Tablo verisi ve sayısal tahmin
Satır ve sütunlardan oluşan veride (ERP, CRM, işlem kayıtları) gradient boosting gibi klasik yöntemler çoğu zaman daha doğru, daha ucuz ve daha kolay açıklanabilirdir. Bir dil modelini bu işe zorlamayız.
Özel Yapay Zeka Modelleri
Kendi verinizle eğitilen, ölçülebilir yapay zeka modelleri.
ALGOFACT, şirketlerin kendi verisiyle eğitilen tahmin, sınıflandırma, anomali tespiti ve metin işleme modelleri geliştirir. Önce işin klasik makine öğrenmesiyle mi yoksa ince ayar yapılmış bir dil modeliyle mi çözüleceğine karar verir, modeli eğitimde hiç görmediği bir test setinde ölçer, ardından sapma izlemesiyle canlıya alırız. Deneyler PyTorch ve MLflow ile yürütülür; model bulutta, şirket içinde veya hibrit bir ortamda çalışabilir.
Kısa bilgiler
Son güncelleme:
- Model türleri
- Tahmin, sınıflandırma, anomali, metin
- Yaklaşım
- Klasik ML veya ince ayarlı dil modeli
- Ölçüm
- Ayrılmış test seti ve iş metriği
- Araçlar
- PyTorch, MLflow, PostgreSQL
- Canlı ortam
- Bulut, şirket içi veya hibrit
- Bilgi güvenliği
- ISO/IEC 27001:2022 kapsamında
Özel model ne zaman doğru yatırımdır?
Hazır bir yapay zeka servisi genel soruları iyi yanıtlar, ama sizin ürün kodlarınızı, müşteri davranışınızı veya arıza geçmişinizi bilmez. Özel model, operasyonunuzun her gün verdiği tekrarlayan bir kararı kendi geçmiş verinizden öğrenir: hangi siparişin gecikeceği, hangi işlemin şüpheli olduğu, hangi talebin hangi ekibe gideceği. Karar sık veriliyorsa, hatanın bir maliyeti varsa ve geçmişte bu kararın doğru sonucu kayıtlıysa, özel model genellikle yatırımını geri öder.
Bu üç koşuldan biri eksikse önce başka bir adım öneririz. Etiketli geçmiş veri yoksa veri toplama ve etiketleme, karar seyrek veriliyorsa kural tabanlı bir çözüm, asıl sorun bilgiye erişimse kaynak gösteren bir RAG asistanı daha doğru başlangıçtır. Veriniz bir modeli taşımaya yetmiyorsa bunu veri incelemesinin sonunda yazılı olarak söyleriz.
Hangi kararlar için model geliştiriyoruz
Örneklerin ortak noktası, kararın her gün tekrar etmesi ve doğru sonucun geçmiş kayıtlarda bulunmasıdır.
- 01
Talep ve stok tahmini
Satış, sipariş ve sezon verisinden ürün veya şube bazında talep tahmini. Planlama ekibi tahminin yanında belirsizlik aralığını da görür ve stok kararını buna göre verir. - 02
Risk ve anomali tespiti
İşlem, ödeme veya sensör verisinde olağan dışı örüntüleri işaretler. İşaretlenen kayıt otomatik olarak engellenmez, bir uzmanın inceleme kuyruğuna düşer. - 03
Sınıflandırma ve yönlendirme
Talep, şikâyet, belge veya ürün kaydını doğru kategoriye ve ekibe atar. Modelin emin olmadığı kayıtlar insana bırakılır. - 04
Uzmanlık verisinden öngörü
Yayımlanmış örneklerimizden Dioscorium, kardiyoloji verisinden model geliştirilen bir kardiyak öngörü platformudur (MVP). Bu tür projelerde model bir karar destek aracıdır; kararı uzman verir. - 05
Alan diline uyarlanmış dil modelleri
Sözleşme, teknik rapor veya müşteri yazışmalarında sizin terminolojinizi kullanan özetleme, bilgi çıkarma ve sınıflandırma için ince ayar yapılmış dil modelleri.
/work sayfasındaki diğer model çalışmaları arasında yapay zeka ile öğrenci profili analizi (Akademi Deneme, Edufact), yapay zeka ile kontrol edilen gayrimenkul değerleme (Bora AI) ve bir savunma sanayi firması için drone tespit modelleri bulunur.
Klasik makine öğrenmesi mi, ince ayarlı dil modeli mi?
Yöntemi modanın değil verinin şekli belirler. Karar, aynı test seti üzerinde yapılan karşılaştırmayla verilir.
Serbest metin ve alan dili
Metnin anlamını yakalamak gereken işlerde önce güçlü bir hazır modeli talimat ve örneklerle deneriz. Bu yaklaşım test setinde hedefin altında kalırsa kendi verinizle ince ayar (fine-tuning) yaparız.
Az veri, yüksek hata maliyeti
Etiketli örnek azsa daha basit bir model, güçlü bir kural katmanı ve insan onayı birlikte kullanılır. Veri biriktikçe model yeniden eğitilir ve kuralların payı azalır.
Gizlilik ve işletme maliyeti
Verinin ortamınızdan çıkmaması gerekiyorsa kendi sunucunuzda çalışan açık kaynak modeller seçilir. Tahmin başına maliyet ile doğruluk arasındaki denge, adayların aynı test setinde karşılaştırılmasıyla belirlenir.
Bir model projesi nasıl ilerler
- 01
Karar ve metrik
Modelin desteklediği kararı, bugünkü hata düzeyini ve başarının hangi iş metriğiyle ölçüleceğini yazılı olarak tanımlarız. Yanlış alarmın ve kaçırılan vakanın maliyeti ayrı ayrı konuşulur. - 02
Veri incelemesi
Kaynak sistemlerden örnek veri alır; eksik alanları, etiket kalitesini ve gelecekten bilgi taşıyan sütunlar gibi sızıntı risklerini raporlarız. - 03
Referans model ve PoC
Önce basit bir referans model kurar, daha karmaşık yaklaşımları bu referansa göre ölçeriz. Risk yüksekse bu aşama kısa bir PoC olarak ayrıca kapsamlanır. - 04
Eğitim ve doğrulama
Her deney MLflow ile kayda geçer: hangi veri, hangi parametre, hangi sonuç. Nihai model, zamana göre ayrılmış ve eğitimde hiç kullanılmamış bir test setinde değerlendirilir. - 05
Canlıya alma
Model bir API veya zamanlanmış toplu iş olarak mevcut sistemlerinize bağlanır. Erişim kontrolü, loglama ve önceki sürüme dönüş planı canlıya almadan önce hazırdır. - 06
İzleme ve yeniden eğitim
Girdi dağılımı ve tahmin kalitesi sürekli izlenir. Sapma eşiği aşıldığında alarm üretilir ve yeni veriyle yeniden eğitim süreci başlatılır.
Teslim edilenler
- 01
Model ve model kartı
Eğitilmiş model ile birlikte kullanılan veriyi, varsayımları, bilinen sınırları ve modelin kullanılmaması gereken durumları anlatan model kartı. - 02
Değerlendirme raporu
Test setindeki sonuçlar, segment bazında hata analizi ve referans modelle karşılaştırma. - 03
Tekrarlanabilir eğitim hattı
Modeli aynı sonuçla yeniden üretmeyi sağlayan, sürümlenmiş veri hazırlama ve eğitim kodu. - 04
Tahmin servisi ve entegrasyon
Modelin API veya toplu iş olarak çalıştığı servis ve kaynak sistemlerinizle bağlantılar. - 05
İzleme panoları ve runbook
Sapma ve performans panoları, alarm kuralları ve ekibinizin modeli işletmesi için yazılı prosedürler.
Değerlendirme, sapma ve veri güvenliği
Bir model, canlıya alındığı gün en iyi hâlindedir. Müşteri davranışı, ürün yelpazesi veya veri giriş alışkanlıkları değiştikçe performansı sessizce düşer. Bu nedenle izlemeyi projenin sonuna değil tasarımına koyarız: hangi girdilerin izleneceği, gerçek sonucun sisteme ne zaman geri döneceği ve hangi düşüşün yeniden eğitimi tetikleyeceği baştan yazılır.
Eğitim verisi kişisel veri içeriyorsa 6698 sayılı Kişisel Verilerin Korunması Kanunu kapsamındaki gereklilikler veri hazırlığı aşamasında ele alınır. Gereksiz alanlar çıkarılır, mümkün olan yerde maskeleme veya takma ad kullanılır, eğitim ortamına erişim kişi bazında sınırlandırılır. Hukuki değerlendirme sizin hukuk danışmanınıza aittir; biz teknik tedbirleri tasarlar ve uygularız. Çalışmalar ALGOFACT’in ISO/IEC 27001:2022 sertifikalı bilgi güvenliği yönetim sistemi kapsamında yürütülür.
Sorular
Yaklaşım01Bir modeli eğitmek için ne kadar veri gerekir?
Sabit bir sayı yoktur; görevin zorluğuna, sınıf sayısına ve verinin ne kadar temiz olduğuna bağlıdır. Veri incelemesinin sonunda elinizdeki verinin bir modeli taşıyıp taşımayacağını ve hangi alanlarda ek veri veya etiket gerektiğini yazılı olarak bildiririz.
02Kendi verimizle bir dil modeline ince ayar yapmak her zaman gerekli mi?
Hayır. Çoğu metin işinde iyi kurulmuş talimatlar, örnekler ve gerekirse belge arama yeterlidir. İnce ayar, bu yöntemler test setinde hedefin altında kaldığında ya da modelin sizin ortamınızda küçük ve hızlı çalışması gerektiğinde önerilir.
03Modelin neden bu kararı verdiğini görebilir miyiz?
Tablo verisi üzerindeki modellerde her tahmin için en etkili değişkenleri gösteren açıklamalar üretilebilir. Kredi, sağlık veya insan kaynakları gibi açıklanabilirliğin zorunlu olduğu alanlarda model seçimini buna göre yapar, gerekirse biraz doğruluktan vazgeçip daha yorumlanabilir bir yöntemi tercih ederiz.
04Model canlıya alındıktan sonra kim işletir?
Devir teslimde ekibiniz eğitim hattını, izleme panolarını ve runbook’ları alır. İsterseniz ilk sürümden sonra gömülü bir ekip yeniden eğitim ve iyileştirme çalışmalarını sürdürür.
05Süreyi ve maliyeti ne belirler?
Verinin hazır olma düzeyi, etiketleme ihtiyacı, entegre edilecek sistem sayısı, modelin gerçek zamanlı mı toplu mu çalışacağı ve izleme kapsamı. Keşif görüşmesi ve veri incelemesinden sonra kapsamı, aşamaları ve varsa PoC planını yazılı olarak sunarız.
Kaynaklar
- Personal Data Protection Law (Law No. 6698), Kişisel Verileri Koruma Kurumu
Projenizi anlatın
Sorunu kısaca yazın; 30 dakikalık keşif görüşmesi için bir zaman önerisiyle size dönelim.
Keşif görüşmesi planlayın