Yapay zekâ artık yalnız teknoloji şirketlerinin kullandığı bir araç olmaktan çıkmıştır. Sağlık, eğitim, finans, sanayi ve kamu yönetimi gibi birçok alanda karar verme süreçlerinin önemli bir parçası olmaya başlamıştır. Ancak yapay zekânın başarısını yalnız algoritmalar değil, onları besleyen veriler belirler. Bu nedenle yetkin uzmanlar, "Yapay zekâ çağında en değerli kaynak veri değil, kaliteli veridir." görüşünü dile getirmektedir.
Bilgisayar bilimlerinde uzun yıllardır kullanılan "Çöp girerse çöp çıkar" ilkesi, bu gerçeği en yalın biçimde ifade eder. Sisteme hatalı, eksik veya tutarsız veri girildiğinde, en gelişmiş yapay zekâ modeli bile güvenilir sonuçlar üretemez. Başka bir ifadeyle, yapay zekâ yalnızca beslendiği veri kadar başarılı olabilir.
Uluslararası kuruluşlar da bu konuya dikkat çekiyor. OECD Yapay Zekâ İlkeleri, Dünya Sağlık Örgütü'nün (WHO) Sağlıkta Yapay Zekâ Etiği Rehberi, ABD Ulusal Standartlar ve Teknoloji Enstitüsü'nün (NIST) YZ Risk Yönetimi Çerçevesi ve Avrupa Birliği Yapay Zekâ Tüzüğü (AI Act), güvenilir yapay zekânın temelinde kaliteli ve iyi yönetilen verilerin bulunduğunu vurguluyor.
Peki kaliteli veri ne demektir? Çoğu kişi kaliteli veriyi yalnızca doğru veri olarak düşünür. Oysa DAMA-DMBOK Veri Yönetimi Bilgi Alanları ve ISO 8000 Veri Kalitesi Standartları, veri kalitesini çok daha geniş bir çerçevede ele alır. Buna göre kaliteli veri; doğru, eksiksiz, tutarlı, güncel, geçerli, tekrar içermeyen ve gerektiğinde erişilebilir veridir. Bu özelliklerden birinin eksikliği yapay zekânın üreteceği sonuçları olumsuz etkileyebilir.
Sağlık hizmetleri bunun en iyi örneklerinden birisidir. Bir laboratuvar sonucunun yalnızca doğru olması yeterli değildir; doğru hastaya ait olması, doğru ölçü birimiyle kaydedilmesi, standart kodlarla tanımlanması ve farklı bilgi sistemleri tarafından aynı şekilde yorumlanabilmesi gerekir. Aksi durumda yapay zekâ yanlış risk değerlendirmeleri yapabilir ve hasta güvenliği tehlikeye girebilir.
Bugün birçok kurum, yapay zekâ projelerine başlamadan önce verilerini temizlemek, eksiklikleri gidermek ve standartlaştırmak için önemli kaynak ayırmaktadır. Çünkü yapay zekâ, düzensiz ve düşük kaliteli veriler üzerinde beklenen başarıyı gösteremez. Bu nedenle veri kalitesi, yalnızca bilgi işlem birimlerinin değil; veriyi üreten, kaydeden ve kullanan tüm çalışanların ortak sorumluluğudur.
Kaliteli verinin sürdürülebilirliği ise veri yönetişimine bağlıdır. Veri yönetişimi; verinin nasıl üretileceğini, doğrulanacağını, saklanacağını ve kalite açısından nasıl izleneceğini belirleyen kurumsal kurallar bütünüdür. Sağlık alanında LOINC, SNOMED CT, ICD ve HL7 FHIR gibi uluslararası standartların yaygınlaşmasının temel nedeni de budur. Standartlaştırılmış veriler yalnız farklı sistemlerin birlikte çalışmasını sağlamaz; aynı zamanda yapay zekânın daha doğru ve güvenilir öğrenmesine de olanak tanır.
Son yıllarda birçok kurum doğrudan yapay zekâ yatırımlarına yönelmektedir. Oysa uluslararası olgunluk modelleri önce veri olgunluğunun geliştirilmesini önerir. Veri yönetimi yeterince güçlü olmayan kurumlarda yapay zekâdan beklenen faydayı sağlamak oldukça güçtür. Bu nedenle "Önce yapay zekâ mı, önce veri mi?" sorusunun yanıtı açıktır: Önce güvenilir ve kaliteli veri.
Sonuç olarak yapay zekâyı gerçekten akıllı yapan yalnız algoritmalar değildir; doğru, güvenilir ve kaliteli verilerdir. Algoritmalar zaman içinde değişebilir, modeller geliştirilebilir. Ancak kaliteli veri olmadan güvenilir yapay zekâ üretmek mümkün değildir. Dijital dönüşüm yolculuğunda kurumlara rekabet avantajı sağlayacak olan, en fazla veriye sahip olmaları değil; en güvenilir ve en kaliteli veriyi üretebilmeleridir
---------------
Prof. Dr. Diler Aslan, Tıbbi Biyokimya, laboratuvar ve laboratuvar verileri yönetimi alanında uzun yıllar araştırmalar, uygulamalı akademik çalışmalar ve kurumsal boyutta çeşitli yöneticilikler yürütmüştür. “ANKUZEM E-eğitimci 2013”, “ADLM Tıbbi Laboratuvarlarda Veri Bilimi Eğitimi 2026”, “UKAS ISO 42001 AI Management Systems Farkındalık Eğitimi 2025” sertifikalarına hak kazanmıştır. Dijital sağlık, veri yönetimi ve kalite sistemleri konularında danışmanlık ve eğitim faaliyetlerine devam etmektedir. Sağlıkta veri kalitesi ve verilerin doğru kullanımı üzerine çalışmalarını sürdürmektedir.