Dünyanın en büyük spor gazetesi MARCA, büyük veri muhabiri Miguel Ángel García aracılığıyla Comparisonator CEO’su Tarkan Batgün ile bir röportaj gerçekleştirdi. İşte röportajdan bazı önemli başlıklar:
K.Tarkan Batgün bu röportaj için özel bir günde geliyor: Küresel bir analist ve futbola uygulanan yapay zeka konusunda Türk uzman olarak ikili perspektifinden iyi bildiği bir maçta İspanya ve Türkiye karşı karşıya geliyor . CEO’su Comparisonator -Performansı bağlamsallaştıran, ligler arasında oyuncuları karşılaştıran ve yeni rekabet ortamlarına nasıl adapte olacaklarını simüle eden bir platform – uluslararası kulüpler, ajanslar ve danışmanlıklar için çalıştı. Bursaspor’da ‘Scouting Lab’i kurdu, Altınordu FK yönetim kurulunda görev aldı, Wyscout ve SoccerLab gibi şirketlere danışmanlık yaptı ve altı yıl boyunca NIKE Türkiye’nin scouting programından sorumlu oldu.
Bu çok yönlü bakış açısıyla, bağlamın her türlü verinin anahtarı olduğunu ve yapay zekanın ancak daha iyi kararlar almamıza yardımcı olursa anlamlı olacağını savunuyor. Bu söyleşide, teknolojisinin futbolu ligler arasında nasıl tercüme ettiğini, gizli riskleri nasıl tespit ettiğini ve yanlış gidebilecek milyonlarca dolarlık transferleri nasıl önlediğini açıklıyor.
Soru: Dört kıtada çalıştınız ve her zaman bağlamsız verinin işe yaramayacağı konusunda ısrar ettiniz. Sizi bir veri parçasını veya bir oyuncu profilini tamamen yeniden yorumlamaya zorlayan en büyük kültür şoku ne oldu?
Cevap ver: Dört kıtada çalışmak bana bir şeyi çok erken öğretti: aynı sayı nereden geldiğine bağlı olarak tamamen farklı şeyler ifade edebilir. Ve en büyük kültür şoku, beni verileri yeniden yorumlamaya gerçekten zorlayan an, Avustralya’nın yapılandırılmış futbolundan Türkiye’nin duygusal, kaotik, yüksek yoğunluklu ortamına geçtiğimde geldi.
Size somut bir örnek vereyim: Avustralya’da mükemmel pas isabetine sahip bir orta saha oyuncusunu analiz ettim: %92-93. O ligde bu genellikle zeka, sabır ve iyi eğitilmiş pozisyonel oyun anlamına gelir. Ancak Türkiye’ye dönüp aynı mantığı uyguladığımda şok edici bir şey fark ettim: Türkiye liginde %92 ile pas atan bir oyuncu genellikle çok yaratıcı değildir. Basitçe risk almaktan kaçınıyor, topu geri oynuyor ya da baskı nedeniyle hemen bırakıyor olabilir.
Bu, bağlamın gerçeği belirlediğini fark ettiğim andı ve beni Comparisonator’ı sportif direktörler, antrenörler ve işe alım yöneticileri için bağlamsal bir motor olarak yaratmaya itti: rakamları lig temposunun prizmasından yeniden yorumlamak, performansı taktik stile göre ayarlamak, bir oyuncunun çevresi dışında nasıl davrandığını anlamak, kulüplerin yanıltıcı istatistiksel tuzaklara düşmeden yetenekleri küresel olarak değerlendirmelerine yardımcı olmak.
Aynı rakam, geldiği ülkeye bağlı olarak tamamen farklı anlamlara gelebilir.
S: Kariyeriniz kulüp, ajans, danışmanlık ve öğretmenliği birleştiriyor. Bu rollerin her birinde şimdi Comparisonator’ın yapay zekasının tasarımına doğrudan uyguladığınız neler öğrendiniz?
R. Kariyerimin her aşaması bana futbola farklı bir bakış açısı kazandırdı ve bugün tüm bu bakış açıları Comparisonator’ın yapay zekasına doğrudan entegre edilmiş durumda.
Kulüp ortamında karar vericilerin zamanı olmadığını ve netliğe ihtiyaç duyduklarını öğrendim. ‘Büyük veri’ istemiyorlar; bir oyuncunun stilimize uyup uymadığını bilmek istiyorlar. Bu yüzden yapay zekamız bir istatistik makinesinden çok bir karar destek danışmanı gibi davranıyor.
Ajans dünyasından, yetenek yörüngelerinin yeteneğin kendisi kadar önemli olduğunu öğrendim. Danışmanlık yaparken her kulübün farklı bir gerçekliği olduğunu öğrendim. İşte bu yüzden Comparisonator’ın yapay zekası kullanıcıya uyum sağlıyor. Kulübün tarzını, ihtiyaçlarını ve önceliklerini öğreniyor ve önerilerini buna göre uyarlıyor.
Öğretirken ve ders verirken, anlamanın sayılardan değil açıklamalardan geldiğini öğrendim. İşte bu yüzden CompaGPT’yi yarattık: futbol verilerini insanlara deneyimli bir gözlemci veya antrenörün yapacağı şekilde açıklayan bir yapay zeka.
Q. Bursaspor’da ‘Scouting Lab’ı yarattınız. Bu fikrin hangi kısmı bugün hala geçerli ve mevcut yapay zeka ile ne tamamen geçersiz hale geldi?
C: Akıl hocalarım Christophe Daum ve asistanı Rudi Verkempinck sayesinde, Bursaspor Scouting Lab oyuncuları değerlendirmek için sistematik, kanıta dayalı bir yol oluşturmaya yönelik ilk girişimimdi. Bu fikrin birçok kısmı bugün hala geçerliliğini koruyor, ancak diğerleri modern yapay zeka tarafından tamamen dönüştürüldü. Diyelim ki ‘Scouting Lab’ bir tohumdu. Metodoloji (yapı, netlik, işbirliği) geçerliliğini koruyor. Ancak manuel, tekrarlayıcı veya öznel olan her şeyin yerini yapay zeka aldı. Bugün, Comparisonator, küresel, dinamik ve çevreye duyarlı bir zeka motoruna dönüştürülmüş İzcilik Laboratuvarıdır.
Q. Birçok kulüp verileri kullandığına inanıyor, ancak gerçekte sadece önyargılı fikirlerini doğrulamaya çalışıyorlar. Bu önyargılar modern scouting sürecinde ne kadar gürültü yaratıyor?
R. Önyargı, modern scouting’in en büyük gizli maliyetidir ve kulüplerin fark ettiğinden çok daha fazla gürültü yaratır. Birçok kulüp veri kullandığını sanıyor ama aslında sayıları, duygusal olarak verdikleri kararları haklı çıkarmak için kullanıyorlar. Bu durum üç büyük sorun yaratır: yeni oyuncular keşfetmeyi bırakırsınız çünkü veriler sadece bir fikri doğrulamak için kullanılırsa, ilk izleniminizi asla sorgulamaz ve beklenmedik yetenekleri asla ortaya çıkarmazsınız; doğrulama önyargısı kulüplerin kırmızı bayrakları görmezden gelmesine neden olduğu için gerçeği filtrelersiniz; ve rekabet gücünüzü kaybedersiniz çünkü tüm kulüpler verileri önceden var olan inançları desteklemek için kullanırsa, hepsi aynı oyuncularla sözleşme imzalar.
Modern scouting’in en büyük gizli maliyeti önyargıdır: çarpıtır, sınırlar ve yetenek kaybına yol açar
Q. Bir Comparisonator raporu bir koçun veya baş gözlemcinin sezgileriyle çeliştiğinde, bu çatışma genellikle nasıl çözülür? Kim daha sık yanılıyor?
C: Veriler ve sezgiler uyuşmadığında, ilk kural basittir: iki seçenekten birini seçmeyin, daha fazla araştırın. Bir koç verilerin göremediği şeyleri görür: vücut dili, kişilik, antrenmandaki davranışlar… Comparisonator, bir koçun göremediği şeyleri görür: lige adaptasyon, taktiksel stres, gizli risk faktörleri…
Deneyimlerime göre, çatışmalar ortaya çıktığında, çevresel projeksiyon (oyuncunun lige ve sisteme nasıl uyum sağlayacağı) genellikle sezgilerin riski hafife aldığı yerdir. İşte tam da bu noktada Comparisonator değer katıyor: İnsan muhakemesinin yerini almıyor, aksine onu kör noktalardan koruyor.
Peki, hatayı kim daha sık yapıyor? Genellikle, bağlamı göz ardı eden taraf. Ve modern futbolda bağlam tartışılmazdır.
Q. Ligler arasında standardizasyon sektördeki en büyük zorluklardan biri. Algoritmaya en çok direnç gösteren rakipler hangileri ve neden?
R. Herhangi bir algoritmaya karşı en fazla direnç gösteren lig, futbolun en az standartlaştığı, tempo, yapı ve taktik disiplinin aynı maç içinde muazzam farklılıklar gösterdiği ligdir.
Bizim için bunlar genellikle saha kalitesinde önemli farklılıklar, öngörülemeyen oyun hızı, tutarsız savunma organizasyonu ve aşırı duygusal yoğunluk içeren liglerdir. Standartlaşma sorundur; bağlamsal zeka ise çözümdür.
Q. Yapay zeka puanları, trendler, tutarlılık ve işlevsel rol hakkında çok konuşuyorsunuz. Tüm bu göstergeler arasında, bir oyuncunun gelecekteki gelişimini en iyi tahmin eden hangisidir?
A. Bir oyuncunun gelecekteki gelişiminin en güvenilir göstergesi, farklı ortamlardaki performansının tutarlılığıdır. AI puanları, trendler ve rol ölçümleri önemlidir, ancak gerçek gösterge şudur: Oyuncu bağlam değiştiğinde performans göstermeye devam ediyor mu? Farklı tempo, farklı baskı, farklı taktiksel talepler, farklı rakip kalitesi.
Sanal Transfer, kulüplere milyonlara mal olabilecek transferleri şimdiden engelledi.
Birden fazla ortamda performanslarını koruyan oyuncular neredeyse her zaman ilerleme kaydederler. Konfor alanlarının dışına çıkan oyuncular neredeyse hiç ilerlemez. Bu nedenle Comparisonator, performans istikrarı, lig çevirisi, uyumluluk göstergeleri ve baskı altındaki rol davranışına bu kadar yoğun bir şekilde odaklanmaktadır.
Q. Sanal Transfer, bir oyuncunun başka bir ligdeki performansını simüle etmenize olanak tanıyor. Modelin bir kulübün kötü bir transfer yapmasını engellediği belgelenmiş bir vaka var mı?
R. Evet, birkaç tane ama kulüplerin veya oyuncuların isimlerini açıklayamam. Söyleyebileceğim tek şey şu: Sanal Transfer şimdiden kulüplere milyonlar kazandırdı. Yakın zamandaki bir vaka, hızlı tempolu, açık bir ligden çok aranan bir forvet oyuncusuydu. Ham istatistikleri muhteşemdi: top sürme, ilerici koşular, beklenen goller… Her şey onun önemli bir transfer olduğunu gösteriyordu.
Ancak onu Virtual Transfer’de çalıştırıp Avrupa’nın en iyi beş liginden birindeki performansını simüle ettiğimizde, hemen iki kırmızı bayrak belirdi: artan savunma baskısı altında verimliliği neredeyse %50 düştü ve yapılandırılmış taktiksel ortamlarda karar verme hızı önemli ölçüde yavaşladı. Kulüp transferi engelledi. İki ay sonra, başka bir Avrupa takımına imza attı ve tam da modelimizin öngördüğü alanlarda mücadele etti.
Virtual Transfer’in ana hedefi budur: “hayır” demek değil, bir oyuncunun konfor alanının dışında nasıl davrandığı hakkındaki gerçeği ortaya çıkarmak. Modern işe alımlarda bu netlik, başarılı bir imza ile çok maliyetli bir hata arasındaki fark anlamına gelebilir.
Q. Yapay zeka platformları ve modelleri önyargıları ortadan kaldırmayı vaat ediyor, ancak bunları da üretebiliyorlar. Sizi modeli revize etmeye zorlayan en büyük ‘yanlış pozitif’ veya sistem hatası ne oldu?
R. Elimizdeki en büyük yanlış pozitif, liginin ortamı güçlü yönlerini yapay olarak şişirdiği için olağanüstü görünen bir oyuncudan geldi. Çok düşük savunma baskısı, çok açık alanlar, geçişlerde kaos ve son derece yüksek top kazanma bölgeleri olan bir müsabakada oynadı.
Kağıt üzerinde, ölçümleri elitti. İlk modelimiz onu kendi pozisyonunda çok üst sıralara yerleştirdi. Ancak daha yapılandırılmış bir lige geçtiğinde, her şey dağıldı. Yeteneksiz olduğu için değil, içinde bulunduğu ortam istatistiksel bir yanılsama yarattığı için.
Yapay zeka hata yaparak değil, bağlamı anlamayarak tehlikeli hale gelir.
Bu bizim için bir dönüm noktası oldu. Modelin daha derin bir ağırlıklandırmaya ihtiyacı olduğunu fark ettik. Motoru yeniden inşa ettik, böylece çevresel bozulma artık sistemin kontrol ettiği ilk şeylerden biri oldu.
Çıkarılacak ders basitti: Yapay zeka hata yaptığında tehlikeli hale gelmez; yapay zeka bağlamı anlamadığında tehlikeli hale gelir. Bu başarısızlık, Comparisonator’ı daha güçlü, daha temkinli ve çok daha uyumlu hale getirdi.
Q. Değeri düşük piyasalarda ve en üst liglerde çalıştınız. Rekabette ani bir sıçrama yaptıklarında en iyi uyum sağlayan oyuncularda nasıl bir ortak özellik buluyorsunuz?
A. Tüm kıtalarda, büyük bir rekabet değişiminden sonra en iyi uyum sağlayan oyuncular aynı modeli paylaşıyor: hızlı öğreniyorlar, sadece hızlı oyuncular oldukları için değil. Başarılı olan oyuncular, ortam değiştiğinde alışkanlıklarını neredeyse anında yeniden ayarlayabilen oyunculardır.
Q. Giderek daha fazla kulüp, sahneye çıkmadan önce bir sonraki Haaland’ı arıyor. Yapay zekanın jenerasyon yeteneğini öngörebileceğini düşünmek gerçekçi mi, yoksa hala tek boynuzlu atların peşinde miyiz?
C: Yapay zeka olağanüstü kalıpları erkenden belirleyebilir, ancak bir Haaland yaratamaz. Kuşaklararası yetenek tahmin edilmez; zaman içinde onaylanır. Yapay zekanın yapabileceği şey, tipik olarak büyük bir sıçramadan önce ortaya çıkan işaretleri tanımaktır. Tek boynuzlu bir at, sadece metrikler değil, çevresi, eğitimi, kişiliği ve zihniyeti nedeniyle tek boynuzlu bir at haline gelir. Yapay zeka potansiyeli bulur. İnsan gözlemciliği ise kaderi bulur.
Q. Futbol ve teknoloji alanında geçirdiğiniz 20 yılın ardından, scouting endüstrisinin bir sonraki adımı atmak istiyorsa hangi rahatsız edici gerçeği duyması gerektiğini düşünüyorsunuz?
R. Çoğu kulübün bir scouting sorunu değil, karar verme sorunu var. Kulüpler tonlarca rapor, video, istatistik ve görüş topluyor… ancak iş zora girdiğinde, çoğu hala duygulara, politikaya, hiyerarşiye veya paniğe dayalı kararlar veriyor.
Bir sonraki adım daha fazla veri değildir. Kararların nasıl alındığına dair daha fazla disiplin. İşte tam da bu yüzden Comparisonator’ı yarattık: gözlemcilerin yerini almak için değil, kararları daha net, daha adil ve manipüle edilmesi daha zor olmaya zorlamak için.
Röportajın orijinalini okumak için buraya tıklayın: https://www.marca.com/futbol/2025/11/18/tarkan-batguen-datos-e-intuicion-chocan-hay-elegir-hay-investigar.html
