Yapay Zekâya Giriş · Ünite 3
Veri Kavramına Disiplinler Arası Bir Bakış
10 soruluk deneme testine geç ↓1. Veri nedir?
Görüntü tanıyan bir sistem milyonlarca etiketli fotoğrafla, bir dil modeli milyarlarca sözcükle, bir öneri sistemi milyonlarca kullanıcının davranışıyla eğitilir. Hepsinin ortak yakıtı veri. Bu yüzden veri, yapay zekânın bir parçası değil âdeta yaşam kaynağı sayılır.
Veri, tek başına anlam üretmeyen ama işlendiğinde anlamlı bilgiye dönüşme potansiyeli taşıyan ham gerçekliklerdir (Floridi). Sayılar, metinler, görüntüler, ses kayıtları, ölçüm sonuçları ve kullanıcı davranışları en yaygın veri türleridir. Veri çoğunlukla gözlem, ölçüm ya da kayıtla ortaya çıkar: bir sıcaklık sensörünün değeri, internette gezinme izleri, bir kameranın görüntüsü.
Veri patlaması
| Yıl | Dünyada üretilen, kopyalanan ve tüketilen veri |
|---|---|
| 2010 | Yaklaşık 2 zettabayt |
| 2024 | Yaklaşık 149 zettabayt (2010'un ~75 katı) |
| 2028 (tahmin) | Yaklaşık 394 zettabayt; 2025–2029 arasında üç katına çıkması bekleniyor |
Bu artışın kaynakları akıllı telefonlar, sosyal medya, sensörler, giyilebilir cihazlar ve nesnelerin interneti (birbirine ve internete bağlı cihazlar). Ama hacim tek başına bir şey ifade etmez: veri çözümlenip bağlamına yerleştirilince değer kazanır.
Her disiplinin gözünde veri
| Disiplin | Veri ne demek? |
|---|---|
| Bilgisayar bilimleri | İşlenebilir dijital girdi, yapılandırılmış kayıt; depolama, iletim, sıkıştırma boyutlarıyla |
| İstatistik | Rastgele değişkenlerin gözlenen değerleri, çıkarımın temeli olan ölçüm sonuçları |
| Sosyal bilimler | Tutum ve davranışları anlamaya yarayan kayıt: anket, görüşme, gözlem notu |
| Sağlık bilimleri | Kayıtlar, ölçümler, görüntüler, genetik diziler |
| Dil bilim | Metin korpusları, konuşma kayıtları, sözlük girdileri |
| Ekonomi | Piyasa göstergeleri, fiyat hareketleri, tüketici davranışları, makro ve mikro istatistikler |
Aynı veri kümesi bu kadar farklı okunabildiği için veri özünde disiplinler arası bir kavramdır. Bir akıllı saatin adım ve uyku verisini bir antrenör antrenman planı için, bir sigorta şirketi risk profili için yorumlar. Verinin değeri; onu yorumlayan disipline, yönteme ve amaca bağlıdır, tek bir nesnel anlamı yoktur.
2. Veriden bilgeliğe: DIKW piramidi
Ham veri ne insan zihni ne de YZ için doğrudan kullanılabilir. Değer kazanması için işlenmesi, bağlama yerleştirilmesi ve deneyimle ilişkilendirilmesi gerekir. Bu dönüşümü anlatan en yaygın model DIKW piramididir (Data, Information, Knowledge, Wisdom). Kökeni Russell Ackoff'un 1989 tarihli «From Data to Wisdom» çalışmasıdır; her katman altındakini dönüştürerek yeni bir anlam düzeyi kurar.
| Katman | Ne? | Örnek |
|---|---|---|
| Veri | Bağlamı olmayan ham sembol, sayı, gözlem | Kâğıtta yazan «37,5»; ya da bir fotoğrafın milyonlarca pikseli |
| Enformasyon | Bağlam kazanmış veri; 5N 1K sorularını yanıtlar | «Antalya'da 14 Temmuz öğlen hava sıcaklığı 37,5 °C» |
| Bilgi (birikim) | Enformasyonun çözümlenip deneyimle birleşmesi; «nasıl?» | «Bu sıcaklıkta öğle saatlerinde dışarıda ağır iş yapmak tehlikeli» |
| Bilgelik | Birikimin etik değerler ve uzun vadeli sonuçlarla kullanılması; «niçin, ne yapmalı?» | Çalışma saatlerini işçilerin durumunu ve sonuçları gözeterek yeniden düzenlemek |
- →Enformasyon, gazetecilikteki 5N 1K sorularını (ne, nerede, ne zaman, kim, niçin, nasıl) yanıtlama düzeyindedir. Veri tabanındaki kayıtlar, grafikteki ölçümler, tablo hâlindeki satışlar tipik enformasyondur.
- →Davenport ve Prusak'a göre birikim: bağlamlı enformasyon, deneyim ve uzman iç görüsünün harmanlanmış hâli. Uygulamaya yönelik, eyleme dökülebilir bir yetkinlik.
- →Ackoff'a göre bilgelik yalnızca neyin doğru olduğunu değil, neyin iyi olduğunu da değerlendirir; etik ve değer temelli bir karar biçimidir.
DIKW ve yapay zekâ
Bugünkü YZ sistemleri büyük ölçüde veri ve enformasyon katmanlarında çalışır, birikime sınırlı ölçüde ulaşır, bilgelik düzeyine henüz ulaşamamıştır. Öneri algoritması veriden örüntü çıkarıp enformasyon üretir; uzman sistem belli bir alandaki birikimi modelleyebilir. Ama değer yargılarını ve uzun vadeli toplumsal sonuçları bütünüyle tartabilen bir YZ yok. Bu yüzden önemli kararlarda insan denetimi (human-in-the-loop) ve etik değerlendirme merkezde kalır.
3. Veri türleri
Verinin türü; nasıl depolanacağını, hangi yöntemle çözümleneceğini ve hangi YZ yaklaşımının uygun olduğunu belirler. Yanlış sınıflandırma yanlış model seçimine ve yanlış yorumlara yol açar. Üç ayrı açıdan sınıflandırılır: yapı, nitelik ve kaynak.
Yapıya göre
- →Yapılandırılmış veri (structured): önceden tanımlı bir şemaya uyan, satır ve sütunlardan oluşan tablo biçimindeki veri. İlişkisel veri tabanındaki banka hesap kayıtları, satış tabloları. SQL ile kolayca sorgulanır, klasik istatistikle çözümlenir.
- →Yarı yapılandırılmış veri (semi-structured): tam bir tablo şemasına uymaz ama etiketler, anahtar–değer çiftleri ya da hiyerarşi ile bir iç düzeni vardır (JSON ve XML dosyaları gibi). Esnektir ve yapılandırılmamış veriden çok daha kolay işlenir.
- →Yapılandırılmamış veri (unstructured): önceden tanımlı şeması olmayan veri: metin belgeleri, e-posta gövdeleri, sosyal medya paylaşımları, fotoğraf, video, ses, sensör akışları. İşlenmesi için doğal dil işleme, bilgisayarla görü, ses tanıma gerekir. Derin öğrenmenin yükselişi büyük ölçüde bu veriyi anlamlandırabilmesinden gelir.
| Ölçüt | Yapılandırılmış | Yapılandırılmamış |
|---|---|---|
| Biçim | Satır, sütun, ilişkisel veri tabanı | İlişkisel veri tabanında doğrudan görüntülenemez |
| Tipik içerik | Sayılar, tarihler, diziler | Görsel, ses, video, kelime işlem dosyası, e-posta |
| Depolama | Daha az yer | Daha çok yer |
| Yönetim | Geleneksel araçlarla kolay | Geleneksel araçlarla güç |
Gerçek hayatta ikisi çoğunlukla iç içedir. Bir telefon görüşmesinde kimin kimi hangi saatte aradığı yapılandırılmış, görüşmenin ses kaydı yapılandırılmamıştır. Sunucu logunda zaman damgası ve log seviyesi yapılandırılmış, mesaj metni serbesttir. Bu yüzden modern YZ uygulamaları çoğu zaman farklı veri türlerini birlikte işleyen çok kipli (multimodal) sistemlerdir.
Niteliğe göre
| Tür | Alt türler | Örnek |
|---|---|---|
| Nicel (quantitative): sayısal, ölçülebilir | Kesikli: sayılabilir, genelde tam sayı | Sınıftaki öğrenci sayısı |
| Sürekli: bir aralıktaki her değeri alabilir | Sıcaklık, kilo, hız | |
| Nitel (qualitative): sözel ya da kategorik | Nominal: sırasız kategoriler | Meslek, şehir |
| Sıralı (ordinal): sıralanabilen kategoriler | Eğitim düzeyi, memnuniyet derecesi |
Nicel veri makine öğrenmesine doğrudan girdi olabilir. Nitel verinin ise önce sayısal kodlamaya (encoding) ya da metin çözümleme tekniklerine sokulması gerekir.
Kaynağa göre
- →Birincil veri: araştırmacının kendi sorusu için doğrudan topladığı özgün veri (anket, görüşme, gözlem, laboratuvar ölçümü). Geçerliliği yüksek, ama zaman ve para ister.
- →İkincil veri: başkalarının başka amaçlarla topladığı ve yeniden kullanılan veri (resmî istatistikler, açık veri tabanları, eski araştırmaların veri setleri, kurumsal arşivler). Ucuzdur ama sorunuza tam uymayabilir, geçerliliği dikkatle sınanmalı.
4. Veri kaynakları ve kaliteli veri
- →İnsan kaynaklı veri: anket ve görüşmeler, sosyal medyadaki metin ve görseller, web taramayla toplanan içerik, kurumsal kayıtlar.
- →Makine ve sensör kaynaklı veri: nesnelerin interneti cihazları, çevre istasyonları, görüntüleme sistemleri, yazılımların log kayıtları. Ekosistemin en hızlı büyüyen parçasıdır; sürekli akar ve zaman damgalıdır.
- →Yeni nesil kaynaklar: herkese açık açık veri setleri ve algoritmaların ürettiği sentetik veri.
Model ne kadar gelişmiş olursa olsun, kötü veriyle eğitilirse güvenilir sonuç vermez: çöp girer, çöp çıkar (garbage in, garbage out). Veri kalitesi teknik bir ayrıntı değil, YZ'nin güvenilirliğini belirleyen merkezî konudur.
| Ölçüt | Soru | Sorun örneği |
|---|---|---|
| Doğruluk (accuracy) | Veri gerçeği yansıtıyor mu? | Bir kişinin yaşı «340» girilmiş |
| Eksiksizlik (completeness) | Olması gereken tüm değerler var mı? | Boş bırakılmış alanlar, kayıp kayıtlar |
| Tutarlılık (consistency) | Aynı bilgiyi içeren kayıtlar çelişiyor mu? | Doğum tarihi iki sistemde farklı biçimde tutulmuş |
| Güncellik (timeliness) | Veri yeterince yeni mi? | Bir yıl önceki tercihlere göre öneri yapmak |
| Temsil gücü (representativeness) | Veri, çözümlenen evrenin tamamını yansıtıyor mu? | Yüz tanımanın bazı etnik gruplarda daha kötü çalışması |
| Dengesizlik (imbalance) | Sınıfların örnek sayıları orantılı mı? | Dolandırıcılık verisinde meşru işlemler yüzlerce kat fazla |
| Ön yargı (bias) | Veride sistemik bir çarpıklık var mı? | Geçmiş işe alımlardaki cinsiyet ayrımcılığını öğrenen model |
| Etiketleme kalitesi | Etiketler doğru ve tutarlı mı? | Dikkatsiz ya da uzman olmayan kişilerin yanlış etiketlemesi |
Dengesiz veriyle eğitilen model çoğunluk sınıfını tahmin etmeyi öğrenip azınlık sınıfını görmezden gelmeye yatkındır. Sesli asistanın bazı aksanları daha zor anlaması ise temsil gücü sorununun gündelik bir örneğidir: eğitim verisinde belli bir konuşma tarzı baskındır.
Veri etiği ve yasal çerçeve
- →GDPR (Avrupa Birliği Genel Veri Koruma Tüzüğü) ve KVKK (Türkiye, Kişisel Verilerin Korunması Kanunu): kişisel verinin hangi koşullarda toplanıp nasıl kullanılabileceğini düzenler.
- →Etik ilkeler: bilgilendirilmiş onam, veri minimizasyonu (yalnızca gereken kadar veri toplamak) ve kullanım amacının açıkça belirtilmesi.
- →Veri hızlı büyürken fırsatlar (erken uyarı, kişiselleştirilmiş eğitim, verimli üretim) kadar sorunlar da büyür: mahremiyet, veri sızıntıları, ön yargının modele taşınması, verinin birkaç büyük şirkette toplanması (dijital egemenlik tartışması) ve veri merkezlerinin enerji–su tüketimi.
Kendini test et!
Cevabı görmek için soruya dokun.
1.DIKW piramidinin katmanlarını alttan üste sırala.
✓ Veri → Enformasyon → Bilgi (birikim) → Bilgelik.
2.«5N 1K» sorularını yanıtlayan DIKW katmanı hangisidir?
✓ Enformasyon.
3.Bir JSON dosyası yapısal olarak hangi sınıfa girer?
✓ Yarı yapılandırılmış veri: tablo şeması yok ama anahtar–değer çiftleriyle iç düzeni var.
4.Bir sınıftaki öğrenci sayısı ile hava sıcaklığı nicel verinin hangi alt türleridir?
✓ Öğrenci sayısı kesikli, sıcaklık sürekli.
5.Resmî istatistik kurumunun yayımladığı verileri kullanan araştırmacı hangi tür veriyle çalışıyor?
✓ İkincil veri.
6.Bir veri kümesinde olması gereken tüm değerlerin bulunup bulunmadığını hangi kalite ölçütü gösterir?
✓ Eksiksizlik (completeness).
Deneme testi
Sınavda çıkabilecek türden 10 soru. Bir şık seç; doğru cevap ve açıklaması hemen çıkar.
1.Bir e-ticaret şirketi yıllardır milyarlarca tıklama kaydı biriktiriyor ama bu kayıtlardan hiçbir karar çıkaramıyor. DIKW piramidine göre sorun nedir?
2.Aynı akıllı saat verisinden bir antrenörün antrenman planı, bir sigorta şirketinin ise risk profili çıkarması en çok neyi gösterir?
3.«Geçen cumartesi Kadıköy şubesinde 340 şemsiye satıldı» ifadesi DIKW piramidinin hangi katmanındadır?
4.YZ sistemleri kullanılırken önemli kararlarda insan denetiminin (human-in-the-loop) merkezde tutulmasının temel nedeni nedir?
5.Bir sunucu logunda zaman damgası ve log seviyesi düzenli alanlarda, hata mesajı ise serbest metin olarak tutuluyor. Bu kayıt için hangisi doğrudur?
6.Tablo şemasına uymayan ama anahtar–değer çiftleriyle iç düzeni olan bir JSON dosyası hangi veri türüne girer?
7.Bir ankette memnuniyet «çok kötü, kötü, orta, iyi, çok iyi» seçenekleriyle soruluyor. Bu değişken hangi türdedir?
8.Bir öğrenci bitirme projesi için 200 kişiye kendi hazırladığı anketi uyguluyor. Elde ettiği veri hangisidir?
9.Bir dolandırıcılık tespit veri setinde işlemlerin %99,8'i meşru, %0,2'si dolandırıcılık. Bu veri setindeki temel kalite sorunu hangisidir?
10.Aynı müşterinin doğum tarihi muhasebe sisteminde 03.05.1990, kargo sisteminde 05.03.1990 olarak görünüyor. Bu hangi veri kalitesi ölçütünün sorunudur?
Bu not ders kitabının yerine geçmez; konu kendi cümlelerimizle, yapay zekâ desteğiyle özetlendi.