Google Research, doğal dilde yazılan coğrafi bir tahmin sorusunu veri bulma, temizleme, özellik üretme, model eğitme, değerlendirme ve raporlamaya kadar götüren deneysel Planetary Prediction Engine sistemini duyurdu. PPE adı verilen araç; halk sağlığı, gıda güvenliği, çevresel risk ve sosyoekonomik kırılganlık gibi alanlarda uzman ekiplerin haftalar süren veri mühendisliği işini dakikalara indirmeyi amaçlıyor. Bulgular umut verici, ancak PPE henüz erken araştırma aşamasında ve kriz kararlarını tek başına verecek bir ürün değil.
Neden Böyle Bir Sisteme İhtiyaç Var?
Küresel tahmin modellerinde veriler farklı kurumlarda, zaman aralıklarında ve coğrafi ölçeklerde tutuluyor. Bir sağlık göstergesi ilçe düzeyindeyken yağış verisi piksel, nüfus verisi bölge düzeyinde olabilir. Uzmanlar haftalarca doğru anahtarları eşleştirir, sızıntı yaratacak değişkenleri eler ve mekânsal doğrulama kurar.
Standart AutoML araçları genellikle önceden hazırlanmış tablo bekler. Dil modeli ajanları da coğrafi çözünürlük, zaman kapsamı ve komşu bölgelerin birbirini etkilemesi gibi özel sorunlarda zorlanabilir. PPE’nin hedefi yalnız algoritma seçmek değil; ham gezegen verisini güvenilir bir tahmin problemine dönüştürmek.
Üç Aşamalı İş Akışı
Birinci aşamada doğal dil sorusu kesin coğrafi kısıtlara çevriliyor. Sistem çözünürlüğü, zaman penceresini ve birleştirme anahtarlarını belirliyor; literatürde desteklenen doğrudan veya nedensel vekil sinyalleri arıyor. Data Commons ve Google Earth Engine yanında devlet portalları ile akademik kaynaklarda canlı web keşfi yapabiliyor.
İkinci aşamada istatistiksel değişkenler, Population Dynamics Foundation Models ve uydu görüntüsü anlamlarını taşıyan AlphaEarth gömmeleriyle birleştiriliyor. Feature Gate adlı kontrol, hedefin matematiksel parçası, aynı anketten türeyen veri, sonradan oluşmuş etki veya geleceğe ait zaman verisi gibi sızıntıları dört ölçütle eliyor.
Model Kurma ve Aşırı Uyum Koruması
Üçüncü aşama düzenlileştirilmiş doğrusal modeller, gradyan artırmalı karar ağaçları ve çok katmanlı algılayıcılar arasında arama yapıyor. Overfitting Guard Protocol veri riskini önceden değerlendiriyor, modelin yeni bölgelere genellenemediğini fark ederse kendini düzeltme döngüsü başlatıyor. Sonuç yalnız tahmin değil, kullanılan veri ve değerlendirmeyi açıklayan rapor.
Aşamalar birbirinden tanımlı giriş ve çıkışlarla ayrılıyor. Büyük veri parçaları dil modeli istemine metin olarak doldurulmuyor; opak veri tanıtıcılarıyla sonraki aşamaya aktarılıyor. Bu yaklaşım bağlam penceresi sınırını aşmadan büyük coğrafi varlıklarla çalışmayı ve adımların ayrı denetlenmesini kolaylaştırıyor.
ABD Sağlık ve Çevre Sonuçları
Google, 21 CDC sağlık göstergesinde PPE’nin ortalama R² değerini yüzde 76,8 olarak verdi; uzmanların elle kurduğu temel süreç yüzde 60 düzeyindeydi. FEMA ulusal risk göstergelerinde yüzde 64,9’a karşı yüzde 60, Sosyal Kırılganlık Endeksi’nde yüzde 66,2’ye karşı yüzde 58,6 sonuç bildirildi.
R², modelin verideki değişimi ne kadar açıkladığını ölçer; doğrudan “yüzde 76,8 doğru” anlamına gelmez. Farklı coğrafya ve yıllara taşındığında performans düşebilir. Sağlıkta veri kalitesi, eksik raporlama ve topluluklar arası eşitsizlik özellikle incelenmeli.
Nijerya Gıda Güvenliği ve Ebola Tahmini
Nijerya’da eyalet düzeyindeki gıda tüketim verisini 774 yerel yönetim alanına indirme görevinde PPE, pazar şokları, gıda fiyatı anomalileri ve mikro iklim sinyallerini birleştirdi. R² değeri temel modelde yüzde 31,5 iken PPE’de yüzde 66,1 oldu. Daha ayrıntılı harita yardımın hangi yerel alana öncelik vereceğini gösterebilir.
Kongo Demokratik Cumhuriyeti’ndeki 2026 Bundibugyo ebolavirüs salgınında sistem beş haftalık tahminde yeni girilen 18 sağlık bölgesinin 15’ini ilk 10 risk alanı içinde buldu; Recall@10 yüzde 83,3 oldu. Bu, yayımlanmış Bayesçi temel modelden yaklaşık 10,3 puan yüksek. Yine de yanlış pozitif ve kaçırılan bölgelerin insani maliyeti ayrıca değerlendirilmelidir.
Riskler ve Sorumlu Kullanım
Canlı webden veri çekmek güncellik sağlar, fakat lisans, tanım değişikliği ve yanlış kaynağı sisteme taşıma riski yaratır. Model raporu veri kaynağı, tarih, coğrafi ölçek ve belirsizliği görünür biçimde göstermeli. Karar verici yalnız renkli haritaya bakarak bütçe veya sağlık müdahalesi yapmamalı.
PPE, uzmanı ortadan kaldırmaktan çok veri hazırlama yükünü azaltabilir. Yerel kurumlar modelde görünmeyen göç, çatışma, kültür ve erişim koşullarını bilir. En güvenli düzen; otomatik tahmini yerel veri sahibi, alan uzmanı ve bağımsız istatistikçinin birlikte incelemesi, sonra kontrollü sahada doğrulamasıdır.
Almadanincele Yorumu
PPE’nin etkileyici yanı tek bir yüksek puan değil, doğal dil sorusundan veri ve rapora kadar kopuk süreci birleştirmesi. Kriz anında haftalar yerine dakikalar içinde ilk model üretmek, insan ekiplerinin daha erken harekete geçmesini sağlayabilir.
Fakat hızlı model hızlı karar demek değildir. Yanlış veri, hedef sızıntısı veya yerel bağlam eksikliği çok ikna edici bir haritada saklanabilir. Bizce PPE gibi sistemler erken uyarı ve hipotez üretiminde kullanılmalı; yardım, sağlık ve kamu politikası kararında yerel uzman ile bağımsız doğrulama vazgeçilmez kalmalı.
Türkiye açısından sel, kuraklık, tarımsal verim, salgın ve bölgesel kırılganlık gibi alanlar potansiyel kullanım sahaları. Ancak yerel veri tanımları, kurumlar arası paylaşım ve kişisel verilerin korunması baştan tasarlanmalı. Modelin hızlı olması, veri sahibinin izin ve sorumluluğunu ortadan kaldırmıyor.
Kapak görseli: Google Research resmi PPE araştırma grafiği. Kullanım bilgisi: Araştırmayı yayımlayan kurumun resmi açık araştırma görseli; kaynak belirtilerek editoryal kullanım.
