Yapay Zekâ Analizi Yapıyorsa Araştırmacı Ne Yapacak?

Yapay zekâ artık bir veri setini inceleyebiliyor, analiz yöntemini seçebiliyor, model kurabiliyor, onlarca deney gerçekleştirebiliyor ve sonunda bulgularını açıklayan bir rapor hazırlayabiliyor.

O halde rahatsız edici ama kaçınılmaz bir soru ortaya çıkıyor:

Bütün bunları yapay zekâ yapabiliyorsa araştırmacıya neden hâlâ ihtiyacımız var?

Cevap, araştırmacının ortadan kalkmasından çok rolünün değişmesinde yatıyor.

Geleceğin araştırmacısının temel işi her analizi kendi elleriyle yapmak olmayabilir. Asıl değer; doğru soruyu tanımlamak, araştırmanın sınırlarını belirlemek, yapay zekânın hangi kanıtları üretmesi gerektiğini tarif etmek ve ortaya çıkan sonucun gerçekten güvenilir olup olmadığını sorgulamak olacak.

Başka bir ifadeyle araştırmacının işi analiz üretmekten, giderek daha fazla analitik muhakemeyi yönetmeye kayıyor.

Çok iyi görünen bir sonuç tamamen yanlış olabilir

Bunu anlamanın en iyi yolu oldukça çarpıcı bir deney.

Bir dolandırıcılık tespit çalışmasında yapay zekâya yalnızca bir veri seti verilerek dolandırıcılık yapan işlemleri belirleyecek bir model oluşturması istendi.

Ortaya çıkan sonuç etkileyiciydi:

F1 skoru: 0,87

ROC AUC: 0,99

İlk bakışta oldukça başarılı bir model.

Ama bir sorun vardı.

Model değerlendirilirken geçmiş ve gelecek işlemler rastgele karıştırılmıştı. Üstelik modele, gerçek kullanım sırasında sahip olamayacağı ve dolandırıcılık sonucuyla ilişkili bilgi taşıyan bir değişken de verilmişti.

Yani model aslında geleceği tahmin etmekte sandığımız kadar başarılı değildi.

Sadece sınav sırasında cevap anahtarının bir kısmını görüyordu.

Araştırmanın gerçek kullanım koşulları tanımlanıp veri sızıntısı kaldırıldığında sonuç dramatik biçimde değişti:

F1: 0,70

Genel recall: 0,61

Kritik gruptaki recall: 0,21

Aynı veri.

Benzer modelleme kabiliyeti.

Ama tamamen farklı bir gerçeklik.

Sorun yapay zekânın analiz yapamaması değildi.

Sorun, ona hangi problemi çözmesi gerektiğinin yeterince iyi tanımlanmamış olmasıydı.

Araştırmanın yeni iki anahtar kelimesi

Yapay zekâ destekli araştırma dünyasında iki kavram giderek daha önemli hale geliyor:

Specification

Tam olarak hangi soruyu cevaplamaya çalışıyoruz?

Araştırmanın amacı nedir?

Sonuç hangi karar için kullanılacak?

Hangi veri kullanılabilir?

Hangi varsayımlar kabul edilebilir?

Başarıyı nasıl ölçeceğiz?

Ve belki de en önemlisi:

Hangi durumda “bilmiyoruz” dememiz gerekiyor?

Verification

İkinci aşama ise doğrulama.

Yapay zekâ bir sonuç ürettiğinde araştırmacının sorusu artık yalnızca:

“Sonuç nedir?”

olmamalı.

Asıl soru şu olmalı:

“Elimizdeki kanıt gerçekten bu sonucu destekliyor mu?”

Bu ayrım küçük görünebilir fakat araştırmacının gelecekteki rolünü neredeyse tamamen değiştiriyor.

Yapay zekâ araştırmayı devralmıyor, araştırmanın çalışma biçimini değiştiriyor

Bir araştırmacının bugün yaptığı işlerin önemli bir bölümü otomatikleştirilebilir.

Veri temizleme.

Keşifsel analiz.

Model karşılaştırma.

Hipotez üretme.

Segmentasyon.

Görselleştirme.

Kod yazma.

Rapor taslağı oluşturma.

Hatta yüzlerce alternatif analitik yaklaşımı deneme.

Bunların giderek daha büyük bölümü yapay zekâ tarafından gerçekleştirilebilir.

Örneğin kaynak çalışmadaki başka bir deneyde yapay zekâ, ekip uyurken 41 farklı model deneyi gerçekleştirdi.

Bunların yedisini başarılı bularak korudu.

Sonuçta doğrulama kaybı yaklaşık %70 azalırken, dolandırıcılık tespitindeki F1 değeri yaklaşık 0,72'den 0,82'ye yükseldi.

Bir insan araştırmacının aynı gece boyunca 41 model deneyip sabah işe hiçbir şey olmamış gibi devam etmesi pek makul değil.

Makinenin avantajı burada açık.

Ama önemli ayrıntı başka yerde:

Hangi değişikliklerin yapılabileceğini, hangi değerlendirme kriterinin sabit kalacağını ve neyin başarı sayılacağını insanlar önceden belirlemişti.

Yapay zekâ arama yaptı.

İnsan araştırma alanını tanımladı.

Peki araştırmacının işi ne olacak?

Araştırmacının değeri artık yalnızca kullandığı araçlara hâkim olmasıyla ölçülmeyebilir.

Daha önemli beceriler öne çıkıyor:

Doğru problemi tanımlamak.

Bir iş sorusuyla araştırılabilir bir soru arasındaki farkı görebilmek.

Bağlam sağlamak.

Verinin ne anlama geldiğini, nasıl üretildiğini ve hangi koşullarda kullanılabileceğini bilmek.

Varsayımları sorgulamak.

İstatistiksel olarak güçlü görünen bir ilişkinin gerçek dünyada anlamlı olup olmadığını değerlendirmek.

Kanıtı sorgulamak.

Bir bulgunun yalnızca ikna edici görünmesiyle gerçekten desteklenmesi arasındaki farkı görmek.

Belirsizliği kabul etmek.

Verinin cevap veremediği bir soruya yapay zekâyı zorlayarak cevap ürettirmemek.

Ve son olarak:

Kararın sorumluluğunu üstlenmek.

Çünkü bir model sonuç üretebilir.

Ama o sonucun organizasyon, müşteri veya toplum açısından ne anlama geldiği hâlâ teknik bir optimizasyon probleminden daha fazlasıdır.

Pazar araştırması açısından daha da önemli

Bu dönüşüm yalnızca veri bilimcileri ilgilendirmiyor.

Pazar araştırmasında da benzer bir değişim kaçınılmaz.

Bir yapay zekâ yüz binlerce açık uçlu yanıtı saniyeler içinde sınıflandırabilir.

Segmentler oluşturabilir.

Anket sonuçlarını analiz edebilir.

Farklı tüketici gruplarını karşılaştırabilir.

İlişkileri keşfedebilir.

Rapor hazırlayabilir.

Hatta veride araştırmacının başlangıçta düşünmediği örüntüler bulabilir.

Fakat hâlâ şu soruları kendi başına güvenilir biçimde çözmesi gerekir:

Doğru insanlara mı sorduk?

Soruyu doğru şekilde mi sorduk?

Ölçtüğümüz şey gerçekten ölçmek istediğimiz kavram mı?

Gördüğümüz ilişki anlamlı mı, yoksa verinin tesadüfi bir özelliği mi?

Örneklem bu sonucu genelleştirmeye izin veriyor mu?

Alternatif açıklamalar var mı?

Ve belki en önemlisi:

Bu veriden gerçekten bu sonucu çıkarabilir miyiz?

İşte araştırmacının değeri giderek burada yoğunlaşacak.

“Analiz yapan” araştırmacıdan “analizi yöneten” araştırmacıya

Bugünün araştırmacısı çoğu zaman sürecin içinde çalışıyor.

Veriyi temizliyor.

Tablolar hazırlıyor.

Analiz gerçekleştiriyor.

Grafikleri oluşturuyor.

Rapor yazıyor.

Geleceğin araştırmacısı ise giderek sürecin üzerinde çalışacak.

Araştırma problemini tanımlayacak.

Yapay zekânın hareket alanını belirleyecek.

Alternatif analiz yolları oluşturacak.

Sonuçları bağımsız olarak sınayacak.

Hatalardan öğrenilenleri sonraki araştırmalara aktaracak.

Bu aslında araştırmacının öneminin azalması anlamına gelmeyebilir.

Tam tersine.

Araştırmacının mekanik işlerinin değeri azalırken muhakemesinin değeri artabilir.

Asıl rekabet analiz hızında olmayacak

Yapay zekâyla yarışarak daha hızlı tablo üretmeye çalışmak muhtemelen kaybedilmiş bir yarış.

Aynı şey kod yazmak, yüzlerce model denemek veya binlerce açık uçlu yanıtı sınıflandırmak için de geçerli.

Makine bunları giderek daha hızlı yapacak.

Araştırmacının avantajı başka yerde olacak:

Hangi sorunun sorulmaya değer olduğunu bilmekte.

Hangi sonuca güvenilmemesi gerektiğini fark etmekte.

Verinin söylemediği şeyi söylememekte.

Ve bir araştırmanın sonunda yalnızca bir cevap değil, savunulabilir bir cevap üretebilmekte.

Belki de yapay zekâ çağında iyi araştırmacıyı tanımlayacak soru artık:

“Analizi yapabilir misin?”

değil.

Şu olacak:

“Bu analize neden güvenmemiz gerektiğini gösterebilir misin?”

Araştırmacının geleceği tam da bu sorunun içinde olabilir.

Kısa Özet

Yapay zekâ veri analizi, modelleme ve deney süreçlerinin giderek daha büyük bölümünü üstlenebiliyor. Ancak yüksek performans gösteren bir model bile yanlış araştırma tasarımı veya veri sızıntısı nedeniyle yanıltıcı sonuçlar verebiliyor.

Bu nedenle araştırmacının rolü analiz üretmekten çok problemi doğru tanımlamak, yapay zekânın araştırma sınırlarını belirlemek ve ortaya çıkan kanıtı bağımsız biçimde doğrulamak yönünde değişiyor.

Geleceğin kritik araştırma becerisi yalnızca analiz yapmak değil, hangi analize neden güvenilebileceğini anlayabilmek olabilir.