Makine Öğrenmesi (ML)

Makine öğrenmesi, bir sistemin davranışını bir programcının yazdığı kurallardan değil veriden çıkardığı yapay zekâ dalıdır. Ona belirli ifadeleri içeren e-postaların spam olduğunu söylemezsiniz; spam olarak etiketlenmiş ya da etiketlenmemiş büyük bir e-posta kümesi gösterirsiniz ve bir optimizasyon süreci, modelin iç parametrelerini tahminleri bu etiketlerle hiç görmediği postaya genellenecek kadar örtüşene dek ayarlar. Mantığı belirtmekten örnekleri ve bir hedefi belirtmeye geçiş — bütün fikir budur. Ayırt etmeye değer birkaç aileye bölünür, çünkü farklı veri ister ve farklı soruları yanıtlar. Gözetimli öğrenme etiketli örnek ister ve bir etiket ya da sayı tahmin eder: bu deneme dönüşecek mi, bu talep hangi kategoride, bu ev kaça satılır. Gözetimsiz öğrenmede etiket yoktur, onun yerine yapı bulur: müşterileri segmentlere kümelemek, aykırılıkları işaretlemek. Pekiştirmeli öğrenme, bir ortamda eyleyerek üretilen ödül sinyalinden öğrenir; modellerin insan tercihine göre ayarlanması ile oyun oynayan ve robotik sistemlerin eğitilmesi böyle olur. Derin öğrenme dördüncü bir aile değil, bir teknikdir — çok katmanlı sinir ağları — ve bunların herhangi birinin içinde kullanılabilir. Bir SaaS ekibi için zor kısım nadiren algoritmadır; o genelde bir kütüphane çağrısıdır. Zor olan veri ve değerlendirmedir: gerçekten aldığınız trafiği yansıtan yeterli etiketli örneğiniz var mı, eğitim verisi modelin tahmin anında sahip olmayacağı bilgiyi sızdırdı mı ve başarıyı modelin hiç eğitilmediği veri üzerinde mi ölçüyorsunuz. Klasik başarısızlık, bir not defterinde parlak, üretimde kötü puan alan modeldir ve nedeni neredeyse her zaman kötü bir mimari seçimi değil bu üçünden biridir. Makine öğrenmesinin yanlış araç olduğu yeri bilmek de önemli. Kural bilinebilir ve durağansa — vergi dilimleri, kargo eşikleri, yetki denetimleri — kuralı yazın. ML, örüntü gerçek ama yazıya dökülemeyecek kadar karmaşık ya da değişken olduğunda ve ara sıra yanılmaya tahammülünüz olduğunda karmaşıklığını hak eder.