//
you're reading...
Genel

Makine Öğrenimi: Tech, Tech, InsurTECH

Son zamanların revaçta konularıdır InsurTECH ve FinTECH. Elbette zamana ayak uydurmak oldukça önemli ancak bazen kavramlara tam hakim olmadan o kavramlara ilişkin eğitimlere, seminerlere, bilgi bombardımanına maruz kalıyoruz. Çağımızın en önemli sorunu belki de yoğun bilgi akışına maruz kalmak, bireyler bu yoğun akıştan işine yarayan temiz bilgiyi öğrenmek ve kirlenmeden kalmak zorundadırlar. Belki de bilgiden şikayet etmek, gazeteden kupon kesip ansiklopedi alan bir nesil için oldukça oksimoron olacaktır.

Bilgisayarların işlem hacimleri ve hızları ilerledikçe insanoğlu dahasını aramaya ve sınırları zorlamaya devam ediyor. Oyun için Commodore 64’te kafa ayarı yapmaktan, kendi programlarımızı yazmaya evrildik. Oda büyüklüğündeki bilgisayarlardan, akıllı saatlere yaşanan evrimi (Darwin görse gözleri yaşarabilir) diğer bir deyiş ile bilgisayarın tarihsel gelişimini merak edenler için http://www.computerhistory.org/timeline/computers/ adresi faydalı bir adres, tavsiye ederiz.

Çok değil bundan 30 yıl önce filmlerde gördüğümüz teknoloji uygulamalarının bir çok kişi için gerçek olacağının hayal edilmesi bile ütopik idi ancak her şey bir hayal ile başlıyor… Uçan kay kaylar, bilgisayarlar, konuşan bilgisayarlar, otomatik tercümanlar (selam olsun Otostopçunun Galaksi Rehberi’ndeki Babil balığına, selam olsun) vb.

Günümüzde artık algoritmayı programın kendisi tarafından yazılmasından, öğrenmesinden, eğilimlere göre algoritmayı uyarlamasından bahsediyoruz.

Bugün biraz “makine öğrenmesi” nam-ı diyar “machine learning”’in ne olduğuna değineceğiz.

ML

Makine öğrenmesi ile istatistiki modeller ve yaklaşımlar arasında farklılıklar bulunmaktadır. İlk adımımız çok kısa olacak şekilde makine öğrenmesi ile istatistik arasındaki temel farklara değinmek olacaktır;

  • İstatistik tahmin yapmak ise makine öğrenmesi adı üzerinde öğrenmeyi gerektirir,
  • İstatistik, matematiğin alt dalı ise makine öğrenmesi, bilgisayar bilimleri, yapay zeka, istatistik karmasıdır,
  • İstatistik ile ikili karşılaştırmalar ve ilişkileri modelleyebiliriz, makine öğrenmesi ise kural bazlı kurulmayan modelin kendi kendine öğrenerek gelişmesidir,
  • İstatistik regresyon ise makine öğrenimi gözetimli ve gözetimsiz öğrenmedir,
  • İstatistikte önsel varsayımlar vardır makine öğreniminde yoktur,
  • İstatistikte verinin önsel bilgileri, dağılımları, tahmin edicileri, yanlılık durumu önemlidir, makine öğreniminde tüm veriyi bir kutuya atıp algoritmayı oluşturmak yeterlidir.

Örneğin bir film sitesinde izlediğiniz film sonrasında sevebileceğiniz filmlere yönelik tavsiyeler makine öğrenimine ilişkin en basit örnek olabilir. Size internet sitelerinde yardım hizmeti sunan canlı bağlantılar bir diğer örnektir. Amaç anlamlı bir hareket deseni bulup bunu tahmin etmek için kullanmaktır. Cep telefonlarımızda bulunan kameralardaki yüz tanımadır, el yazısının tanınmasıdır, bir e-posta’nın spam taramasıdır.

Bu alan için olmazsa olmaz iki temel donanım mevcut istatistik ve bilgisayar bilimi. Üçüncü temel bileşen ise hayal gücü, hayal gücü insanoğlunun sınırıdır. Yapabileceklerimiz hayal gücümüz ile sınırlıdır.

Makine ne kadar egzersiz yapar ise o kadar öğrenmesini arttırmaktadır. Klasik yorumumuzu unutmayalım malum büyük sayılar kanunu… Örneğin bilgisayar oyunu meraklısısınız geçemediğiniz bölümler var kurun algoritmanızı en uygun çözümü deneyerek öğrensin ve Sizin için geçsin ki bununla ilgili enteresan bir deneme mevcut Süper Mario oyunu için bir algoritma yazılmış…

Makine öğrenmesi denildiğinde hayatımıza analiz araçları bakımından karar ağaçları, neural networkler, kümeleme analizleri, genetik algoritmaları girer.

İşin özünde öyle bir program yaratmak var ki program kendi kendine öğrenebilsin, deneyimleyebilsin.

Sigorta sektöründe chatbot’lar yani karşımızda yazdıklarımızı algılayabilen, anlayan ve çözüm sunan robotlar ya da yapay zekaların olduğu platformlar makine öğrenmesi olarak karşımıza çıkmaktadır. Şöyle ki “Dediğiniz anlaşılmadı, lütfen tekrar ediniz” diyen yapay asistan, muhtemelen belirli bir tekrar ve denemeden sonra bu soruyu sormayacaktır ya da en azından öyle umuyoruz…

Aracın hasar tahmininin çekilen fotoğraflar üzerinden yapılması. Telematik ile elde edilen verilerin fiyatlandırmada, müşteri tanımada ya da sürücü güvenliğini arttırmada kullanılması diğer örnekleridir. Burada önemli bir noktayı atlamamak lazım kural bazlı algoritmalar ile yukarıda verilen örnekler yapılabilir önemli olan algoritmanın kendi kendini geliştirebilmesi ve öğrenebilmesidir. Yoksa “if … then … else”’den öteye geçen bir algoritma olmaz…

Evet, can alıcı soru şu olabilir yapay zeka, makine öğrenmesi bir aktüerin yerini alabilir mi? Aktüeri sadece bir algoritmaya indirgeyebilirseniz evet yerini alabilir, ancak sosyal bilimden, ekonomiden, finanstan, pazarlamadan anlayan sübjektif değerlendirmeleri anlayabilecek bir algoritma kurmak gerekecektir.

“Bir şeyin olup olmaması nezdinde müsavi değilse nakıssın evlâdım”

Amiş Efendi

 Yazar: MockingActuaries

 

Reklamlar

Tartışma

Trackbacks/Pingbacks

  1. Geri bildirim: "Aktüerya Dünyası"ndan: "Makine Öğrenimi: Tech, Tech, InsurTECH" - Sigorta Dünyası - 19 Haziran 2018

Bir Cevap Yazın

Aşağıya bilgilerinizi girin veya oturum açmak için bir simgeye tıklayın:

WordPress.com Logosu

WordPress.com hesabınızı kullanarak yorum yapıyorsunuz. Çıkış  Yap /  Değiştir )

Google+ fotoğrafı

Google+ hesabınızı kullanarak yorum yapıyorsunuz. Çıkış  Yap /  Değiştir )

Twitter resmi

Twitter hesabınızı kullanarak yorum yapıyorsunuz. Çıkış  Yap /  Değiştir )

Facebook fotoğrafı

Facebook hesabınızı kullanarak yorum yapıyorsunuz. Çıkış  Yap /  Değiştir )

Connecting to %s

İletişim

E-Posta: aktuerdunyasi@gmail.com
Twitter: aktuerdunyasi
Web: www.aktuerdunyasi.com

Bu blogu takip etmek ve yeni gönderilerle ilgili bildirimleri e-postayla almak için e-posta adresinizi girin.

Diğer 898 takipçiye katılın

Blog İstatistikleri

  • 66.204 tıklama
Follow Aktüer Dünyası on WordPress.com
Reklamlar
%d blogcu bunu beğendi: