Yüzmenin Fitness ve Yarışma Endüstrileri Yapay Zeka İçin Veriye Uygun mu? – Bölüm 1

Giriş

Veriye dayalı içgörüler pek çok sporu dönüştürerek daha hassas antrenman planları, sakatlık riski takibi ve gerçek zamanlı performans geri bildirimi imkânı sunmuştur (Vec ve diğerleri, 2024; Leckey ve diğerleri, 2025). Ancak milisaniyelerin belirleyici olduğu yüzme sporunda veri kalitesi ve yapısı hâlâ önemli bir sorun olmaya devam etmektedir. Yapay zeka ve makine öğrenimi (MÖ) daha iyi kararlar almamıza nasıl yardımcı olabilir; veri kalitesi görmezden gelindiğinde ne tür riskler ortaya çıkar?

İki bölümlük serimizin bu ilk bölümü, yapay zeka için veri hazırlığı konusunda literatüre dayalı bir inceleme sunmaktadır. YZ/MÖ araştırma alanlarından beslenerek bu fikirleri yüzme sporuna özgü senaryolara uygulamaktadır. Amacımız, yapay zeka sistemlerinin gereksinimleri ile yüzme sporunun bu gereksinimleri karşılama kapasitesi arasındaki boşluğu kapatmaktır. Veri kalitesinin temellerini, yetersiz veri yönetiminin yarattığı tehlikeleri ve sağlam, yapay zekaya hazır veri kümeleri oluşturmak için gereken temel unsurları ele alacağız. Bu incelemenin sonunda, havuzda gelişmiş analitik, daha iyi karar alma ve daha kullanışlı performans geri bildirimi için neden iyi yapılandırılmış, yüksek kaliteli verilerin vazgeçilmez olduğunu anlayacaksınız.

Bölüm 1'de Ele Alınan Konular:

• Bölüm 1: Veri Kalitesi Neden MÖ/YZ için Vazgeçilmezdir? Yüzme gibi performansın kritik önem taşıdığı spor dallarında, YZ ve MÖ uygulamaları için yüksek kaliteli ve iyi yönetilen verinin neden vazgeçilmez olduğunun temel nedenlerini ortaya koyuyoruz.
• Bölüm 2: Düşük Kaliteli Verinin Engelleri, Tuzakları ve Zorlukları Bu bölüm; önyargılı modeller, hatalı antrenman stratejileri ve boşa harcanan kaynaklar dahil olmak üzere kötü veri uygulamalarının pratik sonuçlarını ele almaktadır.
• Bölüm 3: YZ/MÖ'de Yüksek Kaliteli Veriyi Güvence Altına Almanın Temel Temelleri İçsel ve bağlamsal veri kalitesinden etik uyuma kadar güvenilir veri yönetiminin temel dayanaklarını sunuyoruz; bunların tümü güvenilir YZ sonuçları üretmek açısından kritik öneme sahiptir.

Bölüm 1: Veri Kalitesi Neden MÖ/YZ için Vazgeçilmezdir? — "YZ'nin Motoru"

Düşük kaliteli veya kirlenmiş yakıtla çalışan bir motoru hayal edin. Bu motor en iyi performansını sergileyemez. Veri de Makine Öğrenimi (MÖ) ve Yapay Zeka (YZ) için benzer bir işlev görür. Özellikle yüzme sporunda, doğru veriler modern analitiği, performans takibini ve karar almayı mümkün kılar. Düşük kaliteli veya eksik veriler, en gelişmiş yapay zeka sistemlerini bile yanıltabilir; antrenman planlarını ve rekabet kararlarını bozma riski taşır.

Aşağıda, veri kalitesinin YZ destekli her uygulama için neden hayati önem taşıdığına ilişkin temel nedenler yer almaktadır:

1. Model Doğruluğu ve Güvenilirliği Yüksek kaliteli veriler, YZ modellerinin daha güvenilir çıktılar üretmesine yardımcı olur. Yüzmede; vuruş sayısı, tur süreleri ve kalp atış hızı değişkenliği gibi ölçütlere ilişkin tutarlı ve doğru veriler, antrenörlerin ve sporcuların YZ tarafından üretilen içgörüleri daha güvenle yorumlamasını sağlayabilir. Öte yandan düşük kaliteli veriler, güvenilmez modellere ve hatalı antrenman önerilerine yol açabilir (Priestley ve diğerleri, 2023; Polyzotis ve diğerleri, 2018).
2. Veri Kademeli Hatalarından Kaçınma Veri hataları, MÖ sürecinin tamamına yayılarak küçük başlangıç hatalarının daha büyük sorunlara dönüştüğü bir kademeli etki yaratabilir. Örneğin, tur sürelerinin sürekli olarak yanlış kaydedilmesi; hız analizini, yorgunluk tahminlerini ve yarış stratejilerini bozarak maliyetli verimsizliklere yol açabilir (Sambasivan ve diğerleri, 2021; Polyzotis ve diğerleri, 2018).
3. Önyargı ve Adalet Özellikle rekabetçi sporlarda önyargılı veya eksik veriler, çarpık içgörülere ve eşitsiz sonuçlara yol açabilir. Örneğin, belirli yüzücü demografik gruplarıyla ya da koşullarıyla sınırlı eğitim verileri, bazı sporcuları diğerlerine tercih eden modeller oluşturarak kilit faktörleri dışarıda bırakabilir. Çeşitli ve temsili verilerin sağlanması, önyargıyı azaltmaya ve genelleme kapasitesini artırmaya yardımcı olur (Zhou ve diğerleri, 2024; Qayyum ve diğerleri, 2020).
4. Veri Temizleme ve Hazırlama Etkili veri temizleme; gürültüyü giderir, tutarsızlıkları düzeltir ve eksik değerleri giderir. Bunu bir havuzun su kalitesini korumaya benzetebiliriz; düzgün temizleme yapılmadan sporcuların performans verileri ve YZ içgörüleri zarar görebilir. MÖ için temizleme, yalnızca genel hata gidermeyi değil, hedeflenen uygulamayı da gözetmelidir (Neutatz ve diğerleri, 2021; Polyzotis ve diğerleri, 2018; Priestley ve diğerleri, 2023).
5. Alana Özgü Gereksinimler Her spor dalı kendine özgü ölçütler ve gereksinimler barındırır. Yüzmede; vuruş sıklığı, dinlenme aralıkları ve su altı fazlarının izlenmesi büyük önem taşır. Veri kalitesi denetimlerini bu özelliklere göre uyarlamak, YZ çıktılarının yalnızca genel veri kullanılabilirliğine değil, gerçek dünya performans ihtiyaçlarına yanıt vermesini sağlar (Priestley ve diğerleri, 2023; Rangineni, 2023).
6. Sürekli İzleme ve Yönetim Veri toplama, bir model eğitildikten sonra durmaz. Sporcuların performansı gelişir, programlara yeni sporcular katılır ve sensörler zamanla değişebilir. Gelen verilerin sürekli izlenmesi, YZ araçlarının kullanıldıkları bağlamla ilişkili kalmalarını sağlar (Bangad ve diğerleri, 2024; Zhou ve diğerleri, 2024).
7. Kapsamlı Veri Kalitesi Yönetimi Tur sayıları, biyometrik okumalar ve video analitiği gibi büyük hacimli ve çeşitli eğitim verilerinin yönetimi; sağlam ve ölçeklenebilir süreçler gerektirir. Net bir veri kalitesi stratejisi, MÖ yaşam döngüsü boyunca tutarlılığı korumak amacıyla hacim, çeşitlilik ve hız boyutlarını ele alır (Rangineni, 2023; Priestley ve diğerleri, 2023).
8. Etik ve Yasal Değerlendirmeler Performans ve sağlık ölçütlerinin toplanması; özellikle gizlilik ve uyum konularında etik kaygılar doğurur. Yüksek veri kalitesi standartları, güvenli yönetim ve etik yönergelere bağlılık, kuruluşların yasal yükümlülüklerini yerine getirmesine yardımcı olur (Qayyum ve diğerleri, 2020; Zhou ve diğerleri, 2024).

Veri kalitesi, başarılı MÖ/YZ sistemlerinin temelidir. Doğru, kapsamlı ve iyi yönetilen veriler daha güvenilir modeller üretebilir; antrenörler, sporcular ve paydaşlar arasında güven tesis edebilir. Veriyi YZ uygulamalarının "yakıtı" olarak ele almak; antrenman tesislerinde, araştırma laboratuvarlarında veya uluslararası yarışmalarda daha adil sonuçları destekler.

Bölüm 2: Düşük Kaliteli Verinin Engelleri, Tuzakları ve Zorlukları

Spor analitiğinde düşük veri kalitesi yalnızca küçük bir aksaklık değildir; antrenman programlarını raydan çıkarabilir, değerli kaynakları boşa harcayabilir ve YZ destekli içgörülere duyulan güveni sarsabilir. Dönüş sürelerini izleyen antrenörlerden büyük sensör veri kümelerini analiz eden spor bilimcilere kadar bu temel tuzakları anlamak, güvenilir sonuçlar elde etmek açısından kritik öneme sahiptir.

1. Model Performansının Düşmesi YZ modelleri öğrenmek ve tahminler üretmek için doğru ve eksiksiz verilere dayanır. Eksik veya hatalı verilerle beslendiğinde—örneğin yanlış tur süreleri ya da hatalı kaydedilen vuruş sayıları—modeller güvenilmez tahminler üretebilir. Çıktılar, antrenör değerlendirmesinden geçen karar desteği olarak değil, doğrudan reçete olarak ele alındığında bu durum; yetersiz hız stratejilerine ya da potansiyel olarak uygunsuz antrenman kararlarına yol açabilir (Priestley ve diğerleri, 2023; Leckey ve diğerleri, 2025).
2. Veri Kademeli Hataları Sürecin başındaki küçük veri hataları ilerleyen aşamalarda daha büyük sorunlara dönüşebilir. Örneğin, sık ani artışları yanlış kaydeden bir kalp hızı monitörü, bir sporcunun sağlığıyla ilgili "yanlış alarmlar" tetikleyerek gereksiz antrenman planı değişikliklerine neden olabilir. Bu kademeli hatalar, YZ sistemlerine duyulan güveni zayıflatır ve karar kalitesini olumsuz etkileyebilir (Sambasivan ve diğerleri, 2021; Polyzotis ve diğerleri, 2018).
3. Önyargı ve Adalet Sorunları Düşük veri kalitesi çoğunlukla çeşitli sporcu popülasyonlarını temsil etmeyen eksik veri kümelerinden kaynaklanır. Modeller sınırlı verilerle—örneğin yalnızca elit yüzücülere ait ölçütlerle—eğitildiğinde, genç veya masterlar kategorisindeki sporcular için alakasız ya da potansiyel olarak uygunsuz tavsiyeler üretebilirler. Kapsayıcı ve temsili veri toplama, önyargıyı azaltmanın anahtarıdır (Zhou ve diğerleri, 2024; Qayyum ve diğerleri, 2020).
4. Standartlaştırılmış Ölçütlerin Eksikliği Temel ölçütleri kayıt altına almak için standart yöntemler olmadığında—örneğin vuruş hızı veya tur segment süreleri—verinin takımlar veya çalışmalar arasında karşılaştırılması güçleşir. Tutarsız tanımlar, YZ çözümlerini benimseme sürecinde karışıklığa yol açarak ilerlemeyi yavaşlatabilir ve uygulamalar genelinde hataları artırabilir (Priestley ve diğerleri, 2023).
5. Veri Zehirlenmesi ve Güvenlik Riskleri Veri kötü yönetildiğinde, kurcalamaya veya kötü amaçlı saldırılara karşı savunmasız hale gelir. Spor dünyasında değiştirilmiş performans verileri; izci raporlarını yanıltabilir, sıralamaları çarpıtabilir, hatta bahis piyasalarını bile etkileyebilir. Sağlam doğrulama ve güvenlik önlemleri uygulamak, bu tür veri zehirlenmesi risklerinin önüne geçmeye yardımcı olur (Qayyum ve diğerleri, 2020).
6. Kaynak Kısıtlamaları ve Belgeleme Sorunları Yetersiz kaynaklara sahip ekipler ve belirsiz veri toplama protokolleri çoğunlukla önlenebilir hatalara yol açar. Örneğin, yetersiz belgelenmiş sensör kalibrasyon prosedürleri verilerin yanlış etiketlenmesine neden olabilir; bu durum daha sonra düzeltmek için yoğun çaba gerektiren sorunlar yaratır. Zamanla bu kaynak açıkları verimsizlikleri katlamalı biçimde artırır (Sambasivan ve diğerleri, 2021).
7. Etik ve Yasal Zorluklar Biyometrik veya sağlıkla ilgili ölçütler dahil olmak üzere hassas sporcu verilerinin işlenmesi, gizlilik mevzuatına sıkı uyumu gerektirir. Özensiz veri yönetimi; mevzuata aykırılığa, yasal sorunlara ve sporcularla personel arasındaki güvenin zedelenmesine yol açabilir (Qayyum ve diğerleri, 2020; Zhou ve diğerleri, 2024).
8. Operasyonel Verimsizlikler Düşük veri kalitesi, sürekli temizleme ve doğrulama gerektirerek ilerlemeyi önemli ölçüde yavaşlatabilir. Hatalı verilerle "söndürücülük" yapmak için harcanan zaman, gelişmiş antrenman stratejileri geliştirmeye veya ek deneyler yürütmeye ayrılabilirdi (Priestley ve diğerleri, 2023).
9. Eğitim ve Bilgi Açıkları Pek çok spor kuruluşu, veri toplama, yönetim ve etik konularında yeterli eğitimden yoksundur. Bu temel bilgi olmadan, ekipler farkında olmadan veri kümelerine hatalar karıştırabilir; bu durum YZ çözümlerini ölçeklendirirken yeni zorluklar yaratır (Zhou ve diğerleri, 2024).
10. Genelleme ve Temsil Kabiliyeti Dar veri kümeleriyle eğitilen modeller, farklı bağlamlara genelleştirilmekte çoğunlukla zorlanır. Örneğin, yalnızca elit yüzücüler üzerinde eğitilmiş bir model genç veya masterlar sporcuları için sınırlı değer taşıyabilir; bu durum ek veri toplama ve yeniden eğitimi zorunlu kılar (Priestley ve diğerleri, 2023; Rangineni, 2023).

Düşük veri kalitesi, sporda YZ benimsenmesi önünde önemli engeller oluşturmaktadır. Bozulan model performansından etik risklere ve operasyonel gecikmelere kadar bu tuzaklar, sağlam, iyi belgelenmiş ve güvenli veri süreçlerine olan ihtiyacı açıkça ortaya koymaktadır. Bu zorlukların üstesinden gelerek antrenörlere, bilim insanlarına ve destek personeline YZ içgörülerine güvenmek için daha sağlam bir zemin sunmak mümkündür; bu da sonuçta daha iyi antrenman kararlarını ve daha adil sonuçları destekler.

Bölüm 3: YZ/MÖ'de Yüksek Kaliteli Veriyi Güvence Altına Almanın Temel Temelleri

Yüksek kaliteli veriye ulaşmak tesadüf değildir; bilinçli stratejiler ve titiz süreçler gerektirir. Spor dünyasında, özellikle yüzmede, veriler tur süreleri, vuruş sayıları ve fizyolojik ölçütler gibi çeşitli kaynaklardan elde edilir. YZ modellerinin güvenilir içgörüler sunabilmesi için her veri noktasının doğru, ilgili ve bağlamsal açıdan anlamlı olması gerekir. Aşağıda, etkili veri toplama, yönetim ve kullanımı destekleyen temel unsurlar yer almaktadır.

1. İçsel Veri Kalitesi İçsel kalite, verinin kendisinin doğru, tutarlı ve eksiksiz olmasını sağlamaya odaklanır. Yüzmede, yanlış kaydedilen bir tur süresi gibi küçük bir hata bile antrenman önerilerini bozabilir ve sporcu sonuçlarını olumsuz etkileyebilir. Yüksek içsel kaliteye ulaşmak için zamanlama pedleri ve giyilebilir cihazlar gibi sensörler düzenli olarak kalibre edilmelidir. Otomatik verileri video incelemesiyle karşılaştırmak gibi periyodik spot kontroller, temel ölçütlerin doğruluğunu doğrulamaya yardımcı olur. Fiziksel sınırları aşan vuruş hızları gibi aykırı değerleri işaretleyen otomatik sistemler de büyük önem taşır (Priestley ve diğerleri, 2023; Rangineni, 2023). Bu bir arada uygulanan önlemler, verinin YZ destekli analizler için yeterince güvenilir kalmasını sağlar.

2. Bağlamsal Kalite Bağlamsal kalite, verinin ilgili, güncel ve hedeflenen YZ görevi için uygun olmasını güvence altına alır. Örneğin, kısa parkurlu havuzlardan toplanan eğitim verileri açık su yüzmesine uygulanamayabilir; bu durum segmentasyonu zorunlu kılar. Bağlamsal geçerliliği korumak için ekipler, başlangıç, dönüş veya genel dayanıklılığın geliştirilmesi gibi veri toplama hedeflerini net biçimde tanımlamalıdır. Bağlamsal açıdan anlamlı içgörüler sunmak amacıyla veriler; havuz boyutu veya rakım gibi koşullara göre sınıflandırılmalıdır. Üstelik antrenman gereksinimleri değiştikçe veri toplama süreçleri de bu gelişime ayak uydurmalıdır (Priestley ve diğerleri, 2023; Zhou ve diğerleri, 2024).

3. Temsil Kalitesi Temsil kalitesi, takımlar ve sistemler genelinde tutarlı ve yorumlanabilir veri formatlarına odaklanır. Standartlaştırma olmadan performans verileri yanlış yorumlanabilir; örneğin farklı takımlar 50 metrelik bir turu "50 Serbest" ya da "FC_50" olarak etiketleyebilir. Standart adlandırma kurallarının benimsenmesi ve takımlar arasında paylaşılan bir veri şemasının sürdürülmesi bu sorunların önüne geçmeye yardımcı olur. Ekipler ayrıca verilerin ne zaman ve nasıl toplandığına ilişkin ayrıntıları belgelemek için meta veri kullanmalıdır (Priestley ve diğerleri, 2023). Bu önlemler, iç ve dış paydaşlar arasındaki karışıklığı önler ve iş birliğini geliştirir.

4. Erişilebilirlik Erişilebilirlik, verinin gizliliği korurken yetkili kullanıcılara sunulmasını sağlar. Antrenörler, spor bilimciler ve sporcular genellikle antrenmanı ayarlamak için performans verilerine gerçek zamanlı erişime ihtiyaç duyar. Rol tabanlı erişim denetimine sahip güvenli bulut tabanlı sistemler, güvenliği tehlikeye atmadan erişim sağlayabilir. Bunun yanı sıra, teknik bilgisi olmayan kullanıcılar için tasarlanmış kullanıcı dostu panolar daha geniş bir erişilebilirlik imkânı sunar. Hassas sporcu verileri için gizlilik mevzuatına uyumu sağlamak amacıyla şifreleme uygulanmalıdır (Zhou ve diğerleri, 2024; Qayyum ve diğerleri, 2020). Bu önlemler, etkili karar almayı desteklerken veri kullanılabilirliği ile gizliliği dengelemeye yardımcı olur.

5. Veri Yaşam Döngüsü Yönetimi Veri yaşam döngüsü yönetimi, toplama aşamasından işleme, depolama, analiz ve nihayetinde arşivleme ya da silmeye kadar tüm süreci kapsar. İzlenebilirlik kilit öneme sahiptir; bu olmadan YZ sürecine fark edilmeksizin hatalar karışabilir. Toplama tarihleri ve sensör kalibrasyon kayıtları gibi ayrıntılar dahil olmak üzere kapsamlı belgeler tutmak, veri bütünlüğünün korunmasına yardımcı olur. Kaliteli veri kümelerine odaklanmayı sürdürürken güncelliğini yitirmiş veya alakasız verileri temizlemek için periyodik incelemeler şarttır (Rangineni, 2023; Priestley ve diğerleri, 2023). Yedekleme ve felaket kurtarma stratejileri de uzun vadeli veri güvenilirliğini destekler.

6. Etik ve Yasal Uyum Etik ve yasal uyum; özellikle biyometrik ve sağlık verilerinin söz konusu olduğu spor gibi alanlarda hassas verilerle çalışılırken kritik öneme sahiptir. Sporcular, kişisel bilgilerinin korunduğuna ve sorumlu biçimde kullanıldığına güvenirler. Bu güveni korumak için ekipler, mümkün olduğunda sporcu verilerini anonimleştirmeli ve veri kullanımının ilgili gizlilik yasaları ile yönetişim gerekliliklerine uygun olduğunu güvence altına almalıdır. Sporcu verilerini toplamadan ve kullanmadan önce sporculardan bilgilendirilmiş onay almak da zorunludur (Qayyum ve diğerleri, 2020; Zhou ve diğerleri, 2024). Bu yönergelere uyulmaması yasal sonuçlara ve itibar kaybına yol açar.

7. Sürekli İzleme ve İyileştirme Sürekli izleme, performans verileri geliştikçe veri kalitesinin zaman içinde korunmasına yardımcı olur. Yüzme programları çoğunlukla yeni ölçütler ve teknolojiler benimsemekte olup bu durum süregelen doğrulamayı önemli kılmaktadır. Otomatik doğrulama betikleri, analizleri etkilemeden önce alışılmadık kısa veya uzun tur süreleri gibi anomalileri tespit edebilir. Periyodik denetimler eksiksizlik ve bütünlüğün korunmasına yardımcı olurken, antrenör ve sporcuları kapsayan geri bildirim döngüleri tutarsızlıkların hızla giderilmesine olanak tanır (Bangad ve diğerleri, 2024; Zhou ve diğerleri, 2024). Bu proaktif yaklaşım, dinamik ve güvenilir bir veri sürecinin sürdürülmesini destekler.

8. Alan Bilgisinin Entegrasyonu Alan bilgisinin entegrasyonu; antrenörlerin, spor bilimcilerin ve sporcuların uzmanlığından yararlanarak verilerin etkin biçimde yorumlanmasını ve doğrulanmasını sağlar. Kalp atış hızındaki ani artış gibi anomalilerin sensör arızası veya çevresel koşullar gibi basit açıklamaları olabilir. Alan uzmanları, gerçek sorunları ile ekipman hatalarını birbirinden ayırt ederek gereksiz model düzenlemelerinin önüne geçebilir. Antrenörlerle veri toplama protokolleri konusunda iş birliği yapmak ve YZ destekli tavsiyeleri gerçek dünya deneyimiyle karşılaştırmak, içgörülerin pratikte faydalı olma olasılığını artırır (Rangineni, 2023; Neutatz ve diğerleri, 2021). Bu yinelemeli süreç, veriye dayalı kararların pratik deneyimle uyumlu kalmasını sağlar.

İçsel ve bağlamsal kalite, temsil tutarlılığı, erişilebilirlik, yaşam döngüsü yönetimi, uyum, sürekli izleme ve alan uzmanlığı gibi bu temel unsurlara odaklanarak kuruluşlar daha güvenilir veri süreçleri oluşturabilir. Yüzme profesyonelleri için bu durum; daha bilinçli antrenman kararlarını, daha doğru sporcu geri bildirimlerini, daha güçlü güven ilişkisini ve daha kullanışlı performans destek iş akışlarını destekler.

Özet

Bu birinci bölümde, veri kalitesinin temel ilkelerini inceleyerek yetersiz verinin en gelişmiş YZ projelerini bile nasıl raydan çıkarabileceğini ortaya koyduk. Özensiz veya eksik kayıtlar yalnızca yeniliği yavaşlatmakla kalmaz; antrenörleri, sporcuları ve analistleri fiilen yanıltabilir. Peki bu kavramlar yüzme sporunun mevcut veri ortamına nasıl uygulanabilir?

Bir sonraki bölümde, yüzme antrenman oturumu verilerini yönetmenin pratik gerçeklerini ele alacağız. Sektörün güçlü yönlerini ve iyileştirme gereken alanları öne çıkaracağız. Aynı zamanda sporun tüm düzeylerinde veri yönetimini geliştirmek için tasarlanmış birleşik bir çerçeve fırsatını tartışacağız. Son olarak şu kilit soruyu yanıtlayacağız: Yüzme fitness ve rekabetçi sektörünün verileri YZ'ye hazır mı? Her düzeydeki yüzücüler için daha iyi kararları desteklemek amacıyla YZ'yi nasıl kullanabileceğimize daha yakından bakın.

Not: Bu makale özgün olarak İngilizce kaleme alınmış olup bu bilgileri daha fazla kişiyle paylaşabilmek amacıyla otomatik YZ araçları kullanılarak diğer dillere çevrilmiştir. Çevirilerin doğru ve anlaşılır olması için elimizden gelenin en iyisini yapıyoruz; iyileştirilmesinde topluluk katkılarını memnuniyetle karşılıyoruz. Çevrilmiş herhangi bir sürümde belirsiz, hatalı veya İngilizce sürümden farklı bir ifadeyle karşılaşırsanız, asıl İngilizce metin resmi sürüm olarak kabul edilmelidir.

Kaynaklar

Bangad, N., Jayaram, V., Sughaturu Krishnappa, M., Banarse, A., Bidkar, D., Nagpal, A., & Parlapalli, V. (2024). A theoretical framework for AI-driven data quality monitoring in high-volume data environments. International Journal of Computer Engineering & Technology, 15, 618-636. https://doi.org/10.5281/zenodo.13878755

Leckey, C., van Dyk, N., Doherty, C., Lawlor, A., & Delahunt, E. (2025). Machine learning approaches to injury risk prediction in sport: A scoping review with evidence synthesis. British Journal of Sports Medicine. https://doi.org/10.1136/bjsports-2024-108576

Neutatz, F., Chen, B., Abedjan, Z., & Wu, E. (2021). From cleaning before ML to cleaning for ML. Bulletin of the IEEE Computer Society Technical Committee on Data Engineering.

Polyzotis, N., Roy, S., Whang, S., & Zinkevich, M. (2018). Data lifecycle challenges in production machine learning: A survey. ACM SIGMOD Record, 47, 17-28. https://doi.org/10.1145/3299887.3299891

Priestley, M., O'Donnell, F., & Simperl, E. (2023). A survey of data quality requirements that matter in ML development pipelines. Journal of Data and Information Quality, 15. https://doi.org/10.1145/3592616

Qayyum, A., Qadir, J., Bilal, M., & Al-Fuqaha, A. (2020). Secure and robust machine learning for healthcare: A survey. IEEE Reviews in Biomedical Engineering. https://doi.org/10.1109/RBME.2020.3013489

Rangineni, S. (2023). An analysis of data quality requirements for machine learning development pipelines frameworks. International Journal of Computer Trends and Technology, 71, 16-27. https://doi.org/10.14445/22312803/IJCTT-V71I8P103

Roh, Y., Heo, G., & Whang, S. E. (2019). A survey on data collection for machine learning: A big data - AI integration perspective. IEEE Transactions on Knowledge and Data Engineering. https://doi.org/10.1109/TKDE.2019.2946162

Sambasivan, N., Kapania, S., Highfill, H., Akrong, D., Paritosh, P., & Aroyo, L. (2021). "Everyone wants to do the model work, not the data work": Data cascades in high-stakes AI. Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems, 1-15. https://doi.org/10.1145/3411764.3445518

Vec, V., Tomazic, S., Kos, A., & Umek, A. (2024). Trends in real-time artificial intelligence methods in sports: A systematic review. Journal of Big Data. https://doi.org/10.1186/s40537-024-01026-0

Whang, S. E., Roh, Y., Song, H., & Lee, J.-G. (2023). Data collection and quality challenges in deep learning: A data-centric AI perspective. The VLDB Journal, 32. https://doi.org/10.1007/s00778-022-00775-9

Zhou, Y., Tu, F., Sha, K., Ding, J., & Chen, H. (2024). A survey on data quality dimensions and tools for machine learning. 2024 IEEE International Conference on Artificial Intelligence Testing, 120-131. https://doi.org/10.1109/AITest62860.2024.00023