Yapay Zekanın Etik Sınırları: Önyargısız Algoritma Mümkün mü?

Giriş: Algoritmaların Gölgesinde Kalan İnsan Hikâyeleri

2020’de ABD’de bir sağlık algoritması, siyahi hastalara beyaz hastalara kıyasla üç kat daha az bakım önerdi. Haber Science dergisine kapak olduğunda çoğumuz “Veri kötü olmalı” dedik. Oysa problem, verinin değil; onu seçme, ağırlıklandırma ve yorumlama biçimimizdi. Yapay zekâ (YZ) sistemlerinin etik sınırlarını konuşurken sorgulamamız gereken ilk şey: Önyargısız bir algoritma gerçekten mümkün mü, yoksa bu bir ütopya mu?

1. Önyargı Nedir ve Neden Kodlara Sızar?

YZ sistemleri desen tanır: Geçmişe dair örneklerden geleceği tahmin eder. Eğitim kümesi toplumsal eşitsizlikleri barındırıyorsa, model bu desenleri “doğru” kabul eder. Kadın CV’lerini eleyen insan kaynakları aracı, mahalle bazlı suç tahmini yapan polis haritası ya da kredi notunu etnik kimliğe göre düşüren risk motoru… Hepsi aynı kırık aynayı tutar: Tarihsel adaletsizliği hızlandırarak dijitalleştirir.

Üstelik önyargı sadece veride değil; etiketleme, öznitelik seçimi, hedef fonksiyonu ve model tercihlerinde gizlidir. “Tarafsız matematik” yanılgısı, sorumluluğu insanın omzundan alıp algoritmanın içine saklar.

2. Etik Sınırları Çizmek: Yasal mı, Ahlaki mi?

Avrupa Birliği’nin yapım aşamasındaki AI Act’i, “yüksek riskli” sistemlerde şeffaflık ve insan denetimi zorunluluğu getiriyor. Türkiye’de Kişisel Verileri Koruma Kurumu, 2023’te yüz tanıma cezaları kesti. Ancak yasal çerçeve minimum güvenlik korkuluklarıdır; etik, bunların ötesine geçer.

“Yasal olan her zaman adil değildir; adil olan da yasal olmayabilir.”

Bu nedenle şirketlerin etik kurulları, teknik ekibin “yapabiliriz” cümlesine “yapmamalıyız” diyebilmelidir. Sürdürülebilir çözüm, hukuk + etik + teknik denetimin çok disiplinli ortaklığıdır.

3. Önyargısızlık Ütopyası mı? Pratik Araçlar ve Yöntemler

Tamamen önyargısız model yoktur; ancak “daha az adaletsiz” model mümkündür. Araştırmacılar bugün:

• Adillik ölçütleri (demographic parity, equal opportunity) ile modeli test eder,
• Sensitif öznitelik temizliği veya adversarial debiasing teknikleriyle ayrımcı sinyalleri zayıflatır,
• Counterfactual fairness yaklaşımıyla “kişi başka bir cinsiyette ya da etnik kökende olsaydı” senaryolarını simüle eder,
• Explainability katmanlarını kullanarak karar gerekçelerini denetleyebilir hale getirir.

Google’ın Inclusive Images veri kümesi, IBM’un AI Fairness 360 kitaplığı yaşıyorsa, sebebi toplumun talebidir: Şeffaflık, hesap verebilirlik ve iptal hakkı.

4. Sorumluluk Zinciri: Kim Hesap Verecek?

Modeli kodlayan geliştirici mi, veriyi toplayan iş analisti mi, ürünü pazarlayan CEO mu? Hukuk metinleri “veri sorumlusu” ve “veri işleyen” diye ayırır; fakat etik sorumluluk bulaşıcıdır. Paralelde, nihai kararın insan denetiminden çıkmaması gerektiği vurgulanır. Avrupa’nın “human-in-the-loop” prensibi, otonom silahlarda olduğu gibi hayati alanlarda zorunludur.

Türkiye özelinde 6698 sayılı KVKK ve yeni hazırlanan Yapay Zeka Stratejisi Taslağı, “etik ve güvenilir YZ” ilkelerini sıralıyor. Fakat cezai yaptırımın yanı sıra, kamuoyu baskısı ve itibar riski de caydırıcılığı artırır. Şirketler için en ucuz çözüm, sorunu erken safhada yakalamaktır: Model karta çıkmadan önce etik hackathon’ları, red-team testleri ve çeşitlilikte zengin ekipler.

5. Kullanıcılar Ne Yapabilir? Farkındalık ve Talep Hakkı

Algoritmalar bizi izlerken biz de onları izleyebiliriz. Üç pratik adım:

1. Veri minimizasyonu: Uygulama izinlerini kısıtlayarak hassas bilgi sızdırmayın.
2. Karar itirazı: Kredi, işe alım ve sigorta reddinde “otomatik karara itiraz hakkı”nızı kullanın (KVKK m.13).
3. Şeffaflık talebi: Algoritmanın gerekçesini öğrenmek için veri sorumlusuna başvurun; açıklanamayan karar, güvenilmez karardır.

Sonuç: İnsan Faktörü Asla Çıkışa Koyulmasın

Önyargısız algoritma, saf matematik değil; sürekli diyalog, denetim ve düzeltme gerektiren bir süreçtir. Etik sınırları çizerken kullandığımız kalem, teknik değil; toplumsal değerlerimizdir. Dolayısıyla YZ’yi adil kılan, verideki mükemmellik değil; insandaki sorumluluk bilincidir.

Ütopyaya giden yol, her güncellemede “Bu model kimseyi dışlamaz mı?” diye sormaktan geçer. Soruyu sormaya devam ettiğimiz sürece, algoritmalar bizi değil; biz algoritmaları şekillendiririz.