Geçen seneki re:Invent etkinliğinde makine öğrenimi ile ilgilenen çok sayıda şirket olduğunu, şirketlerin makine öğrenimine adım atmaya başladığını söylemiştiniz. Geçtiğimiz yıl bu alanda ne gibi gelişmeler gördünüz?
Makine öğrenimi teknolojisi aslında on yıllardır var, ancak ana akım bir teknoloji değildi ve yakın zamanda geliştiriciler ve veri bilimcileri için erişilebilir bir hale geldi. Bunun birincil sebebi, makine öğrenimi girişimlerinin etkili olabilmesi için çok fazla bilgi işlem gücü, depolama ve uzmanlık gerektirmesi. Bu nedenle geçmişte makine öğrenimi uygulamaları gerekli finansal kaynakları ve kurum içi uzmanlığı sağlayabilen büyük şirketler ve devlet kuruluşlarıyla sınırlıydı. Ama bugün bulut teknolojisi sayesinde, makine öğrenimi alanı, bu teknoloji ile ilgilenen herkes için açık bir hale geldi. Ayrıca, müşteriler ve kuruluşlar artık dijital ortamlarda çok daha fazla bulunduklarından, toplanan veri hacmi de arttı. Bu nedenle şirketler bu verilere anlam kazandırabilmek için de makine öğrenimi teknolojisine yönelmeye başladı.
Makine öğrenimi her zaman Amazon’un inovasyonlarının merkezinde yer aldı. Geriye dönüp bakarsak, ister perakende web sitemizde, ister ürünleri optimize etmede ve işleme merkezlerimizin becerilerini iyileştirmede olsun, operasyonlarımızın başlangıcından beri makine öğrenimi kullanıyoruz. Sesli asistanımız Alexa ve robotik merkezlerimiz gibi daha yeni girişimlerimiz için de bu teknolojiden faydalanıyoruz.
Makine öğreniminin, bu teknolojinin potansiyelinden tam anlamıyla yararlanabilen her kuruluş için yıkıcı ve son derece güçlü bir teknoloji olduğunu biliyoruz. Bilgi işlem ve depolama yeteneklerine erişimi demokratikleştirdiğimiz gibi, aynısını makine öğrenimi için de yapmak istiyoruz. Amacımız makine öğrenimi ile ilgilenen her geliştiriciye tek bir tık ile bu teknolojiye ulaşma imkanı sunabilmek.
Hepimiz günlük hayatımızda farkında olarak ya da olmayarak makine öğrenimi ile geliştirilmiş araç ve hizmetler kullanıyoruz.
Makine öğrenimi hizmetlerimize üç farklı katman olarak yaklaşıyoruz. Yani, sahip olduğumuz çok güçlü bilgi işlem, depolama ve veri analitiği platformlarının üzerinde makine öğrenimi için katmanlı bir yaklaşım geliştirdik. Bunu yapmamızın sebebi de, birçok kuruluşun makine öğrenimini kendi başlarına benimsemeye hazır olmadıklarının bilincinde olmamız.
En alt katmanda, makine öğrenimi uygulamaları uzmanları için geliştirdiğimiz amaca yönelik altyapı hizmetlerimiz bulunuyor. Örneğin bunlar, birçok bilim adamımızın üzerinde çalıştığı özelleştirilmiş ve optimize edilmiş makine öğrenimi framework’leri olabilir. Bu framework’ler, AWS altyapısında çalışacak şekilde tasarlanıyor. Böylece uzman pratisyenler, makine öğrenimi modellerini oluşturmak, eğitmek, düzenlemek ve dağıtmak için kendi araçlarını ve iş akışlarını tasarlayabiliyorlar.
Orta katmanda, geliştiricilerin ve veri bilimcilerin her ölçekte makine öğrenimi modellerini hızlı ve kolay bir şekilde oluşturmasına, eğitmesine ve dağıtmasına olanak tanıyan Amazon SageMaker gibi platform hizmetlerimiz bulunuyor. SageMaker, geliştiricilere veri kümelerini doğru bir şekilde etiketlemek, hazırlamak veya ETL (çıkarma, dönüştürme, yükleme), yani özellik çıkarmak, niteliklerini belirlemek ve sonunda bu modelleri dağıtmak gibi birçok aşamada yardımcı olan uçtan uca kapsamlı bir makine öğrenimi platformu. Bunu ister bulutta yapın, ister modelleri paketleyip uç cihazlara dağıtın, Amazon SageMaker, müşterilere makine öğrenimi benimseme yolculuklarında kapsamlı yönetilen özellikler sunuyor.
Son re:Invent etkinliğinde duyurduğunuz yeni makine öğrenimi hizmetlerinden bahseder misiniz?
Bu seneki re:Invent etkinliğinde bir dizi yeni özellik duyurduk. Bazılarından bahsetmek gerekirse; makine öğrenimi uzmanlarının makine öğrenimi modellerinde şu anda mevcut olan çiplerden çok daha iyi bir fiyat ve performans ile eğitim yapmasına olanak tanıyan, AWS Trainium adını verdiğimiz, amaca yönelik bir çip ekledik. SageMaker ürün yelpazemizin altına bir dizi yeni özellik kazandırdık. Örneğin SageMaker Feature Store ile veri bilimciler verilere bakarken ve verileri makine öğrenimi için hazırlarken önemli özellikleri tanımladıkça bunları depolayabiliyorlar ve diğer ekip üyeleri ile paylaşabiliyorlar. Amazon SageMaker Clarify, SageMaker eğitim verilerinde oluşturulan modeli etkileyecek bir önyargının tespit edilmesine olanak tanıyor. Böylece, verilerdeki önyargıyı tespit ettiğinizde modellerinizi tarafsız hale getirmenizi sağlayacak değişiklikler yapabiliyorsunuz. SageMaker Edge Manager adını verdiğimiz yeni bir ürün de duyurduk. Bu ürün ile bulutta geliştirdiğiniz modelleri bulut dışında herhangi bir yerde gerçek zamanlı veri işlemeniz gereken, örneğin fabrikalar ya da sondaj kuleleri gibi, konumlarda kullanabiliyorsunuz. Amazon Connect adı müşteri iletişim merkezimiz için yeni özellikler geliştirdik. Connect, artık müşteri destek temsilcilerinizin, destek için arayan bir müşteri ile ilgili tüm verilere gerçek zamanlı olarak erişmesine olanak tanıyacak. Ayrıca müşteriyi tanımak için ses tanıma teknolojisini de kullanabilecekler.
İmalat sektörü gibi, makinelerin işin içinde olduğu tüm sektörleri kapsayan müşterilerimizi destekleyen yeni bir hizmet alanı duyurduk. AWS Monitron adını verdiğimiz bu özellik, öngörücü bakım yapılabilmesine olanak sağlıyor. Bu özellik ile, makineler üzerine sensör yerleştirebiliyor, buradan alınan titreşim ve ısı verilerini buluta aktarabiliyor ve veriler üzerinde makine öğrenimi modelleri uygulayabiliyorsunuz. Böylece belirli bir makinenin ne zaman arızalanacağına dair tahminlerde bulunabiliyor ve arızalanmadan önce bakım yapmak için devreye girebiliyorsunuz, bu da arıza süresini ve bir makinenin arızalanması ile ilişkili maliyetleri maliyetleri en aza indirmenize yardımcı oluyor. Ayrıca Panorama adında bir cihaz da duyurduk. Fabrikanızdaki video kameraları bu cihaza bağlayabilir ardından Panorama’ya aktarılan bu görüntüler üzerine makine öğrenimi modelleri uygulayabilirsiniz. Böylece hata denetimi gibi işlemleri gerçekleştirebilir veya üretim hatlarınızda neler olduğunu anlayabilir ve ardından duruma uygun otomatik adımlar atabilirsiniz. Bu saydıklarımdan çok daha fazlası var ve müşterilerimizin ellerindeki tüm bu yeni beceriler ile ne yapacaklarını görmek bizi çok heyecanlandırıyor.
Makine öğreniminin yaygın kullanım örneklerinden birkaç tanesini paylaşabilir misiniz?
Çok daha fazla müşterinin makine öğrenimi tabanlı çözümler uyguladığını ve makine öğrenimini kendi ürün ve çözümlerine dahil ettiğini görmeye başladık. Müşterilerimizin neler yaptığına ve makine öğrenimi kullandıkları ilginç alanlara göz atabilmeniz için size farklı sektörlerden kullanım örnekleri vereceğim.
Ev aletleri alanında en büyük üreticilerden biri olan Arçelik ile başlayalım. Çok fazla üretim tesisine sahipler ve ellerinde ürünlerle, nasıl üretildikleriyle, üretimde kullanılan çeşitli bileşenlerle ve ürün satıldıktan sonra verilen servis ve bakım hizmetleriyle alakalı çok fazla veri var. Arçelik’in gelişmiş analitik ve ellerindeki bu veriler üzerinde makine öğrenimi uygulamak için AWS üzerinde bir platform oluşturmasının ilk adımı bir data lake oluşturmaktı. Bir data lake, müşterilerin normal operasyonları için kullanılan çeşitli sistemlerden verilerin taşımasına ve bunları AWS’de merkezi bir konuma getirmesine olanak tanır. Veriler lake’e getirildikten sonra onların üzerine artık yenilikçi bazı özellikler sağlamak için Amazon SageMaker kullanılarak geliştirilen makine öğrenimi modelleri uygulayabilirsiniz. Örneğin, üretim süreçleri ile alakalı olan verilere bakarak, bu süreçlerin nasıl geliştirileceği ile ilgili alanları ortaya çıkarmak için makine öğrenimi modelleri uygulayabiliyorlar. Ayrıca perakendecilerinin satış verilerini getirip anlayarak, daha sonra bunları üretim tarafının verileri ile eşleştirerek ne zaman üretime geçilmesi gerektiğini ya da ürünlerin ne zaman kalite kontrole gitmesi gerektiğini belirleyebiliyorlar. Böylece ürünleri önceden üretip depolamak ve satış gerçekleşmesini ummak yerine, ürünler gerektiği zamanda gerektiği miktarda satışa hazır oluyor. Yani üretimden satışa kadar olan döngünün tamamını optimize edebiliyorlar. Ayrıca, SageMaker’ı kullanarak bir beceri geliştirdiler. Anonim bir şekilde müşteri hizmetlerine gelen çağrıların verilerini kullanarak hangi ürünlerin ve hangi parçaların bakıma gitmesi gerektiğini anlayabiliyorlar. Böylece tam olarak hangi parçaların üretilmesi gerektiğini belirleyebiliyor ve bir müşteri destek çağrısı geldiğinde harekete geçmek yerine, gelen çağrılara önceden hazırlıklı olduklarından çok daha iyi bir şekilde karşılık verebiliyorlar. Yani, makine öğrenimi Arçelik’e uçtan uca işlemlerini iyileştirme fırsatı sağlıyor, biz de onlarla iş birliği yapmaktan heyecan duyuyoruz.
İkinci örnek ise Domino’s. Onlar, bir müşterinin pizza siparişi vermesinden pizzanın müşteriye ulaştırılmasına kadar geçen sürenin nasıl kısaltılabileceği ile ilgileniyorlar. Yani amaçları, makine öğrenimi kullanarak tüm bu sürecin nasıl 10 dakikanın altına indirilebileceğini bulmaya çalışmak. Bu konsepte öngörücü sipariş adı veriliyor. Hangi siparişin geleceğini önceden tahmin edebiliyorsanız, siparişleri hazırlamaya başlamak için müşterinin aramasını beklemiyorsunuz. Domino’s bunu yapabilmek için daha önceki siparişler, müşteri tercihleri, teslimat yerleri gibi veriler üzerine makine öğrenimi uyguluyor ve ne zaman, nereye, ne kadar sipariş geleceğini tahmin edebiliyor. Böylece sipariş geldiğinde tüm hazırlık aşamaları tamamlanmış olduğundan pizzayı hemen fırına verip 10 dakikadan kısa bir sürede teslim edebiliyor.
Başka bir müşteri ise en büyük sağlık BT şirketlerinden biri olan Cerner. Onların sağlık sistemleri birçok hastane tarafından kullanıldığı için çok sayıda anonimleştirilmiş hasta verisine erişebiliyorlar. Makine öğreniminin bu veriler üzerinde nasıl bir değer yaratabileceğini anlamayı amaçlıyorlar. Bu nedenle, hastalarda yavaş yavaş ve giderek kötüleşen bir durum olan konjestif kalp yetmezliği hakkında bir tahmin yapmak için makine öğrenimi modelleri geliştirdiler. Makine öğrenimi ile, belirli bir hastada olası bir konjestif kalp yetmezliği durumunu, gerçek klinik testlerde ortaya çıkmadan 15 ay önce tespit edebiliyorlar. Böylece o hastaya ve hastayı tedavi eden doktora böyle bir risk olduğunu 15 ay daha erken görme ve riski azaltmak ya da ortadan kaldırmak için gerekli adımları erkenden atabilme imkanı sağlıyorlar.
Sonuncu örnek ise Zomato. Dünya çapında on binlerce restoranın menülerini alıp mobil uygulaması üzerinden dijital olarak kullanıma sunuyor. Yani yemek sipariş etmek istiyorsam Zomato’ya giriyorum, konum, mutfak gibi tercihlerimi belirliyorum, Zomato da bana tercihlerime uygun seçenekleri listeliyor. Sonra siparişimi veriyorum, Zomato dağıtım ekibi de siparişimi restorandan alıp bana teslim ediyor. Dolayısıyla Zomato dünya çapında birçok müşteri ile çalışıyor ve aylık olarak dünya çapında 100 milyon müşteriye hizmet veriyor. Burada karşılaştıkları zorluklardan biri, yeni restoranların sisteme nasıl ekleneği hakkında. Genellikle kağıt formatında olan, farklı stillerdeki, farklı fontlardaki, yani tutarlılığı olmayan farklı menüleri dijital ortama nasıl aktarabilirsiniz? Tüm bunları müşteriler Zomato üzerinde arama yaptıklarında karşılarına çıkacak bir online sisteme nasıl hızlı bir şekilde optimize edersiniz? Burada o menülerden bilgi çıkarmak için Amazon Textract ile bilgisayar vizyonu kullanıyorlar ve daha sonra bu verilerin üzerine iş kuralları ekleyebilmek için doğal dil işleme (NLP) yeteneğinden faydalanıyorlar. Böylece menüdeki bir öğenin tanımına bakıp onun meze mi ana yemek mi ya da tatlı mı olduğuna karar verebiliyor ya da öğeyi fiyatı ile eşleştirebiliyorlar. Bunların hepsini NLP aracılığı ile yapıyorlar. Daha sonra bu bilgiler Zomato’nun sisteminde tutarlı bir biçimde saklanıyor ve bu da müşteri deneyimini çok daha iyi hale getiriyor. Zomato için de operasyon maliyetleri önemli ölçüde azalıyor.
Bunlar dikkatinizi çekmek istediğim örneklerden bazıları. Ancak şunu da söylemek istiyorum, makine öğreniminin fayda sağlamayacağı bir sektör yok ve artık neredeyse her sektörün makine öğrenimi kullanarak dönüşüme uğradığını görüyoruz. Bunun bir parçası olmaktan da heyecan duyuyoruz.
Makine öğreniminin geleceğini nasıl görüyorsunuz, sizce nasıl bir değişim geçirecek?
Makine öğreniminin her yerde kullanılmaya başlayacağını düşünüyoruz. Artık makine öğrenimi hakkında çok daha fazla heyecan ve makine öğrenimi kullanarak geliştirilmiş uygulamalar görmeye başlıyoruz. Bu nedene uzun vadede makine öğreniminin her uygulamada, her online sistemde, üretim hattından sağlık sektörüne ve ulaşım ağlarına kadar her yerde olmasını bekliyoruz.
Makine öğrenimi eskiden sadece satış verileri ya da finansal işlem verileri gibi tablosal verilere uygulanıyordu. Yani bu veriler üzerinde diyelim dolandırıcılık tespiti yapmak ya da diğer veri işleme tekniklerini anlamak için makine öğrenimi modelleri uyguluyordunuz. Ancak şimdi video, ses, görüntü veya metin verileri gibi tamamen yapılandırılmamış veriler üzerinde makine öğrenimi uygulandığını ve bunların daha sonra tablosal veriler ile birleştirildiğini görüyoruz. Tablo işlemeyle sınırlı olmanın aksine, doğal dil işleme ve bilgisayar vizyonu alanında da daha fazla faaliyet görmeye başladık. Makine öğreniminin, bu teknolojinin potansiyelinden tam anlamıyla yararlanabilen her kuruluş için dönüştürücü ve son derece güçlü bir teknoloji olduğunu biliyoruz. Kuruluşlar, makine öğreniminin kendilerine sağlayabileceği faydaların farkına varıyor ve bu tür teknolojilere daha fazla yatırım yapmaya başlıyorlar. Makine öğrenimi çözümlerini kullanmaya ve bunları operasyonlarının çeşitli yönlerinde uygulamaya çok daha fazla açık olmaya başladılar. Bu trendi görüyoruz ve giderek hızlanacağını düşünüyoruz.
Şirketler, makine öğrenimi kullanarak insanların hayatlarını nasıl iyileştiriyor?
Hepimiz günlük hayatımızda farkında olarak ya da olmayarak makine öğrenimi kullanıyoruz. Uber ya da Lyft gibi bir araç paylaşım hizmeti kullanıyorsanız, bu sistemlerin çoğunun arka planında makine öğrenimi bulunuyor. Ya da Amazon Alexa gibi bir dijital asistan kullanıyorsanız, akıllı termostatlar veya akıllı ev teknolojisinden faydalanıyorsanız, bunların çoğunun arkasında makine öğrenimi var. Sonuç olarak nihai kullanıcılar veya tüketiciler işlerini daha kolay, rahat ve kullanışlı hale getiren daha yenilikçi ürünler ile karşılaşacaklar. Sağlık, yaşam bilimleri veya eczacılık gibi alanları düşünürsek, örneğin ilaçların pazara daha hızlı getirilmesi sağlanıyor, sağlık sistemine veya ulaşım ağlarına daha fazla tahmin gücü getiriliyor böylece bu sistemler daha iyi optimize edilebiliyor. Sonuç olarak bunların hepsi son kullanıcıların tükettikleri hizmetler ile ilgili deneyimlerinin iyileştirilmesine yardımcı oluyor. Daha az maliyet, daha güçlü ve genel olarak daha iyi deneyimler sağlıyor. Bu trendi görmeye de devam edeceğiz.