Makine Öğreniminin Benimsenmesi Zorunlu 4 Yol Bloğu

Makine öğrenmedeki en son gelişmeler sayesinde yapay zeka (AI) şu anda Dördüncü Endüstri Devrimi’nin en devrimci teknolojisi gibi pazarları sallıyor. İş dünyasındaki herkes, dünyamızı sonsuza dek değiştirecekmiş gibi konuşuyor ve birçok yönden zaten var. Son araştırmalar, şirket yöneticilerinin yüzde 67’sinin, süreçleri otomatikleştirmek ve verimliliği arttırmak için YZ’ye faydalı bir araç olduğunu göstermektedir. Ancak, genel tüketiciler tarafından ve sosyal eşitliği arttırmak için güçlü bir araç olarak görülüyor; bunların yüzde 40’ından fazlası, AI’nın düşük gelirli kişilere en temel hizmetlere (tıbbi, yasal, ulaşım) erişimi genişleteceğine inanıyor.

Bununla birlikte, otomasyon süreçlerinin bu inanılmaz dönüşümünün daha da yüksek olabileceği ve halihazırda onu aşağı çeken birkaç konu vardır. Makine öğreniminin benimsenmesini engelleyen en önemli engeller hangileridir? (Derin öğrenme, şirketlerin benimsemeye başladığı başka bir AI çeşididir. Daha fazla bilgi için, bkz. Bu Ağrı Noktaları, Şirketlerin Derin Öğrenmeyi Benimsemesini Önlüyor.)

Organizasyon eksikliği
Bir şirket, özellikle daha büyük olanı, karmaşık bir yaratıktır. Tıpkı bir mitolojik hidra gibi, çoğu zaman da aynı kararı vermesi gereken çok sayıda başkan var: Baş bilgi subayı (CIO), baş dijital subay (CDO) ve açık olarak CEO (CEO). Bütün bu subaylar, kendi AI çabalarını aynı anda ve aynı çaba seviyesinde yürütmeleri gereken kendi bölümlerini işletirler. Tabii ki, gerçek hayatta, bu nadiren oluşur.

Makine öğrenim projesinin “sahibi” olduğunu açıklayan ve bu nedenle şirket içinde uygulanmasına öncülük etmekten sorumlu olan ilk adımdır. Pek çok iyi kurulmuş veri ve analitik ekibinin operasyonlarını senkronize etmesi gereken kuruluşlarda, birçoğu çalışmalarını birkaç küçük projede seyreltmekle bitmez sık değildir. Daha küçük pilot projeler, makine öğrenimi biliminin genel anlayışına katkıda bulunabilir, ancak çoğunlukla çekirdek işin ihtiyaç duyduğu otomasyon verimliliğini başarmada başarısız olur.

BT hizmet yönetimi (ITSM), çeşitli BT ekiplerinin anlayabilmesi, örneğin, otomasyonun marjları artırabileceği veya hata oranını azaltabileceği önemli gelirler üreten sektördeki sektörlerin anlamasına yardımcı olarak bu sorunu çözmek için etkili bir çözümü temsil edebilir.

Yetersiz Eğitim
Makine öğrenimi eski ama yeni bir teknolojidir. Rudimenter AI, 80’lerin başlarına kadar uzanır, ancak modern derin öğrenme algoritmalarının son gelişmesi, bu tekniğin ileriye doğru bir kuantum sıçramasına neden oldu. Yeterince derin bir bilgiye sahip bu alanda çalışan gerçek uzmanlar, özellikle de Google ve Facebook, Ph.D.s ile makine öğrenimi mühendislerinin yüzde 80’ini büyüttüğünden, gerçekten çok azdır.

Pek çok kuruluş kendi sınırlarını biliyor ve yüzde 20’den fazlası, kendi IT uzmanlarının AI ile başa çıkmak için gerekli olan becerilere sahip olduğunu düşünüyor. Makine öğrenme becerilerine olan talep hızla artmaktadır, ancak ihtiyaç duyulan uzmanlık ve yetenekleri olanlar şu anda gerçek rock yıldızlarıdır. Bununla birlikte, derin öğrenme algoritmaları ile yeterli eğitime sahip olanların çoğu, bunu göstermek için yüksek lisans derecesi gibi resmi bir nitelikten yoksun olabilir. Unutmayın: Bu alan hala yenidir – bugün öncülük eden pek çok kişi, makine öğreniminde doktora programlarının bulunmadığı bir çağın eski zaman programcılarıdır.

Pek çok insan kaynakları uzmanı, karmaşıklığı kendi uzmanlıklarının ötesinde olabilen işler için uygun bir adayı işe almadaki zorluklarla mücadele etmelidir. Günümüzde, bir makine öğrenim mühendisinin yetkinlikleri arasındaki farkı bile söyleyen bir veri bilimcisi ve bir ön uç geliştirici, yerliler için karmaşık bir başarıdır. Sonunda, AI destekli işe alım muhtemelen tüm İK yöneticilerine yardımcı olmak için kendi çözümünü oluşturacaktır.

Erişilemez Veri ve Gizlilik Koruması
Son teknoloji makine öğrenimi algoritmaları ile herhangi bir şey öğrenmeden önce, AI’ların veri ile beslenmesi gerekir. Çok ve çok veri var. Ancak, çoğu zaman bu veriler, özellikle yapılandırılmamış bir formda olduğunda tüketime hazır değildir. Veri toplama işlemleri, özellikle veriler ayrı olarak veya farklı bir işlem sistemi ile saklandığında karmaşık ve zaman alıcıdır. Tüm bu adımlar, farklı bir uzman türünden oluşan özel olarak atanmış bir ekibin tüm dikkatini gerektirir. (Veri yapısı hakkında daha fazla bilgi için, Verilerin Yapısal Olması Nasıl Yapılır? Yapılandırılmış, Yapılandırılmamış ve Yarı Yapılandırılmış Verilerin İncelenmesi.)

Veri ayıklama, aynı zamanda, çok miktarda hassas veya kişisel bilgi içerdiğinde, genellikle kullanılamaz. Bu bilginin gizlenmesi veya şifrelenmesi sonunda kullanılabilir hale getirse de, bu zorlu operasyonlara ek zaman ve kaynak ayrılmalıdır. Yukarıdan gelen sorunu çözmek için, anonimleştirilmesi gereken hassas verilerin toplandığı anda ayrı ayrı depolanması gerekir.

Güven ve İnanılmazlık
Esneklik, tüm insanların sahip olduğu bir özellik değildir. Derin bir öğrenme algoritması, bir programcı veya mühendis olmayan bir kişiye basit bir şekilde açıklanamadığında, yeni iş fırsatlarından yararlanmak için AI’ya bahse girmek isteyebilecek olanlar azalabilir. Bu özellikle geleneksel tuğla ve harç endüstrilerinde doğrudur. Çoğu zaman, aslında, tarihsel veriler pratik olarak mevcut değildir ve algoritmanın verimliliğini kanıtlamak için gerçek verilere karşı test edilmesi gerekir. Petrol ve gaz sondajı gibi bazı endüstrilerde, optimalden az sonuçların önemli (ve istenmeyen) risklere neden olabileceğini anlamak kolaydır.

Dijital dönüşüm açısından hala geride kalan pek çok şirketin, tüm alt yapılarını AI’yı anlamlı bir şekilde benimsemeleri için devrim yapmaları gerekebilir. Sonuçlar, meyvelerin bulunmadan önce toplanması, tüketilmesi ve sindirilmesi gerektiğinden, görünür olmalarından önce uzun bir zaman gerektirebilir. Büyük ölçekli bir makine öğrenim projesinin, yatırımın değerinde olduğuna dair bir garanti vermeyecek şekilde başlatılması, bir çok kurumun eksik olabileceği belirli bir esneklik, kaynak ve cesaret gerektirmektedir.

Sonuç
Olayların ilginç bir dönüşünde, AI’nın ilerlemesini yavaşlatan ya da durduran yolların birçoğu, teknolojinin kendisinin sınırlarından ziyade insan doğası ve davranışları ile bağlantılıdır.

Makine öğreniminin potansiyelinden hala şüphe duyanlar için kesin bir cevap yoktur. Bu, hiç yaşanmamış bir yoldur ve bu gelişim aşamasında hala saha denemesi gerekmektedir. Bir kez daha İnsanlığın en olağanüstü seviyelerini elde etmesine yardımcı olan özelliklerden biri olan, uyum sağlama kabiliyetinden yararlanma sırası bizde. Sadece bu sefer bu beceriyi zeki makinelerimize öğretmeliyiz.

You May Also Like

About the Author: wodhack

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir