Yapay zeka için veri hazırlığı, bir işletmenin elindeki dağınık ham kayıtları — satış, üretim, sensör, stok, muhasebe — bir yapay zeka modelinin güvenilir biçimde öğrenip kullanabileceği temiz, erişilebilir, etiketli ve yönetişimi tanımlı bir veri kümesine dönüştürme sürecidir. Model kurmadan önce yapılan bu görünmez aşama, çoğu zaman bir projenin başarı ya da başarısızlığını en çok belirleyen adımdır. Konya'daki bir döküm tesisi ya da makine imalatçısı için de kural aynıdır: elinizdeki veri hazır değilse, en gelişmiş model bile yanlış sonuç üretir.
- Yapay zeka için veri hazırlığı; verinin temizliği, erişimi, etiketlenmesi ve yönetişimini kapsayan pilot öncesi hazırlık aşamasıdır.
- RAND'ın 2024 araştırmasına göre yapay zeka projelerinin %80'inden fazlası başarısız oluyor; başlıca nedenlerden biri yetersiz ve hazır olmayan veri.
- Gartner'a göre kötü veri kalitesi kurumlara yılda ortalama 12,9 milyon dolara mal oluyor.
- Bu rehberdeki 7 maddelik kontrol listesiyle verinizin pilota hazır olup olmadığını adım adım ölçebilirsiniz.
- Küçük ve tek bir problem etrafında toplanmış temiz veri, dağınık "büyük veri" yığınından her zaman daha değerlidir.
Yapay zeka için veri hazırlığı ne demek?
Yapay zeka için veri hazırlığı, ham verinin bir model tarafından kullanılabilir hale getirilmesidir. Bu; kayıtların tek yerde toplanması, tekrarların ve hataların temizlenmesi, eksik alanların tamamlanması, verinin etiketlenmesi ve kimin nasıl kullanacağının kurala bağlanmasını içerir. Kısaca modelden önce gelen ve onu besleyen tüm hazırlık işidir.
Bir benzetmeyle: model bir fırın, veri ise hammaddedir. Küflü un ve yanlış tartılmış malzemeyle en iyi fırın bile iyi ekmek çıkaramaz. Konya sanayisinde bu "hammadde" genelde vardır — yıllardır biriken satış, üretim ve bakım kayıtları — ama dağınık ve düzensizdir. Hazırlık, işte bu birikimi kullanılabilir bir kaynağa çevirme işidir.
Verileriniz neden yapay zekaya hazır değil?
Çoğu KOBİ'de veri vardır ama dağınıktır: ayrı Excel dosyaları, kağıt irsaliyeler, birbiriyle konuşmayan programlar ve insanların kafasındaki bilgi. Anaconda'nın "State of Data Science" araştırmalarına göre veri bilimciler zamanlarının yaklaşık %39-45'ini veriyi temizleyip hazırlamaya harcar. Yani asıl emek modelde değil, veriyi düzeltmededir; hazırlık atlanırsa proje daha başlamadan tıkanır.
Bunun bedeli somuttur. Gartner'ın sık atıf alan bir araştırması, kötü veri kalitesinin kurumlara yılda ortalama 12,9 milyon dolara mal olduğunu ortaya koyuyor. RAND'ın 2024 tarihli "The Root Causes of Failure for AI Projects" raporu ise yapay zeka projelerinin %80'inden fazlasının başarısız olduğunu; kuruluşların çoğunun verinin kalite, erişim ve yönetişim yükünü küçümseyip bu açığı ancak kaynak harcadıktan sonra fark ettiğini belirtiyor.
Bir başka sık yapılan hata da "büyük veri" yanılgısıdır. Amaç mümkün olan en çok veriyi toplamak değil, çözeceğiniz problemle ilgili doğru veriyi toplamaktır. Tezgahtaki operatörün kafasındaki "bu makine ısınınca bozulur" bilgisi kayıt altına alınmadıkça, elinizdeki terabaytlarca dosya bir işe yaramaz.
Yapay zeka için hangi veriler gereklidir?
Gerekli veri, çözmek istediğiniz probleme göre değişir. Kestirimci bakım sensör verisi ister; talep tahmini geçmiş satışları; görsel kalite kontrol ise etiketli görüntüleri. Ortak kural: veri, kullanım senaryosunu temsil etmelidir. Aşağıdaki tablo, yaygın senaryolar için tipik veri ihtiyacını özetler.
| Kullanım senaryosu | Gerekli temel veri | Tipik kaynak |
|---|---|---|
| Kestirimci bakım | Titreşim, sıcaklık, akım; arıza kayıtları | Makine sensörleri, bakım defteri |
| Talep ve stok tahmini | Geçmiş satış, mevsim, kampanya | ERP, muhasebe, satış programı |
| Görsel kalite kontrol | Etiketli "kusurlu / sağlam" görüntüler | Hat üstü kamera |
| Fatura ve belge otomasyonu | Örnek faturalar, alan etiketleri | Muhasebe arşivi, e-posta |
Üretim tarafında bu verinin nasıl anlamlı karara dönüştüğünü üretim verisini yapay zeka ile karara çevirmenin 5 adımı yazımızda ayrıntılı ele almıştık.
Veri kalitesini nasıl kontrol edersiniz?
Veri kalitesi tek boyutlu değildir. Verinin doğru, eksiksiz, tutarlı, güncel ve tekilleştirilmiş olması gerekir. Gartner'ın 2025'te yayımladığı "yapay zekaya hazır veri" uyarısına göre veri, yalnızca temizlik açısından değil temsil gücü açısından da değerlendirilmelidir: aykırı değerler ve nadir durumlar da modele öğretilecekse körü körüne silinmemelidir. Aşağıdaki boyutları tek tek denetleyin.
| Kalite boyutu | Sorulacak soru | Örnek sorun |
|---|---|---|
| Doğruluk | Veri gerçeği yansıtıyor mu? | Yanlış girilen ölçü |
| Eksiksizlik | Zorunlu alanlar dolu mu? | Boş tarih veya miktar |
| Tutarlılık | Aynı şey her yerde aynı mı? | "kg" ile "KG" karışıklığı |
| Güncellik | Veri ne kadar taze? | Üç yıl önceki fiyat |
| Tekillik | Kayıt tekrar ediyor mu? | Çift müşteri kaydı |
Bu denetimi bir kerelik iş gibi değil, sürekli bir alışkanlık olarak kurun. Veri kaynağına ne kadar yakın düzeltirseniz maliyeti o kadar düşük olur; hata hattın sonuna, yani modele ulaştığında düzeltmesi çok daha pahalıdır.
Veriye erişim ve entegrasyon nasıl sağlanır?
Veri kaliteli olsa bile erişilemiyorsa işe yaramaz. Çoğu Konyalı imalatçıda veri; tezgah bilgisayarında, muhasebecinin dosyasında ve ustabaşının not defterinde ayrı ayrı durur. Hazırlığın bu adımı, dağınık kaynakları tek ve tutarlı bir akışta birleştirmeyi hedefler. Amaç ilk günden kusursuz bir veri ambarı kurmak değil, pilotu besleyecek düzenli bir akış oluşturmaktır.
Pratikte üç soru çoğu zaman yeterlidir: Veri fiziksel olarak nerede duruyor? Kim, hangi biçimde dışa çıkarabiliyor? Ne sıklıkla güncelleniyor? Bu üçü netleşince, KOBİ'ler için 5 adımda yapay zeka başlangıcı rehberindeki gibi küçük ve düşük riskli bir pilotla ilerleyebilirsiniz. Erişim sorununu baştan çözmek, ilerleyen aşamalarda tekrar tekrar aynı duvara çarpmayı önler.
Veri etiketleme ve KVKK uyumu neden kritik?
Bazı senaryolar — özellikle görüntü ve metin — etiketli veri ister: modelin "bu parça kusurlu, bu sağlam" ya da "bu fatura kalemi tutar" gibi örneklerle eğitilmesi gerekir. Etiketleme zahmetli ama getirisi yüksek bir iştir; modelin kalitesini doğrudan belirler. Az sayıda ama doğru etiketlenmiş örnek, çok sayıda gürültülü veriden neredeyse her zaman daha iyi sonuç verir.
Veri kişisel bilgi içeriyorsa KVKK devreye girer. Müşteri, çalışan ya da tedarikçi verisini bir modele verirken amaç sınırlaması, saklama süresi ve rıza koşullarını gözetmek gerekir. Bu konuda ChatGPT, KVKK ve gölge yapay zeka yazımız, kurumsal verinin onaysız biçimde dış araçlara sızmasının risklerini ve uyumlu bir kullanım politikasının nasıl kurulacağını ayrıntılandırıyor. Etiketleme ve yönetişimi hazırlık aşamasında halletmek, canlıya geçtikten sonra kriz yönetmekten çok daha ucuzdur.
Veri hazırlığında en sık yapılan hatalar nelerdir?
En yaygın hata, probleme değil veri miktarına odaklanmaktır. Ardından temizliği pilot sonrasına ertelemek, verinin kimde ve nerede olduğunu netleştirmeden işe girişmek ve KVKK'yı en sona bırakmak gelir. Bu hatalar tek tek küçük görünse de birleştiğinde projeyi daha başlamadan riske atar.
Kaçınmanız gereken dört tuzak şöyle özetlenebilir:
- "Her şeyi topla" yaklaşımı: İlgisiz veri işi kolaylaştırmaz, aksine gürültü yaratıp zorlaştırır.
- Tek kişiye bağımlılık: Veriyi yalnızca bir çalışan çıkarabiliyorsa süreç kırılgan olur; o kişi olmadığında akış durur.
- Etiketi atlamak: Görsel ve metin senaryosunda etiketsiz veri çoğu zaman modele hiçbir şey öğretmez.
- Ölçütsüz başlamak: Başarının nasıl ölçüleceği baştan tanımlı değilse, pilot sonunda sonucu kimse nesnel olarak değerlendiremez.
Pilot öncesi veri hazırlığı kontrol listesi nedir?
Aşağıdaki yedi maddelik liste, bir pilot başlatmadan önce verinizin gerçekten hazır olup olmadığını gösterir. Her maddeye rahatça "evet" diyebiliyorsanız yola çıkabilirsiniz; birden fazla "hayır" varsa önce hazırlığı tamamlamak, projeyi baştan kurtarır.
| # | Kontrol maddesi | Hazır mı? |
|---|---|---|
| 1 | Çözülecek tek somut problem tanımlı | Evet / Hayır |
| 2 | İlgili veri en az 6-12 ay geriye gidiyor | Evet / Hayır |
| 3 | Veri tek ve erişilebilir bir yerde toplanabiliyor | Evet / Hayır |
| 4 | Temel kalite boyutları (doğruluk, eksiksizlik) kontrol edildi | Evet / Hayır |
| 5 | Gerekliyse etiketli örnekler mevcut | Evet / Hayır |
| 6 | KVKK ve veri sahipliği netleştirildi | Evet / Hayır |
| 7 | Başarı ölçütü (KPI) baştan tanımlandı | Evet / Hayır |
Bu listeyi tamamladıktan sonra süreci zamana yaymak için yapay zeka pilot proje planı: 30-60-90 gün yol haritası yazımızdaki fazlı yaklaşımı izleyebilirsiniz. Kontrol listesi hazırlığı, yol haritası ise uygulamayı disipline eder.
Nereden başlamalı?
Veri hazırlığı, gösterişsiz ama getirisi en yüksek adımdır. Konya sanayisinde çoğu işletmenin elinde yıllardır biriken değerli veri vardır; eksik olan çoğu zaman veri değil, onu düzenli ve kullanılabilir hale getiren emektir. Tek bir problemle, sınırlı ama temiz bir veri kümesiyle başlayın; kapsamı büyütmeyi sonraya bırakın. Yatırımın karşılığını görmek için sürecin sonunda yapay zeka ROI hesaplama rehberindeki gibi net bir ölçüm koyun. Hazırlığı ciddiye alan işletme, yapay zekadan gerçek değer çıkaran azınlığa katılır; bu adımı atlayan ise büyük olasılıkla başarısız projeler istatistiğine eklenir.