Makine Öğrenmesi
Makine öğrenmesi, algoritmaların geçmiş verilerden örüntüler öğrendiği ve her kuralın elle yazılmasına gerek kalmadan bu örüntüleri yeni veriler üzerinde tahmin yapmak veya karar vermek için kullandığı bir yapay zekâ dalıdır.
Makine öğrenmesi nedir?
Kuralı programlamak yerine örnekler sağlarsınız ve bir algoritmanın bu örneklere en iyi uyan kuralı bulmasına izin verirsiniz. Terim genellikle 1959’da IBM’deki dama oynayan programı için kullanan Arthur Samuel’e atfedilir.
Bir modelin üç bileşeni vardır: özellikler (son satın almadan bu yana geçen gün sayısı gibi girdiler), hedef (tahmin edilecek şey, örneğin "90 gün içinde kaybedildi") ve birini diğerine eşleyen bir algoritma. Eğitildikten sonra model yeni kayıtları toplu olarak veya gerçek zamanlı puanlar.
Modelin etrafında bir pipeline bulunur: veri hazırlama, eğitim, değerlendirme, devreye alma ve izleme. Çoğu projede model kodu bu işin en küçük parçasıdır.
Makine öğrenmesinin başlıca türleri nelerdir?
Tür, elinizdeki verilere, özellikle de sonuçların etiketli olup olmadığına göre belirlenir.
Denetimli öğrenme: etiketli örneklerden öğrenir; sınıflandırmayı (bu müşteri kaybedilecek mi?) ve regresyonu (ne kadar harcayacak?) kapsar.
Denetimsiz öğrenme: müşterileri segmentlere kümeleme veya anomalileri tespit etme gibi, etiket olmadan yapı bulur.
Pekiştirmeli öğrenme: deneme ve ödülle öğrenir; robotik, oyunlar ve bazı öneri sistemlerinde kullanılır.
Derin öğrenme: modern bilgisayarlı görü ve dil modellerinin arkasındaki, çok katmanlı sinir ağları.
Veriler eğitim, doğrulama ve test kümelerine ayrılır; test kümesine son kontrole kadar dokunulmaz.
Makine öğrenmesi pratikte nasıl görünür?
Tipik bir ilk model, bir ekibin önce en riskli olanlara aksiyon alabilmesi için müşterileri riske göre puanlar. İki yıllık sipariş ve destek geçmişine sahip 40 kişilik bir abonelik kutusu şirketini düşünün.
Analist, kaybı (churn) 60 gün boyunca sipariş verilmemesi olarak tanımlar ve özellikler oluşturur: sipariş sıklığı, atlamalar, destek talepleri, indirim kullanımı.
XGBoost ile gradient-boosted bir model eğitir ve onu eğitimde hiç görülmemiş en son üç ay üzerinde doğrular.
Her pazartesi model aktif aboneleri puanlar ve riske göre ilk %10’luk dilim Klaviyo’dan bir elde tutma teklifi alır.
Rastgele seçilen bir kontrol grubu hiç teklif almaz; böylece ekip gerçek etkiyi ölçebilir.
Diyelim ki kontrol grubu, teklif alan gruptan daha fazla kayıp veriyor; iş sonucu model doğruluğu değil, işte bu farktır.
Makine öğrenmesinin yaygın tuzakları nelerdir?
Başarısız projelerin çoğu algoritma seçimi yüzünden değil, veri ve devreye alma yüzünden başarısız olur.
Veri sızıntısı: bir churn modelindeki "iptal nedeni" gibi cevabı gizlice içeren bir özellik, mükemmel test skorları ve işe yaramaz tahminler verir.
Yanlış ölçüt: vakaların %95’i negatifken %95 doğruluk anlamsızdır; precision, recall veya AUC kullanın.
Kayma (drift): müşteri davranışı değişir; bu yüzden modellerin izlenmesi ve yeniden eğitilmesi gerekir.
Aksiyon yolu yok: kimsenin üzerine aksiyon almakla görevlendirilmediği bir risk puanı hiçbir şeyi değiştirmez.
Birkaç net kural neredeyse aynı derecede iyi performans gösteriyorsa kuralları kullanın; bunları açıklamak ve sürdürmek daha ucuzdur.
Makine öğrenmesi istatistikten ve yapay zekâdan nasıl ayrılır?
İstatistik, ilişkileri açıklamaya ve belirsizliği nicelleştirmeye odaklanır; makine öğrenmesi ise yeni veriler üzerinde doğru tahmin yapmaya odaklanır. Yöntemler büyük ölçüde örtüşür ve lojistik regresyon her ikisine de aittir.
Yapay zekâ daha geniş bir alandır; üretken yapay zekâ ise puan yerine içerik üreten bir makine öğrenmesi dalıdır. Yaygın araçlar arasında modelleme için scikit-learn, XGBoost, PyTorch ve TensorFlow; deneyleri takip etmek için MLflow; eğitim ve devreye alma için Azure ML, Vertex AI ve SageMaker gibi yönetilen platformlar bulunur.
Tahminleme ve risk puanlaması için bu disiplin çoğu zaman tahmine dayalı analitik olarak adlandırılır; yöntemler aynıdır, vurgu ise iş kararları üzerindedir.
Makine öğrenmesi ve kurala dayalı otomasyon
Makine öğrenmesi | Kurala dayalı otomasyon | |
|---|---|---|
Mantık nasıl oluşturulur | Geçmiş örneklerden öğrenilir | İnsanlar tarafından yazılır |
Yeni örüntüleri ele alır | Eğitim verileri kapsamında genelleme yapar | Yalnızca kuralların öngördüklerini |
Açıklanabilirlik | Değişkendir, çoğu zaman araç gerektirir | Tamamen şeffaf |
Gereken veri | Etiketli geçmiş, çoğu zaman binlerce satır | Alan bilgisi |
Bakım | Kayma izleme ve yeniden eğitim | Politika değiştikçe kuralları düzenleme |
VIZIO AI makine öğrenmesi çözümlerini nasıl geliştiriyor?
VIZIO AI önce veri temelini kurar ve tahminleri ekiplerin zaten kullandığı araçların içinde sunar. Yedi eyalette klinik işleten ABD’li bir odyoloji sağlayıcısı için DX Studio, hasta kayıtlarını, işitme cihazı kullanımını, cihaz performansını ve CRM verilerini merkezi bir veri ambarında birleştirdi; ardından iadelerin ve ilişkiden kopmanın erken işaretlerini tespit etmek için Python ve Azure ML ile tahmine dayalı modeller geliştirdi.
Tahminler soyut puanlar yerine bir Power BI panelinde erken uyarı bildirimleri olarak sunuldu. Hasta tutma ve tahmine dayalı içgörü paneli, pilot kliniklerde işitme cihazı iade oranlarını %12–15 azalttı ve manuel raporlama eforunu %40 düşürdü.
Nereden başlamalı: İptaller veya iadeler gibi zaten güvenilir şekilde kaydettiğiniz bir sonucu seçin ve onu öngörebilecek sinyallerle birlikte en az bir yıllık geçmişiniz olup olmadığını kontrol edin.