PLATİN TEMMUZ SAYISINI İNDİRMEK İÇİN TIKLAYIN

Bahar Selin Akgün / [email protected]

Geçtiğimiz haziran ayında Smartcon’un düzenlediği Türkiye’nin ilk sanal veri bilimi konferansı ‘Data Science Days’, farklı sektörlerde birbirinden önemli konuşmacılara ev sahipliği yaptı. Bu isimlerden biri de 15 yılı aşkın süredir NASA, Harvard, MIT, University of California, Aetna gibi kurumlarda görev yapan, finanstan pazarlamaya, astrofizikten sanata kadar birçok farklı endüstri için veri temelli Ar-Ge çalışmaları ve stratejileri üreten Chief Data & Analytics Officer, Chief Scientist Bülent Kızıltan’dı. ‘Yapay Zeka İle Fark Yaratmak, Kara Deliklerden Covid’e Veri Bilimi Stratejisi’ sunumunu soluksuz dinlediğimiz Kızıltan ile yaptığımız özel röportaj, veri bilimi ve sağlık sektörü kapsamında farklı bir vizyona sahip olmak isteyen herkese inovatif bir yol haritası sunacak. Son dönemde sağlık ve ilaç sektörüne yönelik çalışmalara odaklanan, global şirketlere kıdemli danışmanlık hizmeti veren Kızıltan; tuttuğunu koparan, idealist ve amacına ulaşana kadar her türlü zorluğa meydan okuyan bir karaktere sahip. Aslen Trabzonlu ve Karadenizli olmaktan gurur duyuyor. Her zaman çok meraklı bir çocuk olduğunu ifade eden Kızıltan, ODTÜ Fizik Bölümü’ne dereceyle girdi. Merak ettiği bir şeyin cevabını bulduğunda inanılmaz keyif aldığını dile getiren Kızıltan, bu heyecanını hiçbir zaman kaybetmedi. Fulbright bursu ile 1998’de Amerika’ya gitti, master’ının ardından akademik kariyere yöneldi. Astrofizik alanında dünyanın önde gelen uzmanlarından biri oldu. Bu alandaki uzmanlığını derin öğrenme, yapay zeka, algoritma ve makine öğrenmesi ile birleştirdi. Kızıltan ile veri biliminden faydalanarak sağlık ve ilaç sektörlerinde nasıl bir dönüşüm yaratılabileceği ve bu süreci şirket kültürüne adapte edebilen şirketleri nasıl bir geleceğin beklediği hakkında konuştuk. 

• Bir astrofizikçi olarak veri bilimine yönelik çalışmalara odaklanmaya nasıl karar verdiniz?

Veri bilimi, çok interdisipliner bir alan ve bu konuya odaklanarak pek çok sektörde fark yaratılabilir. Şu an tüm dünya Covid-19 sürecinden geçiyor ve şirketlerin dijital transformasyonlarını tamamlamaları yönünde çok büyük bir motivasyon var. Bu süreçte şirketlerin ve piyasaların cevaplamaya çalıştığı sorulardan biri de veri bilimi ve dijital dönüşümü nasıl avantaja dönüştürebilecekleri… Veri bilimini efektif bir biçimde kullanan şirketler, bu süreçten güçlenerek çıkacak. Adapte olamayan şirketlerin ise yok olacağını ya da küçüleceğini öngörüyoruz. Dolayısıyla veri bilimi merkezli dijital transformasyonun nasıl olabileceğine yönelik sahada yapılan çalışmalardan örnekler vermek, bu noktada kolektif bir bilinç yaratabilmek adına son derece önemli. Birkaç yıldır bu konularda geniş saha çalışmaları yapan gruplarla çalışıyorum. Ben bir astrofizikçiyim ama veri bilimiyle ilgileniyorum. Uzun yıllar kara delikler üzerinde çalıştım. Bu alandaki deneyimimi ve kullandığımız metodolojileri piyasada değer ve fark yaratmak için kullanmak istedim. Fizik alanına yönelik istatiksel yöntemleri, makine öğrenmesi ve bilgi teorileriyle bütünleştiriyorum.

• Sağlık sektörüne yönelik girişimlerinizden bahseder misiniz? 

En son çalışmam; halka açık veri setinden yeni bir kara delik türüne yönelik sinyal bulmaktı. Birçok alanda bilgi, önümüzde duruyor. Yaratıcı birkaç yaklaşımla; yani makine öğrenmesi ve bilgi teorisini kullanarak yeni bir keşif gerçekleştirme imkanı buldum. Bu çalışmam, Nature dergisinde de yayınlandı. Sağlık sektörü odaklı çalışmaya başladığımda birlikte çalıştığımız ekiplere, bu alanda uzun süredir ilerleme kaydedemedikleri konuların neler olduğunu sordum. Grip döneminde, kuzey yarımkürede bölgesel olarak ekim-kasım-aralık aylarında grip rakamlarının artış gösterdiğini, bu süreci öncesinde tahmin edecek bir platformun olmadığı yanıtını aldım. Yapılabilen tahminler artı-eksi 2 haftayı kapsıyordu ve bu süreci günler seviyesine çekebilmek hedefleniyordu. Amerika piyasasında her yıl gripten dolayı 5 milyar dolarlık bir kayıp söz konusu. Bunu ne şekilde azaltabileceğimize yönelik çalışmalar yapılmasına ihtiyaç duyuluyordu. Bu noktada sinir ağlarını kullanarak, trafik datasını dışarıdan alarak ve astrofizikte sıkça kullanılan difüzyon denklemiyle farklı bir çalışma yaptık. Bu denklem, moleküllerin ve atomların birbirleriyle olan iletişimini ve nasıl hareket ettiğini güzel tasvir eden bir denklem. Grip, bireylerin aynı ortamda olmaları ya da birbirlerine değmesiyle bulaşıyor. Bu kapsamda birkaç veri setini birleştirerek DeepFlu adlı bir platform yaptık. Bu platform aracılığıyla grip tahminini +- 2 günlük süreye indirebildik. Yüzlerce insanın yaşamını kaybetmesini engellemiş olduk ve ciddi maliyetlerin önüne geçtik. Bu platformun benzerini Covid-19 odaklı tahmin ve modellemelerde de kullanıyoruz. 

“İLAÇ VE SAĞLIK SEKTÖRÜNDE MALİYETİ DÜŞÜRMEK, ZAMANLA DOĞRU ORANTILI”

• DeepFlu dışında Rxgan, Risk Değerlendirme Platformu ve graph networkler ile molekül tahmini gibi çalışmalarınız da bulunuyor. Bu süreçleri de özetler misiniz?

Yapılan çalışmaların sonraki adımında hastaların ilaçlarını nasıl kullandıklarına odaklandım. Hastaların, ilaçlarını düzenli kullanıp kullanmadıklarını tahmin edebildiğiniz takdirde asistanlık şirketi olarak iletişim kurup, onların sağlık metriklerini iyileştirebiliyorsunuz. Bu yönlendirme hem şirketlerin maliyetlerini düşürüyor hem de bireylerin daha sağlıklı olması sürecine pozitif katma değer katıyor. RxGan sayesinde sağlık harcamalarını düşürdük, bireylerin sağlık ortalamasını artırdık. Maliyetlerin kısılması ile 100 milyon dolardan fazla ek gelir sağladık. Tüm bu paylaşımlar, veri bilimini yaratıcı bir biçimde kullanabilmekle bağlantılı. Sağlık alanında öne çıkan bir diğer çalışmamız ise takımımla birlikte kurduğum Risk Değerlendirme Platformu… Fabrikalarda, gemilerde sensörlerin olduğu ortamlarda, sensörlerden gelen verileri kullanarak oluşabilecek kazaları önlemeye ve olası problemleri tahmin etmeye yönelik bir platformdan bahsediyoruz. Covid-19 döneminde ilaç geliştirme ve molekül tahmini standart metotları, bireylerin laboratuvarlarda manüel olarak çalışmasıyla mümkün olabiliyordu. Artık ilaç şirketleri, ilaç geliştirme süreçlerinin maliyetini düşürmek istiyor. Maliyeti düşürmek ise zamanla doğru orantılı. Bu nedenle tüm molekül tahminlerinin, hatta kimyasal süreçlerin, bilgisayarda simüle edilip edilmeyeceği üzerine yıllardır çalışılıyor. Ben de bu çalışmaların bir parçasıyım. Graph network yöntemleriyle, yeni molekül tahmini yapmak, ilaç geliştirme aşamasında yeni metotlara yönelmek ve bunların etkinliğini önceden simüle etmek mümkün. İçinde bulunduğumuz dönemde ilaç sanayisi, bu yöntemlere büyük önem veriyor. Dolayısıyla bu alanlara yönelik inovasyonlar hızla artacak. Covid-19 klinik denemeleri kapsamında ise Remdesivir ve HCQ ilaçlarının etkinliğini ölçmek için daha modern yöntemler kullanıp kullanamayacağımıza odaklandık. Hangi metotların çalışacağına ya da çalışmayacağına yönelik yeni sinyaller almaya çalıştık. Bu sürece yönelik makine öğrenmesi ve modern istatistik yöntemleri kullanarak bulgularımızı FDA ile paylaşıyoruz.

• Dijital transformasyon ve veri bilimi konusunda gerekli bilincin oluştuğunu düşünüyor musunuz?

Dijital transformasyonun bize sağladığı imkanlarla; makine öğrenmesi, modern istatiksel yöntemler ve farklı bir bakış açısına yöneliyoruz. Dijital transformasyon stratejisine yönelik perspektifler de farklılık gösteriyor. Örneğin, bu alanda danışmanlık veren kurumlarda standart bir yaklaşım oluyor. Yakın zamana kadar bu yaklaşımı farklılaştırma, değişik sektör ve şirketlere uyarlama trendi vardı. Bu sürecin hızla değiştiğini, bu stratejilerin artık sahada yeteri kadar verimli olmadığını görüyoruz. Bu takımları nasıl yönetmek gerektiği öne çıkıyor. İlk odaklanılması gereken konu ise kurum kültürü. Start-up’larda değişik avantajlar öne çıkıyor. Çünkü küçük ve dinamik gruplardan bahsediyoruz. Dolayısıyla hızlı değişime ayak uydurabiliyorlar. Büyük şirketlerde ise daha yoğun bir atalet var. Şirketinizin ulaşmaya çalıştığı noktada ‘black box analytics’ yapabileceğiniz ürünler mi kullanılmalı yoksa inovasyona yönelik Ar-Ge’ye odaklı çalışmalara mı yönelinmeli? Strateji, bu amaçlara göre şekilleniyor. Bir yapay zeka dalgası var. Ve kurumlar bu ivmenin avantajlarından nasıl yararlanabileceklerine dair kafa yoruyor. 

“BAŞARISIZLIK DA TEŞVİK EDİLMELİ”

• Saha çalışmalarında ve kurum kültüründe başarılı olabilmek adına ne gibi önemli adımlar atılmalı?

Veri biliminin, sahada katma değer sağlayabilmesi için ortak çalışmayı öne çıkaran, sürdürülebilir öğrenmenin olduğu ve sürecin her seviyede devam ettirildiği ve teşvik edildiği kurum kültürlerine ihtiyaç duyuluyor. Lider ve karar vericiler de veri bilimi konusunda eğitim almalı. Başarısızlığın teşvik edilmesi de önemli bir kültürel öğe. Veri bilimi yeni bir alan. Özellikle inovasyon yapan şirketlerin yeni şeyleri keşfedip fark yaratabilmeleri için birçok şeyi denemeleri gerekiyor. Bu deneme süreçlerinde ister istemez başarısızlıklarla da karşılaşılabiliyor. Bir model denerken ya da bir alana odaklanırken sistem çalışmıyorsa, yeni bir alana geçilmeli. Değişik altyapılara sahip bireylerden oluşan veri bilimi takımları inovatif bir değer yaratıyor. Kurum kültürü değiştirilmeden black box analytics yaklaşımları ile inovasyon yapmaya çalışan şirketlerin başarısız olduklarını görüyoruz. Sahada başarılı olmak için kurum kültürü uyumlu olmalı ve farklı uzmanlık alanlarına sahip kişilerin yer aldığı özel takımlar kurulmalı. Yakın gelecekte tüm şirketler, yapay zeka yani AI şirketleri olmak zorunda. Bu; yapay zeka alanında üretim yapacakları ya da teknoloji geliştirecekleri anlamına gelmiyor. Ama karar verme sürecinin merkezinde yapay zeka, makine öğrenmesi ve tabii ki dijital transformasyonun olması gerekiyor.