Bu açılış oturumu, yapay zekânın ne olduğunu ve —belki daha da önemlisi— ne olmadığını netleştirerek programın kavramsal zeminini kurar. Makine öğrenmesinden derin öğrenmeye, oradan üretken zekâya uzanan katmanlı haritayı; teknik gerçekleri medyatik abartıdan özenle ayırarak çıkarırız. Zekâ kavramının tarihsel ve teknik evrimini izler, “dar” ve “genel” yapay zekâ arasındaki farkı bugünün gerçekleriyle konumlandırırız. Oturumun sonunda katılımcı, alanın terminolojisine ve büyük resmine hâkim, sağlam bir zihinsel çerçeveye sahip olur.

OTURUM KAPSAMI

- Yapay zekâ, makine öğrenmesi, derin öğrenme ve üretken zekâ arasındaki katmanlı ilişki

- “Zekâ” kavramının tarihsel ve teknik evrimi

- Dar (narrow) yapay zekâ ile genel yapay zekâ (AGI): bugün gerçekte neredeyiz?

- Denetimli, denetimsiz ve pekiştirmeli öğrenmenin sezgisel mantığı

- Yapay zekânın güncel yetkinlik alanları ve sınırları

- Medya algısı, beklenti yönetimi ve yaygın mitlerin çözümlenmesi

- Kurumlar için yapay zekânın stratejik ve rekabetsel anlamı

- Yapay zekâ ekosistemi: veri, model, hesaplama gücü ve yetenek

ÖĞRENİM ÇIKTILARI

- Yapay zekânın temel kavram ve katmanlarını doğru terminolojiyle tanımlayabilme

- Abartı ile gerçek yetkinlikleri birbirinden ayırt edebilme

- Dar ve genel yapay zekâ ayrımını güncel örneklerle açıklayabilme

- Bir problemin yapay zekâya uygunluğunu ilk düzeyde değerlendirebilme

- Kurumsal bağlamda yapay zekânın stratejik değerini yorumlayabilme

Bu oturum, yapay zekânın felsefi temellerine inerek teknolojiyi daha derin bir zeminde anlamamızı sağlar. “Düşünme”, “anlama” ve “bilinç” kavramlarını; zihin felsefesi, dil felsefesi ve etik üzerinden tartışırız. Turing Testi ve Çin Odası gibi klasik düşünce deneyleri üzerinden, dil modellerinin gerçekten “anlayıp anlamadığı” sorusunu ele alırız. Amaç, teknik coşkuyu eleştirel bir felsefi bilinçle dengeleyerek katılımcının makine zekâsına dair olgun bir bakış geliştirmesidir.

OTURUM KAPSAMI

- Zihin felsefesi: bilinç, niyetlilik (intentionality) ve anlam

- Turing Testi: gücü, sınırları ve modern yorumları

- Çin Odası argümanı ve “anlama” tartışması

- Dil felsefesi: sembol, gönderim ve dil modelleri gerçekten “anlıyor” mu?

- Güçlü (strong) ve zayıf (weak) yapay zekâ ayrımı

- Etik, önyargı (bias) ve değer hizalaması (alignment)

- Yapay zekânın toplumsal ve düşünsel etkileri

- İnsan zekâsı ile makine zekâsının tamamlayıcılığı ve iş bölümü

ÖĞRENİM ÇIKTILARI

- Yapay zekânın felsefi temel kavramlarını tanımlayabilme

- “Anlama” ve “düşünme” tartışmalarını klasik argümanlarla değerlendirebilme

- Dil modellerinin bilişsel iddialarını eleştirel biçimde sorgulayabilme

- Etik ve hizalama sorunlarının önemini gerekçelendirebilme

- İnsan–makine tamamlayıcılığı üzerine olgun bir bakış geliştirebilme

Veri okuryazarlığının neden çağımızın temel yetkinliği olduğunu ortaya koyan bu oturum, sayılarla düşünmeyi bir kültür ve karar disiplini olarak ele alır. Veriden bilgiye, bilgiden içgörüye uzanan yolu; korelasyon–nedensellik ayrımı, örnekleme ve istatistiksel düşünme gibi temel kavramlarla döşeriz. Kurumlarda ortak bir “veri dili” kurmanın önemini ve sezginin nerede güçlü, nerede yanıltıcı olduğunu tartışırız. Katılımcı, veriyi eleştirel ve etkili biçimde okuyabilen bir zihinle oturumdan ayrılır.

OTURUM KAPSAMI

- Veri okuryazarlığının bireysel ve kurumsal önemi

- Veri–bilgi–içgörü hiyerarşisi ve karar bağlamı

- Korelasyon ve nedensellik ayrımı; sık yapılan çıkarım hataları

- Örnekleme, temsil ve yanlılık (bias) kavramları

- Betimleyici istatistiğin temelleri ve görselleştirme okuryazarlığı

- Belirsizlik, olasılık ve risk sezgisi

- Veri kültürü: kurumlarda ortak bir dil ve yönetişim kurmak

- Sezginin gücü ve sınırları: niceli nitelle dengelemek

ÖĞRENİM ÇIKTILARI

- Temel istatistiksel kavramları günlük kararlarda kullanabilme

- Korelasyon–nedensellik hatalarını fark edip önleyebilme

- Bir veri görselini ve iddiasını eleştirel biçimde okuyabilme

- Belirsizlik altında daha sağlıklı çıkarımlar yapabilme

- Kurumunda veri kültürünü savunup teşvik edebilme

Bu oturum, büyük dil modellerinin gücünü ve kırılganlıklarını sade ama derinlikli biçimde açar; “sihir” gibi görüneni anlaşılır bir mühendisliğe indirger. Temel (foundation) modellerin mantığını, token ve bağlam penceresi gibi kavramları ve modellerin olasılıksal doğasını ele alırız. Halüsinasyon, güven ve sınırlar meselesini; ardından etkili istem (prompt) tasarımının temellerini uygulamalı örneklerle işleriz. Amaç, katılımcının üretken zekâyı bilinçli, verimli ve eleştirel biçimde kullanabilmesidir.

OTURUM KAPSAMI

- Temel (foundation) modeller ve büyük dil modellerinin çalışma mantığı

- Token, gömme (embedding) ve bağlam penceresi kavramları

- Modellerin olasılıksal doğası ve pratik sonuçları

- Halüsinasyon, güvenilirlik ve doğrulama ihtiyacı

- İstem (prompt) tasarımının temel ilkeleri

- Bağlam verme, rol verme ve örnekle yönlendirme teknikleri

- Üretken zekânın iş ve yaratıcı süreçlerdeki kullanım alanları

- Sınırlar, telif, gizlilik ve sorumlu kullanım

ÖĞRENİM ÇIKTILARI

- Büyük dil modellerinin nasıl çalıştığını temel düzeyde açıklayabilme

- Modellerin güçlü ve zayıf yönlerini ayırt edebilme

- Etkili ve güvenli istemler tasarlayabilme

- Üretken zekâ çıktılarını eleştirel biçimde doğrulayabilme

- Kendi işinde değerli üretken zekâ senaryoları belirleyebilme

Verinin bir maliyet kalemi değil, en değerli stratejik varlık hâline gelişini inceleyen bu oturum, rekabet avantajının artık nasıl veride biriktiğini gösterir. Veri hendekleri (data moats), veri akışkanlığı (data liquidity) ve ağ etkileri gibi kavramlarla verinin değere dönüşme mekaniğini çözümleriz. Veriyi iş modeliyle hizalayan şirketlerin nasıl savunulabilir bir üstünlük kurduğunu gerçek örneklerle tartışırız. Katılımcı, kendi kurumunun veri varlıklarını stratejik bir gözle değerlendirebilecek bir çerçeve edinir.

OTURUM KAPSAMI

- Veriyi stratejik bir varlık olarak konumlamak

- Veri hendekleri (data moats) ve savunulabilir rekabet

- Veri akışkanlığı (data liquidity) ve değerin dolaşımı

- Ağ etkileri ve veri–ürün geri besleme döngüleri

- Veri stratejisini iş modeli ve gelir mimarisiyle hizalamak

- Birinci, ikinci ve üçüncü taraf veri kaynakları

- Veri yönetişimi, kalite ve sahiplik

- Veri varlıklarının değerlemesi ve önceliklendirilmesi

ÖĞRENİM ÇIKTILARI

- Veriyi stratejik bir varlık olarak çerçeveleyebilme

- Bir işin veri hendeğini ve savunulabilirliğini değerlendirebilme

- Veri–ürün döngülerini ve ağ etkilerini tanıyabilme

- Veri stratejisini iş modeliyle ilişkilendirebilme

- Kurumsal veri varlıklarını önceliklendirebilme

“Ölçemediğini yönetemezsin” klişesinin arkasındaki tuzakları masaya yatıran bu oturum, yanıltıcı metriklerin kararları nasıl saptırdığını gösterir. Gösteriş metrikleri (vanity metrics) ile gerçek değeri; ölçümün yarattığı davranışsal çarpıtmaları (Goodhart Yasası) örneklerle ele alırız. “Neyi, neden ölçüyoruz?” sorusunu merkeze alarak metrik tasarımı ile karar alma arasındaki bağı kurarız. Amaç, katılımcının ölçüm sistemlerini eleştirel biçimde tasarlayıp yorumlayabilmesidir.

OTURUM KAPSAMI

- Gösteriş metrikleri (vanity metrics) ile eyleme dönük (actionable) metrikler

- Goodhart Yasası ve ölçümün yarattığı davranışsal çarpıtmalar

- Öncü (leading) ve ardıl (lagging) göstergeler

- Doğru soruyu sormak: neyi, neden ölçüyoruz?

- Metrik tasarımı ile teşvik sistemlerinin etkileşimi

- Kuzey Yıldızı (North Star) metriği ve metrik ağaçları

- Nedensel ölçüm, deney tasarımı ve A/B testinin rolü

- Ölçülemeyeni yönetmek: nitel yargının ve bağlamın değeri

ÖĞRENİM ÇIKTILARI

- Gösteriş ve gerçek değer metriklerini ayırt edebilme

- Goodhart etkisini fark edip metrik tasarımında önleyebilme

- Bir kararı destekleyecek doğru metrikleri seçebilme

- Metrik–teşvik ilişkisini eleştirel biçimde değerlendirebilme

- Nicel ölçümü nitel yargıyla dengeleyebilme

Farkındalıktan stratejiye geçişi sağlayan bu kapanış oturumu, kritik bir ayrımı netleştirir: değer veriyle mi, yoksa modelle mi kazanılıyor? “Data Company” ile “AI Company” arasındaki stratejik farkı; değerin kaynağını ve savunulabilirliğini tartışırız. Sorumlu yapay zekâ, yönetişim ve kurumsal olgunluk konularını ele alarak dönüşüme hazırlık çerçevesi sunarız. Oturum, Farkındalık Sprinti’ni bir sentezle tamamlar ve uygulamaya giden köprüyü kurar.

OTURUM KAPSAMI

“Data Company” ile “AI Company” arasındaki stratejik ayrım

Değerin kaynağı: veri varlığı mı, model yeteneği mi?

Savunulabilirlik: hendek veride mi, modelde mi, dağıtımda mı?

Yapay zekâ olgunluk modeli ve kurumsal hazırlık

Sorumlu yapay zekâ: etik, şeffaflık ve hesap verebilirlik

Yönetişim, regülasyon ve risk yönetimi

Yapay zekâ stratejisini iş stratejisiyle bütünleştirmek

Farkındalıktan uygulamaya: yol haritası ve sonraki adım

ÖĞRENİM ÇIKTILARI

Veri-merkezli ve model-merkezli stratejileri ayırt edebilme

Bir kurumun yapay zekâ olgunluğunu değerlendirebilme

Sorumlu yapay zekâ ilkelerini karar süreçlerine katabilme

Yapay zekâ ve iş stratejisini ilişkilendirebilme

Kurumu için üst düzey bir dönüşüm yol haritası taslağı oluşturabilme