Yapay Zekanın Kullanıldığı Bazı Sektörler

Tıp dünyasında bile, makine öğrenimi, doku örneklerindeki kanserli hücreleri tanımlamak ve olası tedavi yollarını ve tıbbi kayıtları nedeniyle hangi özel risklerde olabileceklerini belirlemek için hasta verilerini ilişkilendirmek için kullanılmaktadır. Forrest itfaiyecileri, yangınlardan etkilenen alanları belirlemeye yardımcı olması için makine öğrenimini de kullanıyor. Alışveriş dünyası, bir hesap üzerinden satın alınan ürünlerin kupon sunmak ve satın almak için önerilen ürünlerle ilişkilendirmek için yapay zekanın kullanıldığı başka bir alandır. Bir problemi aşarak ya da bir bilgi toplayarak “öğrenme” becerisine sahip bu kod yazma uygulaması, önümüzdeki 5 yıl içinde okullarda öğretime ve dünyadaki diğer mesleki ve kişisel uygulamalara dahil edilebilecek bir uygulamadır.

Yapay Zeka Neye Yarar?

Hepsi doğru olmadan bir problemi çözmenin birçok yolu olduğu fikri, genç yaşta onlara grup işbirliğinin aslında bir makine “öğrendiğinde” meydana gelen şey olduğunu göstererek tanıtılabilir. Her öğrencinin bir problemi çözmek için biraz farklı bir yolu olabilir ve neyin işe yarayıp neyin yaramadığını bulmaya çalışırken, muhtemelen birçok çözümden birini daraltırlar. In, öğrencilerin matematik veya yazmadaki hangi alanlarda mücadele ettiklerini görmek ve nerede zorlandıklarını görmek için akademik kariyerlerindeki ilerlemeyi takip eden bir program oluşturarak, belirli sınıflarda veya sınıfta tartışılan belirli konular üzerinde yardıma ihtiyaç duyabilecek öğrencileri belirlemesine yardımcı olmak için bile kullanılabilir kafa karışıklığı ortaya çıktı ve öğrencinin başarılı olmak için daha iyi bir konumda olabileceği konusunu ele aldı. İnşaat mühendisliği bağlamında,

Yapay zeka, yol bakımına yardımcı olmak için de kullanılabilir. Şehirler büyümeye devam ettikçe ve yol kullanımı giderek daha sık hale geldikçe, belirli bir süre boyunca yolun belirli bir bölümünü kullanan araçların sayısını değerlendirmek ve bakımı en iyi şekilde tamamlamak için yılın en uygun zamanını belirlemek için programlar yazılabilir. gerekli ve trafik akışının en iyi şekilde nasıl yeniden yönlendirileceği. Yapay zekanın günlük hayatımıza uygulanmasından gelebilecek pek çok fayda olsa da önceden önlem alınmazsa önümüzdeki 5 yıl içinde ortaya çıkabilecek yıkıcı kullanımlar da var.

Örneğin günümüz kültürü daha özel bir yaşamı teşvik ettiğinden, yapay zeka algoritmalarının kullanabilecekleri konusunda kısıtlamalar olması istenebilir.

Yapay Zeka Hayatımıza Daha Fazla Dahil Oluyor

Yıllar geçtikçe yapay zekanın hayatımıza dahil edilmesinin daha yaygın hale geldiği açıktır. Uygulaması şu anda kişisel ve profesyonel yaşamlarımızda yaygın olarak kullanılmaktadır. Zaman ilerledikçe, yapay zekanın kullanımı daha yaygın hale gelecek ve kabul görecek, ancak olası istilasını önlemek için özen gösterilmelidir.

Article Source: http://EzineArticles.com/10399979

Zaman zaman dijital pazarlama konusunda bir dijital pazarlama uzmanı olarak vereceğim bilgileri takip etmek için mehmetortac.com adresini ve Twitter hesabımı takip etmeyi unutmayın!

Yapay Zekanın Faydalı Olacağı Sektörler yazısı ilk önce Mehmet Ortaç üzerinde ortaya çıktı.

Makine Öğrenmesi Nedir?

Makine öğrenimi yapay zekâ (AI) bir sistemdir. Bu sistem kendi kendine öğrenen ve karar veren bir sistemdir. Algoritmalar bilgisayarları herhangi bir insan müdahalesi olmadan sahip olduğu verilere dayanarak seçimler yapabilir hale gelmiştir. Birincil amaç geçmiş verilere dayanarak sistemin gelecekte kendi kararlarını öğrenmesini ve sonuçlar vermesini sağlayan algoritmalar oluşturmaktır.

Neden Makine Öğrenimine ihtiyacımız var?

Neden makine öğrenimine ihtiyacımız var sorusu biraz geniş ve maddeler halinde açıklanabilecek bir konu. O nedenle şimdi madde madde nedenleri inceleyelim;

Seyahat Sırasında Tahmin

Hepimiz gün içerisinde ya da seyahat ederken GPS sistemini kullanıyoruz. Örneğin BiTaksi gibi bir uygulamadan taksi rezervasyonu yaptığımız zaman aracın bize ne kadar sürede geldiğini ve şu anda nerede olduğunu kolaylıkla görebiliyoruz.

Taksiye binmeden önce ya da bindikten sonra harita üzerinde gideceğimiz yeri işaretlediğimiz zaman o yere taksi ile gittiğimizde ödemek durumunda olduğumuz yaklaşık ücreti ve bu yere ne kadar sürede gideceğimizi söylüyor.

Aynı şekilde Google Maps ya da Yandex Navi gibi uygulamalar aracılığıyla gideceğimiz yere en kısa nasıl gideriz sorusunun yanıtını alabiliyoruz. Bu soruya yanıt veren uygulama mevcut trafik durumunu göz önünde bulunduruyor. Buna göre bize bir rota çiziyor.

Bu konuda daha önce “Google ve Yandex Trafik Yoğunluğunu Nasıl Biliyor” başlıklı bir yazı yazmış ve detaylarını anlatmıştım. Bu yazının bu noktasında önceki yazıyı okumanızı tavsiye ederim.

Bütün bu bilgileri bize sağlayan makine öğrenmesi ve yapay zekâdır. Daha önce o rotadan geçen yolcuların GPS verilerinden elde ettiği verileri yorumlar ve size o güzergâhta trafik olduğu uyarısını verir.

Arama Motoru Optimizasyonu

Arama motorları size bulunduğunuz konuma ve geçmiş aramalarınıza bakarak doğru sonuçları otomatik olarak gösterir. Burada da yapay zekâ çalışır. Sizin daha önce yapmış olduğunuz aramaları saliseler içerisinde hesaplar ve buna göre bir arama sonucunu sizin ekranınıza yansıtır.

Spam Posta Sınıflandırması

E-posta kutularınıza bazı gönderilerin otomatik olarak istenmeyen e-postalar klasörüne düştüğünü görmüşsünüzdür. İşte burada da makine öğrenmesi çalışır. İki türlü veri ve sınıflandırma vardır. Birincisi genel anlamda insanlar tarafından istenmeyen posta olarak işaretlenmiş bütün gönderileri diğer kullanıcıların e-posta kutularında da doğrudan filtreler.

İkincisi ise doğrudan sizin e-posta okuma alışkanlıklarınızdan hareketle hangi gönderilerin spam olabileceğini anlamaya çalışır. Daha sonra olan gönderimlerde bu e-postaları otomatik olarak istenmeyen e-postalar klasörüne gönderir.

Makine Öğrenmesi Türleri

Makine öğrenimi ile ilgili temel fikir tüm türler için aynıdır, ancak aşağıdaki 3 türe ayrılmıştır:

Denetimli Öğrenme

Denetimli öğrenme, makine öğreniminin en popüler türlerinden biridir ve anlaşılması ve uygulanması kolaydır. Bu tipte, algoritma verilen veriler üzerinde eğitilir. Ancak verilerin etiketlenmesi gerekir. Sistemin verileri tahmin etmesine izin verirsiniz ve yaptığı tahminler yeterince doğru değilse düzeltmeler yaparsınız.

Denetimsiz Makine Öğrenimi

Denetimsiz makine öğrenimi herhangi bir etiketli veri olmadan çalışır. Ancak sistemin vermesi gereken karara yönelik bir temel sağlayan özellikleri anlaması için çok fazla veri sağlamanız gerekir. Bu, birçok alanda verimliliği artırabilir.

Takviye Öğrenme

Deneme yanılma yöntemlerine dayanmaktadır. Sistem hatalar yapar ve bu hataları tekrar önlemek için onlardan öğrenir. Örneğin, bir labirentte, sistem bir yol bulamazsa, yolun işe yaramadığını bildiği için aynı yola tekrar gitmeyecektir. Olumlu sonuçları ve olumsuz sonuçları etiketler ve bu sonuçlara dayanarak çalışır.

Kısacası, bunlar makine öğrenimi hakkında sık sorulan sorulardı. Umarım, bu soruların cevapları bu bilim alanı hakkında daha derin bir fikir edinmenize yardımcı olacaktır.

Makine öğrenmesi ve yapay zekâ konuları son dönemlerin oldukça popüler konuları arasında yer alması nedeniyle internette birçok kaynak bulabilirsiniz. Ayrıca çok faydalı eğitimler de yine çevrim içi eğitim siteleri içerisinde mevcut. Bu dönemde öğrenmeyi öğrenen herkes için mutlaka eğitim fırsatları var. Siz de makine öğrenmesi ve yapay zekâ üzerine çok kolay bilgi edinebilir ve belki de bu alanda bir kariyer tasarlayabilirsiniz.

Zaman zaman dijital pazarlama konusunda bir dijital pazarlama uzmanı olarak vereceğim bilgileri takip etmek için mehmetortac.com adresini ve Twitter hesabımı takip etmeyi unutmayın!

Makine Öğrenimi Hakkında Sık Sorulan Sorular yazısı ilk önce Mehmet Ortaç üzerinde ortaya çıktı.

Yapay Zeka (AI) ve alt kümeleri Makine Öğrenimi (ML) ve Derin Öğrenme (DL) Veri Bilimlerinde önemli birer rol oynamaktadır. Veri Bilimi, ön işleme, analiz, görselleştirme ve tahmin içeren kapsamlı bir süreçtir. Yapay zeka ve alt kümelerine derinlemesine dalış yapalım.

Yapay Zeka

Yapay Zeka (AI), tipik olarak insan zekası gerektiren görevleri yerine getirebilen akıllı makineler oluşturmakla ilgili bir bilgisayar bilimi dalıdır. Yapay zeka esas olarak aşağıdaki gibi üç kategoriye ayrılır

Yapay Dar Zeka (ANI)

Yapay Genel Zeka (AGI)

Yapay Süper Zeka (ASI)

Bazen ‘Zayıf Yapay Zeka’ olarak adlandırılan dar yapay zeka, tek bir görevi en iyi şekilde belirli bir şekilde gerçekleştirir. Örneğin, kahve yapmak için iyi tanımlanmış bir dizi işlem gerçekleştiren otomatik bir kahve makinesi çalmaktadır.

Oysa ‘Güçlü Yapay Zeka’ olarak da adlandırılan AGI, insan gibi düşünme ve akıl yürütmeyi içeren çok çeşitli görevleri yerine getirir. Doğal Dil İşleme (NPL) kullanan Google Assist, Alexa, Chatbot’lar buna bir örnektir. Yapay Süper Zeka (ASI), insan yeteneklerini yerine getiren gelişmiş bir sürümdür. Sanat, karar verme ve duygusal ilişkiler gibi yaratıcı aktiviteler gerçekleştirebilir.

Makine Öğrenmesi

Şimdi Makine Öğrenimine (ML) bakalım. Karmaşık veri modellerinin ve kümelerinin tanınmasına dayalı tahminler yapmaya yardımcı olan algoritmaların modellenmesini içeren bir Yapay Zeka alt kümesidir.

Makine öğrenimi, toplanan bilgileri kullanarak algoritmaların sağlanan verilerden öğrenmesine, iç görü toplamasına ve önceden analiz edilmemiş veriler hakkında tahminler yapmasına odaklanır. Farklı makine öğrenimi yöntemleri

Denetimli öğrenme (Zayıf Yapay Zeka – Göreve dayalı)

Gözetimsiz öğrenme (Güçlü Yapay Zeka – Veriye Dayalı)

Yarı denetimli öğrenme (Güçlü Yapay Zeka – etkili )

Güçlendirilmiş makine öğrenimi. (Güçlü Yapay Zeka – hatalardan öğren)

Denetimli makine öğrenimi, davranışı anlamak ve gelecekteki tahminleri formüle etmek için geçmiş verilerini kullanır. Burada sistem belirlenmiş bir veri kümesinden oluşur. Giriş ve çıkış parametreleri ile etiketlenmiştir. Ve yeni veriler ML algoritması analizi geldiğinde yeni veriler ve sabit parametreler temelinde kesin çıktı verir.

Denetimli öğrenme sınıflandırma veya regresyon görevlerini yerine getirebilir. Sınıflandırma görevlerine örnek olarak resim sınıflandırması, yüz tanıma, e-posta spam sınıflandırması, sahtekarlık tespiti, vb. Gösterilebilir ve regresyon görevleri için hava tahmini, nüfus artışı tahmini vb.

Denetimsiz makine öğrenimi sınıflandırılmış veya etiketlenmiş herhangi bir parametre kullanmaz. Etiketlenmemiş verilerden gizli yapıları keşfetmeye odaklanır ve sistemlerin bir işlevi düzgün bir şekilde çıkarmasına yardımcı olur.

Kümeleme veya boyutsallık azaltma gibi teknikler kullanırlar. Kümeleme, veri noktalarının benzer metriklerle gruplanmasını içerir. Bu veri odaklı ve kümelenme için bazı örnekler Netflix’te kullanıcı için film önerisi, müşteri segmentasyonu, satın alma alışkanlıkları, vb. Boyutsal azaltma örneklerinden bazıları özellik oluşturma, büyük veri görselleştirme.

Yarı denetimli makine öğrenimi, öğrenme doğruluğunu artırmak için hem etiketlenmiş hem de etiketlenmemiş verileri kullanarak çalışır. Verileri etiketlemenin pahalı olduğu ortaya çıktığında yarı denetimli öğrenme maliyet etkin bir çözüm olabilir.

Takviye öğrenimi, denetimli ve denetimsiz öğrenmeye kıyasla oldukça farklıdır. Sonuç olarak sonuç veren bir deneme yanılma süreci olarak tanımlanabilir. Yinelemeli iyileştirme döngüsü prensibi ile elde edilir (geçmiş hatalarla öğrenmek için).

Takviye öğrenimi aynı zamanda aracıların simüle edilmiş ortamlarda otonom sürüşü öğretmek için de kullanılmıştır. Q-learning pekiştirme öğrenme algoritmalarına bir örnektir.

Derin Öğrenme

Derin Öğrenme’ye (DL) ilerlerken, katmanlı bir mimariyi takip eden algoritmalar oluşturduğunuz makine öğreniminin bir alt kümesidir. DL, ham girdiden daha yüksek düzey özellikleri aşamalı olarak çıkarmak için birden çok katman kullanır.

Örneğin, görüntü işlemede alt katmanlar kenarları tanımlayabilirken, daha yüksek katmanlar bir insanla ilgili rakamlar, harfler veya yüzler gibi kavramları tanımlayabilir. DL genellikle derin bir yapay sinir ağına atıfta bulunur ve bunlar ses tanıma, görüntü tanıma, doğal dil işleme gibi sorunlar için son derece hassas olan algoritma setleridir.

Özetlemek gerekirse Veri Bilimi, makine öğrenimini içeren yapay zekayı kapsamaktadır. Bununla birlikte, makine öğreniminin kendisi de derin öğrenme olan başka bir alt teknolojiyi kapsar. Yapay zeka sayesinde daha zor ve daha zor sorunları (kanseri onkologlardan daha iyi tespit etmek gibi) insanlardan daha iyi çözebildiği için.

Zaman zaman dijital pazarlama konusunda bir dijital pazarlama uzmanı olarak vereceğim bilgileri takip etmek için mehmetortac.com adresini ve Twitter hesabımı takip etmeyi unutmayın!

Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenmeyi Anlamak yazısı ilk önce Mehmet Ortaç üzerinde ortaya çıktı.

Türkiye’de şirketlerde, akıllı şirket, yapay zeka, dijital dönüşüm vb. kavramlara gelmeden “Entegre Bilgi Yönetim Sistemi” kavramının anlatılmasının, hatta idrak edilmesi gerektiğini düşünüyorum.

Maalesef çok vahim olarak Türkiye’de 30-40 senelik birçok şirkette bile, hala bırakın dijital dönüşümü, daha yazılı-çizili olarak tanımlanmış hiç bir sürecin olmadığını görüyoruz. Buralarda hala süreçler insana bağlı bir şekilde yürüyor. Bir tüzel varlık olan bu kurumların, tüm geçmiş süreçleri maalesef sadece kişilerin kafalarında kalıyor.

Şu ifadeleri belki siz de duyuyorsunuzdur:

Bugün Ahmet Bey yok. Üretim planlama yapamayacağız.

Ayşe Hanım gelmedi. Hastaymış, kasanın anahtarı onda. Ödeme yok.

Depocunun bugün çocuğu hastalanmış. İşe gelmedi. O söylediğiniz malzeme var mı yok mu bilmiyoruz vb……

Bu şirketlerin hiçbirinin kurumsal bir hafızası yok! Yani akıllı değil.

Dijital Hafıza Çok Önemli

Akıllı şirket olabilmek için tüm süreç, insan kaynağı prosedürleri, görev ve sorumlulukların vb. yazılı çizili olması da yetmiyor. Üstüne tüm bunların bir bilgi teknolojisi ile entegre olması gerekiyor. Yani kurum içerisinde dijital hafıza olması lazım.

Bazen de şunu duyuyoruz firmalardan: “Biz de her teknoloji var. Muhasebe için bu yazılımı kullanıyoruz, proje yönetimi için şu yazılımı kullanıyoruz, müşteri ilişkileri yönetimi yapmıyoruz, ama bordroyu şu yazılımla yapıyoruz vb…”.

Tek bir veri tabanında çalışan, entegre bir bilgi yönetimi kuramayan şirketlerin hiçbirinin de tam, güvenilir, anlık ölçülebilir ve raporlanabilir bir yönetim sistemi oluşturması mümkün değil. Durum bu olduğunda bu şirketler bir nebze akıllı bile gözükse, gerçek anlamda ne akıllı ne de kurumsal bir hafızası olan şirketlerdir bunlar.

Ölçülebilir, Yönetilebilir ve Sürdürülebilir İş Modeli

“Ölçülebilir, yönetilebilir ve sürdürülebilir bir i̇ş modelini”, entegre bilgi yönetim tabanına oturtmuş, tüm sürecini insandan bağımsız bir şekilde, her yerden yönetebilen şirket ise akıllı şirkettir. Akıllı olan bir şirketin yukarda da belirttiğim gibi kurumsal hafızası olur. Bu kurumsal hafıza, bir dijital hafıza olarak da tanımlanabilir.

Alzheimer Şirket

Geçmişini kurum içindeki çalışanlarının kafalarında tutan, ortak bir dijital hafızası olmayan şirket ise alzheimer şirkettir. Yani geçmişini hatırlamaz, ölçemez. Bugün ile geçmişini anlık bir şekilde muhakeme edemez. Sadece günü yaşar. Yani statükoyu korur.

Veri toplamadığı, topladığı veriyi kategorize edemediği yani anlamlandırmadığı için elinde enformasyon olmaz. Bu enformasyon (yani süreçler arası ilişkilendirilmiş veri) seneler içerisinde de biriktirilmediği yani depolanmadığı için de bir yöntem bilgisi – tecrübesi (knowledge) oluşmaz.

O yüzden sadece anlık, günlük yaşar. Böyle şirketler haftalık çalışma saatinin %60’ını bu yüzden sorun çözmekle geçirirler. %30’unu statükoyu korumak yani günü kurtarmak için harcarlar. Geri kalan %10 hatta daha az bir sure ise değişim, dönüşüm, ar-ge vs. için kalır. Gereksiz toplantılar, yazışmalar, uğraşmalarla verileri toplayıp, sorunları çözmeye çalışırlar.

Dijital Dönüşüm Kurumsal Hafıza Oluşturma Sürecidir

Şirketlerde dijital dönüşüm, Endüstri 4.0 ya da yapay zeka uygulamaları ancak bu “Kurumsal Hafıza”yı oluşturabildiğimiz bir zihniyete geldikten sonra konuşabileceğimiz bir kavramdır maalesef.

Peki, yine bir dünyaya baktığımızda. 2017’de dünyanın en akıllı 50 şirketinde ilk sıraları;

1. Nvidia

2. SpaceX

3. Amazon

4. 23andMe

5. Alphabet

6. iFlytek

7. Kite Pharma

8. Tencent

9. Regeneron

10. Spark Therapeutics şirketlerinin aldığını görüyoruz.

(https://www.technologyreview.com/lists/companies/2017/)

Burada ilk ona dikkat ederseniz ne Microsoft’u, ne Facebook’u, ne Apple’ı göremiyoruz. Onlar bile, ilk onda değilse gerisini siz düşünün .

Akıllı Şirket Olmak İçin Çözüm Nedir?

Çözüm nedir diye sorarsanız da; bu dönüşüme, tümden gelimle baktığımızda önce insan, süreç ve teknolojinin entegrasyonu ile başladığını ve aşağıda tanımlı modelle yeni zeminlere taşınabileceğini görüyoruz.

1. Kayıt Birliği

2. Veri Analizi

3. Yönetimsel Göstergeler Üzerinden Karar

4. İyileştirme Hedefleri

5. Yönetsel Takip

6. Sonuçlarla Yönetim

7. Rekabet ile Karşılaştırma

8. Yeni Hedefler Koyma

9. Başarıyı Yeni Zeminlere Taşıma

Yazar: Dr. Müh. Gülay Savaş

Kaynak: www.icerikfabrikasi.com

Akıllı Şirket – Alzheimer Şirket yazısı ilk önce Mehmet Ortaç üzerinde ortaya çıktı.

Pazarlama dünyasında son dönemlerin popüler başlıklarının başında Büyük Veri (Big Data) geliyor. Büyük veri ile birlikte hayatımıza giren bir diğer kavram ise Veri Madenciliği (Data Mining).

Dijital verilerin öne kazanması ile birlikte bu veriler daha fazla toplanmaya ve saklanmaya başladı. Bunun sonucunda da elimizde büyük veri yığınları oluştu. Ayrıca teknolojik gelişmeler ve internetin daha yaygın bir biçimde kullanılmaya başlaması kullanıma açık veri boyutunun da artmasını sağladı.

Tüm bu gelişmeler doğrultusunda veri çeşitleri de her geçen gün artış göstermektedir. Bugün internette attığımız her bir adım dijital bir ayak izi oluşturmakta. Kullandığımız kredi kartımızın verileri, e-ticaret alışverişlerimiz, yazışmalarımız, kullandığımız navigasyon verileri, sosyal medya üyeliklerimiz ve paylaşımlarımız veri çeşitliliği için birkaç örnek oluşturur. 

Veri Madenciliği Nedir?

Veri alanında çalışan akademisyen ve profesyonellerin yapmış oldukları tanımlamalara baktığımız zaman veri madenciliğinin ne olduğu konusunda bir fikir birliğinin olmadığını görürüz.

Ancak veri madenciliğini genel olarak anlatmak gerekirse; büyük miktarda verinin içerisinden anlamlı sonuçlar çıkartabilmek amacıyla otomatik ya da yarı otomatik yöntemlerle işlenmesi ve anlamlı verilere ulaşılması diyebiliriz.

Veri madenciliğinden en önemli disiplinlerin başında makine öğrenmesi geliyor. Ayrıca ortaya çıkan sonuçların analiz edilmesinde ise istatistik biliminden faydalanılıyor. Makine öğrenmesi ile birlikte yapay zekâ alanındaki gelişmeler de veri madenciliği açısından önem arz ediyor.

Çoğu zaman veri madenciliği, yapay zekâ ve makine öğrenmesi birbirinin yerine kullanılarak yanlış yapılmaktadır. Bu 3 disiplin benzer ve hatta ortak araçları kullanan farklı disiplinlerdir.

Makine Öğrenmesi ve Veri Madenciliği

Bilgisayarın icadından bu yana süre gelen tartışma bilgisayarların tıpkı bir insan aklı gibi öğrenip öğrenemeyeceğidir. Bilgisayarların öğrenmesi konusunda çalışmalar yürüten disiplin makine öğrenmesidir.

Makine öğrenmesini daha iyi anlayabilmek için insanı incelemek ve karşılaştırma yapmakta fayda var. İnsan bir taraftan bilgi edinirken diğer taraftan da bu bilgiler ışığında tecrübeler edinmektedir.

Hem teorik bilgi ile hem de tecrübelerden edinilen bilgi ile insan kendisini sürekli olarak geliştirir. Makine öğrenmesi de buna benzer bir süreci ifade etmektedir. Bir program tıpkı insan gibi belli bir konuda insan gibi tecrübe edinip performansını artırıyorsa buna makine öğrenmesi denir.

Son dönemin popüler konularından bir tanesi olan Chatbot uygulamalarını örnek alalım. Müşterilerinize tıpkı insanmış gibi yanıtlar veren sohbet botu aslında sizin sisteme yüklediğiniz sorular ve cevaplara göre müşterinin karşısına çıkmaktadır.

Ancak müşterinin sorduğu bazı soruların yanıtları sistemde olmayabilir. Bu sefer sistem müşteriye yanıt veremediği soruları size yöneltir. Sizden bu sorulara yanıt aldıktan sonra bunu da öğrenerek bir sonraki soruda müşteriye daha iyi yanıt verebilir. Böylelikle günden güne öğrenen sistem adeta bir insan gibi müşteri soruları yanıtlamaya başlar.

Makine öğrenmesini ilgilendiren birkaç önemli süreç vardır. Yukarıda verdiğimiz örnekte olduğu gibi bir Chatbot’un müşterilerinize yanıt verebilmesi için öncelikle konuşulan kelimeleri anlamayı öğrenmesi gerekir.

Bugün popüler ve çok tartışılan teknolojilerden bir tanesi de sürücüsüz, yani otonom araçlar. Bu araçları kontrol eden bilgisayar yazılımı mutlaka araba kullanmayı öğrenmek zorunda. Bu araçlarla yapılan testlerde birtakım kazalar meydana gelse de sistem bu kazalardan öğrenerek insanlık için daha olumlu bir noktaya doğru ilerliyor.

Bu örnekler çoğaltılabilir ve hatta hayal gücümüzün sınırlarını zorlayarak geleceğe yönelik tahminlerde bulunabiliriz. Benim bu konuda hep düşündüğüm doktorların ve avukatların mesleğini (en azından bir kısmını) elinden alacak bir makine öğrenmesi.

Örneğin; derinizin altına yerleştirilen bir chip sayesinde saniyelik olarak kan tahlilinizin yapıldığını düşünün. Bu tahliller sırasında vücudunuza grip mikrobunun giriş yaptığı tespit edildi. Anlık olarak özel bir sağlık kuruluşunun bilgisayar yazılımına veriler gönderildi.

Bu program ilgili verileri tarayarak gribin türünü tespit etti ve kullanılması gereken ilaçları SMS olarak size gönderdi.

Böyle bir sağlık sistemi bizleri sevindirmez mi? İnsanlık için çok faydalı bir gelişme olmaz mı?

Makine öğrenmesi, başlıkta belirttiğimiz şekilde veri madenciliği ile ilişki içerisinde olduğu gibi aynı zamanda birçok farklı disiplinle de birebir ilişki içerisindedir. Yapay zeka, bilgi teorisi, psikoloji, felsefe, sosyoloji, olasılık, istatistik bunların başında gelmektedir.

Bu ana başlıklar haricinde birçok irili ufaklı disiplinle de ortak çalışmalar yürütmektedir. 

Veri Nasıl Toplanır?

Veriler 2 farklı biçimde toplanabilir. Bunlardan bir tanesi açık bir şekilde veri toplamak, ikincisi ise kapalı bir biçimde veri toplamak.

Açık bir şekilde veri toplanması genel olarak ziyaretçi isteği ile gerçekleşir. Üyelik sırasında verilen bilgiler, anketler, tercihler gibi birtakım verilerin ziyaretçi tarafından sisteme işlenmesi ile birlikte veri ambarı dolmaya başlar.

Buna en güzel örnek sosyal medya mecraları ve e-ticaret siteleri olabilir.

Kapalı veri toplama ise ziyaretçinin site içerisindeki hareketlerinin, alışkanlıklarının ve davranışlarının izlenmesi ile toplanır. Buradaki amaç ziyaretçinin web sitesi içerisinde yer alan mal veya hizmetlere ya da sitenin alanlarına olan ilgisinin saptanmasıdır.

Bunun sonucunda ziyaretçi ilgisinin artırılması için birtakım geliştirmeler hayata geçirilir. Bunun için Google Analytics gibi, Hotjar gibi çok kullanılan dijital pazarlama araçlarına ihtiyaç vardır.

Yapay Zeka ve Veri Madenciliği

Felsefe, psikoloji ve sosyoloji gibi sosyal bilimler insanı anlamaya çalışırlar. Bu anlama çalışmasının sonucunda birtakım tezler ortaya çıkar. Fakat bu tezler sadece insanı anlamak üzerinedir.

Bu bilimlerin ortaya çıkan sonuçlara göre daha iyi bir insan modeli üretme şansı yoktur. Var olanı anlamlandırabilirler.

Fakat yapay zeka insanı anlayarak, insanın daha üst modelinde bir takım varlıklar üretme çalışmasıdır. Yapay zekanın sabit bir tanımı yoktur. Çok farklı alanlarda karşımıza çıkabilir.

Bir web sitesinin içeriğinin analinizi yapan bir yapay zeka yazılımı ile de karşılaşabiliriz, ev işlerine yardımcı olan bir robot olarak da karşımıza çıkabilir.

Yapay zekanın en büyük alametifarikası makine öğrenmesidir. Çünkü yapay zeka kendi içerisinde makine öğrenmesini barındırır. Az önce söylemiştik. Makine öğrenmesi aslında bir insan gibi bilgi ve tecrübelerden öğrenerek kendisini geliştirir.

Yapay zeka da aslında bir insan modeli olduğuna göre o da makine öğrenmesi disiplini ile öğrenerek kendisini geliştirir.

Yukarıda saydığımız veri madenciliği, makine öğrenmesi ve yapay zeka disiplinlerinde gelişmeler her gün artarak devam etmekte. Yakın bir gelecekte tüm bunların nimetlerinden çok daha faydalanır olacağız. Hayatımızda çok fazla yerleri olacak.

Bu alanda çalışmalar yine daha önceki gelişmelerde olduğu gibi genellikle Amerika kaynaklı. Ne yazık ki ülkemizde bu 3 disiplin konusunda büyük adımlar atabilen kimse yok.

Özellikle bu kadar fazla paylaşım yapmayı ve interneti kullanmayı seven bir toplum olarak ciddi oranda veri paylaşıyoruz. Bu verilerin analizini yapacak, bunlardan anlamlı sonuçlar üretebilecek çok az sayıda insan kaynağımız var.

Bu alanda eğitim imkanlarını artırarak çözüm bulmalıyız. Aksi halde veriyi anlamlandıramadığımız için yine bir treni kaçırmış olacağız.

Dijital Pazarlama Uzmanı olarak; bu yazıyı hazırlarken okuduğum, bilgi edindiğim ve yazıyı hazırlama sürecinde faydalandığım kaynaklar şöyledir;

1. https://blog.euromsg.com/data-mining-veri-madenciligi-nedir/

2. https://tr.wikipedia.org/wiki/Veri_madenciliği

3. https://eksisozluk.com/veri-madenciligi–723393

4. https://burakisikli.wordpress.com/2009/02/15/veri-madenciligidata-mining-nedir-ve-nerelerde-kullanilir-1/

5. https://www.cmpe.boun.edu.tr/~ethem/files/papers/veri-maden_2k-notlar.doc

6. http://www.deu.edu.tr/userweb/k.yaralioglu/dosyalar/ver_mad.doc

7. http://mail.baskent.edu.tr/~20410964/DM_1.pdf

8. https://pazarlamasyon.com/data-mining-veri-madenciligi-nedir/

9. https://vizyonergenc.com/icerik/5-temel-soruda-veri-madenciligi-data-mining-nedir

10. https://pazarlamaturkiye.com/makale/veri-madenciligi-data-mining-nedir/

Veri Madenciliği (Data Mining) Nedir? yazısı ilk önce Mehmet Ortaç üzerinde ortaya çıktı.