Okuma sözü: Bu yazı size şunları net biçimde verir: (1) Jokey verisi nereden gelir. (2) Modeller neye bakar ve nasıl açıklar. (3) Etik, hukuk ve pratik kontrol listesi. Hepsi sade dilde, örnekle, tabloyla.
Gün yeni doğarken hipodrom sessizdir. Sadece nal sesi ve nefes sesi vardır. Jokey tartıdan yeni çıkmıştır. Yeleğini düzeltir. Hava serindir. Pist nemlidir. At başını sallar. Gözleri canlıdır. Tribünde üç kişi not alır. Biri antrenördür. Diğeri veriyle ilgilidir. Üçüncüsü yalnızca oyunu sever.
Bu kısa an, büyük bir soruyu taşır: Yapay zekâ ile jokey analizi gerçek bir fayda mı sağlar? Yoksa bu da bir “trend” mi? Cevap basittir ama kolay değildir. Doğru veri, doğru özellik, doğru kalibrasyon. Yanlış olanı ise hızlı yanıltır. Bu yazıda, mutfağı da masayı da açıyoruz. Nereden veri gelir, hangi model ne işe yarar, nerede hata yapar, nasıl düzeltiriz. Hepsini düz anlatacağız.
İyi analiz, iyi veriyle başlar. Jokey için ana sinyaller şunlardır: idman dereceleri, çıkış (start) hızı, düzlükte yıpranma, taşıdığı kilo, mesafe, pist tipi (kum, çim, sentetik), hava, kapalı gözlük ve diğer ekipman, binici-at geçmişi, sakatlık riski, taktik (temposu), şeridi, bariyer numarası. Bunların her biri küçük bir ipucudur. Birlikte bakınca anlam büyür.
Türkiye’de yarış verisinin omurgası, resmi bültenler ve kulüp kayıtlarıdır. Türkiye Jokey Kulübü verileri burada temel başvuru kaynağıdır. Program, sonuç, pist açıklaması ve duyurular günceldir. Küresel karşılaştırma için Amerikan sisteminde geniş bir külliyat vardır. Örneğin Equibase tarihsel sonuçlar ve istatistikler veri zenginliğiyle öne çıkar. Farklı pistler ve sınıflar için zaman serisi sunar. Bu sayede pist yanlılığını (going bias) ya da kilo-mesafe ilişkisini daha güvenli test ederiz.
Veri tamam, peki model neye bakar? İlk adım özellik mühendisliğidir (feature engineering). İşte pratik örnekler:
Model aileleri çeşitlidir. Ağaç tabanlı yöntemler (XGBoost) pratik ve güçlüdür. Lineer ya da lojistik modeller, az veriyle de çalışır ve okunur. Genel eklemeli modeller (GAM) sıradüzensiz ama anlaşılır etkileşimler kurar. Zaman dizisi içeren derin yöntemler (LSTM, Temporal CNN) tempoyu iyi yakalar. Fakat tek doğru yoktur. Veri azsa basit model daha güvenli olur. Veri fazlaysa karmaşık model manalı olur.
Açıklanabilirlik (explainability) şarttır. SHAP ya da LIME gibi araçlar, “hangi özellik sonucu ne kadar itti?” sorusunu yanıtlar. Kısmi bağımlılık grafikleri (PDP) genel eğilimi gösterir. Bir de kalibrasyon gerekir. Olasılık 0.30 diyorsak, bu uzun vadede gerçekten yüzde 30 mu olur? İşte bu çizgi, güvenin temelidir. Daha derin okumak isterseniz, “Model açıklanabilirliği” üzerine açık kitap çok faydalıdır.
Veri kusursuz değildir. Seçilim yanlılığı olur: Sadece formda atlar sık koşar, hasta olan görünmez. Pist bilgisi eksik olabilir. Hava bir anda değişebilir. Binici taktiği gizli kalabilir. Bu saklı değişkenler, modeli sessizce kaydırır. Sonuçta “avantaj” dediğiniz şey, adil yarış sınırına yaklaşır.
Şeffaflık ve bütünlük bu yüzden önemlidir. Kural, takip ve rehberliği görmek için British Horseracing Authority’nin bütünlük ve veri rehberi yararlıdır. Türkiye’de de kulüp ve komiser talimatları esastır. Analiz, kuralı güçlendirir. Kural, analizi çerçeveye alır.
Senaryo: İstanbul’da sentetik pist. Yağmur kapıda. Jokey son anda değişti. Model, önceki yarışlardan “iç kulvar hızlıdır” diye bir yanlılık öğrendi. Fakat o gün yüzey daha derindi. İç şerit ağır kaldı. Son 300 metrede tempo çöktü. Tahmin sapması büyüdü.
Çözüm: Pist yanlılığına gün içi düzeltme katmanı eklendi. Radar verisi ve pist sulama bilgisi gibi “yakın zaman sinyalleri” modele bağlandı. Kalibrasyon yeniden yapıldı. Brier skoru düştü, olasılık eğrisi düzeldi. Uluslararası çerçeveye bakarken IFHA (uluslararası otorite) kuralları ve veri standartları iyi bir dayanak oldu. Kısa ders şudur: Tek sinyale asla güvenme. O anın zeminini mutlaka ölç.
Tablo, farklı hedefler için uygun yöntem, metrik ve tipik tuzakları yan yana gösterir. Yeni veri bulmak için Google Dataset Search ile veri bulma seçeneğini de not edin. Küçük not: Metrikler yarışı “kesin” söylemez; kararınızı daha doğru kalibre eder.
| Jokey‑at uyumu skoru | XGBoost / GAM | Birlikte koşu sayısı, sonuç, tempo | TJK, antrenman kayıtları | AUC, Brier | SHAP, PDP | Örnek sayısı azlığı | Benzer sınıf gruplama kullanın |
| Yalancı başlangıç riski | Lojistik regresyon | Start numarası, atın mizacı, bariyer | Tutanak, video etiketleri | LogLoss | SHAP | Sınıf dengesizliği | Ağırlıklandırma veya SMOTE deneyin |
| Pist yanlılığı tespiti | Zaman serisi + GAM | Split süreleri, şerit, hava | TJK, pist ölçümleri | Kalibrasyon eğrisi | PDP | Anlık hava değişimi | Gün içi düzeltme katmanı şart |
| Son 400 m düşüşünü öngörme | LSTM / Temporal CNN | Aralık zamanları, nabız/idman | GPS/telemetri, idman | RMSE | Özellik önem sıraları | Sensör hatası | Outlier temizliği yapın |
| Kilo‑mesafe verimi | GAM / Lojistik | Kilo, mesafe, sınıf | Resmi bültenler | AUC, Brier | SHAP | Konf. aralığı dar | Bayesian regularization uygun |
| Jokey form endeksi | XGBoost | Son 10 koşu, kilo, pist | TJK, Equibase | AUC | SHAP | Mevsim etkisi | Rolling window kullanın |
| Sakatlık riski uyarısı | Lojistik + sürpriz tespiti | İdman paterni, aralık | Veteriner, tutanak | PR/ROC | LIME | Eksik veri | İmpute ve belirsizlik notu |
| Start reaksiyon süresi | GAM | Bariyer, mizac, önceki startlar | Video analizi | MAE | PDP | Video etiket hatası | Çift kör etiketleme iyi olur |
| Koşu içi taktik seçimi | Takviye öğrenme (simülasyon) | Pace, rakip davranışı | Tarihsel tempo | Ödül fonksiyonu | Karşılaştırmalı SHAP | Simülasyon sapması | Gerçek yarışla kalibre edin |
Kıdemli bir antrenör şöyle der: “Atın kulağına, jokeyin eline bak. Hava kokusunu çek.” Bu sezgi, yılların sessiz bilgisidir. Veri bilimci şöyle der: “Son 400 metrede tempo kırılması %18. Pist iç kulvar ağır.” Bu da ölçünün gücüdür. En iyi sonuç genelde hibrittir. Sezgi ve sayı, aynı masada buluştuğunda, hata azalır. Kör noktalar küçülür. Son karar ise her zaman koşunun içindeki insana kalır.
Kişisel veri, sağlık verisi, idman kaydı… Hepsi dikkat ister. KVKK, açık rıza, veri minimizasyonu ve imha politikası şarttır. Resmi çerçeve için KVKK resmi sitesi net bir başvuru noktasıdır. Model için risk değerlendirmesi, kayıt ve sürüm notu gerekir. Ulusal düzen yoksa da iyi uygulama seti mevcuttur. Örneğin NIST AI Risk Management Framework rehber alınıp yerelleştirilebilir. Kısa kural: Gerekli olandan fazlasını toplama. Açık ol. Kontrol listesi tut. Hataları yaz. Geri almayı bil.
Önce yönteme bakın. Hangi veri, hangi tarih aralığı, hangi metrik? Sonra şeffaflığa bakın. Model kalibrasyonu açıklanmış mı? Kişisel veri korunmuş mu? Kullanıcı yorumu var mı? Bağımsız inceleme var mı?
İnceleme siteleri burada işe yarar. Metodoloji ve lisans kontrolü açık olan rehberler güven verir. Örneğin tarafsız açıklama, kullanıcı geri bildirimleri ve sorumlu oyun bağlantıları sunan NorskeNettCasino gibi bir inceleme rehberi, AI temelli tahminlere bakarken bir dayanak noktası olabilir. Not: Bu bir yatırım ya da bahis çağrısı değildir. Eğer oyunla ilgili bir sorun ya da risk hissederseniz, ücretsiz destek için Yeşilay (YEDAM) danışmanlık hattına başvurun. 18+.
Jokey performansını öngörürken en kritik 3 sinyal nedir?
Kilo‑mesafe dengesi, pist ve hava uyumu, jokey‑at geçmiş uyumu. Bunlar birlikte bakılınca güçlenir.
Pist yanlılığını nasıl ölçeriz?
Gün gün split zamanlarını ve şerit farklarını izleriz. Kalibrasyon eğrisi ve SHAP ile bulguyu doğrularız. Gerektiğinde gün içi düzeltme ekleriz.
Model sonuçları nasıl daha güvenilir olur?
Sınıf dengesizliğini düzeltiriz, düzenli kalibrasyon yaparız, deney kayıtlarını ve sürümleri tutarız. A/B kontrolü uygularız.
Hukukta nelere dikkat etmeli?
KVKK’ya uygunluk, açık rıza, veri minimizasyonu, saklama-imha planı. Risk çerçevesi için model kartı ve log zorunludur. Örnekler için model kartları örnekleri yararlıdır.
Günün sonunda şunu anlarız: Veri görmeden göz eksik kalır. Göz olmadan veri kör kalır. Yapay zekâ, jokey analizinde yeni bir lamba yakar. Ama lambanın ışığı doğru açıdan tutulursa işe yarar. Doğru veri, açık yöntem, dikkatli etik… Bu üçü bir arada olunca, küçük sinyal büyük hatayı durdurur.
Bu içerik bilgi amaçlıdır; yatırım veya bahis tavsiyesi değildir. Bu metinde geçen bazı bağlantılar sponsorludur veya ticari ilişki içerebilir. Özellikle NorskeNettCasino bağlantısı sponsorludur. Lütfen sorumlu oyun ilkelerine uyun ve 18+ kuralını gözetin.
Son güncelleme: 31.07.2026
Spor analitiği alanında çalışan bir veri danışmanıyım. Hipodrom saha gözlemim ve takım antrenman veri projelerim vardır. Model şeffaflığı ve kalibrasyon üzerine çalışırım. Geri bildirim için iletişim: editor[at]siteadi.com