Sihir Değil!

TWEET THIS

Netflix veya Spotify gibi uygulamalar ne tür filmlerden hoşlandığınızı ya da hangi şarkıları dinlemeyi tercih ettiğinizi nereden biliyor (veya bildiğini sanıyor), hiç merak ettiniz mi?

Sihir gibi görünüyor, değil mi?

Aslında perde arkasında herkes için çok tadınık olmasa da bir sistem, bir matematik işliyor. Örneğin, bu tahminlerin daha doğru olmasını sağlamak için veri bilimi uzmanları tarafından çok sayıda veri çıkarılıyor ve çok sayıda karmaşık algoritma geliştiriliyor. Buna da sihir değil, "makine öğrenmesi" diyoruz.

Makine öğrenmesi, sistemin beğeninize en uygun filmleri ve şarkıları belirlemesini sağlayan şeydir. Bu uygulamalar, öneri sistemleri adı verilen bir algoritma tarafından yönlendirilir. Daha derine indikçe, öneri sistemlerini kullanıcılar ve şirketler için değerli kılan etmenlerle karşılaşıyoruz.

Bu maddeleri aşağıda öneri sistemlerini kullanan şirketler ve örnekleriyle inceledik:

İş değeri

Harvard Business Review, öneri sistemlerinin "dijital doğmuş" şirketler ile geleneksel şirketler arasındaki en önemli algoritmik ayrım olduğunu iddia ediyor.

HBR'ye göre öneri sistemleri; şirketlerin verilerden en iyi şekilde nasıl yararlanabileceklerini ve aynı zamanda müşterileri için nasıl değer yaratabileceklerini yeniden düşünmeye zorluyor. Sistemi ne kadar çok insan kullanırsa o kadar değerli hale gelir. Kesin olarak belirtmek gerekirse, sistem çevrimiçi satılan bir hizmettense müşterilerin içgörülerini geliştiren bir olgu olarak görülmelidir.

Problem Formülasyonu: Mevcut sorunların belirlenmesi ve bu sorunlara yönelik çözümlerin formüle edilmesi şirketlere; kullanıcı deneyimini geliştirmekle beraber uygulamadan zevk alma olasılığının en yüksek olduğu alanları belirler.

Öneri sistemlerinin çözdüğü zorluklardan bazıları şunlar:

- Ürün listesi - Airbnb ve Zillow

- İlginizi çekebilecek filmler - Netflix ve Amazon Prime

- İlginizi çekebilecek şarkılar – Spotify

- İlginizi çekebilecek videolar – YouTube

- Benzer gönderiler ve yorumlar - Instagram, LinkedIn ve Twitter

Örneğin, Amazon Prime Video bu yöntemle yaklaşık 2 kat gelişti!

Veri

Kullanılan en klasik yaklaşım, Amazon, Netflix ve Spotify için işbirliğine dayalı filtrelemeye dayanmaktadır. Öneri sistemi, girdi olarak iki veri kullanır:

  1. Kullanıcı etkileşim verileri
  2. Özellikler için öğe verileri

Burada sistem, birbiriyle en bağlantılı içeriği bulmak için ikinci veri girişini, yani öğe-öğe veya kullanıcı-kullanıcı ilişkisini kullanır. (buraya çok basit birer örnek gelecek)

Algoritmalar

Algoritmalar da işbirliğine dayalı filtreleme yaklaşımının yerini almada önemli bir rol oynar.

Netflix, DVD gönderiminden çevrimiçi yayın işine geçişi gösteren harika bir örnektir. Araştırma raporlarının birinde aktarıldığı gibi “Esas işimiz posta yoluyla DVD gönderme olduğu zamanlarda, yine böyle bir algoritmaya dayalı olarak çalışıyorduk. Bir üyenin videoyu gerçekten izlediğine dair aldığımız ana geri bildirim yıldız derecelendirmesiydi. Ancak yıldızların ve DVD'lerin Netflix'teki önerilerin odağı olduğu günler çoktan geçti. Şimdi öneri sistemimiz, Netflix deneyimini toplu olarak tanımlayan çeşitli algoritmalardan oluşuyor."

Öneri sisteminin kısaca şunları anladığını görüyoruz:

1- Aday oluşturma - Öğeler arasındaki benzerlikleri ve önerileri kullanarak kullanıcının beğenmesi en muhtemel öğeyi önerir.

2- Sıralama - İkili tercihler, tüm sıralamada optimizasyon ve hatta basit puanlama yöntemleri gibi birden çok yöntemden oluşabilir. Örneğin, herhangi bir online yemek dağıtım uygulamasını ele alırsak; sıralama, kullanıcının uygulamayı kullandığı zaman veya açtığı zamanki konumu gibi ek bilgileri kullanarak önceden filtrelenmiş yemek ve restoranları sıralayabilen bir makine öğrenmesi modelini kullanır. Sıralama için, destek vektör makineleri, sinir ağları ve lojistik regresyon gibi birçok denetimli sınıflandırma yöntemini kullanabilirsiniz.

Metrik değerlendirmesi

Algoritmayı belirledikten sonra, performansı nasıl değerlendireceğinizi anlamanız gerekir. Bunun için çevrimdışı ve çevrimiçi değerlendirme gibi yöntemleri izlemeniz gerekecek. Çevrimdışı yöntemde, yüksek geri çağırma veya yüksek hassasiyet üzerine odaklanılırken, online bir değerlendirmede sistem tıklama oranına odaklanmaktadır.

Kullanıcı arayüzü (UI)

Çoğu veri bilimi uzmanı genellikle kullanıcı arayüzünü dikkate almıyor. Belirtmek gerekir ki kullanıcı arayüzü bir öneri için gerekli olan bileşenleri göstermiyorsa, geri bildirimin yanlış sonuçları toplama ihtimali çok yüksek.

Peki gelecek ne gibi yeniliklerle gelecek?

Öneri sistemleri son yıllarda büyük değişimlere uğradı ve yakın gelecekte de değişmeye devam edecek. Online üretilen ve sürekli artan bilgilerle, bu sistemler daha rekabetçi hale gelecek. Bu sistemlerin aşırı bilgi yükünün üstesinden gelmek için değerli bir araç olduğu kesin. Karşılaşılan zorluklara rağmen öneri sistemleri ulaşım, e-ticaret ve hatta tarım gibi sektörlerde yaygın olarak kullanılıyor. Bununla birlikte, derin öğrenmeye dayalı öneri sistemi genişledikçe online kullanıcı sayısının ve beraberinde daha yeni yaklaşımların artması da muhtemel.