VERİ BİLİMİNE GİRİŞ - BIAS (YANLILIK)

Bias konusuna geçmeden önce kısaca "Veri Bilimi ve Veri Bilimci nedir?" Bundan bahsetmek istiyorum. Zira Bias'ı anlamak için veriyi ve onu işleyenleri tanımak gerekir.

• Veri Bilimi : Veriyi kullanışlı hale getirme bilimi,
• Veri Bilimci : Bunu icra eden profesyonelliğe denir. Kısaca bu şekilde tanımlamak mümkündür.

Veri Bilimci'yi 3 ana başlık altında incelersek ;

1. Verilere farklı patternler bulan Veri Analisti,
2. Bulunan patternlerin testini gerçekleştiren İstatikçi,
3. Ve bu modelleri üreten Makine Öğrenmesi Mühendisi.

Ve bu takımın bir lideri, Karar Vericisi olmalı.

Veri Analisti + İstatikçi + Makine Öğrenmesi Mühendisi + Karar Verici , aslında veri grubunda ne kadar fazla kişi, görüş, düşünce olursa işlenen veri o kadar sağlıklı olur. Şimdi gelin Yapay Zekada Bias (Yanlılık / Taraflılık) başlığına göz atalım.

• Oluşturulan modeller onları oluşturan insanlar kadar objektiflerdir. Model onları oluşturanların izlerini daima taşır. Eğer bu kişi bir işe alım aplikasyonunu kendi yanlısı olduğu şeye göre yaparsa örneğin ; başvuru esnasında erkek adayaların cv'sini ön plana çıkarmak gibi. Veya hastane randevu sistemi sunan bir aplikasyon düşünelim burada siyahi insanlara daha az randevu oluşturulduğuna şahit olursak anlamalıyız ki bu modellemede bir yanlılık söz konusu.
• Oluşturulan veri setinde eğer tek düzey insanlar mevcutsa bu veri toplamada kimse kimsenin hatasını görmez ve biaslı bir şekilde veri toplanmış olur. Bunun önüne geçmek için yapılması gereken şey Çeşitliliktir.
• Veriyi işleyecek grubu çeşitlendirirsek, farklı perspektifler ve farklı düşünce yapısına sahip insanlar ile yanlılık sorununu aza indirmiş oluruz ve Bias'lı aplikasonların, anketlerin ve bir çok modellemelerin daha sağlıklı şekilde tasarlanmasına olanak sağlamış oluruz..