Büyük Veri Analitiğinde Makine Öğrenimi Nasıl Kullanılır?

Makine öğrenimi, kuruluşların büyük verileri kâr artırıcı içgörülere dönüştürmesini sağlar. Büyük veri ve makine öğreniminin nasıl ilişkili olduğunu ve bunları nasıl kullanacağınızı öğrenin.

Yıllar önce işletme sahipleri, müşterilerine nasıl hizmet vereceklerini özelleştirmek için hafızalarına güvenmek zorundaydı. Bayan Jones içeri girdiğinde, bir dükkan sahibi en son ne satın aldığını, geri getirip getirmediğini ve son ziyaretinde bundan şikayet edip etmediğini hatırlamak zorunda kaldı.

Şimdi, büyük veri sayesinde tonlarca müşteri ve iş verisi parmaklarınızın ucunda. Bayan Jones'un nerede yaşadığını, son 10 yılda ne satın aldığını, ne kadar harcadığını, ne sıklıkta ürün iade ettiğini ve düzinelerce başka ölçümü biliyorsunuz. Makine öğrenimini kullanarak, bu ve diğer verileri işletmenizi geliştiren içgörülere dönüştürebilirsiniz. İşte büyük veri ve makine öğreniminin bir dökümü ve işinizi güçlendirmek için bunlardan nasıl yararlanabileceğiniz.

Büyük veri ve makine öğrenimi nedir?

Büyük veri ve makine öğrenimi farklıdır ancak birbiriyle yakından bağlantılıdır.

Büyük veri nedir?

Büyük veri, özel araçlar olmadan kullanılması imkansız olabilecek devasa veya inanılmaz derecede karmaşık veri kümelerini ifade eder. Bazı işletmeler asla büyük verilerle uğraşmak zorunda kalmaz. Örneğin, satış ve envanter verileri üreten üç lokasyona sahip bir restoranınız varsa, bu “büyük veri” değildir.

Öte yandan, aynı restoran 10 lokasyon daha ve müşterilerin çevrimiçi sipariş vermesini, sadakat ödüllerinden yararlanmasını ve bir müşteri hizmetleri temsilcisiyle metin yoluyla sohbet etmesini sağlayan bir mobil uygulama eklerse, artık bir büyük veri durumunuz var demektir. Uygulama tek başına aşağıdakilerle ilgili veriler üretebilir:

• Müşterilerin en sık sipariş ettiği yemekler

• Müşterilerin sipariş verdiği günün saatleri

• Müşterilerin coğrafi konum verilerine göre yemek siparişi verdiği yerler

• Müşterilerin nerede yaşadığı ve her şehirle ilişkili satın alma istatistikleri

• Her konumdan satış verileri

• Müşteriler ödül puanlarını nasıl kullanır?

• Yoğun ve tatil zamanlarında satın alma verileri

Bu örnekler sadece yüzeyi çiziyor. Bu tür bir uygulama düzinelerce veri kümesi oluşturabilir. Ayrıca, bilgiler neredeyse sürekli olarak akacaktır. Bu büyük veri.

Makine öğrenimi nedir?

Makine öğrenimi (ML), verilerdeki kalıpları tanımak için bilgisayarları kullanmayı ifade eder. Makine öğrenimi bunu, adım adım düzenlenen talimat dizileri olan algoritmaları kullanarak yapar. Bir makine öğrenimi modeli, kalıpları öğrenmek için bir algoritmadaki adımları kullanır. Bu aynı zamanda kalıpların ne zaman bozulduğunu fark etmeyi ve kalıpları birbiriyle nasıl karşılaştıracağını öğrenmeyi de içerir.

Basit bir örnek olarak, satış verilerini analiz etmek için bir makine öğrenimi algoritması oluşturmak istediğinizi varsayalım. Beş yıllık satış rakamlarınız var. Amacınız Haziran ve Ağustos ayları arasında hangi ürünleri satışa sunmanız gerektiğini belirleyerek yaz karını en üst düzeye çıkarmaktır.

Elbette makine öğrenimini bir adım öteye götürebilir ve nakliye, işçilik, depolama ve diğer veriler dahil olmak üzere her bir ürün için satılan mal maliyetinizi (COGS) dahil edebilirsiniz. O zaman makine öğrenimi modeliniz yalnızca en yüksek yaz satış hacmine sahip ürünleri tavsiye etmekle kalmaz, aynı zamanda size hangilerinin en fazla net kâr getirdiğini de söyleyebilir.

Büyük veride makine öğrenimi nedir?

Büyük veri bağlamında, verilerde kalıplar olabileceği her zaman, bunları keşfetmek ve faydalı içgörüler sağlamak için makine öğrenimini kullanabilirsiniz. Ayrıca, algoritmaların analiz ettiği kalıplara dayalı önerilerde bulunmak için makine öğrenimini kullanabilirsiniz.

Makine öğrenimi büyük verilerle nasıl çalışır?

Makine öğreniminin en popüler uygulamalarından biri sürücüsüz araçlardır. Araba, çevresinden ve diğer araçlardan topladığı verilerle ilgili olarak ne yapılacağına karar vermek için makine öğrenimini kullanıyor.

Örneğin, sürücüsüz bir aracın içindeki kameralar bir dur işaretini "gördüklerinde", bunu bu şekilde algılayabilir ve otomatik olarak fren yapabilirler. Bu kararın arkasındaki süreç büyük olasılıkla bir grup veri bilimcinin birden çok makine öğrenimi algoritmasını test etmesiyle başladı. Yüksek düzeyde, bu üç adım alır:

1. Eğitim

Veri bilimcileri, büyük verileri analiz etmek için önce bir veya daha fazla algoritmaya ne aramaları gerektiğini öğretmek için bir eğitim seti kullanır.

Örneğin, bir dur işaretiyle, eğitim seti binlerce dur işareti görüntüsü olacaktır. Veri mühendisleri, dur işaretlerinin farklı açılardan, farklı aydınlatmada ve hatta ağaçların veya diğer nesnelerin onları kısmen engellediği görüntülerini sunardı.

Eğitim aşamasının sonunda, algoritmanın dur işaretlerinin şekil ve renklerindeki kalıpları tanımlaması umut edilir. Başka bir deyişle, bir dur işaretinin "nasıl göründüğünü" ve farklı ışık koşullarında ve çeşitli açılardan bilir.

2. Doğrulama

Doğrulama seti, tamamen farklı bir büyük veri seti kullanan makine öğrenimi modelinin ne kadar doğru olduğunu anlamak için kullanılır. Doğrulama aşamasının amacı, makine öğrenimi modelinde ince ayar yapmanın yollarını keşfetmektir.

Örneğin, dur işaretlerini belirlemek için tasarlanan makine öğrenimi modelinin %95 doğru olduğunu ve yanlış anladığı tüm görüntülerin çok karanlık olduğunu varsayalım. Geliştiriciler daha sonra her görüntünün kontrastını artıran ve önemli özellikleri makine öğrenimi modelinin görmesini kolaylaştıran başka bir formül kullanabilir.

3. Test

Test aşaması, makine öğrenimi modelinin eğitim ve doğrulama aşamalarında gördüklerinden tamamen farklı olan daha büyük verilerle beslenmesini içerir.

Örneğin, dur işareti modelini test etmek için programcılar, makine öğrenimi modeline, bazıları dur işareti olan farklı türden işaretlerin 250.000 görüntüsünü gösterebilir. Ardından, modelin dur işaretlerini ne kadar doğru bir şekilde ayırt edebildiğini ve diğer türdeki işaretleri yanlış tanımlamaktan kaçındığını görmek için sonuçları analiz edeceklerdi.

Makine öğrenimi ve büyük veri ile ilgili zorluklar

Büyük verileri incelemek için makine öğrenimini kullanan veri bilimcilerin karşılaştığı en göz korkutucu zorluklardan ikisi, yanlışlık ve etik ikilemlerdir.

1. yanlışlık

Doğal olarak, gelişmiş bilgi işlem süreçleri söz konusu olsa bile, büyük veri analitiğinde makine öğrenimini her kullandığınızda yine de bir deneme yanılma unsurundan geçeceksiniz. Bunun nedeni, modelinizi eğitirken, doğrularken ve test ederken hangi faktörlerin sonuçlarınızı çarpıtabileceğini asla bilemeyeceğinizdir.

Örneğin, dur işaretleri veya insan yüzleri gibi görüntüleri tanımlarken birden fazla faktör makine öğrenimi modelinizdeki düşük performansa katkıda bulunabilir. Örneğin, şirketinizin güvenlik sistemini iyileştirmek için bir makine öğrenimi modeli geliştirdiğinizi varsayalım. Spesifik olarak, yöneticilerin ve diğer üst düzey kişilerin yüzlerini tanımlayabilen ve böylece binanın hassas alanlarına erişim sağlayabilen bir model istiyorsunuz. Doğrulama aşamasında, sistem yalnızca yaklaşık %65 oranında doğrudur. Ancak bu, aşağıdakiler gibi çeşitli değişkenlerden kaynaklanıyor olabilir:

• Yüzlerin pikselleştirilmiş görüntüleri

• Odak dışı görüntüler

• Yüz taraması sırasında uzağa bakan kişi

• Güneş gözlüğü, yüz maskesi, atkı veya tanımlama sonuçlarını çarpıtabilecek başka bir şey takmaya karar veren kişi

2. Etik ikilemler

Etik zorluklar da var. Örneğin, bir İK departmanının en nitelikli adayları belirlemek için makine öğrenimini kullandığını ve onları 1.500 özgeçmişlik bir dijital yığından çıkardığını varsayalım.

Makine öğrenimi modeli şirketler ve yalnızca erkekler tarafından yürütülen işe alım departmanları kullanılarak eğitildiyse, veriler önyargı içerebilir. Bazı erkekler, liyakatleri veya nitelikleri dışındaki nedenlerle başka erkekleri işe almaya daha meyilli olabilir. Bu nedenle, mühendislerin ML modelini aramak için eğittiği "başarılı" aday, çoğu durumda erkek olabilir. Sonuç olarak, model daha nitelikli olabilecek kadınlar yerine erkekleri önermektedir.

İş bağlamında, büyük veri ve makine öğrenimi nasıl ilişkilidir?

İş bağlamında, makine öğrenimi, iş açısından kritik süreçleri iyileştirmek veya otomatikleştirmek ve güvenliği ve güvenliği artırmak için kuruluşunuzun ürettiği büyük verileri kullanır. Potansiyel uygulamalar kelimenin tam anlamıyla sonsuzdur ve ürettiğiniz farklı veri türleri kadar çeşitlidir.

Örneğin, bir fabrika veya üretim tesisi, fabrika zemini için sıcaklık ve nem seviyelerini optimize etmek üzere makine öğrenimini kullanabilir. Örneğin, makine öğrenimi modelleri şunları anlayabilir:

• Çalışan verimliliğini en üst düzeye çıkarırken planlanmamış mola sayısını en aza indiren sıcaklık ve nem seviyeleri

• Yanlış koşullar altında daha hızlı bozulabilecek hassas ekipman için ideal sıcaklık ve nem seviyeleri

• HVAC sistemlerini ve nem gidericileri çalıştırma maliyeti göz önüne alındığında, en uygun maliyetli sıcaklık ve nem koşulları

Sistem daha sonra optimum sonuçları elde etmek için atmosferik sisteminizi otomatik olarak kontrol etmek için kullanılabilir.

Pazarlamada makine öğrenimi ve büyük veri analitiği nasıl kullanılır?

Pazarlama, makine öğrenimi ve büyük veri analitiğinin en umut verici uygulamalarından bazılarını sunar. Aşağıdaki gerçek yaşam örneğini ele alalım.

Harley Davidson'dan Albert liderliği %2.930 artırdı

Harley Davidson, pazarlama kararları vermek için makine öğrenimini kullanan Albert adında bir robot yaptı ^{[ 1 ]} . Albert, Harley Davidson'ın yöneticilerinin daha parlak bir gün batımına doğru yola çıkmasına bu şekilde yardımcı oldu.

Harley Davidson, önceki müşterilerle olan mevcut ilişkilerinden yararlanmak istedi. Analiz etmek için Albert'i kullandılar:

• Kullanıcılar ne sıklıkta satın alma işlemi gerçekleştirdi?

• Bu müşteriler ne kadar harcadı

• Müşteriler, Harley Davidson'un web sitesinde gezinmek için ne kadar zaman harcadı?

Albert daha sonra bu verileri müşterileri farklı segmentlere ayırmak için kullandı. Pazarlama ekibi daha sonra her bir müşteri kategorisi için test kampanyaları oluşturdu. Ekip, kampanyanın başarısını test ettikten sonra, önceki müşterilerin geniş bir bölümünü kapsayacak şekilde kampanyayı genişletti.

Sonuç olarak, Harley Davidson satışlarını %40 artırdı. Ayrıca %2.930 daha fazla müşteri adayı oluşturdular. Bu ipuçlarının yarısı doğrudan Albert kendisi [o?] tarafından tanımlandı. Albert, ödeme yapan müşterilere dönüşme olasılığı yüksek olan müşteri adaylarının profillerini inceledi ve ardından diğer kullanıcıların veri profillerini inceledi ve "benzerleri" veya yüksek dönüşüm sağlayan müşterilerle pek çok ortak noktası olan kişileri belirledi.

İster Bayan Jones'un bundan sonra ne satın alacağını anlamaya çalışın, ister karmaşık bir üretim tesisinin verimliliğini optimize edin, makine öğrenimi, rastgele gibi görünen büyük verileri dönüşümsel içgörülere dönüştürebilir. Biraz beyin fırtınası ve yaratıcı düşünmeyle, makine öğrenimini ve büyük verileri kullanarak rekabette öne geçmenin ve kuruluşunuzu bir üst düzeye çıkarmanın yollarını bulabilirsiniz.