Küresel ekonomide veri üretimi yükseldikçe bu konuya ilişkin birçok trend, tartışma alanı da ortaya çıkıyor.
HPE Türkiye, Kazakistan, Kırgızistan, Doğu-Güney Avrupa, Hazar ve Orta Asya Bölgesi Genel Müdürü Güngör Kaymak konuya ilişkin değerlendirmesinde “Geleceğimize dair en önemli sorulardan birini, bu doyumsuz veri talebini mahremiyet, özgürlük ve egemenlik gibi değerlerle nasıl bağdaştıracağımız oluşturuyor” ifadelerini kullandı.
Kaymak veri ekonomisindeki son gelişmeleri, trendleri şöyle analiz etti:
“Massachusetts Teknoloji Enstitüsü Profesörü Alex Pentland veri ekonomisinin mevcut durumunun geçmiş sanayi devrimlerinde yaşananları tekrarladığını iddia ediyor.
Pentland’a göre üretim araçları birkaç şirketin elinde toplanıyor ve çoğunluk üretilen varlıktan adil bir pay alabilmek için bir araya geliyor.
Pentland, böyle bir birlikteliğin günümüze en uygun biçimini ‘veri kooperatifi’ şeklinde tanımlıyor. Buna göre bireyler ve kurumlar, tepedeki büyük monopollere karşı bir güç oluşturmak için kendi haklarını savunan heyetlerin denetimine tabi olacak şekilde verilerini paylaşıyor.
Bu fikir hâlihazırda bir dizi paydaş tarafından destekleniyor. Örneğin güvene dayalı model, Avrupa Veri Yönetişimi Yasası’nda (European Data Governance Act) merkezi bir rol oynuyor.
Ayrıca Uluslararası Veri Alanları Birliği (International Data Spaces Association) ve Gaia-X gibi kuruluşlar, şirketlerin merkezi bir platform kullanmak zorunda kalmadan verilerini paylaşabilecekleri ortamlar için standartlar geliştiriyor.
Veri kolektifleri organizasyonu
Kredi kooperatifleri, bu tür birliklerin başarılı olabileceğinin bir göstergesi olarak görünüyor. Ancak veriler için böyle bir model oluşturmak çok daha zor. Para özelinde bu işi yapmak kolay, çünkü para yaygın ve standartları belli bir ortam sunuyor. Veri ise spesifik, karmaşık ve heterojen bir yapıya sahip.
Bu durum, yalnızca verilerin güvenilir bir şekilde paylaşılmasına izin verecek yeni teknik standartların geliştirilmesini gerektirmekle kalmıyor.
Böyle bir kooperatifin hangi verinin kimlerle ve hangi amaçlarla paylaşılacağını tanımlayan, karmaşık bir kurallar dizisi üzerinde anlaşmaya varması lazım.
Üyelerin çıkarları birbirinden ne kadar farklı olursa, bu süreç o kadar uzun ve karmaşık oluyor.
Yine de veri alışverişi gerektirmese de veriye dair en yüksek verimi sağlayacak alternatif bir iş birliği biçimi sunabilen, sürü (swarm) modeline dayalı bir teknik mevcut.
Sürü halinde öğrenen yapay zekâ
Sürüler merkezi bir koordinasyona ihtiyaç duymadan, basit prosedürler eşliğinde çalışıyor. Bununla birlikte hiyerarşik organizasyonlar kadar, hatta onlardan daha etkili olabiliyor.
Sürü ilkesi hayvanlar dünyasında aşina olunan bir durumdu, yazılım geliştirme veya wikilerin oluşturulması gibi insana özgü alanlarda da başarılı olduğu görüldü.
Bu yaklaşım son zamanlarda veri bilimi ve yapay zekâ (AI) alanında da uygulanıyor. Sistem şöyle çalışıyor: Bir grup kuruluş, belirli bir görev için bir yapay zekâ modelini ortaklaşa eğitmeye karar veriyor. İlk olarak her bir kuruluş bunu kendilerine sunulan verilerle yapıyor. Daha sonra verinin kendisi değil, verilerden öğrenilenler bir araya getiriliyor. Bu geliştirilmiş model grubun tüm üyeleri tarafından kullanılabiliyor.
Örneğin, doktorlar ve sağlık profesyonelleri, hastalıkları X-ray görüntüleri, kan değerleri veya genom dizilerine dayalı olarak teşhis etmek için yapay zekâyı kullanıyor. Ancak bireysel enstitülerin çoğu kabul edilebilecek seviyede bir yapay zekâyı eğitmek için yeterli hasta verisine sahip değil. Veri korumaya dair kurallar nedeniyle bu tür verileri diğer enstitülerle paylaşmak ise genellikle zor veya imkânsız.
Buna benzer sorunlar sürü öğrenimiyle çözülebiliyor. Üstelik bu yolla eğitilen yapay zekâ örneklerinin merkezi yapay zekâ eğitimine kıyasla daha iyi sonuçlar elde ettiği de kanıtlanmış durumda.
Veride blokzincir
Sürü öğrenmede sadece öğrenme değil, aynı zamanda öğrenilenlerin bir araya getirilmesi de merkezi olmayan bir şekilde gerçekleşiyor. Bu görevi üstlenmek üzere her eğitim turunda blok zinciri ve akıllı sözleşmeler tarafından yeni bir grup üyesi seçiliyor. Bu demokratik prosedür, gücün belli bir kesimin elinde toplanmasını önlüyor.
Bu nedenle sürü öğrenimi yalnızca mevcut düzenlemeler nedeniyle verilerin paylaşılamadığı durumlar için değil, rekabet nedeniyle şirketlerin veri alışverişi yapmak istemediği durumlar için de uygun.
Sürü öğrenme ayrıca veri kümelerinin çok büyük olduğu, bu sebeple düzenli aktarımın çok maliyetli veya yavaş olacağı durumlarda da avantaj sağlıyor.
Sürü öğrenimi, veri bilimi ve dijital egemenliğin hedefleri bir arada gerçekleştirilebilir mi sorusuna kuşkusuz bir şekilde olumlu cevap veriyor.
Tabii tüm veri uygulamaları yapay zekâ uygulamaları olacak diye bir kural yok. Çoğu durumda amaç yalnızca yakındaki araçlara buzlanma uyarısı göndermek gibi doğru zamanda doğru yere bilgi aktarma meselesinden ibaret. Bu tür kullanım durumları genellikle şirketler arasında veri alışverişini gerektiriyor, bu da veri iş birliklerini ve veri alanlarını tanımlamayı gerekli kılıyor.
Dahası, herhangi bir veri biçiminin veya yapay zekâ kooperatifinin başarısının, üyelerinin yeteneklerine bağlı olduğu unutulmamalı. Bu durumda, üyelerin başkalarına yararlı hale getirmek için kendi verilerini kontrol etmeleri gerekir. Veri kurumun değer zincirinde itici güç olmadıkça, kooperatifin verilerinden de faydalanamayacaktır.
Çoğu şirket ve kamu kurumu hâlâ bu seviyeden çok uzak ve ulaşmaları da hayli zor görünüyor. Ancak birçok kişi bu yola girer ve güçlerini birleştirirse, veri ekonomisinin vaadini yerine getirirken her bir bireysel organizasyonun egemenliği de güçlendirilebilir.
