Yapay zeka ve veri madenciliği

Yapay zekâ ve veri madenciliği birbirini tamamlayan, ancak aynı anlama gelmeyen iki alandır. Veri madenciliği büyük veri kümelerindeki tekrarları, ilişkileri ve aykırı durumları ortaya çıkarır; yapay zekâ ise bu bulgulardan yararlanarak tahmin, sınıflandırma veya otomatik karar üretir. Uygulamada önce güvenilir veri toplanır ve hazırlanır, ardından uygun veri madenciliği yöntemiyle anlamlı örüntüler bulunur; yapay zekâ modeli bu örüntülerle eğitilir ve yeni veriler üzerinde sınanır. Sonuç, yalnızca yüksek doğruluk değil, kararın hangi koşullarda güvenilir olduğunun anlaşılmasıyla değerlendirilmelidir.

Veri madenciliği ile yapay zekâ arasındaki fark​

Veri madenciliği, ham veriden kullanılabilir bilgi çıkarma sürecidir. Örneğin binlerce satış kaydında hangi ürünlerin birlikte satın alındığını, hangi müşterilerin alışverişi bırakma eğiliminde olduğunu veya hangi işlemlerin olağandışı göründüğünü araştırır. İstatistik, veritabanı sorguları ve makine öğrenmesi teknikleri bu sürecin parçaları olabilir.

Yapay zekâ daha geniş bir kavramdır. Öğrenme, tahmin, dil anlama, görüntü tanıma ve karar verme gibi yetenekleri kapsar. Veri madenciliği yapay zekâ için veri ve içgörü sağlayabilir; ancak her veri madenciliği çalışması yapay zekâ modeli oluşturmaz. Basit bir gruplama veya kural tabanlı rapor da veri madenciliği sayılabilir.
Bu ayrım seçim yaparken önemlidir: Amacınız önce müşterileri benzer davranışlarına göre gruplamaksa veri madenciliği yeterli olabilir. Gelecek ay hangi müşterilerin ayrılacağını tahmin etmek istiyorsanız, etiketlenmiş geçmiş verilerle eğitilen bir makine öğrenmesi modeli gerekir.

Basit bir örnek: müşteri kaybını tahmin etme​

Varsayımsal olarak bir çevrim içi hizmette şu kayıtların bulunduğunu düşünün: üyelik süresi, son giriş tarihi, aylık kullanım sıklığı, destek talebi sayısı ve üyeliğini sonlandırıp sonlandırmadığı. İlk aşamada veri madenciliği bu değişkenlerle üyelik iptali arasında ilişkiler arar. Örneğin son giriş tarihi uzun süre önce olan ve destek talepleri artan kullanıcıların geçmişte daha sık ayrıldığı görülebilir.

Bu ilişki tek başına neden-sonuç kanıtı değildir. Kullanıcıların ayrılmasının başka bir nedeni olabilir veya veri kümesinde yalnızca belirli müşteri grupları bulunabilir. Bu nedenle kayıtlar eğitim ve test kümelerine ayrılır; model yalnızca daha önce görmediği test verileri üzerinde değerlendirilir. Model, yeni bir müşteri için örneğin “ayrılma olasılığı yüksek” sonucunu üretebilir.

Bu çıktı müşteriyi otomatik olarak engellemek veya cezalandırmak için kullanılmamalıdır. Daha uygun sonraki adım, müşteriye destek sunmak, sorunun nedenini sormak ve modelin hatalı uyarı oranını izlemektir. Modelin yüksek risk dediği kullanıcıların önemli bölümü aslında ayrılmıyorsa eşik değeri, veri seçimi veya model yöntemi yeniden incelenmelidir.

Sağlıklı bir çalışma için kontrol edilmesi gerekenler​

• Verinin kaynağını ve amacını belirleyin. Hangi kayıtların hangi tarihte, hangi yöntemle toplandığını bilin; amaç dışı veya izinsiz verileri modele dahil etmeyin.
• Eksik ve hatalı kayıtları ayırın. Boş değerleri rastgele doldurmak, ölçüm hatalarını gerçek davranış gibi gösterebilir.
• Sonucu etkileyen değişkenleri inceleyin. Modelin kullandığı bir alan, doğrudan veya dolaylı biçimde ayrımcılığa yol açıyorsa kullanımını sınırlandırın.
• Modeli yalnızca eğitim verisinde ölçmeyin. Daha önce görülmemiş verilerde doğruluk, yanlış pozitif ve yanlış negatif oranlarını karşılaştırın.
• İnsan denetimini koruyun. Sağlık, kredi, işe alım veya güvenlik gibi yüksek etkili kararlarda model çıktısını nihai ve tartışılmaz karar kabul etmeyin.
• Sonuçları zaman içinde yeniden değerlendirin. Kullanıcı davranışı, ürün veya veri toplama yöntemi değiştiğinde eski modelin başarısı düşebilir.

Yapay zekâ, verideki örüntüleri hızlı biçimde kullanışlı tahminlere dönüştürebilir; fakat verinin kalitesiz olması, bulunan ilişkinin yanlış yorumlanması veya modelin sınırlarının göz ardı edilmesi hatalı karar doğurur. En güvenilir yaklaşım, veri madenciliğini keşif ve kanıt toplama aşaması olarak görmek, yapay zekâ modelini bağımsız testlerle sınamak ve çıkan sonucu insan bağlamıyla birlikte değerlendirmektir.