Sağlam veri temellerine ve araçlara odaklanın
Kaliteli verilere sahip olmak başlı başına büyük bir zorluktur. Makine öğrenimi, yapay zeka ve veri biliminden yararlanmak isteyen şirketlerin, makine öğreniminin bulmacanın son parçalarından biri olarak zirveye yakın konumlandığı Monica Rogati’nin Yapay Zeka İhtiyaçlar Hiyerarşisini dikkate almalarını öneririz.
Kaynak: Hackernoon
Bu hiyerarşi, makine öğrenimi gerçekleşmeden önce sağlam veri temellerine ve verileri çıkarma, yükleme ve dönüştürme (ETL) araçlarına; ayrıca farklı kaynaklardan gelen verileri temizlemek ve bir araya getirmek için araçlara ihtiyaç duyulduğunu gösterir.
Bu, güçlü veri mühendisliği uygulamaları gerektirir—veritabanlarından yararlanmanız, veriyi doğru şekilde işlemenin nasıl olacağını anlamanız, iş akışlarınızı zamanlamanız ve bulut bilişimden faydalanmanız gerekir.
Dolayısıyla ilk makine öğrenimi mühendisinizi işe almadan önce veri mühendisliği, veri bilimi ve veri analizi işlevlerinizi kurmalısınız.
Verinizdeki ve algoritmalarınızdaki önyargıya dikkat edin
Makine öğrenimi, yalnızca beslediğiniz veri kadar iyidir. Veriniz önyargılıysa modeliniz de öyle olacaktır. Örneğin, Amazon, başvuruların başarı olasılığını tahmin etmek için teknoloji sektöründe tarihsel erkek egemenliği nedeniyle erkekleri kayıran on yıllık özgeçmiş verileriyle eğitilmiş bir ML işe alım aracı geliştirdi—bu da aracın kadınlara karşı önyargılı olmasına yol açtı.
Bu nedenle son yıllarda veri etiği bu denli önemli bir konu olarak öne çıktı. Üretilen veri miktarı arttıkça, o verinin nasıl kullanıldığının etkisi de dramatik biçimde ölçekleniyor. Bu da ilkesel bir değerlendirme ve izleme gerektiriyor. Google’ın Baş Karar Bilimcisi Cassie Kozyrkov’un benzetmesiyle, bir öğretmen ancak öğrencileri eğitmek için kullandığı kitaplar kadar iyidir. Kitaplar önyargılıysa dersler de öyle olacaktır.
Modelinizi takip edin ve geliştirin
Makine öğreniminin işi, modeliniz üretimdeyken tahminler yaptığında veya sınıflandırmalar gerçekleştirdiğinde bitmez. Yayınlanmış ve çalışmakta olan modellerin hâlâ izlenmesi ve bakımı gerekir.
İşlem verilerine dayanarak kredi kartı dolandırıcılığını tahmin eden bir modeliniz varsa, modeliniz her tahmin yaptığında ve siz buna göre harekete geçtiğinizde faydalı bilgiler elde edersiniz. Bunun ötesinde, izlemeye ve tahmin etmeye çalıştığınız faaliyet—bu örnekte kredi kartı dolandırıcılığı—dinamik olabilir ve zaman içinde değişebilir. Üretilen verinin sürekli değişkenlik gösterdiği bu süreç veri kayması (data drift) olarak adlandırılır—ve modelinizi düzenli olarak güncellemenin neden hayati olduğunu kanıtlar.
Kaynak: DataBricks
