ML101: Günlük yaşamda makine öğrenmesi

Makine öğrenimi algoritmaları her geçen gün artan veri ile birlikte giderek daha başarılı sonuçlar sunmakta. Bu süreçte kullanım alanları da genişliyor. Sağlık alanında kanser tespitinden şirketlerin gelecek planlamaları için değerlendirdikleri hacim tahminlerine kadar uzanan, insan zihninin bir çıktıya ulaşmasının güç olduğu pek çok noktada makine öğrenmesi devreye giriyor.

Dilerseniz farklı sektörlerden bazı makine öğrenmesi uygulamalarına değinelim.

Bir kargo firması, şirketler ile her yılın ilk ayında anlaşmalar yapmakta ve yılın ilk ayında verilen teklif 1 yıl boyunca geçerli olmaktadır. Teklif hazırlayan birimin yapacağı ufak bir yanlış hesap kargo şirketine yüklü meblağda para kaybettirebilir. Bu durumda kargo şirketinin veri bilimi ekibi bu bilinmezliği azaltmak için bir makine öğrenmesi modeli geliştirir. Kargo firmasının belirli bir yıl hizmet vereceği şirketin geçmiş verileri incelenerek geliştirilmiş bir model sayesinde, şirketin 1 yıl boyunca her hafta kaç sefer kargo hizmetine başvuracağı hesaplanarak hacim tahmini çıkartılabilir. Böylelikle hata payı düşürülmüş bir fiyat teklifi sayesinde kargo şirketinin her dönem karda olması sağlanabilir.

Görsel

Sağlıkta makine öğrenimi de günümüzde hayli değerli. Hücrelerin yüzlerce ve hatta belki de binlerce farklı özellikleri ölçülerek hücrelerin yapısına dair çıkarımlarda bulunulabiliyor. Kanser hastalarının, kanserli hücrelerindeki özellikler ile sağlıklı hücrelerdeki özellikler çıkarılarak ayırt etme aşamasında, insan gözünün yakalayamayacağı hassaslık algoritmaya devredilir. Makine öğrenimi bu özellikleri yeni hücrelerde tespit edilmiş verilerde arayarak yakalayabilir. Böylelikle hastalık erken safhada tespit edilebilir.

Görüntü tanıma ve anomali tespiti algılama, hatalı parçaları araç üretim iş akışına girmeden önce hızla yakalayıp ortadan kaldırmak için kullanılabilen makine öğrenimi algoritmalarındandır. Bu algoritmaları üretim bandında kullanan otomotiv firmaları, makine öğrenimi uygulamalarından her geçen gün daha fazla yararlanıyor. Parça üreticileri, montaj hattından çıkan her bir bileşenin görüntüsünü yakalayabiliyor ve herhangi bir kusuru tespit etmek için bu görüntüleri bir makine öğrenimi modelinde çalıştırabiliyor. Son derece hassas anomali tespiti algoritmaları, sorunları milimetrenin çok küçük bir bölümüne kadar algılayabiliyor. Ek olarak bu sektörede tahmine dayalı analitik, kusurlu bir parçanın yeniden çalışıp çalışamayacağını veya hurdaya çıkarılmasının gerekip gerekmediğini değerlendirmek için kullanılabilir. Bu noktada hatalı parçaları ortadan kaldırmak veya yeniden çalışmak, onları daha sonra keşfetmek ve düzeltmek zorunda kalmaktan çok daha az maliyetlidir. Makine öğrenmesi, üretim hattında daha masraflı olabilecek sorunlardan tasarruf sağlar ve maliyetli geri çağırma riskini azaltır. Ayrıca müşteri güvenliğini sağlarken, müşteri memnuniyetini artırır ve müşteriyi elde tutmaya yardımcı olur.

Görüntü tanıma ve analitik modeli uygulamak için ise üreticinin, her biri başarılı, başarısız, A/B/C sorunu vb. bilgilerle etiketlenmiş yüzlerce hatta binlerce parça görüntüsü içeren doğru bir veri kümesine ihtiyacı vardır. Modeli oluşturan veri bilimci ayrıca izin verilen toleranslar ve çeşitli kusurların potansiyel performans ve güvenlik etkisine dair alan uzmanlığına sahip olmalıdır.

Otomotiv sektöründen bir başka örnek ise hareket halindeki bir aracın bir şerit içindeki konumunu gerçek zamanlı tahmin etmek için uygulanabilecek makine öğrenmesi modeli.

Bir başka sektöre uzanalım. Google, arama motoruna yazılan kelimelerin tahminlerinde makine öğrenmesi alanlarından olan doğal dil işlemeyi (Natural Language Processing, NLP) kullanıyor. Kullanılan makine öğrenmesi algoritması, kullanıcıların ifade etmek istedikleri ile hedef sayfa içeriklerini tarayarak, kullanıcı ile hedefi doğru bir şekilde eşleştirmekte. Böylece kullanıcının isteklerini en iyi karşılayacak içerikler ön plana çıkarılıyor.

Tavsiye sistemleri ise kişiselleştirilmiş müşteri deneyimleri ile tanınan Amazon, Spotify ve Netflix gibi şirketler için değerli makine öğrenimi uygulamalarından. Bu şirketlerin her biri müşterilerden gelen verileri toplar, analiz eder ve bunları önceki satın alımlardan, ürün derecelendirmelerinden ve kullanıcı davranışından elde edilen bilgilere ekler.

Amazon, site genelinde yer alan tavsiyeleri hedefli bir pazarlama aracı olarak kullanır. Bir müşteri önerilere tıkladığında, önerilerin içerisinde yer aldığı konu başlığına, ürün türüne ve önceki ürün ve satın almaların puanlarına göre daha da detaylı bir biçimde içeriklerin filtrelenebileceği başka bir sayfaya yönlendirilir. Müşteri, belirli bir ürünün neden önerildiğini bile görebilir. Bu durumda ortak filtreleme, her kullanımı benzer müşterilerle eşleştirmekle kalmaz, aynı zamanda üründen ürüne her kullanıcının satın alma işlemini benzer öğelere bağlar ve bunlardan bir öneri listesi oluşturur. Örneğin, teknoloji ürünleri ile ilgili bir arama yaptığınızda, Amazon’un en son cihaz ve gereçleri önerdiğini görebilirsiniz veya yemek yapmakla ilgileniyorsanız yemek tarifi kitapları ve pişirme gereçleri için birçok öneri bulacağınızdan emin olabilirsiniz.

Netflix, hane halkının her bir üyesinin ilgilenebileceği içerikleri sunabilmek için tavsiye sistemlerini kişiselleştirir. Şirket ayrıca bu yaklaşımını geliştirmek için farkındalık ve güveni artırmaya odaklanır. Netflix, bu stratejileri neden video önerisi yaptığını açıklayarak ve üyeleri geri bildirim vermeye teşvik ederek uygular. Böylece hiçbir kişiselleştirme fırsatı kaçırılmaz. McKinsey'e göre, kullanıcıların Netflix'te izlediklerinin yüzde 75'i ürün tavsiyelerinden gelmekte. 

Spotify ise her biri müzik tutkunlarının kişisel zevklerine dayalı 2 milyardan fazla çalma listesine bakarak Haftalık Keşif önerilerinde bulunuyor. Spotify daha sonra bu bilgileri şirketin kendi çalma listeleriyle harmanlayarak bir kullanıcının dinleme alışkanlıklarını benzer zevklere sahip başka kullanıcılarınkiyle karşılaştırarak boşlukları doldurur. Yaklaşım ayrıca, haftalık seçimleri iyileştirmek amacıyla büyük miktarda veri içindeki kalıpları tespit etmek için derin öğrenme ile birlikte işbirlikçi filtrelemeyi kullanır.

Bir diğer uygulama ise makine öğrenmesi ile e-posta sistemlerinde istenmeyen e-postaların tespiti. Sınıflandırma modeli eğitildikten sonra yeni gelen e-postalar istenen veya istenmeyen e-posta olarak filtrelenerek kullanıcıların olası spam maillerinden korunması sağlanır.

Şirketlerden doktorlara, araç şoförlerinden son kullanıcılara kadar oldukça geniş bir kullanıcı ağı yanı sıra oldukça fazla kullanım alanı olan makine öğrenmesi, bilinmezliği azalttığı gibi sonuca ulaşmayı da kolaylaştırmakta. Bu nedenle de günlük yaşamda giderek daha fazla gündemimize gelecek bir konu başlığı olacak gibi gözüküyor.

Makine öğrenmesi ile ilgili daha detaylı bilgiye erişmek ve alanında öne çıkan firmaların gerçek verileri ile gerçek iş problemleri üzerine çalışmak için Miuul’un sunmuş olduğu Makine Öğrenmesi eğitimini veya Data Scientist Path kariyer yolculuğu programını inceleyebilirsiniz. 

Kaynaklar

• Harvard Business School, Digital Initiative, DHL: Cracking Logistics with the help of Machine Learning
• viso.io, Top Applications of Computer Vision in the Automotive Industry 
• nvdia.developer, Ford Using Deep Learning for Lane Detection
• rockcontent, BERT: Google’s New Algorithm That Promises to Revolutionize SERPs
• Towards Data Science, Deep Dive into Netflix’s Recommender System
• Univ.Ai,  How does Spotify's recommendation system work?
• Medium, Mandladharanireddy, Spam Classifier
• YouTube, Spark Summit, Music Recommendations at Scale with Spark - Christopher Johnson (Spotify)