Yapay zekâ ile veri analizi: Tablolar, grafikler ve tuzaklar

Bir tabloyu yapay zekâ aracına yükleyip “bu verilerden ne çıkıyor?” diye sormak, birkaç yıl önce bir analist ekibinin günlerini alacak işleri dakikalara indirebiliyor. Satış verilerinizden eğilim çıkarmak, anket sonuçlarını özetlemek, bir grafiği hazırlamak ya da tablo programında yazamadığınız formülü bulmak artık sohbet ederek yapılabiliyor. Ama veri analizi, yapay zekânın hem en çok işe yaradığı hem de en sinsi hatalarını yaptığı alanlardan biri. Çünkü yanlış bir cümleyi fark etmek kolaydır, yanlış bir ortalamayı fark etmek değil.

Bu yazıda yapay zekâyı veri işlerinde nasıl verimli kullanacağınızı ve hangi tuzaklara düşmemeniz gerektiğini somut örneklerle ele alıyoruz.

Yapay zekânın veri işinde gerçekten iyi olduğu yerler

Formül ve sorgu yazmak

Tablo programlarında sık kullanılan arama, koşullu toplama veya metin ayıklama formüllerini ezbere bilmek zorunda değilsiniz. Ne istediğinizi anlatmanız yeterli:

Reklam

“A sütununda tarihler, B sütununda şube adları, C sütununda satış tutarları var. Her şubenin yalnızca 2. çeyrekteki toplam satışını hesaplayan bir formül yaz ve nasıl çalıştığını açıkla.”

Aynı şey veritabanı sorguları ve kısa analiz betikleri için de geçerlidir. Yazılımcı olmayan biri bile, modelin açıklamasıyla birlikte, ne yaptığını anladığı bir sorgu elde edebilir.

Veriyi keşfetmek

Elinize yeni bir tablo geçtiğinde ilk iş verinin ne olduğunu anlamaktır. Kaç satır var, hangi sütunlarda boşluklar var, değerler hangi aralıkta, tuhaf görünen kayıtlar neler? Kod çalıştırabilen yapay zekâ araçları bu ilk keşfi çok hızlı yapar ve size nereden başlamanız gerektiğini gösterir.

Grafik önermek ve hazırlamak

Hangi verinin hangi grafikle gösterileceği konusunda kararsız kaldığınızda model iyi bir danışmandır. Kod çalıştırabilen araçlar grafiği doğrudan çizebilir, çalıştıramayanlar ise grafiği oluşturacak kodu veya tablo programında izlenecek adımları verir.

Sonuçları sade dille anlatmak

Analiz bittikten sonra bulguları teknik olmayan bir yöneticiye anlatmak ayrı bir beceridir. Modelden bulguları belirli bir okuyucuya göre özetlemesini istemek, sunum hazırlığını kısaltır.

Birinci kural: Hesabı kafadan değil, kodla yaptırın

Dil modelleri metin üretmek üzere tasarlanmıştır, sayıları bir hesap makinesi gibi işlemek üzere değil. Bir tabloyu sohbet penceresine yapıştırıp “bunların ortalaması nedir?” diye sorduğunuzda, model cevabı hesaplamak yerine tahmin edebilir. Küçük tablolarda çoğu zaman doğru çıkar; satır sayısı arttıkça yanılma ihtimali artar ve hata tamamen makul görünen bir sayı olarak gelir.

Bu yüzden iki yol vardır:

  • Kullandığınız araç kod çalıştırabiliyorsa, analizi kod yazarak yapmasını açıkça isteyin ve yazdığı kodu görüntüleyin.
  • Araç kod çalıştıramıyorsa, ondan sonuç değil yöntem isteyin: formülü, sorguyu veya betiği alın, kendi bilgisayarınızda çalıştırın.

Kod üzerinden yapılan analizin büyük avantajı şeffaflıktır. Hangi sütunun kullanıldığını, hangi satırların dışarıda bırakıldığını, hangi işlemin yapıldığını görebilir ve kontrol edebilirsiniz.

Tuzaklar: Doğru görünen yanlış analizler

Kirli veri

Gerçek hayattaki tablolar nadiren temizdir. Aynı şube bir yerde “İzmir”, bir yerde “izmir”, başka bir yerde “İzmir Şube” diye yazılmıştır. Bazı tutarlar sayı yerine metin olarak kaydedilmiştir. Tarihler farklı biçimlerdedir; “03.04” birinin gözünde 3 Nisan, başkasının gözünde 4 Mart’tır. Ondalık ayırıcı da ayrı bir dert: Türkçe ayarlarda virgül, İngilizce ayarlarda nokta kullanılır ve dosya bir sistemden diğerine geçerken sayılar bozulabilir.

Model bu sorunları her zaman kendiliğinden fark etmez ve fark etse bile sessizce bir varsayımla düzeltebilir. Analizden önce şunu isteyin: “Analize başlamadan önce veride gördüğün tutarsızlıkları, eksik değerleri ve biçim sorunlarını listele. Hiçbirini kendiliğinden düzeltme, önce bana sor.”

Eksik değerlerin sessizce yok sayılması

Boş hücreler analizde ya atlanır ya da sıfır olarak kabul edilir. İkisi çok farklı sonuçlar doğurur. Bir anket sorusunu cevaplamayanları “sıfır puan verdi” diye saymak ortalamayı yapay olarak düşürür. Modelin eksik değerleri nasıl ele aldığını mutlaka sorun.

Ortalamanın yanıltıcılığı

Ortalama, verideki uç değerlerden çok etkilenir. On kişilik bir ekipte dokuz kişinin maaşı birbirine yakın, birinin maaşı çok yüksekse, ortalama maaş ekibin büyük çoğunluğunu temsil etmez. Bu tür verilerde medyan (ortanca değer) genellikle daha anlamlıdır. Modelden “ortalama” istemek yerine “dağılımı özetle: ortalama, medyan, en küçük ve en büyük değer” demek daha sağlıklı bir resim verir.

İlişkiyi neden sanmak

İki değişkenin birlikte artıp azalması, birinin diğerine yol açtığını göstermez. Yaz aylarında hem dondurma satışları hem de boğulma vakaları artar; sebep dondurma değil, sıcak havadır. Yapay zekâ bir korelasyon bulduğunda bunu bazen fazla kesin bir dille, neden-sonuç ilişkisi gibi sunabilir. “Reklam harcaması arttıkça satışlar arttı” cümlesi doğru olabilir; “reklam satışları artırdı” cümlesi ise ayrı bir kanıt gerektirir.

Gruplar karışınca tersine dönen sonuçlar

Bazen her alt grupta görülen eğilim, gruplar birleştirildiğinde tersine döner. İstatistikte Simpson paradoksu olarak bilinen bu durum, örneğin iki şubenin karşılaştırılmasında ortaya çıkabilir: Her ürün kategorisinde A şubesi daha başarılıyken, toplamda B şubesi önde görünebilir, çünkü B daha çok satılan kategoride yoğunlaşmıştır. Toplam rakamlara dayalı bir yorumu kabul etmeden önce modelden kırılımları da göstermesini isteyin.

Az veriden büyük sonuç

Yirmi kişilik bir anketten “müşterilerimizin çoğunluğu yeni özelliği istiyor” sonucunu çıkarmak, istatistiksel olarak güçsüzdür. Model örneklemin küçüklüğünü her zaman vurgulamaz. Sonuçları sunmadan önce “bu sonuç kaç kayda dayanıyor ve ne kadar güvenilir?” sorusunu sorun.

Grafik seçimi: Hangi soru, hangi grafik?

Soru Uygun grafik Dikkat
Zaman içinde nasıl değişti? Çizgi grafik Zaman aralıkları eşit olmalı
Kategoriler arasında karşılaştırma Çubuk grafik Dikey eksen sıfırdan başlamalı
Bütünün parçaları Yığılmış çubuk veya az dilimli pasta Çok fazla dilimli pasta okunmaz
İki değişken arasındaki ilişki Dağılım (serpme) grafiği İlişki, neden-sonuç anlamına gelmez
Değerlerin nasıl dağıldığı Histogram veya kutu grafiği Aralık genişliği sonucu etkiler

Grafiklerde en sık görülen yanıltma, çubuk grafiklerde dikey eksenin sıfırdan başlamamasıdır. Yüzde 2’lik bir fark, eksen 95’ten başladığında iki kat büyüklükte bir fark gibi görünür. Yapay zekânın hazırladığı grafiklerde eksen aralıklarını, birimleri ve başlıkları kontrol edin.

Uygulamalı örnek: Aylık satış tablosu

Elinizde şube, ürün, tarih ve tutar sütunlarından oluşan bir yıllık satış tablosu olduğunu düşünelim. Sağlıklı bir çalışma akışı şöyle olabilir:

  1. Keşif: “Bu tablonun yapısını özetle: sütunlar, satır sayısı, eksik değerler, tuhaf görünen kayıtlar.”
  2. Temizlik kararı: Modelin bulduğu sorunlar için siz karar verin. Yazım farklılıkları birleştirilsin mi, eksik tutarlı satırlar çıkarılsın mı?
  3. Soru: Belirsiz bir “analiz et” yerine net bir soru sorun: “Hangi şubelerin satışı ikinci yarıda ilk yarıya göre düştü? Kodla hesapla ve kodu göster.”
  4. Kırılım: “Bu düşüşü ürün kategorilerine göre ayır.”
  5. Görselleştirme: “Şube bazında ilk ve ikinci yarıyı karşılaştıran bir çubuk grafik çiz, eksen sıfırdan başlasın.”
  6. Kontrol: Birkaç sonucu tablo programında kendiniz hesaplayıp karşılaştırın.
  7. Yorum: Yorumu en sona bırakın ve neden-sonuç iddialarını ayrıca sorgulayın.

Unutulmaması gereken: Veri kimin?

Bir tabloyu bulut tabanlı bir yapay zekâ aracına yüklediğinizde, o veri aracı sağlayan şirketin sunucularına gider. Müşteri listeleri, kişisel bilgiler veya ticari sır niteliğindeki veriler için bu ciddi bir karardır. Gerekirse kimlik bilgilerini çıkarın, isimleri kodlarla değiştirin veya şirketinizin onayladığı araçları kullanın. Sonuçta analizin değeri, verinin güvenliğinden daha önemli değildir.

Yapay zekâ veri analizinde size bir analist yardımcısı kazandırır. Ama iyi bir yardımcıyla çalışırken bile soruyu soran, varsayımları onaylayan ve sonucu imzalayan siz olursunuz.

“Yapay zekâ ile veri analizi: Tablolar, grafikler ve tuzaklar” haberi, Etesio Teknoloji’nin yapay zekâsı Safinaz tarafından Türkçeleştirilip yayına alınmıştır.

Reklam
Enver KOÇAK

Enver KOÇAK

Gaziantep merkezli yazılım mühendisi, yapay zekâ ve siber güvenlik uzmanı; Etesio Teknoloji'nin kurucusu ve enverkocak.com'un yayıncısı. Yapay zekâ modellerini, araçlarını ve sektördeki gelişmeleri günlük olarak takip ediyor; haberleri kaynaklarıyla birlikte Türkçe olarak derliyor. Fatih Sultan Mehmet Vakıf Üniversitesi Sürekli Eğitim Merkezi (FSMSEM) – 560 saatlik Gazetecilik Eğitimi (Ağustos–Aralık 2024) sertifikasına sahiptir.

İlgili Haberler

Yapay zekâ işleri elimizden alacak mı? Daha dengeli bir bakış

Ne her işin yok olacağı kıyamet senaryosu ne de hiçbir şeyin değişmeyeceği rahatlığı gerçeği anlatıyor. Yapay zekânın işler üzerindeki etkisine meslek değil görev düzeyinde, daha sakin bir bakış.

Devamını oku

Küçük işletmeler için yapay zekâ ile otomasyona başlangıç

Küçük işletmelerde tekrar eden işlerin bir kısmı yapay zekâ destekli otomasyona devredilebilir. Doğru işi seçmekten araç seçimine ve bir aylık başlangıç planına kadar adım adım rehber.

Devamını oku