Makine Öğrenimi (Machine Learning)
Makine öğrenimi, bilgisayarların önceden yazılmış kurallar olmadan verilerdeki kalıpları inceleyerek tahmin veya karar üretmesini sağlayan yapay zeka alt dalıdır.
Makine öğrenimi, yazılımcıların her senaryoyu tek tek kodlamasına gerek kalmadan, algoritmaların geçmiş verileri analiz ederek kendi kendine kurallar ve bağıntılar geliştirmesini sağlayan bir yapay zeka yöntemidir. Geleneksel yazılımlarda bir bilgisayara ne yapması gerektiği katı mantık kurallarıyla anlatılırken, makine öğreniminde sisteme örnekler verilir ve sistem bu örneklerin ardındaki mantığı kendisi keşfeder.
Günlük hayatta e-posta kutumuza düşen iletilerin hangilerinin gereksiz olduğunu ayıran filtreler, dijital müzik platformlarının dinleme geçmişimize göre yaptığı parça önerileri veya harita uygulamalarının trafiğe göre belirlediği en hızlı rota, arka planda makine öğrenimi modellerinden beslenir.
Sabit Kurallar ile Veriden Öğrenme Arasındaki Fark
Geleneksel bir yaklaşımda insan aklı doğrudan kurallar tanımlar. Örneğin Kadıköy rıhtımında simit ve poğaça üreten bir fırın hayal edelim. İşletme sahibi tecrübesine dayanarak çalışanlarına her cumartesi günü üretimi yüzde yirmi artırın kuralını verebilir. Bu basit, kontrolü kolay ve çoğu zaman işe yarayan insan kaynaklı bir kuraldır.
Makine öğrenimi ise fırının son birkaç yıldaki satış kayıtlarını, hava durumunu, takvim tatillerini, yerel vapur seferlerindeki iptalleri ve bölgedeki etkinlikleri birlikte inceler. Model, sadece haftanın gününü değil, serin ve güneşli bir cumartesi sabahında talebin daha da artabileceğini geçmiş verideki ilişkilerden süzerek çıkarır. Ancak model mucizevi bir güce sahip değildir. Eğer belediyenin fırının önündeki sokağı kazı çalışması nedeniyle trafiğe kapattığı bilgisi sisteme girilmemişse, model bunu kendiliğinden tahmin edemez. Basit bir kural işletmeye yetiyorsa, sırf popüler olduğu için karmaşık bir modele geçmek her zaman gerekli değildir.
Üç Temel Öğrenme Yöntemi
Makine öğrenimi modelleri genellikle verinin sunuluş biçimine ve hedeflenen sonuca göre üç temel başlık altında toplanır:
- Denetimli Öğrenme: Modele hem girdi hem de doğru sonuç birlikte gösterilir. Fırın örneğinde geçmiş günlerin özellikleri ile o gün satılan fiili simit adedi verilir. Model yeni bir günün özelliklerine bakarak bir sayı tahmin ederse buna regresyon denir. Sonuç bir kategori ise, örneğin bir e-postanın spam olup olmadığını ya da bir müşteri mesajının şikayet mi yoksa sipariş mi olduğunu belirlemekse buna sınıflandırma adı verilir.
- Denetimsiz Öğrenme: Bu yöntemde verilere önceden bir etiket ya da doğru yanıt atanmaz. Modelden verideki doğal grupları veya benzerlikleri bulması istenir. Örneğin benzer satış hacmine sahip günlerin gruplanması bu kapsama girer. Algoritma bu günleri kümeleyebilir ancak o kümeye ne ad verileceğine ve bununla ne yapılacağına yine insan karar verir.
- Pekiştirmeli Öğrenme: Model bir ortam içinde deneme yanılma yoluyla karar almayı öğrenir. Başarılı adımlarda ödül, hatalı adımlarda ceza puanı alır. Satranç motorları veya fabrika zeminindeki rota optimizasyonu yapan robotlar bu yaklaşımla gelişir.
Makine Öğrenimi ile Yapay Zeka Arasındaki İlişki
Yapay zeka, insan zekasını taklit eden her türlü sistem için kullanılan en geniş çatı kavramdır. Basit kural tabanlı bir karar mekanizması da bu çatının altındadır. Makine öğrenimi ise yapay zekanın yalnızca veriye bakarak öğrenen alt disiplinidir. Derin öğrenme ve yapay sinir ağları ise makine öğreniminin çok katmanlı, büyük hacimli metin ve görsel verilerde sıkça kullanılan daha özelleşmiş bir parçasını oluşturur. Küçük bir satış tablosunu tahmin etmek için devasa modellere veya yüksek bütçeli donanımlara ihtiyaç duyulmaz; çoğu zaman klasik istatistiksel modeller fazlasıyla yeterlidir.
Sistemi Canlıya Almadan Önce Yapılması Gereken Testler
Bir makine öğrenimi projesini doğrudan iş süreçlerine bağlamak yerine adım adım doğrulamak gerekir:
- Tahmin anını netleştirin: Fırın ertesi günün hamurunu akşamdan hazırlar. Bu yüzden model yalnızca akşam saatinde bilinen verileri kullanmalıdır. Ertesi günün gerçekleşen sıcaklığı ile akşam alınan hava tahmini aynı veri değildir.
- Verinin arkasındaki gerçeği kontrol edin: Kayıtlarda üç yüz adet simit satıldığı görünüyorsa bu rakam talebin tam üç yüz olduğunu mu, yoksa un bittiği için öğlen fırının kapandığını mı gösterir? Yanlış yorumlanan bir veri sütunu, en iyi algoritmayı bile yanıltır.
- Zaman sırasını bozmayın: Geleceği tahmin etmek için verileri rastgele karıştırmak yerine, eski veriyi eğitimde kullanıp sonraki dönemi test için saklayın.
- Basit bir referans belirleyin: Modelinizin başarısını ölçmek için son üç haftanın aynı günlerinin ortalamasını alın. Yeni modeliniz bu basit ortalamadan daha iyi sonuç veremiyorsa, ek maliyete katlanmanın anlamı yoktur.
- Hataları iş diline çevirin: Hata oranını soyut yüzdeler yerine ziyan olan ürün adedi veya kaçırılan satış fırsatı üzerinden hesaplayın.
Sıkça sorulan sorular
Makine öğrenimi ile yapay zeka arasındaki fark nedir?
Yapay zeka insan zekasını taklit eden tüm teknolojileri kapsayan çatı terimdir. Makine öğrenimi ise bu çatının altında yer alan, önceden belirlenmiş kurallar yerine doğrudan verilerden öğrenen özel bir yöntemdir.
Küçük bir işletme için makine öğrenimi her zaman gerekli midir?
Hayır. İşletmenin elinde yeterli ve temiz veri yoksa veya tecrübeye dayalı basit kurallar iyi sonuç veriyorsa, karmaşık makine öğrenimi modellerine geçmek gereksiz maliyet ve iş yükü yaratabilir.
Makine öğrenimi modeli neden aniden hatalı tahminler yapmaya başlar?
Model yalnızca geçmişte gördüğü kalıpları bilir. Salgın hastalıklar, ani yol çalışmaları veya ekonomik dalgalanmalar gibi geçmiş veride hiç yer almayan yeni durumlar ortaya çıktığında model gerçeği yansıtamaz.
