Bulutlardaki Yüzden Büyük Verideki Hayalete: Zihin Bize Ne Zaman Oyun Oynar?

Bulutlardaki Yüzden Büyük Verideki Hayalete: Zihin Bize Ne Zaman Oyun Oynar?

Bir buluta bakıp sakallı bir bilge, prizde şaşkın bir surat, tost ekmeğinde kutsal bir siluet gördüğünüz olduysa tebrikler: beyniniz çalışıyor. Hatta fazla çalışıyor. İnsan zihni, kaosun ortasında düzen arayan bir avcıdır. Ormanda yaprak hışırtısını rüzgâr sanan atamız huzur içinde yürüyebilirdi; kaplan sanan atamız ise belki biraz paranoyaktı ama hayatta kalma ihtimali daha yüksekti. Evrim, bize gerçeği olduğu gibi değil, işe yaradığı kadar görmeyi öğretti.

Örüntü tanıma, zekânın temel kaslarından biridir. Dil öğrenirken, yüzleri ayırt ederken, müziğin ritmini yakalarken, bilimsel hipotez kurarken bu kası kullanırız. Fakat her kas gibi bu da aşırı çalışınca sakatlanır. İşte apophenia, yani ilgisiz şeyler arasında anlamlı bağlar görme eğilimi, zihnin bu sakatlanmış dansıdır. Rastgele noktalardan kader haritası, tesadüflerden gizli mesaj, gürültüden kehanet üretiriz.

Bir Test Pozitifse Gerçekten Hasta mısınız? Bayes’in Şaşırtıcı Cevabı

Bir hastalık testinizin pozitif çıktığını düşünün. Testin doğruluk oranı yüzde 99. Büyük olasılıkla hasta olduğunuzu varsayarsınız, değil mi? Tam burada zihnimiz küçük ama önemli bir tuzağa düşer. Çünkü testin ne kadar güvenilir olduğunu bilmek yetmez; hastalığın toplumda ne kadar yaygın olduğunu da hesaba katmak gerekir. Bayes teoremi, yeni bir kanıtla karşılaştığımızda mevcut inançlarımızı nasıl güncellememiz gerektiğini gösteren matematiksel bir pusuladır.

Formülün söylediği basit şey

Bayes teoremi genellikle şöyle yazılır: P(A|B) = P(B|A) × P(A) / P(B). Semboller ürkütücü görünse de fikir oldukça sadedir. A, merak ettiğimiz durumu; B ise gözlemlediğimiz kanıtı temsil eder. P(A), kanıtı görmeden önce A hakkındaki tahminimizdir ve “önsel olasılık” diye adlandırılır. P(A|B) ise B kanıtını gördükten sonra ulaştığımız “sonsal olasılık”tır. Kısacası Bayes, eski tahmin ile yeni bilgiyi mantıklı biçimde birleştirir.

Veri Çoğalınca Zekâ Neden Körleşir?

Makine öğrenmesinde sık yapılan sezgisel hata şudur: Daha fazla değişken, daha fazla bilgi demektir; daha fazla bilgi de daha iyi tahmin. Kulağa mantıklı gelir. Hatta bir dedektif gibi düşünürsek, olay yerindeki her iz kıymetlidir. Fakat yüksek boyutlu veri dünyasında dedektifin cebine o kadar çok ipucu doldururuz ki, sonunda fail değil, cebin ağırlığı bulunur. İşte boyutluluk laneti tam olarak burada başlar: Değişken sayısı arttıkça problem zenginleşmez, çoğu zaman seyrekleşir, bulanıklaşır ve öğrenilmesi zorlaşır.

Boyut arttıkça uzay şişer

Bir veri noktasını iki değişkenle düşünmek kolaydır: x ve y ekseninde bir nokta. Üç boyutta hâlâ zihnimiz idare eder. Peki ya 100 boyut? 1000 boyut? Burada mesele sadece görselleştirme zorluğu değildir. Asıl sorun, uzayın hacminin patlayıcı biçimde büyümesidir. Bir odaya 10 sandalye koyarsanız dolu görünür. Aynı 10 sandalyeyi bir stadyuma koyarsanız neredeyse boşlukta kaybolurlar. Veri noktaları da yüksek boyutlarda böyle kaybolur: Elinizde çok örnek var sanırsınız ama uzay o kadar büyümüştür ki her nokta yalnız başına kalır.

Planların Sonu mu? Makineler Geleceği Tahmin Etmeden Nasıl Kazanıyor?

İnsan zihni planlara âşıktır. Sabah ne yapacağını, rakibinin nasıl davranacağını, yatırımın nereye gideceğini ve hayatın beş yıl sonra hangi biçimi alacağını bilmek ister. Bir nedenin belirli bir sonuç doğuracağına inanmak güven verir. Ne var ki dünya, hazırladığımız senaryoları okumadan sahneye çıkan doğaçlama bir oyuncudur. Olasılıksal sistemlerin yükselişi tam da bu noktada sessiz bir devrim yaratıyor: Geleceği tek bir hikâye olarak tahmin etmek yerine, mümkün gelecekleri ağırlıklarıyla birlikte değerlendiriyor.

Deterministik düşünme, kabaca şu mantıkla çalışır: Eğer A gerçekleşirse B olur; ardından C gelir ve hedefe ulaşılır. Satranç oyuncusu on hamlelik bir varyant kurar, yönetici yıllık plan hazırlar, öğrenci sınavda çıkacağına inandığı konulara yoğunlaşır. Fakat rakip beklenmedik bir hamle yaptığında, piyasa yön değiştirdiğinde veya sınav soruları şaşırttığında planın görkemli mimarisi iskambil kâğıtları gibi çöker. Sorun plan yapmak değildir; plana, gerçekliğin kendisinden daha fazla inanmak tehlikelidir.

Veri madenciliği

Basit bir tanım yapmak gerekir ise veri madenciliği, büyük ölçekli veriler arasından bilgiye ulaşma, bilgiyi madenleme işidir. Ya da bir anlamda büyük veri yığınları içerisinden gelecek ile ilgili tahminde bulunabilmemizi sağlayabilecek bağıntıların bilgisayar programı kullanarak aranmasıdır. Veri madenciliği deyimi yanlış kullanılan bir deyim olabileceğinden buna eş değer başka kullanımlar da literatüre geçmiştir. Veritabanlarında bilgi madenciliği (knowledge mining from databases), Bilgi çıkarımı(knowledge extraction), data/pattern anaysis (veri ve örüntü analizi), veri arkeolojisi gibi.

Bunların arasındaki en popüler kullanım Veritabanlarında Bilgi Keşfi (VBK – Knowledge Discovery From Databases – KDD) ‘dir. Alternatif olarak veri madenciliği aslında bilgi keşfi sürecinin bir parçası şeklinde kabul görmektedir. Bu adımlar: