Yazı Gönder
Çip Krizi ve Teknoloji Ambargosunun Ukrayna - Rusya Savaşı’na Etkisi: Rusya Nasıl Bataklığa Saplandı?

Savunma ve Güvenlik

Çip Krizi ve Teknoloji Ambargosunun Ukrayna - Rusya Savaşı’na Etkisi: Rusya Nasıl Bataklığa Saplandı?

15 Nisan 2022

Okuma Modu

Makaleyi Dinle

0:00 / 0:00

Bu özellik tarayıcının yerleşik sesli okuma teknolojisini kullanır

Erhan Kul Fotoğrafı
Erhan Kul

Kapdem Üyesi

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. 

A picture containing grass, sky, outdoor, field

Description automatically generated

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. 

Paylaş ve İndir

KAPDEM

Yayınlarımız, etkinliklerimiz ve duyurularımızdan haberdar olmak için abone olun

Yazarın En Son Yazıları

Yapay Zekâ ve İnsan Zekâsı: Karar Alma Süreçlerine Etkileri

Yapay Zekâ ve İnsan Zekâsı: Karar Alma Süreçlerine Etkileri

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

Detay
BÜYÜK VERİ (BIG DATA): STRATEJİK BİR YÖNETİM KAYNAĞI

BÜYÜK VERİ (BIG DATA): STRATEJİK BİR YÖNETİM KAYNAĞI

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

Detay