Veri bilimi projelerinin %87’si hiçbir zaman üretime geçmiyor. Bazıları yönetim desteği eksikliğinden, bazıları ise kaliteli veri ve uygun altyapı yokluğundan başarısız oluyor. Yapay zekâ ve makine öğreniminden değer elde etmek isteyen kuruluşlar, yapay zekâ projelerini tanımlarken ve yönetirken karşılaşılan yaygın tuzakların farkında olmalıdır. Yine de bunu söylemek, yapmaktan kolaydır. Geleneksel yazılım projelerini hayata geçirmeye aşina olanlar bile, yapay zekâ projelerinin kendine özgü doğası nedeniyle zorluklarla karşılaşabilir.
Yapay zekâ projelerini geleneksel yazılım projelerinden farklı kılan nedir?
Geleneksel bir yazılım projesinde, bir programcı girdiyi alıp çıktı üreten programın mantığını açıkça kodlar. Örneğin, büyük bir kredi başvurusu (girdi) yapıldığında başvuranın kredi notunu (çıktı) düşüren bir bankacılık yazılımı.
Öte yandan, makine öğreniminden yararlanan yapay zekâ projeleri açıkça kodlanmış bir mantık gerektirmez. Makine öğrenimi algoritmaları, girdiler ve çıktılar arasındaki örüntüyü sistematik olarak öğrenir ve bir girdiye dayanarak çıktıyı tahmin eder. Örneğin, başvuranın kredi notu ve çektiği kredilerin toplamına göre temerrüt riskini tahmin etmek.
Bu durum, bir kuruluş ilk kez yapay zekâ projelerini hayata geçirip yönetirken ciddi bir atalete yol açabilir. Bu nedenle, bu yazı bir sonraki devreye alınabilir ve kârlı yapay zekâ projeniz için bazı yönergeler sunmayı amaçlıyor.
İlk yapay zekâ projeleri için üç özellik
Bu üç özellik, bir şirketin ilk yapay zekâ projelerinin başarısının zeminini hazırlar. İşte nedeni.
Yapay zekâ projeleri uygulanabilir olmalı
Yeni yapay zekâ projelerine başlamadan önce, kuruluşlar uygulanabilir olmayan projelere harcanabilecek kaynaklara bağlanmadan önce kendi veri olgunluklarını ölçmelidir. Veri olgunluğunun sütunları altyapı, insanlar, araçlar, organizasyon ve süreçleri kapsar. Bu sütunlarla ilgili yararlı sorular, kuruluşların hangi projelerin daha uygulanabilir olduğunu daha iyi önceliklendirmesini sağlayabilir:
- Şirket verileri güvenilir biçimde toplayabiliyor mu?
- Şirket verileri depolamak ve temizlemek için gerekli altyapıya sahip mi?
- Ekip güvenilir, doğru model sonuçları üretecek ön koşul becerilere sahip mi?
- Şirket, üretimdeki modelleri izlemek için süreçlere, araçlara ve becerilere sahip mi?
Yapay zekâ projeleri basit olmalı
Teknik olarak basit bir proje, veri olgunluğu nispeten düşük bir organizasyon için daha yönetilebilir olur. Hızla teslim edilebilen basit bir proje, ekibin deneyimini artıran hızlı kazanımlar sağlar. Bu da gelecekteki yapay zekâ projeleri için ivme yaratır; şirkette heyecan oluşturarak daha teknik olarak ileri düzey projelere onay alınmasını kolaylaştırır. Şirket yapay zekâ olgunluğunda ilerledikçe, kolay kazanımlardan daha karmaşık projelere geçebilir.
Yapay zekâ projeleri değerli olmalı
Harvard Business Review, güçlü bir yapay zekâ projesinin özelliklerinden birinin yarattığı değer olduğunu öne sürer. Bu değer üç şekilde ortaya çıkabilir: Yapay zekâ daha iyi kararlar alınmasına yardımcı olabilir, tekrarlayan manuel işleri otomatikleştirerek maliyetleri azaltabilir veya yeni ürünlerde kullanılabilir. Başarılı yapay zekâ projelerinden elde edilen bu tür değer, paydaşları şirketin yapay zekâ yetkinliklerine yatırım yapmaya ikna edebilir.
Basit, değerli ve uygulanabilir bir proje bulmak kolay değildir. Bu niteliklere uyan projeleri bulmak için, Succeeding with AI kitabının yazarı Veljko Krunic aşağıdaki adımları önerir.
- İş sorunlarını belirleyin.
- İş sorunları için yapay zekâ çözümleri beyin fırtınası yapın.
- Projenin teknik uygulanabilirliğini ve karmaşıklığını tahmin edin.
- Yapay zekâ projesinin değerini ölçmek için iş metriklerini belirleyin.
- İş metriklerine dayanarak iş değerini tahmin edin.
Bu adımları uygulamak teoride basit, pratikte ise inceliklidir. Özellikle, iş metriklerinin seçimi hemen net olmayabilir. Bir sonraki bölüm, iş metriklerinin nasıl seçilebileceğini özetliyor.
Yapay zekâ projelerini iş metrikleriyle ölçün
Bir yapay zekâ projesinin iş değeri, uygun iş metrikleriyle ölçülebilir. Ancak bir yapay zekâ sisteminin performansını iş metrikleriyle ölçme uygulaması, birçok yapay zekâ uygulayıcısı için sezgiye aykırı olabilir.
Makine öğrenimi modelleri genellikle, bir veri kümesi üzerindeki teknik performanslarını ölçen değerlendirme metrikleriyle ölçülür; işletmeye kattığı değeri nicelleştiren iş metrikleriyle değil. Akademide yaygın uygulama budur; makine öğrenimi algoritmalarındaki ilerleme, ölçülebilir, nesnel teknik kıstaslara bağlanır. Oysa gerçek dünyadaki yapay zekâ sistemleri, doğruluğun ötesine geçen somut sonuçlarla bağlantılıdır: gelir, maliyet ve müşteri memnuniyeti gibi.
Bu nedenle, yapay zekâ sistemlerinin teknik performansını iş metrikleriyle bağlamak gerekir. Çoğu zaman bu bağlantılar hemen görünür değildir. Google Brain’in kurucu ortağı Andrew Ng’ye göre, iş liderleri ve yapay zekâ uzmanları, bir yapay zekâ sisteminin performansını ölçmek ve optimize etmek için kullanılabilecek bir iş metriğinde iş birliği yapmalı ve mutabakata varmalıdır.
Bu süreçte, Data Science for Business kitabında önerildiği gibi, kârlılık eğrisinin kullanımı, iş ve teknik metrikler arasındaki ilişkiyi nicel olarak kurmaya yardımcı olabilir. Bu yaklaşım, teknik ilerlemeyi iş terimlerine çevirir ve liderlerin “doğruluktaki yüzde birlik bir artışla ne kadar daha fazla gelir elde ediliyor?” gibi soruları yanıtlamasını sağlar.
Şekil 1: Bir yapay zekâ sisteminin doğruluğunu elde edilen kârla ilişkilendiren bir kârlılık eğrisi görselleştirmesi
Bir yapay zekâ projesinin değerini nasıl iletirsiniz?
Makine öğrenimi uygulayıcıları arasındaki iletişim genellikle modellemeye dair teknik jargon içerir ve bu doğaldır. Ancak bu, teknik olmayan bir kitle için anlamlı değildir; onlar, doğrulukta %1’lik artıştan ziyade modelin iş üzerindeki etkisiyle ilgilenir.
Bir yapay zekâ uygulayıcısı, yapay zekâ projelerine ilişkin güncellemeleri tartışırken hedef kitleyi akılda tutarak bu tuzaktan kaçınabilir. Özellikle, iş paydaşları için teknik metriklerdeki iyileşmeden ziyade iş metriklerindeki iyileşmenin daha öncelikli olduğunu unutmamalıdır. Ayrıca, yapay zekâ projelerinin iş metriklerine nasıl katkı sağlayabileceğini aktarmada veri hikâyeleştirme tekniklerinden yararlanabilir—ister müşteri deneyiminde iyileşme, ister elde tutma oranlarında artış, ister maliyetlerde azalma olsun.
Yapay zekâ sistemlerinin uygulanması ile makine öğrenimi boru hatları el ele gider
Bir yapay zekâ sisteminin geleneksel bir yazılım sisteminden nasıl farklı olduğunu gördük. Özellikle, bir yapay zekâ sistemi, veriden örüntü öğrenebildiği için programcının mantığı açıkça kodlamasını gerektirmez. Bunun gerçekleşmesi için, gerekli verileri alan, dönüştüren ve yapay zekâ sistemine besleyen bir boru hattının önce inşa edilmesi gerekir.
Bu nedenle, yapay zekâ sistemleri yalnızca makine öğrenimi algoritmasından değil, aynı zamanda bir makine öğrenimi (ML) boru hattından oluşur. Bu boru hattı, verinin baştan sona akışını; nasıl elde edildiğini, dönüştürüldüğünü, kullanıldığını, sunulduğunu ve izlendiğini tanımlar.
Makine öğrenimi boru hatları, daha büyük bir yazılım sisteminin parçasıdır. Bir makine öğrenimi boru hattı geliştirme prosedürleri ile tipik bir yazılım sistemi geliştirme prosedürleri büyük ölçüde benzerdir. Yetkin veri mühendislerine duyulan ihtiyaç, DevOps’a benzer yazılım geliştirme süreçlerinin kullanımı ve güvenliğin önemi gibi konular, hem yapay zekâ hem de yazılım projelerinde ortaktır.
İşte, bir telefon üretim sürecindeki anomalileri tespit eden bir bilgisayarla görme sisteminin ML boru hattına bir örnek. Bu sadeleştirilmiş ML boru hattı, fotoğrafları kullanarak telefon kusurlarını tespit eder ve kalite güvence ekibinin işini kolaylaştırır.
Şekil 2: Bir telefon üreticisinin sadeleştirilmiş ML boru hattı
Bu örnekten, bir makine öğrenimi boru hattının tasarımının veriye, algoritmaya ve iş kullanım senaryosuna yüksek ölçüde bağlı olduğunu anlıyoruz. Tek tip, her duruma uyan bir makine öğrenimi boru hattı nadiren vardır.
Tam bir boru hattı; veri toplama, özellik çıkarımı, veri doğrulama, sonuç izleme gibi unsurları da içerir ve Google’ın son derece etkili makalesine göre kapsamlı ve oldukça karmaşıktır. Bu nedenle, genellikle bir Makine Öğrenimi Mühendisliği Ekibi, boru hattını kurma ve sürdürmeye adanmıştır.
Maliyetli değişiklikleri azaltmak için en baştan sağlam ML sistemleri kurun
Makine öğrenimi sistemlerinin devreye alınması beklendiği gibi gitmeyebilir; verideki bir değişim, modeldeki bir zayıflık veya boru hattındaki bir kusur buna neden olabilir. Bu olduğunda, sistemi iyileştirmek isteyen uygulayıcılar mevcut boru hattında köklü değişiklikler önerebilir; ancak kısa sürede, makine öğrenimi boru hatlarının bir kez uygulamaya alındıktan sonra hızla değişime dirençli hâle geldiğini hayal kırıklığıyla keşfedebilirler.
Veljko Krunic bu süreci “ML boru hatlarının kemikleşmesi” olarak adlandırır. Değişime karşı atalet, bu denli teknik olarak karmaşık bir projenin kodunu değiştirmenin zorluklarından kaynaklanır. İş boru hattı değişikliklerinin iş operasyonları üzerindeki dalga etkisini öngören iş ekipleri de değişikliklere karşı çıkabilir. Yukarıdaki Şekil 2 örneğinde, algoritmanın anormal telefonları otomatik olarak işaretleme kapasitesi ciddi biçimde azalırsa, manuel telefon kontrolü için gerekli ikame kadroların doldurulması haftalar sürebilir.
Kemikleşmiş yapay zekâ projelerinde köklü değişiklikler yapmak maliyetlidir. Ölçeklenemez bir kavram kanıtı makine öğrenimi boru hattı üretime taşındığında, bir yenileme gerekli olabilir. Bununla birlikte, ML boru hatlarının kemikleşmesi çoğu zaman kaçınılmazdır.
Bu nedenle, yapay zekâ projelerini yönetmeyi hedefleyen şirketler en baştan doğru boru hattını uygulamayı amaçlamalıdır. Makine Öğrenimi Model Operasyonelleştirme Yönetimi (MLOps), kuruluşların bu hedefe ulaşmasına yardımcı olan gelişen bir alandır. MLOps araç ve uygulamaları, tekrarlanabilir, test edilebilir ve yinelemeli ML destekli yazılımlar tasarlamak, inşa etmek ve yönetmek için uçtan uca bir makine öğrenimi geliştirme süreci sunar. Bu sayede veri ekipleri, makine öğrenimi boru hatları için sürekli entegrasyon ve sürekli teslimat uygular, veri kaymalarını izler ve boru hatlarının açıklanabilirliğini korur.
Ekibinizin yapay zekâ projelerini etkili şekilde yönetme yetkinliğini geliştirin
Bir yapay zekâ projesini yönetmek kolay değildir. Bir kuruluşun, yapay zekâ projeleri inşa etmek için doğru teknik yeteneklerin ötesinde gereksinimleri vardır. Yapay zekâ benimsemesini hızlandırmak için yaygın bir veri kültürüne ve güçlü veri okuryazarlığına da ihtiyaç duyar. Tıpkı yapay zekâ projelerinin hayata geçirilmesinin zaman alması gibi, veri okuryazarlığı kazandırma programları da uzun solukludur.
Bu noktada, DataCamp for Business, çalışanlarını veri becerileri konusunda geliştirmesi ve yeniden yetkinleştirmesi gereken şirketlere etkileşimli bir öğrenme platformu sağlayarak yardımcı olabilir. Veri mühendisliğinden makine öğrenimine uzanan konularla 1.600’den fazla şirket, yeteneklerini geliştirmek için DataCamp for Business’a güveniyor.
Ekibinizin veri yetkinliklerinden emin değil misiniz? veri olgunluğu değerlendirmemizi yapın.
