Eğitimin Amacı ve Kapsamı
Klasik yazılım ürün keşfinde Figma ekranları gösterip 'Bunu kullanır mıydınız?' diye sormak yeterli olabilir; ancak yapay zeka ürünlerinde en büyük risk kullanıcıların özelliği beğenmemesi değil, modelin gerçek ve kirli verilerle çalıştığında yeterli doğrulukta sonuç üretememesidir. Bu eğitim, arzu edilirlik (desirability) ile teknik yapılabilirliği (feasibility) ilk günden birlikte test eden AI ürün keşfi yöntemlerini öğretir.
Katılımcılar kendi ürün fikirleri için gerçek veri örnekleriyle hızlı prompt/prototip deneyleri yapar, Minimum Viable Quality (MVQ) eşiğini belirler ve mühendislik ekibine devredilecek AI feature brief ile eval planını hazırlar.
Kimler Katılmalı?
- Dijital ürün yöneticileri (PM), ürün sahipleri (PO) ve iş analistleri
- UX araştırmacıları, ürün tasarımcıları ve inovasyon ekipleri
- Keşif aşamasına katılan lider mühendisler
- Teknik ön koşul yoktur
Kazanımlar
- Hangi kullanıcı problemlerinin LLM/agent gerektirdiğini, hangilerinin basit kural veya iyi UX ile çözüleceğini ayırmak
- Statik maketler yerine gerçek kullanıcı girdileriyle çalışan canlı prototipler ve Wizard-of-Oz testleri kurgulamak
- Kullanıcının hataya tahammül düzeyine göre Minimum Viable Quality (MVQ) eşiğini tanımlamak
- Keşif aşamasında 30–50 gerçek örnekten oluşan ilk altın değerlendirme (eval) setini toplamak
- Kapsam, sınır koşulları, hata davranışı ve kabul kriterlerini içeren AI feature brief yazmak
Konular
Klasik Keşiften Olasılıksal (Probabilistic) Ürün Keşfine
- Deterministik yazılımda keşif vs çıktısı garanti olmayan AI ürünlerinde keşif
- Problem–teknoloji uyumu: Ne zaman AI kullanmamalı?
Dört Risk Boyutu: Değer, Kullanılabilirlik, Fizibilite ve Güven
- Hata maliyeti x doğrulama zorluğu matrisi
- Veri erişilebilirliği, gizlilik ve gecikme kısıtlarını erken doğrulama
Hızlı AI Prototipleme Teknikleri
- Gerçek uç vakalarla (edge cases) prompt/playground fizibilite testi
- Wizard-of-Oz, no-code akışlar ve vibe-coding ile etkileşimli deneyim testi
Minimum Viable Quality (MVQ) ve İlk Eval Seti
- 'Yeterince iyi' ne demek? Ürün yöneticisi gözüyle kabul kriteri yazımı
- Kullanıcı görüşmelerinden 30–50 örneklik altın test veri seti oluşturma
Atölye: AI Feature Brief ve Kabul Kriterleri
- Kurum vakası için problem, girdi/çıktı şeması ve fallback tanımı
- AI feature brief ve eval planı teslimatı
Bu Kategorideki Diğer Eğitimler
-
Hızla gelişen model ekosisteminde AI ürün yol haritası ve portföy yönetimi: hızlı kazanımlar ile stratejik yatırımları dengeleme, temel model güncellemelerinde çöp olacak özelliklerden kaçınma ve aşamalı yatırım kapıları.
- Canlı Kurs
- 5 modül
-
Mevcut dijital ürünlere yüksek etkili yapay zeka özellikleri kazandırma: tetikleme modeli, bağlam toplama, girdi/çıktı sözleşmeleri, hata/fallback/eskalasyon akışları ve mühendisliğe hazır AI feature brief yazımı.
- Canlı Kurs
- 5 modül
-
Boş sohbet kutusunun ötesinde üretken yapay zeka kullanıcı deneyimi (GenAI UX): satır içi yardımcı, ortak çalışma tuvali (canvas), yönlendirilmiş girdi bileşenleri, akış (streaming) durumları ve hata onarım kalıpları.
- Canlı Kurs
- 5 modül
-
Yapay zeka ürünlerinde kullanıcı güvenini doğru kalibre etme ve kontrolü kullanıcıda tutma: güven göstergeleri, düzenlenebilir taslaklar, geri alma/versiyon geçmişi, gizlilik sınırları ve eskalasyon deneyimi.
- Canlı Kurs
- 5 modül
-
LLM, RAG ve karar destek ürünlerinde açıklanabilirlik tasarımı: satır içi kaynak gösterimi, belge/veri kanıt eşleme, düşünme özeti (reasoning summary), karar faktörleri ve denetlenebilir arayüzler.
- Canlı Kurs
- 5 modül
-
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
Bizimle iletişime geçin
