Toplumsal Fayda İçin Veri Biliminin 10 Yıllık Dersleri
(drivendata.co)- 2014'te DrivenData'yı başlattığımızda, veri bilimini toplumsal fayda için kullanmak henüz çok erken bir aşamadaydı
- O dönemde veri bilimi teknikleri ağırlıklı olarak Netflix ve Amazon gibi şirketlerde pazarlama ve içerik önerileri için kullanılıyordu; kâr amacı gütmeyen kuruluşlar, STK'ler, sosyal girişimler ve kamu hizmetleri için kullanım örneği neredeyse yoktu
- İlk hedefler ve arka plan
- Veri bilimi yeteneği çok kıttı ve işe alım maliyeti yüksekti; bu açık, toplumsal sorunlarla ilgilenen kuruluşlarda daha da belirgindi
- Harvard Innovation Lab'den yola çıkarak, toplumsal sorunlar için veri bilimi teknolojisindeki yetenek açığını kapatmak istedik
- Veri bilimi ve crowdsourcing'in en ileri tekniklerini kullanarak dünyanın başlıca toplumsal sorunlarını çözmek amaçlanıyordu
- Dönemin bakış açısını yansıtan iki alıntı
- "Büyük veriyi insani karar alma süreçlerinde faydalı hale getirmek, ağ çağının temel zorluklarından ve fırsatlarından biridir" – UN OCHA
- "Benim kuşağımın en parlak zihinleri, insanlara reklamlara tıklatmanın yollarını düşünmeye harcıyor… gerçekten sinir bozucu." – Jeff Hammerbacher, Facebook'un eski veri yöneticisi
- Son 10 yıldaki değişim
- Veri bilimi ve AI'ı toplumsal etki için uygulamaya dönük çeşitli girişimler ortaya çıktı
- 150'den fazla proje, yaklaşık 80 ortakla iş birliği (Dünya Bankası, Bill & Melinda Gates Foundation, NASA vb.)
- 75'ten fazla veri bilimi yarışması düzenlenerek 4,7 milyon doların üzerinde ödül verildi
- DrivenData, son 10 yılda veri bilimi yoluyla toplumsal faydayı ilerletirken iyi uygulamalar ve dersler biriktirdi
- Bu noktada neyin işe yaradığını, nelerin hâlâ zorlayıcı olduğunu ve daha iyi bir gelecek için hangi yönelimlerin gerekli olduğunu birlikte düşünmek istiyoruz
10 temel dersin ön izlemesi
Veri biliminin iyi sonuç verdiği alanlar
- Veri bilimi toplumsal sorunlar üzerinde anlamlı bir etki yaratır
- İyi veri, iyi çözümler üretir
- Çabalar, somut sorunlara ve insan ihtiyaçlarına odaklandığında en başarılı olur
- Makinelerle insanların güçlü yanları birleştirildiğinde en etkili sonuçlar elde edilir
- Çok disiplinli bakış açıları ve esneklik, kuruluşlara avantaj sağlar
Hâlâ zorlayıcı olan noktalar
- Veri bilimi yinelemeli bir Ar-Ge faaliyetidir ve toplumsal sektör buna yeterince yatırım yapmaz
- Veri bilimcileri işe almak ve onlara iyi destek sunmak zordur
- Açık kaynakta, geliştirici olmayanlar için çözüm üretimi yetersizdir
- Teknoloji abartısı (hype wave) gereğinden fazla ilgi görür
- Veri bilimi ve AI'ın etik etkileri büyüktür, ancak etik kullanımı destekleyen araçlar ve pratikler geride kalmaktadır
Zaman değişiyor
Son 10 yılda veri ve AI teknolojilerindeki ilerleme şaşırtıcı derecede hızlı oldu. Bunu mümkün kılan başlıca yenilik unsurları şunlardı:
- Hesaplama ve depolama
- Bulut bilişim ve depolamanın yaygınlaşmasıyla gerekli kaynaklara daha ucuz ve daha kolay erişilebilir hale gelindi
- GPU tabanlı deneylerden gerçek zamanlı model çalıştırma için ölçeklenebilir küme dağıtımlarına kadar başlangıç maliyetleri düştü
- Derin öğrenme
- Derin öğrenme, veri biliminde dönüştürücü bir değişim yarattı
- GAN'ler, transformer'lar, varyasyonel otoenkoderler ve grafik sinir ağları gibi etkili mimariler hızla çoğaldı
- PyTorch ve TensorFlow etrafında gelişen ekosistem; araçlar, kütüphaneler ve önceden eğitilmiş modellerle ilerleme hızını artırdı
- Teknolojiye erişimin demokratikleşmesi
- Veri bilimi “21. yüzyılın en seksi işi” olarak anılmaya başlandı ve öğrenme fırsatları patlayıcı biçimde arttı
- MOOCs, bootcamp'ler ve veri yarışmaları sayesinde daha fazla insan veri biliminin temel becerilerini edindi
- Üretken yapay zeka
- Büyük dil modellerinin (LLM) ortaya çıkışı çalışma biçimlerini değiştirdi
- Karmaşık işlerin tamamlanma süresini kısaltarak yeni olanaklar açtı
- Üretken yapay zekanın geçici bir moda mı yoksa gerçek bir yenilik mi olduğu hâlâ değerlendiriliyor, ancak AI'ın kalıcı olarak kullanılacağı açık
Bu teknolojik değişimlere rağmen, belirli teknolojilerin ötesine geçen çeşitli ortak örüntüler gözlemleniyor. Bu yazı, son 10 yılda iyi işleyen noktalar ile hâlâ zorluk oluşturan alanlara odaklanıyor.
Veri biliminin iyi sonuç verdiği alanlar
Veri bilimi toplumsal sorunlar üzerinde anlamlı bir etki yaratır
- 10 yıl önceki durum
- Veri bilimi araçlarının potansiyeli açıktı, ancak toplumsal etki için uygulamaları sınırlıydı
- O dönemde tartışmalar birkaç örnekle sınırlı kalıyor, daha çok gelecekteki olasılıklara ilişkin fikirler etrafında yürüyordu
- Bugünkü ilerleme
- Makine öğrenimi modelleri sağlık, doğal kaynak yönetimi ve diğer çeşitli alanlarda karar alma süreçlerini etkiliyor
- Veri bilimi; zararlı alg patlamaları, sürdürülemez balıkçılık, iklim değişikliğinin yol açtığı doğal afetler gibi sorunların yönetilmesine yardımcı oluyor ve finansal kapsayıcılık ile yaban hayatı korumaya katkı sağlıyor
- Kamusal alanda veri görselleştirme, haber sunumu ve mesaj iletiminin başlıca araçlarından biri haline geldi
- Örnek: COVID-19 yayılımını önleme kampanyaları, WHO gösterge panosu
- Uydu görüntülerinin kullanıldığı somut örnek
- Yemen'de uydu görüntüleri kullanılarak ürün türleri ve iklim riskleri analiz edildi, böylece Dünya Bankası'nın gıda güvenliği programına bilgi sağlandı
- AI'ın bilimsel ilerlemeye katkısı
- AlphaFold: Bilim insanlarına tüm protein yapılarını ücretsiz sunarken, yıllar süren protein yapı tahmini işini birkaç saate indiren bir model
- Transformer modelleri: Çok modlu meme'lerde nefret söylemi tespitine uygulandı
- Varlık tanımlama teknolojisi: Nesli tehlike altındaki türlerin takibini iyileştirdi (ör. balinalar) ve farklı türlere genişletildi
- Toplumsal sektördeki değişim
- 2010'ların ortasında veri kullanımı tartışmaları daha çok “etki ölçümü” etrafında yoğunlaşıyordu
- Bugün odak, veri bilimi araçlarının kuruluşların çalışma biçimini nasıl değiştirdiği ve onlara nasıl yeni yetenekler kazandırdığı üzerinde
- Güncel tartışmalar, veri bilimi ve AI'ın ölçülebilenin ötesinde neler “yapabileceğine” odaklanıyor
İyi veri iyi çözümler üretir ve veriye erişim büyük ölçüde iyileşmiştir
- Verinin gündelik rolünün artması
- Satın alma, acil servis kullanımı, hastane ziyareti gibi her faaliyette veri üretiliyor
- Ev aletleri, giyilebilir cihazlar, araçlar, cep telefonları ve uygulamalar kullanım verisi topluyor
- Sensör ve kamera teknolojilerindeki gelişmeler sayesinde görüntü ve video verisinin kullanımı arttı
- Veri kullanımının iki aşaması
- Veriyi dijital olarak kaydetmek ve gözlemlenebilir hale getirmek
- Veriyi kullanarak öğrenmek ve örüntüler keşfetmek yönünde evrilmek
- AI ve makine öğreniminin veri temeli
- Daha fazla miktarda ve daha yüksek kalitede veri, yeni örüntülerin keşfini ve algoritma geliştirmeyi destekler
- Örnek: kanser tespiti, Spotify öneri algoritmaları, ChatGPT'nin eğitim verisi
- Monica Rogati'nin veri bilimi hiyerarşisi
- Veri biliminin ileri düzey yetenekleri, güçlü bir veri temeli gerektirir
- Veri altyapısına yapılan akıllı yatırımlar, üst seviye yeteneklerin hayata geçirilmesinin temelini oluşturur
- Toplumsal değer için verinin kullanımı
- Hükümetler ve büyük kurumlar kamu verisini daha fazla açmaya başladı
- DrivenData'nın kullandığı veri türleri:
- Hava durumu verisi, trafik verisi, OpenStreetMap verisi: hava ulaşımı planlaması ve afet dayanıklılığını destekleme
- Uydu görüntüleri: sel kapsamı haritalama, orman biyokütlesi tahmini
- Mobil işlem verisi: finansal davranış ve tutum analizi
- Anket verisi: büyük ölçekli görüş ve davranış içgörüleri
- Ses kayıtları: çocukların okuryazarlık düzeyini sınıflandırma
- Yüksek çözünürlüklü görüntüler: melanomun nüksetme olasılığını tahmin etme
- Metin verisi: doktor görüş notlarındaki klinik kavramların otomatik analizi
- Veriye erişilebilirlik ve kullanılabilirliğin önemi
- Verinin yalnızca açık hale getirilmesi tek başına yeterli değildir
- Makine tarafından okunabilir format, açık dokümantasyon ve kullanım örnekleri sağlandığında katılım ve kullanım artar
- Birçok kuruluş veri toplamaya yatırım yapıyor, ancak bunu kullanıma açacak ek yatırımları ihmal ediyor
- Veri dokümantasyonu ve uygulama örnekleri, yarışma ödülleri kadar önemli bir rol oynar
Çabalar, somut sorunlara ve insan ihtiyaçlarına odaklandığında en başarılı olur
- Teknoloji merkezli yaklaşımın tuzakları
- Toplumsal etki odaklı kuruluşlar çoğu zaman en yeni teknoloji trendlerini yakalamaya çalışır
- "Big data" ve AI araçları sanki her sorunu çözen sihirli çözümlermiş gibi görünse de, gerçekte somut sorunları çözmeye odaklanıldığında etkilidir
- Başarılı proje tasarımının anahtarı
- Belirli kullanıcıları ve sorunları tanımlayıp bunları çözebilecek ölçülebilir hedefler belirlemek
- İnsan merkezli tasarım araçlarını kullanarak insanların "ne istediğini" anlamak ve teknik olarak "mümkün olanın" ötesine geçen çözümler geliştirmek
- Somut örnekler
- Alg patlaması tespiti (CyFi)
- NASA ile iş birliği yaparak uydu görüntüleri üzerinden zararlı siyanobakteri kaynaklı alg patlamalarını tespit etme
- Su yöneticilerinin alg patlamalarının durumunu doğru değerlendirmesine ve kaynakları verimli biçimde tahsis etmesine destek olma
- Yaban hayatı tanımlama (Zamba)
- Max Planck Enstitüsü ile iş birliği içinde, kamera tuzağı verilerini kullanan otomatik hayvan tanımlama aracı geliştirme
- Araştırmacı geri bildirimlerini yansıtan Zamba Cloud ile UI iyileştirilerek kullanım kolaylığını artırma
- Alg patlaması tespiti (CyFi)
- Kullanıcı bakış açısının önemi
- Sorunun tanımlanması
- Kullanıcı görüşmeleri ve geri bildirim toplama yoluyla sorunu ve gereksinimleri net biçimde anlama
- Veri noktalarının arkasındaki insani bakış açısını yansıtma
- Çözümün sunulması
- Kullanıcıların çözümü etkili biçimde kullanabilmesi ve faydalarını anlayabilmesi için UI/UX testleri ve açık iletişim gereklidir
- Modelin güçlü yönleriyle sınırlamalarını sezgisel biçimde kavramalarını desteklemek ve kullanım yöntemlerini gerçek örneklerle açıklamak
- Sorunun tanımlanması
- Sonuç
- Veri bilimcisinin rolü, teknik yetkinlik ile toplumsal ihtiyaçlar arasında köprü kurmaktır
- En yeni teknolojiye saplanıp kalmak yerine, problem çözmeye ve somut sonuçlara odaklanan projeler en etkili olanlardır
Çözümler, makine ile insanın güçlü yanları birleştirildiğinde en etkili hale gelir
- AI konusundaki abartılı beklentilerin riski
- Veri bilimi modelleri ve AI her şeye kadir değildir; her modelin belli ölçüde sınırları vardır
- Sırf AI kullanmak başarıyı garanti etmez
- En iyi çözümler, makine ile insanın güçlü yanlarını birleştiren sistemlerden çıkar
- Zamba aracı örneği
- Zamba, yaban hayatı kamera tuzağı görüntülerinde hayvan bulunup bulunmadığını olasılıksal olarak tahmin eder
- Model zaman zaman hata yapabilir, ancak sunduğu olasılıklar sayesinde verimli inceleme stratejileri kurulabilir
- Örnek: Önce şempanze çıkma olasılığı yüksek videoları incelemek ya da boş video sayılması için bir olasılık eşiği belirlemek
- Sonuç olarak, tüm videoların %5'inden azını inceleyerek şempanze videolarının %85'ini tespit etmek mümkündür
- Makine-insan iş birliğinin sonuçları
- Meme kanseri için AI tarama örneği: Radyoloji uzmanları ile AI birlikte çalıştığında, her birinin tek başına ulaştığından daha yüksek doğruluk elde edildi
- AI'ın yorumlanabilirliği ve açıklanabilirliği vurgulanıyor: insanların AI sonuçlarını değerlendirebilmesi ve bağlama oturtabilmesi için bilgi sağlanmalı
- Örnek: Balina tanımlama yarışmasında modelin tek tek balinaları eşleştirmek için kullandığı özelliklerin görselleştirilmesi sağlandı
- Üretken AI'da benzer örüntü
- İnsan geri bildirimi, ChatGPT gibi faydalı araçların gelişimi için kritik önem taşır
- Geri bildirim verileri sayesinde model, giderek daha zor örnekleri öğrenebilecek şekilde iyileştirilebilir
- Hata maliyeti ve iyileştirme alanlarını değerlendirme
- Sistem tasarımını iyileştirmek için iki soru:
- "Mükemmel bir model olsaydı onu nasıl kullanırdınız?"
- "Bu model ara sıra hata yapsaydı buna nasıl karşılık verirdiniz?"
- Sistemin hata toleransı sınırlarını ve hangi noktalarda insan incelemesi gerektiğini belirlemek
- Sistem tasarımını iyileştirmek için iki soru:
- Kurumsal dersler
- 2021'de Hollanda hükümeti örneği: Uygunsuz bir algoritma nedeniyle 26.000 hane haksız yere sosyal yardım dolandırıcılığıyla suçlandı
- Uygun insan denetimi olmadan algoritmalara dayanmak yüksek toplumsal maliyet yaratır
- Buna karşılık, algoritmalar ile insanların güçlü yanları birleştirildiğinde verimlilik ve etki en üst düzeye çıkarılabilir
Çok disiplinli bakış açısı ve esneklik kuruluşlara yardımcı olur
- Farklı alanlara yayılan proje deneyimi
- Finansal kapsayıcılık, iklim eylemi, sağlık hizmetleri gibi çeşitli alanlarda çalışılırken çok disiplinli bakış açısının faydaları görüldü
- Belirli bağlamlarda ortaya çıkan makine öğrenimi örüntüleri başka alanlara da genişletilerek uygulanabilir
- Örnek: Kelp ormanlarını korumaya yönelik bilgisayarlı görü modeli ile rahim ağzı biyopsilerinde lezyon tespitine yönelik model arasındaki uygulama benzerlikleri
- Yaklaşım esnekliği
- Tarım zararlılarının erken tespiti ile özgeçmişlerden beceri çıkarımı gibi farklı sorunlar da named entity recognition (NER) temellidir
- Mevcut yaklaşımlardan edinilen ders ve deneyimler, başka problemlere daha düşük maliyetle uygulanabilir
- Somut örnek
- WhatsApp mesajlarında ürünleri, zararlıları, hastalıkları ve kimyasalları tanıyan doğal dil işleme yaklaşımı
- Küçük ölçekli çiftçilerin yeni eğilimleri fark etmesine ve bilim temelli tavsiyelerin iyileştirilmesine destek olma
- Uzmanlık ile kullanıcı bakış açısı arasında denge
- Alan uzmanlarıyla iş birliği yaparak soruna uygun bağlamın korunmasını sağlamak
- Veri bilimi sürecine kullanıcı bakış açısını dahil ederek uygun çözümler tasarlamak
- "Yapmaya değer işleri" belirlemek
- Yalnızca teknik uzmanlık yeterli değildir; empati, iletişim, merak ve esneklik de gerekir
- Makine öğreniminin değer katabileceği alanlar üzerine beyin fırtınası yaparken, bu yaklaşımın kimin için olduğu ve nasıl kullanılacağının derinlemesine anlaşılması gerekir
- Kuruluşların farklı ihtiyaçlarını karşılama
- Keşif araştırmasından prototiplemeye ve üretim aşamasına kadar kuruluşların ihtiyaçları farklıdır
- Candid, NASA gibi büyük veri sağlayıcı kuruluşlardan veri sistemini ilk kez kuran kuruluşlara kadar farklı ortaklarla çalışılır
- Teknolojinin uygunluğunu korurken zengin deneyimden gelen esnekliği ortaya çıkarmak önemlidir
Hâlâ zorlayıcı olan noktalar
Veri bilimi yinelemelidir ve sosyal sektörde R&D yatırımı yetersizdir
- R&D'nin doğası ve değeri
- Araştırma ve geliştirme bir öğrenme sürecidir; sermaye yatırımı, deney yapma, değerlendirme ve başarısızlık riskini göze alma isteği gerektirir
- Kesin yöntemler ve kısa vadeli yaklaşımlar, sosyal sektörde ihtiyaç duyulan sorun yelpazesini çözmekte yetersiz kalır
- Uzun vadeli yatırım ve doğrusal olmayan inovasyon, temel çıktıları üretir
- Sosyal sektörde R&D yatırımının eksikliği
- 2022 tarihli NSF araştırmasına göre, büyük kâr amacı gütmeyen kuruluşların %94'ü hiç R&D faaliyeti yürütmüyor
- Veri bilimi büyük ölçüde bir R&D faaliyeti olmasına rağmen, bu alana yapılan yatırım yetersizdir
- Veri biliminin yinelemeli niteliği
- Veri bilimi, en iyi sonuçları üretmek ve hizmet verimliliğini artırmak için yinelemeli öğrenme ve geri bildirim döngülerinden yararlanır
- Harvard veri bilimi programı ve CRISP-DM (veri madenciliği için standart süreç) gibi yinelemeyi vurgulayan çerçeveler kullanılır
- İnsan merkezli veri biliminin önemi
- Öğrenme süreci, etkili çözüm tasarımına odaklanır ve tekrarlanabilir inovasyon çerçeveleriyle birleşir
- İnsan merkezli tasarım, gerçek ihtiyaçlarla çözümler arasındaki bağı güçlendirir
- Özel sektörün R&D başarı örnekleri
- Özel şirketler, R&D süreçleri sayesinde veriden değer üretmenin önemini açıkça kavramıştır
- Son dönemdeki AI inovasyonları, sürekli R&D yatırımı olmadan mümkün olmazdı
- Sonuç
- Veri odaklı R&D projelerinin ilk sonuçları belirsiz olabilir, ancak veriden değer üretme sürecinin kendisi kanıtlanmış bir metodolojidir
- R&D'ye sürekli ve uzun vadeli yatırım yapmak, inovasyonu hızlandırmak ve sosyal sektörün zorluklarını çözmek için zorunludur
Veri bilimcilerini işe almak ve desteklemek zordur; tek başına çalışan veri bilimcilerinin memnuniyeti düşüktür
- Kurumsal açıdan zorluklar
- İşe alım
- Mevcut veri bilimcilerin olmadığı bir durumda uygun adayları belirlemek ve değerlendirmek zor
- "Veri bilimci" terimi, çok çeşitli beceri ve deneyimleri kapsadığı için belirsiz tanımlanıyor
- Yetenek çekme ve elde tutma
- Veri bilimcilere yönelik yüksek talep, rekabetçi bir işe alım pazarı yaratıyor
- Toplumsal sorunları çözme motivasyonunun yanı sıra ilgi çekici teknik işler, rekabetçi maaşlar ve mesleki gelişim fırsatları da sunulmalı
- Erken aşamadaki işe alımlarda bu unsurları sağlamak daha da zor
- Yönetim ve destek
- Veri bilimcilerin üretken kalabilmesi için problem kapsamının net tanımlanması, yönlendirme, altyapı ve veri sağlanması gerekiyor
- Teknik arka plan eksikliği, işin zorluk derecesini olduğundan az ya da fazla tahmin etmeyi kolaylaştırıyor
- İşe alım
- Geliştirici açısından zorluklar
- Öğrenme ve gelişim
- Veri bilimi hızla gelişen bir alan olduğu için ekip içinde öğrenme ve büyüme fırsatları önemli
- Kod incelemesi, model geri bildirimi ve iş yükü paylaşımının zor olduğu ortamlarda gelişim fırsatları sınırlı kalıyor
- Yönlendirme ve destek eksikliği
- İşlerini gerektiği gibi destek almadan yürütmek zorunda kalan veri bilimcilerin memnuniyeti ve üretkenliği düşüyor
- İşin keyfi
- Meslektaşlarla sorunları tartışıp çözme süreci iş tatminini artırıyor
- Bu ihtiyaç dış ağlar üzerinden de karşılanabilir, ancak kurum içi iş birliği daha verimli
- Öğrenme ve gelişim
- Değişim işaretleri
- Son dönemde toplumsal etki odaklı kuruluşlarda kendi veri ekiplerini kurma örnekleri artıyor
- DrivenData, ilk veri bilimcileri ve mühendisleri işe alma, oryantasyon ve iş geçişlerini destekleyen bir ortak olarak yer alıyor
- Dış veri bilimi uzman ekipleriyle iş birliği yaparak esnek kapasite sağlama yaklaşımı hem kuruluşlar hem de veri bilimciler için avantajlı
- Gelecek görünümü
- Bazı kuruluşlar veri ekipleri kurmada başarı göstermeye başlasa da veri bilimi becerilerine olan talep hâlâ yüksek
- Sıfırdan veri ekibi kurma zorluğunun sürmesi bekleniyor
Açık kaynak, geliştirici olmayanlar için yeterli çözüm üretmiyor
- Açık kaynağın sınırları
- Açık kaynak yazılımlar, geliştirici topluluğu çoğu zaman aynı zamanda kullanıcı topluluğu olduğu için genellikle etkili biçimde gelişir
- Katkıda bulunanlar, kendilerinin de kullanacağı araçları iyileştirmek için motive olur
- Ancak geliştirici olmayanlara ya da uzman olmayanlara yönelik araçlarda bu motivasyon aynı şekilde işlemiyor
- Uzman olmayan kullanıcılara yönelik araçların zorlukları
- Veri bilimi projelerinde geliştirici olmayanlar için yöntemler ve araçlar geliştirilmesi sık görülür
- Bunlar açık kaynak olarak yayımlansa bile, sürekli yatırım ve geliştirme olmazsa proje duraklayabilir veya sonlanabilir
- Gerçek anlamda başarılı bir çözüme dönüşebilmesi için prototip aşamasından sonra ek geliştirme ve gerçekçi pilot testler gerekiyor
- Somut örnek: Concept to Clinic
- 2017-18'de, radyologların CT taramalarını işlemesine yardımcı olmak için yapay zekadan yararlanan açık bir uygulama geliştirildi
- Katkıyı teşvik etmek için katkı sağlayanlara puan ve parasal ödül veren yapılandırılmış bir teşvik sistemi getirildi
- Bu yaklaşım olmasaydı projenin geliştirilmesi muhtemelen mümkün olmayacaktı
- Sürdürülebilir açık kaynak başarısı için gereklilikler
- Yalnızca açık kaynak olarak yayımlamak, uzun vadeli etkiyi garanti etmeye yetmiyor
- Prototipten son kullanıcıya yönelik bir çözüme ilerlemek için net bir yol haritası ve sürekli finansman desteği gerekiyor
- Kritik uygulamalar geliştirirken açık kaynak sadece yolculuğun bir parçası olmalı, nihai hedef olmamalı
Teknoloji abartısı (hype wave) gereğinden fazla ilgi görüyor
- Toplumsal sektör ve teknolojik yenilik
- Toplumsal sektör, son 10 yılda yeni teknolojik yenilik dalgalarıyla yakından bağlantılı oldu
- Kuruluşlar, sınırlı kaynaklar içinde verimliliği artırmak için yeni teknolojileri benimseme cazibesine kapılıyor
- En son teknoloji eğilimlerini takip etmezlerse geri kalacakları baskısıyla stratejilerini sık sık değiştiriyorlar
- Abartılan teknolojilerin benimsenmesindeki sorunlar
- Teknoloji abartısı içinden asıl yenilik unsurlarını ayıklamak zor
- Teknoloji benimseme çoğu zaman aşırı beklentilere ve yetersiz uygulamaya yol açıyor
- Örnekler:
- Blockchain: Yüksek beklentilere rağmen toplumsal sektöre sağladığı somut fayda sınırlı kaldı
- Mobil uygulamalar: Gerçekten gerekli olmadığı durumlarda bile "olmazsa olmaz" baskısıyla verimsiz maliyetler doğurdu
- Uzman teknoloji kuruluşlarının önemi
- Teknoloji abartısını etkili biçimde yönetebilen teknik uzman kuruluşlar en yüksek performansı gösteriyor
- DrivenData, teknik uzmanlığını kullanarak DataKind, DSSG Fellowship ve Delta Analytics gibi yapılarla iş birliği yapıyor
- Ancak bu uzman gruplar bile geçmiş teknoloji abartılarından çıkarılan dersleri sistematik biçimde biriktirmekte zorlanıyor
- Gerekli değişim: teknoloji abartısına karşı bir 'dalgakıran'
- Aşırı beklentilerden gerçek yeniliği ayıracak ve temel gelişmeleri belirleyecek kapasiteye ihtiyaç var
- En ileri teknolojileri anlayan ve aynı zamanda toplumsal sektöre derinlemesine hâkim olan teknik liderlik kritik önem taşıyor
- Böyle bir liderlik ve ekosistem bugün eksik; bunlar sayesinde sürdürülebilir ve olgun bir yaklaşım kurulmalı
- AI gibi yeni teknolojilere stratejik yaklaşım
- AI'ın potansiyeli çok büyük, ancak yalnızca heyecan değil dikkatli strateji ve derin uzmanlık gerektiriyor
- Veri temelli sağlam bir temel kurulmazsa teknoloji abartısı, tekrarlayan verimsiz döngülere yol açabilir
- Temel yatırımlar ve planlama olmadan toplumsal sektördeki teknolojik yeniliklerin gerçek sonuç üretmesi zor
Veri bilimi ve AI'ın etik etkileri büyük, ancak hızlı benimsenme bunu destekleyen araç ve uygulamaların önüne geçiyor
- Veri bilimi ve AI'ın yaygınlaşması ile etik öneminin artması
- Veri bilimi ve makine öğrenimi; sağlık hizmetleri, afet müdahalesi ve ceza yargıları gibi çeşitli alanlara entegre ediliyor
- Yanlış kullanımın doğuracağı riskler geçmişe göre çok daha büyük
- Etik değerlendirmelerin yetersiz kaldığı gerçeklik
- Veri bilimciler, modellerin ve pipeline'ların etik etkilerini anlama konusunda benzersiz bir bakış açısına sahip
- Ancak bu bakış açısı çoğu zaman veri bilimi projelerinin yaşam döngüsüne entegre edilmiyor
- Etik ödünleşimleri ele almak için açık kaynak kontrol listesi geliştirilmesi
- Etik ödünleşimlerin tartışılabilmesi için bunların veri bilimi iş akışına entegre edilmesi
- Başlıca ilkeler:
- Etik kararlar, belirli bir bağlamda en önemli ödünleşimlerin farkında olmalı ve sorumlu ilerlemeyi, zararı en aza indirmeyi hedeflemeli
- Veri toplama, depolama, analiz, modelleme ve dağıtım gibi projenin tüm aşamalarında etik sorunlar ortaya çıkar
- Etik tartışmalar, sıkışık takvimler ve talepler nedeniyle çoğu zaman öncelik sıralamasında geriye itilir
- Bunu önlemek için etik sorular iş akışının diğer yönlerine entegre edilmeli ve buna bilinçli olarak zaman ayrılmalı
- Algoritmik adalet ve önyargı azaltma
- Önyargılı verilerle eğitilen modeller eşitsizlikleri yeniden ürettiği için bunları tespit edip azaltmaya yönelik teknikler geliştiriliyor
- Örnek: Wellcome Trust ile iş birliği içinde, psikolojik stres tahmin modelinde adaleti gözeten bir önyargı azaltma örneği geliştirildi
- Nicel adalet ölçütleriyle önyargı analiz edilip azaltma yöntemleri sunuldu
- AI çağında etik değerlendirmelerin önemi
- AI hızla yayılırken şirketler maliyetleri düşürmek için sorumlu AI ekiplerini dağıtıyor
- Toplumsal sektörde yararlanıcılara karşı sorumluluk daha yüksek olduğu için etik başarısızlıkların bedeli daha ağır
- Etik uygulamalar güçlendirilmezse AI benimsenmesi daha büyük sorunlara yol açabilir
- Sonuç
- AI benimsenmesini destekleyen etik araçların ve uygulamaların oluşturulması her zamankinden daha önemli
- Teknolojinin sorumlu kullanımıyla toplumsal sektörde güven ve sürdürülebilirlik sağlanmalı
Geleceğe bakış
- Veri biliminin değişimi ve fırsatları
- Son 10 yılda veri bilimi, toplumsal alanda önemli dönüşümlere öncülük ederken aynı anda hem başarılar hem de zorluklar yaşadı
- Veri ve yapay zekanın potansiyeline dair farkındalık arttı, ancak hâlâ yanıt bekleyen büyük sorular var:
- Süregelen teknolojik ilerlemeleri en büyük toplumsal sorunlara somut biçimde nasıl uygulayabiliriz?
- Faydaların yalnızca az sayıdaki büyük şirkette yoğunlaşmamasını nasıl garanti edebiliriz?
- Doğa ve insanlık için sorumlu teknoloji kullanımını nasıl hayata geçirebiliriz?
- Deneyimden çıkarılan derslerin önemi
- Geçmiş deneyimlerden çıkarılan derslere dayanan çabalar en büyük sonuçları üretti
- DrivenData, veri ve yapay zekayı toplumsal fayda için kullanan iş ortakları, müşteriler ve geliştirici topluluğunun bir parçası olmaktan gurur duyuyor
- Benzer konularla ilgileniyorsanız veya ek fikirleriniz varsa, paylaşmanız memnuniyetle karşılanır
- Geleceğe yönelik beklenti
- Geçtiğimiz 10 yıl ne kadar parlak geçtiyse, önümüzdeki 10 yılın daha da büyük değişimler getirmesi bekleniyor
- Yapılacak çok iş, öğrenilecek de çok şey var
- Bu zorluklarla yüzleşirken yeni olasılıkları keşfedeceğimiz ve daha iyi bir toplumsal etki yaratacağımız bir gelecek bekleniyor
1 yorum
“Benim kuşağımın en iyi zekâları, insanlara reklamlara tıklatmak için kafa yoruyor… gerçekten sinir bozucu.”
Gerçekten düşününce öyleymiş.