Genel amaçlı yapay zeka yerel klinik gerçeklikte neden başarısız olur

Sağlık teknolojisinde yaygın bir varsayım dolaşıyor: yeterince güçlü ve doğru yönlendirilmiş genel bir model neredeyse her yerde klinik işi yürütebilir. Karşılaştırma tablolarındaki yüksek puanlar da bunu doğrular gibi görünür. Ama o tablolar modeli ortalama görevlerde ölçer; oysa bir hastane ortalama bir yer değildir. Kendi dili, kendi kodlama sistemi ve neyin ödeneceğini belirleyen kendi mevzuatı vardır. “Genelde başarılı olmak” ile “burada işe yaramak” arasındaki fark, çoğu klinik yapay zekânın sessizce tökezlediği yerdir.

Bunun nedenini görmek için modelin neyle eğitildiğine bakmak yeterli. Genel modeller, büyük bölümü İngilizce ve genel içerikten oluşan devasa bir internet verisinden öğrenir. Gerçek klinik işi belirleyen şeyler ise — bir ülkenin geri ödeme kuralları, ulusal kodlama alışkanlıkları, hastaların şikâyetlerini gündelik dille nasıl anlattığı — bu verinin içinde neredeyse hiç bulunmaz. Bu yüzden böyle bir modele “bu işlem şu mevzuata göre ödenir mi?” diye sorduğunuzda, bilmediği bir alanda modellerin hep yaptığı şeyi yapar: akıcı ve kendinden emin, ama yanlış olabilecek bir cevap verir.

Bu teorik bir endişe değil. İç değerlendirmemizde, yerelleştirilmiş bir klinik modeli aynı görevlerde önde gelen genel amaçlı modellerle karşılaştırdık; fark en çok yerel sorularda açıldı. Geri ödeme kurallarına dair kararlarda yerel model %91 doğruluğa ulaşırken genel modeller %65–75 aralığında kaldı. Hastaların bölgesel ve günlük dille anlattığı şikâyetleri anlamada yerel model %88’e çıktı, genel modeller %49–63’e indi. En riskli hatada ise — var olmayan bir mevzuat maddesi uydurmak ya da yanlış maddeye atıf yapmak — genel modeller bunu, yerel modelin %0,3’lük oranının birkaç katı sıklıkta yaptı.

İyi haber şu ki bu farkı kapatmak, adımları belli bir mühendislik işi. Modele yerel klinik dili “sürekli ön eğitim” ile öğretirsiniz; yani birkaç kalıp cümle ezberletmek yerine onu o dilin içine yerleştirirsiniz. Uzmanlık bilgisini modüler eklerle katarsınız; böylece model gerektiğinde bir kodlama uzmanı, bir kardiyolog ya da bir geri ödeme uzmanı gibi düşünebilir. Cevaplarını da güncel kaynaklara bağlarsınız; kendi belleğine güvenmek yerine gerçek bir kaynağı gösterir. Bunların hiçbiri sıra dışı değil; daha da önemlisi, hiçbiri tek bir ülkeye özgü değil.

Asıl önemli nokta burada. Yerel modelin öne geçmesinin sebebi sadece Türkiye’de işe yarayan gizli bir formül değil; her pazarın diline, koduna ve kurallarına uygulanabilen bir yöntem. Genel zekâ sizi kapıdan içeri sokar; ama bir kurumun o işe gerçekten güvenmesi, onu faturalandırması ve uygulaması için yerel yetkinlik gerekir.

Açık olalım: bu rakamlar sentetik ve anonim veriyle yapılmış bir iç değerlendirmeden geliyor; karşılaştırılan modeller anonim tutuldu ve hepsi aynı koşullarda çalıştırıldı. Yani bunlar yerel modellerin nerede öne geçtiğini gösteren güçlü bir işaret; klinik bir garanti değil ve sahadaki gerçek doğrulamanın yerini tutmaz — o çalışma sürüyor. Amacımız bir testi kazanmak değildi; “uyumun” ölçülebilir bir şey olduğunu ve “genel” ile “yerel”in aynı olmadığını göstermekti.