Yapay zeka sözlüğü / Machine learning

🧠 Temeller

Makine öğrenmesi, yani machine learning, yapay zekânın bir parçasıdır. Bu alanda model, yalnızca programcının elle yazdığı kurallara dayanmak yerine verilerden ilişkiler çıkarır.

Örneğin Ankara'daki bir fırın, ertesi gün kaç ekmek satacağını tahmin etmek istiyor. Elinde geçmiş satışlar, haftanın günleri, çalışma saatleri ve yerel etkinliklerle ilgili bilgiler var. Model bu verilerdeki örüntüleri arayabilir. Ancak bu bilgi sisteme aktarılmadıysa, yarın yol çalışması nedeniyle caddenin kapatılacağını kendiliğinden bilemez.

Basit bir kuraldan farkı nedir?

“Cumartesi günü %20 daha fazla hazırla” kuralını bir insan belirlemiştir. Verilerle öğrenen model ise çok sayıda gözlemden yararlanarak bir ilişki kurar. Her iki yaklaşım da işe yarayabilir. Basit bir kural iyi sonuç veriyor ve kolayca denetlenebiliyorsa, sırf mümkün diye onu karmaşık bir modelle değiştirmek gerekmez.

Yapay zekâ, makine öğrenmesinden daha geniş bir kavramdır. Sinir ağları ise ML'de kullanılan model ailelerinden biridir. Küçük bir satış tablosu için regresyon veya karar ağaçları da düşünülebilir. Her görev büyük bir dil modeli, GPU ve milyonlarca fotoğraf gerektirmez.

Basit örneklerle üç öğrenme yöntemi

Denetimli öğrenmede modele girdiyi ve doğru sonucu gösterirsiniz: günün özelliklerini ve gerçekten satılan ekmek sayısını. Model de bu sayıyı tahmin etmeyi öğrenir. Sonuç “iade” veya “teslimat sorusu” gibi bir kategoriyse buna sınıflandırma, bir sayı tahmin ediliyorsa regresyon denir.

Denetimsiz öğrenmede her örnek için hazır bir etiket vermezsiniz. Satışların benzer seyrettiği gün gruplarını arayabilirsiniz. Ancak grupları bulmak, bunların ne anlama geldiğini veya hangi kararın alınması gerektiğini tek başına göstermez. Modelin gerçekte neleri bir araya getirdiğini inceleyerek yorumlamak gerekir.

Pekiştirmeli öğrenme, bir ortamda alınan ödüllere göre hareket stratejisi öğrenmeye dayanır. Ödülün yanlış tanımlanması istenmeyen davranışlara yol açabilir. Bu temel kategorileri Google'ın makine öğrenmesine giriş yazısı açıklıyor. Uygulamada farklı öğrenme yöntemlerini birleştiren teknikler de vardır.

Küçük ve adil bir test nasıl yapılır?

1. Amacı ve tahminin yapılacağı zamanı belirleyin. Fırın üretimi bir önceki akşam planlıyor; dolayısıyla model yalnızca o ana kadar bilinen bilgileri kullanabilir. Ertesi günün gerçek hava durumu, akşam saatinde mevcut olan hava tahminiyle aynı şey değildir.

2. Verilerin ne anlama geldiğini kontrol edin. 300 ekmek satılmış olması, 300 ekmeklik talep olduğu ya da tüm stokun öğleden önce tükendiği anlamına gelebilir. Yalnızca satış verileriyle eğitilen model, ek bilgi olmadan bu iki durumu ayırt edemez. Bir sütunun yanlış yorumlanması, algoritma seçiminden daha fazla zarar verebilir.

3. Daha eski bir dönemi eğitim, daha sonraki bir dönemi ise test için ayırın. Zaman serilerinde günleri rastgele karıştırmak, geleceği gerçekten tahmin etmekten farklı bir sonuç verebilir. Daha sonraki verilerin önceki örneklerin hazırlanmasını etkilemesine de izin vermeyin.

4. Örneğin önceki birkaç cumartesinin ortalamasını kullanarak bir referans oluşturun. Ardından modeli aynı günlerde bu referansla karşılaştırın. Yeni yöntem işe yaramıyorsa, sırf yapay zekâ kullanıyor diye uygulamaya almayın.

5. Hataları işletmenin anlayacağı birimlerle hesaplayın. Kaç ekmek eksik kaldı, kaçı arttı ve bunun maliyeti ne oldu? Ortalama değer, satışın en yüksek olduğu gündeki çok kötü bir sonucu gizleyebilir. Bayramları, kampanyaları ve kısıtlı çalışma saatleri olan günleri ayrıca inceleyin.

6. Önerileri, üretimi otomatik olarak değiştirmeden test edin. Tahmini, çalışanın kararını ve sonradan ortaya çıkan sonucu kaydedin. Böylece sistemin ne zaman yardımcı olduğunu, ne zaman tabloda bulunmayan bir bilgiye ihtiyaç duyduğunu görebilirsiniz.

Sonuç birkaç ay sonra neden kötüleşir?

Fiyatların değişmesi, yeni bir rakibin gelmesi veya yakındaki bir okulun ders programının değişmesi satışları etkileyebilir. Eski ilişkilerin sonsuza kadar geçerli olacağının garantisi yoktur. Yeni verilerdeki performansı izleyin, kötüleşmenin kaynağını araştırın ve ancak bundan sonra güncelleme yapmaya karar verin. Dosyaya yeni satırlar eklemek, programın bunlarla otomatik olarak öğrendiği anlamına gelmez.

En yaygın hata: modeli eğittiğiniz verilerle test etmek

Eğitim verilerindeki yüksek sonuç, tahmin becerisinden çok örnekleri ezberlemenin göstergesi olabilir. Son değerlendirme için ayrı veriler ayırın ve her denemeden sonra çözümü bu verilere göre ayarlamayın. Google'ın veri bölme ilkeleri, modeli geliştirmekle onu güvenilir biçimde test etmek arasındaki farkı anlamanıza yardımcı olur. En önemli sonuç, sistemin gerçekten çalışacağı koşullarda elde edilendir.