İK Verisi ve Fine-Tuned Yapay Zekâ ile Rol-Yetkinlik Modelleme
Anonim B2B İK verisini, sektöre özgü rol ve yetkinlik sözlüğüne dönüştürmek mümkün. Ancak doğru sonuç; yalnızca model seçimine değil, veri minimizasyonuna, ölçülebilir etiketlere ve insan denetimine bağlıdır.
İK ekipleri çoğu zaman aynı soruyla karşılaşır: Bir rolde başarılı olmak için hangi beceriler gerekir ve bu beceriler hangi kanıtlarla ölçülür? Klasik iş tanımları bu soruya statik yanıtlar verir. Oysa sektör, teknoloji ve çalışma biçimleri değiştikçe rol tanımları da güncellenmelidir. Rol-yetkinlik modelleme, iş ailelerini, sorumlulukları, becerileri ve gözlemlenebilir davranışları ortak bir veri yapısında buluşturmayı amaçlar.
Fine-tuned yapay zekâ burada bir “otomatik karar verici” değil, iyi hazırlanmış bir kurumsal veri ve yönetişim katmanının üzerine eklenen görev uyarlama yaklaşımıdır. Anonimleştirilmiş B2B İK verisi, uygun kontrollerle sektör dilini, rol varyasyonlarını ve yetkinlik kanıtlarını modellemeye yardımcı olabilir. Bununla birlikte hiçbir model; işe alım, terfi veya performans kararını insan incelemesinin yerine tek başına vermemelidir.
Görev tanımları tekrarlanabilir, etiketler tutarlı ve sektör terminolojisi ayırt edici olduğunda fine-tuning değerlendirilebilir. Veri az, değişken veya yüksek hassasiyetliyse; kurallı eşleme, arama destekli üretim (RAG) ya da uzman incelemesi daha uygun bir başlangıç olabilir.
Rol-yetkinlik modelleme hangi problemi çözer?
İyi bir model; yalnızca “bu rol hangi becerilere sahip olmalı?” sorusunu değil, bu becerinin kanıtı nedir, hangi seviyede beklenir ve hangi öğrenme adımıyla geliştirilebilir? sorularını da yanıtlar. Böylece iş ailesi, rol, yetkinlik, davranış göstergesi ve öğrenme içeriği arasında izlenebilir bir ilişki kurulabilir.
Ortak rol dili
Aynı becerinin farklı birimlerde farklı adlarla yazılması azaltılır; eş anlamlılar, seviyeler ve rol bağlamı tek sözlükte görünür hâle gelir.
Kanıta dayalı eşleme
Yetkinlikler yalnızca unvanla değil, iş çıktısı, görev örneği, eğitim kanıtı veya uzman doğrulaması gibi açıklanabilir sinyallerle ilişkilendirilir.
Öğrenme bağlantısı
Rolde beklenen seviye ile mevcut kanıt arasındaki fark, gelişim önerilerinin hangi çerçevede üretileceğini gösterir.
İnsan kararı için destek
Model, yöneticinin ve İK uzmanının inceleyebileceği aday eşleşmeleri veya soru setleri sunabilir; son kararın gerekçesi ve itiraz yolu kurumda kalır.
Fine-tuning, RAG ve kurallı model arasındaki fark
İK kullanım senaryolarında “yapay zekâ kullanalım” demek yeterli değildir. Önce görevin niteliği, verinin güncelliği ve hatanın etkisi belirlenmelidir. Her teknik seçimin bakım, güvenlik ve açıklanabilirlik maliyeti farklıdır.
| Yaklaşım | Ne yapar? | Ne zaman düşünülür? | Kontrol sorusu |
|---|---|---|---|
| Kurallı eşleme | Tanımlı koşullara göre rol ve becerileri eşleştirir. | Politika ve taksonomi sabitse, denetlenebilir başlangıç gerektiğinde. | Her eşleşme okunabilir bir kurala bağlanabiliyor mu? |
| RAG | Güncel sözlük, politika veya rol dokümanlarını yanıt anında bağlam olarak getirir. | Kaynakların sık değiştiği ve yanıtın güncel belgeye dayanması gerektiği durumlarda. | Yanıtın dayandığı kaynak ve sürüm gösterilebiliyor mu? |
| Fine-tuning | Örnekler ve etiketlerle belirli bir görevin üslup veya sınıflandırma davranışını uyarlar. | Tekrarlanan görev, kaliteli veri ve kararlı etiket şeması olduğunda. | Model çıktısı yeni bir sektörde veya az görülen rolde nasıl sınanıyor? |
Veriniz modellemeye gerçekten hazır mı?
Qulak ekibiyle bir kapsam görüşmesinde veri kaynaklarını, rol sözlüğünü, anonimleştirme yaklaşımını ve insan onay noktalarını birlikte değerlendirin. Bir ürün iddiasını varsaymak yerine, pilotun hangi soruyu yanıtlaması gerektiğini netleştirin.
Kapsam Görüşmesi İsteyinAnonim B2B İK verisiyle modelleme için 7 adım
Model kalitesi çoğunlukla eğitim algoritmasından önce alınan veri kararlarıyla belirlenir. Aşağıdaki akış, hem teknik ekip hem de İK, hukuk ve bilgi güvenliği paydaşlarının birlikte kullanabileceği bir başlangıç kontrol listesidir.
Kullanım amacını ve karar etkisini tanımlayın
Rol sözlüğü mü, gelişim önerisi mi, içerik etiketleme mi? İşe alım veya terfi gibi yüksek etkili kararlar söz konusuysa risk seviyesi baştan ayrıştırılmalıdır.
Veri envanteri ve minimizasyon yapın
İş tanımı, yetkinlik kanıtı ve eğitim sonucu gibi gerekli alanları ayırın. Ham özgeçmiş, serbest metin yorumları veya kimlik bilgileri görev için gerekmiyorsa veri setine alınmamalıdır.
Anonimleştirme iddiasını test edin
İsimleri silmek tek başına yeterli değildir. Nadir unvanlar, küçük ekipler, zaman bilgileri ve farklı veri kümelerinin birleştirilmesi yeniden tanımlama riski doğurabilir.
Etiket ve yetkinlik sözlüğünü uzmanlarla doğrulayın
“İyi liderlik” gibi belirsiz ifadeler yerine gözlemlenebilir davranış, seviye ve rol bağlamı yazın. Farklı değerlendiricilerin aynı örneği nasıl etiketlediğini ölçün.
Sektörel pilot ve adil hata testi yapın
Modeli yalnızca ortalama rollerde değil, az görülen görevlerde ve farklı iş ailelerinde sınayın. Dil, cinsiyet, yaş veya okul gibi ayrımcılık riski taşıyan vekil değişkenleri özellikle arayın.
İnsan onayı, açıklama ve itiraz akışı kurun
Çıktıyı kim onaylıyor, hangi kanıtı görüyor, hatalı eşlemeyi nasıl düzeltiyor? Bu cevaplar yazılı bir süreç, rol sahibi ve kayıt mekanizmasıyla desteklenmelidir.
Sürüm, erişim ve geri çekme planını işletin
Model ve veri seti sürümlenmeli; erişimler en az yetkiyle sınırlandırılmalı; veri kaynağı değiştiğinde yeniden doğrulama ve gerekirse modeli geri çekme yolu bulunmalıdır.
Veri minimizasyonu ve insan denetimi sınırları
İK verisi “kurumsal” olduğu için otomatik olarak risksiz sayılmaz. Anonim veri ile takma adlandırılmış veri aynı şey değildir; takma adlandırmada ek bilgiyle kişiye geri dönülebilir. Ayrıca bir model kişiyi doğrudan tanımıyor olsa bile, küçük bir ekipteki rol, tarih ve beceri kombinasyonu ayırt edici olabilir.
| Risk alanı | Asgari kontrol | Satın alma / pilot kanıtı |
|---|---|---|
| Gereksiz kişisel veri | Alan bazlı envanter, saklama süresi ve erişim matrisi. | Hangi alanların neden işlendiğini gösteren veri akış şeması. |
| Önyargılı eşleme | Temsil kontrolü, ayrımcılık testleri ve uzman incelemesi. | Hata analizi; modelin karar yerine öneri verdiğini belirten süreç. |
| Açıklanabilirlik | Kaynak, gerekçe, model sürümü ve insan onayı kaydı. | Örnek çıktı üzerinde kanıtların ve düzeltme adımlarının gösterimi. |
| Veri ve model kayması | Düzenli yeniden değerlendirme, değişiklik günlüğü ve geri çekme prosedürü. | İzleme sorumlusu, eşik değerler ve olay müdahale planı. |
Türkiye’deki yükümlülükler, veri sorumlusunun rolü, işleme amacı ve aktarım senaryosuna göre hukuk ve KVKK uzmanlarıyla değerlendirilmelidir. AB’deki yapay zekâ düzenlemeleri de işe alım ve çalışan yönetimi gibi kullanım alanlarında risk temelli bir yaklaşım öngörür. Bu yazı hukuki görüş yerine, teknik ve yönetsel değerlendirme için bir çerçeve sunar.
BoFU satın alma: tarafsız değerlendirme kriterleri
Bir platformu yalnızca “fine-tuned model kullanıyor” ifadesiyle seçmek doğru değildir. RFP veya demo sürecinde aşağıdaki soruları yazılı olarak sorun. Yanıtlar; ürün adı, pazarlama vaadi veya tek bir örnek ekran yerine gerçek veri akışı ve pilot çıktısıyla doğrulanmalıdır.
- Veri kontrolü: Veriler nerede tutuluyor, hangi alt yükleniciler veya model sağlayıcıları sürece dahil oluyor?
- Model tercihi: Fine-tuning gerçekten gerekli mi; RAG, kural motoru veya hibrit yaklaşım neden seçiliyor?
- İzolasyon: Kurum verisi başka müşterilerin eğitiminde veya genel model geliştirmesinde nasıl ayrıştırılıyor?
- İnsan onayı: Yönetici veya İK uzmanı çıktıyı reddedebiliyor, düzeltebiliyor ve gerekçeyi kaydedebiliyor mu?
- Entegrasyon: İK, LMS, yetkinlik sözlüğü ve kimlik yönetimi kaynakları için açık veri akışı ve API dokümantasyonu var mı?
- Çıkış planı: Veriyi, etiketleri, model girdilerini ve karar kayıtlarını taşımak veya silmek için uygulanabilir bir prosedür var mı?
Qulak hangi koşullarda değerlendirilebilir?
Qulak, rol-yetkinlik modelini öğrenme ve beceri mimarisiyle aynı kurumsal çerçevede ele almak isteyen; veri kaynaklarını düzenleyebilen, pilot kapsamını netleştirebilen ve insan onayını süreçte tutan kurumlar için değerlendirilebilecek bir adaydır. Özellikle farklı iş ailelerinde ortak bir beceri dili kurmak, rol verisini eğitim içeriğiyle ilişkilendirmek veya sektörel terminolojiyi yönetmek isteyen ekipler için keşif görüşmesi anlamlı olabilir.
Ancak mevcut entegrasyonların, veri işleme koşullarının, model sağlayıcılarının, bölgesel barındırma seçeneklerinin ve sözleşmesel güvence kapsamının Qulak ile ayrıca doğrulanması gerekir. Qulak’ı değerlendirme kararı; kontrollü bir pilot, ölçülebilir kabul kriterleri ve güvenlik/hukuk onayı sonrasında verilmelidir.
Sıkça Sorulan Sorular
Fine-tuning ile RAG arasındaki fark nedir?
Anonimleştirilmiş İK verisi tamamen risksiz midir?
Model işe alım veya terfi kararını tek başına verebilir mi?
Qulak bu senaryoda nasıl değerlendirilmeli?
İlgili rehberler
Kaynaklar
Teknik ve yönetişim çerçevesi için aşağıdaki birincil veya kurumsal kaynaklar incelenebilir:
- NIST AI Risk Management Framework — yapay zekâ risklerini yönetmek için gönüllü çerçeve.
- Avrupa Birliği Yapay Zekâ Tüzüğü (Regulation (EU) 2024/1689) — risk temelli düzenleme metni.
- UK ICO — Anonymisation — anonimleştirme ve yeniden tanımlama riskine ilişkin rehber.
- OECD AI Principles — güvenilir ve insan odaklı yapay zekâ ilkeleri.
Rol ve beceri verinizi birlikte değerlendirelim
Hangi verinin gerekli olduğunu, hangi model yaklaşımının orantılı olduğunu ve pilotun nasıl ölçüleceğini netleştirmek için Qulak ile görüşün.
Qulak ile İletişime Geçin