Makine Öğrenimi: İş İçin Değer
Makine öğrenimi (ML) algoritmaları, bilgisayarların geliştirici tarafından açıkça açıklanmayan kuralları tanımlamasına ve uygulamasına olanak tanır.
Makine öğrenimi algoritmalarına ayrılmış oldukça fazla makale var. İşte bu algoritmaların farklı iş alanlarında nasıl uygulandığına dair bir “helikopter görünümü” açıklaması yapma girişimi. Bu liste elbette kapsamlı bir liste değildir.
İlk nokta, makine öğrenimi algoritmalarının, bir insan tarafından görülemeyen kalıpları veya bağımlılıkları bulmalarına yardımcı olarak insanlara yardımcı olabileceğidir.
Sayısal tahmin, buradaki en iyi bilinen alan gibi görünüyor. Uzun bir süre bilgisayarlar, finansal piyasaların davranışlarını tahmin etmek için aktif olarak kullanıldı. Çoğu model, finansal piyasaların yeterli hesaplama gücüne eriştiği 1980’lerden önce geliştirildi. Daha sonra bu teknolojiler diğer endüstrilere yayıldı. Bilgi işlem gücü artık ucuz olduğundan, küçük şirketler tarafından bile trafik (insanlar, arabalar, kullanıcılar), satış tahmini ve daha fazlası gibi her türlü tahmin için kullanılabilir.
Anormallik algılama algoritmaları, insanların çok sayıda veriyi taramasına ve hangi durumların anormallik olarak kontrol edilmesi gerektiğini belirlemesine yardımcı olur. Finansta hileli işlemleri tespit edebilirler. Altyapı izlemede, sorunları işletmeyi etkilemeden önce belirlemeyi mümkün kılarlar. Üretim kalite kontrolünde kullanılır.
Buradaki ana fikir, her anomali türünü tanımlamamanız gerektiğidir. Sisteme bilinen farklı durumların (bir öğrenme seti) büyük bir listesini verirsiniz ve sistem bunu anormallik tanımlaması için kullanır.
Nesne kümeleme algoritmaları, çok çeşitli anlamlı kriterler kullanarak büyük miktarda veriyi gruplandırmaya izin verir. Bir insan, birçok parametreye sahip birkaç yüzden fazla nesneyle verimli bir şekilde çalışamaz. Makine, kümelemeyi daha verimli yapabilir, örneğin, müşteriler / müşteri adayları kalifikasyonu, ürün listeleri segmentasyonu, müşteri destek vakaları sınıflandırması vb.
Öneriler / tercihler / davranış tahmini algoritmaları, daha önce düşünmemiş olsalar bile, onlara tam olarak ihtiyaç duydukları şeyi sunarak müşterilerle veya kullanıcılarla daha verimli etkileşim kurma fırsatı veriyor. Tavsiye sistemleri şu anda çoğu hizmette gerçekten kötü çalışıyor, ancak bu sektör çok yakında hızla iyileşecek.
İkinci nokta, makine öğrenimi algoritmalarının insanların yerini alabileceğidir. Sistem, insanların eylemlerinin analizini yapar, bu bilgilere dayanarak kurallar oluşturur (yani insanlardan öğrenir) ve insanlar yerine bu kuralları uygular.
Her şeyden önce bu, her türlü standart karar verme ile ilgilidir. Standart durumlarda standart eylemler gerektiren birçok aktivite vardır. İnsanlar bazı “standart kararlar” alıyor ve standart olmayan vakaları tırmandırıyor. Makinelerin bunu yapamamasının hiçbir nedeni yoktur: belge işleme, soğuk aramalar, defter tutma, birinci basamak müşteri desteği vb.
Ve yine, buradaki ana özellik, makine öğreniminin açık kural tanımı gerektirmemesidir. İnsanlar tarafından çalışmaları sırasında zaten çözülen vakalardan “öğrenir” ve öğrenme sürecini daha ucuz hale getirir. Bu tür sistemler işletme sahiplerine çok para kazandıracak, ancak birçok kişi işini kaybedecek.
Bir başka verimli alan, her türlü veri toplama / web kazımadır. Google çok şey biliyor. Ancak web’den bazı toplu yapılandırılmış bilgiler almanız gerektiğinde, yine de bunu yapmak için bir insanı çekmeniz gerekir (ve sonucun gerçekten iyi olmaması büyük bir ihtimaldir). Tercihlerinize ve gereksinimlerinize göre bilgi toplama, yapılandırma ve çapraz doğrulama, makine öğrenimi sayesinde otomatik hale getirilecektir. Bilginin nitel analizi yine insanlar tarafından yapılacaktır.
Son olarak, tüm bu yaklaşımlar hemen hemen her sektörde kullanılabilir. Bazı pazarların ve genel olarak toplumumuzun geleceğini tahmin ederken bunu dikkate almalıyız.
