ÖZET
Yapay zeka (YZ) günümüzde sıklıkla kullanılan ve her geçen gün hayatın içinde kendisine yeni uygulama alanları bulan bir bilimdir. Bununla beraber sıradan insanlar için insanların yaptığı işleri ellerinden alacak robotlar/makineler anlamına gelmektedir. Bundan dolayı YZ kavramının anlaşılması, bu konuda farkındalığın artırılması ve bu teknolojinin insan hayatı için götürüsünden çok getirisi olduğunun bilinmesi önemlidir. Varoluştan bu yana insan hayatına hizmet eden tıp bilimi de YZ’nin giderek artan şekilde kullanıldığı ve uygulama bulduğu bir alandır. Bu makalede genel olarak YZ ve makine öğrenmesi ile ilgili temel kavramlar açıklanmış ve YZ’nin tıp uygulamaları ile tıp eğitimine sağlayacağı katkılar ortaya konmuştur.
Giriş
Yapay zeka (YZ) terimi ve kavramı özellikle son 10 yılda hayatın her alanında karşımıza çıkan ve ortaya konan ürün ve teknolojilerle hayatımızı (çoğunlukla) olumlu yönde etkisi olan bir olgu olarak önümüzde durmaktadır. Ancak gelişen teknolojilerle hayatımıza doğrudan dokunan bu kavrama böylesi bir yoğunlukta maruz kalmak hem kavramın özünden uzaklaşmaya ve kavramın değersizleşmesine hem de herhangi bir bilimsel/teknolojik analiz yapmadan ve anlamadan tamamen kabul ya da reddetmeye yol açmaktadır. Bu açıdan değerlendirildiğinde,
“Tarihsel olarak okuma-yazmayı bilenler, bilmeyenlere göre hayatta daha iyi yerlere gelmek için her zaman daha iyi fırsatlara sahip olmuşlardır. İnanıyorum ki, aynı şey yakın zamanda yapay zekâ için geçerli olacaktır. Yani, yapay zekâyı ve uygun şekilde nasıl uygulanacağını anlayanlar, bunu anlamayanlara kıyasla çok daha fazla fırsata sahip olacaktır.” yorumu geçerli ve üzerinde durulması gereken bir düşünce olarak öne çıkmaktadır (1).
Düşünme makineleri kavramı, Descartes’ın Automata’sından, Charles Babbage’ın Analitik Motoruna, Leydi Lovelace’in yalnızca “gerçekleştirmesini nasıl emredeceğimizi bildiğimizi de olabilecek Analitik Motoruna” kadar aslında yüzyıllardır var olmuştur (2). Alan Turing, 1950’de “Makineler düşünebilir mi?” diye sordu ve “Taklit Oyunu”nu (şimdi Turing Testi olarak adlandırılıyor) oluşturdu ve bu konuya dikkatlerin yoğunlaşmasını tetikledi (3). YZ kavramı, ilk kez 1955’de Stanford Üniversitesi Bilgisayar Bilimleri Bölümü’den Prof. Dr. John McCarthy tarafından kullanılmasına karşın günümüzde anlamı ve tanımı konusunda fikir birliği bulunmamaktadır (4). Bununla birlikte Google’ın yapmış olduğu “görsel algılama, konuşma tanıma, karar verme ve diller arası çeviri gibi normalde insan zekâsı gerektiren görevleri yerine getiren bilgisayar sistemlerinin geliştirilmesi” şeklindeki tanım firmanın kavramı kendi yapıyor olduğu faaliyetlerle ilişkilendirmiş olması açısından ilgi çekicidir. Daha kapsayıcı bir tanım ise “yapay zekâ öğrenme mekanizmasına sahip bir yazılım ya da bilgisayar programıdır. Program daha sonra, insanların yaptığı gibi, öğrendiği bilgiyi yeni bir durum için kullanır (5).” iken YZ’nin isim babası Profesör McCarthy’nin tanımı ise “Zeki makineler, özellikle zeki bilgisayar programları yaratma bilimi/mühendisliğidir. Zekâ ise yetenek ve bilginin öğrenilmesi ve amaçlara erişmek üzere uygulanmasıdır” şeklindedir (6). YZ tanımında ortak bir tanım ve fikir birliği olmamasına rağmen tüm farklı tanımlarda ortak olan “öğrenme yoluyla makinelerin görevleri insanların yaptığı gibi yapmasını sağlayan bilgisayar programı” olduğudur. Yani YZ, makinelerin algoritmaları kullanarak veriden öğrenme yeteneği ve öğrenilenin, insanın yapacağı gibi, karar vermede kullanılmasıdır. Bununla birlikte, insanlardan farklı olarak, YZ yeteneğine sahip makinelerin mola verme ya da dinlenme gereksinimi yoktur, çok yüksek hacimdeki bilgiyi tek seferde ve hızlı bir şekilde işleyebilir ve hata oranının sıfıra yakın olacağı göz önünde tutulduğunda, YZ uygulamaları geliştirmenin ve bu yetenekten faydalanmanın önemi ortadadır.
Sağlık alanında YZ uygulamaları hızla çoğalmaktadır ve 2016 yılında gerçekleştirilen hayatımıza katkıda bulunun 100 uygulama arasında pek çok sağlık uygulaması da vardır (7). Teknolojinin gelişimi ve YZ’ye olan ilginin artması, bu listenin yıldan yıla genişlemesine ve her yıl yeni listenin oluşturulabilmesine neden olmaktadır. Tıp ve sağlıkta, tanı ve tedavide hekimlere yardımcı olacak çok sayıda YZ yaklaşımı geliştirilmektedir. Ancak bu durum, hiçbir zaman makinelerin hekimlerin yerini alacağı anlamına gelmemektedir. Bu makalede YZ kavramına ilişkin özelliklerin matematiksel içeriğe girmeden açıklanması ve YZ yeteneğinin tıp/sağlık alanındaki uygulamaları yoluyla hekimlere sunduğu katkının açıklanması amaçlanmıştır.
Yükselen Değerler: Veri ve Yapay Zeka
2000’li yılların başından itibaren algılayıcı teknolojilerinde yaşanan teknolojik gelişmeler algılayıcıların boyutlarının küçülmesine ve maliyetlerinin ciddi şekilde azalmasına yol açtı. Bu gelişme, özellikle mobil iletişim teknolojilerinde yaşanan hızlı gelişmeler ile birleşince, her türlü verinin toplanması, iletilmesi ve depolanması kolaylaştı. Üretilen veri miktarındaki bu artış ise yeni bir dünyaya kapı aralamış oldu. Şekil 1’de, Statista tarafından 2021 yılında yayınlanan ve 2010-2025 yılları arasında Dünya üzerinde üretilen veri miktarının zetabayte (1021 byte) cinsinden üstel olarak arttığını gösteren tablo yer almaktadır (8). 2020 yılında beklenin üstünde gerçekleşen artışın sebebi ise Covid-19 pandemisi nedeniyle uzaktan eğitim ve çalışma ortamının yarattığı veri artışıdır.
Günümüzün petrolü olarak da tanımlanan veri miktarındaki artış, bu verinin kullanılıp katma değere dönüştürülmesi için gerçekleştirilen çalışmaların veri miktarındaki artışa paralel bir hızda artmasına sebep olmuştur. YZ yaklaşımlarının temel girdisi olan verinin kullanılması, veriden öğrenme ve öğrenilen bilgiye uygun olarak karar verme mekanizmalarının yarattığı, bilimsel, ekonomik ve beşeri katkılar ülkelerin peş peşe YZ strateji belgeleri oluşturması ve uygulamaya koymasını da beraberinde getirmiştir. Ülkemizde de benzer bir çalışma yapılmış ve öncelikle 2021-2025 yıllarını kapsayan dönem için “Ulusal Yapay Zekâ Stratejisi” belgesi hazırlanmıştır (9). Ülkelerin üretim yaptığı sektörlere, genel yapısına ve belirlenen ekonomik/politik stratejilere göre odağı değişse de genel olarak YZ strateji belgeleri Şekil 2’de sunulan çerçevede ve alanlarda yoğunlaşmak üzere kurgulanmıştır.
Şekil 2’de görüldüğü üzere YZ, temelde yaşamın her alanında, insana dokunan ve yaşam kalitesini artıran bir araç olarak düşünülebilir. İnsanın odağında yer aldığı sağlık ve tıp alanı da insana dair verinin yoğunlukla üretildiği ve YZ yaklaşımlarının üst düzeyde hastalık tanısından, tedaviye, kişiye özel ilaç tasarımından önleyici tıbba kadar çok geniş bir yelpazede katkı sağlayacağı bir alan olarak öne çıkmaktadır.
Günümüzde, i) dar YZ, ii) genel YZ ve iii) süper YZ olmak üzere genel kabul görmüş üç tip YZ’den söz edilebilir.
Zayıf YZ olarak da adlandırılan bu YZ tipi makinelerin (bilgisayarlar) yüz tanıma, konuşma tanıma, otonom sürüş gibi tekil şekilde tanımlanmış görevleri yerine getirmek üzere eğitilmelerini tanımlamak için kullanılır. Bu kapsamdaki yaklaşımlar sınırlı sayıda parametre ile kısıtlar ve kavramlara bağlı olarak insan davranışını simüle eder. Başka bir deyişle, parametreleri eldeki model ve kısıtlara göre optimize edilmiş ve çerçevesi net şekilde çizilmiş tekil görevleri uzun süreler boyunca ve defalarca sıfıra yakın hata ile başarırlar. Günlük yaşamda uygulamaya konulmuş olan YZ yaklaşımlarının hepsi zayıf YZ uygulamalarıdır.
Güçlü ya da derin YZ olarak da adlandırılan bu YZ tipi makinelerin düşünme, anlama, öğrenme ve zekalarını insanların yaptığı gibi birbirinden farklı tüm karmaşık problemleri çözmek için kullandığı bir çerçeveyi tanımlamak için kullanılır. Güçlü YZ, zihin yapay zekâ çerçevesi olarak adlandırılan ve diğer zeki varlıkların isteklerini, duygularını, değerlerini ve düşünce süreçlerini algılamak şeklinde tanımlanan bir felsefeyi kullanır. Genel YZ halihazırda firmaların yüksek bütçe ayırdıkları ancak gerçek hayatta uygulaması bulunmayan bir araştırma geliştirme alanı olarak araştırmacıların ilgi odağıdır.
iii) Süper Yapay Zeka
Süper YZ, YZ araştırmacılarının kendilerine en büyük hedef olarak koydukları ve YZ’nin insan beynini bilimsel yaratıcılık, genel bilgelik ve sosyal beceriler konusunda alt edebilecek bir yapının ortaya çıkarılmasını tanımlamaktadır. Uzmanlar böylesine bir YZ seviyesine ulaşılabilmesi için gerekli zamanın 30 ila 1000 yıl olduğunu öngörmekte ve günümüz yarı iletken ve hesaplama teknolojileri ile bu seviyeye ulaşmanın mümkün olmadığını ifade etmektedir.
Makine Öğrenmesi
YZ’nin temel girdisi veridir ve amaç YZ’nin girdi verisinden öğrenmesidir. Makine öğrenmesi, araştırmacıların yoğun ve sürekli ilgisini çeken bunun sonucunda da çok sayıda yeni yöntemin literatüre kazandırıldığı bir YZ alt alanıdır. Herbert Simon’ın “öğrenme bir sistemin deneyime dayalı olarak başarımını artırdığı bir süreçtir” tanımından yola çıkarak makine öğrenmesi tanımlanan bir görevde dışarıdan müdahaleye gerek kalmadan başarımını deneyime dayalı olarak artıran algoritmaların geliştirilmesi olarak tanımlanmıştır (10). Makine öğrenmesi yaklaşımları, öğrenme sistemi için mevcut olan “veri” veya “geri bildirimin” doğasına bağlı olarak üç geniş kategoriye ayrılır:
a. Denetimli öğrenme:
Bu öğrenme şeklinde bilgisayara, bir “uzman” tarafından örnek girdiler ve istenen çıktılar sunulur. Burada amaç, girdileri çıktılara eşleyen genel bir kuralı öğrenmektir. Denetimli makine öğrenmesi modelleri, modellerin zaman içinde daha doğru bir şekilde öğrenmesini ve büyümesini sağlayan etiketli veri kümeleriyle eğitilir. Şekil 3a’da görüldüğü gibi, sınıfları ayıran bilgi, modele sağlanmıştır. Bir algoritmanın, tümü insanlar tarafından etiketlenen köpek resimleri ve diğer nesneler ile eğitilmesi sonrasında, verilecek herhangi bir resim içerisinde köpek unsurlarını kendi başına tanımlamanın yollarını öğrenmesi, denetimli öğrenmeye bir örnektir. Denetimli makine öğrenmesi, günümüzde kullanılan en yaygın makine öğrenmesi türüdür.
b. Denetimsiz öğrenme:
Bu öğrenme şeklinde denetimli öğrenmenin aksine öğrenme algoritmasına, hiçbir etiket verilmez ve verilen girdiler içerisindeki yapıyı bulmak/tanımlamak için algoritma kendi başına bırakılır. Denetimsiz makine öğrenmesinde kullanılan algoritma etiketlenmemiş veriler içerisindeki/arasındaki kalıpları arar. Şekil 3b’de görüldüğü gibi model sınıfları birbirinden ayıran bilgileri bulmaya çalışır. Denetimsiz makine öğrenmesi, insanların açıkça aramadığı kalıpları veya eğilimleri bulmaya yardımcı olur. Örneğin, denetimsiz bir makine öğrenmesi algoritması, satın alma yapan farklı müşteri türlerini belirleyerek, müşteri özelliklerine göre sınıflara ayırabilir.
c. Pekiştirmeli öğrenme:
Pekiştirmeli öğrenme, bir ödül/ceza sistemi kurarak en iyi eylemi gerçekleştirmeleri için algoritmaların deneme yanılma yoluyla öğrenmesini sağlayan tekniktir. Yarı denetimli öğrenme olarak da sınıflandırılmaktadır. Şekil 3c’de görüldüğü gibi, sınıfları ayıran bilginin bir kısmı verilirken, daha uygun sonucu bulmak üzere model sınıfları ayıran bilgiyi bulmaya çalışır. Pekiştirmeli öğrenme, algoritmaya doğru kararları verdiğinde ödül veren, yanlış veya istenmeyen kararları verdiğinde ceza vererek zaman içinde hangi eylemleri yapması gerektiğini öğrenmesine yardımcı olan, deneme yanılma süreçleri sonrasında öğrenmenin gerçekleştiği bir süreçtir. Günümüzde özellikle oyun dünyasında oyuncuların karşısındaki yapay oyuncu hareketlerini sağlamak için ve otonom araçların çevre koşullarına göre karar vermesini sağlayacak algoritmaların geliştirilmesinde sıklıkla kullanılmaktadır.
YZ modellerini oluşturmak ve eğitmek için kullanılacak veri kümeleri çoğunlukla insan kararlarını içerir veya tarihsel veya toplumsal eşitsizliklerin etkilerini yansıtır. Bu durumu yansıtan veri setlerinin kullanılması hatalı sonuçlar üretilmesine ve/veya çıktılardan birine karşı önyargılı olabilir. Sorunun ana kaynağı genellikle algoritmanın kendisinden ziyade yanlı veri kaynaklarıdır.
Cathy O’Neil’in “Weapons of Math Destruction (12)” adlı kitabında tanımladığı gibi, hatalı veya yanlış temsil edilen veri girdileri, yanlış, aldatıcı veya adaletsiz karar vermeye yol açar. Gerçekten de, algoritmaların rolü, verilere gömülü gizli davranışları optimize etmek ve güçlendirmektir.
Algoritmaları eğitmek için kullanılan veriler önyargılı olduğunda, algoritma da doğal olarak bu davranışı öğrenir. Bir başka deyişle makine öğrenme algoritmaları geliştirmek, YZ için ne kadar önemli ise, bu algoritmaların kullanacağı veri kümelerini belirlemek de o kadar önemlidir.
Açıklanabilir ve Etik Yapay Zeka
YZ’nin yoğun bir şekilde günlük yaşantının her noktasında kullanılması için çaba sarf edilmesi ve bazen insanlar adına karar vermesinin beklenmesi gibi unsurlar YZ yaklaşımlarının üretmiş olduğu çıktıların sorgulanabilir olmasını da beraberinde getirmektedir. Özellikle sağlık/tıp gibi alanlarda YZ tarafından uzmanlara sunulmak üzere verilen kararların neye dayanarak alındığının bilinmesi, bu çıktılara göre bir tanı koyacak ya da tedaviye karar verecek hekimin hesap verebilirliği açısından da önemlidir. Bundan dolayı son yıllarda YZ çalışmalarında üzerinde durulan önem arz eden konulardan biri de açıklanabilirlik. Açıklanabilir Yapay Zeka, günümüzün YZ sistemlerinin etkinliğini bozmaktan kaçınmak ve kabul edilirliği artırmak için;
- Yüksek derecede öğrenme verimliliği ve tahmin doğruluğu sağlarken daha açıklanabilir algoritmalar oluşturmak,
- İnsanların, akıllı sistemlerin gelişmekte olan algoritmalarını anlamalarına, uygun şekilde güvenmelerine ve yönetmelerine izin vermek,
gibi özelliklere sahip makine öğrenmesi teknikleri geliştirmeyi önerir (13). Yapa zeka geliştiricileri, YZ algoritmalarının karar verme döngülerine girebilerek, algoritmalarının izlemelerini zamanında sağlayabilecek (durdurabilecek, tekrar çalıştırabilecek, değişkenleri takip edebilecek vb.) yapılarda geliştirme yapabilmelidirler. Bir YZ algoritması geliştirilirken kullanılan çerçevenin, kapalı bir çerçeve olsa dahi, yalnızca bir işi yürütmesi veya bir yargıda bulunması (sonuç üretmesi) değil, aynı zamanda bu sonuçlara neden ulaştığına dair şeffaf bir açıklama sağlayabilecek bir model sağlaması da beklenir (14). Açıklanabilir bir model, kararlı sonuçlar üretebilmeli, algoritmaya ilişkin gerçekleri sağlamalıdır. Bu nedenle, algoritmaların açıklamalarında kullanılan nedenlerin “yeterince makul” olmasını sağlamak gereklidir.
Yapay Zeka Etiği
Etik, bir kişinin davranışını veya bir faaliyetin yürütülmesini yöneten ahlaki ilkelerdir. Pratik bir örnek olarak, etik ilkelerden biri herkese saygılı davranmaktır. İnsanlar için etik ilkeler yüzyıllardır filozoflar tarafından tartışılırken, günümüzde etik tartışmalarının merkezinde YZ ile ilgili etik görüşleri de yer almaktadır.
YZ etiği, zayıf tasarım, uygunsuz uygulama veya suistimalden kaynaklanan YZ’nin zararlarını en aza indirmek için geliştiricilerin, üreticilerin ve operatörlerin toplumda nasıl davranması gerektiğine dair kritik sorular ile ilgilenmektedir. Mevcut YZ sistemlerinde veri gizliliği ve önyargı gibi YZ etiğinin kapsamı ve YZ sistemlerinin insan eşdeğeri yeteneklere (süper YZ) erişme veya bunları aşma olasılığı hakkında uzun vadeli endişeler mevcuttur (15). YZ ile ilişkilendirilen belirli prensip başlıkları altındaki etik hususlar, Tablo 1’de verilmiştir.
Tıpta Yapay Zeka
Elbette YZ’nin içerisine tıp ve tıp uygulamaları girince önceki bölümde bahsedilen YZ’de etik sorunların sayısı ve derinliği daha da artmaktadır.
YZ’nin sosyal etkileri ve etiğiyle ilgili küresel bir endişenin önemi, endüstride ve akademik tartışmalarda ortaya çıkmaktadır ve yeni yeni dikkat çekmeye başlamaktadır. Kültürlerarası YZ etiğinin değişmesine neden olacak temel değerler ile bölgesel farklılıklar, büyük ölçüde keşfedilmemiş kritik bir kör nokta oluşturmaktadır ve YZ etiği konusundaki tartışmaları ilerletmesi beklenmektedir.
YZ, büyüyen bir fenomendir ve yakında pek çok etik sorunla birlikte, tıp ve tıp eğitiminde geniş çaplı değişiklikleri yol açabilir. Çünkü bilgi çağında yaşamaktayız ve bu çağda YZ büyüyen bir olgu olup günümüzde tıp uygulamalarını da etkilemekte ve Tablo 2’de görüldüğü gibi birçok alanlarda kullanılmaktadır. Yakın gelecekte tıp uygulamalarında daha çok yer alacak olan YZ, özellikle tanı konulmasını kolaylaştırmak için kullanılmaktadır. Bu nedenle tüm hekimlerin YZ konusunda bilgi sahibi olması bir gerekliliktir ve bu gereklilik her geçen gün daha da artmaktadır. Elbette tıpta YZ kullanımı doktorlara olan ihtiyacı ortadan kaldırmayacaktır, ancak bu yeni teknolojinin rollerin bir kısmını değiştirmesi ve geliştirmesinin yanı sıra bir dizi yeni rol oluşturması da kaçınılmazdır. Bu değişikliklerin önceden bilinmesi önemlidir çünkü hekimler bu yeni rolleri bilmeli ve hazır olmalıdır. Yine hekimler, makine tarafından geliştirilen YZ dillerini anlayabilmesi ve bu yeni dillerle çalışabilme becerisine sahip olmalıdır. Kaliteli sağlık hizmetlerinin sunulabilmesi için kendimizi, öğrencilerimizi ve asistan doktorlarımızı YZ ile geleceğe hazırlamak bizim sorumluluğumuzdur.
YZ, tıp uygulamalarına etkisini eğitimde ve günlük pratik olmak üzere iki ana başlığa ayırabiliriz.
Tıp eğitiminde, yüz binlerce olgudan öğrenme ve zamanla düzeltme kapasitesine sahip, yani çok bilgi sahibi, yorulmayan, kendini sürekli güncelleyen YZ unsurları hiç de uzakta değilken, tıp fakültesi öğrencileri e-hastalar ile iletişime geçerek daha çok sayıda ve çeşitlilikte hastalık senaryoları ile karşılaşabilecekler ve bunlarla baş etmeyi öğrenebileceklerdir. Ayrıca YZ eğitmenleri ile dünyada tıp eğitimi daha standart hale dönüşebilecektir. YZ, doktorların, öğrencilerin veya tıp eğitimcilerinin yerini almaktan çok, yeni ufuklar açacaktır (2,16).
Robotik cerrahinin ilk dönemlerinde ve çoğunlukla insan kontrolü altında olmasına rağmen, cerrahi robotların cerrahiyi değiştirme potansiyeli görülmüş, kısa sayılabilecek sürede günümüz akıllı robotik sistemleri geliştirilmiş ve sağlık hizmetleri üzerindeki doğrudan olumlu etkisi çok derin olmuştur. Akıllı robotlar, yapay YZ yöntemler yakın bir gelecekte standart olacak ve robotik cerrahiyi öğretmeyen tıp fakülteleri hızla geride kalabilecektir.
Kanıta dayalı tıp, altın standart olup YZ’nin, yayınlanmış araştırmalara yanı sıra elektronik tıbbi kayıtlardan ilgili verilere otomatik olarak erişmeye ideal olarak uygun olduğunu ve bunların doktorların bilgisinin güncel kalmasına katkı sağladığı bildirilmiştir. YZ, ayırıcı tanıları ve klinik değerlendirmeyi çok sayıda bilgiye kısa sürede ulaşarak yetkin bir şekilde gerçekleştirerek hekime tanı koyma ve tedavi planı yapılmasına da katkı sağlayabilir (17-19).
YZ geliştikçe hastalar, YZ sistemleriyle evlerinden veya diğer uzak konumlardan ses, giyilebilir ve implante algılayıcılar aracılığıyla etkileşime girecek ve doktorların YZ’yi kullanan hastalara karşı yargılayıcı olmamasını bu yeni hastalarla nasıl etkileşime gireceklerini bilmeleri gerekecek.
Sonuç
Tıp uygulamalarında, YZ’yi görmezden gelenler geçici bir rahatlığa sahip olacaklar, ancak sonunda her şeyin etraflarında olduğunu anladıklarında, onu nasıl gözden kaçırdıklarını endişe ile merak edecekler. YZ araştırmalarına her yıl on milyarlarca dolar harcandığı ve şu anda bilgisayar sistemleri için mevcut olan veri miktarının emsalsiz olduğu unutulmamalıdır. YZ, tıbbi uygulamada daha derinlere indikçe, “gerçek” işin bilgisayarlar tarafından yapılacağından, doktorların yapacak hiçbir şeylerinin kalmayacağından ve hiçbir şey bilmeyeceğinden korkulabilir. Bu durumun çok uzun vadede dahi gerçekleşmesi küçük bir ihtimal iken tıpta YZ uygulamalarından dolayı henüz öngörülemeyen yeni roller, yenilenmiş tıp eğitimi gerektiren rollerin ortaya çıkma olasılığı oldukça yakındır.
