Yapay Zeka senin hakkında yorum yapıyor!

Görünüşe göre basit veri setlerini analiz ederek, büyük veri ve yapay zekanın kombinasyonu çok çeşitli olası sonuçlar sunabilir. Yapay zeka yorum yapıyor, karar veriyor hem de senin, benim hakkında.

Martin Schmalz ve Uri Bram’un yazdığı Büyük Veri İşi: Yapay Zeka Çağında Kalıcı Değer Nasıl Oluşturulur kitabından size özel bir alıntılar yapmak isterim. Büyük Veri İşi, bir yatırımcı, girişimci, yönetici veya düzenleyici olarak Yapay Zeka çağında kararlarınız üzerindeki etkisini hemen anlamanıza yardımcı olmak ve büyük spekülasyon yerine gerçek ekonomik mantığa dayalı iş modellerindeki büyük verilerin etkisini açıklar .

İnsanların birbirlerini yargılama konusunda inanılmaz derecede iyi olduklarını belirtmek muhtemelen tartışmalı değildir. Birini gözünüze koyduğunuz anda, fark ettiğiniz veya fark ettiğinizi fark etmeyebileceğiniz ince ipuçlarından onlar hakkında her türlü şeyi söyleyebilirsiniz. Kıyafet, ayakkabı, mücevher, makyaj, dövme veya saç modeli seçimleri, sadece zevkleri hakkında değil, aynı zamanda kişilikleri, gelirleri, işleri ve daha fazlası hakkında da çok fazla bilgi verir.

Bununla birlikte, Büyük Veri çağında, insanlar yargı söz konusu olduğunda sınırlarını yitirdiler. Makine öğrenimi, çok büyük veri kümelerinde kalıplar, düzenlilikler ve öngörücü faktörler bulmada gerçekten mükemmeldir. Bu koşulların geçerli olduğu her yerde, Yapay Zeka son derece doğru tahminler yapmak için uygulanabilir.

Birinin e-posta adresini ilk gördüğünüzde tepkinizi düşünün. Kaçınılmaz olarak gördüklerinize dayanarak ince çıkarımlar yapacaksınız ve kolu jennysmith@gmail.com ile jenmeistergeneral@gmail.com ise onu farklı şekilde değerlendireceksiniz. Açık olmak gerekirse, bu çıkarımlar mutlaka uygun değildir: bir iş için çalışıyorsanız, birisinin CV’sinde jenmeistergeneral’i listeleyeceği gerçeği, onunla ilgili bilgileri bir aday olarak ortaya çıkarabilir. Ancak, daha incelikle, jennysmith@gmail.com veya jennysmith@hotmail.com veya jennysmith@yahoo.com hakkında farklı düşünürsünüz: farklılıkları dile getiremeyebilirsiniz, ancak her durumda, bazı konuları ilişkilendireceksiniz.

Yapay Zeka senin hakkında yorum yapıyor ve karar veriyor

Bu nedenle, akıllı insanlar tarafından yönlendirilen bilgisayarların, e-posta ana bilgisayarlarına dayanarak insanları yargılama konusunda insanlardan daha iyi olabileceği şaşırtıcı değildir. Bir e-ticaret platformundan yapılan satın alma işlemlerinde tüketici temerrüt oranları üzerine yapılan bir çalışma, Hotmail ve Yahoo adresleri olan kişilerin gerçekten farklı olduğunu gösterdi.

Bununla birlikte, bir makine öğrenimi algoritması için, sizi e-posta adresinize göre değerlendirmek yalnızca bir başlangıçtır. E-posta adresinizi yazarken sizi yargılamaya ne dersiniz?

“E-posta adreslerini girerken (tüm siparişlerin kabaca% 1’i) yazarken hata yapan [birkaç] müşteri var, ancak bu müşterilerin varsayılan olarak çok daha yüksek olma olasılığı var (koşulsuz ortalama% 0,94’e kıyasla% 5,09) … adlarını ve gönderim adreslerini yazarken, büyük harflerle ad ve adres yazanların iki katından daha büyük olasılıkla yalnızca küçük harf kullanıyor. ”[1]

Son olarak, (insanlar gibi) algoritmaların kullandığınız cihazla sizi yargıladığını söylemeye gerek yok:

“Örneğin, cep telefonlarından yapılan siparişlerin (varsayılan ücret% 2.14) masaüstü bilgisayarlardan gelen siparişlerin varsayılan olarak üç katı (varsayılan ücret% 0.74) ve tabletlerden gelen siparişlerin varsayılan olarak iki buçuk katı (varsayılan Android işletim sistemlerinden gelen siparişlerin (varsayılan oran 1.79%), iOS sistemlerinden gelen siparişlerin (% 1.07) varsayılan olarak neredeyse iki katına çıkma olasılığı daha yüksektir; diğer akıllı telefonlar. “[1]

Dikkat edilmesi gereken önemli olan, bu tür faktörlerin, ilişkilendirdikleri geleneksel özelliklerin üzerinde ve üzerinde öngörücü güce sahip olabilmesidir. Elbette, e-posta sağlayıcınız kısmen yaşınız için sadece bir vekil ve şirketler zaten yaşınızı zaten biliyor. Ancak makine öğrenmesinin gücü, (örneğin) yaş ve e-posta adresi ile güneş altındaki diğer her şey arasındaki garip, doğrusal olmayan etkileşimleri tanımlayabilmesidir. E-posta ana makinenizin ek tahmin gücü vardır, çünkü sistemin mevcut verilerle açıklanmayan her türlü kişisel özelliğe ulaşmasına yardımcı olur. Hotmail kullanıcıları ve Gmail kullanıcıları genel olarak farklı olmakla kalmaz, aynı zamanda Hotmail’de ve biri Gmail’de ise 50 yaşındaki iki komşu (ortalama olarak) birbirinden farklı olacaktır.

Biz insanlar birbirimizi gelişigüzel değerlendirirken, en iyi bilgisayarlar bizi hassasiyet ve nüansla değerlendiriyor. Yapay zeka çağında başarılı olmak için, insanların makinelerin süper güçlerini kendi özel insan becerilerimizle tamamlamanın yollarını bulmaları gerekir. “Yargıç değil, yargılanacak olursanız” belki de modernize edilebilir: “Yargıç değil, çünkü Yapay Zeka daha iyi yargılanıyor.”

AI konusundaki diğer yazılarıma ulaşmak için https://blog.bariskanlica.com/category/strategy/barisin-gunlugu/

Size bu alanda yardım edecek olan firma için https://mawens.com/about-mawens-dynamics-365-partner/

Finans alanında Yapay Zeka

Finans bir süredir yapay zekâ kullaniyor ancak şimdi teknolojinin rolü hızla gelişiyor. İşte finans alanında yapay zeka kullanımı için bilmeniz gereken 10 şey;

Finans alanında yapay zeka yeni değil

Finans sektörü onlarca yıl önce akıllı algoritmalar kullanmaya başladı; 1980’lere kadar. Bu aşamada, seçenekler fiyatlandırma gibi alanlarda tahminler yaparak istatistiksel ve matematiksel hesaplamalar yaptılar. Ancak değişen, artık çok daha fazla veriye ve daha fazla bilgi işlem gücüne sahip olduğumuzdur. Bu, insanların tanımak için çok zor veya pahalı (insan gücü açısından) bulacağı ince kalıpları ve dakika değişikliklerini ortaya çıkarmak için algoritmaları eğitmek için kullanılabilir. Bir bilgisayar aynı anda 100 pazarda bir modelde işlem yapabilir veya verileri çok hızlı bir şekilde analiz edebilir ve her birkaç saniyede bir kararlar verebilir ve yeni bilgiler geldiğinde tekrar güncellenir.

AI çoğunlukla insanın karar alma sürecini arttırır; onun yerini almaz

Saniyede binlerce anlaşma yapmak için nispeten basit modellerin kullanıldığı çok yüksek frekanslı ticaret gibi alanlar dışında, şu anda AI’nın ana rolü, finans profesyonellerinin çok daha iyi kararlar vermesine yardımcı olabilecek daha fazla bilgi sağlamaktır. Algoritmalar, ne kadar akıllı olursa olsun, bireysel insanların eşleşemeyeceği bir ölçekte büyük miktarda veri işleyebilir. Ancak piyasalar ve insan davranışları ile aynı derinlemesine anlayışa sahip değiller: bu yüzden her ikisine de ihtiyaç vardır.

AI ticaret kararlarında duyguları kaldırmaya yardımcı olabilir

Algoritmik ticaret, ani piyasa hareketlerine veya insanları korkutacak veya heyecanlandırabilecek herhangi bir şeye karşı duygusal tepkileri ortadan kaldıran bir dizi kural oluşturur. Kendinizi ticaret yapmak için sadece doğru fırsat kendini gösterdiğinde disipline sokmanın bir yolu olabilir. Örneğin, bazı algoritmalar ‘momentum’ olarak bilinen şeyi takas eder. Güçlü piyasa hareketlerini tanımlarlar ve daha sonra ‘dalga’ kırılmasının biraz zaman alacağını düşünürler. Bu, doğru pozisyonu alabilecekleri ve başka bir matematiksel gösterge dalganın aşağı inmek üzere olduğunu işaret edene kadar bekleyebilecekleri anlamına gelir.

Yeni ve şaşırtıcı veri kaynakları devreye giriyor

Örneğin, sosyal medyadaki hisse senetleri ve hisse senedi fiyatları arasında ilişkiler (zayıf olsa bile) olabileceğini fark ettikleri için, veri edinmenin getirisi finansal alanın ötesine genişlemektedir. Algoritmalar, pazarların gidebileceği yönleri gösterebilen farklı veri kümelerindeki kalıpları ve korelasyonları tespit etmek için kullanılabilir. Bu göstergeler daha sonra bunları piyasada yaşayan insanlara potansiyel ticaret seçenekleri sunmak için kullanılır.

Geleneksel olmayan tedarikçilerden yeni yapay zeka destekli hizmetler ortaya çıkıyor

2008-9 yılındaki mali çöküşün ardından, İngiltere düzenleyicisine, Finansal Davranış Otoritesi (FCA), Londra Şehri’ni rekabetçi hale getirmek için yeni bir brifing verildi. FCA bunu çeşitli yeni girişimlerle çalışmak ve farklı işlem türlerine izin vermek için bir lisans olarak yorumladı. Sonuç olarak, birçok şirket, eşler arası krediler gibi geleneksel bankacılık uygulamalarının dışındaki alanlarda yapay zeka ile denemeler yapmaktadır.

İşte finans alanında yapay zeka kullanımı için bilmeniz gereken 10 şey

Para bireylere ve küçük işletmelere sunulmaktadır

Risk genellikle asimetrik bilgiye dayanır. Örneğin, bir kişi kredi başvurusunda bulunursa, geliri ve geri ödeme iradesine sahip olduğundan emin olabilir. Ancak banka aynı bilgi ve kesinlike sahip değildir, bu nedenle genç yetişkinler ve bir ülkeye yeni giren insanlar kötü riskler olarak değerlendirilir ve yüksek faiz oranları sunar. Bununla birlikte, AI, çeşitli insan türleri için modeller oluşturmak, borç almak, ödünç vermek ve riski ölçmek için fırsatlar yaratarak verileri daha iyi koşullarda daha fazla insana ulaştırabilmek için verileri kullanabilir ve analiz edebilir.

Kişisel verilerin kullanımı sorunlu olmaya devam etmektedir

Büyük bir sigorta şirketi, kişilik profillerini oluşturmak için araç sahiplerinin sosyal medya yayınlarını analiz etmek ve bu bilgileri sigortalarının fiyatını belirlemek için kullanmak için AI kullanmayı planlamak zorunda kaldı. Teoride, plan, örneğin yalnızca yaşlarına göre yüksek primler ödeyen vicdani genç sürücülere yardımcı olabilirdi. Bununla birlikte, sosyal medyayı bu şekilde kullanmak gizlilik kurallarını da ihlal etti. Şirketler verileri nasıl kullandıklarını dikkatlice düşünmelidir.

Algoritmalar hızlıdır – ancak bazen çok hızlıdır

Algoritmaların hesaplama yapma hızında da sorunlar olabilir. Flaş çökmelerine yol açan fiyatlardaki yıkıcı değişiklikler o kadar hızlı gerçekleşebilir ki, insan müdahalesi çok geç olabilir.

Algoritmalar, olağandışı bir şey olursa ne yapacağını bilmiyor

Algoritmalar çok büyük veri kümeleri üzerinde eğitilir. Yine de, bu verilerin dışında olan şeyler olabilir. En iyi ihtimalle, algoritma etkili bir şekilde ‘Bu konuda ne yapacağımı bilmiyorum’; en kötüsü, hiçbir delile dayanmadan güvenle bir tahmin yapar – ve bu felaket olabilir

Daha fazlasını bilmemiz gerekiyor

Algoritmaların olağandışı olaylarla nasıl başa çıkabileceğini anlamamız gerekir. AI sistemleri modeller oluşturarak ve geçmiş verilere dayalı tahminler yaparak çalışır. Finans gibi karmaşık sistemlerin ortaya çıkan dinamiklerini mutlaka anlamazlar. Bu yüzden sektördeki insanlar hala yavaş bir şekilde ve özellikle finansal ticarette risk yönetimi sistemlerinin yerleşik olmasını sağlamaya çalışıyorlar. Bu alanda şu anda nispeten az düzenleme ve çok fazla yenilik var. Heyecan verici, ama er ya da geç düzenleyicilerin müdahale etmeleri ve stok almaları, yeni risklerin ne olduğunu anlamaları ve bunları hafifletmek için düzenleme yapmaları gerekecek.

AI konusundaki diğer yazılarıma ulaşmak için https://blog.bariskanlica.com/category/ai-and-machine-learning/

Size bu alanda yardım edecek olan firma için https://mawens.com/about-mawens-dynamics-365-partner/

Supervised Machine Learning

Supervised-Machine-Learning

Machine Learning konusuna ilgi duyanlar guzel bir kaynak.

It is a great resource for Machine Learning.

Machine learning gives computers the ability to learn without being explicitly programmed for the task at hand. The learning happens when data is combined with mathematical models, for example by finding suitable values of unknown variables in the model.

The most basic example of learning could be that of fitting a straight line to data, but machine learning usually deals with much more flexible models than straight lines.

The point of doing this is that the result can be used to draw conclusions about new data, that was not used in learning the model.

If we learn a model from a data set of 1000 puppy images, the model might — if it is wisely chosen — be able to tell whether another image

Machine Learning for Everyone

ml-for-everyone

Machine Learning for Everyone makina ogrenmesinin temellerine inen ve konuyu basitçe anlatan güzel bir e-kitap.

Machine Learning for Everyone is a good ebook that goes to the basics of machine learning and simply tells the subject.

Classical machine learning is often divided into two categories – Supervised and Unsupervised Learning.

In the first case, the machine has a “supervisor” or a “teacher” who gives the machine all the answers, like whether it’s a cat in the picture or a dog. The teacher has already divided (labeled) the data into cats and dogs, and the machine is using these examples to learn.
One by one. Dog by cat. Unsupervised learning means the machine is left on its own with a pile of animal photos and a task to find out who’s who. Data is not labeled, there’s no teacher, the machine is trying to find any patterns on its own. We’ll talk about these methods below.
Clearly, the machine will learn faster with a teacher, so it’s more commonly used in real-life tasks.
There are two types of such tasks:
classification – an object’s category prediction, and
regression – prediction of a specific point on a numeric axis.

You can find the details in the book.

Big Data Case Study Collection

big-data-case-study

Machine Learning use cases in Google, Facebook, Amazon, Microsoft, Kaggle, General Electric, and Cornerstone…

Big Data is a big thing and this case study collection will give you a good overview of how some companies really leverage big data to drive business performance.

They range from industry giants like Google, Amazon, Facebook, GE, and Microsoft, to smaller businesses which have put big data at the centre of their business model, like Kaggle and Cornerstone.

This case study collection is based on articles published by Bernard Marr on his LinkedIn Influencer blog.

Machine Learning Yearning

Machine-Learning-Yearning

Makine ogrenmesi konusunda teknik stratejileri anlatan 100 sayfalik bir kitap…

A 100-page book describing technical strategies for machine learning …

Machine learning is the foundation of countless important applications, including web search, email anti-spam, speech recognition, product recommendations, and more. I assume that you or your team is working on a machine learning application, and that you want to make rapid progress. This book will help you do so.

Example: Building a cat picture startup
Say you’re building a startup that will provide an endless stream of cat pictures to cat lovers.


You use a neural network to build a computer vision system for detecting cats in pictures.
But tragically, your learning algorithm’s accuracy is not yet good enough. You are under tremendous pressure to improve your cat detector. What do you do?
Your team has a lot of ideas, such as:
• Get more data: Collect more pictures of cats.
• Collect a more diverse training set. For example, pictures of cats in unusual positions; cats with unusual coloration; pictures shot with a variety of camera settings; ….
• Train the algorithm longer, by running more gradient descent iterations.
• Try a bigger neural network, with more layers/hidden units/parameters.
• Try a smaller neural network.
• Try adding regularization (such as L2 regularization).
• Change the neural network architecture (activation function, number of hidden units, etc.)
• …
If you choose well among these possible directions, you’ll build the leading cat picture platform, and lead your company to success. If you choose poorly, you might waste months.
How do you proceed?
This book will tell you how. Most machine learning problems leave clues that tell you what’s useful to try, and what’s not useful