Veri Etiketleme ve Veri Kalitesi: Modelinizden Daha Önemli Olan Şey

Yeni başlayanlar genelde en çok zamanı model mimarisi seçmeye ve hiperparametre ayarlamaya harcar. Oysa deneyimli veri bilimcilerin ortak görüşü şudur: bir projenin başarısını belirleyen en büyük faktör, çoğu zaman modelden önce verinin kalitesidir.

“Garbage in, garbage out”

Bu söz, makine öğrenmesinde tam anlamıyla doğrudur: giriş verisi hatalıysa, çıkan model de ne kadar gelişmiş olursa olsun hatalı olur. Denetimli öğrenmede (supervised learning) bu özellikle etiketleme kalitesine bağlıdır; çünkü model, verilen etiketleri “doğru kabul ederek” öğrenir.

Yaygın veri kalitesi sorunları

• Tutarsız etiketleme: Aynı türden örnekler farklı etiketleyiciler tarafından farklı şekilde işaretlenmişse, model çelişkili sinyaller alır.
• Sınıf dengesizliği: Bir kategoriden binlerce, diğerinden yalnızca birkaç örnek varsa model, azınlık sınıfını neredeyse hiç öğrenemez.
• Veri sızıntısı (data leakage): Test verisine ait bilginin, fark edilmeden eğitim verisine karışması; bu durum yapay olarak yüksek ama gerçek dünyada tutmayan başarı skorlarına yol açar.
• Eksik veya hatalı değerler: Sensör arızası, form hatası veya aktarım sorunlarından kaynaklanan boş/yanlış hücreler.
• Örneklem yanlılığı (sampling bias): Veri, gerçek dünyayı temsil etmiyorsa (örneğin yalnızca belirli bir şehirden toplanan veri), model o bağlamın dışında kötü genelleme yapar.

Pratik iyileştirme adımları

1. Birden fazla etiketleyici kullanın ve anlaşmazlık oranını (inter-annotator agreement) ölçün; düşükse etiketleme talimatlarını netleştirin.
2. Veriyi görselleştirin önce modele sokmadan: dağılımlar mantıklı mı, aykırı değerler var mı?
3. Eğitim/test ayrımını veri toplanmadan önce planlayın, özellikle zaman serisi verilerinde sızıntıyı önlemek için kronolojik bölme kullanın.
4. Azınlık sınıflar için yeniden örnekleme (oversampling/undersampling) veya sınıf ağırlıklandırma uygulayın.
5. Veri setini versiyonlayın; hangi model hangi veri sürümüyle eğitildi, geriye dönük izlenebilir olsun.

Büyük dil modelleri çağında veri kalitesi

Büyük dil modellerinde de aynı prensip geçerli: ince ayar (fine-tuning) için kullanılan veri setinin kalitesi, modelin nihai davranışını doğrudan şekillendirir. Son yıllardaki araştırmalar, daha az ama özenle seçilmiş veriyle yapılan ince ayarın, büyük ama gürültülü veri setlerinden genelde daha iyi sonuç verdiğini gösteriyor.

Veri kalitesi değerlendirmesi, platformdaki Temel: Python & Veri Bilimi ve Orta: Makine Öğrenmesi öğrenim yollarının ortak bir teması; her iki seviyede de gerçek, “temiz olmayan” veri setleriyle pratik yapıyoruz.