YZ Nereye?

Veri analitiği ve YZ nereye gidiyor sorusunu sıkça düşünüyorum, sıkça da soruluyor. Bu zamana kadar kaçamak cevaplar verdim, artık düşündüklerimin bir kısmını derleyip toplayayım. Soruyu iş dünyası ve sanayideki uygulamalar yönünden ele alacağım. Gartner’ın aşağıdaki zorluk-değer grafiğini temel alıyorum nereye gidiyoruz sorusuna cevap olarak.

Analitik çözümleri betimleyici, teşhis edici, öngürücü, düzeltici olarak dört ana başlıkta değerlendirebiliriz. Bu sıra içinde herbirinin bir öncekinden daha zor olduğu ve daha çok değer ürettiği iddiası da, çok akıl almaz değil. Arasıra teşhis edici modeller en değerlisi olabilir, arasıra öngörücü modeller hiç işe yaramayabilir ama çoğunlukla sıralama doğru.

Betimleyici analitik çözümlerin (bu ay hangi üründen ne kadar sattım, kalite hedeflerimi ne kadar tutturdum gibi sorulara cevap veren) artık standart iş zekası uygulamalarına dönüştüğünü biliyoruz. Veriye dayalı kök neden analizleri -teşhis edici analitik çözümler- de temel düzeyde yaygın. Öngörücü modeller ise şu anda yaşadığımız YZ/Analitik furyasının başrolünde.

Öngörücü modeller ne zaman standart uygulamalara döner emin değilim. Şu anda görünen, her bir uzmanlık alanında farklı yetkinlik setleriyle öngörücü analitik çözümler geliştirildiği ve bu yüzden de hemen her sektörde alan bilgisi yüksek YZ uzmanlarına ihtiyaç olduğu. Çeşitli Auto-ML platformları geliştirildi ama bunlardan hiçbirisi şu ana kadar yetkin veri bilimcilere ihtiyacı azaltacak seviyede uygulama alanı bulamadı.

Düzeltici (prescriptive) çözümlerin büyük başarılar elde ettiğini uygulamalar (en bilinen uygulamalardan birisi veri merkezi iklimlendirme sistemleri) var. Ayrıca bu tip modeller otonom sistemlerde, sürücüsüz araçlar, robotlar, dronelar gibi oldukça özelleşmiş alanlarda kullanılıyor. Fakat öngörücü modeller kadar her sektörde karşımıza çıkmıyorlar. Bunun iki sebebi var. Birincisi kurumların analitik olgunluklarının ve altyapılarının henüz düzeltici çözümlere hazır olmayışı, ikincisi de bu tip uygulamaları geliştirecek yetkinlikte veri bilimi uzmanın azlığı.

Bunları, alandaki bilimsel gelişmeler, halihazırda yapabildiklerimiz ve yapamadıklarımızla birlikte düşününce aşağıdaki sonuçlara varıyorum:

  1. Yapılandırılmış (structured) veri üzerine kurgulanmış öngörücü modelleri kurmak oldukça kolay. Fakat yine de analitik çözümlerin daha etkin uygulanması için, veri bilimi uzmanları için alan ve soruya özgün yetkinlikler hala çok önemli.
  2. Veri bilimcilerin çeşitli dikeylerde alan yetkinliklerini arttırması, kurumların kendi iş süreçlerine hakim veri bilimcilere yatırım yapması iyi stratejiler.
  3. Teknik uzmanlıklarda transformer ve çizge yapay sinir ağları son yılların gözdeleri, pek çok probleme bu araçlarla daha etkin çözümler geliştiriliyor. Şu ana kadar genellikle bilgisayar görüsü ve doğal dil işlemede öncü olan yapay sinir ağları diğer alanlarda da öncü rol oynayabilir.
  4. Öngörücü modellerin geleceğinden bağımsız olarak, düzeltici modeller alanında mutlaka yeniliklere şahit olacağız. Teknik direktöre “bu maçı kaybedeceksiniz” demenin faydası kısıtlı, insanlar harıl harıl “ne yaparsak bu maçı kazanırız” sorusu üzerine çalışıyorlar.
  5. Düzeltici modeller paradigmasını takip edebilmek için temel yetkinlikler dinamik sistemler, sistem tanımlama (system identification), süreç kontrolü (process control) ve yapay sinir ağları olarak özetlenebilir. Hem veri bilimciler bu alanlarda kendilerini geliştirebilir, hem de bu alanlarda uzman olanlar veri bilimine yönelebilir. Daha da güzeli bu alanlardaki yetkinlikleri bir araya getiren takımlar olacaktır.

İlk yorum yapan olun

Bir yanıt bırakın

E-posta hesabınız yayımlanmayacak.


*