İçindekiler
Yapay zekâ destekli hedefleme, maden aramalarında veri analizi ve hedef önceliklendirme için güçlü araçlardır. Ancak veri kalitesi ve doğrulama olmadan yapay zekâ sonuçları güvenilir sayılmaz. Bu rehber, yapay zekâ destekli hedeflemede veri kalitesi ve doğrulama prosedürleri için sistematik bir yaklaşım sunar; doldurma cümlelerden kaçınılır, saha uygulanabilirliği öne çıkarılır.
Veri Hazırlığı
Veri temizleme: eksik, tutarsız, hatalı veriler temizlenmelidir. Temizleme adımları (eksik değer doldurma, outlier tespiti, tutarsızlık düzeltme) kaydedilmelidir.
Veri normalizasyonu: farklı ölçek ve birimler normalize edilmelidir. Normalizasyon yöntemi (min-max, z-score, robust scaling) kaydedilmelidir.
Veri doğrulama: veri kalitesi metrikleri (tamamlık, tutarlılık, doğruluk) hesaplanmalıdır. Metrikler raporlanmalıdır; limit aşımı durumunda veri temizleme yapılmalıdır.
Yapay Zekâ Modeli Seçimi
Model türü: sınıflandırma (hedef/non-hedef), regresyon (tenör tahmini), kümeleme (hedef gruplama) hedef tipine göre seçilir. Model türü seçimi kaydedilmelidir.
Model algoritması: Random Forest, SVM, Neural Network, Gradient Boosting gibi algoritmalar test edilmelidir. Algoritma seçimi performans metriklerine göre yapılmalıdır.
Model parametreleri: hiperparametre optimizasyonu (grid search, random search, Bayesian optimization) yapılmalıdır. Optimizasyon sonuçları kaydedilmelidir.
Model Eğitimi ve Değerlendirme
Eğitim verisi: temsili ve dengeli veri seti kullanılmalıdır. Veri seti bölünmesi (train/validation/test) yapılmalıdır; bölünme oranları kaydedilmelidir.
Performans metrikleri: doğruluk (accuracy), hassasiyet (precision), geri çağırma (recall), F1-score hesaplanmalıdır. Metrikler raporlanmalıdır; metrik limitleri aşılmamalıdır.
Model yorumlanabilirliği: feature importance, SHAP değerleri analiz edilmelidir. Model kararları açıklanabilir olmalıdır; yorumlanabilirlik raporu hazırlanmalıdır.
Saha Doğrulama
Hedef önceliklendirme: model çıktıları jeoloji ve jeokimya ile karşılaştırılmalıdır. Çakışma durumunda hedef önceliği artar; çakışma yoksa doğrulama gerekir.
Doğrulama sondajı: yüksek öncelikli hedefler için doğrulama sondajı yapılmalıdır. Sondaj sonuçları model performansını değerlendirmek için kullanılmalıdır.
Model güncelleme: saha doğrulama sonuçlarına göre model güncellenmelidir. Güncelleme kayıtları saklanmalıdır; model sürümleri ayrı tutulmalıdır.
İzin ve Ruhsat
Arama ruhsatı: süre, yatırım taahhüdü, teminat durumu; ruhsat sınırları CBS’de kontrol edilmeli.
ÇED: gerekliyse ÇED raporu veya ÇED muafiyeti; orman/mera izinleri tek tabloda izlenmelidir.
Yerel izinler: belediye, jandarma, mülkiyet sahipleriyle sözleşme; tarih ve sorumlu net olmalıdır.
İSG ve Çevre
İSG planı: risk analizi, acil durum planı, yangın/ilk yardım ekipmanı, PPE; tatbikat takvimi zorunludur.
Çevresel ölçümler: temel gürültü, toz, su kalitesi ölçümleri; hassas alanlar kaçınma planına işlenmelidir.
Atık yönetimi: lisanslı bertaraf ve kayıt sistemi kurulmalıdır.
Veri ve Dijital Yönetim
GIS: veri katmanları aynı projeksiyonda; kontrol noktalarıyla doğrulanmalıdır.
Veri formları: dijital saha formu, otomatik yedek, erişim logları; günlük yedekleme zorunludur.
Sürümleme: parametre setleri, yazılım sürümleri, karar gerekçeleri sürüm notlarında tutulmalıdır.
Bütçe ve Zamanlama
Bütçe: veri hazırlama maliyeti, model eğitimi maliyeti, doğrulama maliyeti; sapma alarm eşikleri tanımlanmalıdır.
Zamanlama: veri hazırlama 2–3 hafta, model eğitimi 1–2 hafta, doğrulama 2–4 hafta; hava/izin gecikmesi için %20 tampon.
Hızlı Kontrol Listesi
Veri: veri temizlendi, normalizasyon yapıldı, doğrulama metrikleri hesaplandı.
Model: model türü seçildi, algoritma test edildi, hiperparametre optimizasyonu yapıldı.
Eğitim: eğitim verisi hazırlandı, model eğitildi, performans metrikleri hesaplandı.
Doğrulama: model çıktıları jeoloji/jeokimya ile karşılaştırıldı, doğrulama sondajı yapıldı.
Güncelleme: saha doğrulama sonuçlarına göre model güncellendi.
İzin: ruhsat geçerli, ÇED/orman/mera izinleri alındı.
İSG: risk analizi yapıldı, acil durum planı hazır.
Veri: GIS katmanları hazır, dijital formlar test edildi.
Sonuç
Yapay zekâ destekli hedefleme veri kalitesi ve doğrulama olmadan güvenilir sayılmaz. Veri temizleme, normalizasyon ve doğrulama prosedürleri kritiktir; model performansı sürekli izlenmelidir.
Saha doğrulama model güvenilirliğini artırır; izin, çevre ve paydaş süreçleri erken planlanırsa saha hızı ve arama maliyeti dengelenir.
Veri temizleme prosedürü: eksik, tutarsız, hatalı veriler temizlenmelidir; temizleme adımları kaydedilmelidir. Eksik değer doldurma (mean, median, mode), outlier tespiti (IQR, Z-score), tutarsızlık düzeltme (validation rules) yapılmalıdır.
Veri normalizasyonu: farklı ölçek ve birimler normalize edilmelidir; normalizasyon yöntemi kaydedilmelidir. Min-max normalizasyonu (0–1 aralığı), z-score normalizasyonu (ortalama 0, standart sapma 1), robust scaling (median ve IQR kullanımı) yaygın yöntemlerdir.
Feature engineering: özellik seçimi ve oluşturma model performansını artırır; feature importance analiz edilmelidir. Özellik seçimi (correlation, mutual information, recursive feature elimination), özellik oluşturma (polynomial, interaction, domain knowledge) yapılmalıdır.
Model seçimi: sınıflandırma, regresyon, kümeleme hedef tipine göre seçilir; model karşılaştırması yapılmalıdır. Sınıflandırma (Random Forest, SVM, Neural Network), regresyon (Linear Regression, Gradient Boosting), kümeleme (K-means, DBSCAN) yaygın yöntemlerdir.
Hiperparametre optimizasyonu: grid search, random search veya Bayesian optimization ile yapılmalıdır. Grid search (tüm kombinasyonlar), random search (rastgele kombinasyonlar), Bayesian optimization (probabilistic model) yaygın yöntemlerdir.
Cross-validation: k-fold cross-validation ile model doğrulanmalıdır; overfitting kontrol edilmelidir. K-fold cross-validation (genellikle k=5 veya k=10), stratified k-fold (sınıf dengesi korunur), time series cross-validation (zaman serisi için) yaygın yöntemlerdir.
Model yorumlanabilirliği: feature importance, SHAP değerleri analiz edilmelidir; model kararları açıklanabilir olmalıdır. Feature importance (ağaç tabanlı modeller), SHAP değerleri (her özellik için katkı), LIME (local interpretability) yaygın yöntemlerdir.
Saha doğrulama: model çıktıları jeoloji ve jeokimya ile karşılaştırılmalıdır; yüksek öncelikli hedefler için doğrulama sondajı yapılmalıdır. Model çıktıları jeolojik kesitlerle karşılaştırılmalıdır; çakışma durumunda hedef önceliği artar.
Model güncelleme: saha doğrulama sonuçlarına göre model güncellenmelidir; güncelleme kayıtları saklanmalıdır. Model güncelleme (transfer learning, fine-tuning, retraining) yapılmalıdır; model sürümleri ayrı tutulmalıdır.
Veri kalitesi metrikleri: tamamlık (completeness), tutarlılık (consistency), doğruluk (accuracy) hesaplanmalıdır; metrikler raporlanmalıdır. Tamamlık (eksik değer oranı), tutarlılık (veri formatı uyumu), doğruluk (gerçek değerlerle uyum) yaygın metriklerdir.
Veri kaynağı: veri kaynağı (jeofizik, jeokimya, jeoloji) kaydedilmelidir; veri kalitesi kaynağa göre değerlendirilmelidir. Veri kaynağı güvenilirlik için kritiktir; kaynak kayıtları saklanmalıdır.
Veri sürümleme: veri sürümleri ayrı tutulmalıdır; sürüm değişiklikleri kaydedilmelidir. Veri sürümleme veri bütünlüğü için kritiktir; sürüm kayıtları saklanmalıdır.
Model performans izleme: model performansı sürekli izlenmelidir; performans düşüşü durumunda model güncellenmelidir. Performans izleme (accuracy drift, data drift, concept drift) yapılmalıdır; izleme kayıtları saklanmalıdır.
Model karşılaştırması: farklı modeller karşılaştırılmalıdır; en iyi model seçilmelidir. Model karşılaştırması (A/B testing, ensemble methods) yapılmalıdır; karşılaştırma sonuçları kaydedilmelidir.
Ensemble yöntemleri: birden fazla model birleştirilerek performans artırılabilir; ensemble yöntemleri test edilmelidir. Voting (majority vote), bagging (Random Forest), boosting (Gradient Boosting) yaygın yöntemlerdir.
Overfitting kontrolü: model eğitim verisi üzerinde çok iyi, test verisi üzerinde kötü performans gösteriyorsa overfitting vardır; overfitting kontrol edilmelidir. Regularization (L1, L2), dropout (Neural Network), early stopping yaygın yöntemlerdir.
Underfitting kontrolü: model hem eğitim hem test verisi üzerinde kötü performans gösteriyorsa underfitting vardır; underfitting kontrol edilmelidir. Model karmaşıklığı artırma, feature engineering, daha fazla veri yaygın çözümlerdir.
Veri dengesizliği: sınıf dengesizliği (hedef/non-hedef) model performansını etkiler; dengesizlik kontrol edilmelidir. Oversampling (SMOTE), undersampling, class weights yaygın yöntemlerdir.
Model deployment: model üretim ortamına alınmalıdır; deployment süreci kaydedilmelidir. Model deployment (API, batch processing, real-time) yapılmalıdır; deployment kayıtları saklanmalıdır.
Model monitoring: model performansı sürekli izlenmelidir; performans düşüşü durumunda alarm verilmelidir. Model monitoring (accuracy, latency, throughput) yapılmalıdır; monitoring kayıtları saklanmalıdır.
Veri görselleştirme: model çıktıları, feature importance, SHAP değerleri görselleştirilmelidir. Kararlar görsel kanıtlarla desteklenmeli; alternatif senaryolar açıkça gösterilmelidir.
Risk kaydı: her risk için olasılık/etki ve sorumlu belirtilmeli; kapalı riskler tarih ve kanıtla işaretlenmelidir. Risk kaydı düzenli gözden geçirilmeli; yeni riskler eklenmelidir.
Model güncelleme: sonuçlar geldiğinde jeolojik model, bütçe ve zamanlama revizyonu aynı hafta içinde yapılmalıdır. Pozitif sonuçta genişleme, negatifte kapanış kriteri net olmalıdır.
Ekip eğitimi: personel kontrol listesiyle doğrulanmalıdır; eğitim kayıtları periyodik güncellenmelidir. Yeni ekip sahaya girmeden önce eğitim almalıdır.
Paydaş bilgilendirme: yerel paydaşlara faaliyet kapsamı, çevresel önlemler açıklanmalıdır. Toplantı tutanakları ve görseller dijital arşive eklenmelidir.
Veri yedekleme: günlük yedekleme zorunludur; veri kaybı riskine karşı farklı fiziksel konumda saklanmalıdır. Yedekleme prosedürü test edilmeli; kurtarma tatbikatı yapılmalıdır.
Bütçe sapma alarmı: maliyetler için sapma alarm eşikleri (%10–20) tanımlanmalıdır. Sapma durumunda hızlı revizyon yapılmalıdır.
Zamanlama tamponu: hava koşulları, izin gecikmeleri için %20 tampon eklenmelidir. Kritik karar noktaları önceden yazılmalıdır.
Saha güvenliği: ziyaretçi kontrolü, araç takip ve kritik ekipman için kilit/etiket sistemi uygulanmalıdır. Güvenlik turları ve bulgu listeleri arşive eklenmelidir.
Acil durum: toprak kayması, yangın, yakıt dökülmesi senaryoları planlanmalı; tatbikat kayıtları tutulmalıdır. Tatbikat sonuçlarına göre plan revize edilmelidir.
İzin takibi: ruhsat yenileme, ÇED güncelleme, orman/mera izin süreleri otomatik hatırlatıcılarla takip edilmelidir. İzin süresi dolmadan önce yenileme başlatılmalıdır.
Veri mahremiyeti: saha tabletlerinde disk şifreleme ve uzaktan silme seçenekleri açık olmalıdır. Kayıp/çalıntı durumunda prosedür tetiklenmeli; veri sızıntısı önlenmelidir.
Rehabilitasyon planı: delik kapama, yüzey düzenleme, drenaj kontrolü fotoğraflı ve koordinatlı kaydedilmelidir. Rehabilitasyon taahhütleri sahada kanıtlanabilir olmalıdır.
Paydaş iletişimi: yanlış anlaşılmaları önlemek için görsel ve sade dil kullanılmalıdır. Teknik jargon sınırlı tutulmalı; risk ve belirsizlikler açıkça ifade edilmelidir.
Veri sunumu: özet ve teknik detay ayrı katmanlarda verilmelidir. Paydaşların ihtiyaçlarına göre erişim sağlanmalı; görsel kanıtlar destekleyici olmalıdır.
Uzun vadeli veri bütünlüğü: açık format (CSV/GeoPackage) ve iyi belgelenmiş şema kullanılmalıdır. Kapalı format bağımlılığı azaltılmalı; veri erişilebilirliği korunmalıdır.
İzleme raporları: olumlu sonuçlar kadar eksiklikler de açık yazılmalıdır. Düzeltici aksiyonlar tarih ve sorumlu ile kapatılmalı; süreç iyileştirmesi yapılmalıdır.
Saha başarıları ve dersleri: kurum içi bilgi havuzuna eklenerek sonraki projelere aktarılmalıdır. Tekrar eden hatalar önlenmeli; başarılı uygulamalar paylaşılmalıdır.
Ekip içi teknik değerlendirme: haftalık toplantılar yapılmalı; kararlar aksiyon listesiyle takip edilmelidir. Bilgi kaybı önlenmeli; kararlar yazılı hale getirilmelidir.
Model güncelleme süreci: sonuçlar geldiğinde jeolojik model, bütçe ve zamanlama revizyonu aynı hafta içinde yapılmalıdır. Pozitif sonuçta genişleme, negatifte kapanış kriteri net olmalıdır.
Veri görselleştirme standardı: model çıktıları, feature importance, SHAP değerleri düzenli güncellenip ekip toplantılarında paylaşılmalıdır. Kararlar görsel kanıtlarla desteklenmeli; alternatif senaryolar açıkça gösterilmelidir.
Risk yönetimi: her risk için olasılık/etki ve sorumlu belirtilmeli; kapalı riskler tarih ve kanıtla işaretlenmelidir. Risk kaydı düzenli gözden geçirilmeli; yeni riskler eklenmelidir.
Saha kampı kapatma: yakıt ve kimyasal stokları geri toplanmalı, tehlikeli atık lisanslı tesise gönderilmelidir. Kanıt belgeleri arşive konmalı; rehabilitasyon taahhütleri yerine getirilmelidir.
Paydaş bilgilendirme kapanış: saha sonrası beklentiler yönetilmeli; rehabilitasyon takvimi net paylaşılmalıdır. Güven ilişkisi korunmalı; gelecekteki izin süreçlerinde referans oluşturulmalıdır.