Yapay zekâda zorluk: “Özellik türetme”

Organon Analytics COO’su Emrah Anayurt, özellik türetme sürecinin önemini ve Organon Analytics olarak geliştirdikleri “otomatik özellik türetme algoritması”nı anlatıyor.

Dijitalleşme ile birlikte firmalar daha fazla veri toplamaya başladı. Bu verileri algoritmalarla işleyerek, bir kişinin e-ticaret uygulamasında hangi ürünü alacağına, bir uçağa ne kadar sandviç yükleneceğine ya da nerede maden aranacağına karar verebiliyoruz.

Fakat verilerin toplanması, bir yapay zekâ uygulaması geliştirmek için yeterli mi? Maalesef yeterli değil. Toplanan verileri “ham veri” olarak ifade edersek, bu verilerin üzerinde yapay zekâ algoritmalarını çalıştırabilmek ve iş kararlarında kullanabilmek için çeşitli dönüşümlerden geçmesi ve “özelliklerin türetilmesi” gerekiyor.

Örneğin bir e-ticaret sitesinin, kısıtlı bir müşteri sayısı için, indirim kampanyası yapmak istediğini düşünelim. Bunu yapabilmek için müşterinin indirime ne kadar eğilimli olduğunu gösteren bilginin türetilmesi gerekir. Bir başka deyişle, ham verilerden, “ilgili müşterinin geçmişte yaptığı indirimli işlem oranı” oluşturulmalı. İşte bu oran, türetilmiş bir “özelliktir”.

Türetilmiş özellikler, veride gizlenen değerli bilgilere ulaşmamızı sağlar. Yukarıdaki örnekte olduğu gibi, kişilerin zevk ve tercihlerini ifade etmede kullanılır.

Özellik türetme sürecinin önemini üç başlıkta ifade edebiliriz:

1. İnsan kaynağı ihtiyacı

Toplanan verilerin büyüklüğü ve çözülmesi gereken iş problemlerinin fazlalığı düşünüldüğünde bir şirketin milyonlarca özellik türetmesi gerekiyor. Ham bilgilerden bu özellikleri türetmek için, konunun uzmanları tarafından bu özelliklerin tasarlanması, sonrasında yazılımcıların bu bilgileri oluşturması ve test etmesi gerekiyor. Geleneksel yöntemlerde yapıldığında, bu kadar özelliği türetmek için bir firmanın yüzlerce veri bilimci ve veri mühendisi çalıştırması gerekir.

2. Yapay zekâ uygulama başarısına katkısı

Özellik türetme, yapay zekâ uygulama performansını etkileyen en önemli adım olarak görülüyor. Ne kadar çok özellik türetilirse, uygulamalardan o kadar iyi sonuç elde ediliyor.

3. Uzun süren proje süreleri

Toplanan veri kaynaklarının ve gerekli insan kaynağının fazlalığı düşünülünce; özellik türetme süreci aylar, bazen yıllar mertebesinde zaman alıyor. Yapılan araştırmalarda “özellik türetme” sürecinin bir yapay zekâ uygulamasını oluşturmak için harcanan zamanın %60’ını oluşturduğu görülüyor.

Yapay zekâ alanında önemli bir otorite olan Prof. Andrew NG konunun önemini ve zorluklarını; “Özellikleri bulmak zordur, zaman alır ve uzman bilgisi gerektirir. Uygulamalı makine öğrenimi temelde özellik mühendisliğidir ”diye ifade ediyor.

Otomatik özellik türetme teknolojisi

Fakat artık ham verilerden otomatik olarak özellik türeten algoritmalar bulunuyor. Böylece bir firmada bulunan yüzlerce farklı veri kaynağından milyonlarca “özellik”, insan müdahalesi ve kodlamasına ihtiyaç olmadan türetilebiliyor. Organon Analitik olarak geliştirdiğimiz “otomatik özellik türetme algoritması” ile yapay zekâ uygulamalarının üretime geçme süresini 3 güne kadar düşürdük, her iş problemi için ortalama 6 milyon “özelliği” otomatik olarak türettik ve yapay zekâ projelerin başarı oranını ortalama %50 artırdık.

Yapay zekâ teknolojisi birçok farklı sektörde iş yapış şeklini değiştirmekle birlikte; yapay zekâ teknolojisinin kendisi de dönüşmeye devam ediyor. Bu dönüşüm ile birlikte, bu teknolojiyi kullanmak için gerekli olan insan kaynağı ihtiyacının ve yapay zekâ uygulamalarını hayata geçirmek için gereken sürenin azalacağını düşünüyoruz.

Emrah Anayurt

COO, Organon Analytics

 

 

Bu yazı ilk kez Campaign Türkiye’nin 108. sayısında yayımlandı.

Bunları da beğenebilirsin

Cevap bırakın

E-posta hesabınız yayımlanmayacak.