Yapay zekâ, e-ticaret sektöründe adeta devrim yaratmış ve işletmelerin veri tabanlı kararlar almasına yardımcı olmaktadır. Örneğin, müşteri tercihlerini anlama, ürün önerileri yapma, stok yönetimi, fiyatlandırma stratejileri ve müşteri hizmetleri gibi kritik alanlarda yapay zekânın kullanımı giderek artmaktadır. Bu teknoloji, büyük veri analizi ve öğrenme algoritmaları sayesinde, her müşterinin benzersiz ihtiyaçlarına ve tercihlerine daha iyi uyum sağlamak için kişiselleştirilmiş hizmetler sunmayı mümkün kılmaktadır. Bunun sonucunda ise müşteri memnuniyeti artmakta ve işletmeler daha fazla satış yapma potansiyeli yakalayabilmektedir. Ayrıca, stok yönetimi ve talep tahmini gibi alanlarda yapay zekâ, işletmelere maliyet tasarrufu sağlayarak verimliliği artırmakta ve kaynakları daha etkili bir şekilde kullanmalarına imkan sağlamaktadır.

Akademik danışmanlığını büyük bir mutlulukla yürüttüğüm Artifica şirketi de e-ticaret alanında yapay zekâ tabanlı güncel ve etkin uygulamalar geliştirmektedir. 8 Ağustos 2023 tarihinde, Artifica şirketi “E-ticarette Yapay Zeka: Geleceğin Trendleri ve Fırsatlar” başlıklı bir webinar etkinliği düzenledi. Şirketin kurucularından ve alanında uzman Sadi Gürsoy ile birlikte benim de konuşmacı olarak katıldığım bu ilgi çekici etkinlikte, günümüz dünyasının en popüler konu başlıklarından e-ticaret ve yapay zekâ konularının kesişiminden bahsetmeye çalıştık. Soru — Cevap şeklinde, konulara örneklerle açıklama getiren ve daha sonra katılımcıların da sorularıyla zenginleşen bu çevrimiçi etkinliğin videosunu YouTube üzerinden de izleyebilirsiniz. İlgili etkinliğin temelinde yer alan soru ve cevapları aşağıda sizlerle detaylı biçimde paylaşacağım. Konuşmanın daha da detaylarına ulaşmak ve katılımcıların sorularının da yer aldığı kısımları dinlemek için aşağıda verilen bağlantıdan, tüm içeriği de izleyebilirsiniz.

E-ticarette neden yapay zekâ uygulamalarına ihtiyaç vardır? Bu uygulamalar gerçekten gerekli midir?

Bu sorunun yanı için öncelikle kısaca tarihsel sürece bakmak gerekir. Ticaret para yokken bile insan yaşamında var olan ve hayatı doğrudan yönlendiren çok önemli bir kavramdı. Halen günümüzde de büyük küçük tüm şirketlerin, devletlerin üzerinde en çok durdukları konuların en başında Ticaret kavramı yer almaktadır. Ekonominin en önemli belirleyici faktörlerinden biridir. Bu nedenle, bugün burada konuşacaklarımız tüm büyük ya da küçük ölçekli ticari kurumları ve hatta büyük devlet kurumlarını çok yakından ilgilendiren konulardır.

Ticaret önceleri değiş tokuş ile sağlanıyordu. Ardından paranın icadı ile büyük bir dönüşüm geçirdi. Bilgisayar teknolojisinin gelişmesiyle çok yakın zamanda da, e-ticaret ile yine çok önemli bir dijital değişime tanıklık ettik. Gelin bu önemli değişimi, her birimizin de mutlaka yaşadığımız, bir örnek üzerinden düşünelim.

Bir müşteri standart bir sokak mağazası veya AVM mağazasına girdiğinde satıcının işi nispi olarak kolaydı. Burada müşteriyi önceden gözlemler, ilgilendiği ürünlere bakar, üstünde olan ürünleri dikkate alır, vücut dili ile ilgili tahminlerini yapar ve alışverişinin amacını sorardı: ‘Kendisi için mi bakıyor hediye mi olacak’, Daha sonra da aklındakileri öğrenmek için soruları sorar ve en uygun ürün veya ürünleri tavsiye ederdi. Müşterinin kafasında soru işareti varsa veya bazı noktalarda ikna edilmesi gerekiyorsa da bu konuda gerekli özeni gösterir ve müşteriye yardımcı olarak satışı kapatırdı. Kısacası satıcı burada müşteriyi segmente yani kategorize eder, kişisel bir hizmet sunar ve tercihine göre de ürün önerir ve satışı gerçekleştirir.

E-ticaretin başladığı ilk zamanlarda, bu kadar lüks maalesef e-ticarette bulunmamaktaydı. Müşteriler genelde e-ticareti kolaylık için seçmekteydi (bugünde bunun böyle olduğu söylenebilir). Akıllarında bir ürün vardı. Eğer bu ürünü internet üzerindeki e-ticaret sitesinden kolaylık ile bulurlarsa satın alırlar bulamazlar ise satın almazlardı. Az önce bahsedilen senaryoda olduğu gibi, e-ticaret ortamında (bilgisayar başında) müşterilere hizmet edecek, destek verecek kimse yoktu. Burada ürünü bulmak da yetmeyebiliyordu, eğer akıllarında ürün ile ilgili bir soru işareti varsa onlara destek olacak, sorularına cevap verip ikna edecek birine ihtiyaçları vardı ama böyle bir yardım bulunmamaktaydı. Bu gibi sebeplerden dolayı fiziki mağazalarda olan müşteri memnuniyeti ve müşteriye sunulan kişiselleştirmenin fazla olması, ister istemez e-ticareti dezavantajlı duruma geçirmekteydi.

İşte tam bu noktada, yapay zekâ yani makine öğrenme yaklaşımları devreye girerek, Ticaret kavramındaki son önemli değişimi günümüzde gerçekleştirmeye başladı. E-ticaret sitesini gezen müşteri sayısının çokluğu ve bu verinin makine öğrenilmesinde kullanılması ile beraber artık daha etkin bir şekilde müşteriler kategorize edilebilmekte, bu kategorilere göre ürün önerme, gezilen ürün için müşterinin aklındaki soruları daha öncekilere bakarak tahmin edip bunların cevaplarını doğru şekilde müşteriye gösterme ve seçtiği ürünlere özel kampanya veya ilgili ürün önererek satışı artırma gibi hizmetler sunulabilmekte. Yapay zekâ algoritmalarının bugün ulaştığı seviye, e ticarette hedeflenen ciro ve karlılıklarının gerçekleştirilmesinde gerçekten çok etkili çözümler üretmektedir. Yani ticarette günümüzde var olabilmeniz için, e-ticarette etkin yapay zekâ uygulamalarıyla yer almanız artık kaçınılmaz bir gerçektir.

Yapay zekâ uygulamaları ile e-ticarette neler yapılmaktadır? Bu yapay zekâ uygulamalarının kullanılması e-ticarette nasıl avantajlar yaratmaktadır?

· Kişiselleştirilmiş Öneriler: Yapay zekâ, müşterinin geçmiş alışveriş geçmişini ve tarama alışkanlıklarını analiz ederek kişiselleştirilmiş ürün önerileri sunabilir. Bu, müşteri memnuniyetini artırır ve sonuç olarak satışlar da artışa neden olur.

· Fiyatlandırma ve İndirim Optimizasyonu: Yapay zekâ, rekabetçi fiyatlandırma ve indirim stratejileri oluşturabilir, böylece en iyi satış sonuçları elde edilebilir.

· Stok Yönetimi ve Tahminler: Yapay zekâ, stok seviyelerini tahmin edebilir ve talep tahminleri yaparak stok yönetimini optimize edebilir. Yapay zekâ uygulamalarından faydalanan satıcılar, verilerden güç alarak ürün geliştirmeden fiyatlandırmaya farklı süreçlerde daha doğru karar verebilir.

· Müşteri Analitiği: Yapay zekâ uygulamaları, müşteri davranışlarını analiz edebilir ve bu verileri kullanarak şirketin pazarlama stratejilerini optimize etmek mümkündür. Potansiyel müşteri hedef kitleleri doğru bicimde tespit edilebilir ve yine bu müşteriye etkin bir bicimde ulaşmak için kullanılabilir.

· Chatbotlar ve Sanal Asistanlar: Yapay zekâ destekli chatbotlar, müşterilere 7/24 destek sağlayabilir, soruları yanıtlayabilir ve hızlı çözümler sunabilir. İnsan Kaynakları

· Güvenlik ve Dolandırıcılık Önleme: Yapay zekâ, sahtekârlığı tespit etmek ve müşteri verilerini korumak için güvenlik önlemleri sağlayabilir.

· Görsel ve Dil İşleme: Yapay zekâ, ürün görsellerini analiz ederek benzer ürünleri bulabilir veya metin tabanlı yorumları anlayarak müşteri geri bildirimlerini değerlendirebilir.

Yapay zekâ uygulamalarının e-ticarette getirdiği avantajlar başlıklar altında toplanırsa:

· Satışların artırılması

· Müşteri hizmetlerinin etkin bir bicimde gerçekleştirilmesi

· Envanter yönetimi

· Site içi müşteri memnuniyeti

· Doğru ürünlerin doğru kişilere gösterilmesi

· Doğru rekabetçi stratejiler üretilmesi

· Güvenliğin ve dolayısıyla şirket itibarının sağlanması

Yapay zekâ uygulamaları e-ticarette gerçekleştirilen Kişiselleştirilmiş Öneriler neyi ifade eder? Bunu gerçekleştirmek e-ticarette nasıl bir avantaj sağlamaktadır?

E-ticaret sitesinden alışveriş yapacak her müşterinin ne istediğini tam bilebilmesini, aradığı ürünün tam adını / model kodunu bilmesini veya almayı düşündüğü ürünün tam olarak kategorisini bilmesini beklemek akılcı bir davranış olmayacaktır. Makine Öğrenimi burada yine devreye girer. Amaç satış yapmak olduğu için ve daha da doğrusu her müşteriye hitap etmek olduğu için, kullanıcıların aradığı her ürün en kısa ve doğru şekilde müşterilere sunulmalıdır. Sonuçta müşteri aradığı ürünü sitede bulursa satın alacaktır. Bulamazsa almayacaktır yani, satış gerçekleşmeyecektir.

Bir e-ticaret sitesinde yapılan aramaların kaydedilmesi, buradan gelen sonuçlardan müşterilerin ürünleri seçmesi ve ardından satın almaya giden süreç makine öğrenmesi için harika bir kaynaktır. Burada bilgi ile oluşturulacak bir makine öğrenmesi algoritması hem müşteriye aradığını daha kolay bulmasını sağlayacak hem de daha etkili önerilerde bulunacaktır. Çünkü eldeki bilgide satın alma verileri de vardır ve bunlar da müşterilere daha çok ürün satın almak üzere öneriler sunmasını sağlamaktadır. Ayrıca günümüzde yapılan çalışmalara bakıldığında arama sonuçları da yapay zekâ ile manipüle edilmekte ve müşteri sitede olmayan bir ürünü bile arasa ona muadil ürünler sunulmaktadır. Üstelik bu sadece e-ticaret tarafında değil örnek vermek gerekirse Netflix tarafından bile kullanılmaktadır. Platformda olmayan bir içerik aradığınızda size onun muadili olduğunu düşündüğü veya eldeki geçmiş verilere bakarak karar verdiği içerikleri önermektedir. Bu iş e-ticaret tarafına uygulandığında ise iki ayrı durum vardır. Olmayan ürünün muadilini sunabileceğimiz gibi, müşteriye bir taraftan da daha çok karlılık sağlayacak aynı işlevi sağlayan farklı bir ürün sunulabilir. Bu şekilde evrimleşmiş algoritmaların birçok site tarafından kullanılmaya başlandığını da görmekteyiz.

Yapay zekâ uygulamaları e-ticarette Fiyatlandırma ve İndirim Optimizasyonu’nda nasıl bir yarar sağlamaktadır?

Online sitelerden alışveriş yapan müşterilerin en büyük hassasiyetleri fiyat konusundadır. Eğer bir ürün fiziki mağaza ile aynı fiyata sahipse, müşteriler genellikle bu ürünü gidip birinci el olarak mağazadan almayı tercih ederler. Ayrıca unutmamak gerekir ki e-ticaret müşterisinin en sevdiği iş satın almaya karar verdiği ürün veya ürünleri farklı sitelerde kıyaslayarak, en uygun fiyata satan güvendiği yerden satın almaktır. Bu konuda işleri fiyat kıyaslama olan birçok firma da hizmet vermektedir.

Makine Öğrenimi tam olarak burada devreye girerek fiyatları dinamik olarak ayarlar. Bu algoritmaların ilk kullanım örneği uçak bileti satan firmalarda başlamıştır. Müşterinin aramalarına, günün saatine, talep ve arama sayısına, rakiplerin fiyatlarına ve müşterinin segmentine göre farklı fiyat opsiyonları oluşturmakta ve fiyatlar sunmaktadır. Bu sayede satışları ve ciroyu artırmaktadırlar. Ki bir sitede satılan ürün sayısının çokluğu ve sitede yapılan aramalar, ürün gezinme sayıları ve rakiplerin de pozisyonları göz önüne alındığında bu işin ne kadar ciddi bir iş yükü ve kompleksite (karmaşıklık) içerdiği gözlemlenebilir. Makine öğrenmesi ise içeride biriken verilerin de artması ile (ki burada büyük veriden söz ediyoruz) gün geçtikçe daha optimize fiyat döngüleri sağlayarak, burada sitelerin ciro ve karlılıklarına katkı sağlamaktadır.

Yapay zekâ, e-ticarette fiyatlandırma stratejilerinde devrim yaratarak işletmelerin dinamik ve kişiselleştirilmiş fiyatlandırma modellerini benimsemelerini de sağlamıştır. Yapay zekâ algoritmaları müşteri davranışı, rakiplerin fiyatlandırması ve piyasa koşulları gibi faktörleri göz önünde bulundurarak ürünler için en uygun fiyatları gerçek zamanlı olarak belirleyebilmektedir. Bu da, işletmelerin gelirlerini en üst düzeye çıkarırken rekabetçi düzeyde kalmalarını sağlar. Ayrıca yapay zekâ, farklı müşteri segmentleri için en etkili fiyatlandırma stratejilerini belirlemek üzere fiyat esnekliğine ilişkin verileri de analiz edebilmektedir.

Stok Yönetimi ve Tahminler için yapay zekâ uygulamaları nasıl kullanılır ve ne gibi avantajlar sağlarlar?

E-ticarette doğru ürünü doğru zamanda sergilemek en önemli satış etkenlerinden bir tanesidir. Tam tersi ise oldukça yüklü zararlara sebep olmaktadır. Günümüz e-ticaret dünyasına baktığımızda ortada çok büyük sayıda ürün ve sipariş verisi bulunmaktadır ve bu da her gün artmaktadır. Bu yoğun trafik ve büyük veri hacmi insan olarak analizi imkânsız hale getirmektedir. Yapay zekânın bir kolu olan makine öğrenmesi burada devreye girer. Sipariş ve müşteri verisinden trendleri tahmin edebilmekte, buna uygun olan ürünleri belirleyebilmekte ve doğru zamanda tedarikini sağlayacak analizler yapabilmektedir. Bu sayede e-ticaret siteleri en doğru satın alma kararlarını vererek, talep olan ürünler için doğru fiyat ve zamanlama sunmakta ve satışlarını artırmaktadırlar.

Verimli envanter yönetimi e-ticaret işletmeleri için çok önemlidir ve yapay zekâ bu yönetim şeklini de oldukça güçlendirebilmektedir. Makine öğrenimi algoritmaları sayesinde yapay zeka, envanter seviyelerini optimize etmek için geçmiş satış verilerini, mevsimsel eğilimleri ve pazar talebini analiz edebilir. Bu, işletmelerin depolama maliyetlerini azaltmasına, stok kesintilerini en aza indirmesine ve sorunsuz bir tedarik zinciri sağlamasına yardımcı olur. Yapay zekâ uygulamaları, talebi doğru bir şekilde tahmin ederek işletmelere müşteri beklentilerini karşılama ve kârlılığı artırma gücünü de sağlar.

E-ticarette yapay zekâ uygulamalarının getirdiği avantajlardan biri olan Müşteri Analitiğinden biraz daha detaylı bahsedebilir mi?

Mağazadan alışveriş yapacak bir müşteri içeriye girdiğinde, tecrübeli bir satış personeli müşterinin davranışlarından ve sorduğu sorulardan çok kolay bir şekilde ilgilendiği ya da ilgilenebileceği ürünü tahmin eder, buna göre ona önerilerde bulunur, aklındaki soru işaretlerini giderir ve alışveriş yapmasını sağlayabilir. Hatta satın alınacak ürün yanında benzer ürünleri de önererek satış tutarını da yükseltebilir.

Online satış tarafında gelindiğinde ise, ürün önerme işlemleri ciroya ciddi oranda katkı yapmaktadır. Üstelik de reklam için bütçe harcamadan yapıldığından dolayı karlılığa katkısı göz ardı edilemeyecek kadar yüksektir. Buradaki küçük ama çok önemli ipucu ise bir satıcı gibi düşünmek ve doğru ürün ile müşterinin karşısına çıkmaktır. Günümüzde makine öğrenmesinin de yaygınlaşması ile birlikte birçok e-ticaret sitesi alt yapı ile birlikte ya da dışarıdan hizmet alarak ürün önerme teknolojilerini kullanmaktadır. Ölçümleme araçlarının da gelişimi ile birlikte bu sayede gerçekleşen ciro artışı ve karlılık da an be an hesaplanabilmektedir. Trend analizlerinin doğru ve hızlı yapılabilmesi aynı zamanda da alışveriş alışkanlıklarının sıkı sıkıya takip edilip analiz edilmesi, ürün tavsiyesindeki ürünlerin çok daha etkin ve satın alma tercihine uygun olması bu şekilde sağlanabilmektedir. (McKinsey tarafından) Yapılan bir araştırma göstermiştir ki Netflix üstündeki izlenmelerin %75’i öneriler ile sağlanmaktadır ve daha da ilginci Amazon üstünde yapılan araştırmada ise siparişlerin %35’ini sistem tarafından müşteriye tavsiye edilen ürünler oluşturmaktadır.

E-ticarette yapay zekâ uygulamaları Müşteri İlişkilerinde nasıl bir role sahiptir?

E-ticaret yoğun rekabetin yaşandığı ve müşterinin sadece bir tık ile rakibi tercih ettiği bir mecradır. Dolayısı ile burada en önemli konulardan bir tanesi de müşteri hizmetleri ve müşteri desteğidir. Bir e-ticaret sitesinin sağladığı destek hem itibarını güçlendirir hem de müşterinin tekrarlı alışveriş yapmasını sağlar. İşin geneline bakıldığında, birçok müşteri destek hattını aramaktan, sonu gelmez menüler arasında tuşlamaktan ve destek için gerçek bir insanı beklemekten pek hoşlanmaz. Aynı zamanda müşterilerin mailler atarak destek istemekten, gelen destek takip numaralarından ve daha önemlisi uzun saatler boyunca cevap beklemekten de pek hoşlandıkları söylenemez. Birçoğumuz da buna benzer tatsız tecrübeler yaşamışızdır. Müşterilerin böyle tatsız durumlarla karşılaşması doğal olarak satışları önemli ölçüde düşürecektir.

Diğer taraftan da, firmalar için bir destek departmanı oluşturmak, burası için insan kaynağı istihdam etmek ve süreçleri en etkin şekilde yönetmek oldukça yüksek bir maliyet oluşturmaktadır ve bu da yine karlılığı olumsuz etkilemektedir. Ayrıca cevaplar ve çözümler insanlara bağlı olduğu için hem insanların yetişmesi zaman almakta hem de hizmet kalitesi değişebilmektedir. Yapay zekânın bir kolu olan makine öğrenme sayesinde günümüzde, Chat Bot (sohbet robotları) teknolojileri kullanmaya başlamıştır. Chat botlar, müşteri ile yazışarak sorunu anlayabilir ve hızlı bir şekilde müşterilere cevap verebilirler. Günümüzde özellikle bankalar olmak üzere birçok firmanın, ilk müşteri desteğini chat botlar ile verdiğini görmekteyiz.

E-ticarette en önemli konulardan biri Güvenlik ve Dolandırıcılıktır. Bu konuda yapay zekâ uygulamalarından nasıl yararlanılmaktadır?

E-ticaret sitesi yöneticiler için Chargeback (Müşterinin alışverişe itiraz etmesi ve bankanın gerek müşteri memnuniyeti gerekse de haklı sebepler ile bu ödemeyi müşteriye iade etmesi durumu) tam bir kâbustur. Bir e-ticaret sitesinden ilk kez alışveriş yapan müşterilerin en çok çekindikleri nokta güven konusudur ve buradan satın alacakları ürün / hizmet için kafalarında güvenlik konusunda soru işaretleri vardır.

E-ticaret siteleri maalesef dolandırıcılar karşısında zayıflık gösterebilmektedirler. Bu konuda sistemler 7/24 hizmet verdikleri ve farklı yerden farklı ortamlardan devamlı kullanıcıları online sitelere bağlandıkları için hedef olmaktadırlar. Burada gerçekleşebilecek bir olumsuz işlem öncelikli olarak itibar kaybı yaşatmaktadır. Makine Öğrenimi yine burada devreye girer ve şüpheli olan davranışları tespit eder. Burada kullanıcının tekrarlı hareketlerinden tutun da daha önceki saldırılarda tespit edilen beklenmeyen hareketine kadar her istek analiz edilir ve sahtekârlık (fraud) işlemi gerçekleşmeden bu kullanıcı için engelleme gerçekleştirilir.

Bu yazı Prof. Dr. Çağdaş Hakan Aladağ’ın E-Ticaret ve Yapay Zekâ Kesişimi yazısından alınmıştır.

Günümüzde, artan teknolojik olanaklar doğrultusunda giderek zorlaşan rekabet koşulları, bireylerin, işletmelerin, kurumların ya da ülkelerin “Gelecekte ne olabilir?” sorusunun cevabını daha büyük bir iştahla araştırmalarına neden olmaktadır. Günümüz rekabet koşullarında, en iyi stratejileri belirleyebilmek için geleceğe yönelik tahminler elde edebilmek amacıyla birçok yöntem geliştirilmiş ve geliştirilmektedir. Gelecek olayları ya da koşulları tahmin etmeye öngörü denir. Farklı disiplinlerden araştırmacılar daha güvenilir öngörüler elde edebilmek için çeşitli yöntemler üretmekte ya da mevcut yöntemleri daha da iyileştirmek için çalışmaktadırlar. (Aladağ, 2009)

Gelecek tahmini elde etmek amacıyla üzerinde en çok çalışılan veri türlerinden biri zaman serileridir. Olayların zaman içinde gözlemlenmesi ile elde edilen ölçümlerin oluşturduğu serilere zaman serileri denir (Günay vd., 2007). Belli bir zaman aralığında, havadaki kirlilik oranı, su tüketimi, elektrik tüketimi, bir ülkeye gelen turist sayısı, bir hastaneye gelen hasta sayısı, kişi başına düşen milli gelir, işsizlik oranı, rüzgâr şiddeti, hava sıcaklığı, borsa değerleri, fiyat tahmini, e-ticaret verileri ve bunlar gibi farklı zaman serileri için öngörüler elde etmek amacıyla çeşitli matematiksel modeller kullanılmaktadır (Tokgozoglu vd., 2021). Zaman serileri öngörü yöntemlerinin temel dayanak noktası, geçmişte gözlemlenen değerler göz önünde bulundurularak oluşturulan modelle gelecek tahminleri yapmaktır (Aladağ vd., 2009). Öncelikle gözlemlenmiş zaman serisi değerlerini en iyi temsil eden istatistiksel ya da makine öğrenme temelli model oluşturulur. Daha sonra oluşturulan bu model kullanılarak gelecek için tahminler elde edilir.

Günümüzde zaman serileri analiz edilip gelecek öngörüleri elde edilirken kullanılan yaklaşımlar, ARIMA gibi istatistik temelli modellerden (Box ve Jenkins, 1970), Yapay Sinir Ağları (Gündoğdu vd., 2016) veya Bulanık Zaman serileri (Güney vd., 2018) gibi makine öğrenme temelli modellere ya da tüm bu modellerin akıllı birleşimlerinden oluşan melez modellere (Aladağ, 2014) kadar büyük bir çeşitlilik göstermektedir. Gün geçtikçe, daha güvenilir öngörüler elde etmek amacıyla çok çeşitli yeni yaklaşımlar literatürde yer almaktadır (Aladağ ve Potas, 2022).

Literatürde geliştirilen bunca çeşitli öngörü yaklaşımları için ortak ve çok önemli bir sorun vardır. Kullanılan öngörü yöntemi istatistik ya da makine öğrenme temelli olsun, herhangi bir bulanık zaman serisi ya da derin öğrenme modeli olsun karşılaşılan en hayati sorun, modelden üretilen öngörülerin gerçeği ne kadar iyi yakaladığının nasıl ortaya konulacağı yani, kullanılan modelin ne kadar güvenilir öngörüler verdiğinin nasıl ölçüleceğidir. Bir başka ifadeyle, en iyi öngörüleri veren modelin nasıl seçileceği en önemli problemdir (Aladağ, 2019).

Herhangi bir zaman serisi için çeşitli modellerin öngörü performansı yani, ne kadar iyi, ne kadar güvenilir öngörüler ürettiği bir performans ölçütü tarafından belirlenir. En iyi öngörü modelinin belirlenmesi çok önemli problem olduğu için literatürde bu konu üzerinde yapılmış birçok çalışma mevcuttur (Aladağ, 2017). En iyi modelin belirlenmesinde yaygın olarak kullanılan bazı performans ölçütleri aşağıda verilmiştir.

Akaike bilgi kriteri (Akaike information criterion, AIC):

AIC, hem modelin uyumunu hem de karmaşıklığını dikkate alarak optimal bir denge sağlamayı hedefler. AIC, 1970’lerde Hirotugu Akaike tarafından geliştirilmiştir. Temel fikir, bir modelin verilere uyum sağlama yeteneğinin, modelin karmaşıklığından ne kadar “maliyetli” olduğunu değerlendirmektir. AIC, hem modelin uyumunu ölçen bir terim hem de modelin karmaşıklığını cezalandıran bir terim içerir.

AIC’nin formülü aşağıdaki gibidir:

AIC = -2 * log-likelihood + 2 * k

Burada, log-likelihood, modelin veriye uyumunu ölçen logaritmik olabilirlik fonksiyonudur. k, modelin serbestlik derecesini temsil eder, yani kullanılan parametre sayısıdır.

AIC, model seçimi için kullanılan bir istatistiksel ölçüdür. AIC değeri, daha düşük olması tercih edilen bir değerdir. Daha düşük AIC değeri, daha iyi bir model uyumunu ve daha az karmaşık bir modeli gösterir. AIC kullanılarak farklı modeller karşılaştırılır ve en küçük AIC değeri olan model tercih edilir.

AIC’nin avantajlarından biri, farklı model türlerini ve karmaşıklıklarını karşılaştırabilmesidir. Ancak AIC, bazen özel durumlar için yanlı sonuçlar verebilir ve gerçek modele tam olarak uymaz. Bu nedenle, model seçimi için tek başına kullanılmamalıdır. Diğer kriterler ve analiz yöntemleriyle birlikte değerlendirme yapmak önemlidir.

Bayesian bilgi kriteri (Bayesian information criterion, BIC):

BIC, veriye en uygun olan modelin hem iyi bir uyum sağlamasını hem de basitlik ilkesine uymasını dikkate alır. BIC, Akaike Bilgi Kriteri’ne (AIC) benzer bir kriterdir, ancak daha fazla parametre içeren modellerin cezalandırılmasında daha kesin bir yaklaşım kullanır. BIC’nin amacı, karmaşık modellerin aşırı uyum yapmasını önlemek ve daha basit modelleri tercih etmektir.

BIC, bir modelin kalitesini ölçmek için iki bileşeni kullanır: uyum terimi ve parametre cezası terimi. Uyum terimi, modelin veriye olan uyumunu ölçerken, parametre cezası terimi modelin karmaşıklığını göz önünde bulundurur. BIC değeri, düşük değere sahip olan modelin tercih edilmesini sağlar.

BIC’nin formülü aşağıdaki gibidir:

BIC = -2 * log-likelihood + k * log(n)

Burada, log-likelihood, modelin veriye uyumunu ölçen logaritmik olabilirlik fonksiyonudur. k, modelin serbestlik derecesini temsil eder (yani, kullanılan parametre sayısıdır) ve n, veri noktalarının sayısıdır.

BIC, model seçimi için kullanılan yaygın bir kriterdir ve genellikle maksimum olabilirlik tahminine dayalı istatistiksel modellerin seçiminde tercih edilen bir ölçüdür. Daha düşük BIC değeri, daha iyi bir model uyumunu ve daha basit bir modeli gösterir.

Ortalama Kare Hatası (Mean Square Error, MSE):

Gerçek değerler ile tahmin edilen değerler arasındaki farkların karelerinin ortalamasıdır. MSE, MAE’ye benzer şekilde tahmin hatalarının büyüklüğünü ölçer, ancak büyük hataların daha fazla ağırlığı vardır. Ayrıca, tahmin edilen değerlerin gerçek değerlere göre hata miktarını ölçer.

Yine MSE, gerçek değerlerle tahmin edilen değerler arasındaki farkların karelerinin ortalamasını alır. Aşağıdaki formülle gösterilebilir:

MSE = (1/n) * Σ(Gerçek Değer — Tahmin Değeri)²

Burada n, gözlem sayısını temsil eder ve Σ sembolü, tüm gözlemler için toplamın alındığını ifade eder.

MSE, tahmin hatalarının büyüklüğünü ölçer. Karelerin alınması, hataların pozitif veya negatif olmasına bakılmaksızın tüm hataları pozitif değerlere dönüştürür ve büyük hataların daha fazla ağırlığı olduğunu gösterir. MSE değeri ne kadar düşükse, tahmin modelinin daha iyi performans gösterdiği anlamına gelir.

MSE, orijinal veri birimlerinden bağımsız olarak kareli hata miktarını ölçer. Bu nedenle, RMSE (Kök Ortalama Kare Hatası) ile birlikte kullanılarak tahminlerin orijinal veri birimlerinde değerlendirilmesi tercih edilebilir.

MSE, zaman serileri analizinde yaygın olarak kullanılan bir performans ölçütüdür. Ancak, MSE değeri, hataların büyüklüğünün ölçeğine bağlı olarak değişebilir ve farklı veri setleri arasında doğrudan karşılaştırma yapmak için dikkatlice kullanılmalıdır. MSE, diğer ölçütlerle birlikte kullanılarak tahmin modellerinin doğruluğunu değerlendirmek için kullanılır.

Kök Ortalama Kare Hatası (Root Mean Square Error, RMSE):

MSE’nin karekökü alınarak elde edilir. RMSE, tahmin hatalarının standart sapmasını ölçer ve orijinal veri birimleri üzerinde yorumlanabilir. Ayrıca, tahmin edilen değerlerin gerçek değerlere göre hata miktarını ölçer.

Buna ek olarak, gerçek değerlerle tahmin edilen değerler arasındaki farkların karelerinin ortalamasını alır ve sonucun karekökünü alarak hesaplanır. Aşağıdaki formülle gösterilebilir:

RMSE = √((1/n) * Σ(Gerçek Değer — Tahmin Değeri)²)

Burada n, gözlem sayısını temsil eder ve Σ sembolü, tüm gözlemler için toplamın alındığını ifade eder.

RMSE, ölçeği orijinal veri birimlerinde değerlendirmeyi sağlar. Bu nedenle, RMSE değeri, tahmin modelinin gerçek değerlere göre ne kadar hata yaptığını daha kolay yorumlamamıza yardımcı olur. RMSE değeri ne kadar düşükse, tahmin modelinin daha iyi performans gösterdiği anlamına gelir.

RMSE, özellikle büyük hataların daha fazla ağırlığı olduğu durumlarda kullanışlıdır. Karelerin alınması nedeniyle büyük hataların daha belirgin bir etkisi vardır. Bununla birlikte, RMSE değeri, hataların büyüklüğünün ölçeğine bağlı olarak değişebilir ve bu nedenle farklı veri setleri arasında doğrudan karşılaştırma yapmak için dikkatlice kullanılmalıdır.

RMSE, zaman serileri analizinde yaygın olarak kullanılan bir performans ölçütüdür ve tahmin modellerinin doğruluğunu değerlendirmek için diğer ölçütlerle birlikte de kullanılır.

Ortalama Mutlak Hata (Mean Absolute Error, MAE):

Gerçek değerler ile tahmin edilen değerler arasındaki mutlak farkların ortalamasıdır. MAE, tahmin hatalarının büyüklüğünü ölçer ve düşük bir MAE değeri, daha iyi bir tahmin performansını gösterir. Buna ek olarak, tahmin edilen değerlerin gerçek değerlere göre ortalama hata miktarını ölçer.

MAE, gerçek değerlerle tahmin edilen değerler arasındaki mutlak farkları alır ve bu farkların ortalamasını hesaplar. Aşağıdaki formülle gösterilebilir:

MAE = (1/n) * Σ|Gerçek Değer — Tahmin Değeri|

Burada n, gözlem sayısını temsil eder ve Σ sembolü, tüm gözlemler için toplamın alındığını ifade eder.

MAE, hataların mutlak değerlerini kullanır, yani pozitif veya negatif hataların önemi arasında ayrım yapmaz. Bu nedenle, MAE, hataların büyüklüğünü doğrudan yansıtır. MAE değeri ne kadar düşükse, tahmin modelinin daha iyi performans gösterdiği anlamına gelir.

MAE, orijinal veri birimlerinde değerlendirilir, bu nedenle tahminlerin orijinal veri birimlerinde anlamlı bir ölçüm sağlar. Aynı zamanda, MAE, büyük hataların etkisini yumuşatır, çünkü mutlak değerler kullanılır.

Ortalama Mutlak Hata Yüzdesi (Mean Absolute Percentage Error, MAPE):

Gerçek değerlere göre tahmin hatalarının yüzdesel farklarının ortalamasıdır. MAPE, tahmin hatalarını orantılı olarak değerlendirir ve ölçeklendirme etkisini azaltır. Tahmin edilen değerlerin gerçek değerlere göre yüzde olarak ne kadar hata yaptığını ölçer.

MAPE, gerçek değerlerle tahmin edilen değerler arasındaki mutlak farkları gerçek değerlere göre yüzde olarak ifade eder ve bu farkların ortalamasını alır. Aşağıdaki formülle hesaplanır:

MAPE = (1/n) * Σ |(Gerçek Değer — Tahmin Değeri) / Gerçek Değer| * 100

Burada n, gözlem sayısını temsil eder ve Σ sembolü, tüm gözlemler için toplamın alındığını ifade eder.

MAPE’nin yüzde cinsinden ifade edildiği unutulmamalıdır. Yüzde olarak ifade edilen bir oran olduğu için, 0 ile sonsuz arasında bir değer alır. MAPE değeri ne kadar düşükse, tahmin modelinin daha iyi performans gösterdiği anlamına gelir. Ancak, MAPE değeri bazen sıfır olan gerçek değerlerden kaynaklanan bölme sorunları nedeniyle sınırlı bir kullanımı vardır. Bu nedenle, MAPE’nin sıfır olan gerçek değerlere karşı hassas olduğunu unutmamak önemlidir.

MAPE, zaman serileri tahminlerinin doğruluğunu değerlendirmek için kullanılan faydalı bir ölçüttür. Ancak, bazen yüzde oranlarının yorumlanması zor olabilir ve mutlak değerlere dayalı ölçütlerle birlikte kullanılması daha geniş bir perspektif sunabilir.

Ortanca Mutlak Hata Yüzdesi (Median Absolute Percentage Error, MdAPE):

MdAPE, tahmin edilen değerlerin gerçek değerlere göre yüzde olarak medyan hata miktarını ölçer. MdAPE, gerçek değerlerle tahmin edilen değerler arasındaki mutlak farkları gerçek değerlere göre yüzde olarak ifade eder ve bu farkların medyanını alır. Aşağıdaki formülle hesaplanır:

MdAPE = Median(|(Gerçek Değer — Tahmin Değeri) / Gerçek Değer|) * 100

MdAPE, yüzde cinsinden ifade edilen bir orandır ve 0 ile 100 arasında bir değer alır. Medyan kullanılması, tahmin hatalarının dağılımında aykırı değerlerin etkisini azaltır ve daha dirençli bir ölçüt sağlar.

MdAPE, MAPE kriterine benzer bir ölçüttür, ancak medyan kullanılarak hesaplandığı için daha dirençli bir ölçüdür. Aykırı değerlerin etkisi daha azdır ve tahminlerin yüzde hata miktarının daha dengeli bir ölçümünü sunar. Diğer performans ölçütleriyle birlikte kullanılarak daha kapsamlı bir değerlendirme sağlar.

Yön Sağlamlığı (Direction Accuracy, DA):

Yön sağlamlığı kriteri, tahmin edilen değerlerin gerçek değerlerin yönünü doğru bir şekilde tahmin etme yeteneğini ölçer.

Zaman serileri analizinde genellikle bir sonraki adımın yönünü tahmin etmek önemlidir. Örneğin, hisse senedi fiyatları üzerinde çalışırken, yatırımcılar gelecekteki fiyat hareketinin yönünü tahmin etmek isteyebilirler. Bu durumda, yön sağlamlığı ölçütü, tahmin edilen yönün gerçek yönle ne kadar uyumlu olduğunu değerlendirir.

Yön sağlamlığı, genellikle doğru yön tahminlerinin toplam gözlem sayısına oranı olarak ifade edilir. Yüzde cinsinden ifade edilen bir orandır ve %0 ile %100 arasında değer alır. Yüzde 50’lik bir yön sağlamlığı, rastgele tahmin etmekle aynı performansı gösterirken, yüzde 100’e yaklaşan bir yön sağlamlığı, tahmin modelinin gerçek yönleri mükemmel bir şekilde tahmin ettiğini gösterir.

Yön sağlamlığı, diğer performans ölçütleriyle birlikte kullanılarak bir tahmin modelinin başarısını daha kapsamlı bir şekilde değerlendirmeye yardımcı olur. Ancak, yön sağlamlığı tek başına yeterli bir ölçüt değildir. Zaman serileri analizinde kullanılan diğer ölçütlerle birlikte değerlendirme yapmak daha sağlıklı sonuçlar elde etmemizi sağlar.

Geleceği tahmin etmek amacıyla yapılan zaman serileri analizlerinde, en güvenilir gelecek öngörülerini üreten modeli seçmek için yukarıda verilen performans ölçütleri sıklıkla kullanılmaktadır. Ek olarak, yukarıda verilen performans ölçütleri dışında da literatürde önerilen yine pek çok çeşitli ölçüt bulunmaktadır. Yukarıda açıklandığı gibi, performans ölçütleri modelin ürettiği tahminler ile bunlara karşılık gelen, gerçekleşen/gözlenen değerler arasındaki farkı yani, hatayı ölçmektedir. Ve dikkat edilirse, her performans ölçütü bahsedilen hatayı farklı bir şekilde hesaplamaktadır. Buna göre, uygulamalarda kullanılan performans ölçütüne göre seçilen en iyi model yani, en iyi öngörüleri vermesi beklenen model değişebilmektedir. Bir başka ifadeyle, aynı veri seti için bile her farklı performans ölçütü farklı bir modeli en iyi model olarak belirleyebilir. Ve literatürde kullanılabilecek onlarca farklı performans ölçütü mevcuttur. Tam bu nokta hayati önemde bir soru ortaya çıkar:

En iyi modeli belirlemek için hangi performans ölçütü kullanılmalıdır?

Bir örnek üzerinde anlatılanları açıklamaya çalışalım. Günümüzün en önemli ve popüler alanlarından olan e-ticaret ile ilgili bir uygulama düşünülsün. Bu önemli uygulama alanında, Artifica yapay zeka yazılım geliştirme şirketiyle (Artifica.io, 2023) üzerinde beraber çalıştığımız bir projeden örnek vermek istiyorum. Örneğin, bir X ürününün fiyat tahmini elde edilmek istensin. Bu amaçla, yapay sinir ağları yaklaşımı kullanılsın. Kullanılacak yapay sinir ağı çeşidine bağlı olarak binlerce yapay sinir ağı modeli belirtilen fiyat tahmini için kullanılabilir. Sözü geçen bu binlerce sinir ağı modelinden hangisinin en iyi olduğunu yani, hangi modelin en iyi tahminleri verdiğini belirlemek amacıyla, her model için performans ölçütü değeri hesaplanır. Ve en az hatayı veren model yani, gerçeğe en yakın sonuçları üreten model X ürünü fiyat tahmini için kullanılır.

Yukarıda özetlenen süreçte, AIC, BIC, RMSE, MAPE, MdAPE ve DA performans ölçütleri kullanılsın. Yukarıda açıklamaları verilen bu kriterler kendilerine göre sağladıkları avantaj ve dezavantajlara sahiptirler. X ürünü fiyat tahmini için denenen binlerce sinir ağı modelini değerlendirmek amacıyla kullanıldıklarında, yapılarındaki farklılıklardan dolayı, hepsi farklı bir sinir ağı modelini en iyi olarak belirleyebilir. Peki bu durumda en iyi sinir ağı modeli hangisidir? Bir başka ifadeyle, hangi performans ölçütüne göre karar vermeliyiz?

Belirtilen bu performans ölçütlerine ait yukarda verilen açıklamalar incelendiğinde, her birinin modelin öngörü hatasını farklı bir açıdan ölçtüğü görülmektedir. Örneğin AIC modeldeki parametre sayısını cezalandırarak hatanın içine dahil eder. Diğer yandan, RMSE gerçekleşen gözlemle modelin ürettiği tahmin arasındaki hatayı doğrudan ölçer. DA ise gerçekleşen gözlemle modelin ürettiği tahmin arasındaki miktar farkını değil, sadece artış azalışların gözlemle karşılık gelen tahmininde aynı şekilde olup olmadığını ölçer. Benzer biçimde, tüm performans ölçütleri gözlemler ve modelin ürettiği tahminler arasındaki uzaklığı farklı bir açıdan ölçmektedir. Buna göre, bu kriterlerin hangisine göre seçim yapılmalıdır?

Aladağ ve arkadaşları (2010, 2008) bu önemli sorunun farkına varmış. Bu problemi geliştirdikleri bir yaklaşımla çözmeyi başarmışlardır. Aladağ ve arkadaşlarının geliştirdiği parlak fikrin arkasındaki nokta şudur: “Her farklı kriter hatayı başka bir açıdan ölçüyorsa, her kriteri kullanarak hatayı farklı farklı açılardan ölçen tek bir kriter geliştirmek.” Buna göre, birçok farklı kriteri aynı anda kullanarak, gözlemler ve tahminler arasındaki farkı aynı anda birçok farklı açıdan ölçebilen yeni bir performans ölçütü geliştirmişlerdir (Aladağ vd., 2010). Geliştirdikleri bu kritere Ağırlıklı Bilgi Kriteri (Weighted Information Criterion) adını vermişlerdir (Eğrioğlu vd., 2008).

Tek bir performans ölçütü kullanıldığında o ölçütün yaklaşımıyla tahmin hataları ölçülürken, WIC kullanıldığında birden çok yaklaşımla tahminlerin hatası hesaplanır ve en iyi model buna göre belirlenir. Şimdi yukarıda verilen örneğe dönüldüğünde, “hangi performans ölçütünü kullanmalıyız” sorusu artık ortadan kalkmıştır. Aşağıda formülü verilen WIC kullanılarak en güvenilir öngörüleri veren yapay sinir ağı modelini belirlemek oldukça basittir.

WIC = w1 AIC + w2 BIC + w3 RMSE + w4 MAPE + w5 MdAPE + w6 DA

Açıkça görüldüğü gibi, WIC farklı tüm performans ölçütlerinin sağladığı farklı bilgiyi tek bir ölçütte toplamayı başarır. Böylece en iyi modelin seçiminde etkin biçimde çalışarak en doğru kararın verilmesini sağlar. Yukarıda her ölçüt karşılık gelen bir wi ağırlığıyla çarpılmaktadır. Aladağ ve arkadaşları geliştirdikleri bu etkin performans ölçütünü ilk tanıttıkları makalede belirtilen ağırlıkları uzmanlığa göre seçmişlerdir (Eğrioğlu vd., 2008). Ancak bu durum WIC ölçütünün objektif çalışamaması anlamına gelebilir. Bu nedenle, Aladağ ve arkadaşları WIC kriterini geliştirerek, çözümlenen veriye göre, wi ağırlıklarını optimizasyon ile kendi belirleyen Uyarlamalı Ağırlıklı Bilgi Kriterini (Adaptive Weighted Information Criterion, AWIC) önermişlerdir (Aladağ vd., 2010). WIC kriterinin yeni versiyonu olan AWIC optimizasyon süreci ile ağırlıklarını da çözümlenen zaman serisine uygun olarak kendi belirleyen, çok etkin bir makine öğrenme performans ölçütüdür.

X ürünü fiyat tahmini için en iyi yapay sinir ağı modelinin belirlenmesi süreci AWIC ile işletildiğinde, X ürünü fiyat verisine uygun şekilde çalışan ve incelenen tüm modellerin hatasını aynı anda birçok farklı açıdan ölçebilen bir performans ölçütü kullanılmış olur. AWIC ölçütüne göre belirlenen en iyi yapay sinir ağı modeli kullanıldığında, gerçeğe en yakın öngörüleri elde etmek de artık mümkün olacaktır.

Bu yazının orjinalini okumak için tıklayınız: https://medium.com/@chaladag/gelece%C4%9Fi-en-i%CC%87yi-tahmin-eden-yapay-zek%C3%A2-modeli-hangisi-bdb1f319362d

Bizi sosyal medya hesaplarınızda takip etmeyi unutmayın!✨

• LinkedIn
• Twitter
• YouTube

Kaynaklar

Aladağ, Ç.H. (2009) Yapay Sinir Ağlarının Mimari Seçimi için Tabu Arama Algoritması. Doktora Tezi. Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik Anabilim Dalı, Ankara, Türkiye.

Aladag, Ç.H., Eğrioğlu, E., Kadılar, C. (2009) Forecasting nonlinear time series with a hybrid methodology, Applied Mathematics Letters 22, 1467–1470.

Aladag, C.H., Egrioglu, E., Gunay, S., Basaran, M.A. (2010), Improving weighted information criterion by using optimization, Journal of Computational and Applied Mathematics, 233, 2683–2687.

Aladag, C.H., Yolcu, U., Egrioglu, E., Eren, B. (2014) Fuzzy lagged variable selection in fuzzy time series with genetic algorithms, Applied Soft Computing, 22, 465–473.

Aladag, C.H., Editor, (2017) Advances in Time Series Forecasting, Volume 2, Bentham Science Publishers Ltd., eISBN: 978–1–68108–528–9, ISBN: 978–1–68108–529–6.

Aladag, C.H. (2019) Architecture Selection in Neural Networks by Statistical and Machine Learning, Oriental Journal of Computer Science and Technology, 12 (3), pp. 76–89.

Aladag, C.H., Potas, N., Editors, (2022) Modeling and Advanced Techniques in Modern Economics, World Scientific, London.

Artifica.io yazılım geliştirme şirketi (2023) https://artifica.io

Box, G.E.P. ve Jenkins, G.M. (1970) Time series analysis: Forecasting and control, San Francisco: Holden-Day.

Egrioglu, E., Aladag, C.H. and, Gunay, S. (2008), A new model selection strategy in artificial neural network, Applied Mathematics and Computation 195, 591–597.

Günay, S., Eğrioğlu, E., Aladağ, Ç.H. (2007) Tek Değişkenli Zaman Serileri Analizine Giriş, Hacettepe Üniversitesi yayınları, ISBN 978–975–491–242–5.

Guney, H., Bakir, M.A., Aladag, C.H. (2018) A Novel Stochastic Seasonal Fuzzy Time Series Forecasting Model, International Journal of Fuzzy Systems, Volume 20, Issue 2, pp 729–740.

Gundogdu, O., Egrioglu, E., Aladag, C.H., Yolcu, U. (2016) Multiplicative Neuron Model Artificial Neural Network Based on Gaussian Activation Function, Neural Computing and Applications, Volume 27, Issue 4, pp 927–935.

Tokgozoglu, K., Aladag, C.H., Gokceoglu, C. (2021) Artificial neural networks to predict deformation modulus of rock masses considering overburden stress, Geomechanics and Geoengineering, pp. 1–17.

Kimilerimiz yapay zekâ denilince, komplo teorilerine dayanan bazı fikirler dolayısıyla kaygılansa da, konuyla ilgilenen uzmanlar geleceği inşa edecek, otomatik ve öğrenebilen algoritma temelli sistemlerin heyecanını hissediyor. Sibernetik (robotbilim) alanında da temel teşkil eden yapay zeka uygulamaları günümüzde yoğun biçimde çalışılan alanlardan biridir. Yine günümüzde, üzerinde belki de en çok çalışılan yapay zeka konularından biri ise veri analizdir. Herkesin yanından ayırmadığı cep telefonlarında yer alan, bireysel tanımlamalarda ve kararlarda her gün başvurduğumuz yapay zekâ temelli uygulamaların kullanımı olsun, dev şirketlerin ya da ülkelerin en önemli kurumlarının stratejilerini belirlemede ya da verilecek hayati kararların alınmasında yine yapay zeka temelli uygulamalarının kullanımı oldukça yaygınlaşmıştır.

Peki, insan hayatının böylesine vazgeçilmezi olmuş yapay zeka uygulamaları kusursuz mudur? Eksik noktaları ya da zayıf noktaları var mıdır?

Yapay Zeka’nın Eksikleri

Elbette ki, insanın ürettiği hiçbir teknoloji kusursuz değildir. Hayatın altın kuralı burada da geçerlidir: “Değişmeyen tek şey değişimdir.” Bahsedilen değişim, “gelişim” sözcüğüne referans etmektedir. Üretmeyi başardığımız her teknolojik üründe olduğu gibi daima bir ilerleme sürecindeyizdir. Zaman ilerledikçe ilgili teknoloji daima daha da gelişir. Ve o teknolojiden daha iyisi bulunana dek ya da ilgili teknoloji gereksiz olana dek gelişmeye hep devam eder.

Benzer şekilde, yapay zekâ uygulamalarının geliştirilmesi için akademisyenler ve sahadan uzmanlar yoğun biçimde çalışmaktadırlar. Daha hızlı yanıt veren, daha az hatayla çalışan, riski minimize eden, daha ucuz maliyetle işleyen, daha iyi sonuçlar üreten ve bunun gibi amaçlarla yapay zekâ uygulamalarının daha da güçlendirilmesi, geliştirilmesi süreci hızla devam etmektedir. Görüldüğü gibi “geliştirme” sürecinin başlangıç noktası “amaçtır”. Belirlenen amaca göre geliştirme süreci yönlendirilir ve işletilir.

Peki, yapay zekâ uygulamalarının üretilmesi sürecine de dahil edebileceğimiz ve belirlenen amaca göre yönlenecek bu “geliştirme” süreci nasıl işler?

Yapay Zeka’nın Geliştirilmesi

Buraya kadar verilen genel açıklamalardan da hemen kendini belli eden, “geliştirme” sürecinin yapay zekâ uygulamalarında ne kadar hayati öneme sahip olduğu, konunun uzmanları tarafından çok iyi bilinir. Ve belki de üzerinde en büyük hassasiyetle durdukları süreçlerin başında gelir.

Bahsedilen bu hayati “geliştirme” sürecinin temeli şu önemli dayanak noktası soruya dayar sırtını: “Geliştirilmesi düşünülen yapay zekâ uygulamasının eksikleri nelerdir?”

Evet, eğer bir sistem, bir model geliştirilmek isteniyorsa, öncelikle var olan eksikler, zayıflıklar, sorunlar çok iyi bilinmelidir ki, buna göre eksiklikler giderilerek, sorunlar çözülerek ilgili sistem ya da model geliştirilebilsin. Bunun için, kuramsal bilginin çok yüksek olması yani, ilgili sitemin arkasında yatan işleyişin tam anlamıyla iyi biliniyor olması gereklidir.

Burada çok önemli bir noktaya daha geliyoruz: “Neyin nasıl olduğu hakkında yeterli bilgi birikimine sahip miyiz?”

Örneğin herhangi bir açık kaynak kodlu bir programlama dili kullanılarak bir yapay zekâ uygulaması gerçekleştirilmiş olsun. Bahsedilen uygulama için kod yazılırken çeşitli yöntemler için bazı hazır fonksiyonlar kullanılmıştır. Eğer, bu hazır fonksiyonların satır satır nasıl çalıştığı bilinmiyorsa, hazır fonksiyonun yazılma nedeni olan ilgili yöntem bilinmiyorsa, söz konusu yapay zekâ uygulamasını bırakın daha da geliştirmeyi, o uygulamanın doğru çalışıp çalışmadığı bile yanlış değerlendirilebilir.

Geliştirme sürecinin başlayabilmesi için amacı doğru olarak belirledik. Belirtilen amaca göre ilgilenilecek eksiklikleri ya da çözümlenecek sorunları ortaya koyduk. Bunu yapabilmek için kullanılan yöntemler ve bu yöntemleri uygulayan yazılımın kodları hakkında derin bir bilgiye sahibiz, yani teknik detaylar hakkında yeterli bilgi ve birikime sahibiz. Şimdi ilgili yapay zekâ uygulamamızı daha da geliştirmemiz için son bir bileşen kaldı: “İlgili uygulamayı kullandığımız problem hakkında yeterli uzman bilgisine sahip miyiz?”

Bir yapay zekâ temelli sistemi geliştirebilmek için gerekli tüm anahtar soruları yani adımları yukarıda sıraladıktan sonra tam bu noktada, anahtar soruların çeşitliliğinin açıkça işaret ettiği yapının da altını çizmek gerekir. Tıpkı bir yapay zekâ temelli sistem üretebilmek için olduğu gibi, o sistemi geliştirebilmek için de en sağlıklı yaklaşım, ilgili sorulara cevap verebilecek her alandan yetkin ve bilgili uzmanların sürecin içinde var olması gerekir. Amacı belirlemek için hem uygulamanın yapıldığı sahanın uzmanı hem de teknik detaylar hakkında bilgi birikimi olan uzman ya da uzmanlar gerekir. Eksikler ya da sorunların belirlenmesinde, kullanılacak yöntemin kuramsal yapısına hakim akademisyen ya da akademik eğitime sahip araştırmacılar bulunmalıdır. Ve yine bu adımda, kullanılan yöntemlerin kodlara ne ölçüde yansıdığının değerlendirilmesinde yazılımcıların ve ilgili akademik bilgiye sahip kişilerin birlikte bulunması yararlı olacaktır. Uygulama geliştirildikten sonra, amaca uygun gerekli kazançlara ulaşılıp ulaşılmadığının belirlenmesi, sistemin bütün olarak doğru çalışıp çalışmadığının denetlenmesi için yine ekipte yer alan tüm uzmanların bir araya gelmesi gerekecektir.

Örneklerle Yapay Zeka’nın Geliştirilmesi

Şimdi örneklerle “geliştirme” sürecini daha da net bir biçimde ortaya koymaya çalışalım. Örneğin zamana bağlı gerçekleşen deprem verileri elde bulunsun. Eldeki verilere göre gelecekte oluşabilecek depremleri tahmin edecek yapay zekâ temelli bir sistem var ve bu sistem geliştirilmek istensin. Belirtilen sistemde de, en etkili makine öğrenme yöntemlerinden biri olan yapay sinir ağları yöntemi kullanılıyor olsun.

Öncelikle deprem konusuna hakim, jeoloji, jeomorfoloji, jeofizik, jeodezi ve sismoloji gibi bilim dallarından uzman kişiler, eldeki veriyi yönetecek ve ilgili yazılımı geliştirebilecek uzman bilgisayar bilimciler ve yapay sinir ağları yöntemi hakkında akademik bilgi birikimine sahip uzmanlardan oluşan bir ekip kurulmalıdır. Yapay sinir ağları bu uygulamada zamana bağlı verilerin analizi için kullanılacağından ilgili veri analizine hakim istatistikçilerin ekipte yer alması yine büyük bir artı olacaktır. Tabii ki veri analizi yöntemi olarak seçilen yapay sinir ağlarının kullanımında uzman istatistikçilerin ekipte bulunması ilk tercih olacaktır.

Öncelikle, deprem uzmanı kişiler eldeki sitemin hangi açıdan geliştirilmesine gerek olduğunu belirleyebilirler. Bu uzmanlar sistemin daha önce ürettiği tahminleri değerlendirirler ve örneğin, sistemin daha güvenilir öngörüler üretmesi gerektiğini amaç olarak belirleyebilirler. Yani, yapılacak deprem tahminlerinin daha doğru, daha gerçekleşene yakın olması amaç olarak seçilebilir.

Bu belirlenen amaca göre, ekipteki bilgisayar bilimciler ve yapay sinir ağı uzmanı veri analistleri sistemde kullanılan yapay sinir ağı modelinin eksikliklerini belirlemeye çalışır. Öncelikle akademik bilgi birikimine sahip yapay sinir ağı uzmanları, yöntemin kuramsal işleyişine hakim oldukları için, daha iyi, daha güvenilir tahminler için kullanılan yapay sinir ağı modellerinin eksiklerinin nasıl giderilebileceğini belirler. Ve daha sonra, bilgisayar bilimciler ve yazılımcılar ile birlikte bu güncelleştirmeleri gerçekleştirirler.

Örneğin şöyle bir güncelleştirme yapılmış olabilir: Yapay sinir ağları yaklaşımında verilerden öğrenmeyi sağlayan bileşen öğrenme algoritması ve nöronlarda kullanılan aktivasyon fonksiyonlarıdır. Eldeki veriden öğrenmeyi daha güçlü hale getirebilmek için, yapay sinir ağı uzmanı veri analistleri, verinin yapısına uygun olarak güncel yeni bir aktivasyon fonksiyonu kullanmayı düşünebilirler. Ve kullanılacak bu yeni aktivasyon fonksiyonunun eğrisel yapısına göre, öğrenmeyi daha da kuvvetlendirecek parçacık sürü optimizasyonu gibi daha etkin bir optimizasyon algoritmasını öğrenme algoritması olarak kullanmayı önerebilirler. Bahsedilen yapay sinir ağı uzmanı veri analistleri akademik bilgi birikimine sahip oldukları için, böylesi yararlı önerileri üretebilirler. Bu öneriler daha sonra önerileri yapan uzmanlar, bilgisayar bilimciler ve yazılımcılar tarafından kodlara dönüştürülerek ilgili sistem güncellenecektir.

Yenilenen sistem daha sonra değerlendirilmelidir. Yenilenen sistemin ürettiği sonuçlar, hem deprem uzmanı kişiler hem de ekibin diğer uzmanları tarafından kendi uzmanlıklarınca gözlemlenir. Elde edilen sonuçlar deprem uzmanları tarafından istenilen düzeyde anlamlı ve gerçekçi bulunursa, sistemin işleyişi teknik açılardan da uygunsa yeni sitem artık gelecekte kullanılabilir hale gelmiştir.

Sonuç

Çeşitli şekilde katkı verdiğim farklı yapay zekâ çalışmalarından, projelerinden ve takip ettiğim güncel ulusal ve uluslararası uygulamalardan elde ettiğim birikimlerimi özet şekilde paylaşmaya çalıştım. Akademik danışman olarak aralarında bulunmaktan büyük mutluluk duyduğum Artifica şirketi de gelecek vaat eden, kıymetli yapay zekâ uygulamaları geliştirmektedir.

Özet olarak bu yazıda, bir yapay zekâya dayalı sistem üretirken, “geliştirme” sürecinin nasıl olması gerektiğinden ve öneminden bahsedildi. Geliştirme amacının bu süreçteki yerine değinildi. Belirlenen amaca göre, eksikler, zayıf yönler ya da sorunların belirlenmesinin sürecin dayanak noktası olduğundan söz edildi. Bunu gerçekleştirmek için ilgili yöntemler hakkında ve kullanılan yazılımın kodları hakkında geçerli ve doğru bilgi birikimine sahip olmanın olmazsa olmaz olduğu vurgulandı. İlgili sistemin geliştirilmesinde nasıl bir disiplinler arası uzman ekip kurulmasının gerekliğinden bahsedildi. Sistemin uygulanacağı alanın uzmanlarının, sistemde kullanılacak yöntemlerin akademik uzmanlarının, kullanılacak veri yapısına göre veri analistlerinin, bilgisayar bilimciler ve yazılımcıların temel olarak böylesi bir ekipte var olmasından söz edildi. Ve son olarak, basit ama güncel bir örnekle tüm anlatılanlar daha somut biçimde ortaya konmaya çalışıldı.

Bu yazının orjinaline erişmek için tıklayın: https://medium.com/@chaladag/yapay-zek%C3%A2-uygulamas%C4%B1-nas%C4%B1l-daha-i%CC%87yi-hale-getirilir-717444a39ab8

Sosyal medya hesaplarımızı takip etmeyi unutmayın

• LinkedIn
• Twitter
• YouTube