Veri Analizi
Günümüz dünyasında, tüm işletmeler çeşitli kaynaklardan büyük miktarda veri üretir. İster kurumsal sistemlerden, ister sosyal medyadan veya diğer çevrimiçi kaynaklardan, akıllı telefonlardan, diğer müşteri / uç hesaplama cihazlarından ya da Internet of Things’i oluşturan sensörlerden ve araçlardan olsun, bu verilerin araçlarına sahip olan kuruluşlar için bunları kapitalize etmek son derece değerlidir. Bu araçlar için genel araç kutusuna veri analitiği denir.
Veri analitiği, verilerde anlamlı desenler bulan çeşitli tekniklerin kullanılmasını ifade eden geniş bir terimdir. Verilerin içgörü ve öngörüye dönüştürüldüğü bir süreçtir. Veri analizi araçları, geçmişte ne olduğunu açıklamamıza, şimdiki zamana dair içgörüler çizmemize ve - bazı tekniklerle - gelecekle ilgili öngörülerde bulunmamıza olanak sağlar.
Veri analizi alanı yeni değil, iş dünyasında on yıllardır kullanılmaktadır. Veri analizi, ortalama yaşı belirlemek ya da müşterilerle ilgili diğer demografik özellikleri özetlemek için istatistik kullanmak kadar basit olabilir. Bir Excel elektronik tablosundaki doğrusal bir regresyon tablosu satış eğilimlerine ışık tutabilir. Yine de, olduğu kadar eski, veri analitiği alanı hiç durmuyor. İşletmeler, iş zekasına odaklanan uygulamalar ve organizasyona akarken gerçek zamanlı veri analizi gibi daha gelişmiş analitik teknikleri uyguladıkları için sürekli olarak gelişmektedir.
Geçmiş, şimdi ve gelecek hakkındaki anlayışı arttırma isteği, veri analizi alanında devam eden ilerlemeleri teşvik eder. Bu gelişmeler, basit sorunları çözerek anlaşamadığımız durumlar için gereklidir. İş dünyasında, ne olacağını kesin ve kesin olarak söyleyecek olan “doğanın yasaları” gibi az sayıdadır. Bu üst düzey anlayışa ulaşmak için işletmelerin gelişmiş teknikler kullanarak verileri yakalamaları ve analiz etmeleri gerekir ve bu bizi veri bilimine getirmektedir.
Veri Bilimi
Veri bilimi, veri analitiğinin öncüsüdür. Yeni veri analitiği teknikleri ve bunları uygulamak için yeni yollar oluşturmak için test etme, değerlendirme ve deneme işlemidir. Adından da anlaşılacağı gibi veri bilimi, özünde, bilimsel araştırmalara sağlam temelli yaklaşımlar izleyen bir uygulamadır. Dolayısıyla, veri bilim adamları, içgörü ve anlayışı sağlamak için yeni algoritmalar dener ve bu yaklaşımların ne kadar yararlı olduğunu ölçerek sonuçların doğruluğunu ortaya koyar. Yaklaşımlar, genel olarak yararlı kabul edilirse, daha yaygın olarak bilinir ve artan veri analizi araçları setine katkıda bulunur.
Bu nedenle, her işletme faaliyetlerinde veri analitiği kullanılmalıdır, ancak şirketler dijital dönüşümü kucakladıkça analitik ihtiyacı artacaktır. Bu dönüşümü yaptıkları için işletmeler sürekli olarak analitik yeteneklerini ileriye götürmelidir. Bunu yapmanın bir yolu veri bilimcilerini işe almaktır. Güçlü kurumsal veri kültürleri, daha büyük işletme personelinin olgun ve kanıtlanmış analitik araçlarını kullanmasını sağlamak için çalışırken yeteneklerini artırmak için sürekli olarak çalışan veri bilimcilerini içermelidir.
Veri Mühendisliği
Büyük başlıkları çizmese de veri mühendisliği, veri analizi ve veri bilimi için vazgeçilmez bir unsurdur. Basit bir ifadeyle, veri mühendisliği verileri faydalı kılar. Farklı sistem ve silolardan yapılandırılmış, yapılandırılmamış ve yarı yapılandırılmış verileri, uygulamaların ve algoritmaların anlayış ve değer elde edebileceği yararlı, tutarlı veri koleksiyonlarına dönüştürür.
Veri mühendisliği, veri kümelerini temizleme işini içerir - genellikle birçok farklı veri kaynağı ve / veya eksik değerleri, hataları ve hatta önyargıları içeren verilerle çalışırken büyük miktarda iş barındırır. Örneğin, son ev satışlarında analitik çalıştırıyorsanız, herhangi bir ev kaydını sıfır satış fiyatıyla düzeltmek veya kaldırmak isteyebilirsiniz. Bu hatalı fiyat verileri, ortalama ev fiyatı gibi basit analitiklere dahil edildiğinde sonuçlarınızı önler, bu nedenle veri mühendisi veri kümesinden kaldırmak için çalışır veya mümkünse düzeltmek için daha iyidir. Bu tür veri hatalarının, sonuçlarda kolayca görünmeyebilecek daha karmaşık veri analizlerinde gizli etkileri olabilir. Ancak sonuçları kullanırken ciddi problemleri olabilir.
Son yıllarda bu terimi daha sık duymuş olsanız da, veri mühendisliği ile ilgili yeni bir şey yok. Ancak günümüzde, organizasyonlar gittikçe büyüyen bir kaynaktan gelen çeşitli verileri birleştirmeye, iyileştirmeye, yeniden biçimlendirmeye ve temizlemeye çalıştıkları için veri mühendisliğine olan ihtiyaç artmaktadır. Bu işlem genellikle makine öğrenimi ve derin öğrenme dahil olmak üzere gelişmiş veri analitiği uygulamaları için gereklidir. Veri mühendisleri kötü verileri silmeli, boşlukları gidermeli ve verilerin sonuçlara önyargı getirmemesini sağlamalıdır.
Yapay Zeka
Yapay zeka, normal olarak insan zekasını gerektiren sınıflandırmalar ve kararlar vermesi gereken şeyleri anlama yeteneğine sahip bilgisayar sistemlerini ifade eder. AI için yaygın kullanım durumları arasında görüntü tanıma ve sınıflandırma ile konuşma tanıma ve dil çevirisi bulunur.
İnsanların, sanki AI hakkında yeni konuştuklarını duysanız da, aslında 1950'lerden beri bizimle. Bilgisayarların ortaya çıkışından bu yana, insanlar makinelerin insanların düşünce tarzını kullanabilecek şekilde programlanabileceği fikrine sahipler.
Yıllar boyunca, yapay zeka bilgisayarları iyi ya da daha iyi hale getirmek için farklı yaklaşımlar olmuştur. Birkaç on yıl önce bazı başarılara imza atan bir yaklaşım, uzman sistemlerdi. Bu sistemler, insanlardan bağımsız olarak görevleri yerine getirmek için insan tarafından oluşturulan, önceden programlanmış kural kümelerini izler. Örneğin, bir müşteri hizmetleri masasını aradığımızda etkileşime girme ihtimalimiz olduğu ve düğme seçenekleriyle menü seçeneklerini gözden geçirmeniz gerektiği gibi, otomatik yanıtlama sistemleri şeklinde tüm deneyimli uzman sistemlere sahibiz. (Bunların birçoğu şimdi daha ayrıntılı, daha esnek ve etkili olmak ve doğal dil işleme zamanla daha iyi hale geldikçe daha az sinir bozucu olmak için derin öğrenmeye dayalı, doğal dil işleme kullanılarak yeniden geliştirilmektedir.9
Daha yakın zamanlarda, makine öğrenmesi denilen bir yaklaşım AI'yı gerçekleştirmenin tercih edilen bir yöntemi haline gelmiştir. Derin öğrenme olarak adlandırılan bir makine öğrenme alt kümesinin, belirli problem türlerinde ve iş yüklerinde modelleri eğitmek için yeterli veri olduğunda son derece etkili olduğu gösterilmiştir. Bu nedenle daha geniş bir düzeyde AI; makine öğrenme ve derin öğrenmenin günümüzün AI etkin uygulamalarını mümkün kılan iki yaklaşım olması gibi birçok yaklaşımı kapsamaktadır.
[2019'da İzlenecek Yazılım Geliştirme Trendleri yazımızı okumak için tıklayın.]
Makine Öğrenme ve Derin Öğrenme
Makine öğrenimi, açık bir şekilde programlanmadan, zaman zaman veriden öğrenme ve zaman içinde iyileştirme yeteneği sağlayan sistemlere sahip bir AI alt alanıdır. Makine öğrenme algoritmaları, kuralları oluşturmak ve geliştirmek için verileri kullanır. Bilgisayar, daha sonra verilerden öğrendiklerine dayanarak nasıl cevap vereceğine karar verir. Buradaki anahtar, verinin kuralların geliştirilmesine rehberlik etmesine izin vermenizdir.
Makine öğrenimi teknikleri, sistem tarafından yaratılan eylem ve kararlara yol açan anlayışın ortaya çıkmasına yardımcı olmak için yapılandırılmamış veya yarı yapılandırılmış veriler dahil çeşitli veri türlerini kullanabilir.
Basit bir örnek düşünelim; klasik makine öğrenmeyle, bir sisteme, çeşitli hayvan türlerinin fotoğraflarındaki kediler için ortak olan bir dizi özellik verebilirsiniz. Daha sonra sistemin hayvan fotoğraflarıyla dolu veri tabanları yoluyla sıralamasına izin verebilir ve insan kaynaklı özelliklerin hangi kombinasyonlarının karışımındaki tüm kedileri tanımladığını bulabilirsiniz. Bu süreçte makine öğrenme sistemi, verilerle ilgili deneyimlerinden yeni şeyler öğrendikçe daha iyi ve daha iyi hale gelmektedir.
Derin öğrenme, birbirine bağlı “sinir ağı” katmanlarının derin bir hiyerarşisine dayanan, sisteme sağlanan verilerden anahtar “özellikler” öğrenme yeteneğine sahip bir makine öğrenme türüdür. Derin öğrenme tekniği çok miktarda veri alır ve verilerle ilişkilendirilen ortak kuralları ve özellikleri belirler. Klasik makine öğreniminde olduğu gibi veriler derin öğrenme modelinin eğitimine rehberlik eder.
Kedi örneğimizi genişletelim. Derin bir öğrenme sistemine yeterli miktarda kedi görüntüsü verirseniz, sistem - tek başına - bir kediyi; gözler, kulaklar, bıyık ve kuyruk ile ilgili özellikler gibi bir kedi yapan özellikleri belirleyebilir. Bu öğrenme yeteneği klasik makine öğreniminin ötesine geçmektedir, çünkü bu durumda sisteme hangi özellikleri arayacağınızı söylemeniz gerekmez. Bunu kendi kendine çözer.
Peki Bu Neden Önemli?
Hepimiz, hayatımızın hemen hemen her yerinde olan AI'dan sayısız yolla yararlanıyoruz. Internet’te arama yapmak için bugün Google’ı kullandınız mı? AI'dan faydalandınız. Son zamanlarda bir kredi kartı kullandınız mı? Kullanıcı kimliklerini doğrulayan ve potansiyel olarak sahte işlemleri durduran AI programlarından faydalandınız. Baktığınız ürünlere göre kişiselleştirilmiş önerilerde bulunan çevrimiçi mağazalarla karşılaştınız mı? Bu işte AI.
AI, kuruluştaki karar alma için temel kuralları değiştirir. Bir makine öğrenmesi ve derin öğrenme teknikleri, örneğin; yöneticilerin, sosyal medya siteleri, müşteri bilgi sistemleri ve e-ticaret siteleri gibi birçok kaynaktan elde ettiği verilerin işlenmesini sağlar. Karar vericiler daha sonra ürün geliştirme, satış ve pazarlama stratejilerini buna göre uyarlayabilirler.
AI'nın artık bir niş uygulama olmadığını vurgulamak önemlidir. İşletmeler, daha geniş bir müşteri yelpazesi oluşturmak için daha güçlü müşteri ilişkileri kurmak, daha akıllıca iş kararları vermek, işlemlerin verimliliğini artırmak ve bazıları AI'yı da içermek üzere piyasaya daha iyi ürün ve hizmetler getirmek için AI'yı işe koymaktadır. AI için kullanım durumları, sağlık hizmetleri ve finansal hizmetlerden imalat ve ulusal savunmaya kadar uzanan alan neredeyse sınırsızdır. Büyük miktarda veriye sahipseniz, AI içindeki desenleri bulmanıza ve anlamanıza yardımcı olabilir.