Yapay zekâda başarı veri kalitesinden geçiyor: 'GIGO' uyarısı!

İnce yapay zeka(AI) teknolojilerindeki devrimsel ilerlemelere rağmen, hâlâ ‘güvenilirlik’ ve ‘doğruluk’ konularında insan bilgisi ve uzmanlığına olan ihtiyaç gündemde. Sapien CEO’su Rowan Stone, yapay zekânın gerçekten değerli olabilmesi için **veri kalitesinin artırılması** ve insan odaklı bağlamsal düşünmenin eğitim süreçlerine entegre edilmesi gerektiğini vurguluyor.

Stone'a göre AI başarısında belirleyici unsur, sistemin ne kadar karmaşık olduğu ya da ne kadar veriyle beslendiği değil, bu verilerin *ne kadar kaliteli ve güvenilir* olduğu. Bu durumu “kötü girdilerle iyi çıktılar beklenemez” anlamındaki ‘GIGO (Garbage In, Garbage Out)’ kavramıyla açıklıyor. Gerçekte, doğrulanmamış ve hatalı verilerle beslenen sistemler; yanlı çıktılar, yanlış cevaplar ve ‘AI halüsinasyonu’ olarak adlandırılan saçma tepkiler üretebiliyor. Örneğin, yapılan bir çalışmaya göre GPT-3.5 modelinin halüsinasyon oranı %39,6 gibi oldukça yüksek bir seviyede.

Bu tür sonuçlar sadece teknik aksaklıkla kalmıyor. Stone, düşük kaliteli verilerin neden olduğu hatalı kararların ve başarısız projelerin şirketlerin yıllık gelirlerinin yaklaşık %6’sına mal olduğunu öne sürüyor. ABD’deki her 5 CIO’dan 1’i, veriye olan güven eksikliği nedeniyle AI entegrasyonundan çekiniyor. Özellikle sağlık ve güvenlik alanlarında bu durum ciddi etkiler doğurabiliyor. Örneğin, Detroit emniyet müdürünün açıklamasına göre, AI destekli yüz tanıma sistemlerinin yanlış tanımlama oranı %96’ya kadar çıkabiliyor. Harvard Tıp Fakültesi’nin raporu ise bazı AI sistemlerinin beyaz hastaları öncelediğini, yani yapısal önyargıya sahip olduğunu ortaya koyuyor.

Tüm bunların ışığında Stone, AI eğitiminde merkezi unsurun *insan zekâsı* olduğunu vurguluyor. Elon Musk’ın “insan bilgisinin toplamı AI'ye aktarılmıştır” yönündeki iddialarına karşı çıkan Stone, bu tarz bir yaklaşımın tehlikeli olabileceğini söylüyor. Çünkü insanlar sadece bilgiye değil, aynı zamanda deneyime, mantıklı değerlendirmelere ve etik kriterlere göre karar alma yetisine sahip. Yapay olarak oluşturulmuş verilerle eğitilen bir AI modeli ise bu bağlamsal ve ahlaki kavrayışlardan yoksun durumda olur ve hatalı sonuç üretme ihtimali artar.

Ayrıca, Stone merkezîleştirilmiş veri yönetiminin sınırlı yapısını eleştirerek, **insan katılımını içeren (human-in-the-loop)** *dağıtık öğrenme* yaklaşımlarının benimsenmesini öneriyor. Veriye dair işleriyle uğraşan veri bilimcilerin yaklaşık %67’si zamanının çoğunu veri temizleme ve doğrulama gibi ön hazırlıklara harcıyor ki bu da maliyetli ve zaman alıcı bir süreç oluşturuyor. Alternatif olarak, blokzincir destekli ödüllendirme sistemlerine dayanan *dağıtık biçimde pekiştirmeli öğrenme (RLHF)*, dünyanın dört bir yanındaki katılımcıların etiketleme ve sınıflandırma gibi görevlerde yer aldığı, daha dengeli ve iş birliğine açık bir ortam yaratıyor.

Araştırma şirketi Gartner’a göre, 2026’ya kadar AI projelerinin %60’ından fazlası, kaliteli ve uygun veriye erişim eksikliği yüzünden iptal edilecek. Bu da, yoğun insan uzmanlığı olmaksızın 21 trilyon ₺ (yaklaşık 2 kentilyon ₩) gibi dev bir küresel ekonomik potansiyelin hayata geçirilemeyeceği anlamına geliyor.

Sonuç olarak Stone, AI’ın geleceğinin ‘insan ile makine arasında **birlikte çalışmaya dayalı bir model**’ ile şekilleneceğini savunuyor. İnsanlar, yanlı verileri ortadan kaldırmak, veri yönetimini üstlenmek ve güvenilirliği sağlamak için gerçek zamanlı değerlendirme süreçlerini işletebilir. Yani, insanların denetimi ve bilgeliği olmadan inşa edilen yapay zekâ sistemleri sadece ‘dev’ kalır ama ‘akıllı’ olamaz. AI’ın gerçek anlamda ticarileşmesi ve yaygınlaşması, tamamen insan merkezli bir geliştirme kültüründen kaynaklanmalıdır.