İstatistikçiler için yapay zekâ: kodlama ve kalite kontrolü

İstatistikçinin işi, doğru sayıya güvenle ulaşmaktır. Yapay zekâ kodlama ve temizlik gibi yoğun işlerde zaman kazandırabilir, ama yöntemin hatasını ölçmek hâlâ sizin görevinizdir.

Aklınıza bir soru mu takıldı?

Sorunuzu ya da aradığınız konuyu yazın Ders bul

Bu derste neler öğreneceksiniz?

• Ulusal istatistik kurumlarının makine öğrenmesini gerçekte nerede kullandığını
• Kodlama ve sınıflama işinde yapay zekâyı nasıl kontrol edeceğinizi
• Yöntem notu ve veri sözlüğü taslağında asistandan nasıl yararlanacağınızı
• Mikro veriyi neden bir yapay zekâ servisine yüklememeniz gerektiğini

Meslekte gerçek kullanım

İngiltere Ulusal İstatistik Ofisi’ne bağlı Veri Bilimi Kampüsü’nün yazısı, ülkelerin resmî istatistik kurumlarının makine öğrenmesi alanındaki uluslararası iş birliğini anlatıyor. Yazıya göre grubun 2021’deki çalışmalarında en yaygın uygulama alanı “kodlama ve sınıflama” oldu. Meksika’nın istatistik kurumu INEGI, doğal dil işleme ile meslek ve ekonomik faaliyet tahmini üzerinde bir kalite çerçevesini denedi.

Yazı, 2021’de yürütülen 18 projede makine öğrenmesinin kodlama ve sınıflama ile düzeltme ve eksik değer tamamlama işlerinde katma değer gösterdiğini aktarıyor. Bir kurumun, başka bir kurumun makine öğrenmesi projesini kendi verisinde tekrarlamasının da yarar sağladığı not edilmiş.

Yazıda sayısal bir başarı oranı verilmiyor. Bu eksiklik de bir bilgidir: bir yöntemin “işe yaradığı” ile “şu hata payıyla işe yaradığı” aynı şey değildir.

Kalite ölçütleri sizin işinizdir

Aynı yazı kurumların kullandığı bir kalite çerçevesini sayıyor: açıklanabilirlik, doğruluk, tekrarlanabilirlik, zamanlılık ve maliyet etkinliği. Bu çerçeve, üretim sürecinin her aşamasında paydaşların önceliğinin farklı olduğunu hatırlatıyor.

Üretime geçmenin zor olduğu da açıkça yazılmış. Nitelikli eğitim verisi bulmak, modelin zamanla bozulmasını izlemek ve kullanıcı arayüzü geliştirmek hâlâ az araştırılan konular. Yazarlar gizlilik ve etik kaygıların artacağını da belirtiyor. Birleşik Krallık İstatistik Otoritesi’nin yayımladığı bir etik rehberi de sonuçlar arasında.

Bir asistan size “şu kodlar doğru” dediğinde, bu bir tahmindir. Kendi doğruluğunuzu ölçmek için elle kodlanmış bir örnek ayırın ve makine kodlamasını bu örnekle karşılaştırın.

Doğruluk tek ölçüt değildir. Hataların nerede toplandığına da bakın: belirli bir meslek grubunda ya da belirli bir bölgede hata artıyorsa, toplam doğruluk iyi görünse bile yayımlanan dağılım çarpılabilir. Bu yüzden hata tablosunu gruplara göre çıkarın ve yöntem notuna yazın.

Günlük işte üç kullanım

Birincisi, açık uçlu yanıtların ön sınıflandırması. Örneğin anket yanıtlarındaki meslek tanımlarını bir sınıflama sistemine eşleştirmek için taslak kural ya da örnek listesi yaptırabilirsiniz. Son kodlamayı örnek kontrolünden geçmeden kullanmayın.

İkincisi, yöntem notu ve veri sözlüğü. Değişken adlarınızı ve tanımlarınızı verip okunabilir bir sözlük taslağı isteyebilirsiniz. Tanımların doğruluğunu veri sahibi birimle karşılaştırın.

Üçüncüsü, kod yardımı: R ya da Python ile temizlik, ağırlıklandırma kontrolü ve grafik betikleri. Çalıştırmadan önce okuyun; örnek bir veride çıktıyı elle kontrol edin.

Mikro veri ve gizlilik

Hane halkı, işyeri ya da kişi düzeyindeki mikro veri; gizlilik kurallarına bağlıdır. Bu tür veriyi açık bir yapay zekâ servisine yüklemeyin. Gerekirse değişken adları ve uydurma örnek satırlarla çalışın. Kişisel Verileri Koruma Kurumu’nun üretken yapay zekâ rehberinin duyurusu kvkk.gov.tr adresinde. Bu bilgi genel bilgidir, hukuki tavsiye değildir; kurumunuzun gizlilik ve yayın kuralları ayrıca geçerlidir.

Yayımlanan istatistiğe giren sayıyı, yöntem sürümünü ve revizyon kararını yapay zekâ vermez. Bu kararlar, kurumdaki sorumlu istatistikçinin imzası altındadır.

Adım adım uygulama

1. Kurumunuzun yapay zekâ ve veri gizliliği kurallarını öğrenin; mikro veriyi araca vermeyin.
2. Kodlanacak metinleri (örneğin meslek tanımı) ya da yapıyı uydurma örneklerle anlatın.
3. Asistandan kural taslağı ya da betik isteyin; her çıktıyı kendi sınıflama kılavuzunuzla karşılaştırın.
4. Elle kodlanmış bir örnek ayırıp makine kodlamasının doğruluğunu ölçün.
5. Doğruluk, hata türleri ve sınırları yöntem notuna yazın.
6. Hangi adımda yapay zekâ kullandığınızı kurum içi kayıtta belirtin.

Kontrol listesi

• Mikro veri araca yüklenmedi
• Elle kodlanmış örnekle doğruluk ölçüldü
• Hata türleri ve sınırlar yöntem notunda yazıldı
• Asistanın yazdığı kod örnek veride sınandı
• Kullanım kurum içi kayıtta belirtildi

Sık yapılan hatalar

• Makine kodlamasını örnekle ölçmeden kullanmak.
• Mikro veriyi ya da kişiye ait yanıtları açık bir servise yüklemek.
• Bir kurumda işe yarayan yöntemin kendi veride de aynı başarıyı vereceğini sanmak.
• Modelin zamanla bozulabileceğini unutup kodlamayı bir kez kurup bırakmak.

Kendinizi deneyin

Kaynaklar

• ONS Veri Bilimi Kampüsü: Uluslararası iş birliği resmî istatistikte makine öğrenmesini nasıl ilerletiyor (İngilizce)
• KVKK: Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi (15 Soruda) duyuru sayfası (Türkçe)

Son kontrol: 8 Kasım 2026

Kaynak: yzdersleri.com/ders/istatistikciler-icin-yapay-zeka-kodlama-ve-kalite-kontrolu/ · Yapay Zeka Dersleri