Makine öğrenmesi nedir? İşletme sahipleri için pratik bir açıklama

Artık her yatırımcı sunumunda ve ürün yol haritasında makine öğrenmesinden bahsediliyor; bu da terimin, onu duyan çoğu kişi için belirli bir anlam taşımamaya başladığı anlamına geliyor. Buna gerçek bir bütçe ayırıp ayırmamaya karar veren kişi sizseniz bu bir sorun. O hâlde lafı dolandırmadan, en sade hâliyle anlatalım.

Gerçek tanım

Makine öğrenmesi, bir insanın elle yazdığı kuralları izlemek yerine örüntüleri verilerden öğrenen yazılımlar geliştirme yöntemidir. Geleneksel bir program bir talimat listesidir: Bu olursa şunu yap. Makine öğrenmesi modeli ise farklıdır: Ona binlerce girdi ve doğru çıktı örneği gösterirsiniz, o da birinden diğerine ulaşmak için kendi iç kurallarını çıkarır.

Bütün fikir bu. Geri kalan her şey — sinir ağları, eğitim, modeller, ağırlıklar — bu örüntü bulma işinin arka planda gerçekte nasıl gerçekleştiğine dair ayrıntılardır.

Somut bir örnek

Diyelim ki dolandırıcılık içeren işlemleri işaretlemek istiyorsunuz. Eski yöntem: Bir mühendis oturup kurallar yazar. 500 $'ın üzerindeki her işlemi işaretle, yeni bir cihazdan gelen her işlemi işaretle, gece 3'te yapılan her işlemi işaretle. Bu, dolandırıcılık kalıpları değişene kadar işe yarar; sonra birinin bunu fark edip kuralları yeniden yazması gerekir.

Makine öğrenmesi yöntemi: Bir modele, her biri “dolandırıcılık” ya da “dolandırıcılık değil” olarak etiketlenmiş yıllara yayılan geçmiş işlemleri verirsiniz. Model; tutar, konum, cihaz, zaman, işlem sıklığı gibi sinyallerin, birinin dolandırıcılığın neye benzediğine dair tahminine göre değil, sizin kendi verilerinizde dolandırıcılıkla gerçekten ilişkili olan kombinasyonlarını bulur. Kalıplar değiştiğinde mantığı elle yeniden yazmak yerine modeli daha yeni verilerle yeniden eğitirsiniz.

Gerçekte neyde iyidir?

Dağınık verilerde örüntü tanıma. Görseller, ses, serbest metin ve davranış verileri için açık kurallar yazmak zordur. Makine öğrenmesi bunlarla iyi başa çıkar, çünkü kurallara değil örneklere ihtiyaç duyar.
Geçmişe dayalı tahmin. Hangi müşterilerin sizi bırakma ihtimali yüksek, hangi potansiyel müşterilerin dönüşme ihtimali yüksek, gelecek ay ne kadar stoka ihtiyacınız olacak: Geçmişin geleceğe makul bir rehber olduğu her konu.
Ölçekte kişiselleştirme. Ürün önermek, arama sonuçlarını sıralamak ya da bir akışı düzenlemek: “Doğru cevabın” her kullanıcı için farklı olduğu ve sürekli değiştiği sorunlar.

Neyde iyi değildir?

Çoğu sunumun atladığı kısım burası. Makine öğrenmesi şu durumlarda pek uygun değildir:

Çok fazla geçmiş veriniz yoksa. Birkaç yüz örnekle eğitilmiş bir model genellikle iyi yazılmış bir kural setinden daha kötü performans gösterir.
Kurallar basit ve sabitse. “10.000 $'ın üzerindeki her ödemeyi işaretle” kuralı gerçek sorununuzun %95'ini yakalıyorsa bir modele değil, bir if ifadesine ihtiyacınız vardır.
Her kararı açıklamanız gerekiyorsa. Bazı modeller bir kararı neden verdiklerini söyleyebilir; çoğu ise bunu bir insanın takip edebileceği herhangi bir biçimde yapamaz. Bir düzenleyici kurumun ya da müşterinin gerçek bir gerekçeye ihtiyacı varsa bu önemlidir.
Hatalar pahalıysa ve geri alınması zorsa. Bir model hiçbir zaman %100 doğru değildir. Ürününüzde yanlış bir tahmin gerçek finansal ya da güvenlik sonuçları doğuruyorsa tam otomasyona değil, sürece dâhil olan bir insana ihtiyacınız vardır.

Gerçekten ihtiyacınız olup olmadığına nasıl karar verirsiniz?

Dürüst test şu: Aynı verilere bakan akıllı bir çalışan, bir öğleden sonra içinde makul bir kural seti çıkarabilir mi? Cevap evetse kuralları yazın. Bir modele kıyasla geliştirmesi daha hızlı, hatalarını ayıklaması daha kolay ve bir müşteriye açıklaması daha basit olacaktır. Makine öğrenmesi, örüntüler bir insanın elle takip edemeyeceği kadar karmaşık ya da hızlı değişiyorsa ve modeli eğitecek geçmiş verileriniz gerçekten varsa maliyetini hak eder.

Burncode'da tek satır yapay zekâ kodu yazmadan önce genellikle ilk yaptığımız konuşma budur: Sorunun gerçekten bir modele mi ihtiyacı var, yoksa geliştirmesi daha ucuz ve güvenmesi daha kolay, eski usul iyi bir mantıkla mı daha iyi çözülür? Bir modele ihtiyaç olduğunda da yol haritası öyle dediği için genel bir yapay zekâ özelliğini sonradan eklemek yerine, modeli vermesi gereken belirli karara odaklanarak gerçek ürün deneyiminin içine yerleştiriyoruz.