Page 50 - bilgem-teknoloji-dergisi-9
P. 50
Yapay Zekâ
Safir Zekâ, dış kaynaklardan veri
alabilmesi, diğer yapay zekâ ve makine
öğrenmesi araçları ile entegre olabilmesi,
farklı bir ortamda eğitimi yapılan modelin
yüklenebilmesine imkân vermesi ve
sağladığı GPU desteği ile literatürdeki
diğer ürünlerden farklılaşmaktadır.
modelin performansını ölçmek için kullanılır. Safir Zekâ
makine öğrenmesi iş akışında hedeflenen model başa-
rımına ulaşmak için istenilen iterasyona geri dönülerek
yapılan işler tekrarlanabilir.
Makine öğrenmesi süreçlerinin veriye bağımlı ve genel-
likle ad-hoc süreçler olması sebebi ile parametre opti-
mizasyonu büyük önem taşır. Makine öğrenmesi süreci
aşamalarında belirlenen parametre değerleri değiştirile-
rek model başarımı üzerindeki etkisi gözlemlenir. Uygun
Safir Zekâ; yazılım geliştiriciler, veri bilimciler ve son kullanıcılara veri analitiği ve parametre değerlerini bulma sürecini otomatik olarak
gerçekleştiren fonksiyonlar kullanılmaktadır.
makine öğrenmesi alanlarında servis sağlayan bir üründür.
adımlarının uygulanmasını sağlar. Dosya yükleme, veri MLaaS Kimin İçin Uygundur?
kalitesi hesaplama, veri önişleme, veri ölçekleme ve MLaaS veriler üzerinde hızlı ve düşük maliyetli veri iş-
Veri bilimi süreçleri için optimize edilmiş olup, üzerinde Zekâ basitleştirilmiş bir süreç sihirbazı ile geliştiricilere leme yeteneği sunmaktadır ancak; çözümleri birçok fir-
makine öğrenimi, veri görselleştirmesi araçları bulundu- ‣ Dış kaynaklardan anlık veri temini, makine öğrenmesi algoritmaları ile eğitim ve test yapıl- manın ihtiyaçlarını karşılamaya yetmeyebilir. Kurumlar,
ran, “notebook” olarak adlandırdığımız web tabanlı sanal ‣ Yerel kaynaklardan veri yükleme, ması işlemleri bu kapsamdadır. kendi verilerine özel makine öğrenmesi süreçleri uygu-
geliştirme ortamını sunmaktadır.Safir Zekâ ortamında ‣ Veri önişleme ve normalizasyonu, lamaları gerekebilir. Bu nedenle, özellikle teknoloji ala-
konteyner tabanlı altyapı teknolojileri kullanılarak taşı- ‣ İşlenmiş verilerin görselleştirilmesi, Makine öğrenmesi süreci genellikle veri kaynaklarından nında faaliyet gösteren ve makine öğrenmesine yoğun
nabilir yapıda yüksek erişilebilirlikli hizmet verilmektedir. ‣ Makine öğrenmesi modeli oluşturulması, elde edilen verilerin toplanıp birleştirilmesi ile başlar.
Yazılım geliştiriciler ve veri bilimciler, “notebook” arabiri- ‣ Bu modellerin eğitilip testlerinin yapılması Elde edilen yığın veri üzerinde veri kalitesi ölçme işlemi bir şekilde odaklanan büyük şirketler, özel ihtiyaçlarını
mi vasıtasıyla gelişmiş yazılım geliştirme ortamını kulla- ‣ Ve nihai modelin devreye alınması uygulanır. Bu işlem sırasında eksik, tekrarlayan, uyum- ve gereksinimlerini karşılayacak şirket içi makine öğ-
nabilir ve ihtiyaç duydukları yeni yazılım paketlerini siste- konularında yönetimi kolay bir arayüz de sunmaktadır. suz ve standart dışı veriler tespit edilir ve kullanıma uy- renmesi altyapısı oluşturmayı tercih etmektedir.
me yükleyip kullanabilirler. gun veri seti çıkarılır. Elde edilen veri setine ön inceleme
Ayrıca, süreç sihirbazı yardımı ile, üretilen modellerin oto- işlemi uygulanır. İnceleme işleminde, özniteliklerin sa- MLaaS platformu, endüstrinin farklı alanlarında faaliyet
Safir Zekâ’nın geliştirilmesi aşamasında literatürdeki 23 matik olarak yayına alınması da mümkündür. Safir Zekâ, yısı, dağılımı, birbirleriyle olan korelasyonları ve etiketli gösteren, elde ettiği veriyi daha iyi analiz edip kestirim
farklı MLaaS ürünü ile karşılaştırmalı değerlendirme ya- diğer bir hedef kitlesi olan son kullanıcılara yönelik hazır veri ile ilişki gibi veri analizleri gerçekleştirilir. Ön ince- ve karar destek modelleri oluşturmak isteyen ve bunun
pılmıştır. Makine öğrenmesi algoritması, programlama makine öğrenmesi modellerine de sahiptir. Bu modellere leme işleminden sonra veri, makine öğrenmesi model için çok fazla altyapı ve insan kaynağı yatırımı yapmak
dili ve notebook desteği, kullanıcı arayüzü, bulut ve bü- bir yazılım programlama arayüzü (API) vasıtasıyla erişi- eğitimi için hazırlanır. Sayısal öznitelikler ölçeklenir ve istemeyen kurumlar için uygun çözümler sunmaktadır.
yük veri entegrasyonu, dış kaynaklardan veri alabilmesi, lebilmektedir. kategorik öznitelikler kodlanır. Daha sonra mevcut özni-
diğer makine öğrenmesi araçları ile entegre olabilmesi, teliklerden yeni öznitelikler türetilir. Eğitim öncesi mev-
sağladığı GPU desteği gibi özellikler açısından değerlen- Safir Zekâ projesi kapsamında B3LAB bünyesinde Ar-Ge cut olan özniteliklerse farklı analiz yöntemleri kullanıla-
dirilerek elde edilen bilgilerle Safir Zekâ ürün özellikleri faaliyetlerine devam edilmekte olup sektörün ve akade- rak puanlanır. Öznitelik sayısı ve veri uzunluğu eğitimi
belirlenmiştir. minin ihtiyaçları doğrultusunda platforma yeni özellikler
eklenerek kullanıcı memnuniyetinin en üst seviyeye çıka- çok olumsuz etkileyecek düzeyde ise öznitelik puanları
rılması hedeflenmektedir. kullanılarak eğitimde kullanılacak öznitelik listesi belir-
Safir Zekâ özellikle dış kaynaklardan veri alabilmesi, di- lenebilir.
ğer yapay zekâ ve makine öğrenmesi araçları ile entegre Son kullanıcıya yönelik genel çözümlerin yanı sıra ku-
olabilmesi, farklı bir ortamda eğitimi yapılan modelin yük- rumsal ihtiyaçlara yönelik çözümler için yerinde tespit ve
lenebilmesi imkânı ve sağladığı GPU desteği ile literatür- özelleştirilmiş modeller üretilmekte ve danışmanlık hiz- Veri setindeki sınıfların benzer oranlarda temsil edil-
deki diğer ürünlerden farklılaşmaktadır. meti verilmektedir. Gizlilik dereceli veya buluta yüklenme- mediği sınıflandırma problemlerinde veri seti üzerinde
si sorun olacak verilerin işlenebilmesi için modellerin veri yeniden örnekleme işlemi uygulanarak veri seti dengeli
Safir Zeka Yetenekler merkezine gönderilmesi suretiyle analizlerin ve kestirim hale getirilmeye çalışılır.
Safir Zekâ, mevcut makine öğrenmesi kütüphanelerinin ku- işlemlerinin yapılması mümkündür.
rulu olduğu, yazılım geliştiricilerin de özelleştirilmiş 3. parti Makine öğrenmesi model eğitimi öncesinde yığın veri;
paketleri kurabileceği bir geliştirme ortamı sunmaktadır. Safir Zekâ Çalışma Adımları eğitim, doğrulama ve test verisi olarak belirlenen oran-
Safir Zekâ ile yazılım geliştiriciler aynı zamanda kendi ma- Son kullanıcıya yönelik olarak bir Safir Zekâ demo ortamı larda bölünür. Eğitim verisi ile model eğitimi gerçekleş-
kine öğrenmesi modellerini de geliştirebileceklerdir. Safir hazırlanmıştır. Demo ortamı, şekilde belirtilen çalışma tirilir. Doğrulama verisi model eğitim sürecinde model
performans ölçümü için kullanılır. Test verisi ise nihai
48 49