Veri Bilimi Geleceğin Temeli Mi, Hatayı Sanata Dönüştüren Bir Disiplin Mi?

Veri bilimi, modern dünyanın gizli büyüsü hâline geldi. Şirketler, hükûmetler ve bireyler, bu büyüye kapılarak büyük veriyi anlamlandırmaya çalışıyor. Peki, veri bilimi gerçekten hayatımızı mı değiştiriyor, yoksa her gün karşımıza çıkan algoritmik hataların ardındaki ana suçlu mu? Biraz eleştirel bir bakış açısıyla, veri biliminin vaatlerini, gerçeklerini ve ortaya çıkardığı sorunları masaya yatıralım.

Veri Biliminin Gücü: Geleceği Tahmin Etmek mi, Geçmişi Taklit Etmek mi?

Veri bilimciler, genellikle "geleceği tahmin etmek" gibi cesur iddialarda bulunur. Ama çoğu zaman, tahminler geçmiş verilerin bir yansımasıdır. Örneğin, kredi notu tahmin modelleri genellikle eski müşteri verilerini kullanır ve bu da önyargılı kararları tetikleyebilir.

Gerçek Dünya Örneği: 2020'de Amazon’un işe alım algoritması, geçmiş verilere dayanarak kadınları dezavantajlı duruma düşürdü. Algoritma, önceki işe alım verilerinden öğrenerek erkek adayları daha yüksek öncelikli olarak değerlendirdi

Birkaç İstatistikle Gerçekleri Görelim

• 2022 yılı itibarıyla, veri bilimcilerin %87'si zamanlarının çoğunu veri temizleme işlemlerine harcıyor. Yani, "Bilginin altın çağındayız" diyen herkes, veri biliminin büyük oranda "çöpü temizlemek" olduğunu unutur.

• Bir McKinsey raporuna göre, büyük veriyi kullanan şirketler rakiplerine göre %20 daha kârlı. Ancak bu istatistiğin arkasında başka bir gerçek daha var: Bu şirketlerin %73'ü hâlâ veri stratejilerinin etkin olmadığını düşünüyor.

İdeal Bir Dünyada Veri Bilimi Nasıl Çalışmalıydı?

İdeal dünyada, veri bilimi şu üç özelliğe sahip olmalıydı:

1. Tarafsızlık: Ancak önyargılar her yerde. Kullanılan veriler, toplanma yöntemleri veya algoritmaların eğitimi, insan önyargılarını taşır.


2. Şeffaflık: Ama çoğu model bir "kara kutu" gibi çalışır; neyi neden yaptığı belli değildir.


3. Sonuç Odaklılık: İşte burada işler karışır. Sonuçlar her zaman beklenildiği gibi değildir.

Veri Biliminde Yanılgılar

Klasik Yanılgı 1: "Korelasyon Nedensellik Değildir"

Bir şirketin pazarlama kampanyasının satışları artırdığı sonucuna varması için veri bilimine ihtiyacı yok. Ama çoğu zaman korelasyon, nedensellikmiş gibi yorumlanır. Örneğin, dondurma satışlarıyla boğulma vakaları arasındaki güçlü ilişkiyi bilmeyen yoktur. Bu ikisi arasında nedensel bir ilişki yoktur; ikisi de sıcak yaz aylarının bir sonucudur.

Klasik Yanılgı 2: "Tüm Veriler İyidir"

Her veriyi toplamak yararlı değildir. Örneğin, sosyal medya kullanıcılarından rastgele toplanan veriler, yanlış çıkarımlara yol açabilir. Bir araştırmaya göre, Twitter kullanıcılarının %10'luk bir kısmı platformdaki paylaşımların %80'ini yapıyor. Bu, çoğurçek bir kullanıcı kitlesini yansıtmadığı anlamına gelir.

Veri Bilimi Hâlâ Umut Vaat Ediyor mu?

Evet, kesinlikle! Sağlık hizmetlerinde kanser teşhisi, otonom araçlar için rota optimizasyonu, tedarik zinciri yönetiminde tahmin analitiği gibi alanlarda veri bilimi önemli ilerlemeler sağlıyor. Örneğin:

• IBM Watson: Kanser teşhisinde %93 doğruluk oranına ulaştığını iddia ediyor.


• Tesla'nın Veri Modelleri: Araçlarının 1,3 milyar milde sadece bir kaza yaptığını söylüyor, bu da insan sürücülere göre çok daha güvenli olduğunu gösteriyor.

Veri Bilimi: Bilimin "Gerçek" Yüzü

Veri bilimi, insanlık için büyük bir potansiyele sahip. Ancak, bu potansiyeli gerçekleştirmek için daha fazla şeffaflık, etik kurallar ve doğru veri setlerine ihtiyaç var. Veri bilimiyle ilgili her karar, "insanları mı daha iyi anlıyoruz yoksa sadece daha iyi manipüle mi ediyoruz?" sorusuyla değerlendirilmeli.

Sonuç olarak, veri bilimi büyüleyici bir araçtır ama büyüsü kadar karmaşıklıkları ve tehlikeleri de vardır. Belki de en iyisi, teknolojinin bizi nereye götürdüğünü anlamaya çalışırken eleştirel bir gözle yaklaşmak. Yoksa veri biliminin "moda terim" olmaktan öteye geçemediği bir gelecekte bulabiliriz kendimizi!