AI Kodlama Ajanları Döneminde Veri Bilimcileri İçin Eksik Olan 5 Kritik Beceri

AI Kodlama Ajanları Döneminde Veri Bilimcileri İçin Eksik Olan 5 Kritik Beceri

Geçtiğimiz yıl, bir Silicon Valley startup’ı, veri bilimcilerinin %68’inin AI kodlama ajanlarıyla ürettiği kodu doğrudan üretim ortamına gönderdiğini açıkladı. Bu veri, yalnızca teknik becerilerin yeterli olmadığını, hatta bazen en tehlikeli yanılsama olduğunu gösteriyor. Artık bir veri bilimcisi, Python kodu yazmakla kalmıyor; bir şahsiyet, bir stratejist ve bir sorgulayıcı olmak zorunda. Ancak üniversitelerin ve çevrimiçi kursların çoğunda, bu insanlık boyutu eksik. İşte AI kodlama ajanlarının yükselişiyle birlikte, eğitim sistemlerinin tamamen gözden kaçırdığı 5 kritik alan.

1. Veri İçindeki İnsan: Etik ve Sosyal Bağlamı Anlamak

AI ajanları, veri setlerini analiz ederken örüntüleri çok daha hızlı bulur. Ama bir veri setindeki ‘kayıp’ verilerin neden kaybolduğunu, ya da bir hata nedeniyle bir topluluğun sistematik olarak dışlanıp dışlanmadığını anlamaz. Karthik S, Art of Data Science’da yazdığı makalede, şahsen şahit olduğu bir durumu anlatıyor: Bir sağlık veri analizi projesinde, bir AI ajanı, düşük gelirli bölgelerdeki hasta oranlarını ‘veri eksikliği’ olarak sınıflandırmıştı. Gerçekten de veri yoktu — ama neden? Hastaneler yoktu, ulaşım yoktu, kayıtlar elektronik değildi. AI, nedeni anlamadı. Veri bilimcisi ise, bu boşluğu ‘veri eksikliği’ olarak değil, ‘kamu hizmeti eksikliği’ olarak tanımlamalıydı. Bu, teknik bir problem değil, bir sosyal sorunun tanınmasıdır. Akademik programlarda bu tür ‘veri etiği’ dersleri genellikle seçmeli ve yüzeysel kalır. Gerçek hayatta ise, bu beceri kararların yaşam ya da ölüm olduğunu belirler.

2. Soru Sorma Sanatı: AI’ya Sormak Yerine, Gerçek Problemi Bulmak

AI kodlama ajanları, ‘bir veri setiyle ne yapabilirim?’ sorusuna cevap verir. Ama gerçek veri bilimcisi, ‘neden bu soru soruluyor?’ sorusunu sorar. Örneğin, bir banka, AI’ya ‘hangi müşteriler kredi almayacak?’ diye soruyor. AI, %94 doğrulukla tahmin edebilir. Ama gerçek problem: ‘Neden bu müşteriler kredi almak istemiyor?’ olabilir. Belki banka, küçük işletmeler için anlaşılır bir süreç sunmuyor. Belki müşteriler, geçmişte yaşanan haksızlıklar nedeniyle güven kaybı yaşıyor. Bu soruları sormak, bir köprü kurmak demektir: teknoloji ile insan arasında. Karthik S, bu süreci şahsi bir analogiyle açıklıyor: ‘AI, satrançta hamleleri hesaplar. Ama sen, rakibin neden bu hamleyi yaptığını anlarsın. Sen, oyunun ruhunu anlarsın.’ Bu ruh, ders kitaplarında yazılmaz.

3. Kaynaklar Arasında Yol Bulmak: Veri Kaynaklarının Gerçek Tarihini Takip Etmek

Oklaoma ve Tennessee devlet sitelerindeki ‘Kayıp Kişiler’ veri tabanları, birer metafor olarak işe yarar. Çünkü veri biliminde de ‘kayıp veriler’ vardır — ve çoğu zaman, neden kaybolduklarını kimse sormaz. Bir veri seti, ‘2023 verisi’ diye etiketlenmiş olabilir, ama aslında 2021’de toplanmış, 2022’de temizlenmiş, 2023’te sadece raporlama için yeniden etiketlenmiş olabilir. Bu tür ‘veri tarihi’ni takip etmek, bir polis arama ekibinin kayıp birinin son görülme yerini, zamanını, çevresini incelemesi gibi. Bu beceri, veri bilimcilerinin ‘veri sahibi’ olmalarını gerektirir. Ama çoğu eğitim programı, veri setlerini hazır, temiz, etiketlenmiş olarak sunar. Gerçek dünyada, veri bir çöp kutusunda, bir dosya sisteminde, bir Excel tablosunda, bir kağıt formunda saklıdır. Onu bulmak, onu anlamak, onu canlandırmak — bu, teknik değil, arkeoloji gibi bir iş.

4. Hata Yapma ve Onarımda Yaratıcılık

AI ajanları, hata yapmaz. Ya da yaparsa, hata mesajı verir. Ama insan veri bilimcisi, hataları ‘kayıp’ olarak değil, ‘veri’ olarak görür. Bir modelin yanlış tahmin ettiği bir durum, aslında yeni bir kuralın varlığını gösterir. Örneğin, bir sağlık uygulaması, bazı kullanıcıların günlük yürüyüş verilerini ‘sahte’ olarak işaretliyor. Neden? Çünkü kullanıcılar, yürüyüşlerini bisikletle yapmış. AI, ‘yürüyüş’ tanımını fiziksel hareket olarak sınırlamış. Ama insan, bu hata üzerinden ‘yürüyüş’ kavramını genişletebilir: ‘hareketli yaşam tarzı’ olarak. Bu tür yaratıcı hata yorumlaması, eğitimde ‘kodun doğru çalışması’ odaklı bir kültürde ezilir. Ama gerçek ilerleme, hataların içinde saklıdır.

5. Sıfırdan Yaratmak: AI’ya Söylemekten Ziyade, Soruyu Kendi Oluşturmak

En büyük tehlike, veri bilimcilerinin AI’ya ‘soruları’ sormakla yetinmesidir. Ama AI, soru sormaz. AI, cevaplar üretir. Gerçek bir veri bilimcisi, soruyu tanımlar. Bu, bir şahsen bir köprü inşa etmek gibi. Karthik S, bu süreci bridge oyununa benzetir: ‘Bridge’de, her kartın değeri değil, o kartın ne zaman oynanacağı önemlidir. Aynı şekilde, bir veri setindeki her değişkenin değeri değil, hangi bağlamda, hangi sırayla, hangi soruyla analiz edileceği kritiktir. Bu yetenek, hiçbir AI ajanı kazanamaz. Çünkü bu, bir insana özgüdür: duygu, deneyim, sezgi ve sorumlulukla beslenir.

Sonuç: Eğitim, Teknolojiye Uymak Zorunda Değil — İnsanı Geliştirmeli

AI kodlama ajanları, veri bilimini kolaylaştırmıştır. Ama bu kolaylık, bir kandırmaca olabilir. Çünkü temel soruları, insanın cevaplaması gerekir. Eğitim sistemleri, kod yazmayı değil, düşünmeyi öğretmeli. Kayıp verileri değil, kayıp anlamları aramalı. Hataları değil, hataların ardındaki hikâyeleri. Veri bilimi artık sadece bir meslek değil, bir felsefe haline geldi. Ve bu felsefenin, akademik derslerdeki ‘Python 101’ derslerinde değil, gerçek dünyada, etik tartışmalarda, sosyal sorunlarda ve insan ilişkilerinde yaşandığını anlamak, geleceğin en büyük görevi.