Hesaplama Adımları
- Reasoning modellerinde ara adımları katlanabilir özetlerle sunma
- Varsayımları, kullanılan formülleri ve dışarıda bırakılan verileri açıkça listeleme
Karar Destek, Skorlama ve Yönetmelik (EU AI Act) Uyumu
- En çok etkileyen faktörler ve 'Sonucu değiştirmek için ne değişmeli?' (counterfactual) açıklamaları
- Yüksek riskli AI sistemlerinde şeffaflık ve insan gözetimi gereksinimleri
Sahte Açıklanabilirlikten Kaçınma ve Kalite Ölçümü
- Atıf halüsinasyonu (citation hallucination) ve ikna edici ama yanlış gerekçeler
- Doğrulama süresi ve doğrulama isabeti üzerinden açıklanabilirlik testi
Bu Kategorideki Diğer Eğitimler
-
İnsan uzmanlığı ile yapay zekayı tamamlayıcı biçimde birleştiren etkileşim tasarımı: karma inisiyatifli (mixed-initiative) iş akışları, bilişsel yük ve yetkinlik körelmesini önleme, HAX/PAIR ilkeleri ve ortak üretim.
- Canlı Kurs
- 5 modül
-
Yapay zeka ürünleri için uçtan uca metrik mimarisi: Kuzey Yıldızı (North Star) ve görev başarısı, kabul/düzenleme oranı (edit distance), çevrimdışı/çevrimiçi eval korelasyonu, tutundurma ve görev başı birim maliyet.
- Canlı Kurs
- 5 modül
-
Olasılıksal yapay zeka ürünlerinde deney tasarımı: çevrimdışı eval'den canlı A/B testine geçiş, gölge dağıtım (shadow mode), interleaving, yenilik etkisi (novelty effect) kontrolü ve çok değişkenli karar kriterleri.
- Canlı Kurs
- 5 modül
-
Ürün ekipleri için model davranışı ve kalite yönetimi: davranış spesifikasyonu (ton, sınırlar, ret kalıpları), sistematik hata analizi (error analysis), uzman rubrikleri ve sürekli kalite iyileştirme döngüsü.
- Canlı Kurs
- 5 modül
-
Yapay zeka ürünlerinde kalite, gecikme (latency) ve maliyet üçgenini yönetme: model yönlendirme (routing/cascading), prompt/semantik önbellekleme, token bütçesi, algılanan hız UX'i ve marj koruma.
- Canlı Kurs
- 5 modül
-
Yapay zekanın sonradan eklenen bir özellik değil, ürünün ana motoru olduğu AI-native ürün yönetimi: bileşik (compound) AI sistemleri, eval odaklı geliştirme döngüsü, veri çarkları ve yeni nesil PM–mühendis çalışma modeli.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
