Makine Öğrenmesi Nedir? #1 – Herkes İçin Yapay Zeka – Bölüm 7

Bu yazı, 17 Temmuz 2023 tarihinde yayımlanan Bebar Bilim videosunun metninden uyarlanmıştır. Güncel gelişmeler içeren değerlendirmeler özgün yayın tarihinin bağlamındadır.

Nasıl milyarder olunacağını biliyor musunuz? Dolar milyarderi olmaktan bahsediyorum hem de. Gelin bir kadının milyarder olma hikayesini anlatayım size. Hem de çok basit bir kişisel deneyimden çıkan bir hikaye bu.

Katrina Lake. 2000’lerin sonunda artık iyice yaygınlaşan “online alışverişe” kendini kaptıranlardan. Özellikle kıyafet alışverişi yapmayı çok seviyor. Fakat bir sıkıntı yaşıyor sürekli. Kıyafetler biraz fazla tekdüze. Belirli kriterler dışında kendisini özel hissedebileceği, kendi zevkine uygun bir şey bulmakta çok zorlanıyor. Bu sırada kendisi de Harvard Business School’da öğrenci. İşletme ve girişimcilik konusunda da bilgi sahibi yani. Bu özel deneyimi bu konuda bir şeyler yapmaya itiyor kendisini. Cambridge’deki dairesinde tamamen kendi çabaları ile Stitch Fix isimli bir markayı kuruyor. Yaptığı şey aslında birkaç terzi ile anlaşıp müşterilerin isteklerine uygun kıyafetleri bir araya getirerek belirli aralıklarla bir paket yapıp müşterilere göndermek. Tamamen kendinize özel, tam bedeninize uygun, istediğiniz kombinleri size aylık olarak gönderen bir sistem. Bu sistem çok kısa sürede inanılmaz seviliyor ve ciddi bir kar elde ediyor. Fakat yatırımcılar hala bu konseptin potansiyelini görmedikleri için pek yatırıma yanaşmıyorlar. Fakat Katrina fikrine güveniyor ve önemli bir karar alıyor. Tabi o zamana kadar çok ciddi miktarda “kişisel” veriyi toplamış durumda. Katrina bu “verilerin” tam da “makine öğrenmesine” uygun olduğunun farkına varıyor ve daha önce Netflix’te de çalışmış bir veri bilimci olan Eric Colson ile anlaşıyor.

Bu anlaşma işte her şeyi değiştiriyor. Birlikte bir makine öğrenmesi algoritması inşa ederek müşteriler için en doğru kombinleri yapmaya başlıyorlar. Çok kısa sürede hem giderleri azaltıyorlar aslında hem de çok daha kişisel bir dneeyim sunmaya başlıyorlar.

Sonuç olarak 2017’de Stitch Fix 2017 yılında halka arz edildiğinde 120 milyon dolar topladı ve 1.63 milyar dolar marka değerine ulaşmıştı. Şu anda marka 2.7 milyon kullanıcısı ile yıllık 1.2 milyar dolarlık bir gelire sahip ve Katrina da amerikanın en zengin kadınlarından biri konumunda. Ve şirketin bünyesinde şu anda 100’ün üzerinde “veri bilimci” istihdam ediliyor. Bunların büyük kısmı da nörobilim, matematik, istatistik ve yapay zeka konularında doktora derecesine sahip isimler. Verinin gücü diyoruz ya hep. Gerçek yaşamdan örnekler bunlar. Verinin gücü ile yükselen binlerce yeni devden sadece birisi.

Bill Gates de tam olarak bunu söylemişti zamanında “Makine Öğrenmesinin Gücü 10 Microsoft’tan bile Daha Değerli” demişti… Peki. O zaman. Makine Öğrenmesi makine öğrenmesi. Sürekli herkesin dilinde de… Nedir bu makine öğrenmesi. Gelin makinelerin zihinlerine girelim hep birlikte…

Her şey bir dama oyunu ile başlıyor aslında. Arthur Samuel. 1949 yılında IBM’e katıldığında önce IBM’in ilk ticari bilgisayarı 701’in geliştirilmesine yardımcı olmuş ardından da tamamen uygulama geliştirmeye odaklanmıştı. Bu uygulamalardan biri de tarihe geçecekti. Bir dama oyunu. Bu dama oyunu ilk “makine öğrenmesi sistemi” örneğiydi. 1959’da da zaten bunu açıklayan bir çığır açıcı bir makale de yayımlamıştı.

Bu makalenin bu kadar etkili olmasının sebebi aslında makinelerin nasıl öğrendiğini dama gibi herkesin bildiği bir oyun üzerinden anlatmasıydı. Basit bir tanımla bilgisayar adım adım programlamaya ihtiyaç duymadan sadece verileri analiz ederek öğreniyor, hatalarını düzeltiyor ve kendini geliştiriyordu. Bunu yaparken de gelişmiş istatistik denklemlerini kullanıyordu. Özellikle “olasılık analizini”… Bu sayede bilgisayar çok hassas tahminler yapacak şekilde programlanabiliyordu.

Bu ayrıca bir devrimdi zira o zamana kadar “yazılım geliştirme” denen şey bilgisayara her şeyi adım adım söylemekten ibaret devasa komut dizilerinden başka bir şey değildi.

Biz de “makine öğrenmesinin” ne olduğuna dair genel bir fikir edinelim isterseniz derinlere inmeden önce. HBO’nun Silicon Valley isimli bir dizisi vardı ve burada bir mühendis “yemekleri” tanıyan bir uygulama geliştirmeye çalışıyordu. Bunun için tabi bilgisayara devasa veri setleri besliyordu. Yemek fotoğraflarından oluşan setlerdi bunlar. Ama çok zamanı olmadığı için algoritma sadece bir yemek türünü tanıyabiliyordu. Sosisli sandviç. Yani yemekleri tanıması için uygulamayı kullandığınızda uygulama size sadece bir cevap veriyordu “sosisli sandviç” ya da “sosisli sandviç değil”…

Bu örnek aslında tek başına yapay zekanın, makine öğrenmesinin “sihir” olmadığını kanıtlar nitelikte. Nasıl eğittiğiniz, sunduğunuz veriler, kullandığınız etiketler, verinizin kalitesi… Bir algoritmanın kalitesini de doğrudan etkiliyor. O yüzden anlamak diyoruz ya. O halde artık isterseniz biraz “teknikleşelim”…

Elbette makine öğrenmesinde çok fazla temel istatistik kullanılır. Standart sapma, normal dağılım, Bayes teoremi veya korelasyon gibi. Bunlardan temel olarak bahsetmiştik ancak temel odak noktamızdan fazla sapmamak adına bunlara şu aşamada çok derinlemesine girmeyeceğiz. Fakat makine öğrenmesinin çalışma mantığını anlamak için birkaç noktayı anlamamız gerekiyor. Öznitelik veya özellik çıkarımı. Veya “feature extraction” olarak da bilinir terim olarak. Bunu şöyle ifade edebiliriz.

Erkek ve kadın mesela. Bir algoritmanın erkek ve kadını ayırt edebilmesini nasıl sağlarsınız? Ya da size soralım. Bir kadın yüzünü bir erkek yüzünden ayıran şeyler nedir? Bunları ifade etmenizi istesem? Bu durumda biraz zorlaşabiliyor işler. İşte etkili bir makine öğrenmesi modelinin de bunu bizim gibi “içgüdüsel” olarak yapabilmesi için “öznitelikleri” çok başarılı bir şekilde içselleştirmesi gerekiyor. Bir liste yapmak istesek mesela Erkek özellikleri başlığı altında: Kaşlar daha kalın ve düz. Yüz şekli daha uzun ve geniş ve daha kare Çene daha kare, geniş ve köşeli Boyun kısmında adem elması var…

Yeterli mi? Eminim sizin de ekleyecekleriniz vardır. Ama işte o yüzden hala yüz tanıma konusunda hatalar sıklıkla olabiliyor. Bunun bazı nedenleri var. Bunlardan biri önyargılar elbette. Sizin erkek ile kadın arasındaki farklar konusunda herkesten farklı görüşleriniz olabilir fakat bu genel ortalamaya uymadığı zaman algoritmanız hata verecektir. İşte bu nedenle bu çalışmalarda her alandan uzmanlardan oluşan bir komisyonun olması çok önemlidir. Kadın erkek farkı tabi basit bir örnek ama çok daha karmaşık bir konu varsa karşınızda bu durumda belki de makine öğrenmesi şu aşamada doğru seçenek olmayabilir.

İşte tam da bu yüzden ileride derinlerine ineceğimiz “derin öğrenme” inanılmaz bir kolaylık sağlıyor. Sizin bu konuda tüm karmaşayı bir kenara bırakmanızı sağlayan derin öğrenme yaklaşımı sizin verdiğiniz veriler içerisinden zaten gerekli farkları, benzerlikleri ve tüm örüntüleri çıkarabiliyor. Ama şimdi biz makine öğrenmesi ile neler yapılıyor ve neler yapılabilir onu bir konuşalım.

Bu konuda başı çeken alanlardan biri elbette sanayi. Özellikle “bakım” konusunda. Öngörücü bakım olarak bildiğimiz yaklaşım ile şirketler hem bakım, arıza maliyetlerini çok ciddi oranda düşürebiliyor hem de güvenliği en üst seviyeye çıkarabiliyor. Bunun için makinelerden toplanan veriler analiz edilerek bir sistemin ne zaman, nasıl bir arıza vereceği hesaplanıyor ve şirketler buna göre önlem alabiliyorlar.

Başka bir alan da “iş ve çalışan bulma” algoritmaları. CareerBuilder isimli bir şirket mesela 2.3 milyondan fazla işi, 680 milyon kişinin profilini, 380 milyon CV’yi, 10 milyon iş kolunu, 1.3 milyar beceriyi ve 2.5 milyon sicil sorgusunu analiz ederek Hello to Hire isimli sistemi hayata geçirdi. Bu sistem makine öğrenmesi algoritmalarını kullanarak başarılı işe başlama oranını 150 başvurudan 75 başvuruya kadar düşürdü. İşgücü, zaman ve emek tasarrufuna bakar mısınız?

Müşteri deneyimi de ayrı bir konu tabi. Herkes artık “kişisel” deneyim talep ediyor malum. Başta verdiğimiz kıyafet örneğinde olduğu gibi amazon, über gibi şirketler de bu teknolojiyi en yaygın şekilde kullanan markalar. Bir örnek de Kroger isimli bir market zinciri. Bu şirket 84.51 isimli bir şirketi satın alıyor. Bir veri şirketi. Bu şirketin elinde amerika’daki 60 milyon ailenin verisi bulunuyor. Bu işte güç demek. Ürün sattığınız insanları onlardan daha iyi tanımak demek. Bununla tabi Kroger tüm satışlarını ve karlılığını ciddi oranda artıracaktı.

Makinelerin hakim olduğu başka bir alan da finans tabi. En hassas, en riskli, insan hatasına en az toleranslı alanlardan biri. O yüzden özellikle bir sonraki videoda detayına gireceğimiz RPA yani Robotik Süreç Otomasyonu adında yeni bir teknoloji bu alanı kontrol ediyor. Bir anlamda hata payını en aza indirmek için tüm süreçlerin otomatikleştirilmesi anlamına gelen bu sistem tabi hatalı veya şüpheli işlemleri de çok hassas bir şekilde tespit edebiliyor.

Bunun yanında müşteri hizmetleri alanında da chatbot’lar artık çok yaygın. Müşteri ile etkileşim konusunda da otomasyon artık her alanda etkili bir şekilde kullanılıyor. Ama otomasyon konusuna zaten bayağı detaylı gireceğiz demiştik bir sonraki videoda. Tabi bir de “partner bulma” konusunda da makineler yeni çağın çöpçatanları durumuna geldi diyebiliriz. Tinder mesela günde 10 milyar fotoğrafı otomatik olarak etiketleyebilen ve buna uygun şekilde “eşleştirme” yapabilen bir sisteme sahip.

Evet. Makine öğrenmesi nedir, neden kullanmalıyız, nerelerde kullanıyoruz bunları kabaca konuştuk bu yazıda. Peki makineler gerçekten “nasıl öğreniyor?”… Sıkıcı işlerimizi elimizden nasıl alacak? Otomasyon nasıl çalışıyor ve nasıl aklımıza bile gelmeyecek şeyleri otomatikleştirebiliriz? Bunlar da bir sonraki videonun konusu.