Yapay zekadan çözüm istemeden önce neyi problem olarak tarif ettiğimize bakmak gerekiyor. Gördüğümüz şey bir belirti mi? Değişmesi gereken sonuç ne? Yapay zeka iyi tanımlanmış bir probleme saniyeler içinde çok sayıda çözüm üretebilir, fakat yanlış çerçevelenmiş bir problemi de aynı hızla büyütebilir.
Problemi anlamaya çalışırken tek bir yönteme bağlı kalmamayı önemsiyorum. Balık kılçığı diyagramı olası nedenleri insan, süreç, teknoloji, çevre ve yönetim gibi başlıklarda incelemeye yarıyor. Beş Neden ile kök nedene doğru ilerleniyor. Sokratik sorgulama varsayımları, kanıtları ve karşı örnekleri açığa çıkarırken TRIZ, çelişkileri çözüm tasarımının merkezine alıyor.
AI bu inceleme sırasında ekipten gelen gözlemleri kümeleyebilir, gözden kaçmış olabilecek nedenler önerebilir, çelişkiler ve farklı problem ifadeleri üretebilir. Çözüm önerilerinden önce eksik soruları, alternatif problem çerçevelerini ve karşı kanıtları istemek de mümkün. Hangi verinin güvenilir, hangi nedenin anlamlı ve hangi problemin çözülmeye değer olduğuna insanlar karar verir.
Çözüme geçmeden önce problem ifadesini birkaç kez yeniden yazmak işe yarar. Etkilenen kişiyi, istenmeyen sonucu, bağlamı, kanıtı ve sınırları açıkça tarif etmek, neyi çözmeye çalıştığımızı netleştirir. İlk tanımdan çözüm dilini çıkarmak da önemlidir. Böylece belirli bir çözüme erkenden bağlanmadan nedenleri ve çelişkileri inceleyebiliriz.
Kendinize sorun
- Çözmeye çalıştığımız şey problem mi, yalnızca görünen belirti mi?
- Hangi varsayımı gerçek kabul ediyoruz?
- Problem farklı bir paydaşın gözünden nasıl görünür?
