Algoritma ve Kehanet Üzerine Yüksek Lisans Seviyesinde İnceleme
Algoritma ve Kehanet Üzerine Yüksek Lisans Seviyesinde İnceleme
Algoritma ve Kehanet: Bilimsel Tahminlerin Güncel Bağlamda İncelenmesi
Alessandro Vespignani’nin Algoritma ve Kehanet: Bilim Geleceği Nasıl Tahmin Ediyor ve Onu Değiştirmemize Nasıl Yardımcı Oluyor? adlı kitabı, modern çağda veri ve hesaplama gücünün öngörü bilimindeki rolünü kapsamlı biçimde ele alır. Yayınevinin tanıtımında belirtildiği gibi, “Artık dijital kâhinlerin kimler olduğunu ve nasıl çalıştıklarını bildiğimize göre, gelecek bir daha asla eskisi gibi olmayacak”. Bu vurucu ifade, kitabın temel vurgusunu özetler: geçmişte doğa işaretleriyle kehanet yapan falcılar yerine, günümüzde algoritmalar ve büyük veri yoluyla geleceği tahmin ediyoruz. Kitapta Vespignani, epidemiyoloji, ağ teorisi ve karmaşık sistem analizi aracılığıyla algoritmaların öngörü gücünü tartışır; pandemi, savaş, ekonomik kriz gibi büyük ölçekli olaylar için veri temelli senaryolar geliştirmenin önemini vurgular. Bu inceleme yazısında, Vespignani’nin öne çıkardığı temel kavramlar—öngörücü algoritmalar, epidemiyolojik modelleme, ağ bilimi, karmaşıklık bilimleri, veri ile senaryo analizi ve kriz öngörüleri—ele alınacak ve özellikle COVID-19 gibi halk sağlığı krizleri üzerinden somut örneklerle açıklanacaktır. Ayrıca eserin eleştirel yönleri olan bilimsel modellemenin etik boyutu, veri mülkiyeti ve algoritmik şeffaflık konuları da incelenecek; yapay zekâ ile bilgi sistemlerinin toplum üzerindeki etkilerine dair çıkarımlar tartışılacaktır.
Öngörücü Algoritmalar ve Tahmin Bilimi
Vespignani’ye göre, günümüzün yapay kâhinleri doğa işaretleri yerine sayısal verilerin matematiksel işaretleriyle kehanet yapmaktadır. İnsanların günlük harcamaları, mobil konum verileri, sosyal medya etkinlikleri gibi dijital ayak izleri bir havuzda toplanarak geleceğe dair simülasyonlar için kullanılır. Örneğin, tanıtım metninde aktarıldığı üzere, banka kartı harcamaları neyi satın aldığımızı, telefon GPS’imiz hareketlerimizi, sosyal medya algoritmaları ise eğlence zevklerimizi ve hatta siyasi tercihleri öğrenir; “sağladığımız bunca veri” geleceğin “bir simülasyonunu çıkarıp tahminlerde bulunmaya yarıyor”. Bu bağlamda, tahmin bilimi nesnel verilere dayanarak hem mikro (bireysel davranışlar) hem de makro (pandemiler, savaşlar, ekonomik çökmeler vb.) düzeyde öngörüler yapmaya odaklanır.
Bilimsel modellemeler, belirsizliklere rağmen epidemilerin boyutunu öngörebilmiş ve salgın tehlikeleri iletişiminde etkili olmuştur. Vespignani, karmaşık sosyo-teknik sistemlerde öngörü yapmanın sınırlamaları olduğunu kabul etmekle birlikte, “matematiksel ve bilgisayar temelli modellerin salgınların boyutunu başarıyla tahmin ettiği”ni vurgular. Aynı kaynakta belirtildiği gibi, modeller yalnızca gelecek hakkında tahminde bulunmakla kalmayıp, elverişsiz veri durumlarında bile “durumsal farkındalık” sağlar; müdahalelerin etkisini ayırdetmek için karşıt senaryolar (counterfactual) oluşturur. Dolayısıyla algoritmik tahmin, bir taraftan kısa vadede hava durumu veya trafik akışını öngörürken, diğer taraftan da uzun vadede salgınlar veya krizler için uyarı işlevi üstlenir.
Bununla birlikte, karmaşık sistemlerin tahmini her zaman kolay değildir. Fiziksel yasalarla çalışan deterministik sistemlerde bile, başlangıç koşullarındaki küçük belirsizlikler hızla büyüyerek öngörü sınırını kısıtlar. Lorenz’in kelebek etkisi ile gösterdiği gibi, hava durumu gibi dinamik sistemlerde uzun dönemli tahminler güçleşir. Bu bağlamda Vespignani de modellemenin iki ayrı döneme (barış zamanı ve savaş zamanı) ayrılması gerektiğini savunur: Acil bir salgın (savaş zamanı) sırasında veriler sınırlı ve hızla değişirken, önceki modellemeler sürekli güncellenmelidir. Öte yandan barış zamanında geliştirilen teorik modeller acil durum çalışmalarına zemin hazırlar.
Şekil: Basit SIR modelinde enfekte bireylerin (I/N) zaman içindeki oranı ve temel üreme sayısı (βN/γ) ilişkisi. Yatay eksende zaman, dikey eksende toplam nüfusa göre enfekte oranları görülmekte, farklı R₀ değerlerinde salgın tepkilerini göstermektedir (Kaynak: Wikimedia Commons)
Ağ Bilimi ve Epidemiyolojik Modelleme
Vespignani’nin çalışmalarında kilit bir rol oynayan ağ bilimi, geniş nüfuslarda etkileşim yapısını tanımlamak için kullanılır. İnsanlar ve eşyalar arasındaki bağlantılar bir ağ olarak modellendiğinde, bulaşıcı hastalıkların nasıl yayıldığı daha gerçekçi bir şekilde simüle edilebilir. Northeastern Üniversitesi Ağ Bilimleri Enstitüsü’nün kurucusu Vespignani’nin araştırmaları da “karmaşık sistemler ve ağlar ile epidemilerin veri odaklı hesaplamalı modellemesi”ni kapsar. Ağ biliminde ölçek-özgür (scale-free) yapılar öne çıkmaktadır; burada az sayıdaki “hub” düğüm çok sayıda bağlantıya sahiptir ve salgını hızla yayabilir. Örneğin rastgele bağlantı yerine tercihi ilişkilendirme (preferential attachment) ile oluşturulmuş bir ağda, yüksek dereceli (degree) düğümler kritik rol oynar. Bu bağlamda, modelleyiciler gerçek dünya ağlarını (ulaşım, sosyal, iletişim gibi) simüle ederek hastalık yayılımını inceler ve “süperspreading” olaylarını değerlendirir.
Epidemiyolojik modelleme sıklıkla SIR/SEIR gibi kompartment modeller ile yapılır. Bu modellerde nüfus, Susceptible-Infected-Recovered (Duyarlı-Enfekte-Korunmuş) gibi sınıflara ayrılır ve enfeksiyon dinamikleri diferansiyel denklemlerle tanımlanır. Şekil’de gösterildiği üzere, klasik bir SIR modelinde enfekte oranı zamana bağlı olarak yükselip azalır; temel üreme sayısı (R₀) arttıkça zirve daha yüksek ve erken görülür【36†】. Bu tür modeller, çeşitli senaryolarda salgının seyri hakkında öngörüler sunar. Ayrıca, bu modellerin yanına insan hareketliliği verileri, sosyal temas ağları ve demografik bilgiler entegre edilebilir; Vespignani’nin Ebola (2014) ve Zika modelleri gibi çalışmaları bu tarz daha zenginleştirilmiş modelleri içerir.
Karmaşık Sistemler ve Senaryo Analizleri
Kitapta karmaşık sistemlerin davranışı da ayrıntılı olarak ele alınır. Ekonomik kriz, sosyal dalga veya pandemi gibi büyük ölçekli olaylar, pek çok bağımsız bileşenin etkileşimi sonucu ortaya çıkan karmaşık sistemlerdir. Bu sistemleri öngörmeye yönelik modeller, genellikle büyük veri ve simülasyon teknikleri kullanır. Örneğin Vespignani, yalnızca salgın değil, “savaşlar, ekonomik ve siyasi çöküşler ve doğal afetler gibi daha büyük bir fenomene dair kehanette” bulunmayı hedefleyen bir bilimsel yaklaşım sunar. Bu çerçevede senaryo analizleri önem kazanır; modeller farklı varsayımlar altında nasıl sonuçlar ortaya koyabilir?
Halk sağlığında senaryo modellemesi son yıllarda yaygınlaşmıştır. CDC’ye göre senaryo modellemeleri, “farklı gelecek varsayımları altında olası sonuçlar aralığını inceleyerek” (örneğin yeni varyantlar veya aşılama oranları altında) politikalar için rehberlik eder. COVID-19 sürecinde kurulan Senaryo Modelleme Hub’ı gibi platformlar, çeşitli aşı ve varyant senaryolarını simüle ederek hastane yükünü tahmin etmiş ve aşılama stratejilerinin etkisini analiz etmiştir. Bu sayede karar alıcılar, “yeni varyant ya da artan aşı oranı” gibi kontrolümüz dışındaki faktörlere (veya aşılama kampanyası gibi kontrolümüz altındaki faktörlere) göre strateji belirleyebilmiştir.
Senaryo modellemesi aynı zamanda uzun vadeli planlamada kullanılır. Örneğin 2024-2025 solunum yolu virüsü sezonu için yapılan çalışmalar, hastane hazırlığı adına olası senaryolar sunar. Burada dinamik modeller, COVID-19 ve diğer solunum hastalıklarının beklenen yükünü hesaplamış, aşılama vs. gibi müdahalelerin hastane yatışlarını ne ölçüde önleyebileceğini ortaya koymuştur. Bu tür analizler, belirsizliği kuşatan geniş bir perspektif sunarak “ne olurdu-olması” senaryoları yardımıyla pandemilere müdahalenin etkilerini değerlendirmeye yardımcı olur.
COVID-19 ve Diğer Halk Sağlığı Örnekleri
Vespignani’nin kariyerindeki en çarpıcı örneklerden biri, Ebola virüsünün 2014’teki salgınını önceden tahmin etmesidir. İtalyan yayınevinin özetinde belirtildiği gibi, Ağustos 2014’te Vespignani ve ekibi süper bilgisayar, algoritmalar ve simülasyonlar yardımıyla virüsün yayılımını “aylar öncesinden” öngördü. Bu başarı, büyük veri ve hesaplamalı modellere duyulan güveni artırmıştır. Benzer şekilde COVID-19 sürecinde de Vespignani’nin modelleri uluslararası düzeyde etkili olmuştur.
Pandemi döneminde veri kaynakları çeşitlendi: mobil hareket verileri, sosyal medya paylaşımları, anlık test sonuçları gibi çok katmanlı veri setleri modellemeye dahil edildi. Bu sayede, otoritelere zamanında uyarılar verilmiş, yayılım hızı ve müdahale etkileri değerlendirilmiştir. Vespignani ve yakın çalışma arkadaşları, salgının erken döneminde politika müdahalelerinin etkinliğini analiz etmek için dinamik modeller kurdu; örneğin Çin’in şehir karantinalarının enfeksiyon yayılımını önemli oranda yavaşlattığını saptadılar. Öte yandan Amerika’da oluşturulan modeller, bölgelere göre seyahatin kısıtlanmasının ve çeşitli kısıtlamaların hastane yüküne etkisini incelemiştir.
COVID-19 dışında diğer halk sağlığı krizleri de incelenir. Örneğin grip salgınları, Zika virüsü yayılımı gibi salgınlarda benzer ağ temelli yaklaşımlar uygulanmıştır. Vespignani’nin kitaptaki perspektifi, kritik durumlarda modellerin “savaş zamanı” koşullarında hızla güncellenmesi gerektiğini öne çıkarır. Ayrıca hastalıklar dışında, benzer matematiksel modeller kötü niyetli olayları veya siber güvenlik tehditlerini simüle etmekte de kullanılabilir. Bu kapsamda, bilgi sistemlerindeki zafiyetler veya biyolojik kaynaklı saldırılar için de öngörücü analizler yapılabilir.
Bilimsel Modellemenin Etik Boyutu: Veri Mülkiyeti ve Algoritmik Şeffaflık
Algoritmalara dayalı tahmin sistemleri pek çok fırsat sunarken, beraberinde etik sorunları da getirir. Kitapta doğrudan ele alınıyor olmasa da, Vespignani’nin anlattığı modellerin güvenilirliği, veri kaynağı ve modelin işleyişine ilişkin şeffaflık gibi açılardan sorgulanabilir. Veri mülkiyeti ve gizlilik konusu özellikle pandemide öne çıkmıştır. COVID-19’da kullanılan verilere genellikle Google veya telekom şirketleri gibi özel aktörler sahip oldu; halka açık veri paylaşımı ise GDPR gibi düzenleyiciler yüzünden sınırlı kaldı. Avrupa’da ciddi şekilde korunan kişisel sağlık verileri, araştırmacıların veri erişimini zorlaştırdı. Bu durumda, “büyük veriler”in oluşturduğu ekosistemde yeni paydaşlar (teknoloji şirketleri, sosyal medya platformları vb.) ortaya çıktı ve bu aktörlerin çıkarları kamu sağlığı hedefleriyle çelişebiliyor. Örneğin bir mobil uygulamadan toplanan sağlık verisinin devlet tarafından erişilmesi bireylerde tedirginlik yaratabilir.
Bu riskler ışığında, algoritmik öngörü sistemlerinde şeffaflık ve hesap verebilirlik ihtiyacı vurgulanmaktadır. Literatürde belirtildiği üzere algoritmalar “değer yükü” taşır; eğitim verilerindeki ayrımcılığı yansıtabilir ve bazen adaletsiz sonuçlar üretebilir. Algoritmik kararların iç işleyişinin gizli kalması, yanlış sonuçların tespiti ve düzeltilmesini zorlaştırır. Bu nedenle şeffaflık, hataların sorumluluğunu netleştirme ve adaletin sağlanması bakımından değerlidir. Bilimsel modeller için bu, kullanılan parametrelerin, varsayımların ve veri kaynaklarının açıkça paylaşılması anlamına gelir. Örneğin bir salgın modelinde R₀ tahmininin veya müdahale etki varsayımlarının neden seçildiğinin açıklanması güven arttırır.
Bununla bağlantılı olarak yapay zekâ etiği de gündemdedir. Makine öğrenmesi tabanlı modeller genellikle “kara kutu” olarak görülür; algoritmanın detayları ticari sır veya teknik karmaşıklık sebebiyle saklanabilir. Bu durum hesaplama gücünü elinde tutan kuruluşların bilgiye tekelci erişimine yol açar. Öte yandan, kitaptaki amaca uygun olarak pandemileri önceden tahmin etmek gibi kolektif fayda hedeflerinde, kamunun bilgisini mümkün olduğunca açmak önem kazanır. Özetle, algoritmik tahmin araçlarının güvenilirliği hem teknik doğruluk hem de etik yönelimle ilgilidir.
Yapay Zekâ, Bilgi Sistemleri ve Toplum İlişkisi
Vespignani’nin eserinde dolaylı da olsa yer verdiği bir diğer husus, yapay zekâ ve büyük veri teknolojilerinin toplum üzerindeki etkileridir. Algoritmalar yalnızca hastalık yayılımını tahmin etmekle kalmaz; yatırım trendleri, sosyal davranış ve seçim sonuçları gibi toplumsal dinamikleri de analiz edebilir. Örneğin Scientific American’da vurgulandığı gibi, “Vespignani pandemilerin yayılımını, borsa trendlerini, kolektif sosyal dinamikleri ve seçim sonuçlarını tahmin etmek konusunda sosyal ağların gücüne dikkat çekiyor”. Bu, algoritmaların öngörülerinin politikaya ve ekonomiye doğrudan yön verebileceği anlamına gelir. Seçim kampanyalarında sosyal medya analizleri ile kamuoyu öngörülerinde bulunulabiliyor; finansal piyasalarda algoritmik ticaret tahminleri etkili olabiliyor.
Bu durum, toplumsal etkileşim üzerinde çift yönlü bir etkiye sahiptir. Bir yandan analiz edilen veriler toplumun gerçek taleplerini ve eğilimlerini yakalar. Öte yandan, algoritmaların sonuçları hatırlayan bireyler davranışlarını bu tahminlere göre ayarlayabilir (örneğin, pek çok insan iyimser bir salgın senaryosuna inandığında sosyal normları değiştirebilir). Ayrıca filtre baloncukları ve bilgi yapay zekâları aracılığıyla yönlendirme, kamusal algı üzerinde yanlılık yaratabilir. Vespignani’nin kitabı doğrudan bu sosyolojik boyutu ele almasa da, algoritmik tahminin eğitim, sağlık, ulaştırma gibi alanlarda yarattığı dönüşümlere işaret eder.
Sonuç olarak, insanlar ve bilgi sistemleri arasındaki etkileşim giderek derinleşmektedir. Dijital altyapılar aracılığıyla toplanan veriler, toplumun aynası haline gelirken; aynı teknolojiler politik kararları ve bireysel tercihlerimizi de şekillendirir. Vespignani’nin anlayışı, bu karşılıklı etkileşimin dikkate alınmasının önemini ima eder: sadece geleceği öngörmek değil, bu öngörüler ışığında toplumun daha dirençli ve sağduyulu politikalar geliştirmesidir.
Sonuç
Alessandro Vespignani’nin Algoritma ve Kehanet kitabı, öngörü bilimindeki veri yoğun paradigma değişimini kapsamlı biçimde sunar. Kitap, epistemolojik bir uyarı niteliği taşır: artık geleceğin sabit ve görünmez bir kader olmadığı; aksine verilerle beslenen modeller sayesinde “geleceği yeniden yazabileceğimiz” vurgulanır. Vespignani’nin anlatımı, bir yandan epidemiyolojiden ağ teorisine bilimsel kavramları pratik örneklerle açıklar; diğer yandan da bu teknolojilerin kritik sahalarda ne gibi fırsatlar ve riskler barındırdığını tartışır. COVID-19 gibi salgınlar üzerinden verdiği örnekler, algoritmik tahminin gerçek hayatta nasıl işe yarayacağını göstermektedir.
Bununla birlikte, kitabın yüksek lisans düzeyinde bir değerlendirmesinde eksik görülebilecek alanlar da vardır. Vespignani, modelleme yöntemlerini ve başarılarını aktarırken etik ve toplumsal boyutu daha geriden ele almıştır. Oysa veri mahremiyeti, model önyargısı ve şeffaflık gibi sorunlar bu çalışmanın devamı niteliğinde ayrıca derinleştirilmelidir. Teorik olarak, algoritmaların yasal ve ahlaki sınırları net bir şekilde tartışılmamış; bu konularda yapılan son çalışmalar ek bilgi sağlayacaktır. Ayrıca yapay zekânın toplumsal etkileri, karar süreçlerindeki rolü ve insanlar üzerindeki psikolojik yansımaları gibi geniş perspektifler kitapta daha sınırlı kalmıştır.
Özetle, Algoritma ve Kehanet, bilimsel modelleme ile kehanetin buluştuğu noktanın önemini gösteren zengin bir kaynaktır. Algoritmaların gücünü, ağ bilimini ve senaryo analizi yöntemlerini anlaşılır dille bir araya getirir. Kitabın ana fikri, “geleceğimizi öngörebilmekle kalmayıp, gerektiğinde değiştirme gücüne de sahip olduğumuz” yorumu etrafında şekillenir. Geleceğin belirsizliğini şeffaf modellerle azaltmak; aynı zamanda verinin sorumlu kullanımını sağlamak, kitabın okuyucuya bıraktığı en önemli miraslardandır. Böylece bilgi sistemleri ve toplum arasındaki karşılıklı etkileşimde, hem teknolojik hem de etik bir bilinçlenme teşvik edilmektedir.
Leave a Comment