Professional Documents
Culture Documents
Editörler:
Dr. Nurdan Apaydın
Dr. Gönül Gül Ekşi
Dr. Evren Dinçer
YAPAY ZEKÂ VE YÖNETİM
Editörler:
Dr. Nurdan Apaydın, Dr. Gönül Gül Ekşi, Dr. Evren Dinçer
Genel Dağıtım
ATLAS AKADEMİK BASIM YAYIN DAĞITIM TİC. LTD. ŞTİ.
Adres: Bahçekapı Mh. 2465 Sk. Oto Sanayi Sitesi No:7 Bodrum Kat, Şaşmaz/ANKARA
Telefon: +90 312 278 50 77 - Faks: 0 312 278 21 65
Sipariş: siparis@nobelyayin.com- E-Satış: www.nobelkitap.com - esatis@nobelkitap.com
www.atlaskitap.com - info@atlaskitap.com
Dağıtım ve Satış Noktaları: Alfa, Kırmızı Kedi, Arkadaş, D&R, Dost, Kika, Kitapsan,
Nezih, Odak, Pandora, Prefix, Remzi Kitabevleri, Yeryüzü Dağıtım
Baskı ve Cilt: Meteksan Matbaacılık ve Teknik Sanayi Tic. Anonim Şirketi / Sertifika No.: 46519
Beytepe Köy Yolu No.: 3 06800 Bilkent-Çankaya/ANKARA
İÇİNDEKİLER
1. BÖLÜM
YÖNETİM VE YAPAY ZEKÂ..................................................................................... 1
Giriş................................................................................................................................ 1
Yönetim Kavramı ve Kapsamı ......................................................................................... 2
Yönetim Teorileri ............................................................................................................ 3
Klasik/Geleneksel Yönetim ............................................................................................. 3
Bilimsel Yönetim Yaklaşımı: Frederick Wilson Taylor .................................................... 4
Yönetim Süreci Yaklaşımı: Henry Fayol .......................................................................... 4
Bürokrasi Yaklaşımı: Max Weber .................................................................................... 6
Neo Klasik (Davranışsal) Yönetim .................................................................................. 7
Modern Organizasyon Teorileri ....................................................................................... 9
Sistem Yaklaşımı ............................................................................................................ 9
Durumsallık Yaklaşımı .................................................................................................. 10
Yapay Zekâ Kavramı ve Kapsamı.................................................................................. 11
Makine Öğrenimi ve Derin Öğrenme ............................................................................. 12
Yapay Zekânın Aşamaları/Evreleri ................................................................................ 14
Yapay Zekânın Yönetimdeki Yeri.................................................................................. 15
Sonuç ............................................................................................................................ 17
Kaynakça ...................................................................................................................... 17
2. BÖLÜM
YAPAY ZEKÂ VE GİRİŞİMCİLİK .......................................................................... 25
Giriş.............................................................................................................................. 25
1. Girişimciliğin Tanımı ve Önemi .............................................................................. 25
2. Yapay Zekânın Saklı Ar-Ge Kaynağı: Biyomimikri ................................................. 27
2.1. Kedi Beyni ...................................................................................................... 30
2.2. Miksomiset (Cıvık Küf) ................................................................................... 30
2.3. Böcekler .......................................................................................................... 31
3.3. Yapay Zekânın Girişimcilikteki Rolü ............................................................... 31
3.3.1. Yapay Zekâ ve Girişimci........................................................................ 31
3.3.2. Yapay Zekâ ve Girişim Ekonomisi ......................................................... 34
3.3.3. Yapay Zekâ Girişimciliğinin Sürdürülebilirlik Boyutu ............................ 35
4. Sonuç...................................................................................................................... 36
Kaynakça ...................................................................................................................... 37
- iii -
3. BÖLÜM
YAPAY ZEKA ve ÜRETİM YÖNETİMİ .................................................................. 41
GİRİŞ ........................................................................................................................... 41
1. Üretim ve Yapay Zekanın Tarihi ............................................................................. 43
2. Üretim Sistemleri İçin Yapay Zeka .......................................................................... 44
3. Üretim Sistemlerinin İnsan ve Robot İşbirliği (HRC) Uygulamalarında
Yapay Zeka ............................................................................................................. 47
4. Yapay Zeka Geleceğinde Zorluk ve Fırsatlar ........................................................... 49
Sonuç ............................................................................................................................ 50
Kaynakça ...................................................................................................................... 51
4. BÖLÜM
YAPAY ZEKÂ DESTEKLİ STRATEJİK KARAR VERME................................... 55
Giriş.............................................................................................................................. 55
1. Yapay Zekâ ............................................................................................................. 56
1.1. Makine Öğrenmesi........................................................................................... 58
1.1.1. Denetimli Öğrenme (Supervised Learning)............................................. 60
1.1.2. Denetimsiz Öğrenme (Unsupervised Learning)....................................... 61
2. Stratejik Karar Verme Süreci ................................................................................... 62
2.1. Strateji Kavramı............................................................................................... 62
2.2. Stratejik Karar Verme Sürecinin İşleyişi ........................................................... 65
3. Yapay Zekanın Stratejik Karar Verme Üzerindeki Etkisi .......................................... 66
Sonuç ............................................................................................................................ 67
Kaynakça ...................................................................................................................... 68
5. BÖLÜM
YAPAY ZEKA VE DİJİTAL LİDERLİK .................................................................. 73
1. Giriş........................................................................................................................ 73
2. Dijital Liderlik Özellikleri ....................................................................................... 74
3. Dijital Liderliğin Fırsatları ve Zorlukları .................................................................... 78
4. Dijital Liderlik Tarzları ........................................................................................... 82
5. Sonuç...................................................................................................................... 85
Kaynakça ...................................................................................................................... 86
6. BÖLÜM
YAPAY ZEKANIN DİJİTAL DÖNÜŞÜM STRATEJİLERİNDEKİ ROLÜ ........... 91
Giriş.............................................................................................................................. 91
1. Dijital Dönüşüm Stratejileri ..................................................................................... 92
1.1. Dijital Teknolojiler .......................................................................................... 92
1.2. Dijital Dönüşüm Stratejileri ............................................................................. 93
1.3. Dijital Dönüşüm Stratejilerinin Boyutları ......................................................... 94
2. Yapay Zeka ............................................................................................................. 95
2.1. Dijital Dönüşümün Vazgeçilmezi Yapay Zeka ................................................. 95
- iv -
3. Yapay Zekanın Dijital Dönüşüm Stratejilerindeki Rolü ............................................ 97
3.1. Yapay Zeka ile Dijital Dönüşüm Stratejisini Başarmak..................................... 97
3.2. Dijital Dönüşümde Yapay Zekanın Geleceği .................................................... 98
Sonuç ............................................................................................................................ 99
Kaynakça ..................................................................................................................... 100
7. BÖLÜM
DERİN ÖĞRENME ................................................................................................... 105
1. Derin Öğrenme Kavramı ........................................................................................ 105
2. Derin Öğrenme Tarihi ............................................................................................ 105
3. Derin Öğrenmenin Mimari Yapısı .......................................................................... 107
3.1. Kısıtlanmış Boltzman Makineleri .................................................................... 107
3.2. Tekrarlayan Sinir Ağları ................................................................................. 108
3.4. Derin Sinir Ağları ........................................................................................... 112
3.5. Derin İnanç Ağları .......................................................................................... 113
4. Derin Öğrenme Katmanları .................................................................................... 115
5. Derin Öğrenme Kütüphaneleri ve Yazılımları ......................................................... 117
6. Derin Öğrenme Uygulamalarının Hiperparametreleri .............................................. 118
Kaynakça ..................................................................................................................... 118
8. BÖLÜM
AKILLI KENT YÖNETİMİNDE YAPAY ZEKÂ TEKNOLOJİSİNİN
ARAÇSALLIĞI ......................................................................................................... 123
Giriş............................................................................................................................. 123
1. Yapay Zekâ Teknolojisi ......................................................................................... 124
2. Akıllı Kentlerde Yapay Zekânın Kullanım Alanları................................................. 126
Sonuç ........................................................................................................................... 132
Kaynakça ..................................................................................................................... 133
9. BÖLÜM
YAPAY ZEKÂNIN MUHASEBE VE DENETİMDE KULLANIMI: FIRSATLAR
VE TEHDİTLER ....................................................................................................... 137
Giriş............................................................................................................................. 137
1. Yapay Zekânın Kavramsal Çerçevesi ve Gelişimi ................................................... 138
2. Yapay Zekâ ve Muhasebe İlişkisi ........................................................................... 140
2.1. Yapay Zekânın Muhasebede Fırsatları ve Tehditleri ........................................ 141
2.2. Yapay Zekâ ve Muhasebe Eğitimi ................................................................... 144
2.3. Yapay Zekânın Muhasebede Uygulama Alanları ............................................. 145
3. Yapay Zekânın Denetim Süreçlerine Etkisi ve Sürekli Denetim............................... 148
4. Yapay Zekânın Muhasebe ve Denetim Süreçlerinin Geleceğine Etkisi..................... 150
Sonuç ........................................................................................................................... 152
Kaynakça ..................................................................................................................... 153
-v-
10. BÖLÜM
FİNANS SEKTÖRÜNDE CHATGPT DEVRİMİ..................................................... 157
Giriş............................................................................................................................. 157
1. ChatGPT ile İlgili Literatür Taraması...................................................................... 160
2. ChatGPT-Finans Etkileşimi .................................................................................... 162
3. Sonuç ve Öneriler................................................................................................... 166
Kaynakça ..................................................................................................................... 167
11. BÖLÜM
YAPAY ZEKA UYGULAMALARININ SÜRDÜRÜLEBİLİR TEDARİK
ZİNCİRLERİNE ETKİLERİ .................................................................................... 169
Giriş............................................................................................................................. 169
1. Sürdürülebilir Tedarik Zinciri ................................................................................. 171
2. Yapay Zekanın Tedarik Zincirindeki Rolü .............................................................. 174
3. Sürdürülebilir Tedarik Zincirinin Oluşturulmasında Yapay Zekanın Etkileri ............ 178
4. Sürdürülebilir Tedarik Zincirlerinde Yapay Zekanın Karşılaştığı Zorluklar ve
Sınırlamalar ........................................................................................................... 182
Sonuç ........................................................................................................................... 186
Kaynakça ..................................................................................................................... 187
12. BÖLÜM
YAPAY ZEKA VE İNSAN İLİŞKİLERİNDEKİ ROLÜ ......................................... 191
GİRİŞ .......................................................................................................................... 191
1. Yapay Zeka Kavramı ............................................................................................. 192
1.1. Yapay Zeka Tarihçe ........................................................................................ 192
1.2. Yapay Zeka Türleri ......................................................................................... 194
1.3. Yapay Zeka Öğrenme Modelleri ..................................................................... 195
1.2. Yapay Zeka İnsan ........................................................................................... 197
2. Yapay Zeka Uygulama Alanları.............................................................................. 198
2.1. Yapay Zeka – İletişim ..................................................................................... 198
3. Yapay Zekanın İlişkilere Yansıması........................................................................ 199
3.1. Yapay Zeka ve Birey ...................................................................................... 200
3.2. Yapay Zeka ve Toplum ................................................................................... 200
4. Yapay Zekanın İlişkilerdeki Rolü ........................................................................... 201
4.1. İlişkilerde Yapay Zeka .................................................................................... 202
5. Sonuç..................................................................................................................... 203
Kaynakça ..................................................................................................................... 204
- vi -
1. BÖLÜM
Giriş
Yapay zekâ, herhangi canlı bir organizma kullanılmadan tamamen yapay araçlar
kullanılarak oluşturulmaktadır. Aynı zamanda, insana has hareket, tutum ve dav-
ranışlar sergileyerek makinelerin çalışma sistemi ile faaliyet gösteren teknolojik
bir özelliktir (Sucu ve Ataman, 2020). Yapay zekâ temel olarak bilgisayarların
zekâyı gerçekleştirmesi ve insan beyni kadar zeki bilgisayarlar üreterek bilgisayar-
ların üst düzey uygulamalar gerçekleştirmesini sağlama teorisini içerir (Xu ve di-
ğerleri, 2022). Bazı cihazlar, tipik olarak insan yorumu ve karar vermeyi içeren bir
rolü yerine getirebilir (Panch, Szolovits ve Atun, 2018). Örneğin; yapay zekâ 1997
yılında satrançta, 2002 yılında tavlada ve 2006 yılında scrabble oyunlarında ol-
dukça yüksek başarı göstermiştir (Y. Uzun, Hatipoğlu, Bütüner ve Calp, 2021).
Ayrıca Google Deepmind tarafından geliştirilen AlphaGo, insansı bir şekilde dü-
şünme ve his yeteneği gerektiren Go oyununda 2 farklı şampiyonu yenmiştir (Ünal
ve Kılınç, 2020).
Google Trends verileri incelendiğinde yapay zekâ kavramının on yılı aşkın bir
süredir ilgi konusu olmaya devam ettiği görülmektedir (Misra ve diğerleri, 2022, s.
6305). Yapay zekânın popülaritesi, bağlamdan bağımsız doğası ve büyüklüğü ve
1
Selçuk Üniversitesi, Sağlık Bilimleri Fakültesi, Sağlık Yönetimi Bölümü, ORCID ID: 0000-
0003-2135-242X, sebnemaslan27@gmail.com.
2
Kırıkkale Üniversitesi, İktisadi ve İdari Bilimler Fakültesi, İşletme Bölümü, Yönetim ve
Organizasyon Anabilim Dalı, ORCID ID: 0000-0002-4755-417X, akademik71@gmail.com
3
Bandırma Onyedi Eylül Üniversitesi, Sağlık Bilimleri Fakültesi, Sağlık Yönetimi Bölümü,
ORCID ID: 0000-0002-2805-1921, hatalay@bandirma.edu.tr.
-1-
- Yapay Zekâ ve Yönetim -
sektörü ne olursa olsun herhangi bir şirketi dönüştürme potansiyeli nedeniyle art-
maktadır (Solaimani ve Swaak, 2023). Yapay zekâ organizasyonlarda yalnızca
planlama, üretim, tedarik gibi aşamalarda değil aynı zamanda yönetimde karar
verme süreçlerinde de oldukça etkin kullanılmaktadır. Bu doğrultuda bu bölümde
yönetim ve yapay zekâ kavramları ilk olarak ayrı ayrı ele alınmış daha sonra yapay
zekânın yönetimdeki yerine yer verilmiştir.
-2-
- Yönetim ve Yapay Zekâ -
Yönetim Teorileri
Klasik/Geleneksel Yönetim
Klasik yönetim yaklaşımları, 1800’lü yıllardan beri günümüzde bile hâlâ geçerlili-
ğini korumaları, yönetim teorileri arasında diğerlerinden daha fazla kabul gören ve
kullanılan yaklaşımlar olmaları sebebiyle klasik veya geleneksel olarak adlandı-
rılmaktadır (Kocabaş, 2021). Klasik yönetim yaklaşımında iki temel düşünce var-
dır. Bunlardan ilki, günlük rutin işlerin gerçekleştirilmesinde nasıl etkili ve verimli
olunacağı; ikincisi ise organizasyonun formel olan yani biçimsel yapısıdır (Özer
ve Çiftçi, 2022; Şahin, 2004). Diğer bir deyişle klasik yönetim teorilerinde, bir
organizasyonun bölümleri, görevleri ve süreçlerindeki formel ilişkilere ve perso-
nellerin daha fazla etkin ve üretken olmasına odaklanılmaktadır (Dahlgaard-Park,
Reyes ve Chen, 2018, s. 31). Bu sebeple klasik yönetim yaklaşımlarının genel
odak noktası üretimde etkinlik ve verimlilik olarak ele alınmaktadır.
Klasik yönetim teorileri. W. Taylor, H. Fayol ve Max Weber tarafından oluşturu-
lan ve günümüzde de uygulanan teorileri kapsamaktadır (Kocabaş, 2021). F. W.
Taylor bilimsel yönetim, H. Fayol yönetim süreci ve Max Weber bürokrasi yakla-
şımlarının öncüleridir. Bu üç yönetim yaklaşımı da 1890’ların sonuyla 1990’ların
-3-
- Yapay Zekâ ve Yönetim -
-4-
- Yönetim ve Yapay Zekâ -
-5-
- Yapay Zekâ ve Yönetim -
-6-
- Yönetim ve Yapay Zekâ -
Davranışsal teori olarak ele alınan ve insanların davranışlarını farklı açılardan in-
celeyen bu yeni yaklaşımın en dikkat çeken özelliği klasik yönetimden farklı ola-
rak yönetimde insan unsurunu da ele almalarıdır (Koçel, 2015, s. 273). Neoklasik
yaklaşım, organizasyonda insan davranışının anlaşılmasına kayda değer birçok
katkı sağlamıştır. İnsan unsurunun endüstrideki ezici rolüne dair farkındalık oluş-
turmuştur. Bu yaklaşım, insan davranışını daha iyi kavramak için yeni fikirler ve
yöntemler sağlamıştır (Sarker ve Khan, 2013, s. 4). Neo klasik yaklaşım adı altın-
da incelenen birçok çalışma ve deney yer almaktadır. Bunlardan ilki Elton Mayo
ve arkadaşları tarafından geliştirilen insan ilişkileri yaklaşımıdır.
Elton Mayo 1927-1932 yılları arasında Western Electric Company'de (ABD) ünlü
Hawthorne Deneylerini yürüten ekibin lideriydi (Sarker ve Khan, 2013). Mayo
çalışmaları esnasında dikkatini, bireysel ve fiziksel düşüncelerden, sosyolojik ve
psikolojik değerlendirme gerektiren iş gruplarının önemine çevirmeyi başarmıştır.
Mayo ve arkadaşları tarafından yapılan çalışmaların başlıca bulgularından bazıları
şunları içermektedir (Dahlgaard-Park ve diğerleri, 2018):
1. İş görenler bireysel değil grup şeklinde hareket etmiştir.
2. İş görenler, grup çıkarlarını bireysel çıkarlardan üstün tutmuştur.
3. Para motive olmak için tek kaynak değildir.
4. Denetçiler çıktı üzerinde önemli etkiye sahiptir.
5. Bireylerin sosyal dünyası iş faaliyetleri dahilinde şekillenmektedir.
6. İş görenlerin moral ve üretkenliklerini belirlemede çalıştıkları fiziksel or-
tamdan ziyade tanınma, güvenlik ve aidiyet duygusu daha önemlidir.
7. Şikâyet genellikle bir bireyin mevcut durumundan rahatsızlığını gösteren
bir belirtidir.
-7-
- Yapay Zekâ ve Yönetim -
-8-
- Yönetim ve Yapay Zekâ -
sistem 2, sistem 3 ve sistem 4 olmak üzere dört farklı kategoride ele almıştır.
Sistem 1 ve 2 McGregor’un X teorisini belirtirken, Sistem 3 ve 4 ise Y teorisi
belirtmektedir (Seçtim ve Erkul, 2020, s. 28).
Literatürde, yukarıda açıklanan yaklaşımlara ek olarak Kurt Lewin tarafından
Iowa Üniversitesi’nde yapılan Maske deneyleri ve Chris Argyris tarafından gelişti-
rilen olgunlaşma kuramı da Neoklasik yaklaşımlar adı altında incelenmektedir.
Kurt Lewin tarafından yapılan maske deneylerinde liderlik tarzlarının üretimdeki
rolü incelenmiştir (Lewin ve Lippitt, 1938). Chris Argyris tarafından ise hem or-
ganizasyonun hem çalışanların olgunlaşma sürecinin olduğunu ve organizasyonla-
rın biçimsel yapısının çalışanların olgunlaşmasını engellediği belirtilmiştir (Öz-
türk, 2016).
Sistem Yaklaşımı
-9-
- Yapay Zekâ ve Yönetim -
Durumsallık Yaklaşımı
- 10 -
- Yönetim ve Yapay Zekâ -
“Yapay zekânın halk için bir tehlike oluşturmadığından emin olmak için yapay
zekâyı denetleyecek bir düzenleyici organın kurulması gerektiğini düşünüyorum”
Elon Musk (2023)
Yapay zekâ, II. Dünya Savaşı ile birlikte hayatımıza giren bilgisayar yazılımları-
nın önde gelen isimlerinden biri olan ünlü matematikçi ve bilgisayar bilimi uzmanı
Alan Turing’in makine zekâsıyla ilgili testi oluşturması ile ortaya çıkmıştır (Lom-
bardo ve diğerleri, 2022; T. Uzun, 2020). Daha sonrasında ise yapay zekâ, 1956'da
Dartmouth konferansında John McCarthy tarafından ileri sürülmüş ve yapay zekâ
alanı isim olarak buradan doğmuştur (Liu, Rong ve Peng, 2020). Bunun üzerine
1980-1990 yıllarında yapay zekâ alanında birçok çalışma yapılmış fakat yapay
zekânın kullanımı 2000’li yıllarda mümkün olabilmiştir. Günümüzde metin anali-
zi, alışveriş siteleri, sosyal medya platformları, çeviri ve yüz tanıma programları
gibi pek çok program/uygulama yapay zekâ temelli çalışmaktadır (Erturk ve Er-
turk, 2021, s. 40).
Literatüre bakıldığında, birbirine benzer bir şekilde her biri belirli görevleri ger-
çekleştirmek amacıyla programlanan insan dışı zekânın temel kavramlarını içeren
(Dwivedi ve diğerleri, 2021) yapay zekâ tanımlarının olduğu görülmektedir. Bir
tanıma göre yapay zekâ, bilgisayar biliminin belki de en eski alanıdır ve çok geniş-
tir. Yapay zekâ gerçek dünyadaki problem çözen, insanlar gibi öğrenen ve düşü-
nen sistemler oluşturmak için bilişsel işlevleri taklit etme ile ilgilenmektedir (Hol-
zinger, Langs, Denk, Zatloukal ve Müller, 2019, s. 1). Yapay zekâ, analiz ve öğ-
renme gibi akıllı davranış yeteneğine sahip bilgisayarlar ve bilgisayar yazılımı
olarak tanımlanabilmektedir (Büyükgöze ve Dereli, 2019). Kaplan ve Haenlein’e
(2019) göre ise yapay zekâ, bir sistemin mevcut verileri yorumlama, verilerden
öğrenme ve öğrenme sonucunda mevcut verileri belirli görev ve hedefleri gerçek-
leştirmek için kullanabilme becerisidir. Diğer bir tanıma göre yapay zekâ; bilgisa-
yar sistemiyle oluşturulan robotların tıpkı bir insan gibi düşünmesini ve onun gibi
- 11 -
- Yapay Zekâ ve Yönetim -
Yapay zekâyı tek başlık olarak tanımlamak işlevlerini anlamak için yeterli olma-
yabilir. Bu nedenle, yapay zekâ kavramı açıklanırken derin öğrenme ve makine
öğrenimi kavramlarının da tanımlanması gerekmektedir. Yapay zekâ, makine öğ-
renimi ve derin öğrenme arasındaki bağlantı Şekil 1’de yer almaktadır. Buna göre
yapay zekâ temel alanı makine öğrenimi ve derin öğrenmeyi kapsarken makine
öğrenimi de derin öğrenmeyi kapsamaktadır.
Yapay Zekâ
Makine Öğrenimi
Derin Öğrenme
- 12 -
- Yönetim ve Yapay Zekâ -
- 13 -
- Yapay Zekâ ve Yönetim -
Yapay zekânın dar yapay zekâ, genel yapay zekâ ve süper yapay zekâ olmak üzere
üç farklı gelişim aşaması bulunmaktadır. Bu aşamalar/evreler Şekil 2’de yer al-
maktadır. Günümüzde modern işletmelerde kullanılan yapay zekâ teknolojilerinin
kısıtlı alanda uzmanlık sahibi olan dar yapay zekâ sistemleri olduğu bilinmektedir
(Ünal ve Kılınç, 2020). Bu bağlamda dar yapay zekânın insan zekâsını aşamadığı-
nı söylemek mümkündür (Peifer, Jeske ve Hille, 2022).
Kısıtlı/Dar
Yapay Zekâ Genel Yapay Zekâ Süper Yapay Zekâ
(Zayıf, Düşük, İnsan (Güçlü, İnsan (Bilinçli/Kendinin
Farkında, İnsan
Düzeyinde Yapay Düzeyinde Yapay
Düzeyinin Üzerinde
Zekâ) Zekâ)
Yapay Zekâ)
- 14 -
- Yönetim ve Yapay Zekâ -
İlk aşama olan dar yapay zekâ, insan performansına daha yakın olan bir evredir.
Bu aşamada yapay zekâ yalnızca belirli görevlerde kullanılmakta ve neredeyse her
yerde bulunmaktadır. Dar yapay zekâ uygulamalarına Facebook’un resimlerdeki
yüzleri tanıması, kullanıcıları etiketlemesi ve Siri’nin bireylerin seslerini algılayıp
buna göre hareket etmesi, Tesla’nın sürücüsüz araçlar üretmesi örnek olarak veri-
lebilmektedir. Genel yapay zekâ aşaması ikinci aşamayı oluşturmakta ve tasarlan-
madıkları görevler için özerk bir şekilde akıl yürütebilen, planlayabilen ve sorunla-
rı çözebilen ikinci nesil yapay zekâ olarak tanımlanabilmektedir. Son aşamada ise
gelecekte, gerçekten kendini tanıyan ve bilinçli sistemler olan ve belirli bir şekilde
insanları gereksiz kılacak olan üçüncü nesil yapay süper zekâ gelmektedir. Yapay
süper zekâ, yapay zekânın her alanda uygulanabilmesini, bilimsel yaratıcılık, sos-
yal beceri ve genel bilgelik yeteneğine sahip olunabilmesini içerdiği için gerçek
yapay zekâ olarak da adlandırılabilmektedir (Kaplan ve Haenlein, 2019; Y. Uzun
ve diğerleri, 2021). Sonuç olarak, günümüzde yapay zekânın belirli girdilere ve
çıktıların yönlendirilmesine ihtiyacı vardır ancak gelecekte bu durumun değişeceği
ve tamamen kendiliğinden çalışan ve sonuçlar elde eden yapay zekâların oluşacağı
beklenmektedir.
- 15 -
- Yapay Zekâ ve Yönetim -
- 16 -
- Yönetim ve Yapay Zekâ -
Sonuç
KAYNAKÇA
Akalın, B. ve Veranyurt, Ü. (2020). Sağlıkta dijitalleşme ve yapay zekâ. SDÜ Sağlık Yöne-
timi Dergisi, 2(2), 131-141.
Akbıyıklı, R., Gündüz, E., Opçin, G., Akdemir, M., Daraman, E. ve Tunç, G. (2017). Kla-
sik yönetim teorileri örgütsel yapılarının şantiye bazında Türkiye’de bir incelemesi.
Web Sitesi: Http://www. İmo. Org. Tr/resimler/ekutuphane/pdf/18221_23_14. Pdf,
Erişim Tarihi, 11, 2020.
- 17 -
- Yapay Zekâ ve Yönetim -
- 18 -
- Yönetim ve Yapay Zekâ -
DiClaudio, M. (2019). People analytics and the rise of HR: How data, analytics and emer-
ging technology can transform human resources (HR) into a profit center. Strategic
HR Review, 18(2), 42-46. doi:10.1108/SHR-11-2018-0096
Drucker, P. (1954). The practice of Management. New York.
Dubey, R., Gunasekaran, A., Childe, S. J., Bryde, D. J., Giannakis, M., Foropon, C., …
Hazen, B. T. (2020). Big data analytics and artificial intelligence pathway to opera-
tional performance under the effects of entrepreneurial orientation and environmental
dynamism: A study of manufacturing organisations. International Journal of Produc-
tion Economics, 226, 1-12. doi:10.1016/j.ijpe.2019.107599
Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., … Williams,
M. D. (2021). Artificial intelligence (AI): multidisciplinary perspectives on emerging
challenges, opportunities, and agenda for research, practice and policy. International
Journal of Information Management, 57, 101994. doi:10.1016/ j.ijinfomgt.
2019.08.002
Erturk, Z. K. ve Erturk, B. (2021). Acil tıpta yapay zekâ. Aksaray Üniversitesi Tıp Bilim-
leri Dergisi, 2(2), 40-41.
Fleishman, E. A., Mumford, M. D., Zaccaro, S. J., Levin, K. Y., Korotkin, A. L. ve Hein,
M. B. (1991). Taxonomic efforts in the description of leader behavior: A synthesis
and functional interpretation. The Leadership Quarterly, 2(4), 245-287.
Giglioni, G. B. ve Bedeian, A. G. (1974). A conspectus of management control theory:
1900-1972. Academy of Management Journal, 17(2), 292-305.
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., …
Bengio, Y. (2020). Generative adversarial networks. Communications of the ACM,
63(11), 139-144. doi:10.1145/3422622
Guliyev, H. (2023). Artificial intelligence and unemployment in high-tech developed
countries: New insights from dynamic panel data model. Research in Globalization,
7, 1-7. doi:10.1016/j.resglo.2023.100140
Hofstede, G. (1993). Cultural constraints in management theories. Academy of Manage-
ment Perspectives, 7(1), 81-94.
Holzinger, A., Langs, G., Denk, H., Zatloukal, K. ve Müller, H. (2019). Causability and
explainability of artificial intelligence in medicine. WIREs Data Mining and
Knowledge Discovery, 9(4), e1312. doi:10.1002/widm.1312
Janiesch, C., Zschech, P. ve Heinrich, K. (2021). Machine learning and deep learning.
Electronic Markets, 31(3), 685-695. doi:10.1007/s12525-021-00475-2
Jiang, F., Jiang, Y., Zhi, H., Dong, Y., Li, H., Ma, S., … Wang, Y. (2017). Artificial intel-
ligence in healthcare: Past, present and future. Stroke and vascular neurology, 2(4),
230-243. doi:doi:10.1136/svn-2017-000101
- 19 -
- Yapay Zekâ ve Yönetim -
Kaplan, A. ve Haenlein, M. (2019). Siri, Siri, in my hand: Who’s the fairest in the land?
On the interpretations, illustrations, and implications of artificial intelligence. Busi-
ness Horizons, 62(1), 15-25. doi:10.1016/j.bushor.2018.08.004
Kara, E. ve Çavuş, M. F. (2014). Turizmde modern yönetim uygulamaları. Turizmde Mo-
dern Yönetim Uygulamaları, 2(1), 473-485.
Karaboğa, T. ve Zehir, C. (2020). Henri Fayol ve yönetim alanına katkıları üzerine bir
inceleme. IBAD Sosyal Bilimler Dergisi, (7), 53-68. doi:10.21733/ibad.665130
Kast, FREMONT E. ve Rosenzweig, J. E. (1965). Organization and Management of Space
Programs. F. I. Ordway (Ed.), Advances in Space Science and Technology içinde (C.
7, ss. 273-364). Elsevier. doi:10.1016/B978-1-4831-9965-8.50011-3
Kast, Fremont E. ve Rosenzweig, J. E. (1970). Organization and Management. New York:
Mc-Grawhill.
Kocabaş, S. (2021). Klasik yönetim teorilerinin iki sacayağı: Bilimsel yönetim yaklaşımı
ve yönetim süreçleri yaklaşımı. M. Mete, H. İ. Karakan ve A. Toptaş (Ed.), İktisadi
ve İdari Bilimlerde Araştırma ve Değerlendirme—II içinde (1. basım., ss. 1-16). An-
kara: Gece Kitaplığı.
Koçel, T. (2015). İşletme Yöneticiliği. 733 (16. bs.). İstanbul: Beta Basım Yyaın Dağıtım A.Ş.
Kopelman, R. E., Prottas, D. J. ve Davis, A. L. (2008). Douglas McGregor’s theory X and Y:
Toward a construct-valid measure. Journal of Managerial Issues, 20(2), 255-271.
Kopelman, R. E., Prottas, D. J. ve Falk, D. W. (2010). Construct validation of a Theory
X/Y behavior scale. Leadership & Organization Development Journal, 31(2), 120-
135. doi:10.1108/01437731011024385
Kose, U. ve Vasant, P. (2017). Fading intelligence theory: A theory on keeping artificial
intelligence safety for the future. 2017 International Artificial Intelligence and Data
Processing Symposium (IDAP) içinde (ss. 1-5). 2017 International Artificial Intelli-
gence and Data Processing Symposium (IDAP), sunulmuş bildiri. doi:10.1109/IDAP.
2017.8090235
Krittanawong, C., Zhang, H., Wang, Z., Aydar, M. ve Kitai, T. (2017). Artificial Intelli-
gence in Precision Cardiovascular Medicine. Journal of the American College of
Cardiology, 69(21), 2657-2664. doi:10.1016/j.jacc.2017.03.571
Lewin, K. ve Lippitt, R. (1938). An Experimental Approach to the Study of Autocracy and
Democracy: A Preliminary Note. Sociometry, 1(3/4), 292-300. doi:10.2307/ 2785585
Litterer, J. A. (1965). The Analysis of Organizations. New York: Wiley.
Liu, R., Rong, Y. ve Peng, Z. (2020). A review of medical artificial intelligence. Global
Health Journal, 4(2), 42-45. doi:10.1016/j.glohj.2020.04.002
Lombardo, T., Duquesnoy, M., El-Bouysidy, H., Årén, F., Gallo-Bueno, A., Jørgensen, P.
B., … Franco, A. A. (2022). Artificial Intelligence Applied to Battery Research:
Hype or Reality? Chemical Reviews, 122(12), 10899-10969. doi:10.1021/
acs.chemrev.1c00108
- 20 -
- Yönetim ve Yapay Zekâ -
Luneski, C. (1964). Some Aspects of the Meaning of Control. The Accounting Review,
39(3), 591-597.
Mele, C., Pels, J. ve Polese, F. (2010). A brief review of systems theories and their mana-
gerial applications. Service science, 2(1-2), 126-135.
Misra, N. N., Dixit, Y., Al-Mallahi, A., Bhullar, M. S., Upadhyay, R. ve Martynenko, A.
(2022). Iot, big data, and artificial intelligence in agriculture and food industry. IEEE
Internet of Things Journal, 9(9), 6305-6324. IEEE Internet of Things Journal, su-
nulmuş bildiri. doi:10.1109/JIOT.2020.2998584
Mumford, M. D., Zaccaro, S. J., Harding, F. D., Jacobs, T. O. ve Fleishman, E. A. (2000).
Leadership skills for a changing world: Solving complex social problems. The Lea-
dership Quarterly, 11(1), 11-35. doi:https://doi.org/10.1016/S1048-9843(99)00041-7
Nichols, J. A., Herbert Chan, H. W. ve Baker, M. A. B. (2019). Machine learning: Appli-
cations of artificial intelligence to imaging and diagnosis. Biophysical Reviews,
11(1), 111-118. doi:10.1007/s12551-018-0449-9
OECD Legal Instruments. (2019). Recommendation of the Council on Artificial Intelli-
gence. Recommendation of the Council on Artificial Intelligence. 17 Ağustos 2023
tarihinde https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449#main
Text adresinden erişildi.
Olsen, J. P. (2006). Maybe it is time to rediscover bureaucracy. Journal of public administ-
ration research and theory, 16(1), 1-24.
Ozturk Dilek, G. (2019). Yapay zekânın etik gerçekliği. Ankara Uluslararası Sosyal Bilim-
ler Dergisi, 2(4), 47-59.
Özalp, İ. (2012). Yönetim Bilimine Giriş. C. Koparal (Ed.), Yönetim ve Organizasyon-I
içinde (1. bs., ss. 2-20). Eskişehir: Anadolu Üniversitesi.
Özer, M. A. ve Çiftçi, A. (2022). Klasik yönetim teorisi’nin iki öncü ismi fayol ve we-
ber’in yönetime katkısı üzerine bir değerlendirme. Fenerbahçe Üniversitesi Sosyal
Bilimler Dergisi, 2(1), 133-152.
Öztürk, C. (2016). Argyris’in olgunlaşma teorisine liderlikte durumsallık yaklaşımlarından
çözüm arayışları. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 5(8), 3085-3085.
doi:10.15869/itobiad.273166
Öztürk, Z. ve Demir, Ö. (2017). Klasik, neo-klasik ve modern yönetim yaklaşımlarının
karşılaştırılmasına ilişkin bir analiz. Uluslararası Sağlık Yönetimi ve Stratejileri
Araştırma Dergisi, 3(2), 119-134.
Panch, T., Szolovits, P. ve Atun, R. (2018). Artificial intelligence, machine learning and
health systems. Journal of Global Health, 8(2), 1-8. doi:10.7189/jogh.08.020303
Peifer, Y., Jeske, T. ve Hille, S. (2022). Artificial Intelligence and its Impact on Leaders
and Leadership. Procedia Computer Science, 200, 1024-1030. doi:10.1016/
j.procs.2022.01.301
- 21 -
- Yapay Zekâ ve Yönetim -
- 22 -
- Yönetim ve Yapay Zekâ -
Toprak, M., Özel, D. ve Çalışkan, S. (2022). Yapay zekâ kullanımı ve insan kaynakları
yönetimi. Uluslararası Eşitlik Politikası Dergisi, 2(2), 76-103.
Tuan, K. ve Memiş, M. Ü. (2007). İç denetimin yönetim fonksiyonlarının yerine getirilme-
sindeki rolü. Muhasebe ve Finansman Dergisi, (35), 1-14.
Udy, S. H. (1959). “Bureaucracy” and" rationality" in weber’s organization theory: an
empirical study. American Sociological Review, 24(6), 791-795.
Ulin, R. P. (1954). The Practice of Management by Peter F. Drucker. Taylor & Francis,
3(3), 61-64.
Uzun, T. (2020). Yapay Zekâ ve Sağlık Uygulamaları. İzmir Katip Çelebi Üniversitesi
İktisadi ve İdari Bilimler Fakültesi Dergisi, 3(1), 80-92.
Uzun, Y., Hatipoğlu, M., Bütüner, R. ve Calp, M. H. (2021). Yapay Zekâ İnsan Zekâsını
Geçebilecek Mi? (ss. 1-5). Uluslararası Mühendislik, Doğa ve Sosyal Bilimler Sem-
pozyumu, sunulmuş bildiri, Batman: Batman Üniversitesi.
Ünal, A. ve Kılınç, İ. (2020). Yapay zekâ işletme yönetimi üzerine bir değerlendirme. Yö-
netim Bilişim Sistemleri Dergisi, 6(1), 51-78.
Wren, D. A., Bedeian, A. G. ve Breeze, J. D. (2002). The foundations of Henri Fayol’s
administrative theory. Management Decision, 40(9), 906-918. doi:10.1108/002517
40210441108
Xu, X., Li, H., Xu, W., Liu, Z., Yao, L. ve Dai, F. (2022). Artificial intelligence for edge
service optimization in Internet of Vehicles: A survey. Tsinghua Science and Tech-
nology, 27(2), 270-287. Tsinghua Science and Technology, sunulmuş bildiri.
doi:10.26599/TST.2020.9010025
Yılmazel, S. C. (2022). Yapay zekâ çağında diplomasi. Türk Dünyası Araştırmaları,
132(260), 91-112. doi:10.55773/tda.1153159
Zhang, Q., Yang, L. T., Chen, Z. ve Li, P. (2018). A survey on deep learning for big data.
Information Fusion, 42, 146-157. doi:10.1016/j.inffus.2017.10.006
- 23 -
2. BÖLÜM
Müge Kınay
Yıldız Teknik Üniversitesi, Sosyal Bilimler Enstitüsü
İşletme Fakültesi, mgkistanbul@outlook.com.tr
Orcid No: 0000-0002-6478-3433
Giriş
21.yüzyıl çığır niteliğinde teknoloji devrimlerine öncülük etmiş, dijital çağ olarak
adını tarihe yazdırmış ve işletme evreni için köklü değişim rüzgarlarının esmeye
başladığı bir yıl olmuştur. Pandemi sonrası teknolojinin yükselen hakimiyeti, yaşa-
mın pek çok alanında kendini hissettirmiştir. Sosyal izolasyon nedeniyle çalışma
hayatında kısa süreliğine de olsa aktif olarak yer alamayan iş gücü, yerini hastalık,
salgın fark etmeksizin her koşulda çalışabilecek güvenilir işçilere- otonom araçlara
ve yapay zekâ yazılımlarına – bırakmaya başlamış ve bir süre sonra da beşerî iş gücü
ile yapay iş gücünü harmanlayan başarılı girişimcilik modelleri yükselmeye başla-
mıştır. Bu süreçte daha da ön plana çıkan dijitalleşme, girişim evreninin de vazge-
çilmez ve bütünleşmiş bir parçası haline gelmiştir. Girişimcilerin iş yapma şeklinin
değişmesi ile; yapay zekâ gibi endüstri 4.0 ürünlerinden istifade eden girişimcilerin
NASDAQ gibi önemli platformlarda yer bulabilmeleri mümkün olmuştur. Literatür-
de henüz bir ikili olarak ele alınmamış olan yapay zekâ ve girişimciliğin ele alınaca-
ğı bu bölümde, yapay zekâ ve girişimcilik arasındaki bağlara, girişimcilerin yapay
zekâ teknolojileri geliştirmek için doğayı nasıl bir ar-ge kaynağı olarak kullanabile-
ceklerine, yapay zekâdan girişimcilerin nasıl istifade edebileceğine değinilecek ve
yapay zekânın sürdürülebilirlik ve ekonomi üzerindeki izleri tartışılacaktır.
18.yy’da ekonomist Richard Cantillon tarafından ilk kez kullanılan girişimci (ent-
repreneur) sözcüğü, aslen Fransızca “entreprendre” (girişmek) ifadesinden gelmek-
- 25 -
- Yapay Zekâ ve Yönetim -
tedir ve en basit tabirle gelişmeyi tetikleyen bir ekonomik gücü ifade eder (Long,
1983). Cantillon’dan sonra çok sayıda ekonomist, tanıma katkıda bulunmuştur.
Girişimcilik, Hull, Bosley ve Udell (1980)’e göre; kar uğruna risk alarak bir işlet-
menin yönetilmesi ve organizasyonu; Knight’a (1921) göre; piyasadaki değişiklikle-
ri ön görebilme ve bu değişikliklere göre harekete geçebilme; Leibenstein (1968)’e
göre tüm piyasanın henüz oluşmadığı ya da hatlarının kesin bir şekilde çizilmediği
veya üretim fonksiyonunun ilgili kısımlarının tamamen bilinmediği bir yerde bir
teşebbüs kurmak ya da devam ettirmek için gerekli eylemler; Stevenson ve Jarillo
(1990)’a göre, bireylerin kendi kendilerine ya da bir örgüt halinde hali hazırda kont-
rol ettikleri kaynaklar olmadan fırsatların peşinden koşma süreci olarak tanımlar. Bu
araştırmacılara göre, girişimciliğin ağır basan yönü belirsizlik ortamıdır.
Öte yandan, Brockhaus (1980), Low ve MacMillan (1988), Gartner (1988),
Lumpkin ve Dess (1996) gibi araştırmacılar, girişimciliği yeni bir işletme ya da
organizasyon oluşturma olarak değerlendirirler.
Girişimcilik alanının önde gelen ismi ve İnovasyon’un fikir babası Schumpeter
(1934) ise; girişimciliği yeni kombinasyonlarla piyasada yakalanan yenilikçi bir
değişim olarak görür.
Kirzner (1983) ile Shane ve Venkataraman (2000), girişimin fırsat yönüne değin-
miş ve girişimciliği fırsatların fark edilmesi, değerlendirilmesi ve kullanılması
olarak tanımlamışlardır.
İkinci milenyumda ise; girişimcilik tanımlarına ‘değer oluşturma’ özelliği eklen-
miştir. Bruyat ve Julian (2001), belirli özelliklere sahip bir ortamda ya da devam
eden bir süreçte birey ile yeni değer oluşumu arasında bir etkileşim olarak girişim-
ciliği tanımlarken; Lackéus, Lundqvist ve Williams Middleton (2016), başkaları
için ortak değer oluşturmak olarak nitelemiştir.
Temel hatlarıyla, bu tanımlar girişimciliğin belirsizlik ve risk içerdiğini, tamamla-
yıcı yönetsel yeterlilik ve yaratıcı fırsatçılık (Long, 1983) gerektirdiğini ve katma
değer ürettiğini ifade eder.
Girişimci ise, değişim temsilcisi, yenilikçi, kaynak distribütörü ve belirsizlik taşı-
yıcısı olarak görülür (Karlsson, Friis ve Paulsson, 2004) ve başarılı olması için
muhakeme gücüne, sebata, ticaret bilgisine, liderliğe, belirsizlikle başa çıkabilme
yetisine, örtülü bilgiye, vizyona, kazanç fırsatlarını görebilecek bir yaratıcılığa
sahip olması beklenir (Van Praag, 1999).
- 26 -
- Yapay Zekâ ve Girişimcilik -
Girişimciler için, ihtiyacı tespit ettikten sonra en önemli süreç, ihtiyaca cevap ve-
rebilmektir. Bir ihtiyaca cevap verebilecek ürün ve hizmetler geliştirebilmek, örtü-
lü bilgi gerektiren, yoğun ar-ge çalışması isteyen ve çoğu zaman maliyet ve vakit
açısından meşakkatli bir süreçtir. Bu süreçte, girişimcilerin en önemli destekçisi
ise; doğadan esinlenme olarak bilinen biyomimikri bilim dalıdır.
Milyonlarca yıldır hatasız işleyen organik sistemler, bir girişimci için en iyi ar-ge
bankasıdır. Nitekim, tarih boyunca birçok yenilikçi ve mucit çevresini kuşatan
biyolojik sistemleri sürekli incelemiş, bu sistemlerden ve tasarımlardan esinlenmiş
ve onları taklit etmeyi arzulamıştır.
Da Vinci, bu amaçla, doğadaki kuş ve yarasa kanatlarından esinlenerek yapay ka-
nat tasarımları geliştirmiş (Debolini, 2006), Wright kardeşler güvercinleri incele-
yerek tarihteki ilk hava aracını tasarlamış (Shukor, 2015), Gaudi inşa ettiği yapıla-
rın gövdesinde ağaçların, kas sistemlerinin ve tendonların tasarımsal kalitesini ve
dayanıklılığını taklit etmiştir (Orman, 2013).
Tıpkı geçmişteki icat ve inovasyonlarda olduğu gibi, günümüzde de sayısız tekno-
loji ve yenilik de ilhamını doğadan alır. İşte; ilhamının kökleri doğaya ve biyomi-
mikri bilim dalına uzanan bu yeniliklerden biri de yapay zekâdır.
Biyolojik sistemlerde oldukça karmaşık bir zekâ sistemi bulunur. Stanford Üniver-
sitesi’nden nörobiyolog Lu Chen, beyne dair çok az şey bildiğimizi, beynin bağ-
lantıları nasıl kurduğunu öğrendiğimizi ancak bilgiyi nasıl işlediğini ise hala öğ-
renmeye çalıştığımızı dile getirir (Lam, 2016). Yapay zekâ dediğimiz inovasyon,
aslen makinede bu karmaşık biyolojik zekâyı taklit etme bilimidir. Bu nedenle de
yapay zekâ alanında en önemli gelişmeler, beyne ve sinir sistemine dair önemli
çalışmalar ile elde edilmiştir. Örneğin, 1940’larda Norbert Wiener ve bir grup araş-
tırmacı tarafından biyolojik sinir sistemleri üzerinde gerçekleştirilen çalışmalar,
bilgisayar bilimi ile nörobilim arasındaki köprü kurarak yapay zekânın mihenk
taşını oluşturmuştur. Yunanca pilot anlamına gelen ve kontrolü ifade eden kyber-
netes kelimesinden gelen Sibernetik adlı bu yeni bilim dalı ile, Wiener hayvan ve
makinelerde kontrol ve iletişim üzerine yaptığı çalışmalarla, öğrenme, biliş, adap-
- 27 -
- Yapay Zekâ ve Yönetim -
tasyon, iletişim ve verimlilik gibi karmaşık sistemlerin daha iyi anlaşılmasına katkı
sağlamıştır (Cordeschi, 2004). Doğadaki iletişim sistemlerinin ve nörolojik bağ-
lantıların bilgi teknolojilerine yansıtılma yöntemlerine odaklanan sibernetik ilkesi,
doğayla olan gündelik etkileşimlerden, tek hücreliyi Kuantum mekaniği prensiple-
ri yoluyla kozmosa bağlayan her yerdedir (Torday, 2022).
Doğa hazır bulunan ilkelerin, bilgisayar bilimi ve bilgi teknolojilerine aktarılması
yapay zekâ çalışmalarına ivme kazandırmıştır.
İkinci dünya savaşı döneminde İngiliz matematikçi Alan Turing, Nazi Alman-
ya’sındaki haberleşmede kullanılan kodları kırabilecek bir cihaz geliştirdiği ve bu
cihaz günümüz bilgisayar ve yapay zekâ teknolojilerine öncülük ettiğinden beri,
sorgulama, problem çözme, yaratıcılık gibi entelektüel görevleri yerine getirebile-
cek insan beyninin potansiyeline denk bir yapay genel zekâ (AGI) sistemi geliş-
tirmek en büyük uğraşlardan biri olmuş (Zhao vd., 2023) ve biyomimikri bir kez
daha çözüm olmuştur.
286 milyarın üzerinde nörondan oluşan insan beyni, dünyadaki en gelişmiş bilgi
işlem sistemi olduğundan, işlemsel yetenek kapasitesi çok zengindir. Bu nöronlar,
birbirleriyle çok karmaşık sinaps ağlarıyla bağlantı kurarlar. Bu fizyolojik komp-
lekslik, beynin işlevsel kompleksliğine katkı sağlar. Bu nedenle de bilim adamları
beyindeki bu nöral ağ sistemine odaklanmıştır. 1943 yılında, McCulloch ve Pitts
bilinen ilk yapay nöron modeli olarak kabul edilen bir matematiksel denklem ge-
liştirmiş ve ilerleyen yıllarda, Frank Rosenblatt ise, bu yapay nöronların veri yo-
luyla öğrenebileceğini keşfetmiştir (Zhao vd., 2023). Bu yapay nöron teknolojisi
zaman içerisinde geliştirilerek, beyindeki gibi bilgiyi paralel ve dağıtılmış bir şe-
kilde işleyebilen nöromorfik çipler üretilmiş ve verimlilik arttırılmıştır. IBM tara-
fından geliştirilen TrueNorth çipi, bu nöromorfik çiplere örnek teşkil edebilir
(Akopyan vd., 2015).
İnsan beyninin işlevsel kompleksliklerinden biri, dış dünyanın çoklu duyular yo-
luyla algılanmasıdır. Nöromorfik çipler, yapay zekâ tabanlı robotik teknolojilerin-
de özellikle görüntü ve konuşma gibi gereksinimleri karşılamaktadır.
İnsan beyninin, koku, tat ve dokunma yoluyla elde edilen verilerden de öğrenebil-
diğini varsayarsak, yapay zekâ teknolojileri hala bu alanda biyolojik beyinle reka-
bet edebilecek noktada değildir. Yapay zekâ, varoluşunu ve ilhamını biyolojik
zekâya borçlu iken; insan zekâsı, yapay zekâ aracılığıyla dış dünyadan işlenen
verilerden ve bu verilerden elde edilen geri bildirimlerden istifade eder. Başka bir
deyişle, insan zekâsı, yapay zekânın üreticisi ve ilham kaynağı; yapay zekâ ise
- 28 -
- Yapay Zekâ ve Girişimcilik -
insan zekâsı için öncelikle bir ürün ve çıktı; ikincil olarak ise, farklı görevleri yeri-
ne getirmede bir fayda görevi görür. Bu yönüyle, yapay zekâ ile biyolojik zekâ
simbiyotik bir etkileşim vardır denilebilir. Yapay zekâ, varlığını insan zekâsına
borçludur ve insan zekâsının ürettiği ve topladığı veriler aracılığıyla öğrenme ger-
çekleştirebilir. İnsan zekâsı ise; yüklü miktardaki verileri verimli bir şekilde işle-
yebilmek ve bu verilerden edinilen sonuçların analitik değerlendirmelerini hızlı bir
şekilde gerçekleştirebilmek için yapay zekâya ihtiyaç duyar. Özetle, aralarındaki
etkileşim karşılıklı faydaya dayanır.
Bu simbiyotik etkileşime rağmen, insan beyni ile yapay zekâ arasında çeşitli fark-
lılıklar vardır. İki zekâ türü arasındaki farklılıklar Tablo 1’de gösterilmiştir.
- 29 -
- Yapay Zekâ ve Yönetim -
için neredeyse bir kasabaya yetecek kadar enerji kullanır. Bu nedenle, verimlilik
ve sürdürülebilirlik açısından, beyin, yapay zekâdan üstündür.
Öte yandan, yapay zekâ entegre algoritmalar kullanarak, verileri çok hızlı bir şe-
kilde işleyebilir ve depoladığı verileri sürekli güncelleyebilir. Başka bir deyişle,
performans açısından değerlendirildiğinde yapay zekâ, insan beyninden daha hızlı
ve daha üstündür.
Bilindiği üzere, girişim yolculuklarının sorun tespit ettikten sonraki en önemli
aşaması, mevcut soruna cevap olabilecek bir fikir geliştirebilmektedir. Biyomimik-
ri, milyonlarca yıllık bir ar-ge kaynağı olarak doğayı bu çözüm arayışı yolculu-
ğunda nasıl kullanabileceğimizi gösterir. Yapay zekâya dair doğanın girişimcilere
sunabileceği fikirler, sadece insan beyni ile sınırlı değildir. Karmaşık yapısı, orga-
nik malzeme kullanımı ile sayısız sürdürülebilir teknolojiye bugüne dek model
olmuş doğadaki canlılar, yapay zekâ çalışmalarında bir ar-ge kaynağı olarak kulla-
nılmaya devam etmektedir.
Girişimcilerin ve yenilikçilerin yapay zekâ teknolojileri geliştirirken bu anlamda
istifade edebileceği bazı biyomimikri çalışmaları şu şekildedir:
- 30 -
- Yapay Zekâ ve Girişimcilik -
tirilen bir tür hafıza davranış ve veri depolama yöntemidir (Fischer, 2021). Ko-
lektif zekâ ve mekanobiyolojik davranışlar, yapay zekâ sistemlerinin veri işleme
performanslarını iyileştirme potansiyeline sahiptir.
2.3. Böcekler
İkili sistemlerle çalışan bilgisayarlar, kodları takip ederek sadece kendilerine
verilen görevleri yerine getirebilir ve yeniden programlanmadıkları takdirde yeni
süreçleri öğrenemezler. Öte yandan, böcekler analitiktir ve bu yönleriyle yapay
zekâ algoritmalarına model olmuşlardır. Meyve sineklerini inceleyen bilim
adamları, belirli bir kokuyu bulmalarının karşılığında meyve sineklerini ödüllen-
dirmiş ve sinekler hangi kokuların ödüllendirildiğini öğrenmiş ve daha karmaşık
çevre koşullarında bile bu bilgiyi hatırlayabilmiştir. Meyve sineklerini öğrenme
süreci boyunca inceleyen araştırmacılar, sineklerin nöronları arasında sürekli
değişen ve yeniden düzenlenen bir hafıza motifi tespit etmiştir. Sahip oldukları
kısa sinir uyarılarıyla, bilgiyi hızlı ve paralel olarak işleyip, bu sayede geçmiş
deneyimlerinden yola çıkarak değişen koşullara ayak uydurabilmelerini sağlayan
dağıtılmış bir hafıza motifi oluşturabilmektedirler. Cologne Üniversitesi’nden
bilim adamları, meyve sineklerinin sinir sistemlerindeki bu özelliği taklit ederek
paralel veri işleyebilen ve geçmiş verilerden yola çıkarak değişen çevresel şartla-
ra uyum sağlayabilen bir makine öğrenme modeli geliştirmişlerdir (Rapp ve
Nawrot, 2020).
Görüldüğü üzere, doğa yapay zekâ ile ilgilenen girişimciler için önemli bir ilham
kaynağıdır. Milyonlarca yıldır doğada hatasız işleyen organizmalar, yapay zekâ
teknolojilerinin önündeki engelleri aşabilecek ve kalitesini arttırabilecek pek çok
yenilikçi çözüm sunmaktadır. Doğadaki canlıların sinir sistemleri, nörolojik dav-
ranışları ve beyin faaliyetlerine dair gelecekte yapılacak tüm keşifler, dolaylı ola-
rak yapay zekâ teknolojileri üzerinde de etkili olacak ve bu teknolojilerin iyileşti-
rilmesi ve geliştirilmesinde önemli rol oynayacaktır.
- 31 -
- Yapay Zekâ ve Yönetim -
- 32 -
- Yapay Zekâ ve Girişimcilik -
- 33 -
- Yapay Zekâ ve Yönetim -
- 34 -
- Yapay Zekâ ve Girişimcilik -
2035 yılı öngörülerine dair hazırlanan bir başka raporda ise; yapay zekânın karlılık
üzerinde ortalama yüzde 38’lik bir pozitif etkiye sahip olacağı ve 12 ülkede 14
trilyon ABD doları değerinde bir ekonomi yükselişi tetikleyeceği öne sürülmüştür
(Accenture, 2015). Rapora göre, 2035 yılına kadar yapay zekânın ABD, Finlandi-
ya, İngiltere ilk üçte olmak üzere; sırasıyla İsviçre, Hollanda, Almanya, Avusturya,
Fransa, Japonya, Belçika, İspanya ve İtalya’da gayri safi milli hasılayı ikiye katla-
yacağı tahmin edilmektedir.
E-ticaret platformlarının yükselişi ile birlikte online alışverişe dair ilginin arttığı ve
Covid-19 ile birlikte daha da yükseldiği dikkate alınacak olursa; yapay zekâ ala-
nında çalışan girişimlerin cazibesinin yatırımcılar için artması ve risk sermayesi
finansmanında bu tür start-up şirketlerin yatırım alması ve yatırım olan bu şirketle-
rin de bölge ekonomilerine katkı sağlamaları kaçınılmazdır.
Örneğin, müşterilerinin isteklerini yapay zekâ tabanlı bir arama motoru ve veri
bankası üzerinden işleyen Türk şirketi Getir, Amerika’lı Sequoia Sermaye Yatırım
Şirketi’nden 25 milyon dolar, Silikon Vadisinden ise 38 milyon dolarlık yatırım
alarak pandemi döneminde ve sonrasında büyümüş (Barış ve Yılmaz, 2021) ve çok
sayıda motor kurye işe alarak hem Türkiye’de hem de hizmetlerini genişlettiği
ülkelerde önemli bir istihdam kaynağı oluşturarak girişim ekonomisine ciddi bir
katkıda bulunmuştur.
- 35 -
- Yapay Zekâ ve Yönetim -
lebilirliğe bir değer katmıştır (Goralski ve Tan, 2020). Gelişmekte olan ülkelerde
yaşamın ekin hasadına bağlı olduğu düşünüldüğünde, yapay zekânın bölge eko-
nomisinin sürdürülebilirliğine katkısından da bahsetmek mümkün olabilir.
Akıllı filtrelerle, fabrikalardaki karbon salınımını anlık takip ederek hava kirliliği-
nin önüne geçmek, akıllı atık takibi ile zehirli ve kimyasal atıklarla ilgili tüm süre-
ci en titiz şekilde yürütebilmek, akıllı şebekelerle ışık ve enerji israfının önüne
geçebilmek mümkün olduğundan; bu teknolojilerin çevresel sürdürülebilirlik üze-
rinde olumlu bir etkisi olabileceği öngörülmektedir.
Yapay zekânın, sürdürülebilirlik üzerindeki tek etkisi olumlu değildir. Her ne ka-
dar, iklim değişikliği ve küresel ısınmanın etkilerini azaltabilecek sayısız fayda
sunsa da yapay zekâ teknolojilerinin kendi karbon ayak izleri oldukça büyüktür.
Öyle ki, Massachusetts Amherst Universitesi’nden araştırmacılara göre, bir yapay
zekâ programı için doğal dil işleme modelini geliştirmek için harcanan enerji New
York ile Pekin arasında 125 kere uçakla gidip gelmeye denktir. Başka bir deyişle,
yapay zekânın kendisi bir kaynak olduğu gibi, kendisi de kaynak kullanır. Bu so-
runu çözmek için, farklı çözümler öne sürülmüştür. Faydası, çevresel zararına ağır
basan senaryolarda yapay zekâ kullanımı teşvik edilmesi, bulut sağlayıcılarının
hidroelektrik ya da güneş enerjisi olan yerlerde veri merkezleri açmaya yönlendi-
rilmesi ve hükümetlerin yeşil yapa zekâ kullanımını içeren bu uygulamalar için
vergi teşviği getirmesi önerilmektedir (Dhar, 2020).
4. Sonuç
- 36 -
- Yapay Zekâ ve Girişimcilik -
olmasına rağmen, çevre üzerindeki olumsuz etkisi olumlu etkisine ağır basmakta
ve bu yönüyle eleştirilmektedir. Çevre üzerindeki olumsuz etkisini en aza indirge-
mek için, vergi teşvikleri, lisanslama koşullarında değişiklik gibi tedbirler öneril-
mektedir.
KAYNAKÇA
Akopyan, F., Sawada, J., Cassidy, A., Alvarez-Icaza, R., Arthur, J., Merolla, P., ... & Mod-
ha, D. S. (2015). Truenorth: Design and tool flow of a 65 mw 1 million neuron prog-
rammable neurosynaptic chip. IEEE transactions on computer-aided design of integ-
rated circuits and systems, 34(10), 1537-1557.
Auth, G., JokischPavel, O., & Dürk, C. (2019). Revisiting automated project management
in the digital age–a survey of AI approaches. Online Journal of Applied Knowledge
Management (OJAKM), 7(1), 27-39.
Barış, A. & Yılmaz, T. (2021). Consumers’ Perceptions of Online Grocery Applications:
‘Getir’ a case study in Turkey . Maltepe Üniversitesi İletişim Fakültesi Dergisi , 8
(2), 206-228 . https://dergipark.org.tr/en/pub/iled/issue/68447/1020209 Erişim: 24
Ağustos 2023
Brockhaus Sr, R. H. (1980). Risk taking propensity of entrepreneurs. Academy of mana-
gement Journal, 23(3), 509-520.
Bruyat, C., & Julien, P. A. (2001). Defining the field of research in entrepreneurship. Jour-
nal of business venturing, 16(2), 165-180.
Cordeschi, R. (2004). Cybernetics. The Blackwell guide to the philosophy of computing
and information, 186-196.
Çeken, B., & Şen, O. (2023, May). GRAFİK TASARIM SEKTÖRÜNDE YAPAY ZEKÂNIN
KULLANILMASI (MİDJOURNEY). In International Conference on Contemporary
Academic Research (Vol. 1, pp. 138-145).
Debolini, F. (2006). Art Book Leonardo da Vinci. Ankara: Dost Kitabevi Yayınları, p.92-93
Deng, J., & Lin, Y. (2022). The benefits and challenges of ChatGPT: An overview. Fronti-
ers in Computing and Intelligent Systems, 2(2), 81-83.
Dhar, P. (2020). The carbon impact of artificial intelligence. Nat. Mach. Intell., 2(8),
423-425.
Fernández-Martínez, C. & Fernández, A. (2020). AI and recruiting software: Ethical and
legal implications. Paladyn, Journal of Behavioral Robotics, 11(1), 199-216.
https://doi.org/10.1515/pjbr-2020-0030 Erişim: 20 Ağustos 2023
Fischer, L. (2021). How slime molds remember where they ate. Scientific American.
https://www.scientificamerican.com/article/how-slime-molds-remember-where-they-
ate/ Erişim: 3 Temmuz 2023
- 37 -
- Yapay Zekâ ve Yönetim -
- 38 -
- Yapay Zekâ ve Girişimcilik -
- 39 -
3. BÖLÜM
GİRİŞ
Yapay zeka; düşünme, algılama, öğrenme, problem çözme ve karar verme gibi üst
düzey bilişsel süreçleri mümkün kılan uygulamalarla dünyada bilişsel bir süreç
olarak popülerliği kazanmıştır. Kaliteli veri toplama, analiz ve problem çözümü
gibi kolaylaştırıcı avantajlarla, insanların yaşama ve çalışma şeklini insan zekası
ve kümülatif öğrenme yeteneğiyle desteklemek için çeşitli avantajlar sunmaktadır
(Lee ve diğerleri, 2018). Yapay zeka aslında, bilgisayar temelli sistemlerin algıla-
ma, öğrenme ve problem çözme gibi insan zihniyle ilişkili bilişsel işlevleri yerine
getirmesidir. Üretimi kolaylaştırarak kullanıcılara hizmet sağlamak için internet
tabanlı, hizmet odaklı, işbirliğine dayalı ve esnek akıllı üretim sistemini tanımla-
yan modellerin geliştirilmesine odaklanmaktadır.
Günümüzün üretim sistemleri giderek daha karmaşık, dinamik ve rekabet koşulla-
rının sert olduğu bir duruma gelmiştir. Fabrika operasyonları, belirsiz koşullar ve
süreçlerin birbiriyle ilişkisi nedeniyle sistemler yüksek oranda doğrusal olmayan
ve stokastik faaliyet zorluklarıyla karşı karşıyadır. Yapay zeka kavramının hızlı
evrimi, son yıllarda makine öğrenimi konularındaki gelişmeler, literatürde büyük
veri olarak tanımlanmış ve büyük boyutlardaki üretim verisini işlemek için kulla-
nılan gelişmiş analitik araçlar, üretim süreçlerini dönüştürmek adına önemli bir
potansiyeldir. İnternetin günümüzde yaygınlaşması, sensörlerin evrensel varlığı,
büyük verinin ortaya çıkışı, bilgi topluluğunun yükselişi ile veri ve bilginin top-
- 41 -
- Yapay Zekâ ve Yönetim -
lum, fiziksel alan ve siber alan ile birbirine bağlanmasıyla birlikte yapay zeka geli-
şimi için bilgi ortamı, yeni bir aşamaya yol açacak şekilde temelinden değişmiştir
(Pan, 2016). Son yıllarda akıllı ekonomi, şehir, tıbbi bakım faaliyetleri, ulaşım,
lojistik, vb. uygulamalardaki sürekli gelişme yapay zeka uygulamalarının gelişi-
minde önemli bir pazar talebi avantajı sağlamaktadır. Üretim teknolojisinin bilgi
iletişim teknolojisi, akıllı teknoloji ve özellikle ürünle ilgili uzmanlıkla derin bir
şekilde birleşmesi, üretim modelleri, üretim yaklaşımları ve ekosistemleri açısın-
dan oyunun kurallarını değiştiren bir dönüşümü mümkün kılmaktadır (Li ve diğer-
leri, 2017).
Üretimde kullanılan yapay zeka, sürdürülebilir bir performansla tüm endüstriyel
uygulamalar için çeşitli makine öğrenimi algoritmalarını geliştirmeye, doğrula-
maya ve dağıtmaya özel olarak odaklanan bir disiplindir (Lee ve diğerleri,
2018). Akıllı üretim olarak da tanımlanan yapay zeka destekli üretim yaklaşımı,
otonom algılamayı, veri yoğun modellemeyi, bilgi işlem platformları ve iletişim
teknolojisinin işbirliğini, simülasyonu entegre eder. Ayrıca Nesnelerin İnterneti
(IoT) ve yapay zekanın birleşimi de üretim süreçlerinde faydalıdır. Nesnelerin
İnterneti çok büyük miktarda bilgi üretir ve yapay zeka tüm bu verilerin anlamlı
hale getirilmesine yardımcı olarak tahmine dayalı bulgulara ve kuralcı önerilere
dönüştürür. Bu, endüstriyel şirketlerin maliyetleri ve arıza sürelerini azaltmaları-
na, varlık üretkenliğini en üst düzeye çıkarmalarına, iş kesintisi riskini azaltma-
larına, kaliteyi iyileştirmelerine ve makineleri analiz ederek, kesintileri tahmin
ederek, ekipman onarımlarını gerçekleştirerek ve ekipman bakımını otomatikleş-
tirerek varlık işletim verimliliğini en üst düzeye çıkarmak için operasyonları
kolaylaştırmaya yardımcı olmakla ilgilidir (Stracener ve diğerleri, 2019).
İşletmelerdeki akıllı üretim sistemleri; siber-fiziksel koşullarda, Nesnelerin İnter-
neti, bulut bilgi işlem, görüntü işleme, doğal dil işleme, makine öğrenimi gibi kav-
ramlardan yararlanarak veri bilimini oluşturup üretim süreçlerinde kullanarak
planlama ve uygulama süreçlerine destek olabilen bilişsel bir bilimdir. Bu kitap
bölümünün odak noktası dört yönlüdür: (1) yapay zekanın üretim süreçlerine yö-
nelik tarihsel gelişimini gözden geçirmek, (2) yapay zekanın uygulama alanları ile
üretim süreçlerinin ilişkisini analiz edebilecek bir inceleme yapmak (3) üretim
süreçlerindeki insan ve robot ilişkisine değinmek ve (4) üretimde yapay zekadan
yararlanılmasına ek olarak bu alanlarda yapay zekanın gelecekteki gelişimini etki-
leyecek zorlukları ve fırsatları tanımlamaktır.
- 42 -
- Yapay Zeka ve Üretim Yönetimi -
İşletmelerdeki üretim süreçlerinde en önemli ihtiyaç, herkes için güvenli bir çalış-
ma ortamı sağlarken verim, kalite ve maliyet hedeflerini de gerçekleştirmektir.
Artan ürün çeşitliliği ve süreç karmaşıklığı, müşteri beklentilerindeki yüksek de-
ğişkenlik ile birleşince, pazarda karlı kalmak için önemli bir rekabet ortamı oluş-
maktadır. Ancak üreticilerin karşı karşıya olduğu bu zorlu çalışma ortamı, yapay
zekanın geleneksel yaklaşımlar üzerindeki benzersiz yetenekleri için bir fırsat
sunmaktadır. Özellikle, problemlerin kökünden çözülmesi, operasyonel ve perfor-
mans verilerindeki çok değişkenliğin sınıflandırabilen yapay zeka araçlarına dö-
nüştürülmesinin sektöre önemli bir faydası bulunmaktadır.
Üretimde yapay zeka konusu, son 40 yılda düzenli olarak artan yayın sayısıyla
bilim camiasında büyük ilgi görmüştür (Arinez ve diğerleri, 2020). 1956 yılında
bilgisayar bilimcileri Arthur Samuel, Allen Newell, Herbert Simon, John
McCarthy ve Marvin Minsky tarafından geliştirilen yapay zeka kavramı, çığır açan
bir araştırma olarak alanın öncüsü kabul edilmiştir (Stracener ve diğerleri, 2019).
Bununla birlikte, yapay zekanın kullanımı, bilgi işlem, iletişim ve kontrol uygula-
malarının dijitalleşmesi sayesinde 1990'ların sonlarında ve yirmi birinci yüzyılın
başlarında yaygın bir şekilde artmıştır (Ji ve diğerleri, 2018).
Amerika Birleşik Devletleri'nin Gelişmiş Üretim Ortaklığını başlatması ve Birleşik
Krallık tarafından Birleşik Krallık 2050 stratejisi düzenlenmesi, Fransa’nın Yeni
Endüstriyel Fransa programı, Japonya’nın Toplum 5.0 stratejisi, Kore’nin Üretim
İnovasyonu 3.0 programı gibi uygulamalar ile ülkelerin teknoloji konusunda en iyi
uygulamaları yapmaya çalıştıkları görülmektedir (Ji ve diğerleri, 2018). 2013 yı-
lında Almanya, akıllı fabrikalara ve akıllı üretime vurgu yaparak Endüstri 4.0 pla-
nını başlatmıştır. Endüstri 4.0'ın özü, "siber fiziksel sistem" temelinde akıllı fabri-
kayı gerçekleştirmektir (Li ve diğerleri, 2017). 21. yüzyılın başından bu yana yeni
nesil bilgi teknolojisi ülkelerde ve üretim süreçlerinde dikkat çekici bir büyüme
göstermiştir.
Yapay zeka kapsamında ülkelerin önem verdiği konular birbirinden farklılaşmıştır.
Almanya, akıllı algılama, kablosuz sensör ağları ve CPS'ler gibi üreticiler için En-
düstri 4.0 teknolojilerinin araştırılmasına odaklanırken (Lee ve diğerleri, 2015),
ABD akıllı makineler, gelişmiş analizler ve iş yerindeki insanlar gibi bilgi işlemin,
analitiğin, düşük maliyetli algılamanın ve yeni internet bağlantısı düzeylerinin
uygulandığı BT teknolojilerine öncelik vermektedir (Posada ve diğerleri, 2015).
Yapay zekanın katılımı ile üretim kavramı akıllı üretim olarak kullanılmaya baş-
- 43 -
- Yapay Zekâ ve Yönetim -
- 44 -
- Yapay Zeka ve Üretim Yönetimi -
- 45 -
- Yapay Zekâ ve Yönetim -
etmek için geliştirilen yapay zeka teknolojisinin bir otomotiv yan sanayi firmasın-
da uygulanmasına dair vaka çalışması yapmıştır. Algılama teknolojisi fabrika ze-
minlerinde sürekli olarak gelişip benimsendikçe, görüntü verileri giderek artan bir
şekilde proses izleme ve arıza teşhisi için toplanıp analiz edilmektedir. Geleneksel
olarak ölçülen zaman serisi verileriyle karşılaştırıldığında, görüntülerin daha yük-
sek bir bilgi yoğunluğu vardır ve bunların kullanımının izlenen nesneler hakkında
bilgi edinmede avantajlı olduğu gösterilmiştir (Arinez ve diğerleri, 2020).
Yapay zeka, akıllı imalat sistemi aracılığıyla akıllı imalat alanında uygulanmakta-
dır. "İnternet artı yapay zeka" arka planına karşı akıllı üretim sistemi, otonom akıl-
lı algılama, ara bağlantı, işbirliği, öğrenme, analiz, biliş, karar verme, kontrol ve
insan, makine, malzeme, çevre ve bilgilerin yürütülmesi ile karakterize edilmekte-
dir. Sistem, kaynaklar/kapasiteler katmanından, her yerde bulunan ağ katmanın-
dan, hizmet platformundan, akıllı bulut hizmeti uygulama katmanının yanı sıra
güvenlik yönetimi sisteminden oluşmaktadır (Li ve diğerleri, 2017). Geleneksel
üretim hattıyla karşılaştırıldığında akıllı imalat sistemi, farklı türdeki küçük partili
ürünleri daha verimli bir şekilde üretebilir. Bir yandan, farklı ürün türleri arasında
geçiş yapılırken kurulum süresi en aza indirilir. Öte yandan, büyük veri geri bildi-
rimi ve koordinasyonu yardımıyla üretim süreci optimize edildikçe ortalama üre-
tim rotaları kısalarak makinelerin ve diğer kaynakların kullanım oranı iyileşmek-
tedir (Wang ve diğerleri, 2016).
Esnek üretim sistemlerinde, aynı zaman aralığında işlenmeyi bekleyen çok sayıda
ürün siparişi olduğunda işlerin hangi sıra ile gönderilmesinin gerektiği sorusu or-
taya çıkar. Hangi sıraya öncelik verilmesi gerektiğini ve hangi makinenin işi üst-
lenmesi gerektiğini belirlemek kritik öneme sahiptir. Bu bağlamda, örneğin maki-
ne kapasitesi ve kullanılabilirliği gibi çeşitli iç faktörleri ve sipariş teslim tarihleri
gibi dış faktörleri göz önünde bulundurarak en uygun iş dizilerini ve iş rotalarını
bulacak bir sistem geliştirilmesi gerekmektedir. Doğru rotalamayı yapmak için
kaynaklar, test ekipmanları, malzeme, enerji, üretim modeli, veri analizi, simülas-
yon, yazılım, tasarım, üretim, simülasyon, deney, yönetim, satış, operasyon, bakım
ve entegrasyonun yanı sıra yeni dijital ve akıllı üretim ara bağlantı ürünlerinin
üretim kapasitelerine de odaklanılması gerekmektedir.
Endüstriyel Nesnelerin İnterneti'nin ilerlemesiyle makine öğrenimi algoritmaları,
zor olarak nitelendirilen üretim problemlerinde döngü süresini, hurdayı azaltmak,
kaliteyi artırmak ve kaynak kullanımını iyileştirmek için önemli bir imkandır
(Wuest ve diğerleri, 2016). Endüstriyel İnternet; veri, donanım, yazılım ve istihba-
rat arasındaki etkileşim olarak tanımlanmıştır. Endüstriyel İnternetin maksimum
- 46 -
- Yapay Zeka ve Üretim Yönetimi -
- 47 -
- Yapay Zekâ ve Yönetim -
rimlilik ve etkinlik açısından son derece faydalı olması sayılabilir (Roncone ve di-
ğerleri, 2017). Bir insan ve robot işbirliği montaj uygulamasında, başarılı montaj
operasyonlarını belirlemek ve bunları insandan robotik operasyonlara geçişinde kul-
lanılmak üzere bir makine öğrenimi çerçevesi önerilmiştir. Bu çerçeve, görülmeyen
nesneleri genelleştirme yeteneği ve model tabanlı bir yöntemle karşılaştırmada dik-
kate değer sonuçlar elde etmeyi hedeflemiştir (Doltsinis ve diğerleri, 2020). Üretim
operasyonlarında, uygulama ve sistemin türüne bağlı olarak, bu operasyonel adımlar
veya süreçler önceden planlanmış olabilir veya olmayabilir. Bu da operasyonel ve-
rimliliği artırmak için seçilen belirli bir yapay zeka tekniğinin gerekliliklerini buna
göre yönlendirecektir. İnsan ve robot işbirliğinin karşı karşıya olduğu daha da büyük
bir zorluk, insan görevi performans sürelerindeki doğal belirsizlik ve değişkenliktir.
Bu tür bir değişkenliğin insan operatörler tarafından sağlanan esnekliğin maliyeti
olduğu öne sürülebilirse de yine de verimliliğin korunmasını sağlamak için yakla-
şımların geliştirilmesini gerektirir (Arinez ve diğerleri, 2020).
İnsan ve robotların sürekli olarak gözlemlenmesi ve değerlendirmesi gerekir. Ro-
botik izleme yetenekleri göz önüne alındığında, "Robot Nesnelerin İnterneti"
(IoRT) terimi, olayları izleyebilen, çeşitli kaynaklardan gelen sensör verilerini
birleştirebilen, en iyi rotayı belirlemek için yerel ve dağıtılmış zekayı kullanan
akıllı cihazları tanımlanmıştır (Batth ve diğerleri, 2018). İnsan ve robot iş birliği-
nin önemli bir unsuru, operasyonlara müdahale ile ilgilidir ve izleme sırasında
insan veya robot bir arıza ya da anormallik meydana geldiğini gözlemlerse hangi
alternatif adımların veya düzeltici eylemlerin izlenmesi gerektiğini dikkate alır.
Sınırlı etkileşimi olan insan robotik sistemlerde, bir insan denetçinin, hatanın tek-
rar oluşmasını önlemek için manuel kontrolleri geçersiz kılarak veya sistemi dur-
durup yeniden öğreterek sistem çalışmasını değiştirmesi gerekecektir. Sistemin
kontrolüne müdahalenin önemli bir yönü, gerçek zamanlı karar verme yeteneğidir.
Karmaşık ve belirsiz durumlarda, insan operatörler, insanın bilişsel yetenekleri
sayesinde robotlara kıyasla göreceli bir avantaja sahiptir. İşbirliğinin robotik tara-
fında karmaşık olay işleme gereksinimi, yapay zekanın geliştirebileceği bir fırsattır
(Arinez ve diğerleri, 2020).
İnsan ve robot işbirliğinin yapıldığı önemli faaliyet alanlarından biri de lojistik
faaliyetlerdir. Özellikle depolama koşullarında ürünlerin izlenebilirliğinin sağlan-
ması için yapay zeka teknolojilerinden önemli ölçüde faydalanılmaktadır. Bunlar;
bir radyo frekansı tanımlama (RFID) sensörünün, kablosuz sensör ağının, ses, ışık
ve elektronik sensörlerin/ekipmanın akıllı algılama birimleri aracılığıyla işletme,
endüstri, insan, makine ve malzeme gibi nesnelere aktarılmasıdır. Barkod/2D bar-
- 48 -
- Yapay Zeka ve Üretim Yönetimi -
kod ve radar ve bir ağ üzerinden veri ve talimat aktarımı yapılarak ürünlerin izle-
nebilirliği sağlanmaktadır (Li ve diğerleri, 2017).
- 49 -
- Yapay Zekâ ve Yönetim -
lıksal olarak meydana gelebilecek şeylere değil, fiziksel olarak bilinenlere dayan-
dığından, daha şeffaf, fizik kılavuzlu süreç modelleri gereklidir (Arinez ve diğerle-
ri, 2020).
İnsan ve robot işbirliği konusunda üstesinden gelinmesi gereken temel zorluklar ve
gereksinimler vardır. Bunların başında, insan operatörlerin ve robotların ortak bir
çalışma alanını paylaşmalarını yasaklayan endüstriyel robotik ortamlardaki ana
güvenlik gereklilikleri gelmektedir (Robla ve diğerleri, 2017). Diğer bir zorluk,
robotların insan davranışlarını ve niyetlerindeki belirsizliği nasıl anlayıp yorum-
lamaları ile ilgilidir (Nikolaidis ve diğerleri, 2013). Bu noktada bazı üreticilerin
pratik endüstriyel sorunları çözmek için yenilikçi çözümler geliştirerek bu sorunu
ortadan kaldırması gerekmektedir.
Bazı küçük ölçekli işletmelerde yerleşik bir bilgi işlem teknolojisi alt yapısı olma-
dığı görülmektedir. Çoğunlukla telefon ve e-posta görüşmeleri ve bir dereceye
kadar maliyetlendirme ve muhasebe için kullanılan mobil ve iletişim teknolojileri-
ne ait bir alt yapı bulunmalıdır. Bu teknolojik geri kalmışlığın ardındaki bazı ne-
denler arasında, bu teknolojilerle ilgili olarak insanlar arasında beceri ve eğitim
eksikliği, çoğu işletme kırsal alanlarda çalıştığı için temel yapıyı kuracak kaynak-
ların eksikliği ve gelecek vaat eden uygun bir yatırım sayılabilir (Rizvi ve diğerle-
ri, 2021). Bunu ele almak için, büyük ölçekli ülke ekonomilerinin politikalarında
üretim ile ilgili yeni yapay zeka teknolojileri barındırmak için faydalı değişiklikler
yapması gerekmektedir. Üretim sektörü açısından yapay zekayı teşvik etmek ve bu
tekniklerin geniş çapta kabul görmesini kolaylaştırmak için hem işletmelerin hem
de hükümetlerin daha fazla çaba sarf etmesi gerektiğini belirtmek önemlidir.
Teknoloji meraklısı ve yapay zeka araştırmacısı Tegmark (2017), yayınladığı ça-
lışmasında yapay zekanın fırsatlarından bahsetmiş ve insanları gelirden veya
amaçtan yoksun bırakmadan, otomasyon yoluyla dünyanın refahını artırabileceği-
ne inandığını belirtmiştir. Tegmark'a göre yapay zeka bu şekilde kullanıldığında
insanlığın silahlanma yarışından korkmasına gerek yoktur. Beklenmedik bir varo-
luşsal tehdit hakkında endişelenmek yerine, yapay zekanın insan hayatını nasıl
iyileştireceğinin dikkate alınması gerekmektedir.
SONUÇ
- 50 -
- Yapay Zeka ve Üretim Yönetimi -
KAYNAKÇA
Arinez, J. F., Chang, Q., Gao, R. X., Xu, C.,and Zhang, J. (2020). Artificial Intelligence in
Advanced Manufacturing: Current Status and Future Outlook. Journal of Manufactu-
ring Science and Engineering, 142(11), 110804-1 – 110804-16.
Batth, R. S., Nayyar, A. and Nagpal, A. (2018). Internet of Robotic Things: Driving Intel-
ligent Robotics of Future—Concept, Architecture, Applications and Technologies,
Proceedings of the International Conference on Computer Science, Jalandhar, India,
151–160.
Doltsinis, S., Krestenitis, M., and Doulgeri, Z. (2020). A Machine Learning Framework for
Real-Time Identification of Successful Snap-Fit Assemblies. IEEE Transactions on
Automation Science and Engineering, 17(1), 513–523.
Helms, E., Sehraft, R. D. and Hägele, M. (2002). “Rob@Work: Robot Assdstant dn Indust-
rial Environments,” Proceedings of the IEEE International Workshop on Robot and
Human Interactive Communication, Berlin, Germany, 399–404.
- 51 -
- Yapay Zekâ ve Yönetim -
Ji, Z., Peigen L., Yanhong Z., Baicun W., Jiyuan Z. and Liu M. (2018). Toward New-
Generation Intelligent Manufacturing, Engineering, 4(1), 11-20.
Kesici, B. ve Yıldız, M. S. (2016). Kalite Kontrol Faaliyetlerinde Yapay Zekâ Kullanımı
ve Bir Otomotiv Yan Sanayisinde Uygulanması. Yalova Sosyal Bilimler Dergisi, 6
(12), 307-323.
Lecun, Y., Bengio, Y. and Hinton, G. (2015). Deep Learning. Nature, 521(7553), 436–444.
Lee, J., Bagheri, B. and Kao, H.A. (2015). A cyber-physical systems architecture for In-
dustry 4.0-based manufacturing systems. Manufacturing Letters, 3, 18-23.
Lee, J. Davari, H, Singh J and Pandhare V. (2018) Industrial artificial intelligence for in-
dustry 4.0 - based manufacturing systems. Manufacturing Letters, 18, 20–23.
Li, B., Hou, B., Yu, W., Lu, X., Yang, C. (2017). Applications of artificial intelligence in
intelligent manufacturing: a review. Frontiers of Information Technology & Electro-
nic Engineering, 18. 86-96.
Negahban, A., and Smith, J. S. (2014). Simulation for Manufacturing System Design and
Operation: Literature Review and Analysis. Journal of Manufacturing Systems,
33(2), 241–261.
Nikolaidis, S., Lasota, P., Rossano, G., Martinez, C., Fuhlbrigge, T., and Shah, J. (2013).
Human-Robot Collaboration in Manufacturing: Quantitative Evaluation of Predictab-
le, Convergent Joint Action. International Symposium on Robotics, ISR 2013, Seoul,
South Korea.
Pan, Y.H. (2016). Heading toward artificial intelligence 2.0. Engineering, 2(4), 409-413.
Posada, J., Toro, C., Barandiaran, I., Oyarzun, D., Stricker, D., Amicis, R., Pinto, E., Ei-
sert, P., Döllner, J. and Vallarino, I. (2015). Visual computing as a key enabling
technology for industrie 4.0 and industrial Internet. Institute of Electrical and Elect-
ronics Engineering, 35(2), 26-40.
Rizvi, A., Haleem, A., Bahl, S. and Javaid, M. (2021). Artificial Intelligence (AI) and Its
Applications in Indian Manufacturing: A Review, In book: Current Advances in
Mechanical Engineering, Chapter: 76, Publisher: Springer, Singapore
Robla, S., Becerra, V. M., Llata, J., Gonzalez-Sarabia, E., Torre-Ferrero, C., and Perez-
Oria, J. (2017). Working Together: A Review on Safe Human-Robot Collaboration
in Industrial Environments, IEEE Access, 5, 26754–26773.
Roncone, A., Mangin, O., and Scassellati, B. (2017). Transparent Role Assignment and
Task Allocation in Human Robot Collaboration, Proceedings of the IEEE Internatio-
nal Conference on Robotics Automation, Singapore, 1014–1021.
Sharp, M., Ak, R. and Hedberg, T. (2018) A Survey of the Advancing Use and Develop-
ment of Machine Learning in Smart Manufacturing. Journal of Manufacturing Sys-
tems, 48 (Part C), 170–179.
- 52 -
- Yapay Zeka ve Üretim Yönetimi -
Stracener, C., Samelson, Q., Mackie, J., Ihaza, M., Laplante, P. A. and Amabe, B. (2019)
The internet of things grows artificial intelligence and data sciences. IT Proffesional,
21(3), 55–62.
Tegmark, M. (2017). Life 3.0: Being Human in the Age of Artificial Intelligence. Knopf.
Wang, S., Wan, J., Li, D., and Zhang, C. (2016). Implementing Smart Factory of Industrie
4.0: An Outlook. International Journal of Distributed Sensor Networks, 2016(4), 1-10.
Wang, J., Ma, Y., Zhang, L., Gao, R. X. And Wu, D. (2018). Deep learning for smart ma-
nufacturing: Methods and applications. Journal of Manufacturing Systems, 48 (Part
C), 144-156.
Wang, G., Ledwoch, A., Hasani, R. M., Grosu, R., and Brintrup, A. (2019a). A Generative
Neural Network Model for the Quality Prediction of Work in Progress Products,
Applied Soft Computing, 85, 1-13.
Wang, L., Gao, R., Váncza, J., Krüger, J., Wang, X. V., Makrds, S. and Chryssolouris, G.
(2019b). Symbiotic Human-Robot Collaborative Assembly. CIRP Annals, 68(2),
701–726.
Wang, J., Zhao, R. and Gao, R. (2020) Probabilistic Transfer Factor Analysis for Machi-
nery Autonomous Diagnosis Cross Various Operating Conditions, IEEE Transacti-
ons on Instrumentation and Measurement, 69(8), 5335–5344.
Wuest, T., Weimer, D., Irgens, C., and Thoben, K. D. (2016). Machine Learning in Manu-
facturing: Advantages, Challenges, and Applications. Production and Manufacturing
Research, 4(1), 23–45.
Zou, J., Chang, Q., Lei, Y. and Arinez, J. (2018). Production System Performance Identifi-
cation Using Sensor Data. IEEE Transactions on Systems Man and Cybernetics: Sys-
tems, 48(2), 255–264.
- 53 -
4. BÖLÜM
Giriş
- 55 -
- Yapay Zekâ ve Yönetim -
1. Yapay Zekâ
İngiliz matematikçi Alan Turing, 1950 yılında "Computing Machinery and Intelli-
gence" adlı makalesini yayınladı. Bu makalede, Turing testi olarak bilinen bir de-
ney önerdi ve bu test, bir bilgisayarın insan gibi düşünme yeteneğine sahip olup
olmadığını belirlemek için kullanılmaktadır. 1956 yılında, John McCarthy, Marvin
Minsky, Nathaniel Rochester ve Claude Shannon gibi bilim insanları, Dartmouth
Koleji'nde bir araya gelerek yapay zekâ araştırmalarının temellerini attılar. 1970'ler
ve 1980'lerde yapay zekâ alanında uzman sistemler adı verilen yaklaşım geliştiril-
di. Uzman sistemler, insan uzmanlarının bilgisini bir bilgisayar programına akta-
ran ve karar verme süreçlerinde kullanılan sistemlerdir. 1980'ler ve 1990'lar bo-
yunca yapay zekâ alanında makine öğrenmesi üzerine yoğunlaşıldı. Makine öğ-
renmesi, bilgisayarların veri üzerinden öğrenme yeteneğini geliştirmeyi hedefle-
yen bir yaklaşımdır. Bu dönemde önemli algoritmalar ve teknikler geliştirildi
(Haenlein & Kaplan, 2019).
- 56 -
- Yapay Zekâ Destekli Stratejik Karar Verme -
Yapay zekâ, en genel tanımıyla; bir bilgisayarın ya da bilgisayar denetimli bir ma-
kinenin, genellikle insana özgü nitelikler olduğu varsayılan akıl yürütme, anlam
çıkartma, genelleme ve geçmiş deneyimlerden öğrenme gibi yüksek zihinsel sü-
reçlere ilişkin görevleri yerine getirme yeteneği olarak tanımlanmaktadır (Nabiyev,
2016). 1955 yılında emekli Stanford Profesörü John McCarthy tarafından türetilen
bir terim olan yapay zekâ (AI), kendisi tarafından akıllı makineler yapmanın bilimi
ve mühendisliği olarak tanımlanmıştır (Youdong vd., 2014). Yapay zekâ (AI),
bilgisayar biliminin bir dalıdır ve insan zekasını gerektirecek görevleri tamamla-
mak için bilgisayar programları geliştirmeyi içerir. Yapay zekâ algoritmaları öğ-
renme, algılama, problem çözme, dil anlama ve/veya mantıksal akıl yürütme gibi
problemlere çözümler üretmektedir (Saleh, 2019).
Yapay zekâ alanında yapılan çalışmaların temeli insan gibi düşünen ve insan gibi
karar veren sistemleri geliştirebilmek olduğu için, bir yapay zekâ ortaya koya-
bilmek için biyolojik beyinin yapısı ve işleyişi araştırmacıların bu alanda fikir
üretmeleri için ilham kaynağı olmuştur. Bu nedenle de yapay zekâ konusunda
mihenk taşı sayılabilecek gelişmelere 1943 yılında Warren S. McCulloch ve
Walter Pitts tarafından ortaya konan McCulloh-Pitts Nöronu olarak da bilinen
biyolojik beyindeki nöronlardan- sinir hücrelerinden- (neuron) esinlenerek oluş-
turulmuş nöron modeli örnek verilebilir. Geliştirilen bu nöron, yapısı gereği
ve/veya gibi temel mantık fonksiyonlarını çözebilen basitçe açık ya da kapalı
olma durumuna sahip ikili bir değişken olarak düşünülebilir (Kartal, 2021). Ya-
pay zekâ, bilgisayar bilimi ve fizyolojinin bir entegrasyonudur. Basit dilde zekâ,
dünyadaki hedeflere ulaşma yeteneğinin hesaplamalı kısmıdır. Zekâ, ezberleme
ve anlama oluşturmayı, kalıpları tanımayı, değişime uyum sağlayacak seçimler
yapmayı ve deneyimlerden öğrenmeyi hayal etme ve düşünebilme yeteneğidir
(Borana, 2016).
Literatürde karar verme stratejileri geliştirmek üzere kullanılan birçok yapay zekâ
tekniklerinden bahsedilmektedir. Yapay zekanın önem kazandığı 80’li yıllardan
günümüze kadar geçen sürede yapılan çalışmalar algoritma tabanlıdır. Bilgi tabanlı
yapay zekâ uygulamaları 90’lı yıllardan sonra gelişerek günümüzdeki haliyle yay-
gın bir şekilde kullanılmaktadır. Bu yaklaşımların algoritmalara göre en önemli
avantajı problem tanımlanması ile çözümün birbirinden bağımsız olması ve öğ-
renme için gereken sürecin daha sistemli tasarlanması gerektiğidir. Yaygın olarak
kullanılan yapay zekâ teknikleri aşağıda maddeler halinde belirtilmektedir (Nabi-
yev, 2016).
- 57 -
- Yapay Zekâ ve Yönetim -
Sezgisel yaklaşımlar
Bulanık Mantık
Uzman Sistemler
Yapay Sinir Ağları
Genetik algoritmalar
Makine Öğrenmesi
Pekiştirmeli Öğrenme
Derin Öğrenme Yaklaşımları
Yapay zekâ oluşturmanın birçok yolu vardır ve bunlardan bazıları Şekil 1’de su-
nulmaktadır (Saleh 2019):
- 58 -
- Yapay Zekâ Destekli Stratejik Karar Verme -
- 59 -
- Yapay Zekâ ve Yönetim -
- 60 -
- Yapay Zekâ Destekli Stratejik Karar Verme -
- 61 -
- Yapay Zekâ ve Yönetim -
keşfetme yeteneği, onu keşifsel veri analizi, çapraz satış stratejileri, müşteri seg-
mantasyonu ve görüntü tanıma için ideal çözüm hâline getirir (Petekci, 2021).
Denetimsiz öğrenmede sistemin eğitilmesi için veri setinde herhangi bir etiketleme
yapılmaz ve algoritmaların öğrenmesi sağlanır. Denetimsiz öğrenmenin amacı,
gözlemlerin çıktıları bilinmediği için sınıflandırma yapmak değildir. Bu yöntemle
veri setindeki gözlemler arasındaki benzerlikler bulunarak kümelere ayrılmaktadır.
Denetimsiz öğrenme modeli bir örnekle Şekil 4’te sunulmaktadır.
- 62 -
- Yapay Zekâ Destekli Stratejik Karar Verme -
- 63 -
- Yapay Zekâ ve Yönetim -
daha alt kademelerde görev alacak stratejistler tarafından uygulanır ve izlenir (Ak-
tan, 2003). Stratejik yönetim örgütü bir sistem olarak kabul ederek örgüt fonksi-
yonlarını ve kademeler arasındaki uyumu sağlamaya çalışır. Böylece örgüt per-
formansı artırılarak, sorunlar belirlenip çözümlenerek, etkin ve verimli bir çalışma
ortamı hayata geçirilir. Stratejik yönetim örgütsel faaliyetlerin planlanması, örgüt-
lenmesi, koordinasyonu, uygulanması ve kontrol edilmesinde planlı ve örgütlü
hareket edilmesini sağlamaktadır (Sterling, 2003).
Aşağıda Şekil 6’da stratejik yönetimin aşamalarına yer verilmiştir.
- 64 -
- Yapay Zekâ Destekli Stratejik Karar Verme -
- 65 -
- Yapay Zekâ ve Yönetim -
Stratejik kararlar, işletmelerin başarıya ulaşması için kritik öneme sahiptir. Yapay
zekâ, bu süreçte karar vericilere fayda sağlamak için kullanılan bir araç haline
gelmiştir. Yapay zekâ, karar verme sürecinde veri analizi, modelleme, makine öğ-
renimi, derin öğrenme, tahmin yapma ve optimize etme gibi alanlarda stratejik
kararlarını destekleyen bir dizi teknik sunmaktadır (Baum ve Wally, 2003: 1124).
Yapay zekâ büyük miktarda veriyi kısa sürede analiz ederek çıkarımda bulunabilir.
Yapay zekâ yöntemlerini kullanarak büyük miktardaki verileri toplamak, işlemek,
analiz etmek ve sonuçları çıkarmak mümkündür. Yapay zekâ, karar vericilere
mevcut durumu anlamaları, gelecekteki eğilimleri tahmin etmeleri ve stratejik he-
deflere ulaşmak için en iyi yolun ne olduğunu belirlemeleri konusunda yardımcı
olabilir. Ayrıca karmaşık veri setlerinden hızlı ve doğru bir şekilde bilgi çıkarabilir,
önerilerde bulunabilir, kararları otomatik olarak alabilir, insan hatalarını azaltabilir.
Bu özelliği sayesinde yapay zekâ kullanımı, stratejik kararların hızlı biçimde alın-
masını, pazar fırsatlarının rakiplerden önce değerlendirilmesini sağlayarak örgüt
ortaklarına avantaj sağlayabilir (Aralova, 2020: 36). Hızlı biçimde hareket edilme-
si gereken kriz zamanlarında alınacak stratejik kararlarda yapay zekâ yönetim ku-
ruluna önemli ölçüde destek sağlayabilir. Karar verme sürecinde yapay zekânın
kullanılması çıkar çatışmalarını ve vekalet maaliyetini azaltabilir. Yetki devrinden
- 66 -
- Yapay Zekâ Destekli Stratejik Karar Verme -
Sonuç
Dijital çağa uygun ve sürdürülebilir bir yönetim anlayışı için, stratejik karar ver-
meyi destekleyecek güncel ve geliştirilebilir yapay zekâ destekli sistemlere entegre
olmak bir üstünlük değil artık zorunlu bir ihtiyaç haline gelmiştir. Bu anlamda
stratejik kararların doğru, güvenilir ve güncellenebilir olması için işletmeler ve
benzer kuruluşların yapısına uygun modeller oluşturup doğru yapay zekâ teknikle-
- 67 -
- Yapay Zekâ ve Yönetim -
Kaynakça
- 68 -
- Yapay Zekâ Destekli Stratejik Karar Verme -
Baum J. R. & Wally S. (2003). Strategic decision speed and firm performance, Strategic
Management Journal, 24(11), 1107-1129.
Bayram, V. (2021). Çağdaş İşletme Stratejisi Formülasyonunda Nitel Bir Çalışma: Mavi
Örneği. Organizasyon ve Yönetim Bilimleri Dergisi, 13(2), 260- 286.
Balaban, M. E. ve Kartal, E. (2018). Veri Madenciliği ve Makine Öğrenmesi Temel Algo-
ritmaları ve R Dili ile Uygulamaları (2. bs.). Beyoğlu, İstanbul: Çağlayan Kitabevi.
Borana J., (2016), Applications of Artificial Intelligence & Associated Technolo-
gies,Proceeding of International Conference on Emerging Technologies in Enginee-
ring, Biomedical, Management and Science
Bourgeois, L. J. (1985). Strategic Goals, Perceived Uncertainty, and Economic Performan-
ce in Volatile Environments. The Academy of Management Journal, 28(3), 548-573.
Budak, G. (2000). Öğrenen örgütlerde stratejik planlama ve stratejik öğrenme. Dokuz Eylül
Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 15(1).
Daft, R., L. (2010). Management. Ninth Edition. USA: South Western Publishing.
Demirhan, A., Kılıç, Y. A. & İnan, G. (2010). Tıpta yapay zekâ uygulamaları. Yoğun Bakım
Dergisi, 9(1):31-41.
Dinçer, Ö. (2003). Stratejik Yönetim ve İşletme Politikası, BETA Yayınları, İstanbul.
Drucker P. F. (1967). The Effective Decision, Harvard Business Review.
Eren, E. (2013). İşletmelerde Stratejik Yönetim ve İşletme Politikası. İstanbul: Der Yayınevi.
Fredrickson, J., W. (1984). The Comprehensiveness of Strategic Decision Processes:
Extension, Observations, Future Directions. Academy of Management Journal, 27(3),
445-466.
Gözübüyük, B. (2022). Yapay Zekâ Algoritmalarının Anonim Ortaklıklarda Alınan Strate-
jik Kararlar Bakımından Yönetim Kuruluna Sağlayabileceği Olası Katkılar. Ankara
Hacı Bayram Veli Üniversitesi Hukuk Fakültesi Dergisi, 26(1), 141-164.
https://doi.org/10.34246/ahbvuhfd.1066623
Güçlü, N. (2003). Stratejik yönetim. Gazi Üniversitesi Gazi Eğitim Fakültesi Dergisi,
23(2).
Haenlein, M. & Kaplan, A. (2019). A brief history of artificial intelligence: On the past,
present, and future of artificial intelligence. California ManagementRreview, 61(4),
5-14.
Jensen, M. C. & Meckling, W. H. (1976). Theory of the Firm: Managerial Behavior,
Agency Costs and Ownership Structure, Journal of Financial Economics, 3(4), 5.
Kartal E. (2021). Machine Learning and Artificial Intelligence, Tıp Bilişimi, 18. Bölüm,
İstanbul Üniversitesi, Enformatik Bölümü, İstanbul, Türkiye, DOI: 10.26650/
B/ET07.2021.003.18
- 69 -
- Yapay Zekâ ve Yönetim -
- 70 -
- Yapay Zekâ Destekli Stratejik Karar Verme -
Saleh Z.M. (2019), Artificial Intelligence Definition, Ethics and Standards,The British
Universty in Egypt, Electronics and Communications: Law, Standards and Practice |
18ELEC07I
Schwenk, C., R. (1995). Strategic Decision Making. Journal of Management. 21(3), 47-493.
Simon, H. A. (1987). Making Management Decisions: The Role of Intuition and Emotion.
Academy of Management Executive, 1(1), 57–64.
Sterling, J. (2003). Translating Strategy into Effective Implementation: Dispelling the
Myths and Highlighting What Works, Strategy and Leadership, 31(3), 27–34.
Strategor, (1997). Politique Generale de l’entreprise, 3 edition, Dunod, Paris.
Slage, J.R. (1971), Artificial Intelligence:The Heuristic Programming Approach, N.Y.:Mc.
Graw Hill.
Şahinarslan F.V. (2019). Makine Öğrenmesi Algoritmaları ile Nüfus Tahmini:Türkiye Ör-
neği,İstanbul Teknik Üniversitesi Sosyal Bilimler Enstitüsü,İşletme ABD.
Şengül Z. (2022). Makine Öğrenmesi Algoritmaları Kullanılarak Bitcoin Fiyat Tahmi-
ni,Trakya Üniversitesi Sosyal Bilimler Enstitüsü Ekonometri ABD,Edirne.
Ülgen, H. & Mirze, S. K. (2014). İşletmelerde Stratejik Yönetim. İstanbul: Beta Ya
Yudong Zhang, Saeed Balochian, Praveen Agarwal, Vishal Bhatnagar, Orwa Jaber Hous-
heya, "Artificial Intelligence and Its Applications", Mathematical Problems in Engi-
neering, vol. 2014, Article ID 840491, 10 pages, 2014. https://doi.org/10.1155/
2014/840491
Zehir, C., Özşahin, M. (2006). Stratejik Karar Verme Hızını Etkileyen Örgütsel, Çevresel
faktörler ve Firma Performansı İlişkisi: İmalat Sektöründe Bir Saha Çalışması. Gazi
Üniversitesi İİBF Dergisi, 9 (1): 137-157.
- 71 -
5. BÖLÜM
1. Giriş
Dijital liderlik 21. yüzyıl ile birlikte öne çıkan yeni yeni anlaşılmaya ve araştı-
rılmaya başlanan bir kavramdır. Endüstri 4.0 sonrasında tüm sektörlerdeki şir-
ketler ve kuruluşlar artan sayı ve süratle dijitalleşmekte ve yeni dijital örgüt bi-
çimlerine göre yeniden organize edilmektedir (Zeike vd. , 2019). 2020 yılında
patlak veren ve ofiste çalışma düzenini alt üst eden COVID 19 salgını ise kalıcı
olarak hibrid çalışma modelini birçok örgütün benimsemesine yol açmış, hatta
bazı şirketler çalışanlarının başka şehirlerde yaşayıp tamamen uzaktan çalışma-
sının da önünü açmıştır. Google, Amazon, Microsoft, Turkcell, Garanti gibi dev
şirketler bu çalışma düzenlerinin öncülüğünü yapmaktadır. Uzaktan çalışma mo-
dellerinin yaygınlaşması ve sanal örgüt sayılarının artması bilgi teknolojileri ve
yönetim bilişim sistemlerinin iş süreçlerine etkin bir şekilde entegre edilmesini
gerekli kılmıştır. (Erer vd., 2023). Yeni nesil birçok girişim ise zaten geleneksel
bir iş modeli ve yönetim anlayışına sahip değil, doğuştan dijital olarak hayata
başlıyor.
Gidişat gösteriyor ki yönetim ve organizasyon alanında dijital liderliğin nasıl etkili
hale getirebileceği ve sanal takımların nasıl motive edilebileceği en önemli araş-
tırma konularından olacaktır. Erer vd. (2023)’ün 2004-2023 yılları arasında dijital
liderlik üzerinde 134 eser üzerinde yaptığı bibliyometrik analiz sonucu dijital li-
derlik çalışmalarının 2019’da sonra hızlı artış gösterdiği, çalışmaların en çok yöne-
tim alanında çıktığı ve en çok kullanılan kelimenin dijital dönüşüm olduğu görül-
müştür. Endüstri 4.0'ın tetiklediği dijital dönüşüm sadece teknolojik bir dönüm
noktası değil aynı zamanda şirketlerin süreç ve dizaynlarında köklü değişiklere
neden olmuştur (Klein, 2020). Bugün dijitalleşme trendini kaçıran şirketlerin gele-
cekte dijital öncülerden daha yavaş, daha az esnek ve daha az rekabetçi olacağı
düşünülmektedir (Berman ve Marshall, 2014)
- 73 -
- Yapay Zekâ ve Yönetim -
- 74 -
- Yapay Zeka ve Dijital Liderlik -
Dijital liderlerin şebeke tipi örgüt yapılarında hızlı ve esnek hareket etmeleri
beklenirken eş zamanlı olarak örgütün dijital dönüşümünü de yönetmeleri ge-
rekmektedir (Klein, 2020). Dijital dönüşüm sürecinin kilit unsuru olan liderlerin
dijitalleşme beceri ve yetkinlikleri bu nedenle önem kazanmıştır (Erer vd.,
2023). El Sawy vd. (2016) dijital liderliği örgütlerin başarılı bir şekilde dijital-
leşme süreçlerinde doğru şeyleri yapan kişiler yapmak olarak tanımlıyor.
.Avrupa Birliği Komisyonu tarafından 2007’de yapılan hesaplamalara göre Av-
rupa Birliği'nin 2025 yılına kadar her yıl yaklaşık 50.000 profesyonel dijital lider
yetiştirmesi gerekiyor. Ancak yapılan anketlerde çalışanların çoğu liderlerin diji-
tal ortamlarda çalışabilme becerilerinin eksik olduğunu ve şirketlerinde dijital
liderlik becerilerinin geliştirme seçeneklerinin az olduğunu belirtiyor (Temelko-
va, 2018).
Klein (2020) dijital liderlerin karakteristik özelliklerini ilgili literatürde içerik ana-
lizi yöntemi kullanarak araştırmış ve bu alandaki çalışmalarda yer alan dijital lider
özelliklerini sıklığa göre sıralamışlardır, sonuçlar Tablo 1’de görülebilir.
- 75 -
- Yapay Zekâ ve Yönetim -
Buna göre en öne çıkan beş özellik yenilikçi vizyoner olma, sosyal ağ zekâsına
sahip olma, adaptasyon yeteneği, motive eden koç niteliği taşıma ve dijital zekâya
sahip olmaktır.
1) Yenilikçi vizyoner: Dijitalleşme, işletmelerin işlerini yürütme biçimlerimi
değiştirmiştir, ancak hiçbir kuruluş kendi başına değiştirmemiştir; bir örgütün
bu tür bir dönüşüm geçirmesine yardımcı olan liderlerinin dijitalleşme konu-
sundaki vizyonudur (Özmen vd., 2020). Dijital liderlerin sadece vizyoner ol-
ması yeterli değildir aynı zamanda yenilikçi olmalıdır ve bu sayede liderler
aynı zamanda takipçilerine de iyi birer rol model olmaktadır (Toduk,2014).
Schumpeter’ci yenilikçilik kavramı teknolojinin önemini vurgulamaktadır. ve
yeni kaynak kombinasyonlarını ve bunların sağladıkları hizmetleri yeni ürün-
ler ve üretim yöntemlerinin temeli olarak görmektedir (Amit ve Zott,
2001).Sanal pazarların gelişmesi yenilikçilik kavramını daha da geliştirmiş;
firma ve endüstri sınırlarını genişleterek yeni ürün veya üretim süreçlerine ek
olarak firmalar arasında yeni işbirliklerini teşvik etmiştir (Amit ve Zott,
2001). Genişleyen sınırlardan yararlanabilmek, ürün, süreç ve işbirliklerini
geliştirebilmek hem yenilikçilik hem vizyon hem de şebeke (network) kurma
kabiliyeti gerektirmektedir. Bilişim sektörünün öncü şirketlerinde üst düzey
yöneticilik görevleri üstlenen Tansu Yeğen’e göre liderlerin vizyonu ekipleri
ile birlikte kurması daha değerlidir, bu şekilde tüm ekip vizyona sahip çıka-
caktır (Toduk, 2014, s.87).
2) Sosyal ağ kurma zekâsı: Günümüzde kazan-kazan tarzı ilişkiler ve işbirlikle-
ri ön plana çıkmıştır. Özellikle çok uluslu ve şebeke yapıda şirketlerin çok sa-
yıda iş ortağı vardır, hatta rakip işletmeler ile de iş ortaklıkları kurabilmekte-
dirler (Toduk, 2014, s.24). Örnek olarak Apple iphone ekranlarını Samsung’a
ürettirmektedir. Dijital çağda liderlerin çoklu yapıları, şirket içi ve dışı ilişki-
leri yönetip geliştirebilmesi en önemli yeteneklerdendir. Büyük resim içinde
aktörler arasındaki ilişkileri anlayabilmek, uzun ve kısa süreli iş birliklerini
yönetebilmek ve çeşitli fırsatları öngörüp buna göre iş ortakları ile kazan-
kazan stratejileri oluşturmak sosyal ağ kurma zekâsı ile ilgili olup şirketin
stratejisi, karlılık ve rekabet gücü ile doğrudan ilişkilidir.
3) Adptasyon: Günümüzün hızla değişen teknolojik, sosyal, ekonomik ve siya-
sal çevresinde dijital liderlerin değişiklilere hızlı adapte olup ekibini de hem
bilişsel hem duygusal olarak bu değişikliklere hazırlaması çok önemlidir.İlaç
sektöründe üst düzey yöneticilik yapan Serdar Sözeri’ye göre başarılı bir lider
davranışlarını gerektiğinde diğerlerine göre düzenleyebilmeli iki adım ileri
- 76 -
- Yapay Zeka ve Dijital Liderlik -
sıçrayıp bir adım geri çekilebilmeli (Toduk, 2014, s. 175). Benzer şekilde te-
lekom sektöründe üst düzey yöneticilik yapmış olan Erkan Akdemir hızlı öğ-
renme ve çabuk adapte olup sonuçları değiştirebilmenin günümüz iş dünya-
sında en önemli liderlik özellikleri arasında olduğunu belirtiyor. (Toduk,
2014, s. 196). Adaptasyon yeteneği ani ve beklenmeyen durumlara karşı hızlı
cevap verebilmeyi sağlıyor, günümüzde çok dillendirilen çevik(agile) liderlik
için de bu yetenek önem taşıyor.
4) Motive eden koç: Avolio ve Kahai (2002) başarılı dijital liderliğin sırrının
geleneksel ve yeni yöntemler arasında uygun bir denge kurmak, takipçilerine
niyetini dikkatli ve açık bir şekilde ileterek yanlış anlamaları önlemek ve baş-
kalarına duyarlı yollarla ulaşmak için teknolojiyi kullanabilmek olduğunu be-
lirtmiştir. İş yerlerinde giderek artan iş gücü çeşitliliği beraberinde uyum so-
runları da yaratabilmektedir. Bu durumda dijital liderlerin görevi bu kadar çe-
şitli bir iş gücünü teknolojik imkanları da kullanarak çevrimiçi eğitimler, top-
lantılar ve yüzyüze sosyalleşmeyi de (iş modeli mümkün kılıyorsa) harmanla-
yarak motive edebilmektir. Dijital bir liderde dijital zekâ teknik bir yetenektir
ancak ağ kurma ve motive etme ise sosyal bir yeteneklerdir. Bu durumda diji-
tal liderlerin çift yetenekli (ambidexterious) olması veya bu şeklide kendileri-
ni geliştirmeleri gerekmektedir. Motive edebilmek için çalışanı anlayabilmek,
anlayabilmek için de dinleyebilmek çok önemlidir (Yenal, 2023, s.4). Katı-
lımcı liderlik stili de teknolojiden beslenip şeffaflık getirmektedir (Toduk,
2014). Böylelikle dinlemeyen, motive etmekten uzak otokratik liderler de yer-
lerini katılımcı liderlere bırakmaktadır.
5) Dijital zekâ: Bu özelliğe sahip bir lider sadece teknolojide usta değildir, aynı
zamanda örgütün iyiliği için dijital teknolojilerin faydalarını da örgüte aşılar
(Sainger, 2018). Dijital dönüşümde teknoloji sadece işin bir boyutudur, bunun
dışındakiler iş modeli, yapı, insanlar, süreçler, bilişim yetkesi, engajman mo-
deli ve olanaklardır (Sainger, 2018). Örgütü dijital olarak yeniden tasarlama
yeteneği yeniyi icat edebilecek bir kültürü teşvik eden liderler tarafından des-
teklenir (Kane vd., 2015). Bu nedenle dijital değişimin en önemli faktörlerin-
den biri olan insanların bu değişime ayak uydurabilmek için gerekli eğitimleri
alıyor olması da çok önemlidir (Sainger, 2018). Dijital zekâ beşeri sermaye ile
ilgilidir, iyi bir teknik eğitim ve güçlendirici bir çalışma deneyimi dijital
zekâyı geliştirecektir. Marvel ve Lumpkin (2007)’nin yapmış olduğu çalışma-
da radikal inovasyonların yapılmasında liderlerin örgün eğitimin ve deneyim
derinliğinin çok önemli olduğu bulunmuştur.
- 77 -
- Yapay Zekâ ve Yönetim -
Zeike vd (2019) büyük ölçekli bir Alman şirketinin üst düzey yöneticileri üzerin-
de yaptıkları çalışmada liderlerin dijital dönüşüm süreçlerini iyi yönetmek için
ihtiyaç duydukları dijital liderlik becerileri eğer düşük ise psikolojik iyi oluşları
üzerinde de olumsuz etkisi olduğunu bulmuşlardır. Cinsiyet, yaş ve tecrübenin ise
bu ilişkide belirleyici olmadığını görülmüştür. Bu çalışmadan yola çıkarak dijital
yeteneklerin geliştirilmesinin kariyer gelişimi ve ruhsal denge için ne kadar önemli
olduğu ve bunun mümkün olduğu kadar erken yaşlarda geliştirilmeye başlanması
gerektiği sonucuna varılabilir. Tabii ki bu alanlarda yapılan çalışmalar daha yeni-
dir ve teyide ihtiyacı vardır.
Dijital liderliğin sunduğu birçok fırsat vardır. Bunlardan bazıları çalışanlar, müşte-
riler ve tedarikçilerle anında birebir iletişim kurabilme; yetenekli çalışanları sanal
bir örgüt altında toplayabilme; çok işlevli ekipler oluşturarak orgütsel performansı
artırma ve müşteri memnuniyetini daha kolay ölçme, hızlı cevap verebilme; mali-
yetleri düşürme ve daha iyi bilgi yönetimidir (DasGupta, 2011) Bunun yanı sıra
dijital liderler, uzaktan izleme, farklı kültürlerden ekipleri yönetme, ekibi uzaktan
motive etme, teknolojik değişiklikleri karşılamak gibi zorluklarla karşı karşıyadır
(Crawford-Mathis, 2009). Dijital dönüşüm kaçınılmazdır ve birçok fırsatlar içerir;
bu fırsatlardan yararlanmak için de zorlukları anlamak ve onları aşmak için gayret
göstermek gereklidir.
Kuşak Farklılıkları
Küreselleşme, uzaktan çalışmanın artışı ve ileri yaşlara kadar çalışma eğilimi ne-
deni ile iş yerleri hiç olmadığı kadar iş gücü çeşitliliği içeriyor. Kuşak farklılıkları
gerek geleneksel gerek dijital liderlerin gözönüne alması gereken önemli bir et-
kendir. Değişik kuşaklar en çok otoriteye bağlılık, iş yaşam dengesi ve teknolojiye
yatkınlık alanlarında farklılık gösterir. Mannheim’e göre insanlar anne babaların-
dan çok yaşadıkları zamana benzerler (Kuran,2021) Howe ve Strauss (1992) tara-
fından ortaya atılan kuşak teorisi belli dönemde doğup büyüyen bireylerin benzer
değer yargıları, inanç sistemleri ve davranışlara sahip olduğunu ve kendinden eski
veya yeni kuşaklarla da farklılık gösterebildiğini öne sürer. Bugüne kadar 6 kuşak
tanımlanmıştır: Gelenekselciler/Sessiz Kuşak/Yokluk Kuşağı (1925-1945), Bebek
Patlaması(BB) Kuşağı/İlk Sanayileşme Kuşağı(1946-1964) X Kuşağı(1965-
1979), Y Kuşağı (1980-1995) ve Z Kuşağı(1996 -2009), Alfa Kuşağı (2010 ve
sonrası). Günümüzde Bebek Patlaması Kuşağı, X,Y ve Z jenerasyonları bir arada
- 78 -
- Yapay Zeka ve Dijital Liderlik -
çalışmaktadır. Dört kuşağı birden aynı anda hem de dijital ortamda yönetebilmek
kuşkusuz dijital liderlerin yaşadığı en büyük zorluklardandır.
BB kuşağı çalışma hayatında disiplinli, başarılı olmak için "fedakârlık" gibi şeyle-
rin gerekli olduğuna inanan, çalışkan, işbirliğini seven, kariyere değer veren, işve-
renlerine sadık ve aynı işyerinde uzun süre çalışan bireylerden oluşur (Demirel,
2021). Aynı zamanda namı diğer 68 kuşağıdır: ırk ayrımcılığına karşı, çevreye ve
toplumsal olaylara duyarlı, haksızlıklara başkaldıran bir yapıları vardır. Genç yaşta
evlenip hem çocuklarına hem yaşlılıklarında ebebeynlerine bakan, bu nedenle
sandviç kuşak olarak da adlandırılan özverili bir kuşaktır (Kuyucu, 2014, s.57). X
kuşağı savaş sonrası refah artışı için kurulmak istenen sosyal devletlerin çatısında
büyüyecekken 1970 krizi ile çatısız kalmış ve kayıp kuşak adını almıştır(Altuntuğ,
2012). Yücebalkan ve Aksu (2013)’e göre X kuşağı; markalara ilgi duyan, otorite-
ye saygılı, iş motivasyonları yüksek, iş yaşamında sadık ve gelecek kaygısı nedeni
ile çalışkan, hırslı, kariyer hedefli ve para kazanmaya odaklıdır. Adıgüzel vd.
(2014)’e göre kendine güvenen ve teknolojiyi iyi kullanan, Dereli ve Toruntay
(2015)’e göre bireyci ancak toplumsal sorunlara duyarlı biraylerdir. Hewitt vd.
(2012)’ye göre gelişme istekleri, kendi hızlarında çalışma talepleri, problem çöz-
me yetenekleri vardır; somut sonuçlar görmek istemektedirler. Y kuşağına odak-
landığımızda ileri teknoloji ile büyüdükleri, daha çok bilgi ile çoklu görevlere atıl-
dıkları, yüksek yetenek kazanma konusunda yetkin oldukları göze çarpmaktadır.
Yaş, etnik köken ve cinsel eğilim alanındaki çeşitliliklere saygı duyar ve dünyanın
herkes için daha iyi bir yer olmasını isterler (Kian and Yusoff, 2012). Koç vd. .
(2016)’ya göre bu kuşak işlerine eğlence katmayı sever, kişisel iletişime önem
verir ve takım halinde çalışmaktan hoşlanır. Ayrıca bencil ve tüketim odaklı gö-
zükseler de sosyal sorumluluk ve sürdürebilirlik gibi kavramlara önem verirler
(Ayhan ve Saral, 2018). Çok iş değiştirmeleri, gelişime önem vermeleri ve öz gü-
venli olmaları diğer öne çıkan özelliklerindendir (Köprülü, 2020). Ancak, X kuşa-
ğına göre Y kuşağının daha zor yönetildiğini ve yakından takip gerektiği de belir-
tilmektedir (Keleş, 2011).X kuşağı çalışanları “yaşamak için çalışmak” , Y kuşağı
ise, “önce yaşama daha sonra çalışma” düşüncesini benimsemişlerdir (Aka, 2018).
Z kuşağı bizzat teknolojinin içine doğmuştur, hatta çeşitli kaynaklarda “yeni sessiz
kuşak” olarak da adlandırılmasının nedeni tepkilerini teknolojik cihazlar üzerinden
vermesi ve bireyselleşme sonucu yalnız kalacaklarının öngörülmesindedir (Kaval-
cı ve Ünal, 2016). Sönmez (2016)’ya göre sürekli bilgiye maruz kalan bu jeneras-
yon karmaşık bilgileri kolayca analiz edebilecek ve bilgisayar başında çoklu işler
ile aynı anda uğraşabildikleri için iş hayatında başarılı olacaklardır. Bako(2016)
ise konsantrasyon problemleri olabileceğini öne sürmektedir. Ayrıca çoklu kariyer
- 79 -
- Yapay Zekâ ve Yönetim -
peşinde olup, yeni işler ortaya koymak isteyeceklerdir. Duygulu (2018)’e göre bu
kuşak etkileşime açık ve yüksek derecede el, göz, kulak, motor beceri senkroni-
zasyonuna sahiptir. Yaratıcı ve işbirlikçi olmaları güçlü taraflarındandır (Akdemir
ve diğerleri,2013). Sihombing (2021), Endonezya’da Z kuşağının iş değerleri ter-
cihlerini araştırmış ve en güçlü boyutun içsel değer(intrinsic value) olduğunu bul-
muşlardır. Buna göre Z kuşağının sadece iyi para verdiği ve iyi iş yaşam dengesi
sunduğu için bir işe devam etmeyip onun bilgi ve yetenekleri geliştirecek ve işin
içeriğini seveceği bir iş bulduğunda mutlu olacağı düşünülebilir. Z kuşağı onların
düşüncesini önemseyen liderleri ile birlikte karar vermek istemektedir (Toduk,
2014, s. 50). Şirketler sürdürebilir olmak, çalışanları elde tutmak ve farklı kuşak-
ların bir arada etkin biçimde çalışabilmesi için Z kuşağını anlamak zorundadırlar
(Singh ve Dangmei, 2016; Knoll, 2014).Alfa kuşağı aynı zamanda dijital yerliler
olarak da bilinmektedir. Alfa kuşağı, kurallardan ve otoriteden hoşanmadıkları için
ileride hiyerarşik olarak yapılandırılmış bir örgütte çalışmak istemeyecekleri tah-
min edilmektedir (Demirel, 2021)
Genel olarak bakıldığında BB, X, Y,Z kuşaklarında giderek artan teknoloji yatkın-
lığı ve azalan otoriteye bağlılık dikkati çekmektedir. Yeni jenerasyonların otorite-
ye baş kaldırabilme öz güvenleri nedeni ile haksızlıklara daha fazla ses çılaracağı
ve özellikle şirketlerin çok hızlı iş değiştirebilen yeni jenerasyonları ellerinde tut-
mak için iş dizaynlarını buna uygun tasarlamaları gerekmektedir. Yeni nesiller
ayrıca çevre hakkında oldukça duyarlı ve bilgili ve bunun iş seçimlerini de etkile-
mesi beklenmektedir (Sullivan, 2007, s.21). British Carbon Trust tarafından yapı-
lan bir araştırmaya göre, bir işletmede çalışmayı düşünen çalışanların %75'inden
fazlası, aktif bir çevre politikasına sahip olmanın karbon emisyonlarını en aza in-
dirmek için çok önemli olduğuna inanmaktadır (Clarke, 2006). Dijital liderler,bu
kadar çeşitli kuşaklara ait çalışanları zorlu öğrenme eğrileri ve bilişsel açıdan zorlu
engeller karşısında desteklemek ve motive etmek için onların becerilerini geliştir-
meye odaklanmalıdır (Cortellazo vd., 2019). Öğrenme ve gelişme dijital örgütlerin
rutini olmalıdır. Artan dijitalleşme ve beraberinde öğrenme ihtiyaçları nedeni ile
insan kaynakları departmanları bünyesinde öğrenme ve geliştirme bölümleri açıl-
makta ve yetişkin eğitimi konusunda tecrübeli uzmanlar tarafından yönetilmekte-
dir. Kuşkusuz aynı çatı altında çalışan BB ve Alfa kuşakları arasında öğren-
me/öğretme süreçleri farklılık gösterecektir. Bu sadece eski kuşakların teknolojiye
daha uzak olması değil, yeni kuşakların da azalan konsantrasyon süresi nedeni ile
de zorlu bir süreçtir. Ancak çeşitliliğin yarattığı zenginlik de unutulmamalıdır.
Koza Yönetim’in eski genel müdürü Levent Alatlı’ya göre kuşak değişimi iş yap-
ma şeklini ve iş dünyasını daha keyifli hale getirmektedir (Toduk, 2014, s.303)
- 80 -
- Yapay Zeka ve Dijital Liderlik -
İletişim
İletişim liderlerin iş yaptırmak için kullandığı temel araçtır ve yapılan araştırmalar
çeşitli seviyelerdeki yöneticilerin zamanlarının .%75 ile %95’ini iletişime ayırdı-
ğını göstermiştir (Koçel, 2010). İletişim bir şahıstan diğerine bilgi, veri ve anlayış
aktarmaktır. Dijitalleşen iş dünyasında iletişim yöntemleri de çeşitlenmiş, yüzyüze
toplantılar yerini e-posta, video konferans, hatta cep telefonlarına yollanan yazılı
ve sözlü mesajlarına bırakmıştır. Ancak yüzyüze iletişimde kullanılan jestler, mi-
mikler veya tonlama dijital iletişimde her zaman mümkün olmamaktadır ve mesaj-
lar her zaman çok sağlıklı ulaşamamaktadır. Yüzyüze toplantılara en yakın video
konferans görüşmelerinde ise gruplar büyüdükçe ve toplantılar uzadıkça dikkatle-
rin dağılması, kameraların kapanması ve ortamdan uzaklaşılması gibi riskler orta-
ya çıkabilmektedir. Diğer yandan aynı anda çok kişiye ulaşmak, yer ve zamandan
bağımsız bilgi paylaşabilmek de dijital çağda iletişimin avantajlarındandır. Bazı
işverenler bu durumu sömürüye çevirmiş, özellikle pandemi esnasında geç saatle-
re toplantılar konulmuş, e-posta ve cep telefonlarından mesai sonrası mesajlar
gelmeye devam etmiştir. Fransa gibi çalışan haklarının yüksek olduğu ülkelerde
mesai sonrası toplantı, e-mail ve cep telefonuna mesaj atma gibi durumlar yasak-
lanmaya başlanmıştır. İletişim kanallarından ve süresinden kaynaklanan iletişim
problemleri daha sistematik olarak çözülebilirken kuşak ve kültür farklarından
doğan iletişim aksaklıkları daha zor çözülebilmektedir.
Çok kültürlü ve farklı kuşaklardan çalışanların bulunduğu örgütlerde iletişim
kopuklukları, yanlış anlaşılmalar ve değer yargılarının farklı olmasından dolayı
çatışmalar olabilmektedir. İletişim ve kültür farklılıkları ile ilgili farkındalık eği-
timlerinin örgütler tarafından üyelerine verilmesi en az teknik eğitimler kadar
önemlidir. Tüm farklılıklara saygılı bir şekilde ortak bir çalışma yaşamını uzak-
tan veya yüzyüze sağlıklı kılabilecek prensipler belirlenmeli, şirketin değerleri
her fırsatta yüzyüze veya çevrimiçi toplantılarda hatırlatılmalıdır. Pozitif şirket
kültürlerinin en önemli göstergelerinden biri çatışmaların işlevsel(functional
conflict) olmasıdır, bu çatışmalardan en iyi fikirler ve kararlar doğmaktadır. Ak-
bank Yönetim Kurulu Üyesi Kaan Terzioğlu liderlikte en önemli iki silahın doğ-
ru iletişim ve güven olduğunu, mesajları doğru iletebilmek için onları her fırsatta
çeşitli mecralarda yorulmadan tekrarladığını belirtmektedir (Toduk, 2014,
p.118). Kuşkusuz açık, etkin ve önyargısız bir iletişim liderler ve ekip arkadaşla-
rı arasındaki güven bağlarını güçlendirecek hem de kararların ve işleyişlerin sağ-
lıklı olmasını sağlayacaktır.
- 81 -
- Yapay Zekâ ve Yönetim -
Gelişen teknoloji, dijitalleşme ve şebeke tipi örgütlerin sayısındaki artış nedeni ile
kuşkusuz liderlik anlayışı ve şekilleri de evrilmeye başladı. Yeni kuşaklar insiyatif
almak, fikrini söylemek, önemsenmek ve yönetim kararlarında aktif rol oynamak
istemektedir. Önemsenmediğini hissettiği bir örgütte çok fazla zaman harcama-
makta, gerekirse risk alıp ayrılarak yeni iş bakmaktadır. Şirketler ise çalışmayı
daha cazip kılmak için X kuşağı ve BB kuşağının çok da alışkın olmadığı kafa
izni, doğum günü izni jestler yapmakta, güç mesafeleri, giyim kısıtlamaları kalk-
makta; çalışanlara karar yetkisi tanınmaktadır. Bu adaptasyonu gösteremeyen ör-
gütler beşeri sermayesini kaybetmeye başlamakta ve rekabette geri kalmaktadır.
20.yy da geçerli olan otokratik ve karizmatik liderlik bugün yerini dönüştürücü,
katılımcı, paylaşılan, hizmetkar ve otantik liderlik biçimlerine bırakmaktadır.
Dönüşümcü(transformational) lider takipçilerinin amaçlarını ve organizasyonun
amacına bağdaştırarak üstün performansların oluşmasına öncülük eder (Judge and
Robins, 2018). Karizmatik ve vizyoner liderin birleşimi gibidir, ortaya bir vizyon
koyar ve takipçilerine ilham verir. Dönüşümcü lider aynı zamanda duygular, de-
ğerler, etik, standartlar ve uzun vadeli planlar ile ilgilenir ve takipçilerine insanca
yaklaşır, onların ihtiyaçları ve motivasyonlarını önemser (Northouse, 2016, p.161).
Dönüşümcü lidere örnek olarak Apple kurucularından Steve Jobs verilebilir, diğer
kurucu ortağı teknik dahi Steve Wozniak ile birbirlerini tamamlayıp çift yetenekli
(ambidexterious) bir şirket yaratmışlardır.
Katılımcı (participative) lider örgüt üyeleri arasında iletişim ve açıklığın teşvik
edilmesi yoluyla örgüt üyelerinin karar alma süreçlerine katılmasını sağlar (Avolio
ve Kahai, 2003). Araştırma sonuçlarına göre katılımcı liderliğin yarı yapılandırıl-
mış veya yarı yapılandırılmış sorunlara çözüm üretmek için daha uygun iken yön-
lendirici(directive) liderliğin yapılandırılmış sorunlara çözüm üretmek için daha
uygun olabilmektedir (Avolio ve Kahai, 2003), ancak günümüzde örgütler yapı-
landırmamış sorunlar ile hergün karşı karşıya kalabilmektedir. Katılımcı lidere iyi
bir örnek de Virgin Group kurucusu ve Richard Branson olacaktır.
Paylaşılan (shared) liderlik tek bir kişi tarafından üretilmek yerine birçok kişi
arasında dağıtılan ve paylaşılan bir liderlik biçimidir ( Meuser vd. ,2016, s. 1390) .
Bu bir ekip fenomeni olarak nitelendirilebilir çünkü liderlik sorumlulukları diğer
ekip üyelerine dağılmıştır(Carson vd., 2007). Bunun aksine liderlikte geleneksel
“büyük adam” yaklaşımları bireysel liderlik nitelikleri vurgular. (Zhu vd., 2019).
Paylaşılan liderlik yaklaşımı, tek bir dikey liderin tüm yetkiyi elinde tutmasının
- 82 -
- Yapay Zeka ve Dijital Liderlik -
ötesine geçer ve ekiplerin liderlik için potansiyel kaynaklar olarak oynadığı rolü
vurgular. Pearce and Conger'e (2002)’ye göre paylaşılan liderlik ekiplerde tam
gelişmiş yetkilendirmenin bir göstergesidir.
Newton (2005), ekip üyeleri arasında rol ve sorumlulukların güçlü yönlere ve uz-
manlıklara göre net bir şekilde bölünmesinin; rollerin ve etkililiğin düzenli olarak
yeniden değerlendirilmesinin önemli olduğunun altını çizmektedir. O2E Brands'ın
kurucusu ve CEO'su olan ve liderliği Erik Church ile paylaşan Brian Scudamore
(Şekil 1) şöyle diyor: “Steve Jobs'ta Steve Wozniak vardı, FDR'de Eleanor vardı,
Warren Buffett'ta Charlie Munger vardı; liste uzayıp gidiyor. En büyük başarılar,
iki kafanın (veya daha fazlasının!) gerçekten bir kafadan daha iyi olduğunu benim-
seyen şirketlerdir.”(Scudamore, 2018).
- 83 -
- Yapay Zekâ ve Yönetim -
2022). Genel olarak, hizmetkar liderlik üzerine yapılan sınırlı ampirik araştırma,
bunun takipçilerin memnuniyeti, onların iş tatmini, içsel iş tatmini, başkalarının
güvenliğine önem verme ve örgütsel bağlılık ile pozitif yönde ilişkili olduğunu
göstermiştir. Microsoft Türkiye Genel Müdür Yardımcısı Mustafa Çağan 10 sene
önce liderliği “insanları peşinden sürükleyebilmektir” olarak tanımlarken şimdi
“insanlara yön çizebilmek ve potansiyellerini geliştirme imkanı sunmaktır” olarak
tanımladığını belirtmektedir ve önümüzdeki yıllar en çok hizmetkar lider stilinin
öne çıkacağını düşünmektedir (Toduk, 2014, p.305).. Microsoft’un kurucusu Bill
Gates hizmetkar lidere örnek olarak verilebilir. Şu sözleri ile iletişim ve dinleme-
nin dijital bir şirketin başarısı için ne kadar önemli bulduğunu belirtmiştir. “Tıpkı
diğer türdeki inovasyonları gibi, yazılım inovasyonu da işbirliği yapmayı ve fikir-
leri diğer insanlarla paylaşmayı, oturmayı ve müşterilerle konuşmayı, geri bildirim
almayı ve ihtiyaçlarını anlamayı gerektirir” (https://www.azquotes.com/quote/
689386
Otantik (authentic) lider düşüncelerinin, davranışlarının ve bunların başkaları
tarafından nasıl algılandığın farkındadır; kendilerine ve başkalarına ait değerleri
bilir, etik görüşleri, bilgileri ve güçlü yönleri vardır; kendine güvenen, iyimser,
ahlaklı ve umutludur (Avolio vd., 2004) . İçselleştirilmiş bir ahlaki perspektifi
olan, ilişkilerde şeffaflığı benimseyen, olumlu bir etik iklimden yararlanan ve bu-
nu destekleyen bir lider davranış modelidir (Walumbwa vd., 2004). Otantik lider
ihtiyacı 2000li yılların başında meydana gelen ve çok sayıda çalışanın işsiz kalma-
sına neden olan Enron skandalı, 2008 yılında son tüm dünyadaki krizi tetikleyen
Lehmann Brothers iflası gibi etik olmayan liderlerin tetiklediği olaylar sonrasında
iyice önem kazanmıştır..Akbank Yönetim Kurulu Üyesi Kaan Terzioğlu’ya göre
liderlikte en önemli unsurlar sözünde durmak ve güven yaratabilmektir.(Toduk,
2014, p.117). Otantik lidere örnek olarak Xerox’un önceki CEO su .Anne Mul-
cahy(Şekil 2) gösterilebilir. Şu sözleri ile de çalışanlarına insan olarak değer ver-
menin öneminin altını çiziyor: “Yönetimin bütün bir insan olarak -sadece bir çalı-
şan değil- kendilerini önemsediğine inanan çalışanlar daha üretkendirler, daha
memnunlardır ve daha başarılıdırlar. Memnun çalışanlar memnun müşteriler an-
lamına gelir ve bu da karlılığı beraberinde getirir.” (https://www.azquotes.com/
quote/208512)
- 84 -
- Yapay Zeka ve Dijital Liderlik -
5. Sonuç
- 85 -
- Yapay Zekâ ve Yönetim -
dizüstü bilgisayar olan her yer ofis olmuştur. Bilgi hızlı paylaşılırken, özel hayatla-
rımız her kanaldan gelen mesajlar ile altüst olmuştur. Kaçınılmaz, geri dönüşü
olmayan ve bu çok hızlı dijital dönüşüm gerçekleşirken en büyük ilaç dinlemek
olmuştur. Ekip arkadaşlarını ve müşteriyi dinleyen liderler şirketlerini ileriye götü-
rebilmişlerdir.
Dijital liderler ile örtüşen liderlik biçimleri (dönüşümcü, katılımcı, paylaşılan,
hizmetkar, otantik vb.) geçmişte hükmü olan karizmatik ve otokratik tarzdaki li-
derliklerin yerini almakta; yeni nesil çalışanlar daha eşitlikçi, yenilikçi, ekibini
güçlendiren, yardımsever ve etik liderleri tercih etmektedir. Dünya Bankası Grubu
Cinsiyet ve Gelişme Danışma Kurulu Üyesi Gülden Türktan yeni dijital çağın ka-
dın çağı olacağına inanıyor, çünkü yeni tarz liderlik biçimleri kadınların güçlü
olduğu nitelikler ile örtüşüyor, onları avantajlı kılıyor. İletişime açık olmak, birlik-
te karar vermek, süreç odaklılık, ayrıntılı düşünmek, eş zamanlı olarak daha çok
faaliyete odaklanabilmek ortalama bir kadında ortalama bir erkekten daha çok
görülüyor, tabii ki her birey kendine özgü ve biriciktir ama en basit hali ile kraliçe
arı sendromunu azaltacak bir süreç başlamış olabilir. Bu bağlamda dijitalleşmenin
işgücü çeşitliliğini toplumsal cinsiyet açısından nasıl etkilediği üzerinde daha çok
araştırmaya ihtiyaç vardır. Örgütlerin çift yetenekli olması örneğin hem operas-
yonları verimli yürütüp hem de vizyoner ve yenilikçi olabilmesi için çeşitli yete-
neklere sahip liderlere eş zamanlı ihtiyaç duymaktadır. Paylaşılan liderlik de gele-
cekte çok duyacağımız kavramlar arasında olacaktır. Dijitalleşirken insana daha
çok değmek umuduyla.
Kaynakça
Adıgüzel, O., Batur, H. Z. ve Ekşili, N. (2014), “Kuşakların Değişen Yüzü ve Y Kuşağı ile
Ortaya Çıkan Yeni Çalışma Tarzı: Mobil Yakalılar”, Süleyman Demirel Üniversitesi
Sosyal Bilimler Enstitüsü Dergisi, S: 19, ss. 165-182.
Aka, B. (2018). Bebek Patlaması X ve Y Kuşağı Yöneticilerinin Örgütsel Bağlılık Düzey-
lerinin Kamu ve Özel Sektör Farklılıklarına Göre İncelenmesi: Bir Araştırma. Visio-
nary E-Journal/Vizyoner Dergisi, 9(20).
Akdemir, A., Konakay, G., & Demirkaya, H. (2013). Y kuşağının kariyer algısı, kariyer
değişimi ve liderlik tarzı beklentilerinin araştırılması. Ekonomi ve Yönetim Araştır-
maları Dergisi, 2(2), 11-42.
Altuntuğ, N. (2012), “Kuşaktan Kuşağa Tüketim Olgusu ve Geleceğin Tüketici Profili”,
Süleyman Demirel Üniversitesi Organizasyon ve Yönetim Bilimleri Dergisi, C: 4, S:
1, ss. 203-212.
- 86 -
- Yapay Zeka ve Dijital Liderlik -
Amit, R., & Zott, C. (2001). Value creation in e‐business. Strategic management journal,
22(6‐7), 493-520.
Avolio, B. J., Gardner, W. L, Walumbwa, F. O., Luthans, F., & May, D.R., (2004). Unloc-
king the mask: A look at the process by which authentic leaders’ impact follower at-
titudes and behaviors. The Leadership Quarterly, 15, 801–823.
Avolio, B. J., & Kahai, S. S. (2002). Placing the “E” in e-leadership: Minor tweak or fun-
damental change. The future of leadership development, 49-70.
Avolio, B. J., & Kahai, S. (2003). Placing the “E” in e-leadership: Minor tweak or funda-
mental change. In The future of leadership development (pp. 75-96). Psychology
Press.
Ayhan, A. ve Saral, G. S. (2018), “Farklı Kuşakların Kurumsal Sosyal Sorumluluk Faali-
yetlerine Yönelik Tutumları: X ve Y Kuşakları Üzerine Betimsel Bir Analiz”, Gala-
tasaray Üniversitesi İletişim Dergisi, S: 29, ss. 161-182.
Bako, M. (2016), “The Leadershıp Style Preferences Of Academics From Different Genera-
tions: Baby Boomers, Generation X, Generation Y and Generation Z”, Master Of The-
sis, İstanbul Kemerburgaz Üniversity Graduate School Of Social Sciences, İstanbul.
Berman, S., & Marshall, A. (2014). The next digital transformation: from an individual-
centered to an everyone-to-everyone economy. Strategy & Leadership, 42(5), 9-17.
Carson, J. B., Tesluk, P. E., & Marrone, J. A. (2007). Shared leadership in teams: An in-
vestigation of antecedent conditions and performance. Academy of Management Jo-
urnal, 50, 1217–1234.
Cortellazzo, L., Bruni, E., & Zampieri, R. (2019). The role of leadership in a digitalized
world: A review. Frontiers in psychology, 10, 1938.
Crawford-Mathis, K. J. (2009). Concepts and challenges of e-leadership. In Encyclopedia
of Human Resources Information Systems: Challenges in e-HRM (pp. 161-165). IGI
Global.
DasGupta, P. (2011). Literature review: e-Leadership. Emerging Leadership Journeys,
4(1), 1-36.
Demirel, Z. H. (2021). Çalışma hayatında geleceğin insan kaynağı: Alfa kuşağı. OPUS
International Journal of Society Researches, 18(Yönetim ve Organizasyon Özel Sa-
yısı), 1796-1827.
Dereli, B. ve Toruntay, H. (2015), “Örgütlerde Kuşakların İş Değerleri, Motivasyon ve
Mentorluk Kavramlarına Dayalı Yönetimi”, İstanbul Ticaret Üniversitesi Tartışma
Metinleri, C: 3, S: 5, ss. 1-11.
Duygulu, S. (2018), “Yeni Medya Teknolojilerinin K-Kuşağının Ebeveynleriyle Olan İleti-
şimine Etkisi”, TRT Akademi, C: 3, S: 6, ss. 632-652.
El Sawy, O. A., Kræmmergaard, P., Amsinck, H., & Vinther, A. L. (2016). How LEGO
Built the Foundations and Enterprise Capabilities for Digital Leadership. MIS Quar-
terly Executive, 15(2), 141-166.
- 87 -
- Yapay Zekâ ve Yönetim -
Erer B.., Demirel, E. & Savaş, Y. (2023). Dijital Liderliğin Görsel Haritalama Tekniğine
Göre Bibliyometrik Analizi. Uluslararası Liderlik Çalışmaları Dergisi: Kuram ve
Uygulama, 6(1), 1-22.
Harvard Business Review Analytic Services (2017). Operationalizing Digital Transforma-
tion: New Insights Into Making Digital Work. 1–12. Erişim: https://hbr.org/ sponso-
red/2017/05/operationalizing-digital-transformation-new-insights-into-making-digital-
transformation-work
Hewitt, P. M., Pijanowski, J., Tavano, J. and Denny, G. S. (2012), “Baby Boomers, Gene-
ration X and Generation Y: Who Will Lead Our Schools?”, International Review of
Social Sciences and Humanities, Vol: 3, No: 1, pp. 232-240.
Howe, N. ve Strauss, W. (1992). “The New Generation Gap”, The Atlantic Monthly, ss.
67-89.
Kane, G. C., Palmer, D., Phillips, A. N., Kiron, D., & Buckley, N. (2015). Strategy, not
Technology, Drives Digital Transformation.
Kavalcı, K. ve Ünal, S. (2016), “Y ve Z Kuşaklarının Öğrenme Stilleri ve Tüketici Karar
Verme Tarzları Açısından Karşılaştırılması”, Atatürk Üniversitesi Sosyal Bilimler
Enstitüsü Dergisi, C: 20, S: 3, ss. 1033-1050.
Kian, Tan S. and Yusoff, Wan F. W. (2012), “Generation and Their Work Motivation”,
Proceedings International Conference of Technology Management, Business and
Entrepreneurship, pp. 396-408.
Keleş, H. N. (2011), “Y Kuşağı Çalışanlarının Motivasyon Profillerinin Belirlenmesine
Yönelik Bir Araştırma”, Bahçeşehir Üniversitesi Organizasyon ve Yönetim Bilimleri
Dergisi, C: 3, S: 2, ss. 129-139.
Koç, M., Öztürk, L. ve Yıldırım, A. (2016), “X ve Y Kuşağının Örgütsel Bağlılık Farklı-
lıklarını Belirlemeye Yönelik Ampirik Bir Çalışma”, Küresel İş Araştırmaları Kong-
resi, C: 2, S: 1, ss. 69-78.
Koçel, T. (2010). İşletme yöneticiliği (12. baskı). İstanbul: Beta Yayınları.
Klein, M. (2020), Leadership Characteristics In The Era Of Digital Transformation, BMIJ,
(2020), 8(1): 883-902 doi: http://dx.doi.org/10.15295/bmij.v8i1.1441
Kuran, E. (2021). Z/Bir Kuşağı Anlamak. Can Yayınları.
Kuyucu, M. (2014). Y Kuşağı ve Facebook: Y Kuşağının Facebook kullanım alışkanlıkları
üzerine bir inceleme. Elektronik Sosyal Bilimler Dergisi, 13(49), 55-83.
Mahraz, M. I., Benabbou, L., & Berrado, A. (2019, October). A systematic literature re-
view of digital transformation. In Proceedings of the International Conference on In-
dustrial Engineering and Operations Management (pp. 917-931). IEOM Society.
Marvel, M. R., & Lumpkin, G. T. (2007). Technology entrepreneurs’ human capital and its
effects on innovation radicalness. Entrepreneurship theory and practice, 31(6),
807-828.
- 88 -
- Yapay Zeka ve Dijital Liderlik -
Meuser, J. D., Gardner, W. L., Dinh, J. E., Hu, J., Liden, R. C., & Lord, R. G. (2016). A
network analysis of leadership theory: The infancy of integration. Journal of Mana-
gement, 42, 1374–1403.
Özmen, Ö. N., Engin, E. R. İ. Ş., & Pınar, Ö. Z. E. R. (2020). Dijital liderlik çalışmalarına
bir bakış. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi,
25(1), 57-69.
Newton, R. (2015). How to Co-Lead a Team? Harvard Business Review (https://hbr.
org/2015/07/how-to-co-lead-a-team)
Northouse, P. G. (2016). Leadership: Theory and practice. Sage publications.
Pearce, C. L., & Conger, J. A. (2002). Shared leadership: Reframing the hows and whys of
leadership. Sage Publications.
Robbins, S. P., & Judge, T. (2018). Essentials of organizational behavior.
Russell RF, Stone AG. 2002. A review of ser- vant leadership attributes: developing a
practical model. Leadersh. Organ. Dev. J. 23:145–57
Sainger, G. (2018). Leadership in digital age: A study on the role of leader in this era of
digital transformation. International Journal on Leadership, 6(1), 1
Scudamore, B. (2018). Why Co-Leadership Is The New Strategy For Company Growth.
Forbes (https://www.forbes.com/sites/brianscudamore/2018/04/10/why-co-leadership- is-
the-new-strategy-for-company-growth/?sh=2801720619f3)
Sihombing, Y. (2021). Understanding working values preferences of Generation Z. Pa-
lArch's Journal of Archaeology of Egypt/Egyptology, 18(1), 915-924.
Singh, A. P., ve Dangmei, J. (2016). Understanding the generation Z: the future workforce.
South-Asian journal of multidisciplinary studies, 3(3), 1-5.
Sönmez, F. (2016), “Sosyal Medyanın, Z Kuşağı Tüketicilerinin Satın Alma Davranışları
Üzerindeki Etkisi”, Basılmamış Yüksek Lisans Tezi, Celal Bayar Üniversitesi Sosyal
Bilimler Enstitüsü, Manisa.
Sullivan, D. (2007). Sullivan climate change renters background paper.
Temelkova, M. (2018). Skills for digital leadership-Prerequisite for developing high-tech
economy. International Journal of Advanced Research in Management and Social
Sciences, 7(12), 50-74.
Toduk, Y. (2017). Türkiye'nin liderlik haritası: güncel liderlik yaklaşımları ve Türkiye'den
örnekler. CEO Plus.
Toduk, Y. (2014). 2023 Lideri Dijital Çağın Liderlik Sırları . İstanbul, Doğan Egmont
Yayıncılık
Yenal, A. (2023). Dijital Dönüşüm ve Liderlik (2. Basım). Ankara, Nobel Yayın.
- 89 -
- Yapay Zekâ ve Yönetim -
- 90 -
6. BÖLÜM
GİRİŞ
Dijitalleşme, mobil cihazlar, dronlar veya sürücüsüz arabalar gibi gelişmekte olan
teknolojileriyle hayatın her alanını ve tüm toplumları etkileyen önemli bir konudur
(Preindl, Nikolopoulos ve Litsiou (2020). Teknoloji tarafından desteklenen, top-
lumun siyasi ve ekonomik durumunu etkileyen çok boyutlu bir olgu olarak litera-
türde yerini alan kavram ise ‘dijital dönüşüm’ dür (Rêgo, vd., 2021). Dijital dönü-
şüm, gelişen teknoloji ile hem organizasyonlar, hem de bireyler için yadsınamaya-
cak kadar önemli hale gelmiştir. Dijital dönüşüm, hayatın her alanındaki değişimin
dijitalleşme ile desteklenmesi olarak ifade edilebilir. Toplumu her yönüyle etkile-
yen diğer bir konu ise yapay zekadır. Robotları ve otonom araçları, yüz tanımayı,
doğal dil işlemeyi ve her türden sanal aracıları içeren mevcut yapay zeka teknolo-
jileri, yaşamın çeşitli alanlarında kullanılmaktadır. Sağlık hizmetleri, eğitim, istih-
dam, eğlence, güvenlik ve ulaşım gibi çeşitli alanlarda insanların yaşamlarını iyi-
leştirmek için paha biçilemez olanaklar sağlamaktadır (Berente vd., 2021). Şirket-
lerde ise işin değeri açısından çeşitli avantajlar vaat eden geniş kapsamlı teknoloji-
ler kümesi olarak ele alınmaktadır (Enholm vd., 2021).
Günümüzde yapay zekadaki tüm gelişmeler, bilgisayar bilimi, elektronik ve ileti-
şim ağlarındaki (internet ve ilgili teknolojiler dahil) ilerlemelerle birlikte, yeni
yaşam biçimlerini ve insanlar arasındaki etkileşimi temsil eden dijital dönüşüm
- 91 -
- Yapay Zekâ ve Yönetim -
- 92 -
- Yapay Zekanın Dijital Dönüşüm Stratejilerindeki Rolü -
- 93 -
- Yapay Zekâ ve Yönetim -
Yıkıcı dijital dönüşüm Dijital operasyon için yüksek düzeyde iş modeli hazırlığı
ve şirketin rekabet ettiği sektörle ilgili dijital teknolojiler-
de yüksek düzeyde ustalık
İş modeli liderliğinde dijital Şirketin rekabet ettiği sektörle ilgili dijital teknolojilerde
dönüşüm düşük düzeyde ustalık ve dijital operasyon için yüksek
düzeyde iş modeli hazırlığı
Teknoloji liderliğinde dijital Bir şirketin rekabet ettiği sektörle ilgili dijital teknolojiler-
dönüşüm de yüksek düzeyde ustalık ve dijital operasyon için düşük
düzeyde iş modeli hazırlığı
Analog olmaktan gurur Dijital operasyon için düşük düzeyde iş modeli hazırlığı ve
duyan dijital dönüşüm şirketin rekabet ettiği sektörle ilgili dijital teknolojilerdeki
düşük düzeyde ustalık
Kaynak: Tekic, Z., & Koroteev, D. (2019). From disruptively digital to proudly analog: A
holistic typology of digital transformation strategies. Business Horizons, 62(6), 683-693.
Yukarıda sıralanan boyutlara bağlı olunan unsurlar; (1) şirketin rekabet ettiği sek-
törle ilgili dijital teknolojilerin kullanımı (yüksek veya düşük) ve (2) iş modelinin
dijital operasyon için hazırlığıdır (yüksek veya düşük). Dijital dönüşüm stratejile-
rinin boyutları yararlı buluşsal yöntemler oluşturmakta ve karşılaştırma için siste-
matik bir temel sağlamaktadır. Böylece yöneticilerin dijital dönüşüme daha siste-
matik yaklaşmalarına yardımcı olmaktadır. Dönüşümün temel hedefleri ise, lider-
lik tarzı, çalışanlar arasında yaratıcılık ve girişimci ruh gibi becerilerin önemi,
süreçte karşılaşılan riskler ve zorluklar ve başarısızlığın sonuçları olarak ifade
edilmektedir (Tekic ve Koroteev, 2019).
Matt, Hess ve Benlian (2015), dijital dönüşüm stratejilerinin boyutlarını, herhangi
bir sektöre ya da işletmeye atfetmeden dört boyutta ortaya koymaktadırlar. Bunlar
tablo 1’de sıralanmıştır.
- 94 -
- Yapay Zekanın Dijital Dönüşüm Stratejilerindeki Rolü -
2. YAPAY ZEKA
- 95 -
- Yapay Zekâ ve Yönetim -
kartıyla alışveriş yapıldığında yapay zeka hep yaşamın içindedir ve gün geçtikçe
artacağı görülmektedir (Gams vd., 2019). Elektronik hız, kapasite ve yazılım prog-
ramlamada devam eden ilerleme ile bilgisayarların insanlar kadar zeki olabileceği
düşüncesi, yapay zekanın dijital teknolojilerde kullanımı gün geçtikçe artırmakta-
dır. Yapay zeka, karmaşık sorunları çözmek için yeni çözümler uygulayan bir mü-
hendislik dalı olarak kabul edilmektedir (Hamet ve Tremblay, 2017). Ancak gü-
nümüzde her alanda, özellikle işletmeler, dijital teknolojilerin ve yapay zekanın
çeşitliliği aracılığıyla dijital dönüşüm stratejileri aramaktadırlar (Kim ve Kim,
2022).
Dijital dönüşüm stratejilerinin gerçekleştirilmesi, nerdeyse her sektörde kaçınıl-
maz olmuştur. Küresel rekabette yer almak için işletmeler stratejilerini dijitalleşme
ile yapmaktadırlar. Dijital dönüşüm stratejisinin gerçekleştirilmesinde en önemli
teknolojilerinden olan yapay zeka, birçok farklı sektörde uygulama alanı bulmak-
tadır. Yapay zeka, otomatik karar vermeyi, gelişmiş algoritmaları ve büyük ölçekte
veri işlemeyi içeren daha büyük bir bilgi işlem teknolojileri kümesinin bir bileşeni
olarak işletmelerde kullanılmaktadır (Newman ve O’Neill, 2022). Yapay zeka tek-
nolojisinin temel uygulama alanları tablo 3’de gösterilmiştir.
Kaynak: Cantú-Ortiz, FJ, Galeano Sánchez, N., Garrido, L., Terashima-Marin, H., & Bre-
na, RF (2020). Dijital dönüşüm için bir yapay zeka eğitim stratejisi. International Journal
on Interactive Design and Manufacturing (IJIDeM) , 14 , 1195-1209.
- 96 -
- Yapay Zekanın Dijital Dönüşüm Stratejilerindeki Rolü -
2021); tablo 3’de görüldüğü gibi farklı temel alanlarda uygulama alanı bulmuştur.
Tüm sektörlerdeki iş liderlerinin ise, işletmelerinin rekabet gücünü artırmak için
yapay zeka teknolojilerinin kullanımı konusunda farkındalıkları artmıştır (Ferras,
Nylund ve Brem, 2022). Dijital dönüşümün gerçekleştirilmesinde yapay zekanın
tüm işletmelerde benimsenmesi gerektiğini söylemek mümkündür. İşletmelerin
yeni iş modellerine adapte olması, sürdürülebilirliklerini sağlaması ve rekabet gü-
cünü ellerinde bulundurması, dijital dönüşümü başarabilmesi için önemlidir.
- 97 -
- Yapay Zekâ ve Yönetim -
- 98 -
- Yapay Zekanın Dijital Dönüşüm Stratejilerindeki Rolü -
Covid-19 salgını, 2019 yılında ortaya çıkan ve kısa sürede tüm dünyayı etkisi altı-
na almıştır. Bu salgın iş dünyasında dijital dönüşümü teşvik etmiş ve hızlandırmış-
tır (Papagiannidis, Harris ve Morton, 2020). Uzaktan çalışma, uzaktan eğitim, sağ-
lık hizmeti sunumu, eğlence ve destekleyici sosyal etkileşimler yoluyla yapay zeka
teknolojisi hayatımıza girmiş ve işletmelerin dijital dönüşümü gerçekleştirmesinin
itici gücü olmuştur. Yapay zekanın, salgınlar gibi öngörülemeyen durumlara hazır-
lanması, dijital dönüşüm çabalarını arttıracaktır (Coombs, 2020).
Yapay zeka teknolojilerinin kullanımın dijital dönüşüm stratejisinin yanı sıra, tüm
iş stratejisiyle bağlantısı da önemli ölçüde artmaktadır. Ancak yapay zekanın so-
runları çözme konusundaki potansiyeline rağmen, iş değeri yaratmak için yapay
zekayı stratejik bir şekilde kullanma konusunda pratik kullanım ve bilgi eksikliği
ile ilgili sorunlar hala mevcuttur (Borges vd., 2021). Rodrigues vd. (2022) yapay
zeka ve dijital dönüşüm entegrasyonu ile ilgili bankacılık sektörüne yönelik yaptı-
ğı çalışmalarında, birçok belirsizliğin yanı sıra risklerin de olduğunu açıklamakta-
dırlar. Yapay zeka ve dijital dönüşümü etkileyen faktörler, kısıtlar, sektör içerisin-
den ve dışarısından farklı faktörler, yeni teknolojilerin gelişimi gibi tüm değerlen-
dirmelerin yapılabilmesi güçtür (Rodrigues vd., 2022).
SONUÇ
- 99 -
- Yapay Zekâ ve Yönetim -
KAYNAKÇA
- 100 -
- Yapay Zekanın Dijital Dönüşüm Stratejilerindeki Rolü -
Cantú-Ortiz, F. J., Galeano Sánchez, N., Garrido, L., Terashima-Marin, H., & Brena, R. F.
(2020). An artificial intelligence educational strategy for the digital transformation.
International Journal on Interactive Design and Manufacturing (IJIDeM), 14, 1195-
1209.
Cockburn, I. M., Henderson, R., & Stern, S. (2018). The impact of artificial intelligence on
innovation: An exploratory analysis. In The economics of artificial intelligence: An
agenda (pp. 115-146). University of Chicago Press.
Coombs, C. (2020), “Will COVID-19 be the tipping point for the intelligent automation of
work? A review of the debate and implications for research”, International Journal of
Information Management, Vol. 55, 102182.
Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard
business review, 96(1), 108-116.
Drnevich, P. L., & Croson, D. C. (2013). Information technology and business-level stra-
tegy: Toward an integrated theoretical perspective. MIS Quarterly, 37(2), 483–509.
Enholm, I. M., Papagiannidis, E., Mikalef, P., & Krogstie, J. (2022). Artificial intelligence
and business value: A literature review. Information Systems Frontiers, 24(5),
1709-1734.
Ferras-Hernandez, X., Nylund, PA ve Brem, A. (2022). Strateji Yapay Zekanın Yapısını
Takip Eder. IEEE Mühendislik Yönetimi İncelemesi , 50 (3), 17-19.
Gams, M., Gu, I. Y. H., Härmä, A., Muñoz, A., & Tam, V. (2019). Artificial intelligence
and ambient intelligence. Journal of Ambient Intelligence and Smart Environments,
11(1), 71-86.
Güler, M. ve Büyüközkan, G. (2019). Entegre bir bulanık AHP-aksiyomatik tasarım meto-
dolojisi ile dijital dönüşüm stratejilerinin analizi. IFAC-PapersOnLine , 52 (13),
1186-1191.
Hamet, P., & Tremblay, J. (2017). Artificial intelligence in medicine. Metabolism, 69, S36-
S40.
Hess, T., Benlian, A., Matt, C., & Wiesböck, F. (2016). How german media companies
defined their digital transformation strategies. MIS Quarterly Executive, 15(2),
103-119.
IBM (2023). What is artificial intelligence? https://www.ibm.com/topics/artificial-
intelligence.
Kaplan, A. and Haenlein, M. (2018), “Call for papers: special issue on digital transforma-
tion and disruption”, Business Horizons, Vol. 61 No. 6, pp. 809-810.
Karltorp, L. (2017). Digital transformation strategies in small businesses: A case study in
the Swedish manufacturing industry.
Kim, K., & Kim, B. (2022). Decision-making model for reinforcing digital transformation
strategies based on artificial intelligence technology. Information, 13(5), 253.
- 101 -
- Yapay Zekâ ve Yönetim -
Kitsios, F., & Kamariotou, M. (2021). Artificial intelligence and business strategy towards
digital transformation: A research agenda. Sustainability, 13(4), 2021.
Klein, M. (2020). İşletmelerde dijital dönüşüm ve etmenleri. Journal of Business in The
Digital Age, 3(1), 24-35.
Lyu, W., & Liu, J. (2021). Artificial Intelligence and emerging digital technologies in the
energy sector. Applied energy, 303, 117615.
Martínez-Caro, E., Cegarra-Navarro, J. G., & Alfonso-Ruiz, F. J. (2020). Digital technolo-
gies and firm performance: The role of digital organisational culture. Technological
Forecasting and Social Change, 154, 119962.
Matt, C., Hess, T., & Benlian, A. (2015). Digital Transformation Strategies. Business and
Information Systems Engineering, 57(5), 339–343.
McKinsey Global Institute ( 2018 ), " AI frontier'den notlar: AI'nın dünya ekonomisi üze-
rindeki etkisini modelleme ", şu adreste bulunabilir: www.mckinsey.com/featured-
insights/artificial-intelligence/notes-from-the-ai-sınır-modelleme-the-ai-on-the-world-
economy (erişim tarihi : 26 Ocak 2019 ).
Newman, J., Mintrom, M. ve O'Neill, D. (2022). Dijital teknolojiler, yapay zeka ve bürok-
ratik dönüşüm. Vadeli İşlemler , 136 , 102886.
Nguyen, T. H., Nguyen, V. H., & Huy, D. T. N. (2021). Transforming the University Ma-
nagement Model in the Concept of Digital Transformation. Revista Geintec-Gestao
Inovacao E Tecnologias, 11(3), 380-387.
Okunlaya, R. O., Syed Abdullah, N., & Alias, R. A. (2022). Artificial intelligence (AI)
library services innovative conceptual framework for the digital transformation of
university education. Library Hi Tech, 40(6), 1869-1892.
Papagiannidis, S., Harris, J. and Morton, D. (2020), “WHO led the digital transformation
of your company? A reflection of IT related challenges during the pandemic”, Inter-
national Journal of Information Management, Vol. 55, 102166.
Pirim, A. G. H. (2006). Yapay zeka. Yaşar Üniversitesi E-Dergisi, 1(1), 81-93.
Preindl, R., Nikolopoulos, K., & Litsiou, K. (2020, January). Transformation strategies for
the supply chain: The impact of industry 4.0 and digital transformation. In Supply
Chain Forum: An International Journal (Vol. 21, No. 1, pp. 26-34). Taylor & Francis.
Rathore, B. (2023). Digital Transformation 4.0: Integration of Artificial Intelligence &
Metaverse in Marketing. Eduzone: International Peer Reviewed/Refereed Multidis-
ciplinary Journal, 12(1), 42-48.
Rêgo, B. S., Jayantilal, S., Ferreira, J. J., & Carayannis, E. G. (2021). Digital transforma-
tion and strategic management: A systematic review of the literature. Journal of the
Knowledge Economy, 1-28.
Reier Forradellas, R. F., & Garay Gallastegui, L. M. (2021). Digital Transformation and
Artificial Intelligence Applied to Business: Legal Regulations, Economic Impact and
Perspective. Laws, 10(3), 70.
- 102 -
- Yapay Zekanın Dijital Dönüşüm Stratejilerindeki Rolü -
Rodrigues, A. R. D., Ferreira, F. A., Teixeira, F. J., & Zopounidis, C. (2022). Artificial
intelligence, digital transformation and cybersecurity in the banking sector: A multi-
stakeholder cognition-driven framework. Research in International Business and Fi-
nance, 60, 101616.
Siebel, T. M. (2019). Digital transformation: survive and thrive in an era of mass extinc-
tion. RosettaBooks.
Simões, R. V., Parreiras, M. V. C., Da Silva, A. C. C., Barbosa, C. E., de Lima, Y. O., & de
Souza, J. M. (2022, October). Artificial intelligence and digital transformation: analy-
zing future trends. In 2022 IEEE International Conference on Systems, Man, and Cy-
bernetics (SMC) (pp. 1462-1467). IEEE.
Soto Setzke, D., Riasanow, T., Böhm, M., & Krcmar, H. (2021). Pathways to digital servi-
ce innovation: The role of digital transformation strategies in established organizati-
ons. Information Systems Frontiers, 1-21.
Sousa, MJ, de Barros, GO ve Tavares, N. (2021). Yapay Zeka Dijital Dönüşüm için Bir
Sürücü. Handbook of Research on Digital Transformation and Challenges to Data
Security and Privacy'de (s. 1-17). IGI Küresel.
Şekkeli, Z. H. (2022). Dijital Dönüşüm Yönetimi. Sosyal, Beşeri ve İdari Bilimler XV.
Konya: Eğitim Yayınevi, 169-189.
Tekic, Z., & Koroteev, D. (2019). From disruptively digital to proudly analog: A holistic
typology of digital transformation strategies. Business Horizons, 62(6), 683-693.
Vardarlier, P., & Zafer, C. (2020). Use of artificial intelligence as business strategy in rec-
ruitment process and social perspective. Digital Business Strategies in Blockchain
Ecosystems: Transformational Design and Future of Global Business, 355-373.
Verhoef, P. C., Broekhuizen, T., Bart, Y., Bhattacharya, A., Dong, J. Q., Fabian, N., &
Haenlein, M. (2021). Digital transformation: A multidisciplinary reflection and rese-
arch agenda. Journal of business research, 122, 889-901.
Westerman, G., Bonnet, D., & McAfee, A. (2014). Leading Digital: Turning Technology
into Business Transformation. Boston: Harvard Business Review Press.
Yankın, F. B. (2019). Dijital Dönüşüm Sürecinde Çalışma Yaşamı. Trakya Üniversitesi
İktisadi ve İdari Bilimler Fakültesi E-Dergi, 7(2), 1-38.
Zaki, M. (2019). Dijital dönüşüm: yeni nesil hizmetler için dijital teknolojilerden yarar-
lanmak. Hizmet Pazarlama Dergisi , 33 (4), 429-435.
- 103 -
7. BÖLÜM
DERİN ÖĞRENME
- 105 -
- Yapay Zekâ ve Yönetim -
- 106 -
- Derin Öğrenme -
Bir derin öğrenme uygulayıcısı eğer derin öğrenme dünyasında bulunmayı seçi-
yorsa, sinir ağları ile de ilgilenmesi gerekir. Burada biyolojik açıdan sinir ağların-
dan esinlenerek sinir ağları; kompleks ve çok katmanlı hesaplama problemlerini
sonuçlandırma açısından oldukça yararlıdır. Burada, yüz seçme, konuşmanın belir-
lenmesi, doğal dil işleme, makine çevirisi ve pek çok dahasını barındıran ileri pro-
filli inceleme alanlarında oldukça etkin olmaktadır (Şeker, 2017). En çok kullanı-
lan derin öğrenme mimarileri aşağıdaki başlıklarda anlatılmaktadır.
- 107 -
- Yapay Zekâ ve Yönetim -
manların düğümleri kendi içlerinde herhangi bir bağlantı oluşturmaz. Şekil 2’de 4
gizli katman (hidden units) ve 3 görünür katman (visible units) oluşan RBM göste-
rilmektedir (Krizhevsky, 2009).
Şekil 2’de gizli ve görünür katmanlarda yer alan düğümler kendi aralarında birbir-
leriyle bağlantıları yoktur. Gizli katmandaki düğümlerin kendi aralarında herhangi
bir bağlantısı yokken, görünür katmanda yer alan düğümlerinde kendi aralarında
bağlantısı bulunmaz. Sadece görünür ve gizli katmanlar arasında bulunan düğüm-
lerde çift yönlü bağlantılar vardır. Burada RBM’ler öğretmenli ya da öğretmensiz
metotlarla çözümlenebilecek problemin türüne göre eğitilebilir.
- 108 -
- Derin Öğrenme -
- 109 -
- Yapay Zekâ ve Yönetim -
Graves yaptığı çalışmada, ses verilerinin fonetik talebine gerek kalmadan direkt
metne çeviren RNN alt yapılı konuşma ve tanıma sistemini sunmuştur (Graves ve
Jaitly, 2014). Karpathy ve Fei-Fei ise RNN ve CNN ile birleştirilmiş model yapa-
rak, görüntüdeki nesneleri belirlemekle birlikte aynı zamanda konum bulmayı da
başarabilmişlerdir. Bu durum Şekil 5’te gösterilmektedir (Karpathy ve Fei-Fei,
2015).
- 110 -
- Derin Öğrenme -
- 111 -
- Yapay Zekâ ve Yönetim -
Şekil 6’da art arda sıralanan katmanlardaki giriş verilerinin sınıflandırma etkisi
sağlayan farklı özellik belirlenmekte ve son katmanda belirlenen bütün özelliklere
göre sınıflandırma yapmaktadır. Öğrenme aşamasında giriş verilerinden elde edi-
len farklı özelliklerle model katmanları belirlenir ve devamında atanması gereken
sınıflarda belirlenmektedir. Modelde belirlenen nitelikler ile birlikte atanan sınıf-
gözetimli öğrenme ataması gereken sınıf arasında ki fark kadar hata oluşur. Hata-
nın en düşük tutulabilmesi için her bir kademede yer alan ağırlıkların değerleri
yayılım algoritması ile güncellenebilir. Bununla birlikte; daha iyi nitelik ve verim-
lilik ile birlikte eğitim verilerinin çok daha iyi bir şekilde sınıflandırma sağlanması
amaçlanır (Kurt, 2018). CNN algoritmaları; görsel, işitsel, dilsel vb. pek çok farklı
alanlarda kullanılmaktadır (Cireşan vd., 2012).
- 112 -
- Derin Öğrenme -
- 113 -
- Yapay Zekâ ve Yönetim -
- 114 -
- Derin Öğrenme -
- 115 -
- Yapay Zekâ ve Yönetim -
Giriş (Input) Katmanı: Giriş olarak kullanılacak veri işlenmemiş şeklinde bulu-
nur. Giriş verisinin çözünürlük ve boyutu dizayn edilecek yapının etkin olması
açısından mühimdir. Görüntü boyutu yüksek seçildiğinde eğitim ve test süresini
uzatırken hafıza gereksinimini de ortaya çıkarabilir. Bu durum model başarısını da
arttırabilir. Görüntü boyutu küçük seçildiğinde eğitim ve test süresi azalırken bel-
lek gereksinimine de ihtiyaç olmayabilir. Bu durum modelin performansını düşü-
rebilir. Bu durumlar göz önüne alındığında ideal giriş verişi hem performans hem
de eğitim süresi açısından çok önemlidir (Tan, 2019).
Konvolüsyon (Convolution) Katmanı: En temel katmandır. Dönüşüm işlemi bu-
rada gerçekleşir. Dönüşüm esnasında görüntünün belirli filtresel aşamalardan ge-
çerek kaydırılması ile oluşur. Filtreler görsel esnasında kaydırılmaktadır. Kaydır-
ma esnasında görsel ve filtre değerleri birbirleri ile çarpılır ve sonuçta meydana
gelen değerler toplanır, nihai sonuç elde edilir. Tüm bu işlemler tüm görsel yapısı-
na uygulandıktan sonra yeni bir görsel elde edilir (Gündüz, 2019).
Düzleştirilmiş Doğrusal Birim (Relu) Katmanı: Relu katmanında, kendinden ön-
ceki katmanda yer alan doğrusal olan yapının, doğrusal olmayan yapıya çevirmek
için kullanılır. Bu katmanda ağ öğrenimi hızlanarak, ağ hızı da öğrenilir (He vd.,
2015).
Havuzlama (Pooling) Katmanı: Bu katman aşağıya doğru örnekleme işlemi ger-
çekleştirerek bir sonraki katman için giriş boyutunu azaltma görevini gerçekleşti-
rir. Burada bilgi kaybı yaşanmasına sebep olur Burada konvolüsyon işlemi esna-
sında meydana gelen filtreleme sayısı kadar işlem gerçekleştirilir. Filtreler görüntü
üzerinde maksimum değerleri (maksimum havuzlama), değerlerin ortalaması alı-
narak (ortalama havuzlama) olarak işlem gerçekleşir (Boureau vd., 2010).
- 116 -
- Derin Öğrenme -
Tam Bağlı (Full-Connected) Katmanı: Tam bağlı katman yapay sinir ağlarında ki
gibi, her girişin tüm nöronlara ekli olduğu bir giriş üzerinde gerçekleşir. Tam bağlı
katmanı genellikle CNN yapısının son aşamasına doğru bulunarak, sınıf sonuçları-
nın hedeflerini en uygun hale getirir (https://stanford.edu/~shervine/l/tr/ teac-
hing/cs-230/cheatsheet-convolutional-neuralnetworks, E.T.: 05.09.2023).
Dropout Katmanı: Dropout katmanı, büyük verilerim eğitimi esnasında ezberleme
yapmamak için kullanılır. Buradaki katmanda yer alan ağda tesadüfi bir şekilde
seçilen bazı sinirler geçersiz hale getirilerek, sinirlere bağımsızlık kazandırması
durumunda çok daha iyi verim almasını sağlamaktadır (Srivastava vd., 2014).
Sınıflandırma (Classification) Katmanı: Sınıflandırma öge sayısı kadar sonuç
çıkarmaktadır. Son katman olarak bilinen sınıflandırıcı katmanda farklı türde
softmax çok sınıflı derin öğrenme çalışmaları için tercih edilen sınıflandırıcılardır
(Tan, 2019).
Yumuşatma (Softmax) Katmanı: Dropout katmanından gelen değerleri alarak,
sınıflandırma (classification) katmanı içerisinde olasılıksal değer üretimi gerçekle-
şir. Sınıflandırma işlemi içerisinde hangi sınıfa daha yakın olduğuna dair değer
oluşturur. Derin öğrenme ağ yapısında hangi sınıfa dair olduğunu olasılıksal de-
ğerlerini probalistik hesaplama yöntemi ile gerçekleştirilen ve her sınıf için çeşitli
olasılıksal değerleri ortaya koyar. Bu hesaplama yapılırken cross entropy yöntemi
kullanılır (Tang, 2013).
Normalizasyon (Ölçeklendirme) Katmanı: Katmana girdi olarak girilen değerler,
oldukça küçük ya da büyük olabilmektedir. Girilen değerlerin normalize edilme-
siyle, belirli bir aralıkta bulunması daha güvenli olmaktadır. Bu durumdan dolayı
hem ağ verimi, hem de girdi verileri ölçeklendirilerek belirli bir aralıkta bulunur
(Ioffe ve Szegedy, 2015).
- 117 -
- Yapay Zekâ ve Yönetim -
Kaynakça
- 118 -
- Derin Öğrenme -
Gündüz, G. (2019). Derin Öğrenme ile Fotoğraftan Yaş Ve Cinsiyet Tespiti, Yüksek Li-
sans Tezi. Sakarya: T.C. Sakarya Üniversitesi Fen Bilimleri Enstitüsü Endüstri
Mühendisliği Anabilim Dalı.
He, K., Zhang, X., Ren, S., ve Sun, J. (2015). Delving Deep into Rectifiers: Surpassing
Human-Level Performance on ImageNet Classification, 2015 IEEE International
Conference on Computer Vision (ICCV), Santiago, 1026-1034.
Hinton, G.E. (2017). Learning multiple layers of representation,Trends Cogn. Sci., 11(10),
428–434.
Hinton, G.E., Dayan, P., Frey, B.J., ve Neal, R.M. (1995). The wake-sleep algorithm for
unsupervised neural networks, Science, 268(5214), 5(396-404).
Hinton, G.E., ve Salakhutdinov, R.R. (2006). Reducing the Dimensionality of Data with
Neural Networks,” Science (80-. ), 313(5786) 504–507.
Hinton, G.E., ve Zemel, R.S. (1994). Autoencoders, minimum description length and
Helmholtz free energy. In Advances in neural information processing systems, 3-10.
Hochreiter, S., ve Schmidhuber, J. (1997). Long Short-Term Memory, Neural Comput.
9(8), 1735-1780.
https://stanford.edu/~shervine/l/tr/teaching/cs-230/cheatsheet-convolutional-
neuralnetworks, Erişim Tarihi:05.09.2023.
Hubel, D.H., ve Wiesel, T.N. (1968). Receptive fields and functional architecture of mon-
key striate cortex, J. Physiol., 195(1), 215–243.
Ioffe, S., ve Szegedy, C. (2015). Batch normalization: Accelerating deep network training
by reducing internal covariate shift. In International conference on machine lear-
ning, 6, 448-456.
Ivakhnenko, A.G., ve Lapa, V.G. (1966). Cybernetic Predicting Devices Cybernetic pre-
dicting devices (No. TR-EE66-5), Purdue Univ Lafayette Ind School Of Electrical
Engineering.
Karcı, Ş. (2021). Farklı Otokodlayıcı Modelleri ile Sentetik Beyin MR Görüntülerinin
Çoğaltılması. Muş Alparslan Üniversitesi Mühendislik-Mimarlık Fakültesi Dergi-
si, 2(1),29-34.
Karpathy, A., ve Fei-Fei, L. (2015). Deep Visual-Semantic Alignments for Generating
Image Descriptions, in CVPR, 3128–3137.
Kızrak, M.A., ve Bolat, B. (2018). Derin Öğrenme ile Kalabalık Analizi Üzerine Detaylı
Bir Araştırma, Bilişim Teknolojileri Dergisi, 11(3), 263-286.
Krizhevsky, A. (2009). Learning multiple layers of features from tiny images.
Krizhevsky, A., ve Hinton, G.E. (2011). Using very deep autoencoders for content-based
image retrieval. In ESANN.
- 119 -
- Yapay Zekâ ve Yönetim -
Krizhevsky, A., Sutskever, I., ve Hinton, G.E. (2012). ImageNet Classification with Deep
Convolutional Neural Networks, in Advances in neural information processing
systems, 1097–1105.
Kurt, M.S. (2018). Derin Öğrenme Modelleri İle Web Sayfası Sınıflandırma, Yüksek Li-
sans Tezi. İstanbul: T.C. İstanbul Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar
Mühendisliği Anabilim Dalı.
LeCun, Y., Bengio, Y., ve Hinton, G. (2015). Deep Learning, Nature, 521, 436–444.
LeCun, Y., Boser, B, ve Denker, J.S. (1989). Handwritten Digit Recognition with a Back
Propagation Network, Advances in Neural Information Processing Systems (NIPS
1989), Denver, CO.
LeCun, Y., Boser, B., Denker, S.J., Henderson, D., Howard, R.E., Hubbard, W., ve Jackel,
L.D. (1989). Backpropagation Applied to Handwritten Zip Code Recognition,
Neural Comput., 1(4), 541–551.
Mikolov, T., Karafiat, M., Burget, L., Cernock, J., ve Khudanpur, S. (2010). Recurrent
neural network based language model, in Interspeech 2010, 1045-1048.
Scherer, D., Müller, A., ve Behnke, S. (2010). Evaluation of Pooling Operations in Convolu-
tional Architectures for Object Recognition, Springer, Berlin, Heidelberg, 92–101.
Schmidhuber, J. (2015). Deep learning in neural networks An overview, Neural Networks,
61, 85-117.
Ser, G., ve Bati, C.T. (2019). Derin Sinir Ağları ile En İyi Modelin Belirlenmesi: Mantar
Verileri Üzerine Keras Uygulaması, Yüzüncü Yıl Üniversitesi Tarım Bilimleri
Dergisi, 29(3), 406-417.
Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., ve Salakhutdinov, R. (2014).
Dropout: A Simple Way to Prevent Neural Networks from Overfitting,» Journal
of Machine Learning Research, 1929-1958.
Şeker, A. (2017). Derin Öğrenme Yöntemleri Ve Uygulamaları Hakkında Bir İnceleme,
Doktora Semineri. T.C. Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgi-
sayar Mühendisliği Anabilim Dalı.
Şeker, A., Diri, B. ve, Balık, H.H. (2017). Derin Öğrenme Yöntemleri ve Uygulamaları
Hakkında Bir İnceleme, Gazi Mühendislik Bilimleri Dergisi, 3(3): 47-64.
Tan, Z. (2019). Derin Öğrenme Yardımıyla Araç Sınıflandırma, Yüksek Lisans Tezi. TC.
Fırat Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı.
Tang, Y. (2013). Deep learning using linear support vector machines. arXiv preprint
arXiv:1306.0239.
Theano Development Team (2016) Theano: A Python framework for fast computation of
mathematical expressions, arXiv e-prints, vol. abs/1605.02688.
- 120 -
- Derin Öğrenme -
Toğaçar, M., ve Ergen, B. (2019). Biyomedikal Görüntülerde Derin Öğrenme ile Mevcut
Yöntemlerin Kıyaslanması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi,
31(1), 109-121.
Vincent, P., Larochelle, H., Bengio, Y., ve Manzagol, P.A. (2008). Extracting and compo-
sing robust features with denoising autoencoders. In Proceedings of the 25th in-
ternational conference on Machine learning, ACM, 1096-1103.
- 121 -
8. BÖLÜM
ABİDİN KEMEÇ
Giriş
- 123 -
- Yapay Zekâ ve Yönetim -
ayrıca özellikleri ele alınmıştır. Çalışmanın ikinci bölümünde ise yapay zekâ tek-
nolojinin akıllı kentlerde kullanım alanları kapsamlı bir şekilde ele alınmıştır.
Yapay zekâ, karmaşık problemleri çözmek için yapay bir varlık tarafından sergile-
nen zekâ olarak tanımlanır ve böyle bir sistemin genellikle bir bilgisayar veya ma-
kine olduğu varsayılır. Yapay zekâ, bilgisayar bilimi ve fizyolojinin bir entegras-
yonudur Basit bir dilde zekâ, dünyadaki hedeflere ulaşma yeteneğinin hesaplamalı
kısmıdır. Zekâ, ezberleme ve anlama, kalıpları tanıma, değişime uyum sağlayan
seçimler yapma ve deneyimlerden öğrenme yaratmayı hayal etmek için düşünme
yeteneğidir. Yapay zekâ, bilgisayarların insanlar gibi daha insani bir şekilde ve bir
insandan çok daha kısa sürede davranmasını sağlamakla ilgilenir (Borana, 2016).
Bilgi işlem gücündeki katlanarak artan büyüme ve büyük miktarda veri sayesinde
yapay zekâ, son yıllarda dikkat çekici gelişmelere tanık olmuştur. Günlük hayatı-
mızın her yerinde benimsenmesini sağlamıştır (Minh, vd., 2022). Yapay zekâ algo-
ritmaları, büyük miktarda veriyi işlemek ve geleneksel yaklaşımlar kullanılarak
tespit edilemeyecek kalıpları ve özellikleri tespit etmek için yetenekler sağlar
(Luckey, 2021). Bugün yapay zekâ, karmaşık zorlukları çözmek için yeni kavram-
lar ve yeni çözümler uygulayan bir mühendislik dalı olarak kabul edilmektedir.
Elektronik hız, kapasite ve yazılım programlamada devam eden ilerleme ile bilgi-
sayarlar bir gün insanlar kadar zeki olabilir (Hamet ve Tremblay, 2017).
Yapay zekâ, akıllı davranışların hesaplamalı olarak anlaşılması ve dolayısıyla akıl-
lı makinelerin yaratılmasıyla ilgilenen bilim ve mühendisliktir. Yapay zekâ, Şekil
1'de gösterildiği gibi, sinir ağları, genetik algoritmalar, sembolik yapay zekâ ve
derin öğrenme dahil olmak üzere heterojen bir dizi araç, teknik ve algoritmayı
içermektedir. Bu ana alanlar üstel bir büyüme göstermekte ve sağlık hizmetleri,
uzay, robotik ve askeri gibi çeşitli alanlarda önemli etkiler yaratmaktadır. Artan
veri miktarı, her yerde bağlantı, yüksek performanslı bilgi işlem ve elimizde bulu-
nan çeşitli algoritmalarla yapay zekâ, gelecekteki teknolojilere yeni bir verimlilik
ve karmaşıklık düzeyi katacaktır. Yapay zekâ alanının temel hedeflerinden biri,
çevreleriyle etkileşime giren, en uygun davranışları bulan, neredeyse insanlar gibi
deneme yanılma yoluyla zaman içinde gelişen tamamen otonom akıllı ajanlar
üretmektir. Bu, çevrelerindeki dünyayı algılayabilen ve tepki verebilen robotlar-
dan, doğal dil ve multimedya ile etkileşime girebilen tamamen yazılım tabanlı
- 124 -
- Akıllı Kent Yönetiminde Yapay Zekâ Teknolojisinin Araçsallığı -
ajanlara kadar uzanan uzun soluklu bir meydan okuma olmuştur. Mevcut yapay
zekâ teknolojileri sürüş, havacılık, tıp, çevrimiçi reklamcılık, görüntü tanıma ve
kişisel yardım alanlarında kullanılmaktadır (Kayid, 2020).
- 125 -
- Yapay Zekâ ve Yönetim -
Akıllı kentler, artan kentleşmeyi, enerji tüketimini verimli bir şekilde yönetmeyi,
yeşil bir çevreyi korumayı, vatandaşlarının ekonomik ve yaşam standartlarını iyi-
leştirmeyi ve modern bilgi ve iletişim teknolojilerini verimli bir şekilde kullanma
ve benimseme konusunda insanların yeteneklerini artırmayı amaçlamaktadır. Akıl-
lı kent konseptinde, bilişim teknolojileri, politika tasarımı, karar, uygulama ve
nihai üretken hizmetlerde hayati bir rol oynamaktadır (Ullah, vd., 2020).
Akıllı kentlerde daha fazla akıllı çözüm kullanıldıkça, siber güvenlik sorunu daha
ciddi hale gelmektedir. Geleneksel siber saldırılar sistemin açıklarını araştırabilir
ve sistemi istila etmek için bunlardan yararlanabilirken, akıllı kentlerde herhangi
bir zayıflık tüm sisteminin istila edilmesine neden olabilir (Jia, vd., 2023). Bu bağ-
lamda, yapay zekâ teknolojisi, akıllı kentlerde siber güvenliğin sağlanması için
önemli avantajarlar sahiptir (Lin, vd., 2023). Bu avantajlar;
Veri veya kurallara dayalı olarak çalışır;
Kendi öğrenir ve kendini eğitir;
İnsandan daha derin analiz yapabilir;
Daha yüksek hız (60 kata kadar);
Zaman alıcı araştırma görevlerini hızlı bir şekilde tamamlar;
Asla takılmaz;
Her zaman bir sonuç verir;
Siber tehditleri ve siber risk seviyelerini daha iyi anlar;
Anahtar kararları daha hızlı alır;
Algılanan bir tehdide karşı tedbirleri daha iyi koordine eder;
Hemen hemen her yerde kullanılabilen ölçeklenebilir kurumsal düzeyde
güvenlik (bulut teknolojileri) önlemleri mevcuttur;
"Sıfır güven (zero trust)" ilkesi doğrultusunda çözümleri yaratıcı bir şekil-
de tamamlar.
Yapay zekâ teknolojisi kullanılarak akıllı kentin farklı alanlarında çözümler ve
yenilikler hayata geçirilmektedir. Herath ve Mittal (2022), yaptıkları çalışmada bu
alanları; hareketlilik, eğitim, sağlık hizmeti, çevre, yönetişim, yaşam ve altyapı,
ekonomi olarak kategorize etmiştir (Bkz. Tablo 1.). Hareketlilik alanında, trafik
yönetimi, otonom ve sürdürülebilir hareketlilik; eğitim alanında, sanal gerçeklik
- 126 -
- Akıllı Kent Yönetiminde Yapay Zekâ Teknolojisinin Araçsallığı -
Eğitim Akıllı eğitim, gelişmekte olan Akıllı sınıf, sanal gerçeklik tabanlı
dijital yerli nesillerin ihtiyaçlarına öğrenme platformları, öğrenci
göre uyarlanmış bir öğrenme takip yönetimi, özel ihtiyaçları
paradigmasıdır. olan öğrenciler için öğrenme araç-
ları, akıllı kütüphane
Sağlık hizmeti Akıllı sağlık hizmetleri, verilere Akıllı hastane, akıllı sağlık takibi,
sürekli olarak erişmek ve insan- E-sağlık kaydı, uzaktan hasta izle-
ları, kaynakları ve kurumları me, pandemi tahminleri
birbirine bağlamak için giyilebilir
teknoloji, nesnelerin interneti ve
mobil interneti kullanan bir sağ-
lık hizmeti sağlama yöntemidir.
Çevre İnsanların çevrelerini daha iyi Hava kalitesi izleme, dava durumu
anlamalarını ve yönetmelerini izleme, atık yönetimi, su yöneti-
sağlamak için entegre sensörler, mi, akıllı sulama, fotovoltaik
ekranlar ve bilgisayar cihazlarıyla
bir ortam yaratma konseptidir.
Yönetişim Akıllı yönetişim, yönetim kuru- E-devlet, karar alma politikaları,
luşlarında karar verme ve plan- afet önleme ve yönetimi, kentsel
lamayı geliştirmek için teknoloji planlama
ve yeniliğin uygulanmasıdır.
- 127 -
- Yapay Zekâ ve Yönetim -
Yaşam ve Akıllı yaşam, kentin altyapısını Akıllı bina, akıllı ev, akıllı eğitim,
Altyapı kullanırken aynı zamanda insan- akıllı turizm, akıllı güvenlik
ların yaşam kalitesini artıran bir
yaklaşımdır.
Ekonomi Akıllı bir ekonomi, başarı faktör- Akıllı iş, E-ticaret, perakende, akıllı
leri olarak teknik yenilik, sürdü- alışveriş, eşler arası pazar yeri,
rülebilirlik, yüksek düzeyde sos- eşler arası işgücü hizmetleri, akıllı
yal refah ve kaynak verimliliğine tedarik zincirleri, akıllı paylaşım
odaklanan bir ekonomidir. hizmetleri
Kaynak: (Herath ve Mittal 2022)
- 128 -
- Akıllı Kent Yönetiminde Yapay Zekâ Teknolojisinin Araçsallığı -
- 129 -
- Yapay Zekâ ve Yönetim -
- 130 -
- Akıllı Kent Yönetiminde Yapay Zekâ Teknolojisinin Araçsallığı -
Yapay zekâ, akıllı kentlerin gelişiminde önemli bir rol oynamakta ve finans, sağ-
lık, güvenlik, tarım, ulaşım, eğitim ve üretim gibi farklı hizmetlere faydalar sun-
maktadır. Beklenen faydalara rağmen, kısmen akıllı bir kentin yapay zekâyı be-
nimsemesini önleyebilecek engeller nedeniyle yapay zekanın benimsenmesi bir
akıllı kentten diğerine farklılık göstermektedir (Rjab, Mellouli ve Corbett, 2023).
Yapay zekânın akıllı kentlerde uygulanrken karşılaşılan engeller şu şekildedir;
Gizlilik sorunları; vatandaşların kişisel verilerinin izinleri olmadan top-
lanması, analiz edilmesi, paylaşılması ve kullanılmasıyla ilgilidir.
Siber güvenlik sorunları; yapay zekâ algoritmalarının siber saldırılara veya
diğer güvenlik tehditlerine karşı savunmasızlığı ve yapay zeka algoritma-
larının hacklenebilecek girdi verilerine bağımlılığıyla ilgilidir.
Yapay zekanın açıklanabilirliğinin eksikliği; yapay zekâ teknolojilerinin,
büyük veri kümelerinin gözlemlenmesi, toplanması ve analiz edilmesinden
kaynaklanan deneyime dayanarak, açık bir yeniden programlama olmaksı-
zın davranışlarını değiştirme yeteneği ile ilgilidir.
Yapay zekâ teknolojilerinin yıkıcı doğası; yapay zekâ teknolojisinin, ya-
pay zekânın endüstrileri, mevcut pazarları veya tüm iş piyasalarını, iş sü-
reçlerini ve toplumumuzu önemli ölçüde değiştirme yeteneğinde kendini
gösteren yıkıcı bir doğası vardır.
Tekillik sorunları; yapay zekânın insan zekâ kapasitesini aştığı ve bu güçle
yapay zekânın insanlığı köleleştirmeye veya ortadan kaldırmaya karar
vermesi etik konularla ilgilidir.
Karar verme sorunları; akıllı kentlerde akıllı asistanlar veya karar verme
algoritmaları gibi yapay zekâ uygulamalarının kullanılması, yapay zekâ
kararlarının sonuçlarına ilişkin yanlış kararlar, ayrımcılık ve hesap verebi-
lirlik sorunları gibi ciddi sorunlar doğurabilmektedir.
Mali kaynak eksikliği; yeterli mali kaynağa sahip olmayan akıllı kentin
yapay zekâ yatırımı yapamadığı, yatırım kararını zorlaştıran ve derinleme-
sine çalışmalar gerektiren yapay zekâ teknolojilerinin yüksek maliyetiyle
ilgilidir.
19. yüzyıldan beri kentsel planlama çalışmalarında, kentin ekonomik olarak nasıl
işlediği ve kentin sosyal eşitlik açısından nasıl organize edildiği, hangi alanlarda
yaşam kalitesini artıracak düzenlemeler gerektiği gibi sorulara cevaplar aranmak-
tadır. Diğer yazarların aksine Batty (2018)’e göre kentsel planlama çalışmalarında
belirlenen hedeflere ulaşmak için kentin uzun vadeli gelişimi için herhangi bir plan
- 131 -
- Yapay Zekâ ve Yönetim -
üretmenin bazı zor seçimleri var ve bu tür bir planlamada yer alan tasarım ve karar
vermenin yerini bir yapay zekânın aldığını görmek zordur. Çok çeşitli faktörler ve
ilgili belirsizlikler, herhangi bir mevcut yapay zekâ teknolojisi kullanılarak otoma-
tikleştirilemez, ancak belirsizliklerle başa çıkan bazı sınırlı yapay zekâ türlerinin,
zekânın insan tasarımı tarafından üretilenden daha üstün olacak şekilde üretilmesi
mümkündür (Batty, 2018).
Batty gibi Cugurullo (2020)’ de yapay zekânın olası tehditlerini vurgulamaktadır.
Cugurullo’a göre, kentsel yapay zekâ uygulamaları, kentlerde faaliyet gösteren,
çevredeki kentsel çevre hakkında bilgi edinme ve anlamlandırma yeteneğine sahip
ve sonunda edinilen bilgiyi rasyonel hareket etmek için kullanılmaktadır. Kentsel
yapay zekâ uygulamaları otonom olarak çalışmaktadır. Denetimsiz bir şekilde ka-
rarlar almakta bu nedenle ilkel bir düşünce biçimi sergilemekte ve kentlerde radi-
kal değişiklikleri tetikleyebilecek eylemlerde bulunmaktadır.
Sonuç
- 132 -
- Akıllı Kent Yönetiminde Yapay Zekâ Teknolojisinin Araçsallığı -
KAYNAKÇA
Allam, Z., & Dhunny, Z. A. (2019). On big data, artificial intelligence and smart cities.
Cities, 89, 80-91.
Ali, O., Abdelbaki, W., Shrestha, A., Elbasi, E., Alryalat, M. A. A., & Dwivedi, Y. K.
(2023). A systematic literature review of artificial intelligence in the healthcare
sector: Benefits, challenges, methodologies, and functionalities. Journal of Inno-
vation & Knowledge, 8(1), 100333.
Angelov, P. P., Soares, E. A., Jiang, R., Arnold, N. I., & Atkinson, P. M. (2021). Explainab-
le artificial intelligence: an analytical review. Wiley Interdisciplinary Reviews:
Data Mining and Knowledge Discovery, 11(5), e1424.
Batty, M. (2018). Artificial intelligence and smart cities. Environment and Planning B:
Urban Analytics and City Science, 45(1), 3-6.
Borana, J. (2016), “Applications of artificial intelligence and associated technologies”,
International Conference on Emerging Technologies in Engineering, Biomedical,
Management and Science [ETEBMS-2016], Jodhpur National University, Jod-
hpur, India.
Chen, L., Chen, P., & Lin, Z. (2020). Artificial intelligence in education: A review. Ieee
Access, 8, 75264-75278.
Chui, K. T., Lytras, M. D., & Visvizi, A. (2018). Energy sustainability in smart cities: Arti-
ficial intelligence, smart monitoring, and optimization of energy consumption.
Energies, 11(11), 2869.
Cugurullo, F. (2020). Urban artificial intelligence: From automation to autonomy in the
smart city. Frontiers in Sustainable Cities, 2, 38.
- 133 -
- Yapay Zekâ ve Yönetim -
Gupta, R., Srivastava, D., Sahu, M., Tiwari, S., Ambasta, R. K., & Kumar, P. (2021). Arti-
ficial intelligence to deep learning: machine intelligence approach for drug disco-
very. Molecular diversity, 25, 1315-1360.
Hamet, P., & Tremblay, J. (2017). Artificial intelligence in medicine. Metabolism, 69, S36-
S40.
Herath, H. M. K. K. M. B., & Mittal, M. (2022). Adoption of artificial intelligence in smart
cities: A comprehensive review. International Journal of Information Manage-
ment Data Insights, 2(1), 100076.
IDC (2020) Worldwide spending on artificial intelligence systems will be nearly 98 billion
dollars in 2023. https://www.idc.com/getdoc.jsp?containerId=prUS45481219. Eri-
şim Tarihi: 12 Ağustos 2023.
Jia, Y., Gu, Z., Du, L., Long, Y., Wang, Y., Li, J., & Zhang, Y. (2023). Artificial intelligence
enabled cyber security defense for smart cities: A novel attack detection fra-
mework based on the MDATA model. Knowledge-Based Systems, 276, 110781.
Jiang, Y., Li, X., Luo, H., Yin, S., & Kaynak, O. (2022). Quo vadis artificial intelligence?.
Discover Artificial Intelligence, 2(1), 4.
Kayid, A. (2020). The role of Artificial Intelligence in future technology. Department of
Computer Science, The German University in Cairo.
Lai, C. S., Jia, Y., Dong, Z., Wang, D., Tao, Y., Lai, Q. H., ... & Lai, L. L. (2020). A review
of technical standards for smart cities. Clean Technologies, 2(3), 290-310.
Li, B. H., Hou, B. C., Yu, W. T., Lu, X. B., & Yang, C. W. (2017). Applications of artificial
intelligence in intelligent manufacturing: a review. Frontiers of Information Tech-
nology & Electronic Engineering, 18, 86-96.
Lin Y. Yang R. Shimoda R. Xian Z. Liu S.(2023). Unveiling the Role of Zoos in Smart
Cities: A Quantitative Analysis of the Degree of Smartness in Kyoto City Zoo.
Land, 12(9):1747. https://doi.org/10.3390/land12091747.
Luckey, D., Fritz, H., Legatiuk, D., Dragos, K., & Smarsly, K. (2021). Artificial intelligen-
ce techniques for smart city applications. In Proceedings of the 18th International
Conference on Computing in Civil and Building Engineering: ICCCBE 2020 (pp.
3-15). Springer International Publishing.
Mischos, S., Dalagdi, E., & Vrakas, D. (2023). Intelligent energy management systems: a
review. Artificial Intelligence Review, 1-40.
Minh, D., Wang, H. X., Li, Y. F., & Nguyen, T. N. (2022). Explainable artificial intelligen-
ce: a comprehensive review. Artificial Intelligence Review, 1-66.
Rjab, A. B., Mellouli, S., & Corbett, J. (2023). Barriers to artificial intelligence adoption in
smart cities: A systematic literature review and research agenda. Government In-
formation Quarterly, 101814.
- 134 -
- Akıllı Kent Yönetiminde Yapay Zekâ Teknolojisinin Araçsallığı -
Navarathna, P. J., & Malagi, V. P. (2018, December). Artificial intelligence in smart city
analysis. In 2018 International conference on smart systems and inventive techno-
logy (ICSSIT) (pp. 44-47). IEEE.
Nikitas, A., Michalakopoulou, K., Njoya, E. T., & Karampatzakis, D. (2020). Artificial
intelligence, transport and the smart city: Definitions and dimensions of a new
mobility era. Sustainability, 12(7), 2789.
Şerban, A. C., & Lytras, M. D. (2020). Artificial intelligence for smart renewable energy
sector in europe—smart energy infrastructures for next generation smart cities.
IEEE access, 8, 77364-77377.
Ullah, Z., Al-Turjman, F., Mostarda, L., & Gagliardi, R. (2020). Applications of artificial
intelligence and machine learning in smart cities. Computer Communications,
154, 313-323.
- 135 -
9. BÖLÜM
Giriş
- 137 -
- Yapay Zekâ ve Yönetim -
rülmesi için bir köprü sağlamasıdır. YZ sistemleri, insanlara benzer şekilde öğren-
me, akıl yürütme, uyum sağlama, tespit etme, tahmin etme ve görevleri gerçekleş-
tirme özelliklerine sahiptir (Kommunuri, 2022). Üretim sistemlerinde de yapay zekâ
teknolojinin kullanımı sayesinde makineler arası iletişim kurulması ile insan müda-
halesinin olmadığı karanlık fabrikalar ve akıllı fabrikalar kurulmaktadır.
Yapay zekâ teknolojileri, rutin görevleri otomatikleştirerek, veri analizi yetenekle-
rini geliştirerek, karar verme süreçlerini iyileştirerek ve riskleri azaltarak gelenek-
sel muhasebe uygulamalarında önemli bir dönüşüm potansiyeline sahiptir. Yapay
zekâ sistemleri çok büyük miktarda finansal veriyi analiz edebilir, hataları ve
anormallikleri tespit edebilir, gerçek zamanlı bilgiler sağlayabilir ve kaynak tahsi-
sini optimize edebilir. Bu sayede muhasebe ve denetim süreçlerinde verimliliği
artırarak, doğru bilgi üretme işlevine önemli bir katkı sunabilmektedir (Ibrahim,
2023: 34). YZ, muhasebe ve denetim çalışmalarında insanın müdahalesini en aza
indirmek suretiyle, önceden oluşturulmuş olan veriyi otomasyon müdahalesi ile
hatasız olarak yeni şekline getirme veya kontrol etme işlevlerini üstlenmektedir.
Çalışmanın amacı, yapay zekâ teknolojisinin muhasebe mesleğinin belge düzen-
leme, kaydetme, raporlama, analiz ve bildirim süreçleri ile denetimin kontrol ve
inceleme çalışmalarına etkisini ortaya koymaktır. Bu kapsamda çalışmada öncelik-
le YZ kavramsal açıdan incelenerek, gelişim süreci değerlendirilecektir. Daha son-
ra YZ teknolojisinin muhasebe ve denetim süreçlerine etkisi hem günümüz hem de
gelecek perspektifinden ele alınacaktır.
Yapay zekâ (YZ), bilgisayarların daha önce insanlara bırakılan karara dayalı gö-
revleri gerçekleştirmesini sağlayan teknoloji olarak ifade edilebilir. Endüstri 4.0
sürecinin önemli teknolojilerinden biri olan, günümüzde neredeyse tüm iş süreçle-
rini etkisi altına alan ve kullanan işletmelere rekabet üstünlüğü sağlayan bir tekno-
loji konumundadır. YZ, kullanımı arttıkça analiz ve karar vermede giderek daha
iyi hale gelebilen, makine tabanlı öğrenme ile farklı ifadeleri, sesleri ve dilleri an-
layabilme özelliğine sahip, konuşma tabanlı teknoloji de dahil olmak üzere birçok
biçimde uygulanması mümkün olan bir teknolojidir.
Yapay zekâ, makinelere insan gibi düşünebilme yeteneği kazandırılması olarak
tanımlanabilir. Örneğin Chess and Go sistemleri ve sürücüsüz arabalar yapay zekâ
ile çalışan karar verme yeteneğine sahip olan araçlar olarak adlandırılmaktadır
(Issa vd., 2016: 1). Oxford İngilizce sözlüğü yapay zekâyı ‘‘bilgisayarların veya
- 138 -
- Yapay Zekânın Muhasebe ve Denetimde Kullanımı: Fırsatlar ve Tehditler -
diğer makinelerin akıllı davranış sergileme veya simüle etme kapasaitesi’’ olarak
tanımlamaktadır (Munoko, Brown Liburd ve Vasarhely, 2020: 211). Bilgi teknolo-
jisinde yapay zekânın temel uygulama alanlarından bazıları şunlardır (Damerji ve
Salimi, 2021):
Veri güvenliğine yönelik tehditleri algılayıp karşılayabilen akıllı bir sistem
oluşturarak veri güvenliği sağlamak.
Daha verimli, daha etkin, hatasız ve daha iyi bilgi sistemleri oluşturarak,
elde edilen verilere ilişkin daha fazla bilgi sağlamak.
Yapılacak işleri otomatikleştirmek için süreç otomasyonu kurmak. Bu sa-
yede zaman ve maliyet tasarruf sağlamak.
Ayrıca YZ, öğrenme, akıl yürütme, uyum sağlama ve insanlara benzer görevleri
yerine getirme yeteneğine sahip akıllı sistemlerdir. Bilgi teknolojisi sistemleri, bir
bilgi parçası olarak en iyi çıktıyı iletmek için verileri yakalamak, depolamak, ana-
liz etmek ve değerlendirmekle ilgili iken, YZ sistemleri ise daha akıllı olan ve in-
san gibi düşünerek karar verebilen sistemler olarak kabul edilmektedir.
Bizarro ve Dorian (2017) “Yapay Zeka: Denetimin Geleceği” başlıklı makalesin-
de, çevresel güçlerin yapay zekanın denetimde kabul edilmesini ve entegrasyonu-
nu yönlendirmeye devam edeceğini belirtmektedir. Yapay zekâ, öğrenebilen, akıl
yürütebilen ve insanlar gibi çalışabilen akıllı sistemler oluşturmaya odaklanmakta-
dır (Soulpage, 2020). Bilgi teknolojisi genel olarak karar vermek için çok sayıdaki
veriyi toplayarak, analiz etmektedir. YZ, geleneksel bilgi sistemlerinden daha akıl-
lı kabul edilmekte ve bilgi sistemlerinin akıllı sistemlere dönüştürülmesi için bir
köprü sağlayarak, bilgi sistemlerinin daha fazla otomasyonu ve optimizasyonuyla
sonuca ulaşmaktadır (Damerji ve Salimi, 2021).
Yapay zekâ, teknolojinin düşünebildiği, öğrenebildiği, görevleri zekâyla yerine
getirebildiği ve insan zekâsını taklit edebildiği kapsayıcı bir terimdir. YZ, “akıllı
makineler yapma ve makinelerde insan benzeri zekâyı benimseme bilimi ve mü-
hendisliğidir. Bir sistemin verilen verileri doğru şekilde yorumlama, bu verilerden
öğrenme ve bu öğrendiklerini belirli hedeflere ulaşmak için kullanma yeteneğini
gösterir” (Kommunuri, 2022). YZ, bir sistemin dış verileri doğru şekilde yorum-
lama, bu tür verilerden öğrenme ve esnek adaptasyon yoluyla bu öğrenmeleri be-
lirli hedeflere ve görevlere ulaşmak için kullanma yeteneği olarak tanımlanabilir
(Kaplan ve Haenlein, 2019: 17). Aslında YZ ile, insan gibi düşünebilen ve karar
verme yeteneğine sahip olan bir teknolojiye ulaşmak hedeflenmektedir.
- 139 -
- Yapay Zekâ ve Yönetim -
Yapay zekâ, günümüzde yeni olan bir kavram olmayıp, MGI (McKinsey Global
Institute) tarafından hazırlanan ‘‘Artificial Intelligence The Next Digital Fron-
tier?” adlı araştırmaya göre, yapay zekâ fikri Alan Turing’in bir makinenin, bir
insanı kendisinin de bir insan olduğuna ikna edebilecek kadar iyi iletişim kura-
bileceğini ilk ortaya attığı 1950 yıllarına kadar dayanmaktadır” (Bughin vd.,
2017). Alan Turing 1930’lu yıllarda yaptığı çalışmalarla karmaşık matematiksel
hesapları yapan Turing hesap makinesini icat etmiş ve o dönemde bilgisayar
biliminin kurucusu olmuştur (Tekbaş, 2019). Ayrıca yapay zekâ adından ilk kez
20. yüzyılın ortalarında yapılan Dartmouth Konferansı’nda söz edilmiş ve kav-
ram tartışılmıştır. Yapay zekânın ilk tartışıldığı dönemdeki tasarımı makine öğ-
renme teorisine dayanan, satranç gibi bir oyunda rakiplere karşı savaşma ve ka-
zanmaya çalışma yeteneğine sahip olan mekanik bir süreçtir. Ardından biyonik
tabanlı yapay zekânın ortaya çıkması, endüstride değişim getirerek, üretimdeki
maliyetlerin büyük ölçüde azalmasını sağlamış, ancak tam olarak yapay zekâya
geçilememiştir. 20. yüzyılın sonunda süper bilgisayar “Blue Gene”in üretilmesi
ile yapay zekâ algoritmalarının da kullanımı konusunda önemli bir adım atılmış-
tır (Kıymetli Şen ve Terzi, 2022: 106). Bu bakımdan yapay zekânın tamamen
gelişmiş bilgisayar sistemlerine bağlı olarak çalıştığı ifade edilebilir. Günümüz-
de de bilgi ve iletişim teknolojilerinin gelişim düzeyi YZ teknolojisinin gelişi-
mini ve iş yapma kabiliyetini değiştirecektir.
Bilgi ve iletişim teknolojilerindeki hızlı gelişme akademik çalışmaları da etkile-
mektedir. YZ konusunda 522 araştırmacı tarafından 2021 yılı sonuna kadar yayın-
lanmış olan 247 makalenin incelendiği araştırmada, yayınların 2015 yılından itiba-
ren artış gösterdiği ve 2020 yılında 59 makale ile önemli bir yükselişin olduğu
ortaya konulmuştur. Ayrıca 6 araştırmacının üçten fazla, 60 araştırmacının da en
az iki yayınlanmış eserinin bulunduğu tespit edilmiştir (Agustí and Orta-Pérez,
2022). Akademik çalışmalarda da son yıllarda yapay zekâ konusuna eğilimin ol-
duğu görülmektedir.
Yapay zekâ, birçok alanda olduğu gibi muhasebe işlemlerinde de hem süreçleri
kolay ve otomatik hale getirmekte hem de yeni çalışma modelleri geliştirmekte-
dir. Örneğin faturaları kaydetmeyi otomatik hale getirmekten tedarik takibi sü-
reçlerini kolaylaştırmaya, maliyetlerin etkili yönetiminden iç kontrol süreçlerine
kadar çok çeşitli uygulama alanları bulabilmektedir. YZ uygulamaları, çalışanla-
- 140 -
- Yapay Zekânın Muhasebe ve Denetimde Kullanımı: Fırsatlar ve Tehditler -
ra başka işleri yerine getirmek için zaman kazandırmakla birlikte muhasebe iş-
lemlerini otomatikleştirmekte ve operasyonları iyileştirmek suretiyle maliyetle-
rin azalmasına katkı sağlamaktadır (Küçüker, 2023: 878). Bilgi ve iletişim tek-
nolojilerinin işletmelerde tam anlamıyla uygulanması ile birlikte muhasebe ala-
nında uzman personel ihtiyacı artarken, sadece otomatikleşen işlemleri yürüt-
mekte olan personele ihtiyaç ortadan kalkacaktır. Bu bakımdan muhasebe ala-
nında çalışanların yapay zekâ gibi önemli teknolojileri benimsemesi ve meslek-
teki dönüşümü takip etmesi önem arz etmektedir.
- 141 -
- Yapay Zekâ ve Yönetim -
- 142 -
- Yapay Zekânın Muhasebe ve Denetimde Kullanımı: Fırsatlar ve Tehditler -
tehlikesini öne sürmüştür (Clifford, 2018). Yakın zamanda bilgi ve iletişim tekno-
lojilerinde ortaya çıkan gelişmeler düşünüldüğünde YZ teknolojisinin muhasebe
gibi veriye dayalı bir sektörde kullanımının kaçınılmaz olduğu görülecektir. YZ
teknolojisinin muhasebede kullanımı birçok fırsatı beraberinde getirecektir, fakat
bunun yanında bazı tehditleri de ortaya çıkartacağı düşünülmektedir. YZ teknolo-
jisinin muhasebe alanında ortaya çıkartacağı tehditler şu şekilde sayılabilir (Akdo-
ğan ve Akdoğan, 2018; Gacar, 2019; Jobin vd., 2019; Uzun, 2020):
Muhasebe sık değişen mevzuat nedeniyle makine öğrenmesinin güncelle-
meye ihtiyaç duymayacak kadar detaylı oluşturulması gerekmektedir. Bu
durum da yüksek uzmanlık gerektiren ve maliyetli bir işlem sürecine tabi
olabilmektedir.
Muhasebe süreçlerinin önemli işlemleri olan beyanname ve bildirimlerde
kamunun yaptığı sık değişiklikler nedeniyle bazı uyum sorunları yaşanabi-
lecektir.
Mali olayların iç içe geçen bazı işlemlerden oluşması nedeniyle makine
öğrenmesi süreçleri yüksek uzmanlık ve detaylı analiz gerektirmektedir.
YZ teknolojisinin muhasebede yoğun kullanımı kayıt, raporlama, bildirim,
analiz gibi tekrar eden rutin işleri otomatik hale getireceğinden, kalifiye
olmayan çalışan ihtiyacını ortadan kaldıracaktır. Bu durum da muhasebe
mesleğinde personel ihtiyacını azaltabilecektir.
YZ sistemlerinin itici gücü eldeki veridir ve sistemin etkin çalışması mev-
cut veri kapasitesine bağlıdır. Bu nedenle yanlış veya kalitesi düşük olan
veriler analiz sonuçlarının başarısız ve alınan kararların hatalı olmasına
sebep olabilecektir.
YZ uygulamalarının yasal yönleri ve etik kuralları konusunda birçok soru
işareti ve belirsizlik söz konusudur.
İşletmeler açısından mahrem olan bazı bilgilerin elektronik ortama aktarı-
mı nedeniyle veri güvenliği sorunları yaşanması muhtemeldir.
YZ, teknolojik gelişimin hızı itibariyle bunların dışında birçok fırsatı ve tehdidi
barındırmaktadır. Henüz gelişim sürecinin başında olan YZ teknolojisi, muhase-
benin geleceğini etkileyecek önemli teknolojilerden biri olacağının sinyalini ver-
mektedir. Bu bakımdan devletlerin, mesleki kuruluşların ve meslek mensuplarının
YZ teknolojisinin gelişimi konusunda AR-GE faaliyetleri yürütmesi ve bir strateji
belirlemesi zorunlu görünmektedir (Uzun, 2020).
- 143 -
- Yapay Zekâ ve Yönetim -
- 144 -
- Yapay Zekânın Muhasebe ve Denetimde Kullanımı: Fırsatlar ve Tehditler -
- 145 -
- Yapay Zekâ ve Yönetim -
- 146 -
- Yapay Zekânın Muhasebe ve Denetimde Kullanımı: Fırsatlar ve Tehditler -
- 147 -
- Yapay Zekâ ve Yönetim -
Ayrıca yapay zekâ tabanlı likidite tahminleri yapmak, dolandırıcılık tespit sistem-
lerini desteklemek, blok zinciri teknolojisine dayalı çevrimiçi açık artırmalarda
tahvil ve tahvil emisyonlarını desteklemek, dava risklerini tahmin etmek, kasıtlı
yanlış beyanları düzeltmek için yönetimin yeniden beyan açıklamalarını analiz
etmek veya kasıtsız hataları tespit etmek ve düzeltmek gibi uygulamalar da yapay
zekâ tabanlı süreçlerdir (Kommunuri, 2022). Günümüzde sayılan YZ uygulamaları
dışında da muhasebe süreçlerinde kullanılan temel bazı uygulamaların ve muhase-
be işlemlerinin de olması muhtemeldir. Ayrıca bu uygulamalara ek olarak, hızlı
teknolojik dönüşümle birlikte her geçen gün yeni uygulamalar da kullanılmaktadır.
- 148 -
- Yapay Zekânın Muhasebe ve Denetimde Kullanımı: Fırsatlar ve Tehditler -
- 149 -
- Yapay Zekâ ve Yönetim -
Deloitte, Ernst & Young, PwC ve KPMG denetim planlamasında, risk değerlen-
dirmesinde, işlem testlerinde, analitikte yapay zekâyı kullanmayı ve bunlardan
yararlanmak için denetim çalışma kağıtları hazırlamayı planladıklarını bildirmek-
tedir. Zamandan tasarruf, daha hızlı veri analizi, yüksek doğruluk, derinlemesine
bilgi ve daha fazla müşteri memnuniyeti sağlamak amacıyla YZ teknolojisini kul-
lanmaktadır (Munoko vd., 2020). Dört büyük denetim şirketi, YZ sistemlerini kul-
lanırken, teknolojik dönüşüm ortamının kalıpları tanımak, uygulamak ve yeni veri-
lerin nasıl sunulacağını görebilmek için özellikle makine öğrenimi ile verilerden
öğrenme olanaklarından yararlanmaktadır (Han vd, 2023).
Bu teknoloji çalışmaları yakın zamanda denetim faaliyetlerinde eş zamanlılık ve
süreklilik esaslarını beraberinde getirecektir. Yani denetime konu olan verilerin
oluştuğu andan itibaren otomatik denetime tabi tutulacağı bir sisteme doğru gidiş
söz konusudur. Bu gidiş sürekli denetim kavramının ortaya çıkmasında etkili ol-
maktadır. Sürekli denetim, kontrolleri test etmek, riskleri analiz etmek, istisnaları
veya anormallikleri belirlemek, kalıpları analiz etmek ve eğilimleri gözden geçir-
mek amacıyla denetim faaliyetlerini sürekli olarak otomatikleştirmek için ileri
teknolojinin kullanılması anlamına gelmektedir (Cong ve diğerleri, 2018 ). Sürekli
denetim, kağıtsız, gerçek zamanlı bir muhasebe sisteminde yapılan mali tabloların
gerçeğe uygun sunumu hakkında görüş vermek için makul bir temel olarak elekt-
ronik denetim kanıtlarının toplanması olarak ifade edilebilmektedir. Ayrıca sürekli
denetimin, denetçilerin sürekli veriler hakkında ifşa edilirken veya ifşa edildikten
kısa bir süre sonra belirli düzeyde güvence sağlamalarına olanak tanıyan kapsamlı
bir elektronik denetim yöntemi olduğu da söylenebilir (Hasan, 2022).
- 150 -
- Yapay Zekânın Muhasebe ve Denetimde Kullanımı: Fırsatlar ve Tehditler -
- 151 -
- Yapay Zekâ ve Yönetim -
Sonuç
- 152 -
- Yapay Zekânın Muhasebe ve Denetimde Kullanımı: Fırsatlar ve Tehditler -
Kaynakça
A.Agusti, M., and Orta-Pérez, M. (2022). Big data and artificial intelligence in the fields of
accounting and auditing: a bibliometric analysis. Spanish Journal of Finance and Ac-
counting, 52(3), 412-438. https://doi.org/10.1080/02102412.2022.2099675
Akdoğan, N. ve Akdoğan, M.U. (2018). Büyük Veri - Bilişim Teknolojisindeki Gelişmele-
rin Muhasebe Uygulamalarına ve Muhasebe Mesleğine Etkisi. Muhasebe ve Deneti-
me Bakış, (55), 1-14.
Appelbaum, D., Kogan, A., and Vasarhelyi, M. A. (2017). Big Data and analytics in the
modern audit engagement: Research needs. Auditing: A Journal of Practice & The-
ory, 36(4), 1–27. https://doi.org/10.2308/ajpt-51684
Baldwin, A. A., Brown, C. E., and Trinkle, B. S. (2006). Opportunities for Artificial Intel-
ligence Development in the Accounting Domain: The Case for Auditing. Intelligent
Systems in Accounting, Finance and Management, 14, 77-86. https://doi.org/
10.1002/isaf.277
Bizarro, P.A. and Dorian, M. (2017). Artificial Intelligence: The Future of Auditing. Inter-
nal Auditing, 32(5), 21 – 26.
Bughin J., Hazan, E., Ramaswamy, S., Chui, M., Allas, T., Dahlstrom, P., Henke, N. and
Trench, M. (2017). Artificial Intelligence, The Next Digital Frontier. McKinsey Glo-
bal Institute Study, 1-80.
Clifford, C. (2018). Elon Musk: ‘Mark my words — A.I. is far more dangerousthan nu-
kes’. CNBC. https://www.cnbc.com/2018/03/13/elon-musk-at-sxsw-a-i-is-more-
dangerous-than-nuclear-weapons.html
Cong, Y., Du, H. and Vasarhelyi, M.A. (2018). Technological disruption in accounting and
auditing. Journal of Emerging Technologies in Accounting, 15 (2), 1-10.
Damerji, H. and Salimi, A. (2021) Mediating effect of use perceptions on technology rea-
diness and adoption of artificial intelligence in accounting, Accounting Education,
30:2, 107-130, DOI: 10.1080/09639284.2021.1872035
Daştan Ş. ve Göl, M. (2022). İşletmelerin Muhasebe Süreçlerinde Yapay Zekâ Uygulama-
ları. Muhasebe ve Finans alanında Güncel Konular (Ed: Evci, S. ve Kefe, İ.), s. 109-
128. Gazi Kitabevi, Ankara.
- 153 -
- Yapay Zekâ ve Yönetim -
- 154 -
- Yapay Zekânın Muhasebe ve Denetimde Kullanımı: Fırsatlar ve Tehditler -
Moudud Ul Huq, S. (2014). The role of artificial intelligence in the development of acco-
unting systems: A review. The IUP Journal of Accounting Research & Audit Practi-
ces, 13(2), 7-20.
Munoko, I., Brown-Liburd, H.L. ve Vasarhelyi, M. (2020). The ethical implications of
using artificial intelligence in auditing. Journal of Business Ethics, 167 (2) (2020),
209-234.
Özçetin, N. (2022). Muhasebe Denetiminde Yapay Zekâ. Uşak Üniversitesi Uygulamalı
Bilimler Fakültesi Dergisi, 2(1), 29-41.
Shaffer, K.J., Gaumer, C.J. and Bradley, K.P. (2020), "Artificial intelligence products res-
hape accounting: time to re-train", Development and Learning in Organizations,
34(6), 41-43. https://doi.org/10.1108/DLO-10-2019-0242
Soulpage, (2020). Importance of AI In Information Technology. https://soulpageit.com
/importance-of-artificial-intelligence-ai-in-information-technology/ Erişim: 02.08.2023
Struthers-Kennedy A. and Nesgood K., (2020). Artificial Intelligence and Internal Audit:
A Pragmatic Perspective, Protivity. https://blog.protiviti.com/2020/01/02/artificial-
intelligence-and-internal-audit-a-pragmatic-perspective/ Erişim: 01.08.2023
Tekbaş, İ. (2019). Muhasebenin Dijital Dönüşümü ve Mali Mühendislik. Ceres Yayınları,
İstanbul.
Uzun, M.M. (2020). Yapay Zekâ: Fırsatlar ve Tehditler. Kitap: Disiplinlerarası Politika
Vizyonu ve Stratejiler 2020 (Ed: Demir, İ.), 137-153. İksad Yayınevi, Ankara.
Yücel ve Adiloğlu (2019). Dijitalleşme-Yapay Zekâ ve Muhasebe Beklentiler. Muhasebe
ve Finans Tarihi Araştırmaları Dergisi, 17, 47-60.
Zhang, Y., Xiong, F., Xie, Y., Fan, X., and Gu, H. (2020). The Impact of Artificial Intelli-
gence and Blockchain on the Accounting Profession. IEEE Access, 8, 110461-
110477. https://doi.org/10.1109/ACCESS.2020.3000505
- 155 -
10. BÖLÜM
GİRİŞ
- 157 -
- Yapay Zekâ ve Yönetim -
bunlara cevap verebilen gelişmiş yapay zekâ destekli sohbet robotlarına kadar
uzundur. Kasım 2022’ye gelindiğinde piyasaya sürülen en yeni ve en güçlü yapay
zekâ robotu olan ChatGPT, herkesin kullanımına açık bir bilgisayar programı ola-
rak karşımıza çıkmaktadır.
ChatGPT, Chat Generative Pre-training Transformer’ın kısaltmasıdır. Model, de-
netimli öğrenme ve insanların modelin yanıtlarını sıraladığı pekiştirmeli öğrenme
ile oluşturulmuştur (Wenzlaff ve Spaeth, 2022).
ChatGPT, soru istemlerine oluşturulmuş konuşma yanıtları sağlayan bir yapay
zekâ dili modelidir. Model, takviyeli öğrenme algoritmaları ve 150 milyardan faz-
la parametrede insan girdisinin karışımı ile oluşturulmuştur. Platform, halka açık
olduğu ilk haftasında bir milyon kullanıcıya ulaşmış ve modelden elde edilen yanıt
çıktılarının algılanan kalitesi nedeniyle kısa sürede "sektörün bir sonraki büyü
bozucusu" olarak adlandırılmasına neden olmuştur (Dowling ve Lucey, 2023).
ChatGPT, OpenAI tarafından geliştirilen, transformatör mimarisine dayanan ve
büyük miktarda veri üzerinde ince ayarı yapılmış büyük bir dil modelidir. Trans-
formatör mimarisi, girdi dizilerini işlemek için kendi kendine dikkat mekanizmala-
rını kullanan, değişken uzunluklu girdi ve çıktı dizilerini işlemesine ve insan ben-
zeri metinler üretmesine izin veren derin bir sinir ağıdır. ChatGPT’de ince ayar
yapmak için kullanılan eğitim verileri, modelin çok çeşitli dil stilleri ve içeriğin-
den öğrenmesine olanak tanıyan kitaplar, makaleler ve web siteleri gibi çeşitli me-
tinler içermektedir. Eğitim verilerinde, düşük kaliteli ve tekrar eden metinleri kal-
dırmak ve modelin belirli bir grubun bakış açısına yönelik önyargılı olmamasını
sağlamak için önceden filtreleme yapılmıştır (Zaremba ve Demir, 2023).
ChatGPT, gerçekçi, insan benzeri konuşmalar oluşturmak için gelişmiş Doğal Dil
İşleme (NLP) teknikleri ve derin öğrenme kullanan Açık Yapay Zekânın tescilli
sohbet robotu platformudur. AI platformu, büyük miktarda veriden öğrenme sağ-
lamakta ve kullanıcılara doğal dilde kişiselleştirilmiş, duyarlı etkileşimler sunmak-
tadır. ChatGPT, otomatik müşteri desteği, dijital pazarlama içerik oluşturma ve
müşteri deneyimi optimizasyonu gibi çeşitli amaçlar için kullanılmak üzere tasar-
lanmıştır. Chatbot platformu ayrıca farklı kullanıcıların ihtiyaçlarına ve tercihleri-
ne uyacak şekilde kolayca özelleştirilebilmektedir. Platformun bağlamı anlayabil-
me, insan benzeri sohbetler oluşturabilme, takip sorularını cevaplayabilme ve ya-
ratıcı sohbet konuları önerebilme vb. avantajları kullanıcılarına sunması bu plat-
formun önünü açmıştır. ChatGPT ayrıca, etki alanına özgü dili, kavramları ve var-
lıkları tanımasını sağlayan güçlü doğal dil anlama yeteneği, geliştiricilerin oluştur-
- 158 -
- Finans Sektöründe ChatGPT Devrimi -
- 159 -
- Yapay Zekâ ve Yönetim -
Dil Modeli: Dil modeli, insan diline benzer metinler oluşturmak için eğitilmiş
bir yapay zekâ modeli türüdür.
Mültimodal Nöronlar: Mültimodal nöronlar, bir nesnenin şeklini resim, metin
ve konuşma gibi farklı modlar veya temsiller üzerinden anlayabilen ve yorum-
layabilen yapay sinir ağı birimleridir.
NLP: NLP, anlam çıkarmak ve yararlı bilgiler ortaya koymak için metin ve
konuşma gibi insan dilini analiz etmek ve yorumlamak için algoritmaların kul-
lanılmasını içeren bir yapay zekâ alanıdır.
Sinir Ağı: Bir sinir ağı, aralarındaki bağlantıların gücünü ayarlayarak belirli bir
görevi yerine getirmek için veriler üzerinde eğitilen, birbirine bağlı işleme dü-
ğümlerinden oluşan bir makine öğrenimi modelidir.
Denetimli İnce Ayar: Denetimli ince ayar, önceden eğitilmiş bir modelin be-
lirli bir görevdeki performansını iyileştirmek için daha küçük, etiketli bir veri
kümesi üzerinde daha fazla eğitildiği bir makine öğrenimi tekniğidir.
Aktarım Öğrenimi: Aktarım öğrenimi, ChatGPT gibi araçların bir görevden
elde edilen bilgileri ilgili başka bir görevdeki performansını iyileştirmek için
kullanma yeteneğidir.
Denetimsiz Ön Eğitim: Denetimsiz ön eğitim, bir modelin herhangi bir etiketli
örnek olmadan büyük bir veri kümesi üzerinde eğitildiği ve verideki temel ya-
pıyı ve kalıpları öğrenmesine izin veren bir makine öğrenimi tekniğidir.
ChatGPT, Kasım 2022 tarihinden itibaren programlama sektöründe ciddi gelişme-
lere öncülük etmiştir. Bu programın kullanıma sunulması ile birlikte bu alanda
yapılmış çalışmaların nicelik ve nitelik anlamında her geçen gün sayısının arttığı
görülmektedir. Bu çalışmalara kısaca literatür taraması kısmında değinilmiştir.
- 160 -
- Finans Sektöründe ChatGPT Devrimi -
- 161 -
- Yapay Zekâ ve Yönetim -
2. CHATGPT-FİNANS ETKİLEŞİMİ
GPT teknolojisi, doğal dil anlama, doğal dil oluşturma ve metin tabanlı finansal
analize yardımcı olan ancak bunlarla sınırlı olmamak üzere finansın çeşitli alanla-
rında uygulanmıştır.
GPT teknolojisinin uygulandığı alanlardan biri, finansal veriler için doğal dil anla-
yışıdır. Örneğin, finansal belgelerde finansal belge sınıflandırması, duyarlılık ana-
lizi ve adlandırılmış varlık tanıma için GPT modelleri kullanılmıştır. Bu, finansal
veri analizi sürecini otomatikleştirerek daha verimli ve daha doğru hale getirmeye
yardımcı olmaktadır.
GPT teknolojisinin uygulandığı bir diğer alan da finansal raporlar ve özetler için
doğal dil üretimidir. GPT modelleri, daha doğru ve daha güvenilir bilgiler sağla-
yan finansal raporlar, özetler ve hatta finansal tahminler oluşturmak için kullanıl-
mıştır.
GPT teknolojisinin uygulandığı üçüncü bir alan, finansal duyarlılık analizi, haber
analitiği ve sosyal medya analitiği gibi metin tabanlı mali analizdir. GPT modelle-
ri, finansal haber makaleleri, sosyal medya gönderileri ve yatırımcı iletişimi gibi
yapılandırılmamış finansal verilerden bilgi çıkarmak için kullanılmıştır. Bu, hisse
senedi fiyatlarını tahmin etmede ve piyasa trendlerini tespit etmede yardımcı ol-
maktadır.
Finans endüstrisindeki sohbet robotları, müşterilerle metin veya ses yoluyla etkile-
şime giren ve finansal hizmetler sağlayan yapay zekâ destekli sanal asistanlardır.
- 162 -
- Finans Sektöründe ChatGPT Devrimi -
- 163 -
- Yapay Zekâ ve Yönetim -
- 164 -
- Finans Sektöründe ChatGPT Devrimi -
- 165 -
- Yapay Zekâ ve Yönetim -
GPT teknolojisi, doğal dil anlama, doğal dil oluşturma ve metin tabanlı finansal
analiz gibi çeşitli finans alanlarında çok umut verici olduğunu göstermiştir. Gele-
cekteki araştırmalar, finansta GPT teknolojisinin yeni uygulamalarını geliştirmeye
ve mevcut olanların performansını iyileştirmeye odaklanmalıdır (Zaremba ve De-
mir, 2023).
3. Sonuç ve Öneriler
Yapay zekâ devriminin son ürünlerinden olan ChatGPT, kısa süre içerisinde sohbet
robotları içerisinde bir devrim yaratmıştır. ChatGPT, birçok sektörde olduğu gibi
finans sektöründe de ihtilal yaratan, en yeni ve en güçlü açık yapay zekâ sohbet ro-
botu olarak görülmektedir. ChatGPT, finansal kurumlara hesap yönetimi, müşteri
hizmetleri, yatırım danışmanlığı, veri analizi ve finansal düzenlemelere ve yasalara
uyum gibi hizmetler sunması, konuşma davranışı, sürekli öğrenme, kişiselleştirme
ve birlikte çalışabilirlik gibi benzersiz özelliklere sahip olması bu sohbet robotunun
neden bu kadar hızlı ilerlediği sorusuna cevap olarak gösterilmektedir.
Yatırımcıların irrasyonel yatırımcı davranışlarının ortaya çıkardığı rasyonel olma-
yan yatırım davranışlarının önüne geçmek için oluşturulan robo-danışmanlık hiz-
metlerinde olduğu gibi ChatGPT, hisse senedi fiyat tahmini, yatırım ve portföy
yönetimi vb. görevleri yerine getirme özelliklerine sahiptir. Ancak ChatGPT'nin
bu görevleri gerçekleştirmesi için büyük miktarda veriye, derin öğrenmeye ve ma-
kine öğrenimi algoritmalarına ve ağlarına ihtiyacı vardır. Bu sistemlerin tam anla-
mı ile kurulmaması durumunda istenilen verim düzeyine ulaşmak pek mümkün
değildir. ChatGPT, hisse senedi fiyat tahmini gibi bireysel yatırımcıların yatırım
süreçlerinde aktif rol alması onun kusursuz bir program olduğunu açıklamamakta-
dır. Hisse senedi fiyat tahmini gibi yatırımcılar için oldukça önemli olan bir konu-
da bazı durumlarda bu program hatalı çıktılar verebilmektedir. Bu nedenle Chat-
GPT’nin hisse senedi fiyat tahmini yapması yüksek risk taşımaktadır. ChatGPT,
hala daha eksikleri olan ve güvenirlilik konusunda bir takım soru işaretleri taşıyan
bir program olması sebebi ile yatırımcıların bu programı kullanırken dikkatli dav-
ranmaları gerekmektedir.
Açıklanabilir yapay zekâ teknolojisindeki son gelişmeler ve ChatGPT gibi dil mo-
delleri, finansal bilgilerin finans dışı profesyonellere iletilme biçiminde devrim
yaratma potansiyeline sahiptir. Literatürde yapılan çalışmalar ChatGPT’nin kar-
maşık finansal kavramları çok çeşitli hedef kitlelere açıklamak için bir araç olarak
büyük bir potansiyele sahip olduğunu göstermektedir. ChatGPT’nin finansal bilgi-
- 166 -
- Finans Sektöründe ChatGPT Devrimi -
KAYNAKÇA
- 167 -
- Yapay Zekâ ve Yönetim -
George, A. S., George, A. H. ve Martin, A.S.G. (2023). A review of ChatGPT AI's impact
on several business sectors. Partners Universal International Innovation Journal,
1(1), 9-23.
Lo, A. W. ve Singh, M. (2023, in press). “From ELIZA to ChatGPT: The Evolution of
NLP and Financial Applications,” Journal of Portfolio Management.
Lund, B. D. ve Wang, T. (2023). Chatting about ChatGPT: how may AI and GPT impact
academia and libraries?. Library Hi Tech News.
McGee, R. W. (2023). Is ESG a Bad Idea? The ChatGPT Response. Working Paper,
https://ssrn. com/abstract= 4413431.
Rathore, R. S., Kaiwartya, O., Qureshi, K. N., Javed, I. T., Nagmeldin, W., Abdelmaboud,
A. ve Crespi, N. (2022). Towards enabling fault tolerance and reliable green commu-
nications in next-generation wireless systems. Applied Sciences, 12(17), 8870.
Singh, D. (2023). ChatGPT: A New Approach to Revolutionise Organisations. Internatio-
nal Journal of New Media Studies (IJNMS), 10(1), 57-63.
Wenzlaff, K. ve Spaeth, S. (2022). Smarter than Humans? Validating how OpenAI’s
ChatGPT model explains Crowdfunding, Alternative Finance and Community Finan-
ce. Validating how OpenAI’s ChatGPT model explains Crowdfunding, Alternative
Finance and Community Finance.(December 22, 2022).
Yue, T., Au, D., Au, C. C. ve Iu, K. Y. (2023). Democratizing financial knowledge with
ChatGPT by OpenAI: Unleashing the Power of Technology. SSRN 4346152’de mev-
cuttur.
Zaremba, A. ve Demir, E. (2023). ChatGPT: Unlocking the Future of NLP in Finance.
SSRN 4323643’de mevcuttur.
Zhai, X. (2022). ChatGPT user experience: Implications for education. SSRN 4312418’de
mevcuttur.
- 168 -
11. BÖLÜM
Giriş
- 169 -
- Yapay Zekâ ve Yönetim -
- 170 -
- Yapay Zeka Uygulamalarının Sürdürülebilir Tedarik Zincirlerine Etkileri -
lanıcıların transit sevkiyat riskine hızlı bir şekilde yanıt vermelerini sağlamak için
platformunda RiskGPT adlı bir yapay zekâ yazılımı kullanmaktadır. Nakliyeciler
RiskGPT'ye belirli bir olaya nasıl çözüm sunacaklarını sorduklarında ayrıntılar ve
bağlamsal doğruluk içeren bir yanıt almaktadır. Bu uygulama sayesinde karar
vericiler daha fazla sayıda riski yönetebilmektedir (Arabe, 2023).
Diğer yandan, tedarik zincirinde sürdürülebilirlik, her geçen gün önemi hızla artan
bir konu haline gelmiştir. Dünyanın dört bir yanındaki şirketler karbon emisyonla-
rını azaltmak, atıkları azaltmak ve çalışma koşullarını iyileştirmek için önemli
adımlar atmaktadır. İşletmeler tedarik zinciri yönetimi sistemlerinde sürdürülebi-
lirlik metriklerini takip ederek, yenilenebilir enerjiye öncelik veren, ürünleri ve
malzemeleri geri dönüştüren veya tedarikçiler arasında daha fazla sosyal sorumlu-
luğu teşvik eden çok yönlü programları izlemeleri gerekmektedir (Luther, 2020).
İşte bu bölümde yapay zekanın sürdürülebilir tedarik zincirine etkilerinin neler
olduğu/olabileceği konusunda bir içgörü sunulması amaçlanmıştır. Bu amacın ger-
çekleştirilmesi için sürdürülebilir tedarik zinciri yönetiminde yapay zekâ uygula-
maları ile ilgili makaleler, raporlar ve güvenilir internet kaynakları incelenerek
konuyla ilgili güncel bilgiler derlenmeye çalışılmıştır. Sürdürülebilir tedarik zinciri
yönetimini destekleyen çeşitli yapay zekâ uygulamalarının etkileri vurgulanarak,
son derece yeni bir çalışma alanı olan sürdürülebilir tedarik zincirinde yapay zekâ
uygulamalarına yönelik anlayışın oluşturulması konusunda rehberlik edebilecek
bilgiler aktarılmıştır.
- 171 -
- Yapay Zekâ ve Yönetim -
Tüm dünyada odak noktasının firma seviyesinden tedarik zinciri seviyesine dö-
nüşmesi, işletmelerin sadece kendi içi operasyonlarında değil, ürettikleri ürünlerin
tüm yaşam döngüsü boyunca sürdürülebilirlik ilkeleri doğrultusunda tüm ortakları
ile birlikte hareket etmesi gerekliliğini doğurmuştur. İşte bu noktada sürdürülebilir
tedarik zinciri kavramı ön plana çıkmaktadır. Sürdürülebilir tedarik zinciri yöneti-
mi, müşteri ve paydaş gereksinimlerinden türetilen sürdürülebilir kalkınmanın
ekonomik, çevresel ve sosyal olmak üzere üç boyutundaki hedefleri dikkate alarak
tedarik zinciri boyunca işletmeler arasından malzeme, bilgi ve sermaye akışlarının
yönetimi ve işbirliğinin sağlanması olarak tanımlanmaktadır (Seuring & Muller:
2008:1700). Sürdürülebilir tedarik zinciri yönetimi kısa ve uzun vadeli karlılığı,
paydaş gereksinimlerini, rekabet gücünü ve kuruluşun dirençliliğini elde etmek
için ürün veya hizmetlerin tedariki, üretimi ve dağıtımıyla ilişkili malzeme, bilgi
ve sermaye akışlarını etkin bir şekilde yönetmek için koordineli bir tedarik zinciri
oluşturmak üzere sosyal, ekonomik ve çevresel hususların temel kuruluşlar arası iş
sistemleriyle gönüllü olarak bütünleştirmektedir (Dubey vd., 2017: 1120). Birleş-
miş Milletler Global Impact 2010 Raporu’na göre tedarik zinciri sürdürülebilirliği,
çevresel, sosyal ve ekonomik etkilerin yönetimi ile ürün ve hizmetlerin yaşam
döngüsü boyunca iyi yönetişim uygulamalarının teşvik edilmesidir. Tedarik zinciri
sürdürülebilirliği ile ürünlerin/hizmetlerin müşteriye ulaşıncaya kadar ki tüm pay-
daşlar için uzun vadeli çevresel, sosyal ve ekonomik değer yaratmak, korumak ve
büyütmek amaçlanmıştır (Gedik, 2021: 832).
Sürdürülebilir tedarik zincirlerine odaklanmak çevresel, sosyal ve yönetişim çaba-
ları için kilit önem taşımaktadır. Çünkü bir kuruluşun sera gazı emisyonlarının
%90'ından fazlası ile işletme maliyetlerinin %50 veya %70'i tedarik zincirleri faa-
liyetlerinden kaynaklanmaktadır (Alves & Steinberg, 2022). Sürdürülebilir tedarik
zinciri kapsamında yürütülen tüm faaliyetler, odak işleteme ile birlikte çalışan alt
işletmelerin yanı sıra müşterilere kadar uzanan geniş bir ağı kapsamaktadır. Teda-
rik zinciri sürdürülebilirliği, şirketlerin hammadde tedarikinden üretime, depola-
maya, teslimata ve hatta ürünlerin geri dönüşümüne kadar tüm süreçlerdeki yolcu-
luğunun çevresel ve insani etkilerini dikkate alma çabalarına karşılık gelmektedir.
Bu yolculuktaki amaç, enerji kullanımı, su tüketimi ve atık üretimi gibi faktörler-
den kaynaklanan çevresel zararı en aza indirirken, faaliyetlerin içindeki ve çevre-
sindeki insanlar üzerinde olumlu bir etki oluşturmaktır. Aynı zamanda bu süreçte,
karlılıkla ilgili geleneksel tedarik zinciri hedeflerinin gerçekleştirilmesi gerekmek-
tedir. Sonuç olarak işletmeler tedarik zincirlerini sürdürülebilir kılmak ürün ve
hizmetlerinin yaşam döngülerinin başından sonuna kadar çevresel ve sosyal etkile-
rini yönetebilmek için ölçmeleri gerekecektir.
- 172 -
- Yapay Zeka Uygulamalarının Sürdürülebilir Tedarik Zincirlerine Etkileri -
- 173 -
- Yapay Zekâ ve Yönetim -
turmasına yardımcı olur. Yapay zekâ önemli teknolojik araçlardan biri olup tedarik
zinciri boyunca sürdürülebilirliğin takibi ve denetiminde işletmelere faydalar sağ-
layabilir.
- 174 -
- Yapay Zeka Uygulamalarının Sürdürülebilir Tedarik Zincirlerine Etkileri -
- 175 -
- Yapay Zekâ ve Yönetim -
perGuide'a üretken bir yapay zekâ aracı entegre etmiştir. CoPilot adı verilen bu
yazılım, şirketlerin nakliye verilerine dayanarak raporlar, haritalar ve grafikler
oluşturmasına olanak tanıyor (Arabe, 2023).
Depo Optimizasyonu
Envanter Yönetimi
Tedarik Zincirinde
Yapay Zekanın
Kullanıldığı Alanlar
Taşımacılık
Optimizasyonu
Talep Tahmini
Müşteri Hizmetleri
Yapay zekanın kullanım örnekleri tedarik zincirinin 5 farklı aşamasını işaret et-
mektedir. Bunlar Şekil 1’de görüleceği üzere; envanter yönetimi, talep tahmini,
taşımacılık optimizasyonu, depo otomasyonu ve müşteri hizmetleridir. Shrivastav
(2021) ise çalışmasında tedarik zinciri yönetiminin çeşitli alanlarında kendini gös-
termiş olan yapay zekâ uygulamalarının kullanım alanları daha kapsamlı bir şekil-
de ele alarak 6 temel tedarik zinciri faaliyetinde yapay zekâ kullanımlarını göster-
miştir. Tablo 1’de tedarik zinciri fonksiyonları ve yapay zekanın kullanım amaçları
açıklanmıştır.
- 176 -
- Yapay Zeka Uygulamalarının Sürdürülebilir Tedarik Zincirlerine Etkileri -
Tedarik Zinciri
Amaçlar Yapay Zekanın Kullanımı
Fonksiyonları
Operasyonel verimlilik elde Müşteri talep tahmini
Strateji ve Operasyon
etmek için tüm aktörler arasın-
Planlama Uçtan uca optimizasyon
da stratejik uyum sağlanması
- 177 -
- Yapay Zekâ ve Yönetim -
- 178 -
- Yapay Zeka Uygulamalarının Sürdürülebilir Tedarik Zincirlerine Etkileri -
ce birkaçıdır (Ashton, 2022). Diğer taraftan birçok işletme için hem karbon emis-
yonlarının azaltılması hem de maliyetlerin düşük tutulmasını birbirleriyle çelişen
iki farklı hedef olarak görebilmektedir. Ancak birbirleriyle çelişmekten çok ta-
mamlayıcı yönlerinin keşfedilmesi gerekmektedir. Çünkü, işletmeler için çevresel
ve ticari hedefleri uyumlu hale getirmek mümkündür. Çevresel performansı iyileş-
tirme çabalarının işletme performansını iyileştirebileceği konusunda artık geniş bir
fikir birliği vardır. Örneğin, Unilever'in üretim operasyonlarını yenilenebilir enerji
kullanarak güçlendirme hedefi, operasyonel maliyetleri düşürme, esnekliği artırma
ve büyümeyi teşvik etme fırsatlarıyla açıkça bağlantılı olduğunu göstermektedir
(Stühler, 2021).
Sürdürülebilirlik son yıllarda kritik bir iş odağı haline gelmiş olup tedarik zincirle-
ri bu yükselişten önemli ölçüde etkilenmişlerdir. Sürdürülebilir iş uygulamalarının
önemli bir bileşeni olan tedarik zincirleri, ürünlerin ve malzemelerin küresel hare-
ketini içerir ve genellikle çevreyi ve sosyal koşulları etkiler. Tedarik zincirlerini
sürdürülebilir kılmak için ise şirketler daha fazla teknolojiye yönelmektedir. Gü-
nümüzün yapay zekâ ve analitik çözümleri, çevre politikalarının belirlenmesinden
tedarik hatlarının yeniden yönlendirilmesine kadar birçok aşamada veri odaklı
içgörüler sağlamaktadır (Stühler, 2021). İşletmelerin tedarik zinciri sürdürülebilir-
liğini sağlamada karşılaştıkları en önemli engellerden biri modern tedarik zincirle-
rinin karmaşıklığıdır. Dünya çapına yayılmış yüz binlerce tedarikçiyle, çevresel
verileri, özellikle de sürdürülebilirlik performanslarını izlemek, toplamak ve ölç-
mek zordur (Garcia, 2023). Hükümetler tarafından uygulanan yasal düzenleme
sayısındaki artış, tedarik zinciri verilerinin yönetiminin karmaşıklığını artırmakta-
dır. İşletmelerin veri odaklı kararlar alabilmesi, en etkili sürdürülebilirlik girişimle-
rini uygulayabilmesi ve mevcut ilerlemelerini analiz edebilmesi için tüm bu verile-
rin insan tarafından okunabilir bir formatta sentezlenmesi gerekir. İşte bu noktada
yapay zekâ, işletmelerin verilerle etkileşim kurma biçimini dönüştürme potansiyeli
devreye girmektedir.
Yapay zekâ, ürünleri ayırma ve sökme, bileşenleri yeniden üretme ve malzemeleri
geri dönüştürme süreçlerinde görünürlüğü ve eyleme geçebilmeyi artırabilir ve
malzemeler üzerindeki "döngüyü kapatmak" için gereken tersine lojistik altyapısı-
nın iyileştirilmesine yardımcı olabilir (La Face, 2023). İşletmeler depolar, tedarik-
çiler ve envanter dahil olmak üzere tedarik zinciri bileşenlerinin yapay zekâ des-
tekli sanal tasvirleri olan dijital ikizler oluşturabilir. Bunlar, çevreci olmanın mali-
yetini etkili bir şekilde hesaplayabilen hızlı ve kapsamlı simülasyonlar çalıştırarak
tedarik zinciri davranışı hakkında daha fazla bilgi sağlar (Ashton, 2022).
- 179 -
- Yapay Zekâ ve Yönetim -
Yapay zekâ, tedarik zinciri sürdürülebilirliğini optimize etmek için de değerli bir
araç olabilir ve bunun önemli bir yolu da envanter seviyelerini tahmin etmek ve
yönetmektir. Yapay zekâ, envanter seviyelerini, satış modellerini ve tedarik zin-
ciri trendlerini analiz ederek bir işletmenin ihtiyaç duyduğu ve beklemesi gere-
ken arz ve talebi tahmin etmeye yardımcı olabilir (Garcia, 2023). Bu tür içgörü-
ler, ürünlerin aşırı üretimine, israfın azaltılmasına ve nakliye rotalarının analizi
yoluyla ürünlerin müşterilere güvenli bir şekilde teslim edilmesine yardımcı ola-
caktır. Avery Dennison şirketine göre aşırı üretim ve israf, yaklaşık 163 milyar
dolar değerinde kayıp envantere neden olmaktadır. İşletmeler kârlarını maksimi-
ze ederken aynı zamanda daha az ürün kaybetmek ve müşteri memnuniyetini
artırmak istiyorlarsa, yapay zekâ uygulamaları bunu başarmaya yardımcı olabilir
(Garcia, 2023). Yapay zekâ destekli algoritmalar, şirketlerin talep/tedarik model-
lerini tahmin ederek ve potansiyel tedarik zinciri aksaklıklarını belirleyebilir.
Böylece işletmeler tedarik zinciri operasyonlarını ve emisyon yoğunluğunu op-
timize edebilirler. Yapay zeka, hava durumu, tüketici davranışları ve taşımacılık
modelleri dahil olmak üzere birden fazla kaynaktan gelen verileri analiz ederek,
şirketlerin kullanılabilirliğini artırmak, israfı en aza indirmek ve teslimat karbon
ayak izini azaltmak için operasyonlarını planlamalarına ve ayarlamalarına yar-
dımcı olabilir (La Face, 2023).
Bir yapay zekâ sistemi şunları yapabilir (Garcia, 2023):
Tedarik zinciri boyunca ortaya çakan önemli hacimdeki veriyi toplar, ana-
liz eder ve anlaşılır hale getirir.
Sürdürülebilirlik iyileştirmeleri için önerilerle birlikte farkındalık sağlar,
modeller ve projeksiyonlar oluşturulmasını mümkün kılar.
Toplanan bilgilerin sürekli raporlanması ve gerçekleştirilen tahmine dayalı
analiz sayesinde bir işletmenin gelişebileceği yolların yanı sıra nerede ba-
şarısız olduğunu tespit etme yeteneği sağlar.
İşletme için tehdit oluşturan gelecekteki riskleri değerlendirebilir.
Veriye dayalı karar verme yoluyla tedarik zinciri sürdürülebilirliğini opti-
mize eder.
Aşırı üretimin ve atık üretiminin azaltılmasına üretimin iyileştirilmesine
ve verimliliğin artırılmasına katkı sağlar.
Tedarik zinciri yönetiminde yapay zekâ, sürdürülebilirliği geliştirmek için muaz-
zam bir potansiyele sahiptir. Yapay zekâ, gelişmiş analitik ve gerçek zamanlı veri-
leri kullanarak lojistiği optimize etmeye, israfı azaltmaya ve verimliliği artırmaya
- 180 -
- Yapay Zeka Uygulamalarının Sürdürülebilir Tedarik Zincirlerine Etkileri -
yardımcı olabilir. Örneğin, yapay zekâ destekli tahmine dayalı analitik, hava ko-
şullarını, trafiğin durumunu ve yakıt verimliliğini göz önünde bulundurarak en
verimli nakliye rotalarını belirleyebilir. Bu sayede, taşımacılıkla ilişkili karbon
ayak izinin azaltılması ve tüm tedarik zincirinin sürdürülebilirliğinin iyileştirilmesi
mümkün olacaktır. Buna ek olarak, yapay zekâ talep tahminini ve envanter yöne-
timini iyileştirebilir. Yapay zekâ, geçmiş verileri analiz ederek ve makine öğrenimi
algoritmalarını kullanarak talebi daha doğru bir şekilde tahmin edebilir ve envan-
ter seviyelerini optimize ederek fazla stoğu azaltabilir. Böylece, sürdürülebilirliği
artırabilir, depolama ve depo yönetimiyle ilişkili maliyetleri azaltabilir.
Dünya Ekonomik Forum’unda, düşük karbonlu tedarik zincirlerine geçiş için ge-
lişmiş teknolojilerin iklim değişikliği çözümlerinin bir sonraki aşamasını mümkün
kılacak güçlü araçlar olabileceği vurgulanmıştır. Özellikle yapay zekâ teknolojisi,
optimum rota planlamasın ile verimli karbon sayımı analitiğine, varlık kullanımı-
nın artırılmasına ve akıllı stok yönetimine kadar lojistik faaliyetlerin farklı yönle-
rini optimize etme potansiyeline sahiptir. Yapay zekanın bu alanlarda uygulanması,
tedarik zincirlerini daha verimli, uygun maliyetli ve çevresel olarak daha sürdürü-
lebilir hale getirme potansiyelini sunmaktadır (La Face, 2023). Dahası, yapay
zekâ, üretim süreçlerinde otomasyon ve kestirimci bakım sağlayarak verimliliği
artırabilir ve enerji tüketimini azaltacaktır. Yapay zekâ, ekipman performans veri-
lerini gerçek zamanlı olarak izleyip analiz ederek bakım ihtiyaçlarını tahmin ede-
bilir ve olası arızaları meydana gelmeden önce belirleyebilir. Böylece, arıza süre-
sini ve bakım maliyetlerini azaltırken israfı ve enerji tüketimini en aza indirir
(Cannas vd., 2023). Yapay zekâ, işletmelerin tedarik zincirinde yeniden kullanım,
yenileme veya geri dönüşüm fırsatları için öneriler oluşturmak gibi döngüsel eko-
nomi uygulamaları yönelik ürün tasarımlarını optimize etmek için kullanılabilir.
Bunlar (La Face, 2023):
Enerji optimizasyonu: Yapay zekâ, enerji kullanımına ilişkin verileri analiz ederek
ve verimlilik iyileştirmeleri için fırsatları belirleyerek şirketlerin enerji tüketimle-
rini optimize etmelerine yardımcı olur.
Gemi, kamyon, uçak ve liman optimizasyonu: Yapay zekâ destekli yazılım çözüm-
leri deniz, kara ve hava taşımacılığının verimliliğini ve entegrasyonunu artıracak
kapasitedir. Emisyonları azaltmaya, ihtiyaçları öngörmeye ve operasyonlarda ve-
rimliliği artırmaya yardımcı olmak için yapay zekâ destekli yeni modeller geliştiri-
lebilir.
Talep tahmini: Yapay zekâ, daha doğru talep algılamasına dayalı olarak fazla stoku
veya üretimi azaltmak için kullanılabilir. Talebin ve satın alma modellerinin daha
- 181 -
- Yapay Zekâ ve Yönetim -
- 182 -
- Yapay Zeka Uygulamalarının Sürdürülebilir Tedarik Zincirlerine Etkileri -
dir. Birçok şirket yapay zekanın potansiyelini tam olarak kavrayamamıştır. İşlet-
meler net bir stratejiden, sağlam bir teknoloji altyapısından ve üst yönetimin des-
teğinden yoksundur (Cannas vd., 2023: 2). Üst yönetimin desteği önemli olmakla
birlikte, tedarik zinciri aktörleri arasındaki yapay zekaya bakış açısının uyumlu
olması ve yapay zekâ girişimlerinin doğrudan veya dolaylı olarak fayda sağlaya-
cağı konusunda hemfikir olmaları gerekmektedir. Tedarik zincirindeki her liderin
makine öğrenimi veya optimizasyon konusunda derinlemesine bilgi sahibi olması
gerekmez. Yine de karar vermek için verilerden yararlanmanın sezgilerden daha
iyi olduğuna dair ortak bir inancı paylaşmaları gerekir (Shrivastav, 2021: 9). Ayrı-
ca yıllardır işleri aynı şekilde yapmaya odaklanan ve esnek olmayan iş kültürleri
nedeniyle, sonuçları önemli ölçüde iyileştirebilecek yıkıcı teknolojiler ve yeni iş
uygulamaları benimsemek işletmeler için kolay olmayacaktır. Yeni teknolojiyi
başarılı bir şekilde uygulamak ve operasyonları sürdürmek için bir şirketin "dijital
becerilere" sahip iş gücüne sahip olması gerekir. İnsanların hem üretim süreçlerini
hem de bu süreçleri destekleyen dijital araçları anlamaları son derece önemlidir
(Nozari vd., 2022: 7).
Tedarik zincirlerinin karmaşıklığının önemli bir zorluk olduğunu bilmek gerekir.
Tedarik zincirleri çok sayıda paydaş ve değişkeni içerebilir, ilgili tüm verileri ve
ilişkileri doğru bir şekilde ele alabilen yapay zekâ algoritmaları geliştirmek teknik
açıdan son derece zor olabilir. Büyük miktarda verinin neden olduğu model kar-
maşıklığı insanların modelin nasıl çalıştığını anlamasını son derece zorlaştırdığı
için güven sorununa neden olmaktadır. Tedarik zinciri yönetimi söz konusu oldu-
ğunda yapay zekanın “kara kutu” yapısı, çoğu karar alma ve planlama döngüsünde
insanların şüphe duymasına neden olmaktadır (Shrivastav, 2021: 9).
Cannas vd., (2023) çalışmalarında tedarik zinciri ve operasyon yönetimini destek-
lemek için yapay zekayı uygularken şirketlerin karşılaştığı engelleri finansal, or-
ganizasyonel, stratejik ve teknolojik olmak üzere 4 temel kategoride özetlemiştir.
Tablo 2’de yapay zekanın tedarik zinciri yönetiminde uygulanmasının önündeki
engeller gösterilmektedir.
- 183 -
- Yapay Zekâ ve Yönetim -
- 184 -
- Yapay Zeka Uygulamalarının Sürdürülebilir Tedarik Zincirlerine Etkileri -
- 185 -
- Yapay Zekâ ve Yönetim -
Sonuç
Teknolojik gelişmelerin çok hızlı olduğu bu çağda, yapay zekâ gibi sofistike tek-
nolojilerin yaygın kullanımı işletmelerin faaliyetlerini etkileyecektir. Bununla bir-
likte sürdürülebilirlik konusu işletmelerin göz ardı edemeyecekleri bir çalışma
alanı haline gelmiştir. Bu nedenle, bu çalışmada son derece güncel bir konu olan
yapay zekanın sürdürülebilir tedarik zincirlerindeki potansiyel etkileri hakkında
bir araştırma yapılmıştır. Bu araştırma, yapay zekâ uygulamalarının sürdürülebilir
tedarik zinciri süreçlerini nasıl destekleyebileceğine ışık tutmayı, söz konusu tek-
nolojinin uygulanmasının sağlayacağı faydaları ve karşılaşılabilecek engelleri or-
taya koymayı amaçlamıştır.
Tedarik zinciri, günümüz dünyasında Dördüncü Sanayi Devrimi'nden ve bu dev-
rimin mimarı olan IoT, yapay zekâ, gelişmiş robotik ve büyük veri analitiği gibi
dijital teknolojilerden etkilenen alanlardan biridir. Akıllı tedarik zinciri kavramı,
tüm zincir süreçlerinde sürdürülebilir koşulların sağlanması için önemlidir (Nozari
vd., 2022: 15). Yapay zekânın tedarik zincirinde uygulamalarının sayısı ve önemi
her geçen gün artmaktadır. Yapay zekânın tedarik zinciri ve lojistik alanlarındaki
etki alanları arasında; operasyonel satın alma, arz ve talebi tahmin etmek için teda-
rik zinciri planlaması, envanteri optimize etmek için depo yönetimi, nakliye ve
teslimat süresini ve maliyetlerini azaltmak ve güncel verileri kullanarak tedarikçi
seçimi vardır. Yapay zekâ, tedarik zinciri operasyonları hakkında önemli bilgiler
sağlayarak iyileştirme alanlarını belirlemelerine ve çevresel ayak izlerini azaltmak
için stratejiler geliştirmelerine olanak tanımaktadır.
Diğer taraftan yürütülen son çalışmalar, yapay zekanın iş modellerini dönüştürme
vaadine rağmen, birçok kuruluşun ve tedarik zincirlerinin bu potansiyeli tam ola-
rak kavrayamadığını ve birçoğunun ilgili teknolojilerden yararlanmada çok sayıda
engelle karşılaştığını göstermektedir (Pournader vd., 2021: 12). Bu engellerin tes-
pit edilip gerekli adımların atılması gelecekte rekabet avantajı kazandıracak olan
yapay zekâ uygulamalarının benimsenmesinde oldukça kritik bir hamle olacaktır.
Dolaysıyla ileride yapılacak çalışmalarda sürdürülebilir tedarik zincirinin oluştu-
rulmasında yapay zekâ kullanımının önündeki engellerin araştırıldığı ve bu engel-
lerin birbirleriyle olan neden sonuç ilişkilerinin analiz edildiği vaka analizi temelli
çalışmaların yürütülmesi alanın gelişimine katkı sağlayacaktır.
- 186 -
- Yapay Zeka Uygulamalarının Sürdürülebilir Tedarik Zincirlerine Etkileri -
Kaynakça
ALEWK (2023). The Role of Artificial Intelligence in Building Sustainable Supply Chains
https://alewk.com/blog/the-role-of-artificial-intelligence-in-building-sustainable-
supply-chains/
Alves, R. A. & Steinberg, G. (2022). How sustainable supply chains are driving business
transformation, Ernst & Young, https://www.ey.com/en_gl/supply-chain/supply-
chain-sustainability-2022, Erişim Tarihi: 29.08.2023
Arabe, K. (2023). Top 20 AI Applications in the Supply Chain. Inbound Logistics.
https://www.inboundlogistics.com/articles/top-20-ai-applications-in-the-supply-
chain/, Erişim Tarihi: 31.08.2023
Ashton, P. (2022). How AI Is Driving Sustainability in the Supply Chain. SupplyCha-
inBrain https://www.supplychainbrain.com/articles/35019-how-ai-is-driving-
sustainability-in-the-supply-chain, Erişim Tarihi: 22.08.2023
Buther, K. (2017). AI is reshaping the supply chain. IBM. https://www.ibm.com/thought-
leadership/institute-business-value/en-us/report/cognitivesupplychain, Erişim Tarihi:
02.09.2023.
Cannas, V. G., Ciano, M. P., Saltalamacchia, M., & Secchi, R. (2023). Artificial intelligen-
ce in supply chain and operations management: a multiple case study research. Inter-
national Journal of Production Research, 1-28.
Chen, S. H., Jakeman, A. J., & Norton, J. P. (2008). Artificial intelligence techniques: an
introduction to their use for modelling environmental systems. Mathematics and
computers in simulation, 78(2-3), 379-400.
Dora, M., Kumar, A., Mangla, S. K., Pant, A., & Kamal, M. M. (2022). Critical success
factors influencing artificial intelligence adoption in food supply chains. Internatio-
nal Journal of Production Research, 60(14), 4621-4640.
Dubey, R., Gunasekaran, A., Papadopoulos, T., Childe, S. J., Shibin, K. T., & Wamba, S. F.
(2017). Sustainable supply chain management: framework and further research direc-
tions. Journal of Cleaner Production, 142, 1119-1130.
Garcia, A. (2023). Can AI Help Supply Chains Be More Environmentally Conscious?
World Environment Center. https://www.wec.org/can-ai-help-supply-chains-be-more-
environmentally-conscious/, Erişim Tarihi: 24.08.2023.
- 187 -
- Yapay Zekâ ve Yönetim -
- 188 -
- Yapay Zeka Uygulamalarının Sürdürülebilir Tedarik Zincirlerine Etkileri -
QUANTIC (2023). The Important Role of AI in Supply Chain Management and Logistics.
https://quantic.edu/blog/2023/04/10/the-important-role-of-ai-in-supply-chain-
management-logistics/, Erişim Tarihi: 03.09.2023.
Seuring, S. & Muller, M. (2008). From a literature review to a conceptual framework
for sustainable supply chain management. Journal of Cleaner Production, 16,
1699-1710.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., & Munim, Z. H. (2022). The role of
artificial intelligence in supply chain management: mapping the territory. Internatio-
nal Journal of Production Research, 60(24), 7527-7550.
Shrivastav, M. (2021). Barriers related to AI implementation in supply chain management.
Journal of Global Information Management (JGIM), 30(8), 1-19.
Stühler, G. (2021). How AI Is Paving The Way For More Sustainable Supply Chains. For-
bes Technology Council. https://www.forbes.com/sites/forbestechcouncil/ 2021/01/
20/how-ai-is-paving-the-way-for-more-sustainable-supply-
chains/?sh=3e2626435896, Erişim Tarihi: 23.08.2023.
Toorajipour, R., Sohrabpour, V., Nazarpour, A., Oghazi, P., & Fischl, M. (2021). Artificial
intelligence in supply chain management: A systematic literature review. Journal of
Business Research, 122, 502-517.
Turgut, A. (2023). Lojistik ve Tedarik Zincirinde Yapay Zekâ Çalışmaları: Bibliyometrik
Bir Analiz. Alanya Akademik Bakış, 7(1), 461-480.
- 189 -
12. BÖLÜM
YAPAY ZEKA VE
İNSAN İLİŞKİLERİNDEKİ ROLÜ
GİRİŞ
Bugün bilgi çağının durmadan zenginleşmesi ve teknolojinin gelişimi ile bilgi üre-
timinin artışı, iletişim teknolojilerinin akıl almaz bir şekilde yol alışı birbirine pa-
ralel bir süratle gerçekleşmektedir. Tüm küreyi saran iletişim sistemi içerisindeyiz.
Teknoloji, yaşam döngüsüne öyle güzel bir uyumla gelişmekte ve değişim gerçek-
leşmektedir ki bu değişimin farkında olmadan küresel olarak değişim yaşanmakta-
dır. İletişim teknolojilerinin, internetin ve gelişen teknolojik cihazların yakın bir
geçmişte olmadığı düşünüldüğünde içerisinde bulunulan süratin gerçekliği ile kar-
şı karşıya kalınmaktadır. Günümüzde iletişim teknolojilerinin önemi yaşam içeri-
sinde olmadıkları düşünüldüğünde daha iyi anlaşılabilir. Bugün, internet öncesi
döneme bakıldığında, insanlığın yaşam akışı nasıl gerçekleşiyordu diye düşünme-
mek mümkün değidir. Kısa denilebilecek bir dönem içerisinde de bu değişime
nasıl uyum sağlandığı ve sanki hep bu teknoloji içerisinde yaşam akışı var oluyor-
du gibi teknoljik gelişimle bütünleşmek ayrı bir gerçek olarak ortaya çıkmaktadır.
Sürekli gelişen teknoloji yaşam koşullarını hızlandırmakta, daha akıllıca yol alma-
- 191 -
- Yapay Zekâ ve Yönetim -
ya ve bilginin, işleyişin köklü bir şekilde yaşamın her alanına girmesine olanak
sağlamaktadır.
İletişim sistemlerinin karmaşık yapısı ve teknolojinin yaşamın büyük bir alanı kap-
lamasıyla, bugün yapay zeka kavramı ile karşılaşılmaktadır. ‘Yapay Zeka’ kavramı
ilk anda ister akademisyen, öğretmen, öğrenci veya toplumdan herhangi bir birey
olsun, ister iş insanı olsun bir çok kişi üzerinde merak uyandırmaktadır. Nedeni araş-
tırıldığında, zeka gibi soyut bir kavramın yapay ile nitelendirilmesi olarak ifade edi-
lebilir. Kavramın uyandırdığı merakla birlikte, içeriği ya da temsil ettiği konular
hakkında bir çok çalışma bulunmaktadır. Pek çok teknolojik gelişimin ardından ge-
len yapay zeka, günümüz dünyasında en son teknolojik yeri kaplamaktadır.
Yaşamın her alanında, yapay zeka olarak adlandırılan akıllı sistemler yer almaktadır.
Bu sistemler yapay sinir ağları ve sayısal verilerle hareket ederek, bilgileri depolaya-
rak iletişime geçerler. Yapay zekanın çevresinde konuşulan konu başlıkları, bileşen-
ler ile yapay sinir ağları, uzman sistemler, bulanık mantık, genetik algoritmalardır.
Yapay zekayı sahiplenen bir çok disiplin vardır. Bazıları, bilgisayar mühendisliği,
felsefe, bilişsel bilim, elektronik bilimlerdir. Yaşamın her alanında, yapay zeka ola-
rak adlandırılan akıllı sistemler yer almaktadır. Bu sistemler yapay sinir ağları ve
sayısal verilerle hareket ederek, bilgileri depolayarak iletişime geçerler.
Bu çalışma ile amaç, yaşanan teknolojik gelişimlerle ortaya çıkan yapay zekanın
insanlık üzerindeki iletişimsel etkisini yapay zekanın özellikleri ve uygulama alan-
larını irdeleyerek yapay zekanın ilişkilerdeki rolünü ortaya koymaktır.
- 192 -
- Yapay Zeka ve İnsan İlişkilerindeki Rolü -
den yaşamsal noktaları yerine getiren bir sanal çalışma olarak tanımlanmıştır (Na-
biyev, 2012). Yapay zeka ile ilgili pek çok şey yazılmakta ve söylenmektedir. Ön-
celikle akıl ve zeka kavramları birbirine eş tutulabilir mi diye değerlendirmek ge-
reklidir. Genellikle toplumda akıl kavramı, insan zekasının seviyesini ifade etmek
için kullanılır. Akıl düşünebilme, anlayabilme, analizleme, karar verebilme ve
tedbirli olabilme yeteneğine sahip olabilmektir. Zeka kavramı, var olan her şeyi
anlama, değerlendirme ve sonucu belirleme yeteneğini barındırmak olarak ifade
edilebilir. Zekanın ölçülebilirliği ve ne kadar ölçülebildiği tartışılırken, ortak bir
ifade ile zeka, bilginin, beyin tarafından alınıp, süratli ve doğru bir şekilde analiz
edilmesi olarak tarif edilmiştir (Tekin, 2006).
Akıl ve zeka kavramı önemli noktalarla birbirinden ayrılırken, yapay zekanın, in-
san beynindeki biyolojik sinirsel yapısının yapaya uyarlanması ile algılayıcılar
sayesinde özümsenmiş ya da sınıflara ayrılmış bilgilerle yeni bilgileri ortaya ko-
yabilen, kararları verebilen gelişmiş sanal praogramlar olarak ifade edildiği vurgu-
lanır (Efe, Abadoğlu ve Kaynak, 1999; Efe ve Kaynak, 1999; Narendra ve Partha-
sarathy, 1990).
Yaşam sürecinde yapay sinir ağları geliştirilerek pek çok konuda ve uygulama
alanlarında kullanılıyor olup her geçen gün olabilir mi denilen her yeniliğin anah-
tarı rolünü üstlenmektedir.
Uygulama alanları her geçen gün artarken, “kan analizlerinin sınıflandırılması, beyin
modellemesi çalışmaları, parmak izi tanıma, kredi kartı hilelerini saptama, ses tanı-
ma, meteorolojik yorumlama, elektrik işareti tanıma, el yazısı tanıma, hastalıkların
tanımlanması ve tedavisi, radar ve sonar sinyalleri sınıflandırma, spam maillerin
filtrelenmesi olarak örnek verilebilir” (Keskenler ve Keskenler, s.11, 2017).
Yapay sinir ağları ile ilgili incelemeler yaparken, bilgisayarın gelişiminde dönüm
noktası olarak gösterilen 1980 yılları öncesini ve sonrasını dikkate alarak değerlen-
dirmek önemlidir. Yapay sinir ağlarının durgun ilerleme gösterdiği dönem ile hız
kazandığı dönem sonrasında özellikle 1990’lı yıllarda yapay sinirsel ağların geldiği
durum ve kazandığı boyut takibi zor bir süreci de beraberinde getirmiştir. Bilgisayar
donanımının gelişimi, teknik olarak pek çok şeyi ortaya koymuştur. Bilgisayar do-
nanımının gelişimi, yapay sinirsel ağların gelişimine önemli katkı koymuştur. Özel-
likle 1990’lı yıllar sonrası alışılmış teorik çalışmalar ve laboratuvar ortamlarından
çok yaşamımızdaki sistemlere uyarlanmaya çalışılan yapay sinir ağları insanlığa
fayda sağlamaya başlamıştır (Öztemel, 2012). Yapay sinir ağlarının gelişimi ve kul-
lanımı ile insanlığın ortaya koyacağı ultra teknolojik ilerlemelerin her anlamda dün-
yanın dönüş hızına ayak uydurmaya yönelik gelişimler olacağının düşünülmesi ka-
çınılmazdır. Gelişmekte olan yapay sinir ağlarının yaşam süreci içerisinde, özellikle
- 193 -
- Yapay Zekâ ve Yönetim -
- 194 -
- Yapay Zeka ve İnsan İlişkilerindeki Rolü -
Yapay zekanın konusu çok geniştir ve karmaşık prosedürleri kapsar. Bu, çalışma
konusunda neden çok çeşitli teorilerin, tekniklerin ve teknolojilerin kullanıldığı-
nı açıklamaktadır. Şekil 2'de yapay zekanın alt alanları gösterilmektedir. Bilişsel
hesaplama, birbirleriyle ve insanlarla iletişim kuran akıllı sistemleri tanımlamak
için kullanılan terimdir. Bu sistemler, kasıtlı olarak kodlanmak yerine bilgiyi
çevrelerindeki deneyimlerden ve insan etkileşimlerinden alır. Yapay zeka sis-
temleri de insanlar gibi bilgiyi uygulamadan önce parça parça edinir (Güngör ve
Yardımcı, 2020).
- 195 -
- Yapay Zekâ ve Yönetim -
- 196 -
- Yapay Zeka ve İnsan İlişkilerindeki Rolü -
- 197 -
- Yapay Zekâ ve Yönetim -
Teknolojinin gelişimi ile internet, internetin gelişimi ile sosyal ağlar ve bu ağların
artışı, arama tekniklerini geliştirmiş ve bilgi sistemlerini daha faydalı duruma ge-
tirmiştir. Bilim insanlarının sıklıkla sorduğu soru bilgisayarlar ve geliştirilen tek-
nolojik cihazlar insanlardan daha zeki olur mu sorusudur. Konu ile ilgilenen uz-
manlar ve bilim insanları temelde geliştirilen tekniklerin sürekli yenilenmesi ve
bunun da insanlar tarafından gerçekleştirilmesi nedeni ile bilgisayarların ve gelişti-
rilen teknolojik cihazların insanlardan daha zeki olamayacağı yargısına varmaları-
na sebep olmuştur. Bilgisayarlara ve en yeni tabiri ile akıllı cihazlara bilgiler yük-
lenir, buna göre bilgilerin kullanımının nasıl gerçekleşeceği belirlenir ve yükleme
gerçekleşir. Böylelikle istenilen konu ile ilgili sonuç üretilebilir. Bilgisayarlar bil-
giyi kullanan ve işleyen cihazlar olarak pek çok konuda pek çok yönden derinle-
mesine işlev gerçekleştirirler. Böylece sonuç elde ederek tatminkar yönlendirmele-
re sebep olurlar.
- 198 -
- Yapay Zeka ve İnsan İlişkilerindeki Rolü -
Pek çok alanda yapay zekanın uygulanmakta olduğu görülmektedir. Her alana
yansıdığı gibi iletişim alanına da yansımakta ve etkililiğini hissettirmektedir. İleti-
şim teknolojilerinin gelişmesi ile yapay zeka kullanımı daha da bir önem kazanmış
ve süreç içerisinde önemi artmıştır. Disiplinler arası bir alan olarak değerlendirile-
bilecek yapay zeka, mühendislik alanlarından, elektroniğe, programlamadan felse-
fe gibi farklı bilim dalları ile ilgili olmakta ve bu alanlarla bütünleşmektedir (Öz-
türk ve Şahin 2018).
İletişim alanı içerisine giren pek çok bölüm, yapay zekayı ve uygulamalarını aktif
olarak kullanırken, örneğin; halkla ilişkilerden sorumlu çalışan ve uzmanlar etki
sahibi olarak yapay zekayı kullanmaktadırlar (Ilıcak Aydınalp, 2020). Dijitalleşme
yaşama ayrı bir iletişim hızı kazandırmıştır. Bu iletişim hızı ile de yapay zeka ayrı
bir boyut ve önem kazanmıştır. Sesli mesajlar, konuşmalarda gerçekleşen ifadelere
karşılık verecek şekilde ortaya çıkarılmıştır. İnternetten yapılan aramalarda yanıt-
ların hemen ekrana gelmesi, aranılan bir anahtar sözcükle bilgisayar veya akıllı
telefonlarda sürekli olarak bu anahtar sözcüğe yönelik reklam veya promosyonlar
çıkması, iletişim alanını da daha yaşamın odağı, nefesi durumuna getirmiştir. İleti-
şim faaliyetlerinin etkililiği yapay zeka ile artmaktadır. İletişimde yapay zekanın
önemi her alanda dikkat çektiği gibi eğitim dünyasında akademisyenler tarafından
da üretkenlik potansiyeli fark edilmeye başlanmıştır (Panda, Upadhyay ve Khan-
delwal, 2019).
Yapay zeka ile birlikte iletişim alanında da önemli gelişmeler olmuştur. Haber
yazılarının otomatik yazılımından, insanlarla makinelerin iletişim kurabilmesine,
duygu ve düşüncelerin analizinden, insanı etkileyen içeriklerin cazibesine kadar
yapay zekadan faydalanılabilir duruma gelinmiştir. Yapay zeka, pek çok alanda
varlığını güçlü bir şekilde ortaya koymaktadır. Günümüzde yapay zeka için çok
fazla kaynak olmamasına rağmen, büyük oranda bu alanda çalışmalar yapılmakta-
dır. Kısa bir süre içerisinde gelişimi kadar süratli varlığı ile kendini her alanda her
an gösterebilecek uygulamalarla da, kaynaklarla da gözler önüne serecektir. Geli-
şen iletişim teknolojileri ile gelişen yapay zeka birebir iletişim alanı ile örtüşerek
ilerlemektedir.
İletişim ilk insanla birlikte doğarak her an yaşamın sürdürülebilmesi için var olan
kaçınılmaz bir gerçektir. Yiyecekten içeceğe, giyinmekten barınmaya kadar temel
ihtiyaçlar doğrultusunda hareket ederek varlığını sürdüren insanlık en temel ihti-
- 199 -
- Yapay Zekâ ve Yönetim -
- 200 -
- Yapay Zeka ve İnsan İlişkilerindeki Rolü -
Yapay zeka hızla gelişen teknoloji ve iletişim teknolojilerinin de getirisi ile insan
yaşamına aynı süratle girmiş ve çeşitlenip gelişerek girmeye de devam etmektedir.
İnsanlık şu ana kadar yaşanmamış, kendi yarattığı ancak kendi kontrolü üzerine
çıkabilecek muazzam bir üretkenlik göstermiştir. Geliştikçe insanlığı dahi şaşırta-
cak yapay zeka bugüne kadar üretilen teknolojik ürünlerden çok daha farklı, çok
daha muazzam ve aklın ürettiğinin aklın üzerine geçmesini sağlayacak bir şaheser
olarak ortaya çıkmaktadır.
- 201 -
- Yapay Zekâ ve Yönetim -
- 202 -
- Yapay Zeka ve İnsan İlişkilerindeki Rolü -
ğından uzaklaştıran ve yapay zekayı doğallığın içine çekerek aslında yapay zeka
yıllar boyu var olan bir oluşum olarak değerlendirilebilir.
Başlarda olur mu diye düşündüren tüm yenilikler gibi yapay zeka için de gösteri-
len aynı yaklaşım, yapay zekanın gelişimi ve her gün yeni bir özellikle doğacağı
göstergeleri insanın yapay zekayı doğallaştırmasına hızlı bir bakış açısı getirmek-
tedir. İletişimin kazandığı, kazanacağı boyutta insan ve doğası, yapay zekanın olu-
şumuna yansıyarak ilişkilere bu şekilde yön verecektir diye düşünülüp konuşulu-
yorken, makinelerin insana benzetildiği yapay zeka- yapay insan modelinde aslın-
da insanlar makinelere benzeyerek ve benzerlikleri örtüşerek uyumlaşarak yaşam-
da yol alacağı kaçınılmaz bir gerçek olarak görülmektedir.
5. SONUÇ
Yapay zeka günümüzde gündemden düşmeyen ve hemen hemen her alanda karşı-
laşılan teknolojinin son noktası olarak değerlendirilen bir kavram olarak bilinmek-
tedir. İnsanın ürettiği, insan ötesi becerilerle ve yetilerle zaman yolculuğunda yeri-
ni bulacak gibi görülmektedir. İnsanın sahip olduğu tüm özellikler değerlendirile-
rek modellenen yapay zeka, bireysel ilişkiler, toplum hatta toplumlar arası etkile-
şimlere farklı bir zemin hazırlayacak güce sahip olabileceği gözlenmektedir. Bu
durumda ifade edilmelidir ki, her alanda ekonomik, sosyal, kültürel, ahlaki, psiko-
lojik ve hukuki olarak gözden geçirilmesi ve değerlendirilerek bu yönde çalışmalar
doğrultusunda hareket edilmesi büyük önem taşımaktadır. İnsanlığın ürettiği bu
olağanüstü yeniliğin, insanlığın sonunu getirmeyecek hatta insana katkı koyarak
güçlü bir şekilde ileriye taşıması gerekmektedir. Aklın sınırlarını zorlayan bu yeni
dünyanın aslında yapay zeka ile başlayacak olmasını fark etmemek mümkün de-
ğildir. Yapay zekanın önemi ve ne kadar etkili olup, yaşama nasıl şekil vereceği
sosyal olarak ortaya koyacağı etkilerle oluşmaya başlayacaktır. Bunun farkında
olarak yapay zekayı şekillendirmek ve faydalı alanlarda insanlığa fayda sağlaya-
cak şekilde ortaya koymak ayrı bir sosyo itina gerektirmektedir. İnsan merkezli
yaklaşımlar doğrultusunda yapılan çalışmaların “yapay zekâ çalışmaları yapay
zekânın toplumsal eşitsizlik üretme, iktidarın denetim ve baskı aygıtı ve genel ola-
rak topluma etkileri bağlamında teknolojinin, salt teknik veya kültürel ve ideolojik
yargılardan bağımsız olmadığını ortaya koyması açısından son derece önemli so-
run alanlarını irdelediğini söyleyebiliriz” (Adaş, E. B. ve Erbay B.2022, S.334).
Yapay zekanın oluşumu, ortaya nasıl çıkarılacağı, nereye veya kimlere hangi amaç
ile hizmet edeceği, uygulanışı ve bu uygulamada kimlerin nasıl etkileneceği, bu-
nun nasıl yansıma yapacağı, sonuç olarak insanlığın karşı karşıya kaldığı durumla
- 203 -
- Yapay Zekâ ve Yönetim -
KAYNAKÇA
Adalı, E., “Doğal Dil İşleme”, Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği
Dergisi, 2016, 5 (2). https://dergipark.org.tr/tr/pub/tbbmd/issue/22245 /238797
Adaş, E. & Erbay, B. (2022). Yapay Zekâ Sosyolojisi Üzerine Bir Değerlendirme. Gazian-
tep University Journal of Social Sciences, 21 (1), 326-337. DOI: 10.21547/jss.991383
Andrew, A. M., (1991). Artificial Intelligence. Boston: Addison Wesley Company.
Artut, S. (2019). Yapay Zeka Olgusunun Güncel Sanat Çalışmalarındaki Açılımları . İnsan
ve İnsan, 6 (22) , 767-783. DOI: 10.29224/insanveinsan.478162
Beck, U. (2011). Risk toplumu: Başka bir modernliğe doğru (K. Özdoğan, B. Doğan,
Çev.), İstanbul: İthaki Yayınları.
Charniak, E., McDermot, D., (1985). Introduction to Artificial Intelligence. Boston: Addi-
son-Wesley Company
Copeland, J. (1993). Artificial Intelligence: A Philosophical. Blackwell: Oxford.
Çakıroğlu, M. A., Süzen A. A., “Assessment and Application of Deep Learning
Algorithms in Civil Engineering”, El-Cezerî Fen ve Mühendislik Dergisi 2020, 7(2),
906-922.
Davies, E., “Machine Vision, third ed.”, Signal Processing and its Applications, Morgan
Kaufmann, Burlington, 2005. doi:https://doi.org/10.1016/B978-0-12-206093-9.
Demirkan, H., Earley, S. and Harmon, R. R., “Cognitive Computing”, IT Professional,
2017, 19 (4), 16-20.
Efe, Abadoğlu, E., ve Kaynak, O. (1999). Analysis and Desing of a Neural Network Assis-
ted Nonlinear Controller for a Bioreactor. International Journal of Robust and Nonli-
near Control, 9(11), 799- 815.
Efe, ve Kaynak, O. (1999). A Comparative Study of Neural Network Structures in Indenti-
fication of Nonlinear Systems. Mechatronics, 9(3), 287-300.
Efe, ve Kaynak, O. (2000). Yapay Sinir Ağları ve Uygulamaları: Boğaziçi Üniversitesi.
Ellul, J. (1964). The technological society. New York: Vintage Books.
- 204 -
- Yapay Zeka ve İnsan İlişkilerindeki Rolü -
Foucault, M. (2012). İktidarın gözü: Seçme yazılar 4 (I. Ergüden, Çev.). İstanbul: Ayrıntı
Yayınları.
Gültekin, A. & Çelebi, E. (2021). Spinoza Ontolojisi Bağlamında Yapay Zeka Ve Bir
Duygu Varlığı Olan İnsan Üzerine Bir Değerlendirme. Birey ve Toplum Sosyal Bilim-
ler Dergisi, 11 (2), 27-42. DOI: 10.20493/birtop.1020539
Güngör, D. N., Yardımcı, U, İ., “Yapay Zeka Kavramı ve Makine Öğrenme Uygulamala-
rı”, Erişim adresi: https://stratejico.com/yapay-zeka-kavrami-ve-makineogrenme-
uygulamalari Erişim Tarihi: 27.07.2020
Heidegger, M. (1977). The question concerning technology and other essays. New York:
Garland Publishing.
Ilıcak Aydınalp, Ş. G. (2020). Halkla İlişkiler Perspektifiyle Yapay Zekâ. Turkish Studies-
Social, 15(4), 2283-2300.
Intellipaah., “What is Artificial Intelligence?”, Erişim adresi: https://intellipaat.com/blog/
what-is-artificial-intelligence/ Erişim tarihi:27.07.2020
Karaduman, T. (2019). Yapay zekâ uygulama alanlari. Gazi Universitesi, Bilisim Enstitu-
su, Adli Bilisim. ABD.
Keskenler, M. F. ve Keskenler, E. F. (2017). Geçmişten Günümüze Yapay Sinir Ağları ve
Tarihçesi. ISSN: 2148-0087 Basım Tarihi: 29 Aralık 2017/ 11 Rebîulâhir 1439 Cilt:
5 No: 2 Sayfa: 8-18
LeCun, Y., Bengio, Y. and Hinton, G., “Deep learning”. Nature, 2015, 521, 436-444.
Liu, Z. (2021). Sociological perspectives on artificial intelligence: A typological reading.
Sociology Compass, 15(1).
Marx, K. (2019): Kapital: Ekonomi politiğin eleştirisi, I. cilt. (M. Selik, N. Satlıgan, Çev.).
İstanbul: Yordam Kitap.
Nabiyev, V. V. (2012). Yapay Zekâ: İnsan-Bilgisayar Etkileşimi. Baski Yeri: Seçkin Ya-
yıncılık.
Narendra, K. S., & Parthasarathy, K. (1990). Indentification and Control of Dynamical
Systems Using Neural Networks. IEEE Transactions on Neural Networks, 1(1), 4-27.
Öztemel, E. (2003). “Yapay Sinir Ağları”, Papatya Yayıncılık, İstanbul.
Öztemel, E. (2012). Yapay Sinir Ağları (Vol. 3). İstanbul: Papatya Yayıncılık Eğitim.
Öztürk, K. & Şahin, M. (2018). Yapay Sinir Ağları ve Yapay Zekâ’ya Genel Bir Bakış.
Takvim-i Vekayi, 25-36.
Panda, G., Upadhyay, A. & Khandelwal, K. (2019). Artificial Intelligence: A Strategic
Disruption in Public Relations. Journal of Creative Communications., 14(3),
196-213.
- 205 -
- Yapay Zekâ ve Yönetim -
Popov, E. V., (Ed), (1990). Yapay Zekâ. Uzman Sitemler ve Doğal Dil İşleme. Moskova:
Radio i Svyaz, s. 461.
Ratner, B., “A comparison of two popular machine learning methods”, DM STAT-1 Onli-
ne Newsletter about Quantitative Methods in Direct Marketing, 2000, 4.
Russell, S., Norvig, P., “Artificial intelligence: a modern approach”, Upper Saddle River,
NJ: Prentice-Hall Samuel, A. L. Some Studies in Machine Learning Using the Game
of Checkers. IBM Journal of Research and Development, 1995, 3 (3), 210-229.
Spinoza, B. D. (2016). Ethica geometrik yöntemle kanıtlanmış ve beş bölüme ayrılmış
ahlak (Çev.: Çiğdem Dürüşken). İstanbul: Kabalcı Yayınları.
Tekin, H. (2006). Yapay Zekâ. Journal of Yasar University, 1(1), 81-93.
- 206 -