‘Önce Yapay Zeka’ dünyasına geçiyoruz

Google 2010 yılında ‘Mobile First’ stratejisini açıkladığından bu yana akıllı telefon işletim sistemi tarafında ciddi bir rekabet yaşanıyor ve mobil reklam pastası toplam dijital reklam pazarının en büyük kısmı haline geldi. Online satışların üçte birinden fazlası artık mobil cihazlardan geliyor. Ama geçen yıl Google bu kez rekabette önceliğin ve geleceğin yapay zekada olduğunu açıkladı: ‘AI First’ stratejisi.

Yapay zeka uygulamalarının geliştirilmesinde anahtar olan makine öğrenmesiyle ilgili bir konu uzmanıyla konuştum. Gökhan Çapan global ölçekte ticarileştirilmiş bazı ‘büyük veriden makine öğrenmesi’ teknolojilerine katkıda bulunuyor, Boğaziçi Üniversitesi’nde araştırmalarına devam ediyor ve insan davranışlarını modelleyip iş uygulamaları geliştiriyor. Algoritmaların insanlara göre çok daha fazla veriyle çok daha isabetli kararlar verdiği alanlar var, bu konudaki en heyecan verici gelişmeleri Gökhan’dan dinleyelim.

Daha önce yazılarımda örneğini verdiğim uygulama alanlarından biri tavsiye sistemleri, mesela Amazon’un size bir ürün önermesi ya da Spotify’in kişisel şarkı listeleri hazırlaması gibi. Böyle bir çözüm nasıl çalışır, adım adım anlatır mısın?
- Temel varsayım, tercihlerimizin rastgele olmadığı ve etrafta bize benzer başkalarının olduğu. Spotify örneğinde, bir grup şarkı birçok kişi tarafından dinlendikçe onları bir araya getirip ilgi alanları öğrenen, müzik dinleme geçmişinde bu tür grupların tipik örneklerine rastladıkça kişinin bu gruba ilgisine yönelik olasılığı güncelleyen makine öğrenmesi algoritmaları tasarlıyoruz.

- Elbette bu, tüm davranış geçmişimizin aynı karakterde olacağı anlamına gelmiyor. Farklı kafalara girip “bir öyle bir böyle” davranabilir, farklı yönlerden başkalarına benzeyebiliriz. Yeni nesil modellerde bir kişi tek bir davranış tipine hapsedilmiyor.

Daha da ileri gidip Büyük Veri çağında yapma olanağına sahip olduğumuz sofistike model varsayımlarından konuşalım:
- Etrafta olan bitenler, bulunduğumuz yer ve zaman vs. tam bizlik davranışları sergilememize engel olabilir, örneğin iş yerindeki davranışımızla evdeki davranışımız farklı olabilir..

- İnsanlar değişir. Dahası, davranış şablonları da evrilir: Bazı içerikler (mekanlar, şarkılar, kitaplar, filmler vb.) belirli çevrelerde zaman içinde popüler olabilir, belki de unutulabilir.

Dijital mecralarda olduğumuz gibiden ziyade görünmeyi istediğimiz gibiyiz. Yine de bu modeller ile öğrenen makineler şaşırtıcı derecede doğru biçimde; nasıl insanlar olduğumuzu, tipik davranış karakterlerini ve bunların değişimini, gerçekleşmeye uygun oldukları zamanı/yeri fark edebiliyor, daha sonra ilginç tahminler yapabiliyorlar.

Bu tür uygulamalar geliştiren firmalar nasıl faydalar sağlıyor, yatırımlarına nasıl geri dönüş alıyor?
- Sunduğunuz servisin kullanıcısına özel deneyimler sunmak, tek tek inceleyemeyeceği alternatifleri onun için süzmek ve satışlarınızı artırmak başlı başına bir fayda. Fazlası da var:
- Doğru insanları kıyıda köşede kalmış, keşfedilmeyi bekleyen ilginç şeylerden haberdar edebilirsiniz.
- Dijital reklamcılıkta mesajınızı gösterecek doğru kişiyi bulmak samanlıkta iğne aramak gibi, makine öğrenmesiyle artık cookie bilgisi olan kullanıcıların internet verilerini, CRM sistemleri gibi farklı kaynaklarla da birleştirerek tıklama ve yatırım geri dönüş oranlarınızı ciddi şekilde artırabilirsiniz.
- Kişisel davranış dinamiklerini anlayabilir, bir kişiden beklemediğiniz davranışları fark edip sahtekarlıklara engel olabilirsiniz.
- Kimin neyi ne olasılıkla tüketebileceğini hesaplayıp, operasyonlarınızı buna uygun planlayabilirsiniz.

Gökhan’a teşekkür ediyoruz, makine öğrenmesi konusuna sıklıkla geri döneceğiz.