Makine öğrenmesi çözümleri.

Meybrain olarak önce verinizin bir modeli taşıyıp taşıyamayacağını test ediyor, ardından modeli kurup günlük kullandığınız yazılıma bağlıyoruz. Modeli tek başına bir deney olarak değil, bir karar sürecinin parçası olarak tasarlıyoruz.

Makine öğrenmesi, dil modellerinden farklı bir sorunu çözer. Dil modelleri metinle çalışır; makine öğrenmesi modelleri ise çoğunlukla satış, sensör, işlem ya da stok gibi tablo verisinden öğrenir. "Gelecek ay hangi üründen ne kadar satarız?" ya da "Bu işlem olağan dışı mı?" gibi soruları yanıtlar.

• 01

  Talep tahmini

  Ürün, şube ya da bölge bazında satış ve stok ihtiyacını öngörme.

• 02

  Müşteri kaybı tahmini

  Aboneliğini bırakma ihtimali yükselen müşterileri önceden görme.

• 03

  Anomali tespiti

  Olağan dışı işlemleri, üretim hatalarını ya da sensör sapmalarını işaretleme.

• 04

  Sınıflandırma

  Belge, talep ya da görüntüleri kategorilere ayırma.

• 05

  Öneri sistemleri

  Kullanıcının ilgisini çekecek ürün ya da içeriği sıralama.

• 06

  Kestirimci bakım

  Makine verisinden arıza riskini önceden hesaplama.

Makine öğrenmesinin anlamlı olması için iki şart gerekir: düzenli kaydedilmiş geçmiş veri ve bu veriye dayanarak sık tekrarlanan bir karar. Bu iki şartı taşıyan perakende, e-ticaret, üretim, lojistik, enerji ve finans şirketleri tipik müşterilerdir. Veriniz dağınıksa ya da karar seyrek veriliyorsa, önce veri analitiği ve raporlama ile başlamak daha doğru olabilir. Bunu ilk görüşmede açıkça söyleriz.

• 01

  Veri hazırlık raporu

  Hangi verinin olduğu, eksikleri, kalitesi ve modele uygunluğu.

• 02

  Basit bir karşılaştırma ölçütü

  Mevcut yöntem ya da basit bir kural; modelin gerçekten fark yaratıp yaratmadığını ölçmek için.

• 03

  Model deneyleri ve değerlendirme raporu

  Başarım ölçütleri iş diliyle açıklanır. "Doğruluk yüzde kaç?" yerine "kaç hatalı siparişi önler, kaç yanlış alarm üretir?" sorusu yanıtlanır.

• 04

  Model servisi

  Diğer sistemlerin çağırabileceği bir API.

• 05

  Entegrasyon

  Tahminin kullanıldığı ekrana, rapora ya da iş akışına bağlantı.

• 06

  İzleme

  Veri ve başarımdaki kaymaları yakalayan uyarılar.

• 07

  Yeniden eğitim planı ve dokümantasyon

1. 01

   Problemi çerçeveleriz

   Hangi kararın, hangi sıklıkla ve hangi hata maliyetiyle verildiğini netleştiririz.

2. 02

   Veriyi denetleriz

   Kaynakları, geçmişin uzunluğunu ve tutarlılığı inceleriz.

3. 03

   Karşılaştırma ölçütü kurarız

   Basit yöntemin ne kadar iyi olduğunu ölçeriz.

4. 04

   Model deneyleri

   Farklı yöntemleri aynı test verisi üzerinde karşılaştırırız.

5. 05

   İş değerlendirmesi

   Sonuçları sizinle birlikte, iş etkisi üzerinden yorumlarız. Model fark yaratmıyorsa bunu açıkça raporlar ve durmayı öneririz.

6. 06

   Canlıya alma

   Modeli servis hâline getirip sisteminize bağlarız.

7. 07

   İzleme ve yenileme

   Koşullar değiştikçe modelin başarımını izler, gerektiğinde yeniden eğitiriz.

Makine öğrenmesinde Python ekosistemini kullanırız. Tablo verisinde çoğu zaman scikit-learn ve XGBoost, LightGBM gibi karar ağacı tabanlı yöntemler yeterli ve açıklanabilirdir. Görüntü, ses ya da çok büyük veri gerektiğinde PyTorch ile derin öğrenme modellerine geçeriz. Her problem derin öğrenme gerektirmez; daha basit ve açıklanabilir bir model, işletmesi kolay olduğu için çoğu zaman daha iyi bir seçimdir.

Deneyleri kayıt altında tutmak için MLflow gibi araçlar, modeli sunmak için konteyner içinde çalışan bir API kullanırız. Model, verinin bulunduğu ortamda (sizin sunucunuzda ya da bulut hesabınızda) çalışacak şekilde kurulabilir.

İmarsal, yapılandırılmış veriyi bir karar çıktısına dönüştüren kendi ürünümüz. Ada ve parsel numarasından başlayan akışta imar durumu sorgulanıyor, emsal hesabı yapılıyor ve yapay zekâ destekli bir fizibilite çıktısı üretiliyor. Amaç; mülk sahibinin, müteahhidin, mimarın ve danışmanın aynı çıktı üzerinden karar verebilmesi. Ürün lansman hazırlığında; Projeler sayfasında görebilirsiniz.

Bu yaklaşım makine öğrenmesi projelerimizin de temelidir: model tek başına değil, birinin gerçekten verdiği bir kararın içinde değer üretir.

Makine öğrenmesi projelerini aşamalara bölüyoruz; böylece büyük bir yatırım yapmadan önce verinizin ne vaat ettiğini görürsünüz:

• 01

  Veri denetimi ve fizibilite

  Sabit fiyatlı, kısa bir aşama.

• 02

  Kavram kanıtı (model deneyleri)

  Fizibilite sonucuna göre kapsamı belirlenen sabit fiyatlı aşama.

• 03

  Canlıya alma ve izleme

  Entegrasyon kapsamına göre fiyatlanır; işletme desteği seçenek olarak sunulur.

Maliyeti verinin kalitesi ve etiketlenmesi gereken veri miktarı, model sayısı, gerçek zamanlı ya da toplu tahmin ihtiyacı ve entegrasyon kapsamı belirler. Yoğun hesaplama gerektiren eğitimlerde bulut giderleri ayrıca hesaplanır.

Her aşamanın fiyatını, kısa bir görüşmede verinizi ve hedefinizi konuştuktan sonra kalem kalem yazılı teklifle veriyoruz.