Şirket İçi Bilgi Tabanı: Yapay Zeka ile "İkinci Beyin" Nasıl Kurulur?

Şirket İçi Bilgi Tabanı: Yapay Zeka ile "İkinci Beyin" Nasıl Kurulur?

Bir işletmede en pahalı kayıp çoğu zaman görünmez: geçen yıl bir müşteride hangi cihazın kurulduğu, bir sorunun nasıl çözüldüğü, bir tedarikçiyle ne konuşulduğu… Bu bilgiler e-postalara, mesajlara ve birkaç kişinin hafızasına dağılır. O kişi izne çıktığında ya da ayrıldığında bilgi de gider. Biz bu sorunu kendi işimizde, yapay zekânın okuyup yazabildiği basit bir not sistemiyle çözdük. Bu yazıda yöntemi adım adım anlatıyoruz.

Temel fikir: düz metin dosyaları + bağlantılar

Sistemin kalbinde karmaşık bir yazılım yok. Her konu için bir markdown (düz metin) dosyası var: bir sunucu, bir proje, bir karar, bir hata ve çözümü. Dosyalar birbirine [[sayfa-adı]] biçiminde bağlanıyor. Bu dosyaları görsel olarak gezmek için ücretsiz bir not uygulaması kullanıyoruz; ama asıl güç, dosyaların düz metin olması sayesinde yapay zekâ asistanlarının onları doğrudan okuyup güncelleyebilmesinde.

Bu yaklaşım, yapay zekâ araştırmacılarının "LLM wiki" olarak adlandırdığı desene dayanıyor: model her yeni bilgiyi uygun sayfaya ekler, sayfalar arası bağlantıları kurar, bir dizin sayfasını güncel tutar. İnsan ise yalnızca neyin doğru olduğuna karar verir.

Üç katman: kim neyi okur?

• Kalıcı kurallar: "Canlı siteye dokunmadan önce yedek al", "Müşteri verisini buluta gönderme" gibi tekrar tekrar uygulanan kurallar. Yapay zekâ asistanı her oturum başında bunları otomatik okur.
• Proje kartları: Devam eden her işin kısa durumu: ne bitti, ne bekliyor, hangi tarihte kim ne karar verdi.
• Başvuru sayfaları: Sunucu envanteri, kullanılan servisler, sık karşılaşılan hatalar ve çözümleri.

Bu ayrım önemli: Her şeyi tek dosyaya yığarsanız yapay zekâ gereksiz bilgiyle boğulur, hiçbir şey yazmazsanız her oturumda sıfırdan başlar.

Pratikte nasıl kullanıyoruz?

Bir sunucuda sorun çıktığında asistana "bu makinede geçen sefer ne yapmıştık?" diye soruyoruz; ilgili sayfayı bulup okuyor. Uzun bir işin sonunda "bugün öğrendiklerimizi kaydet" diyoruz; o da yeni bir kart açıyor veya mevcut kartı güncelliyor. Yanlış çıkan bilgiyi siliyor, birbirini tekrar eden kartları birleştiriyor.

Bir örnek: Sunucularımızdan birinde servislerin listesini ilk seferde yalnızca etiketlere bakarak çıkarmıştık ve liste eksikti. Sonradan her konteynerin içine girilerek gerçek içerik doğrulandı ve sayfanın başına "önceki envanter eksikti" notu düşüldü. Bilgi tabanının değeri burada: hatayı bir kez yaparsınız, kayda geçer, bir daha yapmazsınız.

Dikkat edilmesi gerekenler

• Şifreleri bilgi tabanına yazmayın. Notlar paylaşıldıkça, yedeklendikçe ve yapay zekâya okutuldukça çoğalır. Şifreler bir parola yöneticisinde durmalı; notta yalnızca "şifre parola yöneticisinde, şu kayıt" yazmalı.
• Tarih yazın. "Geçen hafta" değil "19 Ekim". Aylar sonra okunduğunda göreli tarihler anlamını yitirir.
• Doğrulanmamış bilgiyi işaretleyin. "Tahmin", "doğrulandı" ayrımı yapay zekânın eski bilgiyi gerçek sanmasını önler.
• Hassas veriler için yerel model. Müşteri bilgisi içeren notlar için bulut yerine kendi bilgisayarınızda çalışan modeller tercih edilebilir.

Nereden başlamalı?

Küçük başlayın: Bir klasör, bir dizin sayfası ve en çok sorulan beş konu için beş sayfa. İki hafta boyunca her işin sonunda "neyi kaydetmeliyiz?" sorusunu sorun. Sistem kendi kendine büyür; önemli olan, bilginin kişilerin hafızasından çıkıp aranabilir bir yere taşınmasıdır.

Ekibiniz için böyle bir bilgi tabanı kurmak isterseniz yapay zekâ ile iş süreçleri otomasyonu hizmetimizi inceleyebilirsiniz.