Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightÇalışma, açıklanabilir aday sıralaması, yönetici incelemesi ve karar kaydını bütünleştiren insan denetimli bir görev atama yaklaşımı sunmaktadır.
📌 3 Maddede Bu Makale
Özet
Bu çalışma, düzenlemeye tabi kurumsal ortamlarda çevik sprint planlamasını desteklemek amacıyla geliştirilen MACBETH tabanlı AutoTaskAssigner karar destek sistemini değerlendirmektedir. Araştırma, büyük ölçekli bir bankanın Kredi İzleme ve Takip biriminde yürütülen karma yöntemli vaka çalışmasına dayanmaktadır. Karar kriterleri, bilişsel haritalama ve yedi uzmanla gerçekleştirilen elicitasyon oturumları yoluyla yapılandırılmıştır. Sistem, sertifika uygunluğu ve görev bağımlılıklarını zorunlu koşullar olarak denetlemekte, uygun adayları beceri uyumu, deneyim uyumu, mevcut iş yükü, gelişim uyumu ve mentorluk uyumu bakımından sıralamaktadır. Operasyonel karar süresi, 114 eşleştirilmiş görev kaydında manuel süreç için ortalama 897,24 saniye, sistem destekli süreç için 111,94 saniye olarak hesaplanmış ve fark istatistiksel olarak anlamlı bulunmuştur. Altı sprintteki 120 görev ve 48 çalışan-sprint gözlemine dayalı senaryo analizi, sistem önerisinin planlı iş yükü dağılımını daha dengeli hale getirdiğini göstermiştir. 114 görev ve 456 aday değerlendirmesinden oluşan analitik sette yürütülen yirmi tek yönlü duyarlılık senaryosunda ilk sıradaki önerinin kararlılığı yüzde 86,0 ile yüzde 98,2 arasında değişmiştir. Çalışma, açıklanabilir aday sıralaması, yönetici incelemesi ve karar kaydını bütünleştiren insan denetimli bir görev atama yaklaşımı sunmaktadır.
Abstract
This study evaluates AutoTaskAssigner, a MACBETH-based decision support system developed to support agile sprint planning in regulated organizational settings. The research is based on a mixed-methods case study conducted in the Credit Monitoring and Tracking unit of a large-scale bank. Decision criteria were structured through cognitive mapping and elicitation sessions with seven domain experts. The system treats certification eligibility and task dependencies as mandatory conditions, then ranks eligible candidates according to skill fit, experience fit, current workload, development fit, and mentoring fit. Operational decision time was assessed using 114 paired task records and averaged 897.24 seconds for the manual process and 111.94 seconds for the system-supported process, with a statistically significant difference. A scenario analysis based on 120 tasks across six sprints and 48 employee-sprint observations indicated that system recommendations produced a more balanced planned workload distribution. Across 20 one-way sensitivity scenarios conducted on the analytical set of 114 tasks and 456 candidate evaluations, First-ranked recommendation stability ranged from 86.0% to 98.2%. The study contributes a human-supervised task assignment approach that integrates explainable candidate ranking, managerial review, and traceable decision records. The reported findings concern operational decision time, planned workload distribution, and recommendation stability rather than live production outcomes such as delivery quality or employee satisfaction.