İlgili Makaleler
AWS Makine Öğrenimi Çözümleri Laboratuvarı Kıdemli Müdürü Sri Elaprolu, Hürriyet'e "Makine öğrenimi her zaman Amazon'un yeniliklerinin merkezinde yer aldı" ve makine öğreniminin potansiyel gücünü vurguladı.
Geçen yılki re:Invent etkinliğinde, makine öğrenimiyle ilgilenen birçok şirketin olduğunu ve şirketlerin makine öğrenimine adım atmaya başladığını söylediniz. Geçtiğimiz yıl bu alanda ne gibi gelişmeler gördünüz? Makine öğrenimi teknolojisi aslında onlarca yıldır var, ancak ana akım bir teknoloji değildi ve son zamanlarda geliştiriciler ve veri bilimcileri tarafından erişilebilir hale geldi. Bunun birincil nedeni, makine öğrenimi girişimlerinin etkili olmak için çok fazla bilgi işlem gücü, depolama ve uzmanlık gerektirmesidir. Bu nedenle, geçmişte makine öğrenimi uygulamaları, gerekli finansal kaynakları ve kurum içi uzmanlığı sağlayabilen büyük şirketler ve devlet kuruluşlarıyla sınırlıydı. Ancak bugün, bulut teknolojisi sayesinde, makine öğrenimi alanı bu teknolojiyle ilgilenen herkese açık hale geldi. Ek olarak, müşteriler ve kuruluşlar artık dijital ortamlarda çok daha fazla mevcut olduklarından, toplanan veri hacmi de artmıştır. Bu nedenle şirketler bu verilere anlam verebilmek için makine öğrenimi teknolojisine yönelmeye başladı.
Makine öğrenimi her zaman Amazon'un yeniliklerinin merkezinde yer aldı. Geriye dönüp baktığımızda, ister perakende web sitemizde ister ürünleri optimize etmek ve işleme merkezlerimizin becerilerini geliştirmek için operasyonlarımızın başlangıcından beri makine öğrenimini kullanıyoruz. Bu teknolojiyi ses asistanımız Alexa ve robotik merkezlerimiz gibi yeni girişimler için de kullanıyoruz. Makine öğreniminin, bu teknolojinin potansiyelinden tam olarak yararlanabilen her kuruluş için yıkıcı ve son derece güçlü bir teknoloji olduğunu biliyoruz. Tıpkı bilgi işlem ve depolama yeteneklerine erişimi demokratikleştirdiğimiz gibi, aynı şeyi makine öğrenimi için de yapmak istiyoruz. Amacımız, makine öğrenimiyle ilgilenen her geliştiriciye bu teknolojiye tek bir tıklamayla erişme fırsatı sunmaktır.
Hepimiz bilinçli veya bilinçsiz olarak makine öğrenimi ile geliştirilen araçları ve hizmetleri günlük hayatımızda kullanırız.
Makine öğrenimi hizmetlerimizi üç farklı katmanda ele alıyoruz. Bu nedenle, sahip olduğumuz çok güçlü bilgi işlem, depolama ve veri analizi platformlarının yanı sıra makine öğrenimine yönelik katmanlı bir yaklaşım geliştirdik. Bunu yapmamızın nedeni, birçok kuruluşun kendi başına makine öğrenimini benimsemeye hazır olmadığının farkında olmamızdır.
Alt katmanda, makine öğrenimi uygulamaları uzmanları için geliştirdiğimiz amaca yönelik altyapı hizmetlerimiz var. Örneğin, bunlar, birçok bilim insanımızın üzerinde çalıştığı özelleştirilmiş ve optimize edilmiş makine öğrenimi çerçeveleri olabilir. Bu çerçeveler, AWS altyapısında çalışacak şekilde tasarlanmıştır. Bu, uzman uygulayıcıların makine öğrenimi modellerini oluşturmak, eğitmek, düzenlemek ve dağıtmak için kendi araçlarını ve iş akışlarını tasarlamalarına olanak tanır.
Orta katmanda, geliştiricilerin ve veri bilimcilerinin her ölçekte makine öğrenimi modellerini hızlı ve kolay bir şekilde oluşturmasına, eğitmesine ve dağıtmasına olanak tanıyan Amazon SageMaker gibi platform hizmetlerimiz var. SageMaker, geliştiricilere veri kümelerini doğru etiketleme, hazırlama veya ETL (ayıklama, dönüştürme, yükleme) gibi birçok aşamada yardımcı olan kapsamlı bir uçtan uca makine öğrenimi platformudur, yani özellikleri ayıklamak, ilişkilendirmek ve son olarak bu modelleri dağıtmak. İster bunu bulutta yapın, ister modelleri paketleyip uç cihazlara dağıtın, Amazon SageMaker müşterilere makine öğrenimi benimseme yolculuklarında kapsamlı yönetilen yetenekler sunar.
Son re:Invent etkinliğinde duyurduğunuz yeni makine öğrenimi hizmetlerinden bahseder misiniz?
Bu yılki re:Invent etkinliğinde bir dizi yeni özelliği duyurduk. Bazılarına değinecek olursak; Makine öğrenimi uzmanlarının şu anda mevcut olan yongalardan çok daha iyi bir fiyat ve performansla makine öğrenimi modellerini eğitmesine olanak tanıyan AWS Trainium adlı amaca yönelik bir çip ekledik. SageMaker ürün yelpazemiz altında bir dizi yeni özellik ekledik. Örneğin, SageMaker Özellik Mağazası ile veri bilimcileri, makine öğrenimi için verilere bakarken ve bunları hazırlarken temel özellikleri tanımlarken verileri depolayabilir ve diğer ekip üyeleriyle paylaşabilir. Amazon SageMaker Clarify, SageMaker eğitim verilerinde oluşturulan modeli etkileyebilecek bir önyargının tespit edilmesini sağlar. Böylelikle verilerde önyargı tespit ettiğinizde modellerinizi etkisiz hale getirmenize olanak sağlayacak değişiklikler yapabilirsiniz. Ayrıca SageMaker Edge Manager adlı yeni bir ürünü de duyurduk. Bu ürünle, bulutta geliştirdiğiniz modelleri, fabrikalar veya sondaj kuleleri gibi gerçek zamanlı veri işlemeye ihtiyaç duyduğunuz bulut dışında herhangi bir yerde kullanabilirsiniz. Amazon Connect adlı müşteri iletişim merkezimiz için yeni özellikler geliştirdik. Connect artık müşteri destek temsilcilerinizin, destek arayan bir müşteriyle ilgili tüm verilere gerçek zamanlı olarak erişmesine izin verecek. Müşteriyi tanımak için ses tanıma teknolojisini de kullanabilecekler.
İmalat sektörü gibi makinelerin faaliyet gösterdiği tüm sektörleri kapsayan, müşterilerimizi destekleyen yeni bir hizmet alanını duyurduk. AWS Monitron adını verdiğimiz bu özellik, kestirimci bakım sağlar. Bu özellik ile makinelere sensör yerleştirebilir, titreşim ve sıcaklık verilerini buradan buluta aktarabilir ve verilere makine öğrenimi modelleri uygulayabilirsiniz. Böylece, belirli bir makinenin ne zaman arıza yapacağını tahmin edebilir ve arızalanmadan önce bakım gerçekleştirmek için devreye girebilir, bu da arıza süresini ve makine arızasıyla ilişkili maliyetleri en aza indirmenize yardımcı olur. Panorama adında bir cihaz da duyurduk. Fabrikanızdaki video kameraları bu cihaza bağlayabilir ve ardından Panorama'ya aktarılan bu görüntülere makine öğrenimi modellerini uygulayabilirsiniz. Böylece, hata kontrolü gibi işlemleri gerçekleştirebilir veya üretim hatlarınızda neler olduğunu anlayabilir ve ardından duruma uygun otomatik adımlar atabilirsiniz. Bundan çok daha fazlası var ve müşterilerimizin tüm bu yeni becerilerle ne yapacaklarını görmekten heyecan duyuyoruz.
Makine öğreniminin yaygın kullanım durumlarından birkaçını paylaşabilir misiniz?
Makine öğrenimine dayalı çözümleri çok daha fazla müşteri uyguluyor ve müşterilerimizin tüm bu yeni becerilerle ne yapacaklarını görmekten çok heyecan duyuyoruz. Çözümleri arasında yer aldığını görmeye başladık. Müşterilerimizin ne yaptığına ve makine öğrenimini kullandıkları ilginç alanlara bir göz atabilmeniz için size farklı sektörlerden kullanım örnekleri vereceğim.
En büyük beyaz eşya üreticilerinden biri olan Arçelik ile başlayalım. Çok sayıda üretim tesisi var ve ürünler hakkında, nasıl üretildikleri, üretimde kullanılan çeşitli bileşenler ve ürün satıldıktan sonra verilen servis ve bakım hizmetleri hakkında birçok veriye sahipler. Arçelik'in AWS üzerinde bu veriler üzerinde gelişmiş analitik ve makine öğrenimi uygulayabileceği bir platform oluşturmasının ilk adımı bir data lake oluşturmak oldu. Bir veri gölü, müşterilerin normal işlemleri için kullanılan çeşitli sistemlerden verileri taşımasına ve bunları AWS'de merkezileştirmesine olanak tanır. Veriler göle getirildikten sonra, bunlara bazı yenilikçi özellikler sağlamak için Amazon SageMaker kullanılarak geliştirilen makine öğrenimi modellerini uygulayabilirsiniz. Örneğin, üretim süreçleriyle ilgili verilere bakarak, bu süreçlerin nasıl iyileştirileceğine dair alanları ortaya çıkarmak için makine öğrenimi modellerini uygulayabilirler. Ayrıca perakendecilerinin satış verilerini getirip anlayabilir ve ardından bunları üretim tarafının verileriyle eşleştirerek üretime ne zaman başlayacaklarını veya ürünlerin ne zaman kalite kontrolüne gitmeleri gerektiğini belirleyebilirler. Böylelikle ürünleri önceden üretip depolamak ve satış umuduyla ihtiyaç duyulduğunda istenilen miktarda satışa hazır hale gelmektedir. Başka bir deyişle, üretimden satışa kadar tüm döngüyü optimize edebilirler. Ayrıca, SageMaker'ı kullanarak bir beceri geliştirdiler. Müşteri hizmetlerine yapılan aramaların verilerini isimsiz olarak kullanarak, hangi ürünlerin ve hangi parçaların bakıma ihtiyacı olduğunu anlayabilirler. Böylelikle tam olarak hangi parçaların üretilmesi gerektiğini belirleyebilir ve bir müşteri destek çağrısı geldiğinde harekete geçmek yerine, gelen çağrılara önceden hazırlandıklarından çok daha iyi yanıt verebilirler. Diğer bir deyişle makine öğrenimi, Arçelik'e uçtan uca operasyonlarını geliştirme fırsatı sunuyor ve onlarla işbirliği yapmaktan heyecan duyuyoruz.
İkinci örnek Domino's. Bir müşterinin pizzayı müşteriye teslim etmesi için pizza siparişi verme süresinin nasıl kısaltılacağıyla ilgileniyorlar. Dolayısıyla amaçları, makine öğrenimi kullanılarak tüm bu sürecin nasıl 10 dakikanın altına indirilebileceğini anlamaya çalışmaktır. Bu kavrama tahmini sıralama adı verilir. Hangi siparişin geleceğini tahmin edebiliyorsanız, sipariş hazırlamaya başlamak için müşterinin aramasını beklemiyorsunuz. Bunu yapmak için Domino's, önceki siparişler, müşteri tercihleri, teslimat konumları gibi veriler üzerinde makine öğrenimini kullanıyor ve ne zaman, nerede ve kaç siparişin geleceğini tahmin edebiliyor. Bu sayede sipariş alındığında tüm hazırlık aşamaları tamamlanmış olup pizza hemen fırına teslim edilip 10 dakikadan kısa sürede teslim edilebilmektedir.
Diğer bir müşteri, en büyük sağlık bilişim şirketlerinden biri olan Cerner. Sağlık sistemleri birçok hastane tarafından kullanıldığından, çok sayıda anonim hasta verilerine erişebilirler. Makine öğreniminin bu veriler üzerinde nasıl değer yaratabileceğini anlamayı amaçlıyorlar. Bu nedenle, hastalarda yavaş yavaş ve giderek kötüleşen bir durum olan konjestif kalp yetmezliği hakkında bir tahmin yapmak için makine öğrenimi modelleri geliştirdiler. Makine öğrenimi ile, belirli bir hastada olası bir konjestif kalp yetmezliği durumunu gerçek klinik testlerde görünmeden 15 ay önce tespit edebilirler. Böylelikle o hasta ve hastayı tedavi eden hekimin böyle bir riski 15 ay önceden görmesini ve riski azaltmak veya ortadan kaldırmak için gerekli adımları erken atmasını sağlar.
Son örnek, Zomato. Dünya çapında on binlerce restoranın menülerini satın alarak mobil uygulaması üzerinden dijital olarak kullanıma sunar. Yani yemek siparişi vermek istersem Zomato'ya gidip lokasyon, mutfak gibi tercihlerimi belirliyorum ve Zomato tercihlerime uygun seçenekleri listeliyor. Sonra siparişimi veriyorum ve Zomato teslimat ekibi siparişimi restorandan alıp bana teslim ediyor. Bu yüzden Zomato, dünya çapında birçok müşteriyle çalışmakta ve aylık olarak dünya çapında 100 milyon müşteriye hizmet vermektedir. Burada karşılaştıkları zorluklardan biri de yeni restoranların sisteme nasıl eklendiği ile ilgili. Genellikle kağıt formatında, farklı stillerde, farklı yazı tiplerinde, yani tutarlı olmayan farklı menülerdeki farklı menüleri nasıl aktarabilirsiniz? Tüm bunları, müşteriler Zomato'da arama yaptıklarında görünecek bir çevrimiçi sistem için nasıl hızlı bir şekilde optimize edersiniz? Burada, bu menülerden bilgi almak için Amazon Textract ile bilgisayar vizyonunu kullanıyorlar ve ardından bu verilerin üzerine iş kuralları eklemek için doğal dil işleme (NLP) özelliğini kullanıyorlar. Böylece menüdeki bir öğenin tanımına bakabilir ve meze mi, ana yemek mi yoksa tatlı mı olduğuna karar verebilir veya öğeyi fiyatı ile eşleştirebilirler. Bunların hepsini NLP aracılığıyla yapıyorlar. Bu bilgiler daha sonra Zomato'nun sisteminde sürekli olarak saklanır ve bu da müşteri deneyimini çok daha iyi hale getirir. Zomato için işletme maliyetleri de önemli ölçüde azalır.
Bunlar dikkatinizi çekmek istediğim örneklerden bazıları. Ancak makine öğreniminin fayda sağlamayacağı bir sektör olmadığını da söylemek istiyorum ve şimdi hemen hemen her sektörün makine öğrenimi kullanılarak dönüştürüldüğünü görüyoruz. Bunun bir parçası olmaktan da heyecan duyuyoruz.
Makine öğreniminin geleceğini nasıl görüyorsunuz, nasıl değişeceğini düşünüyorsunuz?
Makine öğreniminin her yerde kullanılmaya başlayacağını düşünüyoruz. Makine öğrenimi ve makine öğrenimi kullanılarak geliştirilen uygulamalar hakkında çok daha fazla heyecan görmeye başlıyoruz. Bu nedenle uzun vadede makine öğreniminin her uygulamada, her online sistemde, üretim hattından sağlık sektörüne ve ulaşım ağlarına kadar her yerde olmasını bekliyoruz. Makine öğrenimi eskiden yalnızca satış verileri veya finansal işlem verileri gibi tablo verilere uygulanırdı. Öyleyse, dolandırıcılığı tespit etmek veya bu verilerdeki diğer veri işleme tekniklerini anlamak için makine öğrenimi modelleri uyguladığınızı varsayalım. Ancak şimdi video, ses, görüntü veya metin verileri gibi tamamen yapılandırılmamış verilere makine öğreniminin uygulandığını görüyoruz ve bunlar daha sonra tablo verileriyle birleştiriliyor. Tablo işlemeyle sınırlı olmanın aksine, doğal dil işleme ve bilgisayarla görmede daha fazla etkinlik görmeye başladık. Makine öğreniminin, bu teknolojinin potansiyelinden tam olarak yararlanabilen her kuruluş için dönüştürücü ve son derece güçlü bir teknoloji olduğunu biliyoruz. Kuruluşlar, makine öğreniminin kendilerine sağlayabileceği faydaların farkına varıyor ve bu tür teknolojilere daha fazla yatırım yapmaya başlıyor. Makine öğrenimi çözümlerini kullanmaya ve bunları işlemlerinin çeşitli yönlerinde uygulamaya çok daha açık hale geldiler. Bu eğilimi görüyoruz ve hızlanacağını düşünüyoruz.
Şirketler, makine öğrenimini kullanarak insanların yaşamlarını nasıl iyileştiriyor?
Hepimiz makine öğrenimini bilinçli veya bilinçsiz olarak günlük hayatımızda kullanırız. Uber veya Lyft gibi bir araba paylaşım hizmeti kullanıyorsanız, bu sistemlerin çoğunun arkasında makine öğrenimi vardır. Veya Amazon Alexa gibi bir dijital asistan kullanıyorsanız, akıllı termostatlardan veya akıllı ev teknolojisinden yararlanıyorsanız, çoğunun arkasında makine öğrenimi vardır. Sonuç olarak, son kullanıcılar veya tüketiciler işlerini daha kolay, daha rahat ve rahat hale getiren daha yenilikçi ürünlerle karşılaşacaklar. Örneğin sağlık, yaşam bilimleri veya eczacılık gibi alanlar göz önüne alındığında, ilaçlar pazara daha hızlı sunulmakta, sağlık sistemine veya ulaşım ağlarına daha fazla öngörücü güç getirilmekte, böylece bu sistemler daha iyi optimize edilebilmektedir. Sonuç olarak, bunların tümü, son kullanıcıların tükettikleri hizmetlere ilişkin deneyimlerini iyileştirmeye yardımcı olur. Daha az maliyet, daha güçlü ve genel olarak daha iyi deneyimler sağlar. Bu eğilimi görmeye devam edeceğiz.
