11.1 Makine Öğrenmesinin Geleceği

Makine öğrenimi olmadan yorumlanabilir makine öğrenimi de olmaz. Bu nedenle, yorumlanabilirlikten bahsetmeden önce makine öğreniminin nereye yöneldiğini tahmin etmemiz gerekiyor.

Makine öğrenimi (veya “AI”), birçok vaat ve beklenti ile ilişkilendirilir. Ancak, daha az iyimser bir gözlemle başlayalım: Bilim, birçok şık makine öğrenimi aracı geliştirirken, benim deneyimlerime göre bunları mevcut süreçlere ve ürünlere entegre etmek oldukça zor. Bunun imkansız olduğu için değil, sadece şirketlerin ve kurumların yetişmesi zaman aldığı için. Mevcut AI heyecanının altın araması döneminde, şirketler “AI laboratuvarları”, “Makine Öğrenimi Birimleri” açıyor ve “Veri Bilimcileri”, “Makine Öğrenimi Uzmanları”, “AI mühendisleri” gibi kişileri işe alıyorlar, ancak gerçeklik, benim deneyimlerime göre, oldukça sinir bozucu. Çoğu zaman şirketlerin gereken formda verisi bile yok ve veri bilimcileri aylarca boşta bekliyorlar. Bazen şirketler, medya nedeniyle AI ve Veri Bilimi’nden öyle yüksek beklentilere sahip oluyorlar ki veri bilimciler bunları asla karşılayamıyorlar. Ve çoğu zaman kimse veri bilimcilerini mevcut yapılara nasıl entegre edeceğini bilmiyor ve birçok başka sorun var. Bu, ilk tahminime yol açıyor.

Makine öğrenimi yavaş ama istikrarlı bir şekilde büyüyecek.

Dijitalleşme ilerliyor ve otomasyona olan cazibe sürekli olarak çekiyor. Makine öğrenimi benimseme yolu yavaş ve taşlı olsa bile, makine öğrenimi sürekli olarak bilimden iş süreçlerine, ürünlere ve gerçek dünya uygulamalarına doğru ilerliyor.

Bence, uzman olmayanlara hangi tür problemleri makine öğrenimi problemleri olarak formüle edebileceğimizi daha iyi açıklamamız gerekiyor. Makine öğrenimini uygulamak yerine Excel hesaplamaları veya raporlama ve SQL sorguları ile klasik iş zekası yapan birçok yüksek ücretli veri bilimcisini biliyorum. Ancak, birkaç şirket zaten makine öğrenimini başarıyla kullanıyor, büyük internet şirketleri ön saflarda. Makine öğrenimini süreçlere ve ürünlere entegre etmenin, insanları eğitmenin ve kullanımı kolay makine öğrenimi araçları geliştirmenin daha iyi yollarını bulmamız gerekiyor. Makine öğreniminin çok daha kolay kullanılacağına inanıyorum: Makine öğreniminin daha erişilebilir hale geldiğini zaten görebiliyoruz, örneğin bulut hizmetleri aracılığıyla (“Makine Öğrenimi hizmet olarak” – birkaç popüler terimi çevirmek gerekirse). Makine öğrenimi olgunlaştıktan sonra – ve bu çocukluk dönemi zaten ilk adımlarını attı – bir sonraki tahminim şudur:

Makine öğrenimi birçok şeyi besleyecek.

“Otomatikleştirilebilecek her şey otomatikleştirilecek” ilkesine dayanarak, mümkün olduğunda, görevlerin tahmin problemleri olarak formüle edileceğini ve makine öğrenimi ile çözüleceğini sonucuna varıyorum. Makine öğrenimi bir otomasyon biçimidir veya en azından bunun bir parçası olabilir. Şu anda insanlar tarafından gerçekleştirilen birçok görev, makine öğrenimi tarafından değiştiriliyor. İşte makine öğreniminin bazı bölümlerini otomatikleştirmek için kullanıldığı görevlerin örnekleri:

• Sıralama / karar verme / belgelerin tamamlanması (örneğin sigorta şirketlerinde, hukuk sektöründe veya danışmanlık firmalarında)

• Kredi başvuruları gibi veri odaklı kararlar

• İlaç keşfi

• Montaj hatlarında kalite kontrolleri

• Otonom araçlar

• Hastalık teşhisi

• Çeviri. Bu kitap için, cümlelerimi İngilizce’den Almanca’ya ve tekrar İngilizce’ye çevirerek iyileştirmek amacıyla derin sinir ağları tarafından desteklenen (DeepL) adlı bir çeviri hizmeti kullandım.

• …

Makine öğrenimi için atılım, sadece daha iyi bilgisayarlar/daha fazla veri/daha iyi yazılım yoluyla değil, aynı zamanda:

Yorumlanabilirlik araçları, makine öğreniminin benimsenmesini katalize eder.

Bir makine öğrenimi modelinin hedefinin hiçbir zaman mükemmel şekilde belirlenemeyeceği önermesine dayanarak, yanlış belirlenmiş hedef ile gerçek hedef arasındaki boşluğu kapatmak için yorumlanabilir makine öğreniminin gerekli olduğunu sonucuna varıyoruz. Birçok alan ve sektörde, yorumlanabilirlik, makine öğreniminin benimsenmesi için katalizör olacaktır. Anektodik kanıtlar: Konuştuğum birçok kişi, modelleri başkalarına açıklayamadıkları için makine öğrenimini kullanmıyor. Yorumlanabilirliğin bu sorunu ele alacağına ve makine öğrenimini şeffaflık talep eden organizasyonlara ve insanlara çekici hale getireceğine inanıyorum. Problemin yanlış belirlenmesinin yanı sıra, birçok endüstri yorumlanabilirliği gerektiriyor, ister yasal nedenlerle, ister riskten kaçınma nedeniyle ya da temel göreve dair içgörü kazanmak için olsun. Makine öğrenimi, modelleme sürecini otomatikleştirir ve insanı verilerden ve temel görevden biraz daha uzaklaştırır: Bu, deney tasarımı, eğitim dağılımının seçimi, örnekleme, veri kodlama, özellik mühendisliği gibi konularda sorun riskini artırır. Yorumlama araçları, bu sorunları tanımlamayı kolaylaştırır.