Bu çalışma, yapay zekânın tanımından başlayarak, yapay zekâ türleri ve bu türlerin çeşitli alanlardaki uygulamaları üzerine odaklanmaktadır. Yapay zekânın öğrenme süreçleri, olasılık hesaplamalarına dayalı karar alma mekanizmaları ve bu sistemlerin insan zekâsıyla karşılaştırılması detaylandırılmıştır. Dar yapay zekâ, genel yapay zekâ ve süper yapay zekâ gibi farklı yapay zekâ türleri incelenmiş; bu türlerin özellikle sağlık, oyun ve otonom araçlar gibi çeşitli endüstrilerdeki kullanımları örneklerle açıklanmıştır. Derin öğrenme algoritmalarının tıbbi görüntüleme ve hastalık teşhisindeki kullanımları ve bu sistemlerin insan doktorlarla karşılaştırılması, yapay zekânın tıbbi alandaki potansiyelini ortaya koymuştur. Son olarak, yapay zekânın karar alma süreçlerindeki etkileri ve bu süreçlerin gelecekteki uygulamaları ele alınmıştır. Yapay Zekâ ve İnsan Zekâsı: Bilgisayarların Öğrenme Mekanizmaları ve Karar Alma Süreçlerine Etkileri Kaynak: © Kamu Politikası, Devlet Yönetimi ve Toplumsal Gelişim Merkezi (KAPDEM). I. Yapay Zekânın Tanımı ve Türleri Yapay Zekâ (YZ) , bilgisayar sistemlerinin insan benzeri düşünme ve davranma yetenekleri sergileyebilmesi amacıyla geliştirilen bir teknoloji ve araştırma alanıdır. Bu alan, öğrenme, akıl yürütme, problem çözme, algılama ve yaratıcı düşünme gibi insan zekâsı ile ilişkilendirilen bilişsel süreçleri taklit eden sistemler geliştirmeye odaklanır. Yapay zekâ sistemleri, belirli görevleri yerine getirebilmek için algoritmalar ve modeller kullanır ve bu sayede bilgisayarların, insan zekâsını gerektiren karmaşık sorunları çözebilmesi hedeflenir (Russell Norvig, 2020). Yapay zekâ, oldukça geniş bir araştırma alanını kapsar ve makine öğrenmesi, derin öğrenme, doğal dil işleme (NLP - Natural Language Processing) ve bilgisayarla görme gibi alt disiplinleri içerir (Goodfellow et al., 2016). Yapay zekâ, insan zekâsıyla etkileşim düzeyine ve işlevselliğine göre üç ana kategoriye ayrılmaktadır: Dar Yapay Zekâ (ANI - Artificial Narrow Intelligence), Genel Yapay Zekâ (AGI - Artificial General Intelligence) ve Süper Yapay Zekâ (ASI - Artificial Superintelligence) . Bu türler, yapay zekânın sahip olduğu yetenekler ve kullanım alanları açısından birbirinden farklıdır. II. Yapay Zekânın Gelişim Süreci ve İnsan Yaşamıyla Karşılaştırılması Yapay zekâ (YZ), bilgisayar sistemlerinin insan benzeri düşünme, öğrenme ve problem çözme yetenekleri sergileyebilmesi amacıyla geliştirilen bir teknolojidir. İnsan ömrünü 80 yıl olarak kabul ettiğimizde, yapay zekânın şu anki gelişim düzeyini bir insanın yaşıyla karşılaştırmak ilginç bir zihin egzersizi sunar. Yapay zekâ şu anda birçok görevi başarıyla yerine getirebilen, öğrenen ve gelişen bir teknoloji olsa da hala insan zekâsına kıyasla sınırlı kapasitelere sahiptir. Bu bağlamda, yapay zekâyı bir insanın yaşamındaki gelişim evreleriyle ilişkilendirebiliriz. Dar Yapay Zekâ (Artificial Narrow Intelligence, ANI) , yalnızca belirli görev veya işlevleri yerine getirebilen, sınırlı işlevselliğe sahip sistemleri ifade eder. Örneğin, yüz tanıma sistemleri, öneri algoritmaları ve sesli asistanlar dar yapay zekâ sistemleridir. Bu sistemler belirli bir alanda uzmanlaşmıştır, ancak bu alan dışında etkin şekilde çalışamazlar. Bu sistemler, öğrenme yeteneklerine sahip olmalarına rağmen, yaratıcı düşünme veya çok yönlü problem çözme yeteneklerine sahip değillerdir. İnsan yaşamıyla kıyasladığımızda, dar yapay zekâ sistemleri bir çocuk veya genç bir birey seviyesindedir. Kabaca 10-18 yaş aralığında oldukları düşünülebilir, çünkü belirli görevlerde başarılıdırlar ancak genel zekâya sahip değillerdir. Kaynak: © Kamu Politikası, Devlet Yönetimi ve Toplumsal Gelişim Merkezi (KAPDEM). Genel Yapay Zekâ (Artificial General Intelligence, AGI) ise, insan zekâsıyla eşdeğer geniş bilişsel yeteneklere sahip olmayı hedefler. AGI, sadece belirli alanlarda uzmanlaşmakla kalmaz, aynı zamanda farklı alanlardaki görevleri de yerine getirebilir ve yeni durumlara uyum sağlayabilir. AGI, henüz bilimsel olarak geliştirilememiştir; ancak bu teknolojiye ulaşıldığında, yetişkin bir insan zekâsına benzer seviyede olacağı düşünülmektedir. Bu durumda, AGI'nın bir insanın 20-40 yaş aralığındaki bilişsel kapasitesine eşdeğer olabileceği öngörülmektedir. Süper Yapay Zekâ (Artificial Superintelligence, ASI) ise, insan zekâsını aşan ve her alanda insanlardan daha üstün performans gösterebilen bir yapay zekâ türüdür. Teorik olarak, problem çözme, yaratıcı düşünme, bilgi işleme ve karar verme gibi süreçlerde insan zekâsından daha ileri olabilir. ASI, insan zekâsından çok daha hızlı bilgi işleyebilir ve bu sayede bilimsel keşifler yapma, karmaşık sosyal ve ekonomik sorunları çözme gibi alanlarda büyük başarılar gösterebilir. Süper yapay zekâ, henüz teorik bir kavram olarak ele alınmakta olup, geliştirilmiş bir örneği bulunmamaktadır. Bu tür bir teknoloji, insan yaşamı ile karşılaştırılamayacak bir zekâ seviyesi sunabilir. Sonuç olarak, yapay zekânın mevcut gelişim seviyesi ergen veya genç bir birey olarak değerlendirilebilir. Yapay zekâ, dar yapay zekâ düzeyinde belirli görevlerde başarılı, ancak genel zekâya sahip olmayan bir teknoloji olarak hayatımızda yer almaktadır. Gelecekte AGI seviyesine ulaşıldığında, bu teknolojinin olgun bir yetişkin insan zekâsına benzer bir kapasiteye sahip olacağı öngörülmektedir. Süper yapay zekâya ulaşıldığında ise, bu düzeyde bir yapay zekânın insan zekâsını aşan, hatta insan ömrü ile karşılaştırılamayacak düzeyde bir zekâ düzeyi sergileyebileceği düşünülmektedir. III. Yapay Zekâ Türlerine Göre Örnekler Yapay zekâ, farklı işlevleri yerine getirebilme kapasitesine sahip sistemler olarak çeşitli türlere ayrılır. Bu türler, belirli görevler için özelleşmiş dar yapay zekâ sistemlerinden, teorik olarak insan zekâsını aşabilecek süper yapay zekâ türlerine kadar uzanır. Farklı yapay zekâ sistemleri, doğal dil işleme, görüntü tanıma, oyun oynama ve tıbbi analizler gibi çeşitli alanlarda başarıyla uygulanmaktadır. İşte bu yapay zekâ türlerinin belirli alanlardaki örnekleri: i. Doğal Dil İşleme (NLP) Yapay Zekâ Sistemleri Doğal Dil İşleme (NLP), yapay zekânın önemli bir alt dalıdır ve makinelerin insan dilini anlaması ve kullanması üzerine yoğunlaşır. Bu sistemler, metin tabanlı görevlerde kullanılmak üzere geliştirilmiştir ve dilin yapısını analiz ederek makinelerin insanlar gibi dilsel etkileşim kurmasını sağlar. NLP sistemleri, dilin gramerini, anlamını ve bağlamını anlayarak çeşitli dil görevlerini yerine getirebilir. Bu teknolojinin en belirgin örneklerinden biri ChatGPT gibi modellerdir. ChatGPT (GPT-4) , derin öğrenme teknikleri kullanılarak geliştirilen bir yapay zekâ modelidir. Bu sistem, insan dilini analiz edebilir ve metin tabanlı görevlerde oldukça etkili bir şekilde performans gösterebilir. Örneğin, kullanıcılarla sohbet edebilir, soruları yanıtlayabilir, yaratıcı yazılar üretebilir ve çok çeşitli konularda metinler oluşturabilir. ChatGPT, dil işleme görevlerinde uzmanlaşmıştır; ancak, bu sistem yalnızca metinlerle etkileşimde bulunabilmekte ve başka görevlerde işlev gösterememektedir. Bu nedenle, ChatGPT bir Dar Yapay Zekâ örneğidir. ii. Görüntü Tanıma ve Bilgisayarla Görme Yapay zekânın bir diğer önemli uygulama alanı, görüntü tanıma ve bilgisayarla görme teknolojisi dir. Bu sistemler, dijital görüntüleri veya videoları analiz ederek anlamlı veriler çıkarır ve makinelerin çevresini tanımasını sağlar. Bilgisayarla görme, özellikle otonom araçlar, güvenlik sistemleri ve sağlık teşhisleri gibi çeşitli alanlarda kullanılmaktadır. Örneğin, Tesla'nın Otopilot sistemi , bilgisayarla görme teknolojisini kullanarak trafikteki diğer araçları, yol işaretlerini ve yaya gibi unsurları algılar ve bu bilgiler doğrultusunda otonom sürüş işlemini gerçekleştirir. Otopilot, yol üzerindeki tüm nesneleri analiz ederek, güvenli ve akıllı bir şekilde araç yönlendirmesi yapar. Ancak, bu sistem yalnızca sürüşe yönelik görevlerde uzmanlaşmıştır ve başka alanlarda işlev gösteremez. Dolayısıyla, Tesla’nın Otopilot sistemi de bir Dar Yapay Zekâ örneğidir. Kaynak: © Kamu Politikası, Devlet Yönetimi ve Toplumsal Gelişim Merkezi (KAPDEM). iii. Oyun Oynamada Uzman Yapay Zekâ Sistemleri Yapay zekâ, oyun oynama alanında da önemli ilerlemeler kaydetmiştir. DeepMind’in AlphaZero sistemi , satranç, Go ve Shogi gibi stratejik ve karmaşık oyunlarda büyük başarılar elde etmiş bir yapay zekâ sistemidir. Bu sistem, kurallarını öğrendiği oyunlarda, tamamen kendi başına oynayarak stratejiler geliştirmiş ve dünya şampiyonlarını yenebilme kapasitesine ulaşmıştır. AlphaZero , oyunların kurallarını öğrendikten sonra, milyonlarca simülasyon üzerinden kendi stratejilerini geliştirir ve zamanla bu stratejilerde ustalaşır. Örneğin, Go gibi karmaşık bir oyunda, insan beyninin stratejik düşünme yeteneklerini aşan bir seviyede performans gösterebilir. Ancak AlphaZero, yalnızca oyun oynama alanında uzmanlaşmıştır ve bu bilgi başka alanlara aktarılamaz. Yani, AlphaZero da bir Dar Yapay Zekâ örneğidir, çünkü yetenekleri yalnızca belirli bir oyun alanıyla sınırlıdır. iv. Tıbbi Yapay Zekâ Sistemleri Yapay zekâ, sağlık ve tıp alanında da önemli uygulamalar sunar. IBM Watson for Healthcare , tıbbi verileri analiz ederek doktorlara tanı ve tedavi süreçlerinde yardımcı olabilecek bir yapay zekâ sistemidir. Bu sistem, büyük miktarda tıbbi veriyi işleyebilir ve bu verilerden elde edilen bilgileri doktorlara sunarak daha iyi kararlar almalarına yardımcı olabilir. Özellikle onkoloji (kanser tedavisi) alanında Watson, hastaların tıbbi geçmişine dayalı olarak kişiselleştirilmiş tedavi önerilerinde bulunabilir. Watson, tıbbi literatürü tarayarak ve hastaların verilerini analiz ederek kanser tedavisi gibi kritik alanlarda doktorlara yardımcı olur. Watson'ın en güçlü yönlerinden biri, büyük veri kümelerini hızlı bir şekilde analiz edebilmesi ve tıbbi literatürden en uygun tedavi seçeneklerini çıkarmasıdır. Ancak, Watson’ın yetenekleri sadece tıbbi verilere dayalıdır ve başka alanlarda işlev gösteremez. Bu nedenle, IBM Watson da bir Dar Yapay Zekâ örneği olarak kabul edilir. IV. Yapay Zekânın Karar Alma Süreçleri ve İnsan Zekâsıyla Benzerliği Yapay zekâ (YZ) sistemleri, karar alma süreçlerinde temelde olasılık hesaplamalarına ve istatistiksel modellemelere dayanır. Bu mekanizmalar, insanın öğrenme ve karar alma süreçlerine oldukça benzer şekilde işler. İnsanlar gibi, yapay zekâ da geçmiş deneyimlerden öğrenerek gelecekteki olayların olasılıklarını tahmin eder ve bu tahminler doğrultusunda kararlar verir. Yapay zekâ sistemleri, kendisine sunulan verilerden anlamlı örüntüler ve ilişkiler çıkarır; bu sayede gelecekte karşılaşacağı benzer durumlar hakkında daha isabetli tahminler yapabilir. Karar alma süreçleri, veriyle beslenen ve sürekli öğrenme yoluyla kendini geliştiren bir yapıya sahiptir (Murphy, 2012). Yapay zekâ, temel olarak iki ana aşamada çalışır: İlk aşama, veri toplama ve bu verilerden çıkarımlar yapma sürecidir. İkinci aşama ise bu çıkarımlar üzerine kurulu bir karar verme mekanizmasıdır. YZ, bu süreçte olasılık hesaplamaları yaparak, geçmiş deneyimlerinden öğrendiği bilgilere dayanarak bir olayın gerçekleşme olasılığını değerlendirir ve bu olasılıklar üzerinden kararlar verir. Yapay zekâ, tıpkı bir insan gibi, her yeni veri parçasını analiz eder ve önceki tahminlerini bu yeni bilgiler doğrultusunda güncelleyerek zaman içinde daha doğru kararlar almayı öğrenir. Kaynak: © Kamu Politikası, Devlet Yönetimi ve Toplumsal Gelişim Merkezi (KAPDEM). i. Olasılık Hesaplamalarına Dayalı Karar Alma Yapay zekâ sistemleri, olasılık hesaplamaları ve istatistiksel çıkarımlar yaparak bir durumun gelecekte nasıl sonuçlanacağı hakkında tahminlerde bulunur. Örneğin, bir yapay zekâ modeli, daha önce belirli bir olayın kaç kez gerçekleştiği ve bu olayın koşulları hakkında veri topladıysa, bu verilerden yararlanarak aynı olayın tekrar gerçekleşme olasılığını hesaplayabilir. Yapay zekâ, bu olasılıkları değerlendirdikten sonra, en yüksek başarı şansına sahip olan kararları almak üzere programlanır. Örneğin, bir e-ticaret platformu, geçmiş satın alma verilerine dayanarak, bir müşterinin belirli bir ürünü satın alma olasılığını hesaplayabilir. Eğer müşteri geçmişte benzer ürünler satın almışsa veya belirli bir ürünü görüntülemişse, yapay zekâ sistemi bu müşterinin o ürünü satın alma olasılığını hesaplayarak, ona kişiselleştirilmiş öneriler sunar. Bu öneriler, daha önceki kullanıcı davranışları temel alınarak yapılan olasılık hesaplamalarına dayanır. ii. Basit Bir Örnek: Zar Deneyi Yapay zekânın olasılık hesaplamalarına dayalı karar alma mekanizmasını daha iyi anlamak için zar deneyi gibi basit bir örneği ele alabiliriz. Bu deney, yapay zekânın nasıl veri topladığını, bu verilerden nasıl öğrendiğini ve gelecekteki olayları nasıl tahmin ettiğini açıklar. Diyelim ki, 6 yüzlü bir zar kullanılıyor ve bu zarın nasıl çalıştığını bilmeyen bir kişiye gösteriliyor. Kişi, zarı ilk kez attığında zarın 2 geldiğini varsayalım. Bu kişi, sadece elindeki tek bir veri noktası olduğundan, ikinci atışta yine 2 geleceğini tahmin edebilir. Çünkü, başka bir veri noktası bulunmamaktadır. İkinci zar atıldığında bu kez 3 geldiğini düşünelim. Bu durumda, kişi yeni bir veri noktası elde eder ve zarın farklı yüzlerinin farklı sayılar getirebileceğini öğrenir. Zamanla, zarın farklı atışlarla 1, 2, 3, 4, 5 ve 6 gibi farklı sayılar getirdiğini gözlemler ve bu gözlemler arttıkça, her yüzün gelme olasılığının %16,67 (1/6) olduğunu öğrenir (Bishop, 2006). Yapay zekâ sistemleri de bu şekilde çalışır. İlk başta sınırlı veriyle çalışan yapay zekâ, sadece eldeki verilere dayanarak olasılık hesaplamaları yapar. Ancak zamanla daha fazla veri topladıkça, yapay zekânın tahminleri daha isabetli hale gelir. Örneğin, bir yapay zekâ modeline yüzlerce zar atışı verisi sağlandığında, model bu verilerdeki sayısal dağılımları analiz eder ve her bir sayının ne sıklıkta geleceğini olasılıksal olarak hesaplayabilir. Model, öğrendiği bilgilere dayanarak gelecekteki zar atışlarının sonuçlarını tahmin edebilir ve en olası sonucu belirlemek için bu tahminleri kullanabilir. Bu süreçte yapay zekâ, verilerden öğrendiklerini sürekli olarak günceller. Yeni veri elde ettikçe eski tahminlerini yeniler ve olasılık hesaplamalarını daha doğru hale getirir. Tıpkı insan öğrenmesi gibi, yapay zekâ da veri biriktikçe daha karmaşık ilişkiler kurabilir ve daha doğru sonuçlara ulaşabilir. Dolayısıyla, öğrenme ve karar alma süreçlerinde verilerin sürekli olarak sisteme sunulması ve bu verilerin işlenmesi yapay zekânın doğruluk ve performansını artırır. iii. Karmaşık Veriler ve Karar Alma Süreci Yapay zekâ sistemleri, basit zar örneğinden çok daha karmaşık veri setleriyle çalışabilir. Bu veri setleri, milyonlarca veri noktası içerebilir ve yapay zekâ, bu büyük veri kümelerini analiz ederek daha karmaşık tahminlerde bulunabilir. Örneğin, tıbbi bir yapay zekâ sistemi, binlerce hastanın tıbbi geçmişini analiz ederek belirli bir hastalığın gelişme olasılığını tahmin edebilir. Yapay zekâ, hastaların yaşları, genetik yapıları, yaşam tarzları gibi faktörlere dayalı olarak bu tahminleri yapar ve hastalığın hangi kişilerde daha olası olduğuna dair çıkarımlar yapar. Bu tür sistemler, sadece olasılık hesaplamaları yapmaz, aynı zamanda makine öğrenmesi algoritmaları kullanarak veri setlerinden anlamlı örüntüler çıkarır. Bu sayede, yapay zekâ daha önce hiç görmediği yeni bir veriyle karşılaştığında bile, öğrendiği bilgiler doğrultusunda tahminlerde bulunabilir ve doğru kararlar verebilir. Örneğin, bir finansal yapay zekâ modeli, geçmiş piyasa verilerini analiz ederek gelecekteki piyasa hareketlerini tahmin edebilir ve bu tahminler doğrultusunda yatırım kararları alabilir. V. Gelişmiş Bir Örnek: Tıbbi Görüntüleme ve Yapay Zekâ Yapay zekânın işleyişini anlamak için ileri düzey bir uygulama olan tıbbi görüntüleme sistemleri örneği oldukça açıklayıcıdır. Tıbbi görüntülemede, doktorlar ve tıp öğrencileri, röntgen filmleri, manyetik rezonans (MR) görüntüleri veya bilgisayarlı tomografi (BT) taramaları gibi verileri analiz ederek hastalıkları teşhis ederler. Bu süreç, deneyim ve tekrara dayalı öğrenme yoluyla gelişir. Örneğin, bir tıp öğrencisi, eğitim sürecinde çok sayıda röntgen filmi görür ve eğitmenleri ona bu görüntülerdeki belirli lekelerin, çizgilerin veya anomalilerin ne anlama geldiğini açıklar. Her yeni görüntü, öğrencinin öğrenmesine katkıda bulunur ve zamanla teşhis süreçleri daha hızlı ve isabetli hale gelir (Topol, 2019). Yapay zekâ sistemleri de benzer şekilde öğrenir, ancak insanlardan farklı olarak çok daha büyük veri setleri üzerinde çalışabilir. Makine öğrenmesi algoritmaları , milyonlarca tıbbi görüntüyü analiz edebilir ve bunlardan öğrenir. Örneğin, milyonlarca akciğer röntgeni içeren bir veri setini ele alalım. Bu görüntüler, sağlıklı ve hastalıklı akciğerleri temsil eden etiketlerle işaretlenmiştir. Yapay zekâ algoritmaları, bu görüntülerdeki belirli desenleri ve anormallikleri öğrenir ve zamanla hastalıkları tanıma konusunda yetkin hale gelir. Örneğin, bir yapay zekâ modeli, akciğer röntgenlerindeki lekeleri analiz ederek bunların zatürre, akciğer kanseri veya başka bir hastalık olup olmadığını belirleme kapasitesine ulaşabilir (Litjens et al., 2017). Yapay zekâ, tekrara dayalı öğrenme süreci ile daha hassas hale gelir. Tıpkı bir doktorun yıllar süren tecrübelerle geliştirdiği bilgi birikimi gibi, yapay zekâ da sürekli öğrenme ve geri bildirim yoluyla performansını iyileştirir. Bu tür yapay zekâ sistemleri, zamanla teşhis süreçlerinde daha isabetli hale gelir ve doktorlara yardımcı olarak bazı görevleri otomatikleştirir. Bu durum, özellikle büyük hacimli görüntülerin hızlıca analiz edilmesi gerektiğinde büyük avantaj sağlar. Örneğin, bir yapay zekâ modeli, binlerce röntgen filmini kısa sürede analiz edebilir ve doktorlara hızlı teşhis konusunda yardımcı olabilir. Bu, teşhis sürecini hızlandırır ve klinik verimliliği artırır (Topol, 2019). VI. Sürekli Öğrenme ve Geri Bildirim Yapay zekâ sistemlerinin başarılı olmasında sürekli öğrenme ve geri bildirim mekanizmaları kritik bir rol oynar. Tıpkı bir doktorun sürekli gelişimi gibi, yapay zekâ da önceki analizlerinde yaptığı hatalardan öğrenir ve bu hataları düzeltmek için modelini günceller. Örneğin, makine öğrenmesi algoritmaları bir hastalık teşhisi sırasında yaptığı hataları geri bildirim olarak alır ve bu geri bildirimler doğrultusunda gelecekte aynı hatayı yapmamak için kendini geliştirir. Ayrıca, veri setleri sürekli olarak güncellendiğinde, yapay zekâ yeni teşhis yöntemlerini ve bilgilerini öğrenme kapasitesine sahip olur. Bu öğrenme süreci, yapay zekânın zamanla daha doğru ve güvenilir hale gelmesini sağlar (Murphy, 2012). İnsan Doktorlar ve Yapay Zekânın Performans Karşılaştırmaları Kaynak: © Kamu Politikası, Devlet Yönetimi ve Toplumsal Gelişim Merkezi (KAPDEM). Yapay zekânın tıbbi görüntüleme alanındaki performansı, insan doktorlarla karşılaştırıldığında dikkate değer başarılar göstermiştir. Çeşitli akademik çalışmalar, yapay zekânın tıbbi görüntüleme teknikleriyle ilgili teşhis yapma yeteneğini değerlendirmiştir. Özellikle, röntgen ve göğüs filmi gibi tıbbi görüntüleme yöntemleri üzerinde yapılan araştırmalar, yapay zekânın hastalıkları tespit etmede doktorlarla karşılaştırılabilir bir performans sergilediğini ortaya koymuştur. Bazı durumlarda, yapay zekâ sistemlerinin belirli hastalıkları tespit etme konusundaki doğruluğu, insan doktorlardan daha yüksek olabilir. Örneğin, akciğer grafilerinde yaygın olarak görülen hastalıkların teşhisinde yapay zekâ sistemleri yüksek bir başarı oranı yakalamıştır. Bununla birlikte, daha karmaşık vakalar söz konusu olduğunda, yapay zekâ sistemlerinin performansı hala insan doktorların gerisinde kalabilmektedir. Bu nedenle, birçok uzman, yapay zekânın doktorların yerine geçmesindense, onları destekleyecek bir araç olarak kullanılması gerektiğini savunmaktadır. Yapay zekâ, özellikle zaman alan ve büyük veri gerektiren görevlerde doktorlara yardımcı olarak onların iş yükünü hafifletebilir ve klinik süreçleri daha verimli hale getirebilir. Sonuç olarak, yapay zekâ teknolojisi tıbbi görüntüleme alanında büyük potansiyel taşımakta ve bu alandaki uygulamaları giderek daha yaygın hale gelmektedir. Yapay zekâ, hastalıkların erken teşhisi, tedavi süreçlerinin planlanması ve genel klinik verimlilik gibi konularda önemli katkılar sunmaktadır. Bu tür teknolojiler, sağlık sistemlerinin daha etkili çalışmasına yardımcı olabilir ve hastaların daha hızlı ve doğru teşhis almasına olanak tanır. Bu konudaki en önemli çalışmalar aşağıdaki gibidir. Performans Karşılaştırmaları : Stanford Üniversitesi'nde yapılan bir çalışma, bir yapay zekâ algoritmasının 14 farklı patolojiyi (hastalık belirtisi) aynı anda tarayabildiğini ve bunları tespit etme açısından radyologlar kadar başarılı olduğunu göstermiştir. Örneğin, akciğer büyümesi, pnömoni gibi yaygın hastalıkların teşhisinde YZ, radyologlarla benzer performans göstermiştir. Bununla birlikte, bazı patolojilerde yapay zekânın performansı radyologları bile geçebilmiştir ( Stanford Medicine ). Radyoloji Asistanlarıyla Karşılaştırma : Yapılan bir başka çalışma, derin öğrenme algoritmaları ile radyoloji asistanlarının performanslarını karşılaştırmıştır. Çalışmada 342,126 göğüs röntgeni kullanılarak bir YZ modeli eğitilmiş ve sonuçlar, 1,998 yeni röntgen üzerinden test edilmiştir. Sonuçlar, YZ algoritmasının ortalama pozitif öngörü değerinin (PPV) radyoloji asistanlarından daha yüksek olduğunu (YZ için %73, radyoloji asistanları için %68) ve benzer spesifiklik (%98) ile çalıştığını göstermiştir ( JAMA Network ) ( Diagnostic Imaging ). Karmaşık Vaka Yorumlama : Yapay zekâ, belirli hastalıkları ve yaygın patolojileri hızlı ve doğru bir şekilde tespit etme konusunda çok başarılı olabilirken, daha karmaşık vakalarda veya nadir görülen hastalıklarda insan uzmanlara ihtiyaç duyulabilir. Bir çalışmada, YZ algoritmalarının yüksek prevalanslı hastalıklar (örneğin, akciğer ödemi, kalp büyümesi) üzerindeki performansının oldukça yüksek olduğu, ancak kitleler veya nodüller gibi daha zor ve nadir bulguların yorumlanmasında insan uzmanlarla birlikte çalışması gerektiği vurgulanmıştır ( Diagnostic Imaging ) ( Stanford Medicine ). VIII. Yapay Zekânın Çalışma Mekanizması Yapay zekâ (YZ), bilgisayarların insan zekâsına benzer şekilde düşünmesi ve belirli görevleri gerçekleştirmesi için tasarlanan sistemlerdir. Bu sistemler, çeşitli algoritmalar ve matematiksel modeller kullanarak verileri işler, öğrenir ve kararlar alır. Yapay zekânın çalışma mekanizması, birkaç temel adımı içerir: i. Veri Girişi Yapay zekâ sistemlerinin temelinde veri bulunur. Veriler, yapay zekânın öğrenmesini sağlayan ham maddelerdir. Bu veriler, metin, görüntü, ses veya sayısal bilgiler gibi farklı formatlarda olabilir. Örneğin, bir yüz tanıma sistemi binlerce yüz fotoğrafı ile eğitilirken, dil işleme sistemleri büyük metin veri kümeleriyle beslenir. Bu süreçte yapay zekâ, bu verilere dayalı olarak kararlar almayı öğrenir. Veriler ne kadar büyük ve çeşitliyse, yapay zekânın doğruluğu ve performansı o kadar artar. Kaynak: © Kamu Politikası, Devlet Yönetimi ve Toplumsal Gelişim Merkezi (KAPDEM). ii. Makine Öğrenmesi Makine öğrenmesi, yapay zekânın temelini oluşturur. Yapay zekâ, verilerden öğrenerek, zamanla daha doğru tahminler yapar ve kararlar alır. Üç ana makine öğrenme yöntemi vardır: Denetimli Öğrenme: Bu yöntemde yapay zekâ, etiketlenmiş verilerle eğitilir. Yani, her veri setine doğru cevap eklenir ve sistem bu ilişkileri öğrenir. Örneğin, bir e-posta sistemi, "spam" ve "spam değil" olarak işaretlenmiş e-postalarla eğitilir ve zamanla yeni e-postaları doğru kategorilere ayırmayı öğrenir. Denetimsiz Öğrenme: Burada etiketli veriler kullanılmaz. Yapay zekâ, verilerdeki örüntüleri kendi başına keşfeder. Bu, örneğin müşteri segmentasyonu gibi veriler arasındaki benzerlikleri bulmaya yönelik işlemlerde kullanılır. Pekiştirmeli Öğrenme: Bu yöntemde yapay zekâ, doğru kararlar aldığında ödüllendirilir, yanlış yaptığında ise cezalandırılır. Özellikle otonom araçlar ve robotik uygulamalar için kullanılan bir yöntemdir. Yapay zekâ, ödül ve ceza mekanizması sayesinde davranışlarını geliştirir. iii. Algoritmalar ve Modeller Yapay zekâ, öğrenme ve karar alma süreçlerini yürütmek için çeşitli algoritmalar ve matematiksel modeller kullanır. Karar ağaçları , yapay sinir ağları ve destek vektör makineleri gibi yöntemler, verileri analiz ederek sonuçlar üretir. Yapay sinir ağları, özellikle derin öğrenme alanında kullanılır ve insan beyninin yapısını taklit eder. Bu ağlar, çok katmanlı yapılar sayesinde karmaşık verileri öğrenip anlamlandırabilir. Örneğin, derin öğrenme modeli bir görüntüdeki nesneleri tanımlamak için kullanılır. iv. Öğrenme Süreci Yapay zekânın öğrenme süreci, büyük miktarda veriyle başlar. Sistem, bu verilerdeki desenleri ve ilişkileri öğrenir. Eğitim sürecinde model, veri üzerinden eğitilir ve doğruluğunu artırmak için ayarlamalar yapılır. Sonrasında sistem test edilir; bu test aşamasında modelin ne kadar doğru çalıştığı ölçülür. Yanlış tahminler yaparsa, bu hatalar düzeltilir ve sistemin performansı artırılır. v. Tahmin ve Karar Alma Model eğitildikten sonra, yapay zekâ yeni verilerle karşılaştığında öğrendiği bilgileri uygulayarak tahminlerde bulunur veya kararlar alır. Örneğin, bir dil işleme modeli, karşılaştığı bir cümleyi analiz ederek bu cümlenin anlamını çıkarabilir veya hangi dilde olduğunu belirleyebilir. Yapay zekâ, öğrendiği kuralları yeni verilere uygulayarak sonuçlar üretir. vi. Geri Bildirim ve Sürekli Öğrenme Yapay zekâ sistemleri, geri bildirim mekanizmaları sayesinde sürekli olarak kendini geliştirir. Modelin ürettiği sonuçlar, geri bildirim olarak değerlendirilir ve bu geri bildirimler doğrultusunda model güncellenir. Örneğin, bir yapay zekâ teşhis modeli yanlış bir teşhiste bulunduğunda, bu hata geri bildirim olarak alınır ve model bu hatayı tekrarlamamak üzere kendini geliştirir. Bu sürekli öğrenme süreci, yapay zekânın zamanla daha doğru ve etkili olmasını sağlar. Yapay zekâ, verileri analiz eden, bu verilerden öğrenen ve kararlar alabilen bir sistemdir. Veriler, yapay zekânın öğrenme sürecinin başlangıç noktasıdır ve makine öğrenmesi algoritmaları sayesinde yapay zekâ, zamanla daha doğru sonuçlar üretir. Geri bildirim mekanizmaları ise yapay zekânın sürekli gelişmesini sağlar ve yapay zekâ, zaman içinde daha karmaşık görevlerde başarılı hale gelir. IX. ChatGPT'nin Öne Çıkışı ve Diğerlerinden Farklı Özellikleri ChatGPT, doğal dil işleme (NLP) ve yapay zekâ alanındaki büyük gelişmelerin bir sonucu olarak öne çıkmıştır. Onu diğerlerinden ayıran en belirgin özellikleri arasında bağlam farkındalığı (context awareness) ve bilgi tutma (retention) yetenekleri yer almaktadır. Bu iki kavram, yapay zekânın daha akıllı, çevik ve insan benzeri tepkiler vermesini sağlar. Yapay zekânın çevresini anlaması ve öğrendiklerini gelecekteki karar süreçlerinde kullanabilmesi, birçok uygulamada yenilikçi çözümler üretmesine imkan tanır. i. Bağlam Farkındalığı (Context Awareness) Bağlam farkındalığı, bir yapay zekâ sisteminin sadece aldığı komutu değil, aynı zamanda bu komutun gerçekleştiği çevresel koşulları da analiz edebilme yeteneğidir. Yani, yapay zekâ kullanıcının konumunu, zamanı ve önceki etkileşimlerini dikkate alarak daha kişiselleştirilmiş ve anlamlı cevaplar üretebilir. Örneğin, bir akıllı asistan, sabah ve akşam saatlerinde aynı komuta farklı cevaplar verebilir, çünkü bağlam farkındalığı sayesinde kullanıcının o anki ihtiyaçlarını anlayabilir. Bu yetenek, özellikle doğal dil işleme, akıllı asistanlar ve otonom sistemlerde büyük öneme sahiptir. Yapay zekânın, çevresel verileri işleyip analiz edebilmesi, kullanıcı deneyimini daha doğal ve sezgisel hale getirir. Yapılan birçok akademik çalışma, yapay zekâ sistemlerinde bağlam farkındalığının geliştirilmesinin, bu teknolojilerin etkileşim kapasitesini ciddi şekilde artırdığını göstermektedir (Lungren et al., 2018). ii. Bilgi Tutma (Retention) Bilgi tutma, yapay zekânın önceki etkileşimlerden öğrendiği bilgiyi hafızasında saklayarak ilerleyen süreçlerde kullanabilme yeteneğidir. Bu, yapay zekânın sürekli öğrenme ve gelişme kabiliyetini destekler. Örneğin, bir eğitim uygulaması, öğrencinin önceki zayıf noktalarını hatırlayarak, sonraki derslerde bu konulara odaklanabilir. Benzer şekilde, bir sağlık yapay zekâsı, hastanın önceki verilerini kullanarak gelecekteki tedavi süreçlerini daha verimli hale getirebilir. Bilgi tutma, yapay zekâ modellerinin geçmiş deneyimlerden ders alarak daha tutarlı ve sofistike sonuçlar üretmesine olanak tanır. Bu yetenek, yapay zekânın insan benzeri öğrenme mekanizmalarına yaklaşmasına önemli bir adım olarak kabul edilir (Rajpurkar et al., 2024). iii. Yapay Zekâ Üzerindeki Etkileri Bağlam farkındalığı ve bilgi tutma yetenekleri, yapay zekânın daha karmaşık sorunları çözme becerisini geliştirir. Bu yetenekler, yapay zekâ sistemlerinin daha duyarlı ve kişiselleştirilmiş çözümler sunmasına olanak tanır. Özellikle otonom araçlar, kişisel asistanlar ve sağlık sistemleri gibi alanlarda bu yetkinlikler, teknolojinin başarısını büyük ölçüde artırmaktadır. Stanford Üniversitesi'nin geliştirdiği CheXNeXt algoritması, yapay zekânın bağlam farkındalığı kullanarak akciğer grafilerinde patoloji tespitinde başarılı sonuçlar elde etmiştir (Lungren et al., 2018). iv. Akademik Zorluklar Bu iki yetkinliğin entegrasyonu bazı zorlukları da beraberinde getirir. Özellikle bilgi tutma kapasitesi, veri gizliliği ve güvenliği gibi önemli konuları gündeme getirir. Yapay zekâ sistemleri, kullanıcı verilerini uzun süre sakladığında, bu verilerin korunması büyük önem taşır. Aynı zamanda, bağlam farkındalığı, çevresel koşulların doğru algılanmasıyla doğrudan ilişkilidir ve karmaşık durumlarda yapay zekânın performansını etkileyebilir (European Radiology, 2024). Kaynak: © Kamu Politikası, Devlet Yönetimi ve Toplumsal Gelişim Merkezi (KAPDEM). X. Sonuç Yapay zekâ, modern teknolojinin en hızlı gelişen alanlarından biri olarak, insan hayatının pek çok yönünü köklü bir şekilde değiştirme potansiyeline sahiptir. Günümüzde dar yapay zekâ, birçok alanda etkin bir şekilde kullanılmakta ve insanlara günlük yaşamlarında kolaylıklar sağlamaktadır. Gelecekte ise genel yapay zekânın, insan benzeri düşünme kapasitesine sahip sistemlerin geliştirilmesinde önemli bir rol oynaması beklenmektedir. Süper yapay zekâ ise hâlâ teorik bir kavram olarak karşımızda durmakta, insan zekâsının ötesine geçebilecek potansiyel bir teknoloji olarak tartışılmaktadır. Yapay zekâ, yalnızca teknolojik bir yenilik olmaktan öte, insan hayatını daha güvenli, verimli ve etkili hale getirebilecek güçlü bir çözüm sunmaktadır. Ancak, bu teknolojinin geliştirilmesi sırasında etik ve güvenlik konuları da göz önünde bulundurulmalıdır. Yapay zekâ, doğru yönlendirildiğinde insanlığa büyük faydalar sağlayabilir; ancak yanlış kullanıldığında ciddi riskler ve tehlikeler de barındırmaktadır. Yapay zekânın gelişimindeki en önemli faktörlerden biri verilerdir. Ne kadar çok veri işlenirse, sonuçlar o kadar detaylı ve isabetli olur. Bu bağlamda, Google, Twitter, Facebook, WeChat gibi platformlar topladıkları büyük veri setleri sayesinde kitlelerin davranışlarını, uyku düzenlerini, alışveriş eğilimlerini, korkularını ve ilgi alanlarını analiz edebilmekte ve bu verileri stratejik bir kaynak haline getirebilmektedirler. Yapay zekâ, bu verilerle beslenerek daha derinlemesine analizler yapabilir ve çeşitli alanlarda daha etkili çözümler sunabilir. Bu durum, büyük verinin ve yapay zekânın, modern dünyanın stratejik kaynaklarından biri haline geldiğini göstermektedir. Bu yazıda ifade edilen görüşler yalnızca yazara aittir; KAPDEM’in kurumsal duruşunu, editoryal görüşünü ve/veya politik tutumunu yansıtmayabilir. KAPDEM, yayınladığı içerikler aracılığıyla farklı perspektiflerin ifade edilmesini teşvik eder, ancak bu içeriklerde kullanılan bilgi ve üretilerin fikirlerin tüm sorumluluğu yazarlarına aittir. The views expressed in this article are solely those of the author and may not reflect the institutional stance, editorial perspective, and/or policy orientation of KAPDEM. While KAPDEM encourages the articulation of diverse perspectives through its published content, it bears no responsibility for the information and intellectual output presented therein; all responsibility lies with the respective authors. Kaynaklar: Russell, S., Norvig, P. (2020). Artificial Intelligence: A Modern Approach Google Books - Artificial Intelligence: A Modern Approach (Russell Norvig) Goodfellow, I., Bengio, Y., Courville, A. (2016). Deep Learning Deep Learning Book by Ian Goodfellow (MIT Press) Bostrom, N. (2014). Superintelligence: Paths, Dangers, Strategies Oxford University Press - Superintelligence by Nick Bostrom Silver, D., et al. (2016). "Mastering the game of Go with deep neural networks and tree search" Nature - Mastering the game of Go (Silver et al., 2016) Brown, T., et al. (2020). "Language Models are Few-Shot Learners" arXiv - Language Models are Few-Shot Learners (Brown et al., 2020) Jurafsky, D., Martin, J. H. (2020). Speech and Language Processing Pearson - Speech and Language Processing by Jurafsky Martin Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective MIT Press - Machine Learning: A Probabilistic Perspective by Kevin Murphy Bishop, C. M. (2006). Pattern Recognition and Machine Learning Springer - Pattern Recognition and Machine Learning by Christopher Bishop Topol, E. J. (2019). Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again Basic Books - Deep Medicine by Eric Topol Litjens, G., et al. (2017). "A survey on deep learning in medical image analysis" arXiv - A Survey on Deep Learning in Medical Image Analysis (Litjens et al., 2017) Sutton, R. S., Barto, A. G. (2018). Reinforcement Learning: An Introduction MIT Press - Reinforcement Learning: An Introduction by Sutton Barto
Gündelik hayatımızda birçok işimizi internet üzerinden online olarak halledebilmekteyiz. İnternet üzerinden derslere girebiliyoruz, yemek sipariş edebiliyoruz, haberleri takip edebiliyoruz. İstediğimiz bilgiye arama motorları sayesinde ulaşabiliyor, akıllı saatler ile uyuduğunuz, uyku kaliteniz, nabız aralığınız, aktivitelerinizi kaydedebiliyor ve görüntüleyebiliyorsunuz. Neredeyse 24 saat içerisinde yaptığımız birçok aktivite kaydedilebiliyor. Bu kayıtlar ise büyük bir veri havuzu oluşturmakta. Bu veri havuzu ile yani popüler adı ile büyük veri sayesinde, kitlelerin ve bireylerin politik görüşlerini, harcama alışkanlıklarını, sağlık durumlarını, ekonomik trendleri ve benzeri birçok olayı önceden tahminlememize, bireyleri ise toplam popülasyon içerisinde sınıflandırmamıza olanak veriyor. Sizin internetteki alışverişlerinizden, gün içerisindeki aktivitelerinize veya sosyal medyadaki beğenileriz yardımı ile psikolojik durumunuz ve hatta cinsel eğiliminiz bile algoritmalar tarafından büyük başarı oranları ile tahminlenebiliyor. Kısacası tek başına anlamsız olan bu kadar veri birleştiğinde sizi ve kitleleri anlamlandırmak ve hatta yönlendirmek için kullanılabilir. Bu da büyük veriyi korunması, işlenmesi ve anlamlandırılması gereken stratejik bir kaynak haline getirmektir. Devletler, kamu kurumları, siyasi partiler, üniversiteler, sivil toplum kuruluşları, özel sektör kurumları, şirketler ve artan şekilde pek çok organizasyon büyük veri çalışmalarının önemini anlıyor. Ancak, pek çoğu hala neyi nasıl yapacağı konusunda ciddi bir ilerleme kaydetmiş değiller. Türkiye’de büyük veriyi saklamak konusunda yasalar çıkarıyor, ama asıl önemli olan büyük veriyi işlemek. Büyük veriyi toplayacak ve işleyecek kurum ve insan kaynaklarının gelişmesini sağlamak daha önemli, yönetim kapasitesini arttırmanın ve sağlamlaştırmanın temellerinden birisi de buradan geçiyor. Bu konuda eksikler çok. Yoksa büyük veri, yer altında işlenmemiş madenler gibi hiçbir işe yaramadan kalır. Giriş Büyük veri (big data) tam olarak nedir? Büyük veri, boyutu veya türü, geleneksel, ilişkisel veri tabanlarının verileri düşük gecikmeyle yakalama, yönetme ve işleme yeteneğinin ötesinde olan veri kümeleri olarak tanımlanabilir. Veri kaynakları, yapay zekâ, mobil cihazlar, sosyal medya ve Nesnelerin İnterneti (akıllı cihazlarınızın birbirleri ile etkileşime geçmesi, örneğin çamaşır makinesini cep telefonunuzdan kontrol etmeniz veya cep telefonu ile evin ışıklarını senkronize etmeniz ve siz eve geldiğinizde bunu cep telefonunun konumundan algılayarak ışıkların yanması Nesnelerin İnterneti olarak adlandırılabilir) tarafından yönlendirildiklerinden dolayı geleneksel verilere göre zamanla daha karmaşık hale gelmektedir. Örnek vermek gerekirse, sensörler, cihazlar, video/ses, ağlar, günlük kayıt dosyaları, işlem uygulamaları, web ve sosyal medyadan kaynaklanan farklı veri türleri vb. bunların çoğu gerçek zamanlı olarak ve çok büyük ölçekte oluşturulmaktadır. Sosyal medya platformlarında veya internet sitelerinde gezerken size özel kişiselleştirilmiş birçok reklam görürüz. Örneğin bir televizyon almak için araştırma yapıyorsanız, göreceğiniz reklamlar da televizyon reklamları olacaktır. Bu reklamlar, "Büyük Veri"nin nasıl kullanıldığına dair harika örneklerdir. Bunlar genellikle bulunduğunuz sitelere, cinsiyetinize, yaklaşık yaşınıza, yaşadığınız yere ve bir sürü başka değişkene dayalı olarak sadece sizin için seçilirler. Bu veriler, sizinle ve diğer herkesle ilgili büyük verinin bir parçasıdır. Şu şekilde de açıklanabilir, bir reklama her tıkladığınızda veya tıklamadığınızda, bu veriler bir yerde depolanır. Online olarak izlediğiniz her dizi, dizinin içeriği, ne kadar süre izlediğiniz, kredi kartı ile yaptığınız bütün harcamalar, sosyal medya beğenileriniz, gezindiğiniz online siteler, telefondaki konum paylaşımınız açık ise gittiğiniz restoranlar, ortalama araç kullanma süreniz ve benzeri veriler, veri kümelerini oluşturur. Verilerin online toplanmasına alternatif olarak marketlerin size verdiği kartlar üyelik kartları ile sizin alışveriş alışkanlıklarınız ile ilgili veriler toplanır. Gezegendeki 8 milyarı aşan insanla, her saniye çok sayıda veri oluşturulmaktadır. Başka bir deyişle, var olmanız bile veri oluşturmak için yeterli bir neden haline gelmiştir. Bu gibi sebeplerle o kadar çok veri ortaya çıkmıştır ki buna: “Büyük Veri” denmektedir. Büyük veri analitiği ile nihai olarak daha iyi ve daha hızlı karar verme süreci, gelecekteki sonuçları modelleme ve tahminleme ve gelişmiş bir piyasa istihbaratı elde etmek mümkündür. Bu yazıda, büyük veri (big data) yıllar içinde nasıl geliştiği, nasıl kullanıldığı, günlük yaşamımıza etkisi ve neden hükümetler ve özel şirketler için stratejik bir kaynak olduğu gibi bazı yönlerini ele alacağız. Büyük Veri’nin (Big Data) Tarihçesi Veri toplama, eski uygarlıklar tarafından yiyecek ararken kullanılan çubukların sayısına kadar geriye dönük olarak izlenebilir, ancak büyük verilerin tarihi bundan çok daha sonra başlar. Şimdi bizi bugün olduğumuz yere götüren bazı önemli tarihlerin zaman çizelgesine kısaca bakalım. 1880 - Veri yüklemesinin ilk örneklerinden biri ABD’deki 1880 nüfus sayımı sırasında yaşandı. Hollerith Tablolama Makinesi bu sıralarda icat edildi ve bunun ardından nüfus sayımı verilerinin işlenmesi işi on yıllık emek vermek yerine, bir yılın altına indirildi. Bu şirket 1924 yılıda “International Business Machines” adını aldı ya da hepimizin bildiği adıyla söyleyecek olursak IBM. 1928 - Alman-Avusturyalı mühendis Fritz Pfleumer, dijital verilerin gelecek yüzyılda nasıl saklanacağının yolunu açan bant üzerinde manyetik bir veri depolama yöntemi geliştirdi. 1948 - ABD MIT Üniversitesinde yüksek lisans öğrencisi olan Claude Shannon Bilgi Teorisi geliştirildi ve bu günümüzde yaygın olarak kullanılan bilgi altyapısının temelini oluşturdu. 1970 - IBM'de matematikçi olan Edgar F. Codd, büyük veri tabanlarındaki bilgilere, yapısı veya konumu bilinmeden nasıl erişilebileceğini gösteren bir "ilişkisel veri tabanı" sundu. Bu veri tabanı daha önce sadece uzmanlar veya kapsamlı bilgisayar bilgisine sahip olanlar tarafından kullanılıyordu. 1976 - Malzeme İhtiyaç Planlaması (MIP) sistemlerinin ticari kullanımı, bilgileri organize etmek ve planlamak için geliştirildi ve iş operasyonlarını hızlandırmak için daha yaygın hale getirildi. MIP; işletmelerin malzemeye dayalı yatırımlarını en aza indirerek üretimdeki verimliliği artırmak ve alıcılara yapılan hizmetlerini geliştirmek amacıyla kullandıkları bir yönetim çizelgeleme ve kontrol tekniğidir. 1989 - World Wide Web, Tim Berners-Lee tarafından kuruldu. 2001 - Doug Laney, büyük verinin temel özellikleri haline gelen "Verinin 3 V’si"ni açıklayan bir makale yayımladı. Aynı yıl “Hizmet Olarak Yazılım” terimi ilk kez paylaşıldı. 2005 - Büyük veri kümesi depolaması için açık kaynaklı yazılım çerçevesi olan Hadoop oluşturuldu. Hadoop ile verileri tek bir merkezde depolamak ve işlemek yerine birçok farklı merkezde depolayan ve işleyen, veri güvenliğini artıran ve veri işleme hızı ile veriye erişim hızını artıran programlar topluluğudur. 2007 - "Büyük veri" terimi, Wired'ın "Teorinin Sonu: Veri Tufanı Bilimsel Yöntemi Eski Haline Getirdi" başlıklı makalesinde kitlelere tanıtıldı. 2008 - Bilgisayar bilimi araştırmacılarından oluşan bir ekip (Computing Research Association) (CRA), büyük verilerin şirketlerin ve kuruluşların iş yapma biçimini temelden nasıl değiştirdiğini açıklayan " Büyük Veri Hesaplama: Ticaret, Bilim ve Toplumda Devrimsel Atılımlar Yaratmak " başlıklı makaleyi yayınladı. Bu makalenin özelliği, büyük verinin önemi ile ilgili olarak geniş bir perspektiften, hayatımıza etkilerini ele almasıydı. 2010 - Google CEO'su Eric Schmidt, her iki günde bir, insanların, medeniyetin başlangıcından 2003 yılına kadar yarattıkları boyutta bilgi ürettiklerini ortaya koydu. 2014 - Gittikçe, daha fazla şirket Kurumsal Kaynak Planlama Sistemlerini (KKP) buluta taşımaya başladı. Nesnelerin İnterneti, her gün büyük miktarda birbiri arasında veri ileten tahmini 3,7 milyar bağlı cihazlarla ve sensörlerle birlikte yaygın olarak kullanılmaya başlandı. 2016 - ABD’de Başkan Obama yönetimi, topluma ve ekonomiye doğrudan fayda sağlayacak büyük veri uygulamalarının araştırılmasını ve geliştirilmesini sağlamak için tasarlanmış "Federal Büyük Veri Araştırma ve Stratejik Kalkınma Planı"nı yayınladı. 2017 - IBM araştırması, günlük 2,5 kentilyon bayt verinin oluşturulduğunu ve dünyadaki verilerin %90'ının son iki yılda oluşturulduğunu belirtti. 2018 - Cambridge Analythica’nın Facebook’daki 87 milyon kullanıcının verisini kullanıcı onayı olmadan alması ve bu verilerin dönemin ABD Başkanlık adaylarından Trump’ın seçim kampanyasında kullanması sonrasında veri güvenliği ile ilgili olarak birçok ülke kapsayıcı kanunlar yürürlüğe koymaya başladılar. Büyük Veri’nin Özellikleri Nelerdir? Büyük verileri işleyen ve depolayan sistemler, büyük veri analitiği kullanımlarını destekleyen araçlarla birlikte kuruluşlardaki veri yönetimi mimarilerinin ortak bir bileşeni haline gelmiştir. Büyük veri genellikle Üç V olarak tanımlanan üç özellik ile karakterize edilir: Volume - Hacim Önemli olan veri miktarı. Büyük verilerle, yüksek hacimli düşük yoğunluklu, yapılandırılmamış verileri işlemeniz gerekmektedir. Bu veriler, Twitter veri akışları, bir web sayfasındaki veya mobil uygulamadaki tıklama akışları veya sensör özellikli ekipman gibi değeri bilinmeyen veriler olabilir. Bazı kuruluşlar için bu, onlarca terabayt veri olabilir. Diğerleri için yüzlerce petabayt olabilir. Velocity - Hız Hız, verilerin alındığı ve (belki de) üzerinde işlem yapıldığı hızlı oranıdır. Normalde, en yüksek veri hızı, diske yazılmaya kıyasla doğrudan belleğe akmaktadır. Bazı internet özellikli akıllı ürünler, gerçek zamanlı veya neredeyse gerçek zamanlı olarak çalışır ve gerçek zamanlı değerlendirme ve eylem gerektirmektedir. Variety - Çeşitlilik Çeşitlilik, mevcut olan birçok veri türünü ifade etmektedir. Geleneksel veri türleri daha önce yapılandırılmıştı ve ilişkisel bir veritabanına düzgün bir şekilde uyuyordu. Büyük verinin yükselişiyle birlikte veriler yeni yapılandırılmamış veri türleri olarak karşımıza çıkmaktadır. Metin, ses ve video gibi yapılandırılmamış ve yarı yapılandırılmış veri türleri, anlam türetmek ve meta verileri desteklemek için ek ön işleme gerektirmektedir. Bu özellikler ilk olarak 2001 yılında, daha sonra danışmanlık firması Meta Group Inc.'de analist olan Doug Laney tarafından ortaya koyuldu; Gartner, 2005'te Meta Group'u satın aldıktan sonra bunları daha da popüler hale getirdi. Daha sonra, doğruluk, değer ve değişkenlik dâhil olmak üzere büyük verinin farklı tanımlarına birkaç tane daha yeni V eklendi. Büyük Verinin Değeri ve Doğruluğu Son birkaç yılda iki V daha ortaya çıktı: değer ve doğruluk. Verinin içsel değeri mevcuttur. Ancak bu değer keşfedilene kadar bunun hiçbir faydası yoktur. Aynı derecede önemli olan bir soru daha mevcuttur: Verileriniz ne kadar doğru ve bunlara ne kadar güvenebilirsiniz? Günümüzde büyük veri sermaye haline gelmiştir. Dünyanın en büyük teknoloji şirketlerinden bazılarını ele alalım. Sundukları değerin büyük bir kısmı, daha fazla verimlilik üretmek ve yeni ürünler geliştirmek için sürekli olarak analiz ettikleri verilerinden gelmektedir. Son dönemlerdeki teknolojik gelişmeler, veri depolama ve bilgi işlem maliyetini katlanarak azaltarak, her zamankinden daha fazla veri depolamayı daha kolay ve daha ucuz hale getirmiştir. Artan büyük veri hacmi artık daha ucuz ve daha erişilebilir olduğundan, daha doğru ve kesin iş kararları vermek mümkündür. Büyük verilerde değer bulmak, yalnızca onu analiz etmekle ilgili değildir (ki bu tamamen başka bir faydadır). Doğru soruları soran, kalıpları tanıyan, bilinçli varsayımlarda bulunan ve davranışları tahminleyen anlayışlı analistler, iş kullanıcıları ve yöneticiler gerektiren eksiksiz bir keşif sürecidir. Büyük Veri Hayatımızı Nasıl Etkilemektedir? Akıllı telefonlar, dizüstü bilgisayarlar ve kişisel bilgisayarlardan önce veriye ulaşmak zordu. Ölçümleri kaydetmek ve saklamak çok zaman ve çaba gerektirmekteydi. Her 10 yılda bir yapılan Amerika Birleşik Devletleri nüfus sayımından elde edilen verilerin toplanması ve bir araya getirilmesi genellikle yaklaşık 10 yıl sürmekteydi. Bilgisayarlar veri toplamak, özetlemek ve depolamak için gereken süreyi kısaltmaya yardımcı olmuştur, ancak veri toplama ve analiz etme gücümüz arttıkça, daha kesin tahminlemeler yapabilmekteyiz. Bugün kullandığımız şekliyle “Büyük Veri” terimi daha çok John Mashey'e atfedilmektedir. Bu terim 1990'larda bu terimi, verilerle çalışmak için yaygın olarak kullanılan, toplamadan yorumlamaya kadar pek çok şeyin üstesinden gelemeyeceği kadar büyük ve karmaşık verileri tanımlamak için kullanılmıştır. Telefonunuz konumunuzu, kullandığınız uygulamaları ve bunları ne kadar süreyle kullandığınızı kaydeder ve kullandığınız tüm bu uygulamaların her biri sizin hakkınızda kendi verilerini toplar. Zaman zaman "Nesnelerin İnterneti" olarak da adlandırılan, birbirine bağlı bir dünya yaratmış bulunuyoruz. Veri toplayan ve potansiyel olarak buzdolabınızdan arabanıza, saatinizden ışıklarınıza kadar her şeyle iletişim kurabilen “akıllı” cihazlar ağını düşünün. Ne kadar uyuduğunuzu hesaplayan akıllı saatler ile nüfusun uyuma dinamikleri, stres seviyeleri, yürüme alışkanlıkları ve buna bağlı olarak kalp krizi riskini hesaplamak artık mümkün. Elde edilen veriler ile halkın ne kadar sağlıklı bir yaşam sürdüğünü hesaplayarak sağlık yatırımları ile ilgili daha doğru tahminler yapılabilir. Örneğin bir A ilçesinde yaşayan halk günde on bin adım atıyorsa, diğer B ilçesinde yaşan halk ortalama günde iki bin adım atıyorsa, bu iki grup arasında sağlık ve kilo açısında ciddi farklılıklar olacaktır. Nüfus demografisinin aynı olduğunu varsayarsak, iki bölgeleye yapılacak sağlık yatırımının aynı olması beklenemez. Ama sadece demografik özelliklere bakacak olsaydık, bu sefer iki bölgeye de yapılacak hastane ve doktor sayısı aynı olacaktı. Yürüme istatistiklerine bir de bölgelerde yaşayanların online yemek siparişlerini eklersek yaşayanların yemek yeme alışkanlıklarını da öğrenmeye başlarız. Sağlıklı beslenen bir birey ile hazır yemek yiyen bir birey arasındaki sağlık sorunlarından hiç bahsetmeye bile gerek yok. Buna bir de bölgede satılan sigara sayısını eklersek, sağlık açısından bölgelerin daha iyi bir projeksiyonunu çıkarmaya başlarız. Yani ne kadar çok veri elde edersek tahminlerimiz o kadar kesin olmaya başlıyor. Bir diğer açıdan bakalım; Facebook beğenileri. Yıllar boyu, bu beğenilerin oldukça işe yaramaz olduğu düşünülüyordu. The Game of Thrones’u, Starbucks'ı veya Bodrum’u seviyor olmanız önemli değil. Böyle şeyleri herkes sever. Ancak, bu bilgi düşündüğünüzden daha açıklayıcıdır. 2013 yılında, Ulusal Bilimler Akademisi Bildiriler Kitabı , Cambridge Üniversitesi'ndeki Psikometri Merkezi'nden bir çalışma yayınladı. Katılımcılar, araştırmacı uygulamasında bir kişilik anketi yapan yaklaşık 58.500 Facebook kullanıcısıydı. Ardından, kullanıcıların "beğenilerini" görüntülemek için izin istendi. Elde edilen bulgularda, “Bireysel özellikler ve nitelikler, kullanıcıların beğeni kayıtlarına dayalı olarak yüksek derecede doğrulukla tahmin edilebilir” sonucu ortaya koyuldu. Facebook beğenileri, cinsel yönelim, etnik köken, dini ve siyasi görüşler, kişilik özellikleri, zekâ, mutluluk, bağımlılık yapıcı madde kullanımı, ebeveyn ayrılığı, yaş ve cinsiyet gibi çok hassas bir dizi kişisel özelliği otomatik ve doğru bir şekilde tahmin etmek için kullanılabilir. Sunulan analiz, Facebook beğenilerini, ayrıntılı demografik profillerini ve çeşitli psikometrik testlerin sonuçlarını sağlayan 58.000'den fazla gönüllüden oluşan bir veri kümesine dayanmaktadır. Önerilen model, beğeni verilerinin ön işlemesi için boyutluluk indirgeme kullanır, bu veriler daha sonra beğenilerden bireysel psikodemografik profilleri tahmin etmek için lojistik/doğrusal regresyona girilmektedir. Model, vakaların %88'inde eşcinsel ve heteroseksüel erkekleri, vakaların %95'inde Afrikalı Amerikalılar ve Kafkas Amerikalıları ve vakaların %85'inde Demokrat ve Cumhuriyetçi arasında doğru bir şekilde ayrım yapmaktadır. “Açıklık” kişilik özelliği için tahmin doğruluğu, standart bir kişilik testinin test-tekrar test doğruluğuna yakındır. Beğenilerin Tahmin Gücü Bireysel özellikler ve nitelikler, kullanıcıların beğeni kayıtlarına dayalı olarak yüksek derecede doğrulukla tahmin edilebilir. Örneğin, yüksek zekânın en iyi tahminleyicileri arasında "Fırtınalar", "Colbert Raporu", "Bilim" ve "Kıvırcık Patates" bulunurken, düşük zekâ "Sephora", "Anne Olmayı Seviyorum", "Harley Davidson” ve “Lady Antebellum” ile ilişkilendirilmiştir. Erkek eşcinselliğinin iyi belirleyicileri arasında “No H8 Campaign”, “Mac Cosmetics” ve “Wicked The Musical” yer alırken, erkek heteroseksüelliğinin güçlü belirleyicileri arasında “Wu-Tang Clan”, “Shaq” ve “Şekerleme Yapıp Uyandıktan Sonra Kafası Karışık Olmak” yer almaktadır. Bazı Beğeniler, No H8 Campaign ve eşcinsellik durumunda olduğu gibi, tahmin edilen nitelikler ile açıkça ilişkili olsa da diğer çiftler daha zor; örneğin Kıvırcık Patates Kızartmaları ile yüksek zekâ arasında bariz bir bağlantı yoktur. Ayrıca, birkaç kullanıcının, niteliklerini açıkça ortaya koyan beğenilerle ilişkilendirildiğini unutmamak gerekir. Örneğin, eşcinsel olarak etiketlenen kullanıcıların %5'inden daha azı, No H8 Campaign, "Eşcinsel Olmak", "Eşcinsel Evlilik", "Eşcinsel Olmayı Seviyorum", "Eşcinsel Olmayı Seçmedik, Seçildik" gibi açıkça eşcinsel olan gruplarla bağlantılıydı. Sonuç olarak, tahminler “Britney Spears” veya “Desperate Housewives” seçimleri (her ikisi de orta derecede eşcinsel olduğunu gösterir) gibi daha az bilgilendirici ama daha popüler beğenilere dayanmaktadır. Bu, size Büyük Veri'nin eylem halinde olduğunu gösterecek küçük bir yapboz parçasıdır. Bir kişi hakkında birazcık bilgi aslında çok şey ortaya çıkarabiliyorsa, o zaman bunu insanların her gün ürettikleri tonlarca başka veriyle çarpın. Bunların ardından, bu veriler işlenilmeye başlanır. Facebook, insanları siyasi görüşler gibi kategorilere ayırmaktadır. 2016'da New York Times , “Herhangi bir adayın sayfalarını beğenmeseniz bile, sizinle aynı sayfaları beğenen insanların çoğu - Ben ve Jerry'nin dondurması gibi - kendini liberal olarak tanımlarsa, o zaman Facebook sizi de onlardan biri olarak sınıflandırabilir.” iddiasını ortaya koymuştur. Bunu biraz daha açacak olursak, eğer siz muhafazakâr birinin beğendiği paylaşımları veya resimleri beğeniyorsanız sizi de muhafazakâr olarak tanımlayabilirler. Ya da siyasette muhalif oldukları bilinen kişilerin sosyal medyadaki etkileşimlerine benzer etkileşimler yapıyorsanız sizi muhalif olarak tanımlayabilirler. Bunun gibi kategoriler, Facebook'a reklam verenlerin çok özel kriterler seçmesine ve tam olarak onları görmek istedikleri insan gruplarına reklam göndermesine olanak tanır. Örneğin, 2016 ABD başkanlık kampanyası finansmanına ilişkin, Trump kampanyasının, Clinton karşıtı reklamları sosyal medyada görmek için belirli Hillary Clinton destekçi gruplarını seçtiğini ve bu grupların oy kullanma olasılıklarını düşürmeye çalıştığını kaydetmiştir. 2018 Nisan ayında Facebook 87 milyon kullanıcının verilerinin yasal olmayan bir şekilde kopyalandığını ve Başkan Trump’ın 2016’daki seçim kampanyasında kullandığı ile ilgili açıklamada bulunmak zorunda kaldı. Bunu takiben gerek Amerika’da gerekse de Avrupa Birliğinde veri güvenliği konusunda ciddi endişeler dile gelmeye başladı. O zamana kadar aslında büyük verinin bu derece önemli olduğu ve bir ülkenin kaderini ne derecede etkileyebileceği tam anlaşılmamıştı. Bu skandaldan sonra veri güvenliği konusunda ciddi endişeler dile getirilmeye başlamıştır. 2018 yılının Mayıs ve Temmuz ayları arasında Amerika Planlı Ebeveynlik Federasyonu, Facebook'ta ABD'deki siyasi reklam harcamalarında Trump Amerika'yı Yeniden Büyük Bir Ülke Yapar Komitesi'nden sonra ikinci sırada yer almış, Amerika Planlı Ebeveynlik sözcüsü, New York Times gazetesine şöyle demiştir “Facebook’a reklam vermek hem 2,4 milyon hastamıza hem de 12 milyon destekçimize ulaşmanın uygun maliyetli yolu.” Hedef bazlı reklamlarda kullanılan algoritmalar ile kullanıcılar bazı özelliklerine göre kümelenir ve bu kümelemeye bağlı olarak istenilen gruba hitap edilmesi sağlanabilir. Örnek vermek gerekirse, sigara kullanmayan bir insana sigaranın sağlığa zararlarını anlatan bir reklam göstermek sadece kaynak israfıdır, haliyle sigara kullanan kullanıcılara bu gibi reklamları göstermek maliyet açısından çok avantajlıdır. Büyük Verinin hayatınızı olumlu yönde etkilemesi için pek çok nokta mevcuttur. Büyük Veri, tıbbı kişiselleştirmek, hava durumunu tahmin etmek ve sürücüsüz arabalar yaratmak için kullanılır. Google Haritalar’ı her kullandığınızda Büyük Veri'yi de kullanıyorsunuz. Telefonunuzda konumunuzu etkinleştirdiyseniz, konumunuz ve hızınız hakkındaki bilgiler sürekli olarak Google'a geri gönderilir. Bu bilgi tek başına hiç kimse için çok yararlı değildir. Ancak çevrenizdeki sayısız insan da Google Haritalar’ı kullanmaktadır. Dolayısıyla Google, insanların nerede oldukları ve ne kadar hızlı hareket ettikleri hakkında tonlarca veriye sahiptir. Hatta bir Android kullanıcısıysanız muhtemelen işe gidiş geliş saatlerinize göre size trafiğin ne durumda olduğunu gösteren bilgilendirmeler geliyordur. Çünkü Google sizin saat kaçta işten çıktığınızı, nereye gideceğinizi, hangi rota üzerinden gideceğinizi öğrenmiş durumdadır. Bunu diğer kullanıcıların verile ile harmanlayarak bölgedeki trafik yoğunluğunu ölçümleyebilmektedir. Sonuçta tek yapması gereken arabada olan birinin kaç km/saat hız ile ilerlediğini hesaplamak ve buna bağlı olarak trafik sıkışıklığını tahminlemek. Böylece, tüm verileriyle, belirli bir yolda çok fazla trafik olup olmadığını uygulama vasıtasıyla görebilirsiniz. 2013'te Google, Waze uygulamasını satın aldı ve bu da onlara çalışmak için daha fazla veri sağlamıştır. Waze kullanıcıları, trafik ve kazaları gördüklerinde uygulamaya bildirmektedir. Dolayısıyla, Google Haritalar uygulamanız da bu verileri eş zamanlı olarak kullanır. Ayrıca kişisel geçmişinizi de takip ederek rotanızı sizi sabahları en rahat şekilde işe gidip gelmeniz için hazırlayabilir. 2016 yılında Çin'in Hangzhou kentinde uygulamaya konulan City Brain sistemi, bu konsepti bir adım öteye taşımaktadır. City Brain'in amacı, şehirdeki trafiği en aza indirmektir. Ayrıca, Google Haritalar gibi, Alibaba adında büyük bir perakendeci olan bir şirket tarafından yönetilmektedir. Aradaki fark şudur: şirket yerel yönetimden de yardım almaktadır. Böylece, City Brain Yapay Zekâ sistemi, verileri Google Haritalar'a benzer şekillerde almaktadır. Ancak ulaşım bürosundan ve şehir güvenlik kameralarından gelen bilgilere de erişimleri mevcuttur. Alibaba, 100'den fazla kavşağı kontrol etme yetkisinin kendilerine verildiği bir alanda trafik hızını %15 artırabildiklerini iddia etmiştir ve bunlar iki yönlü yollardır. Şehir ayrıca bu bilgilere erişimlerini kazaların nerede olduğunu görmek, acil durum araçları için yol tarifi almak ve altyapı değişikliği gerektiren alanları belirlemek için de kullanıyor. 2018'de City Brain'in ikinci bir şehirde, Kuala Lumpur, Malezya’da uygulanacağı açıklandı. Netflix, eğlence deneyiminizi geliştirmek için “Büyük Veri” kullanmaktadır. Öneriler vermek gerekirse, Netflix'in algoritması, Matt Damon'ın oynadığı filmleri sevdiğinizi, tıklamalar ve izlenme süresi hakkındaki sonsuz bir veri akışından öğrenir. Büyük Veri, bir dizi veya film için izleyeceğiniz görüntüyü de etkilemektedir. Örneğin, Netflix dizisi Stranger Things için gösterebileceğiniz bazı resimlere bakalım. Netflix, hangi görseli göreceğinize karar vermek için elindeki tüm verileri kullanır. Başlık ve resim kategorisinde, içeriğe ilk kez maruz kaldığınızdan dolayı, size çekici gelen bir resim seçmek, onu izleme kararınızı etkileyebilir. Örneğin Good Will Hunting filmini ele alalım. Netflix Tech Blog'daki bu gönderi, geçmiş izleme alışkanlıklarınızın hangi görüntüyü alacağınızı nasıl etkileyebileceğini göstermektedir. Hevesli bir romantizm filmi veya dizisi izleyicisiyseniz, Matt Damon ve Minnie Driver'ın öpüştüğü bir resme daha çok ilgi duyabilirsiniz. Ancak bir sürü komedi izliyorsanız, Robin Williams sizi izlemeye ikna etmek için yeterli olabilir. Netflix bunu her film için yapmaktadır. Elindeki büyük miktarda veriyi kullanmak, Netflix'in sizin izleme deneyiminizi daha iyi hale getirmesini sağlamaktadır. Siyasette Büyük Veri Kullanımı Siyaset alanında büyük verinin kullanım alanına da değinmek gerekiyor çünkü birçok siyasi figür bu konuda sadece bazı anket firmaları ile çalışmakta ve onların sunduğu veriler üzerinden hareket etmektedir. Toplumun nabzının tutulabileceği en iyi ölçümün anketler olduğunu düşünmektedir. Fakat bu artık geçerliliğini yitirmiş bir argüman olmaktadır. Google Trends (Google Arama Trendleri) Ocak 2022 sonu itibari ile muhalefet partilerinin kendi aralarındaki arama trendlerine bakılabilir. Bu bize liderlerin popülaritelerinin veya başka bir değişle gündemdeki popülerliklerinin değişimlerini göstermektedir. Aşağıdaki tabloda görüldüğü üzere İYİ Parti Lideri Meral Akşener’in son 1 yıl içerisindeki popülaritesi azalmaktayken CHP Lideri Kılıçdaroğlu, DEVA Partisi Lideri Ali Babacan ve Saadet Partisi Lideri Temel Karamollaoğlu’nun popülaritesinin artmakta olduğunu gözlemleyebiliriz. Konum Zaman_Aralığı Kemal Kılıçdaroğlu Ali Babacan Temel Karamollaoğlu Ahmet Davutoğlu Meral Akşener Türkiye Son 1 Ay 32% 26% 14% 7% 21% Türkiye Son 3 Ay 30% 25% 9% 7% 29% Türkiye Son 12 Ay 27% 23% 6% 9% 35% Google Trends bizlere açık kaynak olarak bu verile sunmaktadır. Fakat aynı anda beş karşılaştırma yapılabildiğinden bazı sınırlamalara tabi olmaktadır. Ama paralı olarak bu hizmet satın alınmak istenildiğinde ulaşılabilecek veriler ile yapılabilecek tahminlemenin ucu bucağı yoktur. Konum Zaman Aralığı Recep Tayyip Erdoğan Kemal Kılıçdaroğlu Ali Babacan Temel Karamollaoğlu Meral Akşener Türkiye Son 1 Ay 44,00% 19,00% 16,00% 8,00% 13,00% Türkiye Son 3 Ay 50,00% 16,00% 13,00% 5,00% 16,00% Türkiye Son 12 Ay 52,00% 15,00% 12,00% 3,00% 18,00% Yukarıdaki grafikler oy oranları olarak değerlendirmemek lazım. Fakat gündemdeki yerlerini göstermek açısından güzel bir indikatör olarak kullanılabilir. Google’daki aramalarda ne kadar çok hakkında arama olursa insanlar o kadar merak ediyor anlamına gelir. Popülaritedeki azalma ve artma insanları sizin söylemleriniz ile ilgilenmediği veya çok merak ettikleri ve gündemi yönlendirebildiğiniz algısını öne çıkartmamaktadır. Yukarıdaki beş harita liderlerin popülaritelerinin şehirlere göre dağılımında kendi aralarındaki popülerlik farkını göstermektedir. Bazı şehirlerde Temel Karamollaoğlu popüler iken bazı şehirlerde Ali Babacan bazılarında ise Meral Akşener’in popüler olduğu gözlemlenmektedir. Seçim kampanyaları veya aday dağılımlarının bu gibi faktörler göz önüne alınarak yapılması büyük verinin kullanımı açısından daha isabetli sonuçlar doğurabilir. Google Trends Son 12 Aylık Arama Sonuçları Dağılımı İller Kemal Kılıçdaroğlu Ali Babacan Temel Karamollaoğlu Ahmet Davutoğlu Meral Akşener Adana 26% 27% 2% 10% 35% Adıyaman 32% 10% 5% 10% 43% Afyonkarahisar 27% 23% 11% 12% 27% Aksaray 32% 9% 4% 18% 37% Ankara 25% 26% 6% 10% 33% Antalya 37% 14% 5% 8% 36% Aydın 37% 16% 9% 2% 36% Balıkesir 42% 14% 10% 6% 28% Bursa 23% 24% 10% 8% 35% Denizli 32% 13% 5% 10% 40% Diyarbakır 25% 28% 4% 12% 31% Düzce 23% 5% 18% 6% 48% Edirne 47% 15% 8% 3% 27% Elazığ 20% 20% 6% 20% 34% Erzurum 34% 25% 11% 8% 22% Eskişehir 33% 10% 9% 9% 39% Gaziantep 28% 17% 6% 11% 38% Giresun 18% 55% 9% 9% 9% Hatay 34% 16% 5% 5% 40% Kahramanmaraş 24% 29% 2% 8% 37% Karabük 14% 14% 10% 4% 58% Kayseri 24% 23% 6% 7% 40% Kocaeli 30% 22% 7% 7% 34% Konya 20% 22% 7% 14% 37% Kütahya 10% 37% 10% 16% 27% Kırşehir 21% 14% 7% 7% 51% Malatya 18% 30% 4% 7% 41% Mersin 43% 14% 6% 6% 31% Muğla 22% 21% 1% 15% 41% Ordu 22% 22% 15% 7% 34% Sakarya 40% 26% 6% 6% 22% Samsun 26% 22% 6% 5% 41% Sivas 19% 31% 16% 3% 31% Tekirdağ 36% 21% 8% 8% 27% Tokat 27% 37% 14% 4% 18% Trabzon 23% 8% 11% 15% 43% Van 24% 17% 7% 21% 31% Yalova 44% 22% 4% 4% 26% Çanakkale 19% 7% 4% 31% 39% İstanbul 28% 22% 8% 11% 31% İzmir 29% 22% 5% 8% 36% Şanlıurfa 36% 13% 1% 9% 41% Yukardaki haritada Cumhurbaşkanı Recep Tayyip Erdoğan’ın Google trends verilerine dayanarak popülerliğinin nasıl illere göre dağıldığı gözlemlenmektedir. Aşağıdaki haritada Cumhurbaşkanı Erdoğan’ın mutlak popülarite gücü Rize’de gözükmektedir. Fakat daha bir analiz için daha alt sekmelere ayırmak gerekmekte. Fakat bu yazımızın amacı büyük verinin kullanım yöntemlerini ve hayatımızda ne derece önemli bir yeri olduğunu göstermek olduğu için Google Trends ile ilgili bu basit örnekleri burada noktalıyoruz. Sonuç Büyük veri artık hayatımızın bir parçası haline gelmiştir. Büyük verinin saklanması ve sonrasında işlenmesi gerek hükümetler gerekse de özel şirketler açısından çok büyük önem arz etmektedir. Büyük veri sayesinde kitlelerin isteklerini, davranışlarını, sağlık durumlarını, harcama alışkanlıklarını, siyasi görüşlerini doğru ve kolay bir şekilde analiz edebilir ve hatta yönlendirebilirsiniz. Büyük verinin saklanması kadar, işlenebilir olması da önemlidir. Verileri yer altı madenlerimiz gibi düşlenebilirsiniz. Eğer o verileri işleyemezseniz sadece yer kaplarlar. Günümüz Türkiye’sinde veri işleme konusunda her ne kadar özel şirketler öncülük yapsa da devletin de bu konuda teknik altyapı sunabiliyor olması lazımdır. Türkiye’deki verilerin işlenmesi için genellikle Amazon, Google veya IBM gibi dış kaynaklar kullanmaktadır. Amerika ve Çin arasındaki süregelen sürtüşmelerin büyük bir kısmı da bu büyük veri kavgasından kaynaklanmaktadır. Özellikle Huawei ile ilgili olan mahkeme süreçleri bu şekildedir. Türkiye’nin ise acilen verileri Türkiye’de işleyebileceğimiz büyük veri saklama ve işleme merkezleri kurması gerekmektedir. Büyük veriyi ne kadar iyi saklayıp analiz edebilirseniz tahminlime gücünüz o kadar yükselmektedir. Büyük veri sayesinde, bir kalem üründe yapacağınız vergi artışının kullanıcı harcamalarındaki etkisini ve diğer kalemlere olan etkisini gözlemleyebilir, daha doğru bir devlet politikası belirleyebilirsiniz. Ama bunların hepsi için gerekli altyapının hazırlanması gerekmektedir. Buna ek olarak da verileri analiz edebilecek teknik elemanların yetiştirilmesi ve beyin göçünün bu konuda durdurulması gerekiyor. Büyük veri üzerine çalışanlar yurt dışında çok rahatlıkla iş bulabildikleri ve genellikle sadece İngilizce yeterli olduğundan dolayı, bu alanda Türkiye çok fazla beyin göçü vermektedir. Bunun önüne mutlaka geçilmesi gerekmektedir. Yoksa veriyi saklamak için çıkardığımız kanunlar ile bir yere varmamız mümkün değildir. O veriyi işleyecek beyin gücü yoksa sadece bitlerden (1 ve 0’lar) ibaret bir verinin hiçbir değeri yoktur. Bu yazıda ifade edilen görüşler yalnızca yazara aittir; KAPDEM’in kurumsal duruşunu, editoryal görüşünü ve/veya politik tutumunu yansıtmayabilir. KAPDEM, yayınladığı içerikler aracılığıyla farklı perspektiflerin ifade edilmesini teşvik eder, ancak bu içeriklerde kullanılan bilgi ve üretilerin fikirlerin tüm sorumluluğu yazarlarına aittir. The views expressed in this article are solely those of the author and may not reflect the institutional stance, editorial perspective, and/or policy orientation of KAPDEM. While KAPDEM encourages the articulation of diverse perspectives through its published content, it bears no responsibility for the information and intellectual output presented therein; all responsibility lies with the respective authors. Kaynakça Private traits and attributes are predictable from digital records of human behavior | PNAS Liberal, Moderate or Conservative? See How Facebook Labels You - The New York Times (nytimes.com) The Biggest Spender of Political Ads on Facebook? President Trump - The New York Times (nytimes.com) Artwork Personalization at Netflix | by Netflix Technology Blog | Netflix TechBlog https://cra.org/ccc/wp-content/uploads/sites/2/2015/05/Big_Data.pdf
Teknolojinin hızla geliştiği günümüz dünyasında yarı iletkenler, birçok sektörde hayati önem taşıyor. Bu önemli bileşenlerin üretimi, ülkelerin stratejik avantaj sağlamasında önemli bir rol oynuyor. Tayvan, yarı iletken endüstrisindeki liderliği ve başarısıyla dikkat çekiyor. Peki, Türkiye de Tayvan'ın başarısını takip edebilir mi? Bu makalede, Türkiye'nin yarı iletken endüstrisi için Tayvan modelini takip etmesi mümkün mü, bunun için neler yapması gerektiği ve sektörün gelişimi için önemli faktörler ele alınacak.
İnternet altyapıları artık değişiyor. Elon Musk’ın kurucusu olduğu SpaceX şirketi ile dünyanın her yerinden yüksek hızlı internete erişim artık mümkün oluyor. Fakat bu internetin evimizde kullandığımız, kablolar üzerinden geçen internete göre bazı farklılıkları ve avantajları bulunmaktadır. En önemli farkı, kullanıcıya sunulan bu internetin yerel sağlayıcılar tarafından verilmemesi ve bu yüzden de hükümetler tarafından herhangi bir sansür uygulanamamasıdır. Buna ek olarak kişisel verilerinizin korunması hususunda da birçok avantajı beraberinde getirmektedir. Verileriniz hükümetlere ait serverlar yerine birbirine lazerlerle bağlı binlerce uydu ile gerçekleşecek. Starlink’in bir diğer kullanım alanını ise Rusya-Ukrayna savaşında gözlemlemekteyiz. Starlink’in Ukrayna ordusuna sağladığı üstünlüğü cephede açık bir şekilde görebiliyoruz. Son dönemde Elon Musk ile Ukrayna Devlet Başkanı Volodimir Zelenski arasındaki tartışmalar Starlink’in kritik önemini yeniden gündeme taşıdı. Bu makalede, Starlink uydu internet sistemini tanıtacağız. Hayatımızda ne gibi değişiklikler getireceğini ve stratejik önemini açıklamaya çalışacağız. Starlink Günümüz İnternetini Nasıl Değiştiriyor? Starlink’in Savaşlar ve İnternet Sansürü Üzerindeki Etkisi Giriş Uzay yarışı 1969’yılında ABD vatandaşı Neil Armstrong’un Ay’a inişinden sonra yavaşlamıştı. Özellikle 1991 yılında Sovyetler Birliği’nin dağılması ile ikinci plana itildi. Fakat yıllar sonra uzay teknolojileri yine hayatımıza girmeye ve konuşulmaya başladı. Son zamanlarda adını sıkça duymakta olduğumuz Elon Musk’ın kurucusu olduğu SpaceX şirketinin devrim açan yeniden kullanılabilen roket teknolojisi sayesinde, uzay seyahatlerinin maaliyetinde ciddi bir düşüş oldu. Uzay seyahatlerinin maaliyetlerinin azalması sonrasında yine SpaceX tarafından başlanılan Starlink Projesi’nin hedefi ise düşük yörüngedeki binlerce uydu ile altyapıya ihtiyaç duyulmaksızın dünyanın her yerinde yüksek hızlı interneti erişilebilir kılmak. Bu projenin etkilerini ise hükümetler daha yeni yeni kavramaya başladılar. Savaşlardan tutun da jeopolitik krizlere kadar birçok alanda etkisini görmeye başladığımız bu projeyi yakından tanıyalım. Kaynak: https://en.wikipedia.org/wiki/Elon_Musk Starlink Nedir? Starlink, yayın akışını, çevrimiçi oyunları, görüntülü aramaları ve daha fazlasını destekleyebilen geniş bant internet sunmak için düşük bir dünya yörüngesini kullanan dünyanın ilk ve en büyük uydu takımyıldızıdır. Gelişmiş uydular ve özel olarak tasarlanmış kullanıcı donanımından yararlanan Starlink, dünyanın her yerindeki kullanıcılara yüksek hızlı, düşük gecikmeli internet sunar. Uydu internet hizmetlerinin çoğu, gezegenin yörüngesinde 35.786 km'de dönen tek sabit uydulardan gelir. Sonuç olarak, sinyallerin kullanıcı ile uydu arasındaki gidiş-dönüş veri süresi (gecikme olarak da bilinir) yüksektir, bu da akış, çevrimiçi oyun, görüntülü arama veya diğer yüksek veri hızı etkinliklerini desteklemeyi neredeyse imkânsız hale getirir. Resim 1: Starlink Uydusunun Uzaya fırlatılışı. Kaynak: https://pbs.twimg.com/media/FemHbOYUUAIlLXD?format=jpg name=large Starlink, dünyaya çok daha yakın, yaklaşık 550 km'de yörüngede dönen ve tüm dünyayı kaplayan binlerce uydudan oluşan bir takımyıldızdır. Starlink uyduları düşük bir yörüngede olduğundan, gecikme süresi önemli ölçüde daha düşüktür: 600+ ms'ye karşı yaklaşık 20 ms. Starlink uyduları ilk olarak 2020 yılında yörüngeye yerleştirilmeye başlandı. Aradan geçen 2 yıllık sürede 20 Kasım 2022’de yörüngeye gönderilen 54 uydu ile toplam sayı 3.505’e çıktı. 2024’e kadar bu sayının 6.000’i aşması bekleniyor. Elon Musk bu sayıyı 2029’a kadar yaklaşık 42.000’e çıkartma hedefinde. Bu sayede tüm dünyayı kapsayacak ve geniş kullanıcı sayısına hizmet verebilecek bir internet bağlantısını sunabiliyor olacak. Dünya nüfusunun neredeyse yarısının internete erişimi bulunmamaktadır. Bunun sebebi genel olarak internet bağlantısının sağlanabilmesi için genellikle yer altından döşenen kablolardır. Her ne kadar siz internet sağlayıcılarının sitelerinde %99 kapsama alanı gibi haberler görseniz de bu rakamlar nüfusun 10.000 ve üzeri olduğu bölgeler için geçerlidir. Eğer nüfus bölgede 10.000’den azsa ve internet sağlayıcısı o bölgeye internet vermiyorsa o bölge sayılmıyor. Resim 2: Starlink çanak anteni ile internetin olmadığı yerlerde hareket halindeyken bile internete bağlanmak mümkün. Kaynak: https://api.starlink.com/public-files/Marketing_LandingTravel_Redesign.webp Bir önemli özelliği ise, hareket halindeyken bile bu internet hizmetinden faydalanabiliyor olmanızdır. Yani arabanızın çatısına bu anteni monte ederseniz veya geminiz ile baz istasyonlarının bulunduğu kıyılardan uzak bölgelere gitseniz dahi internet bağlantınız kesilmeden devam edecektir. Starlink’e Nasıl Bağlanılır? Starlink’in aylık ücreti yaklaşık 80 Euro olmakla beraber, gönderilen uydu sayısı arttıkça internet bant genişliği de kullanıcı başına artmaktadır. İlk başlarda 100 Mbps hız sağlayabilmekteyken şimdilerde bu hız 350 Mbps seviyelerine kadar yükseldi. Bu hız Türkiye’deki ortalama internet hızı olan 43 Mbps ile karşılaştırıldığında gerçekten kullanıcıya yüksek hızlar sunabilmektedir. Starlink tarafından hedeflenen bağlantı hızı ise 1.000 Mbps. Bu internet hızını sağlayan Türkiye’de hizmetler var fakat bu hizmeti taşıyabilecek altyapı ise birçok hanede bulunmamaktadır. Türkiye’de fiber optik diye satılan internet ise aslında yine bakır kablolar üzerinden iletilen bir internet olup hız limiti 200’ün üstüne çıkamamaktadır. Hatta birçok hanede bu rakam 100’e kadar çıkabilmektedir. Ortalama olarak en yüksek internet hızını verebilen ülke olan Singapur’da ortalama internet hızı ise 250 Mbps’dır. Avrupa’da ise en hızlı internet sağlayıcısı ise Romanya’dır, ortalama 232 Mbps. Kullanıcı olarak kaydolduktan sonra bir seferliğine mahsus olmak üzere pizza kutusu büyüklüğünde bir anten satın almanız gerekiyor. Bu anten Starlink için özel olarak tasarlanmıştır. Bu antenin fiyatı ise €460 olarak belirlenmiş durumdadır. Fakat abone sayısının artması ile bu anten üretimi artacağından dolayı, geniş üretim bantları ile bu anten fiyatlarının da gerilemesi bekleniyor. Resim 3: Starlink çanak anteninin evlerdeki kurulumu. Kaynak : https://api.starlink.com/public-files/Marketing_LandingHighspeed_Next.webp Anten kurulumu yapıldıktan sonra, anten uydulara bağlanmak için kendi konumunu bir seferliğine sabitliyor. Şu anda yörüngedeki uydu sayısı az olduğundan bu sabitleme işleme gerekiyor fakat ileride yörüngedeki uydu sayısı arttıkça sabitleme pek gerekmeyecek. Her ne kadar bulutlar ve yağmurlu havalar bağlantı kalitesini düşürüyor olsa da dünyadaki ortalama internet hızı göz önüne alındığında yine de yüksek internet hızı ve imkanı anlamına geliyor. Sadece ABD’yi ele alacak olursak internet erişiminin kötü olduğu bölgelerde yaşayan 60 milyon kullanıcıya ulaşması hedefleniyor. 60 milyon kullanıcı sayısı sadece ABD göz önüne alındığında bile yıllık olarak 6 milyar dolara tekabül ediyor. Telekomünikasyon endüstrisi ise dünya çapında yıllık trilyon dolarlık bir endüstri haline dönüşmüş durumdadır. Elon Musk ise bu pastadan sadece küçük bir pay almak istiyor. Yaklaşık hedefi yıllık 50-60 Milyar dolar. Bu para hem Starlink’in maliyetini karşılayacak hem de Elon Musk’ın hayalini kurduğu Mars projesini fonlayabilecek kadar büyük bir miktar. Toplam kullanıcı sayısının 2025 yılında 40 milyona ulaşması hedefleniyor. Bu sayı ise Elon Musk’ın yıllık 30 milyar dolar gelir hedefini yakalamasına olanak sağlayacak. Uyduların Tasarımı Astronomların en korktuğu senaryo bu kadar uydunun çok yakın bir yörüngede dolanacak olması ve ileride oluşabilecek uzay kazalarıdır. Fakat SpaceX bu konuda son teknoloji çözümler getirdi. Uyduların her birinde “Star Tracker (Yıldız izleyici)” diye adlandırdıkları bir sistem ile donattılar. Bu navigasyon sistemi sayesinde uydular sahip oldukları plazama iticileri ile yörüngelerini ayarlayabiliyorlar ve herhangi bir çarpma olasılığına karşı kendilerini koruyabiliyorlar. Daha doğrusu çarpma olasılığı olan objelerin yolundan çekiliyorlar. Servis ömrünü tamamlamış olan uydular ise kendilerini dünyanın çekimine bırakarak atmosferde kendi kendisini yanarak imha ediyor. Resim 4: Starlink uydularının gece görünümü. Kaynak: https://starwalk.space/gallery/images/may-2020-starlink-satellites/1024x576.jpg Starlink uyduları, gece gökyüzünde çıplak gözle görülebilirler ve karanlık gökyüzünde düz bir çizgide hareket eden bir dizi parlak ışık olarak gözükür. Birbiri ardına hızlıca hareket ederler. Bu gök bilimciler için aslında büyük bir sorun oluşturabilmektedir. Çünkü gök bilimciler olası göktaşlarını ve uzay cisimlerini gözlemlerken bu uydular onların yoluna çıkabilir ve hassas gözlemlerini yanıltabilirler. SpaceX bunun önüne geçebilmek için parlaklığı azaltacak bazı malzemeler kullansa da yine de gökyüzünde görülebiliyorlar. Elon Musk ise bir sonraki iterasyonlarında parlaklığın daha da azaltacağı vaadinde bulunmuştur. Starlink ve İnternet Sansürü Starlink’in sağladığı internet bağlantısı ülkelerdeki internet sağlayıcıları üzerinden sağlanmadığı için internet sağlayıcıları üzerinden herhangi bir kısıtlama yapılamayacak olması en önemli gelişmelerden birisidir. Herhangi bir sansür uygulaması Starlink için geçerli olmayacak fakat Starlink tarafından sağlanan internette bazı global kısıtlamalar olacak. Örnek olarak, uyuşturucu maddelerin pazarlandığı siteler gibi sitelere izin verilmeyecek. Bunun gibi global olarak yasadışı kabul edilen siteler dışındaki bütün sitelere erişim olacak. İnternet uydu aracılığı ile sağlandığından dolayı, bir router yardımı ile wifi ’ya çevrilebilecek ve bir hanedeki bütün kullanıcılar herhangi bir sansür olmaksızın interneti kullanabilecekler. Yani tek bir uydu bağlantısı ile birçok insan sansürsüz internete sahip olabilecek. Bu Çin, İran ve Rusya gibi ülkeler açasından birçok sorunu beraberinde getirmektedir. Bu ülkelerde internet son derece sıkı bir şekilde sansürlenmekte ve kullanıcıların her adımları takip edilmektedir. Fakat Starlink bağlantısı ile kullanıcıların birbirleri ile haberleşmesi ve yurtdışında yayınlanan içeriklere erişimi engellenemez. Örnek vermek gerekirse, Çin’de 1976’da gerçekleşen Tiananmen Meydanı olaylarını Çin’de yaşayan birçok insan bilmiyor. Bunun sebebi de Çin’in uyguladığı sansürden kaynaklanıyor. Çin’den internete bağlanıyorsanız, Tiananmen olayları ile ilgili bütün içeriklerin yasaklı olduğunu göreceksiniz. Aynı şekilde Çin’de Whatsapp, Facebook, Twitter ve Google gibi uygulamalar da yasaklı durumdadır. Kullanıcıların tümü interneti ancak Çin Komünist Partisi’nin (ÇKP) izin verdiği kadar kullanabilmekteler. Bu filtrelemeye Büyük Çin Duvarı adı verilmektedir. Aynı şekilde kullanıcıların bütün hareketleri, mesajlaşmaları da takip altındadır. Bir internet sağlayıcısı tarafından sunulan internet hizmetlerinde online aktiviteniz kolaylıkla takip edilebilmektedir. Fakat Starlink ile online aktivitelerin takip edilmesi yerel hükümetler açısından zor olacaktır. Bu internetteki kullanıcı aktivitelerini sınırlamaya ve takip etmeye çalışan hükümetlere büyük zorluk çıkartacaktır. Yeni jenerasyonun haber alma kaynaklarının hızlıca değiştiği ve özellikle internetten haberlere erişimin kolaylaştığı bir ortamda yeni jenerasyonun sadece internet altyapısını kullanarak zapt altına alınmasını bir hayli zorlaştıracaktır. Starlink’in internet sansürüne karşı uygulamalarına güncel bir örnek olarak İran’ı verebiliriz. 22 yaşındaki Mahsa Amini isimli genç bir kızın Ahlak Polisleri tarafından göz altındayken öldürülmesi sonrası başlayan olaylar İran’da çığ gibi büyüdü. Artan gösteriler hız kesmeden bütün ülkede devam ediyor. İran’ın Molla yönetimi ise gösterilerin organizasyonunu zorlaştıracak bir yöntem olarak interneti kısıtladılar. Hali hazırda birçok haberleşme uygulaması ve internet sitesi zaten İran’da 23 Eylül günü yaptığı açıklamada, "teknoloji şirketlerine İran halkına daha güvenli, dış platformlar ve hizmetler sunma yetkisi verecek" genel bir lisans verdiğini açıkladı. Bakanlık, İran hükümetinin 21 Eylül’de vatandaşlarının çoğunun internet erişimini kestiğini söyledi. Elon Musk ise Twitter adresinden “Starlink Aktive ediliyor…” paylaşımında bulundu. Starlink’in İran’da aktive edilmesi hemen herkesin bunu kullanabileceği anlamına gelmiyor. Starlink sistemine bağlanmak için gereken anten olmadan şu anda bu internet hizmeti kullanılamıyor. Bu çanak antenleri sokmak ise gümrüklerin sıkı sıkıya kontrol edildiği İran’da oldukça zor. Ama İran’daki rüşvet çarkını göz önünde bulunduracak olursak, gerekli bir fonlama ile ABD isterse binlerce çanak anteni ülkeye sokabilir. Georgetown Üniversitesi'nde Yardımcı Profesör olan Karim Sadjadpour, bir grup aktivist tarafından sağlanan bir videoyu paylaştı. İran'a şimdiden düzinelerce terminal gönderildiğini ve sayının daha da artacağını belirtti. Ama ülkenin önemli bir çoğunluğuna internet sağlayabilecek kadar anteni ülkeye sokmak çok zor. Kısa vadede olmasa da yakın bir gelecekte İran veya Çin gibi ülkeler için interneti kısıtlamak artık çözüm olmaktan çıkacak. Bu teknolojinin giderek yaygınlaşması ile insanlar bir şekilde yasadışı yollarla da olsa Starlink’e bağlanmanın yöntemlerini bulacaklardır. Starlink ve Ukrayna Starlink’in parladığı bir başka alan ise Ukrayna oldu. Rus ordusunun Ukrayna ordusuna ait haberleşmeyi kısıtlamak adına ülkedeki haberleşme altyapısını hedef alması sonucunda Ukrayna ordusuna ait haberleşme kapasitesinde büyük düşüş oldu. Resim 5: İran’a gönderilen Starlink istasyonları Savaşın başladığı ilk aylarda Ukrayna’ya terminal (Starlink yer istasyonları) sevkiyatı başladı. 28 Şubat’ta Ukrayna Başbakan Yardımcısı ve Ukrayna Dijital Dönüşüm Bakanı Mykhailo Fedorov’un paylaştığı bir twitte Starlink’e gönderdiği istasyonlar için teşekkür etti. SpaceX tarafından bağışlanan Starlink uydu terminallerinin sayısı gün geçtikçe artmaya başladı. Ukrayna ise daha fazla terminal satın almak için para toplamaya başladı. Hatta diğer ülkelerden bağışlar toplanmaya bile başlanıldı. Bağışların bir kısmı nakit olarak gönderildi, bir kısmı ise direk terminal olarak teslim edildi. Tahmini olarak 25.000 üzerinde terminalin şu anda Ukrayna’da kullanımda olduğu varsayılıyor. The New York Times‘in edindiği dokümana göre Eylül ayı itibariyle terminallerin büyük kısmı başını ABD, İngiltere ve Polonya’nın çektiği batılı ülkeler tarafından fonlanmaktadır. İyi bir haberleşme altyapısına sahip olmak savaşlarda son derece önemli. Ukrayna ordusu Starlink sistemi ile gerek dronlar, gerekse de yabancı istihbarat örgütleri aracılığı ile sağladığı istihbaratın ve hedeflerin hızlıca HIMARS’lara ulaştırılmasını sağladı. HIMARS mobil olarak sürekli yer değiştiren ve birkaç dakika içerisinde ateş pozisyonuna geçebilen, son derece yüksek isabet oranı olan uzun menzilli bir roket sistemidir. Rus ordusunun bir numaralı hedefi haline gelen bu sistemler, Starlink aracılığı ile kendilerine ulaştırılan hedefleri kısa sürede imha edebilmişlerdir. Resim 6: Ukrayna’ya gönderilen Starlink istasyonları. Ayrıca Starlink tarafından sağlanan haberleşme altyapısı şifreli olduğu için Rus ordusu bu haberleşme ağına sızamamaktadır. Ayrıca 500 km uzaklıktaki bu uyduları etkisiz hale de getirememektedir . Diğer taraftan Rus ordusu için bu durum tam tersi işlemektedir. Rus ordusuna ait şifreli haberleşme sistemi bulunmaktaydı. Fakat bu şifreli haberleşme sisteminin çalışabilmesi için internet altyapısına ihtiyacı var. Fakat Rusya bu altyapıyı yok ettiği için elinde haberleşmek için iki seçenek kaldı. İlk seçenek komutanların ön cephede bulunup cepheyi birebir yönetmeleriydi. Fakat HIMARS tarafından onlarca yüksek rütbeli komutanın öldürülmesi sonrası bu yöntemden vazgeçildi. Ölüm korkusu ile komutanlar cephe gerisine çekildi ve ön cephedeki askerleri Sovyet döneminden kalan haberleşme sistemleri ile yönlendirmeye başladılar. Fakat bu sistem şifreli olmadığı için kolaylıkla Ukrayna ordusu tarafından çözümlenip daha büyük sorunlar doğurdu. Rus ordusunun telsizlerde paylaştığı bilgiler ise kendilerine uzun menzilli roketler olarak geri döndü. 14 Ekim’de Elon Musk SpaceX ‘in sonsuza kadar Ukrayna’daki Starlink hizmetini fonlayamayacağını yazdı. Bunun üzerinde birçok spekülasyon yapıldı ve aynı gün ABD Savunma Bakanlığı yetkilileri Pentagon'un "SpaceX ve diğer şirketlerle SATCOM yeterlilikleri hakkında konuşmaya devam ettiğini" söyledi. Elon Musk 15 Ekim’de başka bir tweet paylaştı. “Lanet olsun… Starlink hala para kaybediyor ve diğer şirketler milyarlarca dolar vergi mükellefi alıyor olsa da biz sadece Ukrayna hükümetini ücretsiz olarak finanse etmeye devam edeceğiz” dedi. İki gün sonra paylaştığı bir diğer tweette ise Ukrayna’ya sağlanan 25.300 terminalden sadece 10.630 tanesinin aylık hizmet parasının ödendiğini belirtti. Şimdilik Elon Musk’ın Starlink altyapısını aktif tutuyor. Fakat Starlink’in Ukrayna savaşındaki önemi uzmanlar tarafından kabul ediliyor ve bir çözüm bulunması elzem görünüyor. Bir Veri Şirketi olarak Starlink Starlink’in elde edeceği en büyük kaynak sadece maddi olarak olmayacaktır. 21. Yüzyılın en büyük kaynaklarından bir tanesi artık petrol değil, veridir. Ne kadar farklı kullanıcıdan veri elde edebilirseniz o kadar geniş kapsamlı bir yapay zekâ tanımlayabilirsiniz. Şu anda dünyanın her yerine internet altyapısı götürebilecek bir tek Starlink bulunuyor. Haliyle bütün dünyadan internet ile ilgili olarak verilerin toplanması yani hangi sitede ne kadar kalınıyor, kullanıcıların en çok yaptığı aramalar, en çok okuduğu haberler, nelere tepki veriyor gibi birçok internet aktivitesinin tek bir sağlayıcı tarafından bütün dünya çapında toplanabilmesinden bahsediyoruz. Google sırf arama motoru ve Google Chrome üzerinden topladığı bu veriler ile devasa cirolar elde etmekte ve çok güçlü yapay zekâ algoritmaları geliştirebilmektedir. Starlink ise Google’ın aksine her türlü veriyi global olarak toplayabilecek kadar geniş bir dağılımda kullanıcı sayısına erişecek. Resim 7: Starlink istasyonu. Kaynak: https://www.starlink.com/rv Starlink’in şimdiki başarısı ilerleyen yıllarda da devam edecek olursa, aylık üyelik masraflarında ciddi bir azalma olacaktır. 100 Milyon kullanıcıya erişmesi durumunda aylık üyelik ücretinin 50 Euro altına gerilemesi bekleniyor. Bu rakam yine de Türkiye’de birçok insana pahalı gelebilir fakat Starlink 1.000 Mbps hızına ulaştığında tek bir Starlink ile hane başına 100 Mbps hızı bölüşecek şekilde masraflar dağıtıldığında aylık olarak hane başına 5 Euro’ya kadar düşebilecektir. Bu rakam ise birçok hane tarafından karşılanabilir ve hız olarak birçok ülkenin halihazırda sunduğu internet hızından daha yüksek bir hız olacaktır. Aslında 100 milyon kullanıcı demek, istasyon başına 10 kullanıcıdan hesaplarsanız 1 Milyar kullanıcıya tekabül eder. Bu da çok büyük veri akışına sahip olmaktır. Günümüzde 1 milyar kullanıcıya hizmet verebilen başka bir internet altyapısı bulunmamaktadır. Fakat Starlink’i diğer internet sağlayıcılarından ayıran en büyük özellik, herhangi bir altyapı hizmetine gereksinim duymamasıdır. Bu yüzden erişebileceği kullanıcı sayısını belirleyen en büyük etken fiziksel sınırlamalardan çok fiyatı olacaktır. Fiyat ise daha önce bahsettiğimiz gibi kullanıcı sayısı arttıkça düşecektir. Starlink’in sadece internet hizmeti satarak kar edeceğini düşünmek ise büyük yanılgı olur. Starlink internet hizmetinin yanı sıra askeri uygulamalardan da büyük karlar elde edebilecek. Şimdiden ABD ordusu ile birtakım antlaşmalar imzalanmış durumdadır. Özellikle dron teknolojisinde büyük etkileri bulunmaktadır. Günümüz dronlarının en büyük düşmanı olan Jammerlar Starlink’e ait uydu interneti üzerinde etkili olamıyor. Haliyle Starlink’e bağlanabilen dronlar gelecekte GPS verisi ile uçan dronlara göre çok daha avantajlı hale gelecek. Aynı şekilde dronların elde ettiği görüntüleri hızlıca merkeze ulaştırabilmesi hususunda da Starlink çok daha etkili çalışmaktadır. Bazı büyük hava yolları Starlink’i uçaklarına entegre etme yoluna gitmekteler. Bu sayede uzun uçuşlarda kullanıcılarına internet hizmetini yüksek bant genişliğinde sağlayabilecekler. Kıtalar arası uçuş yapan şirketler bu bağlantıya sahip olmak zorunda kalacaklar. Birçok insan uçuşu sırasında hızlı internet bağlantısına sahip olmak için havayolu tercihini değiştirebilir. Sonuç Starlink tarafından hayata geçirilin düşük orbit internet bağlantısı ile dünya da hızlı bir değişime girmeye başladı. Starlink aktif kullanıcı sayısı olarak şimdiden 700.000’i geçmiş bulunuyor. Bu sayının 2025 yılına gelindiğinde 40 milyonu bulması bekleniyor. Starlink sayesinde internette uygulanan sansür, kısıtlamaların bir anlamı kalmayacak. Her ne kadar şu anda Starlink bağlantısı için çanak gerekiyor olsa da çok da uzak olmayan bir tarihte bu bağlantının cep telefonları ile yapılabileceğini şahit olacağız. Şu anda bile SpaceX, ABD telekomünikasyon şirketi T-Mobile ile görüşmelere başladı. 2-3 yıl içerisinde çıkacak yeni model cep telefonlarında SpaceX ile entegre olabilme özelliği gelmeye başlayabilir. Bu olduğu zaman ise hükümetler tarafından halka sansür uygulamak, bu şekilde bilgi paylaşımını kısıtlamak imkânsız hale gelecek. Savaşlarda ise yerel haberleşme ağlarını bozabilecek jammerlar Starlink üzerinde çalışmamaktalar. Bu da Starlink ile haberleşme desteği sağlanan tarafa büyük üstünlük sağlayacaktır. Çin, bu konuda kendi uzay internet programını başlatmış durumdadır. Fakat SpaceX ’in en büyük avantajı uzay programlarında kullandığı roketleri tekrar tekrar kullanabiliyor olması ve rakipleri karşında uzaya uydu gönderme süresinin hem daha hızlı hem de daha düşük maliyetli oluşudur. İnsanlık tarihinde uzaya toplam gönderilen uydu sayısının 9.000 olduğu ve bu uydulardan sadece 2.000 tanesinin aktif olduğu göz önüne alındığında Starlink’in mevcut 3.500 uydusu ile rakipleri karşısında ne kadar önde olduğu açıktır. Teknolojideki baş döndürücü gelişmeler yakında bu alanda yeni gelişmeleri de beraberinde getirecek ve ülkeler arasında rekabet de kızışacaktır. Bu yarışta var olmak isteyen ülkelerin şimdiden bu tip teknolojilere ve altyapı yatırımlarına ağırlık vermesi gerekmektedir. Kurumsal Not : KAPDEM'de yayınlanan yazı ve çalışmalar KAPDEM'in kurumsal görüşünü yansıtmaz, tüm yasal sorumluluk yazarlara aittir.
Rusya’nın Ukrayna’yı işgali sonrasında başlayan Rusya – Ukrayna Savaşı’nın seyri savaşın başlamasından bu yana yapılan genel tahminlerin aksine hem uzamakta hem de beklenmedik bir içeriğe bürünmektedir. Rus ordusu beklenin aksine son derece büyük kayıplar vermiştir ve vermeye devam etmektedir. Rusya hedeflerine ulaştığı yönünde propagandaları arttırsa ve ambargolara karşı çok sert karşı cevaplar vermeye çalışarak artan ekonomik kriz ile Avrupa’nın birliğini dağıtmaya çalışsa da sahada çok farklı gerçekler gözlenmektedir. Rusya, uzun bir zamandır nitelikten çok nicelik savaşına dönmüş durumdadır. Rusya savaş uzadıkça hem askeri çatışmada hem istihbarat alanında geri kalmakta hem de kendine karşı yapılan nokta atışı suikastlar da çaresiz duruma düşmektedir. Bu durumun asıl nedeni ortaya atılan pek çok askeri ve siyasi görüşten çok, Rusya’ya uzun zamandır teknoloji alanında uygulanan ambargo ve Rusya’nın içine düştüğü ağır çip krizidir. Rusya’nın Kırım işgalinden bu yana yüksek teknolojili çiplere erişimi sınırlanmıştı, Ukrayna işgali sonrası tamamen durduruldu. Bunun Rus ordusu üzerinde bir etkisi olacağı aşikardı ama Rusya, kamu politikası öngörülerini ve savaş stratejisini oluştururken bu etkinin bu kadar büyük olabileceğini hesaplayamadı. Ukrayna’nın hızla teslim olacağı beklentisi Rusya’yı içinden çıkılmaz bir cendereye soktu. ABD tarafından Ukrayna’ya sağlanan bir düzine yüksek teknoloji silah (özellikle HIMARS’lar) ve Rusya’nın içine düştüğü çip krizi savaşta nicelikten çok niteliğin önemli olduğunu bir kez daha gösterdi. Rus ordusuna ait akıllı silahların sayısı azaldıkça, bu etki daha da göz ile görülür hale geldi. Bu makalede, yüksek teknoloji silahları etkinliğini, özellikle de yarı iletken çiplerin 21. yüzyıl savaşlarında kullanılan silahlardaki önemini ve savaşın seyrini nasıl değiştirebildiğini Ukrayna – Rusya savaşı özelinde inceleyeceğiz. Çip Krizi ve Teknoloji Ambargosunun Ukrayna - Rusya Savaşı’na Etkisi: Rusya Nasıl Bataklığa Saplandı? Giriş 24 Şubat 2022’de Rusya, Ukrayna’yı dize getirmek ve Kırım’a giden temiz su kaynaklarını kontrol etmek için geniş çaplı bir operasyon başlattı. Savaşın başlarında Ukrayna’nın bu kadar güçlü direniş göstereceği kimsenin aklına gelmemişti. Fakat, daha da önemlisi Rus ordusunun yolsuzluklar ve bakımsızlıktan ne kadar zayıf bir orduya dönüştüğünü Rusya Devlet Başkanı Vladimir Putin dahil kimse fark etmemişti. Ruslar Kiev’i almakta başarısız olunca Nisan 2022 sonlarında geleneksel Sovyet savaş stiline geri döndüler. Rus ordusunun en büyük özelliği olan uzun menzilli roket atarlar ve topçuluk ile Ukrayna saflarını dövmeye başladılar. Mayıs ayı Ukrayna ordusu için çok acı geçti. Ruslar işgal girişiminin başlarındaki başarısızlıklarının üstünü uzun menzilli roket atarlar ile kapamaya ve kazanımlar elde etmeye başladılar. Ama bu kazanımlar da çok uzun sürmedi. Fotoğraf 1: Kaynak: https://www.lockheedmartin.com/content/dam/lockheed-martin/mfc/photo/high-mobility-artillery-rocket-system/mfc-himars-01.jpg.pc-adaptive.768.medium.jpg ABD tarafından Ukrayna’ya hibe edilen 12 HIMARS roketatar sistemi savaşın seyrini tamamen değiştirdi. Haziran ayında ilk teslimleri yapılan HIMARS sistemleri ile Rusya ağır kayıplar vermeye ve mevzi kaybetmeye başladı. HIMARS’lar Rusların en çok korktuğu silah haline geldiler. Peki HIMARS’ları bu kadar korkutucu yapan şey neydi? Bir düzine HIMARS nasıl oluyor da bütün savaşın seyrini değiştirilebiliyor? Savaşın Kaderini Değiştiren Kritik Silah: HIMARS (High Mobility Artillery Rocket System) Sistemleri HIMARS, 1990'ların sonlarında ABD Ordusu tarafından kullanılmak üzere geliştirildi. İki roket kapsülü yerine, büyük ölçüde arttırılmış hareket kabiliyeti için yalnızca bir bölmeye sahiptir. Bu, sistemin çok hızlı bir şekilde ateş etme konumuna geçmesine ve düşmanın karşı ateşi daha başlamadan bitirilmesine olanak tanır. Bu yüksek hareket kabiliyeti nedeniyle Rusya, Ukrayna'ya sağlanan bir düzine birimi etkisiz hale getirmekte büyük zorluk çekiyor. Fakat HIMARS’ları asıl ölümcül yapan şey hareket kabiliyetlerinin yanı sıra, yüksek isabet oranıdır. HIMARS’lara standart altı roket kapsülü yüklenebilir. Roketlerinin menzili 1,2 ile 90 km arasındadır. Fakat, ATACMS karadan karaya füzesi kullanıldığında 300 km'ye kadar çıkabilir. HIMARS füzeleri yaklaşık 2 dakika içerisinde 50 km mesafeyi kat edebiliyor ve 2-5 metre arasında hata payı ile hedeflerini imha edebiliyor. Fotoğraf 2: Kaynak: https://www.lockheedmartin.com/content/dam/lockheed-martin/mfc/photo/high-mobility-artillery-rocket-system/mfc-himars-masthead-01.jpg HIMARS sevkiyatının ilk dört birimi 23 Haziran'da geldi ve sadece iki gün sonra Rus kuvvetlerine karşı kullanıldılar ve İzyum’daki bir askeri üste hassas bir saldırıda 40'tan fazla Rus askerini öldürdüler. Savaşın başlamasından bu yana ilk kez, Rus arka bölgeleri Ukrayna silahlarının tehdidi altındaydı. Savaşın başından bu yana birçok Rus Generali ve Albayı HIMARS’lar tarafından avlandı. HIMARS’ların uzun menzilli yüksek isabet gücünden dolayı Rus komutanlar cephe hattının gerisine kaçmak zorunda kaldılar. Bu da Rusların ordu düzeni içerisinde emir komuta sisteminde büyük aksaklıklara neden olmaya başladı. Fakat, HIMARS’ların asıl verdiği hasar Generalleri öldürmekten çok, kesin isabet gücü ile Rusya’nın tankerleri ve lojistik merkezlerini hedef almaya başlaması ile oldu. Savaşın ön cephelerine taşınması gereken benzin, cephane ve erzakların imhası ile Rusya lojistik merkezlerini daha gerilere taşımak zorunda kaldı. Bu da askerlerin ihtiyaç duydukları malzemelere erişimini geciktirdiğinden dolayı Rusların kayıplarını artırmaya başladı. Savaşın başından bu yana zaten sorunlu olan Rus lojistik yapısı daha da sıkıntılı hale gelmeye başladı. Ruslar giderek daha fazla mevzi kaybetmeye başladılar. Rus askerlerinin moralleri de her geçen gün gerek erzak eksikliğinden gerek generallerin cephe hattının gerisinde kalmasından gerekse de HIMARS’ların her an toplu şekilde duran askerleri hedef alabileceği korkusundan dolayı tüm zamanların en düşük seviyesine geriledi. Peki, bir düzine HIMARS’ların tek başına başardığını neden dünyanın ikinci en güçlü ordusu kabul edilen Ruslar başaramıyordu? Rusların HIMARS’lara Karşı Çaresizliği: Akıllı Silahlar ve Çip Krizi Bunun asıl sebebi Rusya’ya Kırım’ı işgali sonrasında uygulanmaya başlayan çip ambargosundan kaynaklanmaktadır. Akıllı ve isabet oranı yüksek silahlar için yüksek teknoloji çipler gerekmektedir. İlk olarak AMD ve Intel Rusya’ya olan çip sevkiyatını durduklarını açıkladı. Bu blokaj ile beraber Rusya yüksek işlem gücü gerektiren sunucular ve bilgisayar sistemleri için gereken altyapısını tamamen kaybetmiş oldu. Bu blokajı ardından Samsung da takip etti ve en son olarak da TMSC de Reuters’a verdiği mülakatta Rusya’ya yapılacak çip sevkiyatlarını tamamen durdurduklarını açıkladı. Fotoğraf 3: Kaynak: https://today.tamu.edu/wp-content/uploads/2021/12/ECEN-news-semiconductor-chip-shortage-30Nov2021.jpg Aslında bu Rus ordusu için kısa sürecek bir savaşta çok da önemi olmayan bir durum olabilirdi. Fakat işler planlandığı gibi gitmemiş ve savaş uzamaya başlamıştı. Rusların hali hazırda kendi akıllı silahları zaten bulunmaktadır. Fakat, bu akıllı silahların hepsini Ukrayna’da kullanmak, ne kadar süreceği belli olmayan bir ambargoda göz önüne alındığında ordunun pek de taraftarı olduğu bir uygulama değil. Ayrıca akıllı silah sistemlerinin ne kadarının çalışabilir durumda olduğu da ayrı bir tartışma konusu. Rusya’ya uygulanan bu ambargo aslında yeni uygulanan bir ambargo değil. Kırım işgalinden sonra bu ambargo kısmi olarak uygulanmaya başlanmıştı. Rusya’ya yüksek teknoloji çiplerin ithalatı kısıtlanmış durumdaydı. Fakat, çip ithalatının tamamen sıfırlanması ile birlikte, düşük teknoloji füze ve silah sistemlerinde bile arz sıkıntı yaşanmaya başlandı. Kullanılan silahların yerine yenisini koymak artık Rusya için olduğundan daha zor bir hale gelmeye başladı. Ruslar bu sorunu aşabilmek için nitelik yerine niceliğe başvurmak zorunda kaldılar. Ruslar artık Sovyet döneminden kalan füze sistemleri ile cevap vermeye çalışıyor. Fakat Rusların cephede kullandığı uzun menzilli silahların isabet oranı son derece de kötü. Bir karşılaştırma yapmak gerekirse, bir HIMARS’ın 6 füzesi ile imha edebildiği bir hedefi Ruslar yüzlerce atış yaparak sağlayabiliyorlar. Bu da devamlı cepheye mühimmat taşınması anlamına geliyor ki HIMARS’ların yüksek isabet oranı sebebiyle bu füzelerin cepheye taşınması ayrıca yüksek risk barındırıyor. Yüksek teknoloji çiplerin getirdiği bir diğer avantaj ise istihbarat alanındadır. Ruslar istihbarat olarak Ukrayna ordusunun çok gerisinde. Tabi bunda üç önemli husus var. Ukraynalılar istihbaratı üç şekilde sağlıyorlar: Birincisi, yerel halk yardımı ile topladıkları istihbarat. İkincisi, Türkiye’nin Bayraktar gibi askeri dronlar veya istihbarat toplamakta kullandıkları daha küçük dronlar ile potansiyel hedeflerin bilgisini alıyorlar. Üçüncüsü ve en önemlisi ise hiç şüphesiz ABD tarafından sağlanan istihbarattır. ABD’nin gerek uydu sistemleri gerekse de Rus haberleşme sistemlerine sızarak topladığı bilgiler ile Ukrayna ordusunu potansiyel hedefler konusunda bilgilendirmektedir. HIMARS’lar ise gelen istihbaratlara göre hedefleri dakikalar içerisinde yüksek isabet oranı ile imha edebilmektedir. Ardından Rus topçularının karşı ateşine maruz kalmamak için hemen konum değiştirmektedirler. İstihbarat Alanında Teknoloji Üstünlüğü Farkı: Dronlar ve Çip Krizi Rusların büyük zayıflıklarından bir tanesi de bu istihbarat alanında oldu. Hatta bu konuda o kadar kötü durumdalar ki, yıllardır ekonomik ambargo altında olan İran’dan dron almak zorunda kaldılar. Peki neden kendi savaş uçaklarını üreten Rusya’nın kendi dronlarını hiç duymadık? Neden bu konuda dünyanın çok gerisinde kaldılar? Fotoğraf 4: Kaynak: Getty Images/AFP Bunun da sebebi aslında yine yüksek teknoloji çipler. Rusya’nın, Türkiye’nin NATO müttefiki olması sebebiyle rahatça erişebildiği yüksek teknoloji çiplere erişimi bulunmamaktadır. Ayrıca dronların en büyük özelliği, klasik savaş uçaklarına göre çok daha ucuz olmaları ve pilotların can güvenliği riski olmadığından dolayı eğitim maliyetlerinin düşük olmasıdır. Bir dron pilotu kilometrelerce uzaktan bu silah ve istihbarat sistemlerini güvenli şekildekullanabilir ve dronun düşürülmesi sonrasında yeni bir dron ile göreve kaldığı yerden devam edebilir. Ama burada en önemli nokta yeni dronları üretebilecek kapasitenizin olmasıdır. Ayrıca Bayraktar’ın en önemli parçası olan ROKETSAN üretimi MAM-L güdümlü roket füzesi gibi, isabet oranı yüksek olan füzelerden de elinizin altında yeterince olması gerekiyor. Dronlar savaş uçaklarına göre daha kolay hedefler olduğundan, kaybettiğiniz dronların yerine hızla yenisi koymazsanız, dron teknolojisinin sunduğu avantajdan yararlanamazsınız. Rusya’ya uygulanan bu ambargo nedeniyle, Rusların bu tip dronları yeterli sayıda üretebilecek kapasitesi bulunmuyor. Ayrıca ne o dronlara takabileceği akıllı füze sistemlerini ne de dronları kontrol edebileceği bir sunucu odasını kurabilecek kadar çip elinde bulunmuyor. Bu da Rusya’nın istihbarat ağını oldukça zayıf duruma düşürmektedir. Her ne kadar Çin bu tip çipleri Rusya’ya temin edebilecek olsa da Çin’de uzun zamandır bu yüksek teknoloji çiplerin ambargosu altında. Eline geçirebildiği çipleri de Rusya ile paylaşmak istemiyor. Fotoğraf 5: Kaynak: https://baykartech.com/tr/ Çin’deki teknoloji şirketleri de bu tip bir ortaklığa girerek kara listeye alınmaktan korktukları için bu gibi bir paylaşım yapılmıyor. Rusya’nın Teknolojik Darboğazı Rusya’nın kendi ürettiği çipler de bulunmaktadır. Fakat Rusya’nın ürettiği çipler 65 nanometre (nm) çipler olup son derece düşük teknolojidir. Bir kıyaslama yapacak olursak TSMC şu anda 5nm çip üretiyor ve 3nm çipler içinde testler yapmaktadır. Intel 7 nm, ve Çin ise 11 nm çipler üretebilmektedir. Rusların üretebildiği çipler kredi kartlarında kullanılan tarzda çipler olup daha karmaşık teknolojik cihazlar için yeterli değiller. Çipler olmadan savaş sırasında kaybedilen veya kullanılan mühimmatların yerine yenisini koymak, hatta silah sistemlerinin bakımını bile yapmak imkânsız hale geliyor. Rusya’nın en büyük hatalarından biri de böyle bir operasyona girerken elinde yeterince çip stoğunun bulunmamasıydı. Putin’in en büyük hesap hatalarından biri de dünyanın bu şekilde sert tepki verip, Rusya’yı teknolojik ambargo ile bu derecede zayıf düşürebileceklerini hesaplayamamasıdır. Tabi bunda Rusya’nın Ukrayna savaşının kısa sürede bitecek olduğunu düşünmesinin de büyük etkisi vardır. Bu yüzden sadece nakit olarak rezerv depoladı ama yüksek teknoloji silahları için gerekli ana hammadde olan yarı iletken çiplerden hiç depolamadı. Fotoğraf 6: Kaynak: https://foreignpolicy.com/2022/09/13/russia-ukraine-counteroffensive-tanks-kharkiv/ Rusya'nın içine düştüğü durum sadece çipler ile de açıklanamaz. Rusya’daki araba yedek parçalarının %90’ı ithal edilmektedir. Buna Ukrayna’ya hibe edilen HIMARS’ların favori hedeflerinden olan kamyonlar için gerekli yedek parçalar da dahildir. Rusya şu anda cephe hattına mühimmat taşıyacak kamyonları elde etmekte büyük sıkıntı yaşıyor. Ukrayna ordusu ise Rus tanklarını vurmak yerine akaryakıt tankerleri ile nakliyat kamyonlarını hedef almaktadır. Bu sebepten ötürü son zamanlarda Ukrayna’nın ikinci büyük silah sağlayıcısının Rusya olduğu yönündeki ironi içeren haberler ile karşılaşıyoruz. Foreign Policy tarafından yayınlanan bir makalede “ "ABD, Borç Verme programını başlatmadı, ancak ABD yerine Rus hükümeti Ukrayna kuvvetleri için bir Borç Verme programı başlattı. " şeklinde alaycı bir ifade ile Rusların içine düştükleri duruma gönderme yapılmaktadır. Sonuç Sadece 12 HIMARS füze sisteminin dünyanın ikinci güçlü ordusu olarak görülen Rus ordusuna verdiği hasar göz önüne alınınca çiplerin ne kadar önemli bir kaynak haline geldiği bir kez daha anlaşılıyor. Dünyanın en ileri teknoloji yarı iletken çip üretim merkezi olan Tayvan bu yüzden ABD açısından çok önemli ve savunulması gereken bir ada. 21. yüzyılda savaşları sayılar değil, keskin isabet gücü ve akıllı silahlar belirliyor. Akıllı çiplere erişim olmayınca kullanılan silahların isabet oranı düşüyor ve sonuç olarak hem maliyet artıyor hem de lojistik olarak silahlı kuvvetleri savunmasız hale getiriyor. Çip üretimi konusunda dışarıya bağımlı kalındığı sürece aslında üretilen silahların çok bir önemi kalmıyor. Çünkü burada önemli olan ürettiğiniz silah sistemlerinin devamlılığının olmasıdır. Elinizde sınırlı sayıda güdümlü füze olunca, ne kadar ihtiyacının olursa olsun o füzeleri kullanmak istemiyorsunuz. Çünkü savaşın ne yöne evrileceğini bilemiyorsunuz. Bu da sizi daha savunmasız hale getiriyor. Ayrıca çip olmadan silah üretemeyeceğiniz için, o silah üretimi için harcanan saatler ve ARGE masraflarının da sahaya yansıması bir o kadar sınırlı oluyor. Ukrayna – Rusya savaşı bize bir şeyi daha kesin kez gösterdi ki o da niteliğin nicelikten önemli olduğudur. Mevcut gelinen noktada dünyanın ikinci güçlü ordusu olarak kabul edilen Rus ordusu, ABD tarafından Ukrayna’ya hibe edilen 12 adet HIMARS sistemi ve yaşadığı çip krizi ile ciddi bir bataklığa saplanmış duruma düşmüştür. Siyasi algı yöntemleri için her gün farklı hamleler görüntüsü ile propaganda savaşında üstünlük sağlamaya çalışsa da sahadaki acı gerçekler Rusya’yı ciddi şekilde sarsmaktadır. İronik bir anlatımla; teknoloji ambargosu, çip krizi ve akıllı/nitelikli silahlardaki gerilemesi nedeniyle dünyanın en güçlü ikinci ordusu olan Rusya, artık Ukrayna’da ikinci güçlü ordu konumuna düşmüştür. Rusya’ya uygulanan teknoloji ambargosu ve çip tedarik krizi zaman geçtikçe Rusya’yı sahada daha fazla geri çekilmeye zorlamaktadır. Kurumsal Not : KAPDEM'de yayınlanan yazı ve çalışmalar KAPDEM'in kurumsal görüşünü yansıtmaz, tüm yasal sorumluluk yazarlara aittir.
Mikroçip veya yarı iletken olarak da adlandırılan bir bilgisayar çipi, hafızayı depolayan veya elektronik cihazların beyinlerini oluşturan bütünleşmiş bir devre ile gömülü bir silikon parçasıdır. Çipler modern hayatımızın önemli bir parçası haline gelmiştir. Bugünlerde kullanmakta olduğunuz cihazların neredeyse tamamında bu çipler vardır. Cep telefonları, bilgisayarlar, arabalar, roketler, saatler, kameralar ve hatta kredi kartlarında bile çipler kullanılmaktadır. Kısacası, elektronik olarak çalışan neredeyse her şeyde bir yarı iletken çip bulunmaktadır. Çipler olmadan hayatımıza konfor katan birçok ürünün üretimi olanaksızdır. Mikroçip nasıl icat edildi ve kullanımı yaygınlaştı konusunda tarihsel bir bilgi vermek, aslında bugünkü kriz durumunu anlamak için de yararlı olacaktır. Mikroçip (Yarı İletkenler) Nedir? Nasıl Gelişmiştir? 1957’de sekiz mühendisten oluşan bir ekip Fairchild Semiconductor Corporation isimli şirketi kurdular. Bu şirket 20. yüzyılın en önemli buluşlarından birine imza atacaktı. Şirket ilk silikon transistörünü 1958 yılında piyasaya sürdü. Birçok önde gelen teknoloji şirketinin de doğum yeri olan Silikon Vadisi ismi Fairchild şirketinin bu buluşundan gelmektedir. Son birkaç aydır devamlı haberlerde, çip tedarik sürecindeki sıkıntılar ve araba sektöründeki etkileri çok konuşulan bir gündem haline gelmiştir. Çip denince birçok insanın aklına genellikle bilgisayarlar ve telefonlar gelmektedir, ancak çipler veya yarı iletkenler artık hemen hemen her yerdedir ve kullandığımız pek çok ürün içerisinde bulunmaktadır. Fairchild iki yıl içerisinde dört transistörü tek bir çipe entegre etmeyi başardı ve 1965’e kadar bu sayı 60’a kadar çıktı. Gordon Moore bir elektronik dergisine verdiği mülakatta, yaptığı matematiksel modelleme sonucunda endüstrinin gelişim hızını tahmin etmeyi başarmıştı. Hatta tahmini o kadar doğruydu ki bugün bile geçerliliğini korumaktadır. On yıl içerisinde işlemci başı transistörün 60.000’i geçeceğini söylemişti. Moore’un o zamanki modellemesine göre 2017 için yapılan hesaplama işlemci başına 30 milyar transistördü ki bu da doğru çıktı. Meslektaşları yıllar içinde bu duruma “Moore Yasası” adını verdiler. Çünkü model, üstel büyüme yörüngesini doğru bir şekilde yakaladı. 2017 yılında transistör sayısının 30 milyarı yakalayacağını da Moore’un modeli doğru bir şekilde göstermiştir. Çip Tedarikinde Yaşanılan Aksaklıklar 2020-2021 yıllarında çip tedarik zincirinde bir bozulma gerçekleşti. Bu bozulma da ürün tedarik sürecinde ciddi sıkıntılara yol açtı. Azalan ürün arzı talebi karşılamaya yetmeyince, ürün fiyatlarının artırmasına ve enflasyonun tetiklenmesine yol açtı. Bu durum halen artarak devam etmektedir. Otomobil şirketleri, yeni otomobil üretimini durdurmasa da yavaşlatmak zorunda kaldı. Piyasada yeni araba olmadığı için ikinci el araba satışları arttı, bu sıkıntıdan dolayı yeni bir PS5 almak neredeyse imkânsız hale geldi. Akıllı telefon üreticileri, çip eksikliğinin yeni modellerin bulunabilirliğini etkileyebileceği konusunda uyarıyor. Her ne kadar birçoğumuz çip krizini yeni duymuş olsak da dünya ilk defa çip krizi yaşamıyor. Dünya 1988’den bu yana çeşitli sebeplerden çip sıkıntısı yaşamıştır. Fakat bugünlerde yaşanılan çip krizini manşetlere taşıyan sebepler nelerdir ve neden diğerlerinden daha fazla bizleri etkiliyor? Bu sorulara cevap vermek için önceki krizlere bakmak lazım. 1988 Çip Krizi Bilgisayar belleği için dinamik rasgele erişimli belleğe (Dynamic Random - Access Memory) DRAM yongalarına çok ihtiyaç vardı. DRAM pazarının %90'ını kontrol eden Japonya, çiplerini ABD'deki piyasa fiyatlarının altında satıyordu. ABD'de çok sayıda RAM üreticisi Japonya ile rekabet edemediği için işletmelerini kapatmak zorunda kaldı. DRAM yapan on bir Amerikan firmasından pazarda sadece iki tanesi kaldı. Texas Instruments ve Micron. 1987'de Başkan Reagan yönetimindeki ABD hükümeti, Japonya'ya ekonomik yaptırımlar uygulayarak müdahale etmek zorunda kaldı ve daha sonra Japonlar çiplerini piyasa oranlarında satmayı kabul etmek zorunda kaldılar. Ancak yaptırımlar, ABD'nin beklediğinin aksine çip endüstrisini olumsuz etkiledi. Yaptırımlar, Japon yonga üreticilerinin yüksek üretim maliyet ve riskleri nedeniyle ABD'ye daha az yonga ihraç etmesine neden oldu. Amerikan çip üreticileri, beklenildiği gibi piyasaya yeniden girmedi. Sonuç olarak, 1988'de DRAM kıtlığı oluşmaya başladı. Bu, çip fiyatlarında bir artışa neden oldu. Örneğin, bir 256 kbit DRAM yongasının maliyeti 2,95$'dan 12,45$'a yükseldi. Taleple başa çıkmak için üreticiler kaynaklarını daha fazla DRAM üretmek için yönlendirmek zorunda kaldılar. Ancak bu da statik rastgele erişimli bellek (Static random-access memory) SRAM ve bilgisayar ekranlarını kontrol etmek için kullanılan video Ram'ler gibi diğer tip çiplerde bir eksiklik yarattı. Japonya'da talebi karşılamak için Hitachi'nin sahip olduğu yarı iletken fabrikalarındaki işçilerin bir haftalık yaz tatillerini iptal ettirerek fazla çalıştırmak zorunda kaldıklarını bildirildi. Sorunun kendi kendine çözülmesi 1989 ortalarına kadar sürdü ve o zamandan beri MB DRAM başına maliyet düşüyor. 1994 Çip Krizi 1994 ve 1995'te, bu dönemde başka bir çip sıkıntısına yol açan, özel bilgisayarların satışındaki patlamaydı. Bir sürü harika bilgisayar teknolojisi icat edildi. Bu dönemde oldu World Wide Web, diğer bir deyişle bugünkü bildiğimiz şekliyle “İnternet” doğdu. Microsoft, Windows'un şimdiye kadarki en büyük sürümü olan Windows 95'i yayınladı. Dünyanın en büyük e-ticaret sitesi Amazon da bu süre zarfında resmi olarak açıldı. Birçok insan kişisel bilgisayar satın alıyordu. Bu da bilgisayar çiplerine olan talebin artmasına neden oldu, ayrıca yeni gelişmiş çip üretim süreçlerine geçiş oldu. Yeni çiplerin üretilmesi için ise “cleanroom” denilen, “temiz oda” olarak çevirebileceğimiz özel alanlara ihtiyaç vardı. Temiz oda dediğimiz yer bu çiplerin hatasız bir şekilde üretilmesini sağlayan yerlerdir. Toz gibi etkenlerden arındırılmış ortamlardır, fakat bu gibi alanların gerek eksikliği gerekse yanlış kurulmasından dolayı birçok çip hatalı olarak piyasaya sürüldü ve bu da çip krizini daha da artırdı. 2000 Çip Krizi 2000’lerde yaşanılan çip krizi, o zamanın en büyük bilgisayar işlemcisi üreticisi olan Intel'in yetersiz tahminlerinin bir sonucuydu. Intel’den sonra gelen en büyük çip üreticisi ise yine Amerikalı bir firma olan AMD’ydi. Intel, 1998'de ve 1999’da yetersiz yatırım yaptı, bu da 2000'de işlemci çiplerinde bir açık oluşmasına neden oldu. Masaüstü kişisel bilgisayarlar, kurumsal bilgisayar ağları ve web siteleri oluşturmak için kullanılan sunucular bu durumdan olumsuz bir şekilde etkilendi. Bunun yansıra 1998'in ortasında, yarı iletken tedarikindeki çöküş nedeniyle Teksas'taki yeni tesisinin inşaatı da durduruldu. Aynı zamanda, daha hızlı Pentium III için yeni 820 yonga setleri ve buna uyumlu yeni bir bellek teknolojisi de planlandığı gibi birlikte çalışmadı, bu yüzden Intel sorunu nasıl çözebileceklerini görmek için çizim tahtalarına geri dönmek zorunda kaldı. Bu olaylar silsilesi, yeni işlemcilerin imalatında gecikmeye neden olmuş ve 2000'li yıllarda ciddi bir Intel işlemci sıkıntısına yol açmıştır. Neyse ki, o zamana kadar ekonomik olarak zorluk çeken bir firma olan AMD dünyayı bu kıtlıktan kurtardı. Intel sorunlarını çözmekle meşgulken AMD, Intel'in Pentium III'ünden daha hızlı olan yeni Athlon işlemcisi ile muazzam bir tüketici kabulü gördü. Birçok büyük PC üreticisi, Intel sıkıntısı nedeniyle AMD'ye geçti. 2004 Çip Krizi 2004'te, dünya çapında CDMA ağlarının agresif bir şekilde piyasaya sürülmesi nedeniyle cep telefonları için CDMA yongaları eksikliği vardı. CDMA, (Code Division Multiple Access) kod bölmeli çoklu erişim için bir kısaltmadır. Birden fazla kullanıcının aynı radyo kanalı ile aynı baz istasyonuna bağlanmasını sağlayan bir teknolojidir. Bir CDMA çipi, telefonun bunu yapmasını kolaylaştırır. CDMA, o dönemde kullanılan GSM teknolojisine göre daha güçlü ve esnek bir teknolojiydi. ABD merkezli bir şirket olan Qualcomm, CDMA ve kontroller için gerekli patentlerin çoğuna sahipti. Bu da toplam pazarın yaklaşık %85'ine denk gelmekteydi. CDMA ağları piyasaya sürüldüğü sırada, Qualcomm, birçok telefon üreticisinin CDMA teknolojisi ile daha fazla telefon üretmesi nedeniyle CDMA yongalarının talebini karşılayamadığını fark etti. Teknoloji için büyük pazarı kontrol ettiğinden, dünya başka bir çip sıkıntısına girdi. Bu seferki çip krizi günlük hayatımızın bir parçası haline gelen cep telefonlarını etkilemeye başladı. Qualcomm, talepteki artışı karşılamak ve gelecekteki ürün tedarikini sağlamak için tedarik zincirinde iyileştirmeler yaptı ve tedarik zinciri ortaklarıyla uzun vadeli kapasite anlaşmalarına imza attı. Üretim kapasitesini önemli ölçüde artırdı. Ayrıca, dünya çapındaki tesislerinde bulunan mühendis ekibini çoğaltarak bu krizin çok büyümeden çözülmesi sağlandı. 2011 Çip Krizi 11 Mart 2011'de dünyanın en büyük çip üreticilerinden biri olan Japonya'yı 9.0 büyüklüğünde güçlü bir deprem ve tsunami vurdu. Felaketin sonunda Japonya büyük can kayıplarının yansıra; nükleer enerji istasyonlarında sızıntı, ulaşım altyapısında büyük hasarlar ve elektrik kesintilerine maruz kaldı. Japonya deprem sonrasıyla uğraşırken, dünya başka bir ciddi çip sıkıntısına giriyordu. Bellek ve ekran yongalarının tedariki büyük ölçüde etkilendi. Felaketten birkaç gün sonra bellek yongalarının spot fiyatları yükselmeye başladı. Flaş bellek yongalarının fiyatı %20'nin üzerinde arttı, DRAM’ler ise %7 yükseldi. Deprem, Shin Etsu'ya ait bir fabrikayı yerle bir etti. Dünyanın en büyük gelişmiş silikon plaka üreticisi olan bu şirket, yarı iletkenlerin üretimi için gerekli önemli bir malzemeyi üretiyordu. Bu durum, Shin Etsu'dan plaket satın alan Intel Corp. ve Toshiba Corp. gibi yonga üreticileri için büyük bir endişe kaynağıydı. Otomobil endüstrisi de ciddi şekilde etkilendi. Araçlarda kullanılan çiplerin önemli üreticilerinden olan Renesas Electronics’in ana fabrikası tsunamiden sonra üç ay boyunca devre dışı kaldı ve bu da endüstride dalgalanan bir arz sıkıntısına yol açtı. Bu durumdan en çok etkilenen ise Renesas’ın en büyük alıcılarından olan Toyota oldu. 2020 – 2021 Çip Krizi: Bu Dönemde Yaşanan Krizin Perde Arkası 2020'de başlayan mevcut çip sıkıntısı, tüketici elektroniğindeki beklenmedik talepten kaynaklanıyor. Bu kriz ayrıca şimdiye kadar yaşanılan en büyük çip sıkıntısı olarak kayıtlara geçecektir. COVID-19 salgını sırasında insanlar evde çalışmaya zorlandı ve evden öğrenmek norm haline geldi. Bu, cep telefonları, bilgisayarlar, video oyun konsolları, TV'ler ve benzeri ürünlere, diğer bir deyişle tüketici elektroniğine yönelik talebin artmasıyla sonuçlandı. Bu cihazlara yönelik artan talep, işlemci, bellek, görüntüleme, güç bağlantısı ve diğer işlevler için gerekli çiplere olan talebi de artırdı. Sonuç olarak artan çip talebini karşılamada yetersiz kalan fabrikalar çip tedarik zincirinde bir dengesizliğe yol açtı. Hava yolculuğunun azalması ve pandemi ile ilgili malzemelerin küresel gönderilerine öncelik verilmesi nedeniyle gemi gönderileri ertelendi. Toplamda, küresel hava kargo kapasitesi 2020'de %20 azaldı. Yine Eylül 2020'de Çin-ABD Ticaret Savaşının bir parçası olarak ABD, Çin'in en büyük çip üreticisi SMIC'ye kısıtlamalar getirdi. Bu kısıtlamalar şirketleri, halihazırda maksimum kapasitede üretim yapan Tayvan, Semiconductor Manufacturing Company (TSMC) ve Samsung gibi diğer üretim tesislerine geçmeye zorladı. Ne yazık ki, yarı iletken tedarik zincirini karıştıran bir dizi felaket de yaşandı ve yaşanmaya devam ediyor. Amerika'daki birçok yarı iletken şirkete ev sahipliği yapan Teksas eyaleti, Şubat 2021'de fabrikaların kapanmasına neden olan eşi görülmemiş bir soğuk hava yaşadı. Elektrik şebekeleri çöktü ve aşırı soğuklardan dolayı donan boru hatları nedeniyle su sıkıntısı da yaşanmaya başlandı. Birkaç hafta sonra, aşırı elektrik yüklenmesinden kaynaklanan bir yangın, Japonya'nın Renesas Chip fabrikasını yaktı ve yirmi üç makineyi kullanılamaz hale getirdi. Hassas temiz odayı duman ve kurumla doldurdu. Bu yetmezmiş gibi, Tayvan yarım yüzyıldan uzun bir süredir en kötü kuraklığını yaşadı ve TSMC de dahil olmak üzere çip üreticileri arasında su kıtlığına yol açtı. Çip üreticileri, fabrikalarını ve plakalarını temizlemek için büyük miktarlarda ultra saf su kullanırlar. Goldman Sachs'a göre, en az 169 endüstri bu küresel çip sıkıntısından etkilendi. En çok etkilenenler sektörler ise otomotiv ve tüketici elektroniği endüstrileri oldu. Dünyanın en büyük otomobil üreticisi Toyota, Eylül 2021'de dünya çapındaki araç üretimini %40 oranında azalttığını açıkladı. Ford, sayıları milyonları bulan bitmiş araçlarını, eksik olan çipleri için bekler vaziyette park halinde tutmakta. Dünyanın önde gelen elektrikli araç üreticisi Tesla, alternatif çipleri desteklemek için araç yazılımını yeniden yazmak zorunda kaldı. İnsanlar ev eğlencesine yönelirken, tedarik sıkıntısı olan video oyun konsollarına olan talep de oldukça arttı ve tedarik zincirine olan yükü daha da fazla artırdı. Yeni Xbox ve PlayStation 5 konsollarındaki açığın 2022 yılına kadar devam etmesi bekleniyor. Akıllı telefon sektörü de darbe almaya başladı. Küresel akıllı telefon sevkiyatları 2021'in üçüncü çeyreğinde %6 küçüldü. Çip Krizinin Çözümü: Sonuç Değerlendirmesi Bu çip sıkıntısının üstesinden gelmek için çip üreticileri, hükümetlerinin yardımıyla yerel üretimi artırmak ve küresel tedarik zincirini çeşitlendirmek için milyarlarca dolar yatırım yaptı. ABD'de Biden yönetimi, yerli yarı iletken endüstrisi için 52 milyar dolarlık teşvik tahsis etmeyi planlıyor. Dünyanın en büyük yonga üreticisi TSMC, önümüzdeki üç yıl içinde üretim kapasitesini artırmak için yaklaşık 100 milyar ABD doları harcamayı planlıyor. Yatırımın bir kısmı ABD ve Japonya'da yeni yarı iletken fabrikaları inşa etmek için kullanılacak. Samsung, 2022'de Teksas'ta on yedi milyar dolarlık bir yarı iletken fabrikası kurmayı planladığını söyledi. Intel, Avrupa'da yeni çip üretim tesisleri inşa etmek için önümüzdeki on yılda 95 milyar dolarlık bir yatırım ayırıyor. Şirket ayrıca fabrika kapasitesini artırmayı ve Arizona'da iki yeni fabrika inşa etmek için 20 milyar ABD doları harcamayı planlıyor. Bu yatırımlar sonucunda çip krizinin sona ereceği açıktır, ancak ne kadar zamanda olacağı konusu belirsizliğini koruyor. Fakat kesin olan bir şey var o da artık yarı iletkenlerin yani çiplerin stratejik bir kaynak hâline geldiğidir. ABD, AB ve Çin yarı iletken tedariği ve üretimi konusunda büyük yatırımlar yapmaktadırlar. Teknolojik olarak bakacak olursak ise en ileri teknoloji çipler şu anda TSMC’de, yani Tayvan’dadır. ABD’nin Tayvan ilgisinin büyük bir kısmı da buradan gelmektedir. Çip üretimi açısından uzmanlaşan bir ülke olan Tayvan önümüzdeki yıllarda da çip tedariki konusunda önemli bir figür olarak rol oynamaya devam edecek. Tarihteki eski çip krizlerine ve şimdiki çip krizlerine bakacak olursak bir eğilimin olduğunu görmekteyiz. Yeni bir teknolojinin bulunması veya yaygınlaşması sonucunda her seferinde çip üreticileri artan talebe karşı hazırlıksız yakalanmıştır. Bilgisayarların yaygınlaştığı 1994 senesi, cep telefonlarının yaygınlaşmaya başlaması ile 2004 krizi ve en son Covid-19 pandemisi nedeniyle uzaktan çalışmanın teşvik edilmesi sonrası ev elektroniklerindeki talebin patlaması gibi etkenler çip krizini tetikleyen unsurların başında yer almaktadır. Fakat çip üretiminin zorluğu nedeniyle piyasada çok az üreticinin olması ve doğal felaketler sonucunda bu üreticilerden birinin üretiminin düşmesi durumunda da kriz tetiklenebilmektedir. Üretim hattının farklı ülkelerde konumlandırılması doğal afetler sonrasında çıkabilecek fabrika üretim sorunlarını büyük ölçüde çözecektir. Ama yeni çıkacak bir teknolojinin, cep telefonları veya bilgisayar gibi büyük talep görmesi durumunda yeni bir çip krizi ile tekrar karşılaşma olasılığımız çok yüksektir. Belki de bir sonraki çip krizi Facebook’un kurucusu Mark Zuckerberg’in anons ettiği “meta-verse” yani sanal gerçeklik dünyasının yaygınlaşması ile yaşanılacaktır. Kurumsal Not : KAPDEM'de yayınlanan yazı ve çalışmalar KAPDEM'in kurumsal görüşünü yansıtmaz, tüm yasal sorumluluk yazarlara aittir.
Kripto para son zamanlardaki yüksek getirisi ile çok konuşulan konular arasında. Kâr oranlarındaki özellikle son bir yılda görülen artış da birçok yatırımcının kısa yoldan zengin olma hayali ile kripto paraya yatırım yapmasına yol açtı. Fakat çoğu yatırımcı kripto para ve bunun nasıl çalıştığı konusunda çok az bilgiye sahip olduğundan, internette ‘fenomen’ diye adlandırılan, aslında sınırlı bilgileri nedeniyle yatırım tavsiyesi veremeyecek kişilerin sosyal medya paylaşımlarını ölçüt alıp kripto para almaya ve borsalara üye olmaya başladı. Kripto para ve kripto para borsaları güvenilir mi? Bu borsalardaki dolandırıcılıklar öngörülebilir ve önlenebilir mi? Devletin bu gibi borsalar ile ilgili yaptığı bir düzenleme ve kurduğu bir yatırımcıyı koruma mekanizması bulunmakta mıdır? Kripto para borsalarında dolandırıcılık olursa kaçırılan kripto paraların izi sürülebilir mi? İşte, bu ve bunun gibi birçok soruya yazımızda cevap bulmaya çalışacağız. Önce, kripto para hakkındaki bilgi eksikliklerini olabildiğince gidermek için kripto paranın aslında ne olduğunu ve nasıl çalıştığını anlatalım. Daha sonra kripto paranın ne şekilde fiyatlandırıldığına ve borsaların çalışma esaslarına değineceğiz. Kripto Para Ve Blok Zincir Nedir? 2008 yılında Satoshi Nakamoto rumuzlu biri veya bir grup tarafından kripto para birimi bitcoin hakkında bir makale yayınlandı. Makale, ‘herhangi iki tarafın güvenilir bir üçüncü tarafa ihtiyaç duymadan birbirleriyle doğrudan işlem yapmasına izin verme’ yöntemlerini ayrıntılı olarak açıkladı. Böyle yöntemleri kullanan teknolojiler, hem 'çift harcama' (yani paranın iki defa kullanılması) sorununu çözdü hem de ilk kez ‘dijital kıtlığı’ mümkün kıldı. Makale yayımlanana kadar gerçekleştirilmesi mümkün olmayan, makalenin yayımlanmasından sonra devrim niteliğinde bir değişime yol açan ‘dijital kıtlık’ olumsuz bir çağrışım yapsa da yerine göre telif hakları gibi birçok sorunun çözülmesinde kullanılabilecek bir yöntem olarak ortaya çıktı. Böylece işlem gören toplam bitcoin miktarı sabitlendi. Bu durumu bir örnekle açıklayalım. Örneğin, yazarı olduğunuz e-kitabı satın alıp indiren, bunu dilediği kişiye herhangi bir telif hakkı ödemeden kopyalayıp gönderebilir. “Dijital çokluk” denilen bu durumda telif hakkı ve gelir kaybı gibi birçok sorun ortaya çıkar. Tam tersi dijital kıtlıkta ise ürün sayısı sınırlıdır. E-kitap örneği üzerinden düşündüğümüzde, bu durumu e-kitabın sadece sınırlı sayıda üretilmesine benzetmek mümkündür. Dolayısıyla, arkadaşınıza e-kitabı vermek isterseniz, sizdeki kopyasını vermek zorunda kalacağınızdan, dolaşımdaki toplam e-kitap adedi değişmez. Böylece, gelir kaybı ve telif haklı gibi sorunlar bertaraf edilmiş olur. Satoshi Nakamoto’nun yayınladığı makaledeki ‘dijital kıtlık’ kavramı, para yaratma olayına da son verdi. Dolaşımda olabilecek azami bitcoin miktarı sınırlı olduğundan, bu sistemde krediler üzerinden para yaratılamaz. Bu durumu da şöyle izah etmek kabildir. Mevcut ekonomik sistemde merkez bankalarının para basma yetkisi olduğunu biliyoruz. Ayrıca, sadece merkez bankaları değil özel bankalar bile para üretebilir. Bunu kısa bir örnek ile açıklayayım. Sizin 1000 TL nakit paranızın cebinizde olduğunu varsayalım. Bunu bir bankaya yatırdığınızda, banka belirli bir oranı zorunlu karşılık olarak merkez bankasına yatırır ve kalan para ile kredi verebilir. %10 zorunlu karşılık olduğunu varsayalım. Bu durumda banka 100 TL’yi merkez bankasına yatırdıktan sonra kalan 900 TL’yi başkasına kredi verir. Daha sonra bu krediyi alan kişi de parayı bankaya yatırırsa, banka %10 karşılığı yine merkez bankasına yatırır ve kalan 810 TL ile bir başkasına kredi verir. Sonsuz kere tekrarlanabilecek bu işlemle, zorunlu karşılık oranına bağlı olarak bankalar binlerce lira daha sisteme sokmuş olur. Diğer bir anlatımla, bu sistemde ‘ne kadar kredi, o kadar para’dır. Ancak herkes parasını bankadan nakit olarak çekmek isterse, bankalar buna çok dayanamayıp kısa sürede batar. Merkez bankaları da dolaşımdaki parayı azaltmak için kredi faizlerini bu yöntemle kullanır. Merkez bankaları faizleri artırdığında, yüksek kredi maliyetinden dolayı insanlar kredi çekememeye başlar ve bu da dolaşımdaki para arzını azaltır. Bitcoinde ise, bitcoin miktarı sabit olduğu için, kredi ve faizler vasıtasıyla para yaratma söz konusu değildir. Makalenin yayımından sonra, Nakamoto, bitcoin yazılım istemcisini 9 Ocak 2009'da yayınladı. İstemci, isteyen herkesin bitcoin üretebileceği, istemciyi kendi bilgisayarlarında kurabileceği, kullanıcıların istedikleri uygulamaları geliştirebilecekleri açık kaynaklı bir sisteme sahipti. Peki Bitcoin’i bu kadar özel yapan şey neydi? Bunun cevabı, Satoshi Nakamoto’nun makalesinde sunduğu dijital dünyada birçok sorunu çözebilecek kadar devrim niteliğinde bir o kadar da basitçe uygulanabilecek blok zincir teknolojisindeydi. Peki nedir blok zincir? Blok zinciri, bir bilgisayar sisteminde depolanan bilgi topluluğu olarak tanımlanabilecek veri tabanına benzetebiliriz. Ancak blok zincirde bilgi, belirli depolama kapasitesine sahip ve doldurulduğunda önceden doldurulmuş başka bir bloğa zincirlenecek bloklarda toplanır. Diğer bir anlatımla, veri tabanı verileri tablolar halinde yapılandırırken, blok zincir, adından da anlaşılacağı gibi, verileri birbirine zincirlenmiş parçalar ve (bloklar) halinde yapılandırır. Böylece, tüm blok zincirler veri tabanlarına sahip olur, fakat tüm veri tabanları blok zincir değildir. Ayrıca, bu sistem merkezi olmayan bir yapıda uygulandığında, doğası gereği geri döndürülemez bir veri zaman çizelgesi oluşturur. Bir blok oluşturulduğunda artık değiştirilemeyecek şekilde bu zaman çizelgesinin bir parçası olur. Zincirdeki her bloğa, zincire eklendiğinde kesin ve tam bir zaman damgası verilir. Kısaca özetleyecek olursak, blok zincir tablo şeklinde oluşturulan klasik veri tabanlarının aksine, birbiri ardına bloklar halinde eklenmiş, eklendiği zamanın damgası ile mühürlenmiş bir veri tabanıdır. Haliyle bir verinin ne zaman blok zincire eklendiğini yıllar geçse bile görebiliriz. Kripto para ve blok zinciri açıkladıktan sonra, şimdi de kripto para sisteminin nasıl işlediğini inceleyelim. Kripto Para Nasıl Çalışır? Piyasadaki bitcoin miktarı sınırlı, dolayısıyla arz sabit olduğundan, talep arttıkça bitcoin fiyatındaki artışın kaçınılmaz olduğu ve blok zincirlerle kurulmuş bu sistemin nasıl çalıştığını anlatmak için günümüzden basit bir örnek vereyim. Farz edelim ki Ankara’da toplam 18.700.000 dönüm, kiminin 5 dönümüne kiminin 3 dönümüne sahip olduğu bir arazi olsun. 1 dönüm arazi satın almak istediğimde, 5 dönüm arazisi olan X şahsına gidiyorum. X bana 1 dönümünü satıyor ve o arazi X’in T.C. kimlik numarasından çıkıp benim T.C. kimlik numarama işleniyor. İşlem sonucunda Ankara’daki arazi yine 18.700.000 dönüm. Ama artık X şahsının 4 dönümü, benim ise 1 dönüm arazim olmuş oluyor. Bu satışı onaylayan da tapu dairesi, başka bir deyişle devlet. Devlet, diyelim ki 1.000 dönüm olan arazi sayısını yeni bir imar planı ile 18.900.000 dönüme çıkardı. O zaman satışlar, 18.900.000 dönüm üzerinden oluyor. Arazilerin ilk satış hakkı tabi ki devlette. Burada devlet aynı arazinin başka bir kişiye ikinci kez satılıp satılmadığını da kontrol eder. Yani bir kişinin aynı araziyi iki defa farklı kişilere satmasına mâni olur. Devletin araziyi sattığı kişi artık o arazinin sahibi olmuştur ve deftere hangi tarihte satışın gerçekleştiği işlenmiştir. Şimdi bu örnekte, blokzincir nereye oturuyor onu özetleyelim. Ankara ⁃› Bitcoin blokzinciri 1 Dönüm arazi ⁃› 1 bitcoin Kimlik Numarası ⁃› Bitcoin adresi Devlet ⁃› Madenci Kripto para da arka plandaki kriptografi hesaplamaları ve hash algoritmalarıyla, aşağı yukarı bu şekilde çalışır. Bitcoin işlemlerini doğrulamak için madenciler yüksek işlem gücü gerektiren hash hesaplamaları yaparak yeni bloklar oluşturur ve yeni bitcoinlerle ödüllendirilir. Fakat normal dolaşımdaki TL, dolar, avro gibi paraların aksine bitcoinde elde edilebilecek azami sayı sınırlandırılmıştır. Böylece, bitcoinde de aynı tapu satışında olduğu gibi, iki kere satış da olmaz. Bitcoinin tek farkı ise doğrulamayı devlet gibi merkezi bir otorite yerine dağınık yapıdaki madencilerin yapmasıdır. Herkesin madenci olabildiği bu sistemde, bilgisayarınızı gerekli yazılım ile çalıştırdığınızda bu işlemlerin doğruluğunu siz de bilgisayarınızın arka planda yapacağı hesaplamalar ile yapabilirsiniz. Bitcoinin en büyük avantajı tam da merkezi bir otoriteye bağlı olmamasından kaynaklanır, merkezi otorite bulunmadığı için, rüşvet vs. gibi bir yasadışı bir işlem ile evrakta sahtecilik gibi olaylar meydana gelemez. Tabi dünyadaki bütün madencilerden %50 +1 çoğunluğu bulup hepsini tek tek bir işleme ikna edebilirseniz, o zaman blok zincirde artık istediğinizi yapabilirsiniz. Ama böyle bir durum blok zincirin dağınık yapısı nedeniyle neredeyse imkansızdır. Para olarak nasıl kullanıldığına gelecek olursak; Günümüzde X kişisi Y kişisine 1.000 TL gönderecek olursa, bunu üçüncü bir tarafın gözetimi altında gerçekleştirmesi gerekir. Genellikle burada bankalar kullanılır, PTT ile gönderilen paralarda üçüncü taraf PTT’dir. Burada X’in 1.000 TL’si olup olmadığını banka kontrol eder. X parayı gönderdiğinde, parayı onun hesabından silerek Y’nin hanesine kaydeder. Banka istediği taktirde 1.000 TL’yi sıfır olarak kayıt altına alabileceği gibi 1.500 TL olarak da kaydedebilir. Dolayısıyla, burada esas olan üçüncü tarafa duyulan güvendir. Ayrıca, her işlemi kaydeden ve kimin kime ne kadar ödediğini bilen üçüncü taraflar, kişisel verileri de almış olur. Bitcoinde ise durum farklıdır. Bitcoinde oluşturulan adresler tamamen anonimdir. Başka bir ifadeyle, hiçbir kişisel verinizi vermeden bir bitcoin adresi oluşturabilirsiniz. Oluşturacağınız adres aşağıdaki gibi olacaktır. Örnek Bitcoin adresi: 3QTUxAKmHqLAkvAjSvPxYoi5yUVRPQm2Cx Bir hesaptan başka bir hesaba bitcoin göndermek istediğinizde, o adreste yeterli bitcoin olup olmadığı, gidecek adrese bitcoin eklenmesi gibi işlemleri bankalar yerine madenciler yapar. Fakat madenciler kime ait işlemi onayladıklarını bilemez. Hangi adresten hangi adrese saat kaçta ne kadar bitcoin gittiği, ilgili adreslerde ne kadar bitcoin kaldığı gibi bilgiler belirlenebilse de kişisel veriler tamamen anonimdir. Yukarıda örnek bitcoin işlem listesinde gördüğümüz gibi, 3QTUxAKmHqLAkvAjSvPxYoi5yUVRPQm2Cx adresinden yapılmış ödemeler, zamanları, doğrulama ücreti olarak ne kadar ödendiği ve kripto paranın hangi adrese gönderildiği kolayca görülmekteyken, bu adresin kime ait olduğu veya gönderdiği adresin kimliği tamamen anonimdir. Örneğin, yukarıdaki işlemlerden en sonuncusunda; “3QTUxAKmHqLAkvAjSvPxYoi5yUVRPQm2Cx” adresine sahip kullanıcı, 2021-04-25 tarihinde saat 02:43’de “3Mt2cnUizA7ufY4ZWmWQx4oVZPw1667RTz” adresine 1.212,39 dolar değerinde 0.02405925 bitcoin göndermiş ve bu işlem için 3,22 dolar değerindeki 0.00006396 bitcoin işlemi doğrulayan madenciye ödemiştir. Kullanıcıları için bitcoinin getirdiği bir diğer kolaylık ise bankaların kapalı olduğu zamanlarda bile ödeme yapma imkânı sunmasıdır. Ayrıca, bir bitcoin işlemi yapmak için bankaya gitme gereği olmadığı gibi hesap açtırmanın kimlik bilgilerinin verilmesi veya yurt dışında oturma izninizin bulunması gibi şartları da yoktur. Her dileyen birkaç saniye içerisinde istediği kadar bitcoin hesabını cep telefonuna ve bilgisayara indirilebilen programlar veya bu hizmeti sağlayan internet siteleri aracılığı gibi birçok metot ile açabilir. Kripto Paralar Nasıl Fiyatlandırılır ve Kripto Para Borsaları Nasıl Çalışır? Kripto para değerinin, yani fiyatının belirlenmesi de emtia fiyatlarının belirlenmesi gibi, arz-talep dengesiyle olur. Kripto paraya talep arttığında fiyatı da artar. Örneğin, kripto para fiyatının 50.000 dolar olduğu bir dönemde, kripto para almak istediğimde, 49.000 dolardan satacak biri olursa, fiyatı 49.000 dolar olur. Ama 50.000 dolara değil de 51.000 dolara satıcı bulabilirsem, bu sefer de kripto paranın fiyatı 51.000 dolardır. Yani kripto para, emtia gibi ona biçtiğiniz değer üzerinden satılır veya alınır. Aslında kripto para bu hali ile hisse senedine benzer. Kripto paranın hisse senediyle bir başka ortak özelliği de işlem gören hisse senedi adedine benzer şekilde, mevcut kripto para miktarının sabit olmasıdır. Fakat şirketlerin halka arz ile hisse senedi adedini çoğaltması gibi, madencilerin elde ettikleri kripto paraları piyasaya sürmeleri ile dolaşımdaki kripto para miktarı artar. Bitcoin fiyatının arz ve talebe göre değiştiğini bitcoinin artık dünya sahnesinde yerini almaya başladığı 2013 yılından bugüne seyrine baktığımızda da görmekteyiz. Bitcoinin ün kazanması aslında ilk olarak 2013 yılında TOR adı verilen özel tarayıcılar ile girilebilen Darkweb’de bulunan silkroad ismindeki internet sitesi sayesinde oldu. Bu sitede insan kaçakçılığından tutun, uyuşturucu maddelere, silah hatta kiralık katil bile kiralanması dahil her türlü illegal aktiviteler için anonim olan bitcoin kullanılmaya başlandı. Bitcoin birkaç ay içerisinde 150 dolar seviyesinden 1300 dolara kadar çıktı. Daha sonra FBI’ın operasyonuyla sitenin kapatılması ile bitcoin uzun süre 300 doların altında seyretti. 2014 yılına geldiğimizde, Çin Devlet Başkanı Xi Jinping yolsuzlukların üzerine gitmeye kararlı olduğunu vurguladığı gibi siyasi rakiplerini de elemeye başladı. Artık Çin’den ayrılmanın zamanının geldiğini düşünen Çinli birtakım zenginlerin paralarını Çin’den çıkartmak için bitcoini kullanmaya başlaması ile bitcoin fiyatı 2017’de 20.000 dolar seviyesini gördü. Daha sonra Çin tarafından bitcoin satışının ülke içerisinde yasaklanması sonrası bitcoin fiyatı ciddi bir düşüşle 4.000 dolar seviyelerine kadar geriledi. 2020 senesinde ise Covid-19 salgını nedeniyle önce dünya ekonomisinin gerilemesi, hükümetlerin faizleri düşürmesi, çok ucuza kredi ve hibelerin verilmesi sonrası oluşan mali bollukta gerek birikimlerini korumak isteyenlerin gerekse de sıfır faizli dünyada kazanç arayanlar için bitcoin yeni bir yatırım aracına dönüştü ve fiyatı 2021 yılında 60.000 doları aşarak tekrar rekor kırdı. Bitcoinin ana para birimi (coin) olarak işlem gördüğü kripto para piyasasında, diğer bütün para birimleri alternatif kripto para (altcoin) olarak adlandırılır. En popüler alternatif kripto para birimlerin bazıları, ethereum (ETH), binance coin (BNB), ripple (XRP), cardano (ADA), dogecoin (DOGE)’dir. Bütün alternatif kripto para birimleri aslında bitcoine göre fiyatlanır. Haliyle bitcoin fiyatındaki düşüş diğer alternatif kripto para birimlerini de etkiler. Kripto Para Borsaları Kripto borsalar, kripto parası olanlar ile kripto para satın almak isteyen kişileri buluşturan platformlardır. Örneğin X kişisi elindeki dolar karşılığında bir bitcoin satın almak istiyor. Ama 50.000 dolar gönderdiği zaman karşısındaki insanın kendisine bir bitcoin gönderip göndermeyeceğini bilmiyor. Borsa bu durumda aracı konumunda oluyor, iki taraf arasında güven telkin etmek için X kişinin bitcoinini, bitcoin satın almak isteyen Y kişisinin de 50.000 dolarını kendi bünyesini alıyor. Eğer fiyat alışverişinde iki taraf da anlaşırsa, bitcoin Y kişisinin cüzdanına transfer ediliyor, 50.000 dolar ise X kişisinin hesabına geçiyor. Bu arabuluculuk işleminden belirli bir komisyon alan borsanın işlevi taraflara güven telkin etmek oluyor. Biraz daha detaya inecek olursak; Borsada en son yapılan işlemde, bitcoinin 51.000 dolar seviyesinden işlem gördüğünü varsayalım. Borsamızda 4 kişi olsun. A kişisi sahip olduğu 0,2 bitcoini, B kişisi 0,13 bitcoini, C kişisi 0.17 bitcoini satmak istiyor. Z kişisi de 0.5 bitcoin satın almak istiyor. Z kişisi isterse 50.000 dolar seviyesinden satın almak istediğini alış emri olarak girerek diğer A, B ve C kişilerinin bu fiyattan satış yapmalarını bekleyebilir. Eğer satış yapmak isteyen herhangi birisi bu fiyatı kabul etmezse satış gerçekleşmez. Fakat diyelim ki A kişisi sabredemeyip 0,2 bitcoini elinden hızlıca çıkartmak istedi ve 50.000 dolara satış emri verdi. O zaman Z kişisi 0,2 bitcoini A kişisinden alıyor. A kişisinin bu işlem karşılığında (0.2x50.000) 10.000 doları oluyor. Z kişisinin dolar bakiyesi ise 10.000 dolar azalıyor ama 0.2 bitcoin bakiyesine ekleniyor. Ancak Z kişisinin almak istediği 0.3 bitcoin daha bulunmakta. En son gerçekleşen işlem 50.000 dolardan olduğu için artık bitcoinin fiyatı 51.000 dolar değil, 50.000 dolardır. Fakat B ve C kişileri ellerindeki bitcoini 50.000 dolardan vermeye razı değildir. B elindeki bitcoini 50.350 dolardan satmak isterken, C kişisi ise 50.250 dolardan satmak ister. Bu durumda Z beklemek yerine önce 0.17 bitcoini 50.250 dolardan C kişisinden alıp, kalanı da 50.350 dolardan B kişisinden alırsa bitcoin fiyatı artık 50.350 dolar olarak gerçekleşir. Piyasaya yeni giren bitcoin alıcısı ise en son fiyat olarak 50.350 göreceğinden alış işlemlerini bu fiyata yakın bir seviyeden yapmak isteyecekken, elindeki bitcoini satmak isteyen ise yine kendi belirlediği bir fiyattan satış yapmak isteyecektir. Fakat piyasaya bitcoin almak isteyen ikinci bir X kişisi girmiş olsaydı ve 51.000 dolar fiyatı kabul etmiş olsaydı, o zaman Z kişisi 50.350 dolara son alışverişini yapamayacaktı ve bitcoin fiyatı düşmeyip aksine artacaktı. Çünkü piyasada satın alınmak istenilen bitcoin adedi (talep), satılmak istenenden (arz) fazlaysa bitcoinin fiyatı artar. Tersine, bitcoin almak isteyen sayısı, satmak isteyenden az ise bu defa bitcoin fiyatı düşer. Türkiye’de de bitcoin fiyatı örnekte açıkladığımız şekilde oluşur. Eğer Türkiye’deki borsada 50.000 dolardan işlem gören bir bitcoin, Hong Kong’daki bir borsada 55.000 dolardan işlem görüyorsa, Türkiye borsasından alınan bitcoin Hong Kong’da satılarak fiyat yine dengelenir. Bu sebepten büyük hacimli para birimleri için borsalar arasında çok büyük fiyat farklılıkları bulunmaz. Türkiye’de işlem gören bir borsada, bitcoini veya herhangi bir alternatif kripto para birimini TL karşılığı ile satın almak istediğinizde, aslında nakit para Türkiye’deki X kişisinden yine Türkiye’deki Y kişisine geçer. Fakat yurtdışındaki borsalarda dolar karşılığında bitcoin almak istediğinizde, öncelikle Türkiye’deki dolarınızı yurtdışında bulunan borsanın hesabına yatırmanız ve oradan kripto para almanız gerekir. Bu durumda dolarınızı yurt dışına çıkardığınızdan dolayı nakit para yurt dışına çıkarılmış olur. Fakat TL ile Türkiye’deki bir borsadan almış olduğunuz kripto parayı yurt dışındaki bir borsada bozdurursanız yine Türkiye’den dolar çıkmış olmaz. Bunu da bir örnekle açıklayalım; Ahmet 1 bitcoin satın almak istiyor. Mehmet ise elindeki 1 bitcoini satmak ve nakde (TL) dönmek istiyor. Hem Ahmet hem de Mehmet Türkiye’de yaşıyor. Şimdi adım adım işlemin nasıl gerçekleşeceğini ve farklı senaryoları gözlemleyelim. Ahmet elindeki bitcoini Türkiye’deki bir kripto borsasına yatırır. Mehmet de bitcoin almak için gerekli olan tutarı bu borsaya yatırır. Borsa burada aracı kurum olarak alıcı ve satıcıyı bir araya getirip güven tahsis eder. Ahmet 300.000 TL’ye bitcoini Mehmet’ten satın alır. Ahmet’in hesabına 1 bitcoin geçmiştir. Mehmet’in hesabına ise 300.000 TL geçmiştir. Bu işlem sonucunda para tamamen Türkiye’dedir. Sadece Ahmet’ten Mehmet’e transfer olmuştur. Fakat Ahmet bitcoini Türkiye’de tutmak istemez. Bitcoinini Amerika’da değerlendirmek istemektedir. Ahmet Amerika’da yerleşik bir kripto borsasında hesap oluşturur. Bitcoinini o borsaya transfer eder. Bitcoini o zamanki dolar karşılığı fiyattan bir alıcıya (biz John diyelim) borsanın arabuluculuğu ile satar. (1 BTC = 50.000 dolar kabul edelim) John’un hesabına 1 bitcoin geçmiştir. Ahmet’in hesabına ise 50.000 dolar geçmiştir. Ahmet buradan sonra 50.000 doları bir banka hesabına almak istediği zaman Amerika’da bir hesap açması gerekmektedir. Bu durumda Türkiye’den çıkan herhangi bir para yoktur. Sadece para Ahmet ve Mehmet arasında el değiştirmiştir. Ahmet parayı Türkiye’deki dolar hesabına aktarırsa ancak o zaman Türkiye’ye döviz giriş olur. Örnekte de gördüğümüz üzere, özünde kripto paralarda ülkeden döviz kaçışı olmaz. Böyle bir kaçışın olabilmesinin tek nedeni yatırımcıların kendi ülkelerinde kripto para yatırımı yapamamalarıdır. Mesela Türkiye’de kripto para borsaları açık olmasaydı ve Türkiye’deki kullanıcılar yurt dışındaki borsalara giriş yapmak için gerek kredi kartı ile gerekse de aracı kuruluşlar gibi alternatif ödeme yöntemleri ile paralarını yurt dışına çıkartsa idi, Türkiye’den döviz çıkışı olabilirdi. Fakat Türkiye’deki borsalarda yapılan işlemlerle, para Türkiye sınırları içerisinde kaldığından aslında bu durum parayı bir cepten alıp diğer bir cebe koymak gibi düşünülebilir. Kurumsal Not : KAPDEM'de yayınlanan yazı ve çalışmalar KAPDEM'in kurumsal görüşünü yansıtmaz, tüm yasal sorumluluk yazarlara aittir.
