ANA YETENEK · 02
Machine Learning & Personalization
Geçmiş veriyi, bir sonraki kararı kolaylaştıran tahminlere ve kullanıcıya uygun önerilere dönüştürüyoruz.
Projeyi konuşalım ↗- 01Geçmiş + davranış↓
- 02Veri hazırlığı↓
- 03Model + ölçüm↓
- 04Tahmin / öneri
Veri, karar ve deneyim aynı sistemde.
BAKIŞIMIZ
İyi bir model, gerçek kullanımda daha iyi bir karar vermeyi mümkün kılar.
Talep tahmini, içerik önerisi, kullanıcı segmentasyonu ve anomali tespiti gibi ihtiyaçları önce veri ve karar bağlamıyla değerlendiririz. Basit bir başlangıç yaklaşımıyla karşılaştırır; modelin katkısını doğru ölçmeden ürünü onun üzerine kurmayız.
KULLANIM SENARYOLARI
Veriden ürüne.
Somut bir yol.
Bu örnekler birlikte geliştirebileceğimiz kullanım alanlarını anlatır. Kapsamı ve başarı ölçüsünü projenin verisine göre belirleriz.
Talebi önceden görün.
- GİRDİ
- Zaman damgalı talep verisi, takvim ve bilinen operasyon koşulları.
- ÜRÜNDEKİ SONUÇ
- Bir dönem için tahmin ve belirsizlik aralığı; planlama ekranında kullanılabilir karar desteği.
- NASIL ÖLÇERİZ?
- Geçmiş dönem testinde hata ve basit başlangıç yöntemine göre katkı.
Her kullanıcıya uygun bir sonraki adım.
- GİRDİ
- İzinli etkileşim verisi, içerik özellikleri ve kullanıcının açık tercihleri.
- ÜRÜNDEKİ SONUÇ
- Gerekçesi anlaşılır öneriler; yeni kullanıcılar için başlangıç seçenekleri.
- NASIL ÖLÇERİZ?
- Öneri kalitesi, içerik çeşitliliği ve gerçek kullanımda hedef davranış.
KALİTE VE ÜRÜN KARARLARI
Çalıştığını görmek.
Katkısını ölçmek.
Verinin yeterliliği
Veri miktarını, eksikleri ve temsil gücünü inceleriz. Yeni kullanıcı veya az veri durumunda kullanılacak başlangıç davranışını tasarlarız.
Gerçekçi karşılaştırma
Eğitim ve değerlendirme verisini ayırır; zaman serilerinde geçmişten geleceğe test eder ve basit bir yöntemle karşılaştırırız.
Kullanımdan öğrenme
Önerilerin ürün hedefiyle ilişkisini ve veri dağılımındaki değişimi takip eder; yeniden değerlendirme koşullarını belirleriz.
NELER YAPIYORUZ
Fikirden çalışan
sisteme.
- 01Veri uygunluğu ve hedef değişken analizi
- 02Talep ve zaman serisi tahmini
- 03İçerik ve ürün öneri sistemleri
- 04Kullanıcı segmentasyonu ve kişiselleştirme
- 05Anomali tespiti ve karar desteği
- 06Model servisleme, izleme ve yeniden değerlendirme
ÜRÜN ALANLARI
Bu yetenek nerede
değer üretir?
KİMLER İÇİN?
Doğru problem,
doğru ortaklık.
Kararlarını düzenli veriyle destekleyen operasyon ekipleri
Kullanıcılarına daha ilgili içerik sunmak isteyen platformlar
Verisinin tahmin veya öneri için yeterli olup olmadığını anlamak isteyen şirketler
ÇALIŞMA BİÇİMİ
Dört adım.
Tek, görünür süreç.
Kararı tanımla
Tahmin veya önerinin hangi kullanıcı kararına bağlanacağını belirleriz.
Veriyi incele
Geçmişi, kaliteyi, izinleri ve veri hazırlama ihtiyacını değerlendiririz.
Karşılaştır
Başlangıç yöntemi ve model alternatiflerini aynı ölçütlerle sınarız.
Deneyime taşı
Çıktıyı ürün ekranına bağlar, gerçek kullanım ve model davranışını izleriz.
ÜRÜN DENEYİMİMİZ
Websoftik Akademi Matematik
Matematik ürünümüzde soyut kavramları görsel ve etkileşimli öğrenme deneyimlerine dönüştürdük. Kişiselleştirme tasarımına da kullanıcının öğrenme bağlamını anlayarak başlarız.
Case study’yi incele ↗SIRADAKİ YETENEK
↗Data & Intelligent Automation↗