Maşın öyrənməsi nədir və necə işləyir?

Maşın öyrənməsi adi proqramdan nə ilə fərqlənir?

Ənənəvi proqramlaşdırmada insan girişlə nəticə arasındakı qaydanı yazır; maşın öyrənməsində model bu əlaqəni nümunələrdən hesablayır. NIST-in maşın öyrənməsi tərifi də məlumatdan öyrənib dəqiqliyi yaxşılaşdıran kompüter sistemlərinə fokuslanır. Fərq “kod yoxdur” demək deyil. Verilənlərin hazırlanması, model seçimi, ölçü və canlı sistemin qurulması yenə proqram mühəndisliyi tələb edir.

Məsələn, endirim şərti beş aydın qaydadan ibarətdirsə, model qurmaq işi ağırlaşdırır. Əksinə, yüzlərlə siqnalın birlikdə fırıldaq ehtimalına təsir etdiyi halda bütün kombinasiyanı əl ilə yazmaq real deyil. Maşın öyrənməsi burada daha uyğun ola bilər, çünki məqsəd gizli qanunu “anlamaq” yox, çoxsaylı nümunədə faydalı proqnoz əlaqəsi tapmaqdır.

Maşın öyrənməsi süni intellekt daxilindəki yanaşmalardan biridir. Hər AI sistemi maşın öyrənməsi ilə qurulmur; qayda və bilik əsaslı sistemlər də var. Eyni zamanda hər maşın öyrənməsi modeli çatbot deyil. Qabiliyyət səviyyəsi ilə texniki metodu ayırmaq üçün AI növlərinin təsnifatına baxmaq olar.

Qiymət proqnozu verən sadə regresiya modeli də bu ailəyə daxildir. Modelin ekranda insan kimi danışmaması onun daha az “ML” olması demək deyil. İnterfeys istifadə formasını, alqoritm isə nəticənin necə hesablandığını göstərir.

Maşın öyrənməsi modeli necə öyrədilir?

Modelin qurulması problemi ölçülə bilən tapşırığa çevirməklə başlayır. “Müştərini daha yaxşı tanımaq” qeyri-müəyyəndir. “Növbəti 30 gündə abunəliyi dayandırma ehtimalını hesablamaq” isə giriş, nəticə və zaman sərhədi olan tapşırıqdır. Model yalnız yazdığımız məqsədi optimallaşdırır; demək istədiyimizi özü tamamlamır.

Supervised learning nümunəsində hər sətirdə feature və label olur. Feature modelin gördüyü giriş əlamətidir: istifadə müddəti, son giriş tarixi və müraciət sayı kimi. Label isə proqnozlaşdırılacaq doğru cavabdır: müştəri ayrıldı, yoxsa qaldı. Google-un supervised learning izahı training, evaluation və inference mərhələlərini məhz bu quruluşla ayırır.

1. Problem framing: biznes məqsədi ölçülə bilən model tapşırığına çevrilir.
2. Məlumat hazırlığı: nümunələr toplanır, təmizlənir, icazə və təmsilçilik yoxlanır.
3. Feature və label seçimi: modelin görəcəyi əlamətlər və proqnoz hədəfi müəyyən edilir.
4. Training: model proqnozu doğru cavabla müqayisə edib səhvini azaltmaq üçün parametrlərini dəyişir.
5. Validation və test: seçim və yekun ölçü öyrətmədə istifadə olunmayan nümunələrdə aparılır.
6. Inference: təsdiqlənmiş model yeni giriş üzrə nəticə yaradır.
7. Monitorinq: canlı nəticə, gecikmə, sürüşmə və səhv təsiri izlənir.

Training zamanı modelin səhvi loss funksiyası ilə ölçülür. Alqoritm bu itkini azaltmağa çalışır. Lakin training dəstində çox aşağı səhv həmişə yaxşı xəbər deyil. Model nümunələri əzbərləyib yeni məlumatda zəifləyə bilər; bu overfitting adlanır.

Ona görə məlumat adətən training, validation və test hissələrinə ayrılır. Training modelin öyrəndiyi hissədir. Validation model və parametrlər arasında seçimə kömək edir.

Test seçim bitəndən sonra mümkün qədər toxunulmamış yekun yoxlamadır. Eyni şəxsin və ya eyni hadisənin əlaqəli qeydləri bu dəstlərə səhv bölünsə, data leakage yaranır və nəticə olduğundan yaxşı görünür.

Supervised, unsupervised və reinforcement learning fərqi nədir?

Maşın öyrənməsi üsulları modelin hansı siqnaldan öyrəndiyinə görə ayrılır. Supervised learning doğru cavabı olan etiketli nümunələrdən, unsupervised learning etiketsiz məlumatdakı quruluşdan, reinforcement learning isə mühitdə hərəkətə verilən mükafat və cəzadan istifadə edir. Generativ modellər bunların bir neçəsi ilə mərhələli şəkildə öyrədilə bilər.

Supervised learning daxilində regresiya rəqəm, classification isə kateqoriya proqnozlaşdırır. Kredit məbləğini hesablamaq regresiya, müraciəti “satış”, “dəstək” və “şikayət” qruplarına ayırmaq classification nümunəsidir. Kateqoriyanın adını əvvəlcədən bilmirsinizsə və məlumatdakı təbii qrupları axtarırsınızsa, clustering kimi unsupervised üsul uyğun ola bilər.

Neyron şəbəkə ayrıca öyrənmə siqnalı deyil, model arxitekturasıdır. O, supervised, unsupervised və reinforcement quruluşunda istifadə oluna bilər. Bu texniki fərqi neyron şəbəkələr barədə ayrıca bələdçi daha detallı açır.

Maşın öyrənməsi modelinin keyfiyyəti necə ölçülür?

Model keyfiyyəti tək “dəqiqlik” rəqəmi ilə ölçülmür; göstərici səhvin növünə və qərarın nəticəsinə uyğun seçilir. Xəstəlik skrininqində riskli halı qaçırmaqla sağlam şəxsi əlavə yoxlamaya göndərmək eyni səhv deyil. Fırıldaq sistemində də normal ödənişi dayandırmaq və şübhəli ödənişi buraxmaq fərqli xərc yaradır.

Classification üçün precision, recall, F1 və confusion matrix birlikdə baxıla bilər. Regression üçün MAE və RMSE kimi göstəricilər proqnozla real rəqəm arasındakı fərqi ölçür. Generativ nəticədə fakt dəqiqliyi, tapşırığa uyğunluq, təhlükəsizlik və insan düzəlişinin həcmi ayrıca qiymətləndirilməlidir. Göstəricinin adı yox, biznes səhvi ilə əlaqəsi əsasdır.

Modeli əvvəlki üsulla müqayisə etmədən qazancı görmək çətindir. Pilotda eyni dövr və nümunə üçün mövcud prosesin vaxtını, səhvini və xərci qeyd edin. Sonra modelin nəticəsini insan yoxlaması daxil olmaqla ölçün. AI on saniyəyə cavab verib on dəqiqəlik düzəliş yaradırsa, yalnız inferensiya vaxtına baxmaq saxta qənaətdir.

Canlı sistemdə nə dəyişir?

Test dəsti keçmişin şəklidir, canlı proses isə dəyişir. Məhsul, dil, qiymət, istifadəçi davranışı və məlumat toplama qaydası dəyişdikcə model sürüşə bilər. Monitorinq yalnız serverin işləyib-işləmədiyini deyil, proqnoz paylanmasını, səhv göstəricisini və insan müdaxiləsini də izləməlidir.

Modelin versiyası, training məlumatının dövrü və ölçü nəticəsi sənədləşdirilməlidir. Əks halda performans pisləşəndə səbəbi tapmaq mümkün olmur. Yenidən training avtomatik həll deyil; yeni məlumatda qərəz və səhv varsa, model onu da təzələyəcək.

Maşın öyrənməsi nə vaxt lazımdır, nə vaxt deyil?

Maşın öyrənməsi nümunəsi olan, nəticəsi ölçülən və qaydanı əl ilə yazmaq çətin olan tapşırıqda faydalıdır. Sabit qayda ilə həll olunan, nümunəsi az olan və səhvi heç cür qəbul edilməyən prosesdə isə daha sadə sistem üstün ola bilər. Google-un problem framing təlimatı da ML həllindən əvvəl aydın, qeyri-ML məhsul məqsədi yazmağı tövsiyə edir.

• Keçmişdən kifayət qədər uyğun və icazəli məlumat varmı?
• Doğru nəticəni ölçmək və etiketləmək mümkündürmü?
• Sadə qayda, axtarış və ya statistika eyni işi görürmü?
• Səhv nəticəni insan vaxtında tuta bilərmi?
• Modelin saxlanması və monitorinqi qazancı üstələmir ki?

Azərbaycan dili ilə işləyən modeldə yerli test dəsti məcburidir. Şəkilçilər, yazı səhvləri, Türkiyə türkcəsi ilə qarışan terminlər, ad və ünvanlar ayrıca yoxlanmalıdır. İngilis dilində yüksək nəticə Azərbaycan dilində eyni keyfiyyətə zəmanət vermir.

İlk pilot üçün geri qaytarılması asan tapşırıq seçin: müraciəti şöbəyə yönəltmək, sənəddən sahələri çıxarmaq və ya proqnozu mütəxəssisə göstərmək kimi. Modelə birbaşa hüquqi, tibbi, maliyyə və işə qəbul qərarı vermək daha yüksək sübut və nəzarət tələb edir. Texnologiyanın növü yox, səhvin kimə toxunduğu risk səviyyəsini müəyyən edir.

Modelin adı yox, ölçünün dürüstlüyü

Maşın öyrənməsinin gücü açıq yazılmayan minlərlə əlaqəni nümunələrdən tapmaqdır. Zəif nöqtəsi də eynidir: model hansı əlaqəni öyrəndiyini hər zaman sadə dillə göstərmir. Buna görə data, test və səhv təhlili məhsulun kənar sənədi yox, özüdür.

Başlamaq üçün böyük platforma lazım deyil. Bir ölçülə bilən tapşırıq, kiçik və təmiz test dəsti, mövcud prosesin bazası və səhvi dayandıracaq insan kifayətdir. Bu dördü yoxdursa, daha mürəkkəb alqoritm qeyri-müəyyənliyi azaltmır. Sadəcə onu hesablamanın içinə gizlədir.