Veri temizliği modelin dünyaya bakışını nasıl biçimlendirir?

Bir modelin eğitim verisinden hangi örnekler çıkarılıyorsa, bu çıkarımın neye göre yapıldığı bilinmeden 'normal' ile 'istisna' ayrımının nasıl öğrenildiğini gerçekten anlayabiliyor muyuz? Meseleyi kendi anladığım kadarıyla şöyle özetleyeyim: veri temizliği bozuk, yinelenen ya da alakasız kayıtları ayıklamak için yapılır ve bu zorunlu bir iştir. Ama bir örneği 'gürültü' diye atmak da bir sınıflandırma kararıdır ve atılan şey sistemin dünyayı nasıl gördüğünü değiştirir. Bilim tarihinde buna tanıdık bir örnek var: tıbbi çalışmalarda uzun süre kadınların ve yaşlıların yeterince yer almaması, ilaçların etkisine dair elde edilen bilgiyi sessizce daraltmıştı. Burada eksik veri ile seçilmiş veri arasındaki farkı önemli buluyorum. Eksik veri en azından bir boşluk olarak görünür; seçilmiş veri ise kendini doğal bir zemin gibi sunar. Bence asıl mesele, temizlik ölçütlerinin dışarıdan sınanıp sınanamadığı. Sınanamayan bir eleme, kimsenin fark etmediği bir sessizlik üretir ve bu sessizlik, modelin çıktılarında ancak çok geç görünür.