Yapay Zeka Ürünleştirmede Veri Yerelliği Bir Gereksinimdir

AI ürün ekipleri veri hatları, veri gölleri ve veri hazırlığı hakkında sık konuşur. Bunlar gereklidir; ancak daha derin bir sorunu gizleyebilir: veri tarafsız girdi değildir. Yanni Alexander Loukissas’ın “All Data Are Local” kitabı, her veri setinin yerel pratikler, altyapılar, sınıflandırmalar ve tarihçeler tarafından şekillendiğini hatırlatır. AI ürünleştirme için bu felsefi bir ayrıntı değil, sistem gereksinimidir.

Kitaptaki örnek Metropolitan Museum of Art’ın American Wing koleksiyon verilerine odaklanır. Kayıtlar yapılandırılmış nesne verisi gibi görünür; fakat küratörlerin iş akışları için üretilmiştir. Galeri konumu gibi alanlar temizlik, fotoğraflama, sergileme ve güvenlik gibi iç ihtiyaçları destekler. Eski etiket metinleri, siyah-beyaz görseller, boşluklar ve kurum içi kategoriler sahne arkasında anlamlıdır; ziyaretçi arayüzü için otomatik olarak uygun değildir.

Kurumsal AI projelerinde aynı sorun sürekli görülür. Bir operasyonel amaçla üretilen veri başka bir analitik ya da AI amacı için yeniden kullanılır. CRM verisi müşteri kaybı modeline, ERP verisi talep tahminine, ticket verisi destek otomasyonuna, sensör logları kestirimci bakıma dönüşür. Her durumda verinin yerel bağlamı ürün ekibi fark etse de etmese de beraberinde gelir.

Ürün açısından veri yerelliği gereksinimleri, model tasarımını, değerlendirmeyi ve kullanıcı deneyimini etkiler. İlk olarak veri kökeni anlaşılmalıdır: veriyi kim üretti, hangi iş akışı oluşturdu, hangi alanlar zorunlu ya da pazarlığa açık, hangi kategoriler gerçeği değil kurum içi kolaylığı yansıtıyor?

İkinci olarak model tasarımı yerel yanlılık ve eksikliği dikkate almalıdır. Eksik değerler rastgele olmayabilir; etiketler tarihsel süreçleri yansıtabilir; kategoriler kurumsal varsayımları kodlayabilir. Bunları anlamayan model iş gerçekliği yerine sistemin izlerini optimize eder.

Üçüncü olarak değerlendirme alan kullanıcılarını içermelidir. Müze örneğinde güvenlik görevlileri ziyaretçi hareketi ve yön bulma hakkında küratörlerden farklı pratik bilgiye sahiptir. Kurumsal AI’da da ön saftaki çalışanlar verinin nasıl kullanıldığını merkez ekiplerden daha iyi anlayabilir.

Dördüncü olarak arayüzler veriyi bağlamlar arasında çevirmelidir. AI çıktısı bir veri bilimci için anlamlı olabilir; fakat satış temsilcisi, fabrika operatörü, uyum görevlisi ya da müşteri için farklı bir dile ihtiyaç duyar.

OzyCore açısından pratik öneri, her AI ürününe veri yerelliği değerlendirmesi eklemektir: soy haritası, paydaş görüşmeleri, iş akışı gözlemi, alan tanımları, bilinen boşluklar, bakım sorumlulukları ve bağlama özgü değerlendirme kriterleri. Veri tek başına konuşmaz; onu üreten yerin aksanıyla konuşur.