Yapay zeka: tahmin, çıkarım ve tıpta 'öğrenmeyi silme' kavramı

Geçtiğimiz iki yıl boyunca düzenleyiciler, finans kurumları, mühendisler, CEO'lar ve şüpheci insanlarla yapay zeka hakkında yüzlerce görüşme yaptım. Sürekli olarak ortaya çıkan şey, bu alanı çevreleyen kafa karışıklığının ve belirsizliğin miktarıdır. Herkes yapay zekadan sanki tek yönde hareket eden bir teknolojiymiş gibi bahsediyor, oysa gerçek çok daha karmaşık ve detaylı. Shawn Kamkar'ın yazdığı gibi.

Yapay zeka tahmin ve muhakemenin kesişimidir

Yapay zeka temelde farklı iki sistemin buluşma noktasını temsil ediyor: biri tahmin etmek için tasarlanmış, diğeri mantık yürütmek için tasarlanmış. Bu farkı anlayan ve bunları nasıl birleştireceğini öğrenen şirketler, yapay zekayı yekpare bir araç olarak ele alan şirketlere göre önemli bir avantaja sahip olacak.

Tahmine Dayalı Yapay Zeka ve Üretken Yapay Zeka

Tahmine dayalı yapay zeka, yıllardır sessizce ve perde arkasında karar almayı destekliyor; Makine öğrenimi modelleri, büyük miktardaki geçmiş verilerdeki kalıpları tespit etme konusunda mükemmeldir. Örneğin, kredi sektöründe bu modeller, neredeyse hiçbir insan analistin milyonlarca sonuç arasında fark edemeyeceği kalıpları belirlemek için çok büyük hacimli geçmiş verileri analiz eder; Geri ödeme olasılığını, dolandırıcılık riskini ve bir yatırım portföyünün değişkenliğini onlarca yıl önce oluşturulan geleneksel değerleme sistemlerinden çok daha doğru bir şekilde tahmin eder.

Üretken yapay zeka tamamen farklı bir işlevi yerine getiriyor: bilgi topluyor, belirsizlikle ilgileniyor ve insan dilinde iletişim kuruyor. Bir trendin önemini açıklayabilir, karmaşık sonuçları özetleyebilir, stratejik ödünleşimleri vurgulayabilir ve insanların daha önce anlamak için özel uzmanlık gerektiren sistemlerle etkileşime girmesine yardımcı olabilir. İşlevi yalnızca tahminle sınırlı değildir; Daha ziyade çıkarım ve çeviriyi (verileri anlaşılır kavramlara dönüştürmeyi) içerir.

İkisi arasındaki fark ve kombinasyon: Bu farkı anlamanın en basit yolu şu benzetmeyi yapmaktır: Makine öğrenimi testleri gerçekleştiren “teşhis laboratuvarını”, obstetrik yapay zeka ise sonuçları yorumlayıp bir sonraki adımı belirlemeye yardımcı olan “doktoru” temsil eder. Hiçbiri diğeri için vazgeçilmez değildir; Aksine, daha güçlü ve etkili bir sistem oluşturmak için bir araya gelirler.

Görev için doğru yapay zeka türünü kullanın

Bu ayrım önemlidir çünkü birçok kuruluş şu anda üretken yapay zekayı başlangıçta gerçekleştirmek üzere tasarlanmadığı rollere eklemeye çalışmaktadır. Büyük dil modellerinin muazzam yeteneklerine rağmen bunlar deterministik tahmin sistemleri değildir (yani matematiksel hassasiyetle kararlı ve kesin olarak tanımlanmış sonuçlar vermezler).

Genel amaçlı bir "sohbet robotundan" önemli finansal veya operasyonel kararları bağımsız olarak almasını (onu destekleyecek özel bir analitik altyapı olmadan) istemek, bir doktordan laboratuvarların, tıbbi muayenelerin veya hayati belirtilerin ölçümü olmadan bir hastanın durumunu teşhis etmesini istemeye benzer. Güvenilir ve sağlam verilerden yoksun olan akıl yürütme güvenilmez olmaya devam eder.

Bu arada açıklanabilirlikten yoksun tahmin sistemleri farklı türde bir sorun yaratıyor. Benim fark ettiğim şey, kuruluşların giderek daha doğru, ancak anlaşılması zor ve giderek daha az insan tarafından anlaşılan çıktılar üretebilmesidir. Bu tutarsızlık, çeşitli sektörlerde yapay zekanın benimsenmesinin bir sonraki aşamasının özelliklerini şekillendiren şeydir.

Çeşitli saha uygulamaları

Örneğin sağlık hizmetlerinde tahmin modelleri, geleneksel tarama yöntemlerine kıyasla yüksek riskli hastaları daha erken tespit edebilir. Ancak klinisyenlerin hâlâ sonuçları yorumlayabilecek, terapötik hususları özetleyebilecek ve hastalarla net bir şekilde iletişim kurabilecek sistemlere ihtiyacı var. Otonom araçlar alanında yapay zekanın bir katmanı gerçek zamanlı olarak yolları, yayaları, mesafeleri ve engelleri sürekli izliyor, diğer katman ise aracın değişen koşullara nasıl tepki vereceğini belirliyor.

Bu model her yerde tekrarlanıyor: tahmine dayalı zeka ile tümdengelimli zeka (mantık ve analize dayalı) birleşiyor.

Tahmin, çıkarım ve insan yargısının birleştirilmesi

Borç verme işlemleri bunun en açık örneklerinden biridir; Kredi değerlendirme süreci deterministik ve tekrarlanabilir olmalıdır - yani aynı girdiler her seferinde aynı sonuca ve yoruma yol açmalıdır - aksi takdirde karar denetçiler veya borçlular açısından haklı olmayacaktır. Burada makine öğreniminin gücü ortaya çıkıyor ancak bu sayıların çağrışımlarını ve anlamlarını keşfetmeye yönelik bir araç sunmuyor.

İşte bu boşluğu doldurmak için üretken yapay zekanın rolü geliyor. Sonuçları bağlam içinde yorumlar, kredi portföyleri üzerindeki alternatif varsayımsal senaryoları (“ya şöyle olursa” analizi) test eder ve politika değişikliklerinin onay kararları üzerindeki etkisini simüle eder. Bu istihbarat, kredileri basitçe değerlendirmek yerine, kredi verenlerin gerçek değerlendirme sürecini yürüten sistemlerin çıktılarını anlamalarına yardımcı olur. Bu kombinasyon insan muhakemesi rolünü ortadan kaldırmaz; Aksine değerini arttırır; İnsanların rutin analizlere daha az, istisnai durumlarla ilgilenmeye, stratejik kararlar almaya ve kontrol ve denetim görevlerini yerine getirmeye daha fazla zaman ayırmasına olanak tanır.

En iyi sonuçları elde eden kuruluşlar, insanların yerine yapay zeka sistemlerini koymayan kuruluşlardır; Bunun yerine, farklı zeka biçimlerini entegre eden sistemler inşa ediyorlar: büyük ölçekte kalıpları tespit eden istatistiksel modeller, karmaşıklığı eyleme geçirilebilir içgörülere dönüştüren üretken sistemler ve bağlam ekleyen, gözetim ve değerlendirme rolleri oynayan bir insan unsuru.

Gelişmiş analiz yetenekleri

Onlarca yıldır gelişmiş analitik yetenekler büyük küresel kurumlarda yoğunlaşmıştır; Yalnızca bu kurumlar, bilgiyi büyük ölçekte işlemek için gereken altyapıyı ve uzmanlığı sağlayacak mali kaynaklara sahipti. Ancak yapay zeka bu gerçeği değiştirmeye başlıyor. En fazla faydayı elde edecek kuruluşlar tam otomasyon peşinde koşanlar olmayacak; Daha ziyade tahmin, muhakeme ve insan muhakemesini bireylerin etkililiğini artıran çalışma sistemleriyle birleştiren sistemler.

Yıllar önce doktorların hastalıkları tespit etmesine yardımcı olacak akıllı bir sistemi eğitmek için tıbbi verilerini kullanmayı kabul eden bir hastayı hayal edin. Böylece modeli oluşturmak için kullanılan binlerce, belki de milyonlarca kayıt arasında onun fotoğrafları, muayeneleri ve tıbbi geçmişi de yer aldı. Daha sonra fikrini değiştirerek rızasını geri çekmesini ve verilerinin silinmesini istedi.

Geleneksel bir veritabanında çözüm basit görünür: kayıt silinir ve hikaye biter. Ancak sistem zaten bu verilerden öğrendiğinde sorun daha karmaşık hale gelir; Eğitim sırasında model, bir veri tabanında olduğu gibi mutlaka hastanın kaydını tutmaz; bunun yerine dahili parametreleri, çıkardığı modellere göre değişir. Böylece orijinal dosya silinebilir ve istatistiksel etkisinin bir kısmı algoritmanın öğrendiklerinde kalır.

“Sil” butonu yeterli olmadığında

Makinenin öğrendikleri de silinebilir mi? Bu soru, 18 Temmuz 2026'da "Npj Digital Medicine" dergisinde "Nature Portfolio"nun bir parçası olarak yayınlanan "Klinik yapay zekanın yönetimi için bir zorunluluk olarak makine öğreniminin silinmesi" başlıklı yakın tarihli bir analitik çalışmada araştırmacılar tarafından ortaya atılan sorudur.

Çalışma, "Makine Öğrenmesi" kavramını, yani önceden eğitilmiş bir modelden belirli verilerin etkisini, onu tamamen sıfırdan eğitmek zorunda kalmadan ortadan kaldırma girişimini tartışıyor.

Bu fikir pratikte başarılı olursa, dijital tıbba, geleneksel olarak algoritma tasarımının bir parçası olmayan bir yeteneği ekleyebilir: sadece öğrenmek değil, aynı zamanda nasıl unutacağını da bilmek.

“Öğrenmemek” nedir?

Yapay zeka sistemlerinin eğitimi, büyük miktarda veriden kalıpların ve istatistiksel ilişkilerin çıkarılmasını, ardından öğrendiklerinin daha sonra sınıflandırma, tahmin veya destek teşhisinde kullanılabilmesi için modelin parametreleri dahilinde dağıtılmış bir şekilde kodlanmasını içerir.

"Öğrenmeyi sil" işlemi ters yönde ilerlemeye çalışır: model zaten öğrendikten sonra belirli verilerin izini ortadan kaldırır. Amaç, bir kaydın silinmesi her istendiğinde sıfırdan yeniden eğitim almak yerine, modeli, davranışı ilk etapta bu veriler üzerinde eğitilmemiş varsayımsal bir modele mümkün olduğunca yakın olacak şekilde değiştirmektir. Silinecek verileri içermeyen bu yeniden eğitilmiş model, bazen silme işleminin etkinliğinin karşılaştırıldığı "altın standart" olarak bilinir.

Buradaki fark temeldir; Bir röntgen görüntüsünün veya muayene sonucunun veri tabanından silinmesi, daha önce üzerinde eğitim verilen modeldeki etkisinin ortadan kalkacağını garanti etmez. Çünkü etkisi halihazırda çok sayıda dahili işlemine dağıtılmış olabilir.

Bu, okuyucunun içeriğini ezberlemesinden sonra bir kitaptan bir sayfanın koparılmasına benzetilebilir: sayfa kaybolmuştur ancak bilginin hafızadan kaybolması şart değildir.

Tıbbın neden “unutması” gerekiyor?

Unutma ihtiyacı, hastanın fikrini değiştirmesiyle ve verilerinin kullanımına ilişkin onayını geri çekmesiyle başlamaz veya bitmez; Bazı kayıtların hatalar içerdiği, tıbbi görüntülerin yanlış teşhisle sınıflandırıldığı veya bir nüfus grubunun dengeli bir şekilde temsil edilmediği eğitim sonrasında netleşebilir. Diğer durumlarda sorun verinin kendisi değil, verinin dayandığı tıbbi bilginin değişmesi olabilir.

Bu tıpta çok önemli bir noktadır. Klinik bilgi statik değildir. Yeni deneyimler ve kanıtlar ortaya çıktıkça tedavi önerileri de değişir ve sistemin öğrendiği veriler toplandığında kabul edilebilir olan uygulamalar revize edilebilir.

Araştırmacılar, kanıtların ve tedavi önerilerinin olağanüstü hızlı değiştiği “Covid-19” salgınını bunun açık bir örneği olarak gösteriyor. Tıbbi bir model, daha sonra uygunsuz olduğu kanıtlanan uygulamalardan ders alıyorsa, yalnızca daha güncel verileri eklemek her zaman daha zor bir soruyu yanıtlamayabilir: Sistemin artık güvenmesini istemediğimiz bir bilgi izini ortadan kaldırabilir miyiz?

Burada “silmeyi öğrenmek” veriyi silmenin ötesine geçen bir işlev kazanıyor; Bilimin kendisi değiştiğinde modelin klinik hafızasını düzeltmek için bir araç haline gelebilir.

Hastanın algoritma tarafından unutulma hakkı var mı?

Bilgisayar biliminden hukuk ve hasta haklarına geçtiğinizde sorun daha da karmaşık hale geliyor; AB Genel Veri Koruma Yönetmeliği (GDPR), 17. Madde kapsamında ve belirli durumlarda bireylere, bazen "silme hakkı" veya "unutulma hakkı" olarak da bilinen kişisel verilerinin silinmesini talep etme hakkı vermektedir.

Ancak akıllı modeller, geleneksel veritabanlarının ele almak üzere tasarlanmadığı bir sorunu ortaya çıkarıyor; Hasta verileri zaten eğitim sürecine girmişse, orijinal kaydın silinmesi mutlaka başka bir soruyu yanıtlamaz: Peki ya bu verilerin model içindeki etkisi?

Çalışma, eğitilmiş modellerin işlemlerine uygulanan silme yükümlülüklerinin kapsamının hâlâ çözülmemiş bir hukuki sorun olduğunu gösteriyor. Orijinal bilgi, kolayca bulunabilen ve silinebilen belirli bir konumda saklanmayabilir; bunun yerine etkisi, modelin yapısı boyunca dağıtılabilir.

Burada, verileri silmeye yönelik yasal hak ile algoritmanın sanki ondan hiçbir şey öğrenmemiş gibi davranmasını sağlayacak teknik beceri arasında yeni bir boşluk ortaya çıkıyor. Tıp, bilgisayar bilimi ve hukukun buluştuğu, hastanın “dijital unutulma hakkının” sınırlarının henüz şekillenmeye devam ettiği bir alan.

Unutmak risksiz değildir

Ancak modelin unutulmasını sağlamak maliyetsiz bir süreç değil; Bir veri kümesinin etkisinin ortadan kaldırılması, davranışını hedef bilginin ötesine geçecek şekilde değiştirebilir ve durumlar arasında ayrım yapma veya bunları "ayarlama" yeteneğini etkileyebilir; Yani, tahmin edilen olasılıkların gerçekte meydana gelen sonuçlarla ne ölçüde eşleştiğidir.

Bu etki eşit şekilde dağılmayabilir; Genel performansı ölçerken başarılı görünen bir süreç, özellikle sınırlı sayıda vakayla temsil ediliyorsa, belirli bir hasta grubu üzerinde daha büyük bir etkiye sahip olabilir.

Bu nedenle araştırmacılar, öğrenme silme işlemini bir "sil düğmesi" olarak ele almamaya dikkat ediyor. Herhangi bir temel değişiklikten sonra model yeniden test edilmeli, performansı önceki sürümle karşılaştırılmalı ve istenmeyen yan etkilerin ortaya çıkmadığı doğrulanmalı, aynı zamanda süreç başarısız olursa önceki sürüme dönme olasılığı da korunmalıdır.

Dolayısıyla çalışma önemli bir kavramı, “öğrenmeyi unutmaya hazır olma”yı öne sürüyor: Yani tıbbi sistemler, daha sonra unutulacak verinin tespit edilmesi, izinin silinmesi, ardından sürecin başarısının doğrulanması ve nelerin değiştiğinin belgelenmesi mümkün olacak şekilde en baştan tasarlanmalıdır.

Böylece “unutmak”, ihtiyaç ortaya çıktıktan sonra değil, model oluşturulurken düşünülmesi gereken bir özellik haline geliyor.

“Sabit modelden” sürekli yaşam döngüsüne

"Silme öğrenimi" aynı zamanda tıbbi sistemler benimsendikten sonra onlara bakış açımızı da değiştiriyor; Model, onay alan ve sonrasında değişmeden kalan sabit bir ürün olarak ele alınmamalı; Veriler değişir, tıbbi kanıtlar gelişir, yeni hatalar keşfedilebilir veya hastalar, bilgilerinin kullanımına ilişkin onaylarını geri çekebilir.

Bu nedenle çalışma, verinin kaynağının bilinmesi ve takip imkanı ile başlayan, modelin versiyonlarının yönetilmesi ve belirli bilgilerin izinin kaldırılmasını gerektiren koşulların belirlenmesi, ardından değiştirilmiş versiyonun klinik olarak kullanılmaya devam etmeden önce test edilmesi ile devam eden sürekli bir yaşam döngüsü içerisinde bu sorunla ilgilenmeyi önermektedir.

Bu, yeni bir tıbbi sistemi benimserken sorulması gereken sorunun yalnızca şu şekilde olmaması gerektiği anlamına gelir: Nasıl öğrendiniz? Ama aynı zamanda: Öğrendiklerimizin artık geçerli olmadığını daha sonra keşfedersek nasıl düzelteceğimizi biliyor muyuz?

Bu anlamda yönetişim, hastaneye girdiğinde tek seferlik düzenleyici onaydan ziyade tıbbi yapay zekanın yaşam döngüsü yönetimi haline geliyor.

Tıbbi yapay zeka için bir sonraki soru

Geçtiğimiz yıllarımızı mümkün olduğu kadar çok veriden öğrenebilecek sistemler oluşturmaya çalışarak geçirdik. Ancak tıbbın artık farklı bir yeteneğe ihtiyacı olabilir: Bir makinenin neyi, ne zaman unutacağını bilmesi ve doğru öğrendiği şeye zarar vermeden unuttuğunu nasıl kanıtlayacağını bilmesi. Alman filozof Friedrich Nietzsche bir asırdan fazla bir süre önce şöyle yazmıştı: "Unutmak sadece boş bir güç değil... aynı zamanda aktif ve olumlu bir güçtür." Algoritmalardan değil, insan aklından bahsediyordu ama bugün bu cümlesi, kendi zamanında hayal bile edilemeyecek bir teknik anlam kazanıyor. Dikkatlerin bir makineye nasıl öğretileceğine odaklandığı yıllardan sonra, bir sonraki aşama, makinenin gerekli olduğunda öğrendiklerini nasıl geri alabileceğini sorarak başlayabilir. Belki de bir makinenin hafızası yalnızca ne tutabildiğiyle değil, aynı zamanda hatırlama yanlış olduğunda neleri unutabileceğiyle de ölçülür.

Tıpta unutmak öğrenmenin zıttı olmayabilir; Aksine, doğru öğrenmeye devam etmenin koşullarından biridir.

Büyük bir genetik çalışmanın ilk sonuçları, kendilerini tatlı veya yağlı tatlara daha yatkın kılan genetik varyasyonları taşıyan kişilerin aslında bu gıdalardan daha fazla miktarda yemeye eğilimli olduklarını ortaya çıkardı. Bu genetik yatkınlık aynı zamanda vücut ağırlığındaki artışla ve tip 2 diyabet gelişme riskinde hafif bir artışla da ilişkilidir.

Tat tercihlerinin genetik temeli üzerine önemli çalışmalar

Bu sonuçlar, araştırmacıların uzun zamandır kafasını karıştıran bir soruya olası bir açıklama getiriyor: Neden bazı insanlar bir parça şekere kolayca direnebilirken, diğerleri kendilerini tatlılara, şekerli içeceklere ve yağlı yiyeceklere daha çok ilgi duyuyor? Araştırma, cevabın kısmen genlerimizde yazılı olabileceğini öne sürüyor.

Çalışma, tat tercihlerinin genetik temelini araştıran bugüne kadarki en büyük çalışmalardan biri ve Birleşik Krallık'ta yaklaşık yarım milyon insanın genetik ve sağlık bilgileri ile yeme alışkanlıklarına ilişkin verileri içeren Birleşik Krallık Biobank'tan alınan verilere dayanıyor.

Yeme isteğinin ardındaki genler

Amerika Birleşik Devletleri'ndeki Massachusetts Genel Hastanesi Genomik Tıp Merkezi'nde araştırmacı olan Julie Jervis liderliğindeki araştırma ekibi, genler ve yiyecek tercihleri ​​arasındaki ilişkiyi incelemek için yenilikçi bir yöntem kullandı. Jervis, sonuçları 25-28 Temmuz 2026 tarihleri ​​arasında Washington DC yakınlarındaki Maryland'deki "National Harbor"da düzenlenen Amerikan Beslenme Derneği'nin yıllık toplantısında "BESLENME 2026" konferansında sundu. Çalışma Amerikan Beslenme Derneği (ASN) dergisinde yayınlandı.

Duyusal veritabanları: Araştırmacılar, insanlara yalnızca yiyeceklerde neyi sevdiklerini sormak yerine, yiyecek tercihi anketlerinden alınan yanıtları, farklı yiyeceklerin tatlılık, tuzluluk ve kremamsılık gibi özelliklerini tanımlayan duyusal veritabanlarıyla birleştirdi.

Tatlara ilişkin gen puanları: Daha sonra tatlı, tuzlu veya yağlı tat tercihiyle ilişkili genetik farklılıkları belirlemek için bir grup katılımcıda genom çapında analizler gerçekleştirdiler. Daha sonra her bireyin bu tatların her birini tercih etme konusundaki genetik yatkınlığını yansıtan “genetik puanlar” oluşturdular.

Başka bir katılımcı grubunda araştırmacılar, bu genetik yatkınlığın aslında beslenme davranışına ve sağlığa yansıyıp yansımadığını test etti.

Tatlı az miktarda başlayabilir

İlk sonuçlar, tatlı tatları tercih etme konusunda genetik eğilimi daha yüksek olan kişilerin, şeker ve şekerli içecekler de dahil olmak üzere günde ortalama yaklaşık 7 gram daha fazla tatlı yiyecek yediğini gösterdi.

Bu bir günde küçük bir miktar gibi görünebilir; Ancak araştırmacılar, yeme alışkanlıklarındaki küçük farklılıkların zamanla artabileceğine dikkat çekiyor.

En önemlisi, tatlı veya yağlı tatları tercih etmeye yönelik yüksek genetik yatkınlık, vücut ağırlığının artmasıyla ve tip 2 diyabet gelişme riskinde ılımlı bir artışla da ilişkilendirildi.

Bu ilişkinin büyük bir kısmının, şekerli içecekler, kızartılmış gıdalar, patates cipsi ve tipik olarak yüksek düzeyde şeker, yağ veya tuz içeren diğer gıdalar gibi "aşırı lezzetli gıdalar" olarak bilinen gıdaların tüketimi yoluyla olduğu ortaya çıktı.

Genler yiyecek değildir

Araştırmacılar, sonuçların kişinin genetik olarak tatlıyı sevmeye yatkın olduğu ya da kaçınılmaz olarak obez ya da şeker hastası olacağı anlamına gelmediğini vurguluyor. Diyet ve metabolik sağlık, çevre, yeme alışkanlıkları ve fiziksel aktivite gibi çok çeşitli faktörlerden etkilenir.