İş Zekası’ndan Yapay Zeka’ya

Yaptığım işin en zevkli yanı veriden anlam çıkarmak ve bu sayede iş kararlarını besleyecek bilgileri ortaya koyabilmek. Son yıllarda yaşanan gelişmeler, şu an üzerinde çalıştığım iş zekası alanı ile yıllar önce yüksek lisansımı tamamlamış olduğum yapay zeka alanlarını birbirine daha çok yaklaştırdı. İş zekası ile yapay zekanın birbiri ile nasıl etkileştiği aşağıdaki diyagramdaki gibi özetlenebilir.

Açıklayıcı analitik ve teşhis koyucu analitik, günümüzde yaygın olarak kullanılan ve ne durumda olduğumuzu bize anlatan pratiklerdir ve iş zekası alanına girer. Ancak bir adım önde olmak ve fark yaratabilmek için öngörüsel ve reçete sunan analitik konularında da ilerleme kaydetmemiz gerekiyor. Bunun için de yapay zeka ve makina öğrenmesi alanına adım atmalıyız.

Yapay zeka dediğimizde birbiri ile ilintili ama bir o kadar da ayrı pek çok daldan bahsediyoruz. En yaygın olarak akla gelenleri otonom robotlar ya da 2001: A Space Odyssey’deki HAL gibi bilgisayarlar olmakla beraber, basından da takip edebildiğimiz gibi GO ve Satranç ustalarını yenen yazılımlar, sohbet botları, görüntü analizi, konuşma analizi, ürün önerisi yapılan yazılımlar da yapay zekanın günümüzde işlerlik kazanmış ya da gelişmekte olan örnekleri arasında. Aşağıdaki diyagramda yapay zekanın pek çok dalı arasında makina öğrenmesi ve öngörüsel analitiğin nerede yer aldığını görebiliriz. (Kaynak: Neota Logic)

Şimdi daha çok teknik jargona gireceğim…

Makina öğrenmesi 3 farklı şekilde gerçekleşebiliyor:
• Gözetimli öğrenme (Supervised Learning)
• Gözetimsiz öğrenme (Unsupervised Learning)
• Takviyeli öğrenme (Reinforcement Learning)

Gözetimli öğrenmeye bir örnek vermek isterim;
Elimizde müşterilerimiz hakkında çeşitli başlıklarda (cinsiyeti, oturduğu il, yaşı vb.) bilgi olduğunu (ve tabii bu bilgileri kullanmak için müşterimizin iznini almış bulunduğumuzu) düşünelim. Bu bilgiler ışığında da şunu öğrenmek istediğimizi düşünelim: Acaba hangi müşterilerimiz üyeliğini sonlandırmak üzere?

Eğer elimizde üyeliklerini şimdiye kadar sonlandırmış olan müşterilerimiz ile ilgili bilgi de mevcutsa, gözetimli öğrenmeye elverişli ortam oluşmuş demektir.

İlk aşamada elimizdeki veriyi iki gruba ayırıyoruz. İlk grubu kullanarak modelimizi oluşturuyoruz. Burada model, müşteri hakkındaki çeşitli başlıklardaki veriyi girdi olarak alıp, müşterinin üyeliğini sonlandırıp sonlandırmadığını çıktı olarak veren bir fonksiyon. (Bu matematikten alışkın olduğumuz ve formülünü basitçe yazabileceğimiz bir fonksiyon olabileceği gibi, nöral ağlarla gerçekleşen bir fonksiyon da olabilir.)

Modelimizi oluşturduğumuzda, ki model oluşturma çalışmalarına eğitim safhası (training) deniyor, verinin ayırdığımız ikinci grubuyla modelimizi test ediyoruz. Yani modelimizin ortaya çıkardığı çıktılar ile müşterinin gerçek üyeliğini sonlandırma bilgisini karşılaştırıp modelimizin gerçeği ne kadar yakaladığını tespit ediyoruz.

Kabul edilebilir bir doğruluk yüzdesine ulaştığımızda artık modelimizi üretime alıp, mevcut müşterilerimizin üyelikten ayrılma olasılıklarını hesaplayabiliriz. Buradan yola çıkarak da çeşitli iş kararları verebiliriz.

Bu örnekte tahmin etmek istediğimiz müşterinin üyelikten ayrılma ihtimaliydi, ancak tahmin edeceğimiz aksiyonun ya da değerin bir sınırı yok. Müşterinin alışveriş sepet büyüklüğü, bir kampanyaya katılma ve anneler gününde alışveriş yapma ihtimali vb. olabilir.

Bu örnekte kullanılacak olan makina öğrenmesi (ML) kodunun, analitik pratiği içinde nereye yerleştiğini aşağıdaki grafikte görebiliriz. ML kodunu kendimiz geliştirebileceğimiz gibi, çeşitli bulut platformları tarafından sunulan self servis ML API’lerinin yapay zeka algoritmalarını da kullanabiliriz. (Bkz: Google Cloud Platform, Amazon Machine Learning, Microsoft Azure Machine Learning Studio) Tabii grafikte mavi ile belirttiğim adımları gerçekleştirmek kaydıyla; ki bu adımlar, çekirdekte ML kodu yerine bir karar ağacı ya da kural bazlı sistem olması durumunda da gerçekleştirilmesi gereken adımlar.

Peki hangi ML kodunu seçtiğimiz önemli mi? Ya da ne kadar önemli? Bu aşamada aşağıdaki alıntıyı paylaşmak isterim:

Andrew Ng’nin işaret ettiği noktadan yola çıkarak, herhangi bir büyük veri ve makina öğrenmesi çalışmasında başarıya ulaşmanın ilk adımının mümkün olan tüm veriyi, en kaliteli biçimde biriktirme ve sunabilme gerekliliği olduğu sonucuna varabiliriz.

Bol verili günler dileklerimle…

Bol verili günler dileklerimle…

“Kaynak: Grafikler ve alıntılar için 2018 Türkiye Yapay Zeka Zirvesi’nde Google Makina Öğrenmesi Mühendisi Khalid Salama tarafından verilen eğitimden faydalanılmıştır. “