Eğitimin Amacı ve Kapsamı
Canlıdaki bir yapay zeka sistemi yanlış karar verdiğinde veya veri sızdırdığında, sorumluluğun iş biriminde mi, veri bilimi ekibinde mi, BT'de mi yoksa tedarikçide mi olduğu belirsizse yönetişim kağıt üzerinde kalır. Bu eğitim, yapay zeka yaşam döngüsünün her adımı için net sahiplik ve hesap verebilirlik atayan organizasyonel rol modelini tasarlamayı öğretir.
Üç Savunma Hattı (1. Hat: İş ve AI geliştirme ekipleri, 2. Hat: Risk, Uyum, Hukuk, Bilgi Güvenliği, 3. Hat: İç Denetim) kurgusu, CAIO / AI CoE konumlandırması ve kritik rollerin görev tanımları işlenir. Katılımcılar kendi organizasyon şemalarına uygun bir AI RACI matrisi ve eskalasyon modeli üretir.
Kimler Katılmalı?
- Üst yönetim, organizasyonel gelişim ve İK liderleri
- Yapay zeka mükemmeliyet merkezi (AI CoE), dijital dönüşüm ve BT yöneticileri
- Risk yönetimi, uyum, iç kontrol ve iç denetim yöneticileri
- Birimlerinde yapay zeka sahipliği üstlenecek iş liderleri
Kazanımlar
- Yapay zeka yönetişiminde Üç Savunma Hattı modelini kurum yapısına uyarlayabilir
- AI System Owner, AI Product Manager, Model/Prompt Steward ve Risk Owner rollerini tanımlayabilir
- Fikir aşamasından canlı izlemeye ve emekliye ayırmaya kadar tüm kararlar için RACI matrisi çıkarabilir
- Tedarikçi modellerinde ve iş birimi (citizen developer) çözümlerinde hesap verebilirliği netleştirebilir
- Komiteler ve roller arası eskalasyon ve karar haklarını (decision rights) yazılı hale getirebilir
Konular
Yapay Zekada Sorumluluk Boşluğu ve Üç Savunma Hattı
- Çok paydaşlı yapay zeka projelerinde tipik sahiplik karmaşaları
- 1. Hat (İş Birimi ve Mühendislik), 2. Hat (Uyum, Risk, Hukuk, Güvenlik), 3. Hat (İç Denetim)
- Üçüncü taraf model veya SaaS kullanıldığında kurum içi hesap verebilirliğin devredilemezliği
Temel Yapay Zeka Rolleri ve Görev Tanımları
- Business / AI System Owner (iş etkisi ve operasyonel sorumluluk)
- AI Product Manager, Data Steward ve Model / Prompt Owner
- AI Ethics & Governance Lead, DPO/KVKK Sorumlusu ve AI Security Champion
Organizasyonel Yapı Seçenekleri: Merkezi, Federatif ve Hub-and-Spoke
- AI CoE ve Yapay Zeka Yönetişim Komitesi nerede konumlanmalı?
- Birimlerdeki AI Champion / Risk Temsilcisi ağı ile ölçeklenme
Yaşam Döngüsü Boyunca RACI Matrisi Tasarımı
- Keşif, risk sınıflandırma, veri onayı, test, canlıya alma, izleme ve olay müdahalesi adımları
- Responsible, Accountable, Consulted ve Informed atamalarında yapılan hatalar (çoklu A yasağı)
Karar Hakları (Decision Rights) ve Eskalasyon Kurgusu
- Hangi risk seviyesinde kim onay verir, kim durdurma (veto / kill-switch) yetkisine sahiptir?
- Kuruma özel RACI ve rol kartlarının hazırlanması
Bu Kategorideki Diğer Eğitimler
-
Kurumdaki yapay zeka sistemlerini kullanım amacı, otonomi düzeyi, etkilenen kişi grubu, veri hassasiyeti ve AB Yapay Zeka Yasası kriterlerine göre risk katmanlarına (Tier 1-4) ayırmayı ve her katmana uygun zorunlu kontrolleri bağlamayı öğretir.
- Canlı Kurs
- 5 modül
-
AB Yapay Zeka Yasası'nın (EU AI Act) Türkiye'deki kurumlara etkisini, sağlayıcı ve konuşlandırıcı yükümlülüklerini, uyum takvimini ve Madde 4 kapsamındaki zorunlu kurumsal yapay zeka okuryazarlığı (AI Literacy) programını kurgulamayı öğretir.
- Canlı Kurs
- 5 modül
-
Yapay zeka projelerinde KVKK ve GDPR uyumunu, yurt dışı LLM API veri aktarımını, RAG ve prompt'larda kişisel veri maskelemeyi, eğitim verisi telif risklerini, AI çıktılarının fikri mülkiyet sahipliğini ve sözleşme koruma maddelerini öğretir.
- Canlı Kurs
- 5 modül
-
Dış tedarikçilerden alınan yapay zeka çözümlerini, kapalı ve açık ağırlıklı (open-weight) temel modelleri ve üçüncü taraf agent'ları güvenlik, veri kullanımı, performans, bağımlılık ve sözleşme boyutlarında denetlemeyi öğretir.
- Canlı Kurs
- 5 modül
-
Yapay zeka süreçlerinde göstermelik onaylar ve otomasyon körlüğü (automation bias) tuzağına düşmeden; human-in-the-loop, human-on-the-loop, güven eşiği yönlendirmesi ve anlamlı insan gözetimi (AB AI Act Madde 14) tasarlamayı öğretir.
- Canlı Kurs
- 5 modül
-
Makine öğrenmesi ve büyük dil modellerinde önyargı (bias) kaynaklarını tespit etmeyi, iş bağlamına uygun adalet (fairness) ölçütünü seçmeyi ve SHAP/LIME ile LLM gerekçelendirme tekniklerini müşteri ve denetçi açıklamalarına dönüştürmeyi öğretir.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
