23 Nisan 2024
Mustafa Atakan Kızıltan,Serhan Bayram
• KoçDigital
Günümüzde yapay zekâ, şirketler açısından en önemli konulardan biri hâline gelmiş durumda. Bu da pazardaki rekabeti daha da artırıyor. Şirketler her yıl yapay zekâ ve analitik projelerine çok yüksek bütçeler ayırıyor ve bu bütçelerin yakın gelecekte daha da artması bekleniyor. Ancak VentureBeat tarafından yayımlanan rapora göre, yapılan yüksek harcamalara rağmen veri bilimi projelerinin %87’si üretim ortamına dahi alınamıyor. Gartner’a göre ise analitik modellerin yalnızca %20’si iş sonuçlarına katkı sağlıyor.
Aşağıda açıklanan ve zaman içinde ortaya çıkan çeşitli değişimler, ayrılan kaynakların büyüklüğüne rağmen yapay zekâ projelerinin başarı oranlarının bu kadar düşük kalmasının en önemli nedenleri arasında yer alıyor.
- Concept Drift (Kavram Kayması): Mevcut değişkenlerin tahmin edilmek istenen değeri açıklama gücünün azalması
- Data Drift (Veri Kayması): Mevcut değişkenlerin dağılımının değişmesi
- Algorithm Drift (Algoritma Kayması): Varsayımların yetersiz kalması veya iş ihtiyaçlarının değişmesi
Concept Drift (Kavram Kayması)
Analitik modellerde tahmin edilmeye veya sınıflandırılmaya çalışılan hedef değişkenin, mevcut özellikler (features) kullanılarak açıklanabilirliğinin azalmasına kavram kayması (concept drift) denir.
Hedef değişkenin anlamının veya ölçü biriminin değişmesi gibi pek çok neden kavram kaymasına yol açabilir. Örneğin bir dolandırıcılık tespiti projesi üzerinde çalıştığımızı varsayalım. Model eğitilirken dolandırıcılık işlemini ifade eden hedef değişkenin 1 değeriyle kodlandığını düşünelim. Model devreye alındıktan sonra veriler 1 değeri dolandırıcılık olmayan işlemleri temsil edecek şekilde toplanırsa modelin çıktıları bozulacaktır. Ölçü birimi değişimine örnek olarak da geliştirme sürecinde kilogram cinsinden kullanılan bir hedef değişkenin entegrasyon sırasında gram cinsinden aktarılmasını verebiliriz. Bu durumda hedef değişkenin sayısal değeri bir anda 1.000 katına çıkar ve model performansı ciddi biçimde etkilenir.
Bu tür kaymaların önüne geçebilmek için modellerin izlenmesi ve proaktif davranılması kritik önem taşır. Kaymaları fark etmek ve değerlendirmek için araştırmacı bir yaklaşım benimsenmelidir. Bu değişimlerin tek seferlik olaylar mı, yoksa süreklilik gösteren durumlar mı olduğu belirlenmelidir. Sorunun kaynağı tespit edildikten sonra ilgili hedef değişkenlerin düzenlenmesi ve modelin yeniden eğitilmesi gerekebilir.
Data Drift (Veri Kayması)
Model performansının bozulmasının en önemli nedenlerinden biri veri kaymasıdır (data drift). Makine öğrenmesi modelleri, tahmin üretmek için veri kümesindeki özelliklerden yararlanır. Bu veri kümesinde meydana gelen dağılım değişiklikleri model performansını önemli ölçüde etkileyebilir. Etki zaman içinde birikebileceğinden sonraki model çıktılarında da bozulmalara yol açabilir. Bu nedenle, kavram kaymasında olduğu gibi, veri kaymasının da düzenli olarak izlenmesi ve gerektiğinde müdahale edilmesi, model performansının sürdürülebilirliği ve güvenilir sonuçlar elde edilmesi açısından önemlidir.
Veri kaymasına yol açabilecek bazı durumlar şunlardır:
- Pandemi gibi olağan dışı koşulların ortaya çıkması
- Veriyi toplayan araçların (sensör vb.) arızalanması veya bozulması
- Mevsimsellik etkileri
- Veri yapısına ilişkin kuralların değişmesi
Bu durumların dışında da farklı nedenlerle veri kayması meydana gelebilir.
Algorithm Drift (Algoritma Kayması)
Yapay zekâ modelleri, geliştirildikleri dönemdeki iş ihtiyaçları ve varsayımlar doğrultusunda tasarlanır. Bu nedenle zaman içinde ortaya çıkabilecek yeni ihtiyaçlara veya değişen iş yapış biçimlerine yanıt vermekte yetersiz kalabilirler. Bunu önlemek için iş ihtiyaçları düzenli olarak analiz edilmeli, modelin bu ihtiyaçları karşılama yeterliliği test edilmeli ve gerekli durumlarda algoritma güncellenmelidir.
Sürekli Yapay Zekâ Neden Bir Gereklilik?
Bir yapay zekâ modelinin veya analitik projenin geliştirme sürecinin tamamlanması, sağladığı faydanın sürekli olarak yüksek düzeyde kalacağını garanti etmez. Ayrılan bütçenin iş sonuçlarına daha olumlu yansıması ve geliştirilen modellerin daha verimli ve faydalı olması için ilgili modellerin uzman ekipler tarafından sürekli izlenmesi ve analiz edilmesi gerekir. Böylece geliştirme ihtiyaçları belirlenebilir ve modelden elde edilen fayda mümkün olan en yüksek düzeyde tutulabilir.

