Veri Profesyonellerine Önemli Hatırlatmalar – veritabanimimari.com

metamorworks / Shutterstock.com

Eric Siegel’in “Yapay Zekanın Başucu Kitabı”, veri profesyonelleri ve onların iç müşterileri için iş operasyonlarında yapay zekadan etkin bir şekilde yararlanma konusunda önemli bilgiler sunan çok önemli bir rehber görevi görüyor. 6 Şubat’ta çıkan kitap ve içerdiği bilgiler altı ifadede özetleniyor:

— Değeri belirleyin
— Bir tahmin hedefi belirleyin
— Değerlendirme metriklerini oluşturun
— Verileri hazırlayın
— Modeli eğitin
— Modeli dağıtın

Bu makalede Eric Siegel’in veri projelerini yönetmeye yönelik önerilerini açacağım. Deneyimli veri uygulayıcıları pek çok tanıdık bulabilirken, bunlar en iyi uygulamalar için değerli dayanaklar olarak hizmet ediyor ve üretken yapay zeka deneyenler de dahil olmak üzere gelecek neslin öncü CIO, CDO’lar ve veri uygulayıcıları tarafından alınan dersleri anlamasını sağlamalıdır.

Değeri Belirleyin

Siegel kitapta veri girişimleri ve ürünleri için net bir değer teklifi tanımlamanın gerekliliğini vurguluyor. Bu, veri modelleriyle birleştirilen verilerin neyi tahmin edeceğini ve bunların özellikle iş operasyonlarını ve müşteri tekliflerini nasıl geliştireceğini önceden belirlemek anlamına gelir. Müşteri kaybını azaltmak veya üretim maliyetlerini belirli yüzdelere göre azaltmak gibi somut hedefler hayati öneme sahiptir. Ayrıca kuruluşlar bu iş sonuçlarına ulaşmak için stratejilerin ana hatlarını çizmelidir.

Tahmin Hedefini Belirleyin

Veri uygulayıcıları için, teknoloji ile iş stratejisinin kesişim noktasına işaret eden ayrıntılı bir tahmin hedefi oluşturmak çok önemlidir. Siegel bunun ayrıntılı olarak belirtilmesi gerektiğine inanıyor. Bunu iyi bir şekilde yapmak, iş liderlerinin işbirliğini ve katkısını gerektirir. Amaç, iş hedeflerini açık teknik eylemlere dönüştürmektir. Bunun nedeni, etkili veri girişimlerinin teknoloji ve işletmeyi kesiştirmesidir.

Hassasiyet için ulaşılabilir beklentiler belirlemek de önemlidir. Bu, tahmin edilen sonuçların ve planlanan yanıtların belirlenmesini içerir. Veri uygulayıcıları, iş liderlerini sürece dahil etmeleri için görevlendirmelidir. Eğer başarılı olurlarsa, bu çalışma, iş niyetini, teknik uygulama için iyi tanımlanmış gereksinimlere dönüştürecektir. Burada Siegel, hassasiyetle ilgili gerçekçi beklentileri tanımlamanın kritik olduğunu iddia ediyor. Bu, neyin tahmin edildiğini ve bununla ne yapılacağını tanımlamayı içerir.

Değerlendirme Metriklerini Oluşturun

Makine öğreniminin neyi tahmin edeceği tanımlandıktan sonra veri uygulayıcıları odaklarını makine öğrenimi modelinin tahminlerinin kalitesine kaydırmalıdır. Bir modelin etkililiğini kıyaslamak, onun mekaniğini anlamayı gerektirmez. Siegel, performansın artışla (tahmin etmeye göre tahmin iyileşmesini ölçen bir faktör) veya maliyetle (sadece doğru tahminlerin oranı olan doğruluktan ziyade yanlış pozitiflerin ve negatiflerin etkisini dikkate alan bir faktör) ölçülmesini önerir.

Büyük veri öncesi dönemde, kararlar genellikle içgüdüsel olarak veya geriye dönük verilerden basit doğrusal tahminler kullanılarak alınıyordu. Daha fazla ve güncel veriler mevcut olduğunda, bir modelin rastgele tahmine göre sağladığı iyileştirmeyi ölçtüğünden, karşılaştırma için yükselişin kullanılması anlamlıdır. Metrikler, bir modelin eğitimini ve operasyonel aşamalarını değerlendirmek için çok önemlidir. Kusurlu bir tahminin değeri, pazarlama kampanyalarında müşteri davranışını tahmin etmek gibi faydasındadır. Siegel burada ne her müşteri adayıyla iletişime geçmenin ne de hiçbirinin optimal olmadığını gösteren bir kârlılık eğrisi gösteriyor; bunun yerine, karlı orta yolu bulmakla ilgilidir.

Verileri Hazırlayın

Daha sonra Siegel, verilerin algoritmalara göre önceliğini vurguluyor ve yatırımın ana getirisinin verilerden geldiğinin altını çiziyor. Verilerin tahmin gücünün temel taşı olduğu uzun zamandır anlaşılmaktadır. Siegel önemli bir noktayı paylaşıyor: Mevcut veriler makine öğrenimi veya üretken yapay zeka için oluşturulmamıştı; bu da veri hazırlamanın genellikle göz ardı edildiğini ve yeterince değer verilmediğini gösteriyor. Buna dayanarak, kuruluşlara veri sorunlarını çözmeleri ve MIT-CISR’den Stephanie Woerner’in verinin “endüstriyelleştirilmesi” olarak adlandırdığı şeyi üstlenmeleri yönünde bir çağrı var. Bunu başaran firmalar “müşteri etkileşimlerinden ve başka yerlerden toplanan verileri birleştirerek firmada izne sahip herkesin karar vermede kullanabileceği tek bir gerçek kaynağı haline gelir.”

Siegel, makine öğrenimi sonuçlarını yönlendirmede verilerin öneminin altını çiziyor ve bir projenin çabasının büyük kısmının, genellikle veri mühendislerinin alanı olan veri hazırlamada yattığını belirtiyor. Jennifer Redmon’a göre, “Yeni veri bilimi mezunları, aldıkları verilerin sağlam olacağına dair yanlış bir güvenlik duygusuna sahipler.” Etkili veri hazırlığı, kapsamlı (uzun), çok çeşitli temsili senaryoları kapsayan, ayrıntılı (geniş), değişkenler arasında zengin bilgi sağlayan ve iyi organize edilmiş (etiketli) kapsamlı veri kümeleri oluşturmayı amaçlar.

Modeli Eğitin

Siegel, veri uygulayıcıları ve iş kullanıcıları verilerden öğrenmeden önce bir modelin duyarlılığını doğrulamanın ve modelde hata ayıklamanın önemini vurguluyor. Burada verilerden neler öğrenebileceğinizi belirlemek kritik önem taşıyor. Beklenmedik sonuçlar yaratıyor mu? Siegel aynı zamanda veri bilimini acemiler için gizemini ortadan kaldırmayı ve onu iş kullanıcıları için erişilebilir hale getirmeyi amaçlıyor. Bununla birlikte, geleneksel veri bilimi modellerinin, farklı hususlara ve uygulamalara sahip olabilecek üretken yapay zeka modellerinden nasıl farklılaştığı konusunda daha fazla netliğe ihtiyaç vardır.

Modeli Dağıt

Siegel, bir modeli uygulamaya koymanın (onu geliştirme aşamasından pratik kullanıma taşımanın) yalnızca yöneticileri değil, aynı zamanda operasyonel personeli de içeren organizasyonel bağlılık gerektirdiğini vurguluyor. Tanıdığım CIO’ların ısrarla söyleyeceği gibi veri liderleri, personelin yeni dijital süreçlerle gelen değişikliklere hazırlıklı olmasını sağlamalıdır. Değişime direnç önemli bir engeldir; bu nedenle eski süreçleri değiştirmek çok önemlidir. Amerikan Kanser Derneği CIO’sunun da belirttiği gibi, her seviyeden, özellikle de doğrudan etkilenenlerden destek almak çok önemli. Günün sonunda dijital dönüşüm, birinin gün içerisinde yaptığı veya yapmadığı şeyleri değiştirir. Dağıtım, iyi planlanıp yürütülürse, günlük rutinleri ve iş akışlarını değiştiren bir veri projesinin en önemli aşaması olabilir.

Ayrılık Kelimeleri

Siegel’in kitabı, veri merkezli bir dijital dönüşümün önemli aşamalarını hatırlatıyor. Her başarılı proje Siegel’in önerdiği adımlardan geçmelidir. İlk planlama hayati öneme sahip olsa da, orta düzey paydaşların katılımı, kuruluş genelinde benimsenmeyi sağlamak için aynı derecede önemlidir. Kodak örneği, dijital fotoğraf makineleri örneğinde olduğu gibi, bir şirket değerli patentlere sahip olsa bile, orta düzey yönetimin direncinin risklerini göstermektedir. Başarılı veri dönüşümü için veri uygulayıcılarının Siegel’in ana hatlarıyla belirtilen adımlarına bağlı kalması tavsiye edilir. Siegel’in konuşmasını dinlemek isteyenler için #CIOChat Live 2024’te açılış konuşmacısı olacak!

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir