Durun, Transformers Sadece Robot Değil mi? Veriler Aklınızı Başından Çıkaracak

İnsanlar bana sık sık şu soruyu soruyor: "Robotlar işlerimizi devralacak mı?" Bu soru basit gibi görünse de daha büyük bir endişeyi gizliyor: Bir işletme, insan muhakemesini, hizmet kalitesini veya güvenini kaybetmeden otomasyonu nasıl kullanabilir? Robotları her çalışanın alternatifi olarak görmüyorum. Bunları tekrarlayan, riskli veya fiziksel olarak zorlu görevler için araçlar olarak görüyorum. Daha iyi soru “Robotlar mı yoksa insanlar mı?” değildir. Bu, "Makineler hangi görevleri yerine getirmeli ve insanlar nerede kontrolü elinde tutmalı?" sorusudur. Bir robot, stokları bir depoda saatlerce taşıyabilir. Aynı ölçümü tekrar tekrar kontrol edebilir. İnsanları ısıya, kimyasallara veya ağır yüklere maruz bırakabilecek alanlarda çalışabilir. Yine de bozuk bir paketle, alışılmadık bir müşteri isteğiyle ya da talimatlarına uymayan bir durumla boğuşabilir. İnsanlar bu anlara bağlam, özen ve yargılama getirir. Ocado'nun otomatik depolarında robotlar, market siparişlerinin tesiste taşınmasına yardımcı oluyor. İnsan çalışanlar hala sipariş planlama, bakım, kalite kontrolleri ve normal sürecin dışında kalan sorunlara destek veriyor. Sistem işliyor çünkü makineler ve insanlar farklı rollere sahip. Bu denge diğer işletmeler için faydalı bir model sunuyor. ### Makineyle değil, görevle başlayın Bir robot satın almadan önce, en fazla baskıya neden olan işleri sıralarım: - Tekrarlanan kaldırma - Uzun mesafeli hareket - Manuel sayma - Temel inceleme - Tehlikeli temizlik - Sabit bir süreçle veri girişi Bir görev aynı düzeni takip ettiğinde bir robot yardımcı olabilir. İş konuşmaya, muhakemeye veya değişen koşullara bağlı olduğunda insan liderliğindeki bir süreç daha iyi olabilir. ### Açık bir insan rolü belirleyin Otomasyon, ekibin sorumluluğunu ortadan kaldırmamalıdır. Birinin performansı gözden geçirmesi, hatalara yanıt vermesi ve sistem alışılmadık bir durumla karşılaştığında ne olacağına karar vermesi gerekiyor. Açık bir kural tercih ediyorum: robot tekrarlanabilir kısmı yönetirken, eğitimli bir kişi istisnaları ve müşteri etkisini kontrol eder. Bu yaklaşım aynı zamanda çalışanların nelerin değiştiğini anlamalarına da yardımcı olur. İnsanlar, yeni sistemin basitçe değiştirilmesi yerine işlerini nasıl desteklediğini gördüklerinde daha az endişe duyabilirler. ### Her seferinde bir süreci test edin Küçük bir pilot, bir satış sunumunun göstermeyebileceği sorunları ortaya çıkarabilir. Bir işletme şunları ölçebilir: - Kazanılan zaman - Hata oranları - Tamir ve bakım ihtiyaçları - Personel eğitim saatleri - Müşteri tepkisi - Güvenlik kaygıları Sonuçlar bir sonraki karara yön vermelidir. Robotun çıkardığından daha fazla iş yaratması durumunda sürecin yeni bir tasarıma ihtiyacı olabilir. ### Müşteri deneyimini koruyun Otomasyon, müşterilerin bir kişiye ulaşmasını zorlaştırmamalıdır. Bir sohbet robotu bir teslimat sorusuna yanıt verebilir, ancak bir personelin hasarlı bir siparişle veya hassas bir şikayetle ilgilenmesi gerekebilir. Her zaman pratik bir soru sorarım: Sistem arızalanırsa müşteri yine de yardım alabilir mi? Yararlı bir yedekleme işlemi robota göre daha az görünür olabilir ancak çoğu zaman daha önemlidir. ### İnsanları yeni iş akışı için eğitin Çalışanların ekipmanı izlemesi, sistem uyarılarını okuması, verileri yönetmesi veya hataları çözmesi gerekebilir. Bu beceriler kısa oturumlar, anlaşılır rehberler ve denetimli uygulamalar aracılığıyla öğretilebilir. Eğitim aynı zamanda çalışanlara riskleri belirtme şansı da verir. Bir süreci her gün kullanan kişiler genellikle planlamacıların gözden kaçırdığı konuları fark ederler. Robotlar işin yapılış şeklini değiştirebilir ancak iyi karar alma ihtiyacını ortadan kaldırmaz. Bir makine bir görevi hızlı ve tutarlı bir şekilde tamamlayabilir. İnsanlar hâlâ amacı belirliyor, sonucu kontrol ediyor ve neyin bakıma değer olduğuna karar veriyor. Dolayısıyla birisi bana robotların insanların yerini alıp almayacağını sorduğunda daha iyi bir soru sormayı öneriyorum: İşin hangi kısımları daha kolay, daha güvenli ve daha güvenilir hale gelmeli? Otomasyonun en yararlı role sahip olduğu yer burasıdır.

Hayat kalıplarla konuşur. Bir protein, bir amino asit zinciri olarak yazılır. DNA, hücrelerin nasıl büyüdüğünü ve tepki verdiğini yönlendiren dizileri taşır. Tıbbi kayıtlar notları, test sonuçlarını ve zaman çizelgelerini içerir. Bu veri biçimleri farklı görünse de ortak bir özelliğe sahiptirler: anlam genellikle bir parça ile diğer birçok parça arasındaki ilişkiye bağlıdır. Transformatör modellerinin resme girdiği yer burasıdır. Transformatörleri kalıp okuyan sistemler olarak görüyorum. İnsani anlamda “hayatı anlamıyorlar”. Büyük biyolojik veya tıbbi veri koleksiyonlarını inceliyorlar ve hangi öğelerin bir arada görünme eğiliminde olduğunu öğreniyorlar. Bu, araştırmacıların daha iyi sorular sormasına, olasılıkları karşılaştırmasına ve bilgileri sıralamak için harcadığı zamanı azaltmasına yardımcı olabilir. Değer, bir modelin bilimsel yargının yerini alabileceği vaadinden değil, süreçten gelir. ## Bir transformatör biyolojik verilerde ne görür? Bir transformatör, verileri bir dizi belirteç olarak okur. Dilde bir simge bir sözcük ya da sözcüğün bir parçası olabilir. Biyolojide bu bir DNA bazı, bir amino asit, bir hücre tipi veya tıbbi bir notun bir bölümü olabilir. Model daha sonra dizi boyunca ilişkileri inceler. Kısa bir DNA segmenti kendisinden uzaktaki bir bölgeyi etkileyebilir. Bir proteinin başlangıcına yakın bir amino asit, daha sonraki bir bölümün şeklini etkileyebilir. Bir ziyarette kaydedilen bir semptom, daha önceki test sonuçlarıyla birlikte bakıldığında daha anlamlı olabilir. Transformers bu bağlantıları geniş ölçekte inceleyebilir. Girdinin farklı bölümlerine farklı düzeylerde odak atamak için dikkat mekanizmalarını kullanırlar. Model her sembolü eşit derecede faydalı olarak ele almaz. Bu yaklaşım dil modellerini biyoloji için yararlı hale getirmiştir çünkü biyolojik diziler aynı zamanda yapı, tekrar ve bağlam da içerir. ## Transformatörler proteinlerin kodunu çözmeye nasıl yardımcı olur? Proteinler amino asitlerden oluşur. Sıraları, nasıl katlandıklarını ve diğer moleküllerle nasıl etkileşime girdiklerini etkiler. Araştırmacılar, büyük protein dizisi veritabanları üzerinde bir modeli eğitebilirler. Model, her dizi için bir etikete ihtiyaç duymadan kalıpları öğrenir. Eksik veya alışılmadık bir parça gördüğünde, çevredeki bağlama göre neyin uygun olabileceğini tahmin ediyor. Bu, modelin bir proteinin tam işlevini bildiği anlamına gelmez. Dizi tahmini bir laboratuvar sonucu değil, bir araştırma ipucudur. Protein dili modelleri aşağıdaki gibi görevleri destekleyebilir: - İlgili protein dizilerini karşılaştırmak - Olası işlevsel bölgeleri bulmak - Bazı dizi değişikliklerinin etkisini tahmin etmek - Proteinleri paylaşılan modellere göre gruplamak - Laboratuvar testleri için adayları seçmek Pratik bir örnek, Meta'daki araştırmacılar tarafından geliştirilen bir protein dili modelleri ailesi olan ESM'dir. Bu modeller geniş protein dizileri koleksiyonları üzerinde eğitildi. Çıktıları, bir protein sınırlı deneysel bilgiye sahip olsa bile, bilim adamlarının protein yapısını ve işlevini incelemesine yardımcı olabilir. Laboratuvar hâlâ önemli. Bir model, hangi adayların ilgiyi hak ettiğini ortaya koyabilir, deneyler ise tahminin geçerli olup olmadığını test eder. ## Transformatörler genetik bilgiyi nasıl okur? Genomik veriler basit bir kullanım kılavuzu değildir. Aynı dizi, hücre tipine, zamanlamaya ve çevredeki sinyallere bağlı olarak farklı davranabilir. Araştırmacılar, aşağıdaki gibi alanları incelemek için transformatör tabanlı modeller kullanır: - Gen ifadesi - Düzenleyici DNA - Mutasyon etkileri - Hücre tipi farklılıkları - Genomik bölgeler arasındaki ilişkiler Bir model, bir dizinin belirli bir biyolojik aktiviteyle bağlantılı olup olmadığını tahmin etmek için eğitilebilir. Ayrıca örnekleri karşılaştırabilir ve daha fazla çalışmayı hak eden modelleri belirleyebilir. Bunun bir örneği, Google'daki araştırmacılar ve ortak kurumlar tarafından DNA dizisinin gen ifadesiyle nasıl ilişkili olabileceğini incelemek için oluşturulan bir model olan Enformer'dır. Çalışması, bir modelin yalnızca yakındaki küçük bir bölgeye bakmak yerine genomik bağlamın uzun bölümlerini nasıl inceleyebileceğini gösteriyor. Sonuç bir teşhis değildir. Test edilebilir bir araştırma sorusu oluşturmanın bir yoludur. ## Transformatörler tıbbi kayıt analizini nasıl destekler Tıbbi bilgiler genellikle birçok yere yayılır. Bir hastanın test sonuçları bir sistemde, notları başka bir sistemde ve ilaç ayrıntıları ayrı bir kayıtta bulunabilir. Bir dönüştürücü, aşağıdakileri tanımlayarak bu bilgilerin düzenlenmesine yardımcı olabilir: - Tarihler ve olaylar - İlaçla ilgili bilgiler - Belirtiler - Test sonuçları - Tedavi değişiklikleri - Ziyaretler arasındaki ilişkiler Bu, onaylanmış araştırma veya idari görevler için manuel sıralamayı azaltabilir. Böyle bir sistemi nihai karar verici olarak değil, okuma asistanı olarak kullanırdım. Bir klinisyenin kaynak notu kontrol etmesi, tarihi onaylaması ve hasta bağlamının tamamını gözden geçirmesi gerekebilir. Bir model, olumsuzlamayı kaçırabilir, stenoyu yanlış anlayabilir veya yalnızca ilişkili görünen iki olayı birbirine bağlayabilir. Örneğin bir notta şöyle denebilir: "Hasta göğüs ağrısını inkar ediyor." Dikkatsiz bir sistem "göğüs ağrısını" doğrulanmış bir semptom olarak ele alabilir. İyi testler, araç klinik iş akışında kullanılmadan önce bu hataları ölçmelidir. ## Bir yaşam bilimi transformatörünü değerlendirmenin pratik bir yolu Açık bir süreç izlerdim. ### 1. Araştırma sorusunu tanımlayın "Yapay zeka ne yapabilir?" sorusuyla başlamaktan kaçının. Daha dar bir soru sorun: - Model, protein ailelerini sınıflandırabilir mi? - Olası gen düzenleme modellerini tanımlayabilir mi? - Klinik notları olaya göre düzenleyebilir mi? - Laboratuvar adaylarının seçilmesine yardımcı olabilir mi? Dar bir soru, sonucun test edilmesini kolaylaştırır. ### 2. Veri kaynağını kontrol edin Model, eğitim verilerinden öğrenir. Veriler eksikse, eskiyse, önyargılıysa veya kötü etiketlenmişse çıktı da aynı sorunları taşıyabilir. Şunları kaydederdim: - Verilerin nereden geldiğini - Hangi grupları veya örnekleri temsil ettiğini - Hangi bilgilerin eksik olduğunu - Etiketlerin nasıl oluşturulduğunu - Özel verilerin güvenli bir şekilde işlenip işlenmediğini Biyolojik verilerin de dikkatli işlenmesi gerekir çünkü genetik bilgiler hassas olabilir. ### 3. Bir karşılaştırma noktası oluşturun Bir model, basit bir yöntemle, mevcut bir araçla veya uzman incelemesiyle karşılaştırılmalıdır. Bu, yararlı bir sorunun yanıtlanmasına yardımcı olur: Transformatör değer katıyor mu, yoksa yalnızca karmaşıklığı mı artırıyor? Temel bir istatistiksel model, küçük ve temiz bir veri kümesi için iyi sonuç verebilir. Dizi uzun olduğunda ve ilişkiler uzak konumlara yayıldığında bir transformatör daha kullanışlı olabilir. ### 4. Modelin görmediği verilerle test edin Eğitim verilerinin güçlü bir sonucu, yeni örnekler hakkında çok az şey söylüyor. Verileri eğitim, doğrulama ve test gruplarına ayırırdım. Tıbbi veya genetik çalışmalar için farklı popülasyonlar, kurumlar ve örnek koşullar arasındaki performansı da kontrol ederim. Bir hastanede çalışan model, yazı stilleri, ekipmanlar ve hasta grupları farklılık gösterdiği için diğer hastanede farklı performans gösterebilir. ### 5. Hataları türüne göre inceleyin Ortalama bir puan, ciddi hataları gizleyebilir. Şunları inceleyeceğim: - Yanlış pozitifler - Yanlış negatifler - Eksik değerler - Nadir koşullar - Olağandışı sıralar - Çakışan kayıtlar Amaç, her çıktının kendinden emin görünmesini sağlamak değildir. Amaç, sistemin ne zaman yararlı olduğunu ve bir kişinin onu ne zaman gözden geçirmesi gerektiğini anlamaktır. ## İnsanların hala önemli olduğu yerde Transformers, kalıpları tek bir kişinin yönetmesinin zor olduğu bir ölçekte işleyebilir. Alan bilgisi ihtiyacının yerini almazlar. Bir biyolog hangi sonucun test edilmeye değer olduğunu bilir. Bir klinisyen hastanın durumunu ve geçmişini inceler. Bir genetik danışman belirsizliği ve olası kişisel etkileri açıklar. Bir veri uzmanı, modelin gerçek bir sinyali mi yoksa gizli bir kısayolu mu öğrendiğini kontrol eder. Sınırlar gösterdikleri, izlenebilir girdiler sağladıkları ve inceleme sürecine uydukları zaman bu sistemlere daha çok güveniyorum. Bağlamı olmayan bir tahmin, insanları yanlış yöne yönlendirebilir. Bir transformatörün en iyi kullanımı genellikle sessizdir. Bir araştırmacının listeyi binlerce diziden daha küçük bir gruba daraltmasına yardımcı olabilir. Bir ekibin geniş bir kayıt kümesinde ilgili notları bulmasına yardımcı olabilir. Bir kişinin yerleşik yöntemlerle test edebileceği bir modeli ortaya çıkarabilir. Bu, "hayatın şifresini çözmek" konusunda daha yararlı bir görüştür. Transformatörler biyolojiyi basit cevaplara dönüştürmezler. İnsanların, elle incelenmesi zor olan veriler içindeki ilişkileri incelemelerine yardımcı olurlar. Soru açık olduğunda, veriler kontrol edildiğinde, sonuçlar test edildiğinde ve insan yargısı sürecin bir parçası olarak kaldığında çıktıları değerli hale gelir.

Çoğu kişi yapay zekayı e-posta yazan, soruları yanıtlayan veya görseller oluşturan bir araç olarak görüyor. Daha yararlı bir şey görüyorum: Yapay zeka, meşgul olduğumda, dikkatim dağıldığında veya bir soruna çok yakın olduğumda fark edilmesi zor olan kalıpları ortaya çıkarabilir. Bu gizli güç daha fazla kelime üretmekten gelmiyor. Bilgileri karşılaştırmama, fikirleri test etmeme, boşlukları tespit etmeme ve belirsiz düşünceleri sonraki adımlara dönüştürmeme yardımcı oluyor. Değer onu nasıl kullandığıma bağlıdır. Zayıf bir istem genellikle zayıf bir sonuç yaratır. Açık bir hedef, faydalı bir bağlam ve insan tarafından yapılan inceleme, yapay zekayı pratik bir düşünme ortağına dönüştürebilir. ### Yapay zeka bana neyi kaçırdığımı gösterebilir Bir proje üzerinde çalışırken genellikle önümdeki göreve odaklanırım. Bir ürün sayfasını düzenleyebilir, müşterilerin sorularını yanıtlayabilir veya bir pazarlama kampanyası planlayabilirim. Yapay zeka aynı materyali farklı bir açıdan inceleyebilir. Şunu sorabilirim: - Yeni bir müşterinin aklında hâlâ hangi sorular olabilir? - Hangi kısımlar belirsiz görünüyor? - Hangi bilgiler eksik? - Bir alıcı ne gibi itirazlarda bulunabilir? - Hangi iddiaların kanıtlanması gerekiyor? - Mesajın neresi çok geniş görünüyor? Bu istemler yapay zekanın nihai kararı vermesini gerektirmez. Kör noktaları aramasını istiyorlar. Küçük bir işletme sahibi, bir hizmet sayfasını yayınlamadan önce bu yöntemi kullanabilir. Sayfa hizmeti iyi açıklayabilir ancak teslimat süresi, destek, ödeme veya satın alma sonrasında ne olacağı hakkında hiçbir şey söylemez. Müşteri bu boşlukları hızla fark eder. Hizmet tanıdık geldiğinden, sahibi bunları fark etmeyebilir. Yapay zeka dışarıdan bir okuyucu gibi davranabilir. Müşteri araştırmasının yerini almaz ancak daha iyi soruların hazırlanmasına yardımcı olabilir. ### Yapay zeka, dağınık notları yararlı bir yapıya dönüştürebilir. Fikirleri genellikle farklı yerlerden toplarım: telefon notu, toplantı belgesi, e-posta dizisi ve e-tablo. Bilgi faydalı olabilir ancak şekli görmek zordur. Yapay zeka, materyali aşağıdaki gibi temalar halinde gruplandırabilir: - Tekrarlanan müşteri sorunları - Yaygın ürün talepleri - Yanıtlanması gereken sorular - Ertelenebilecek görevler - İnsan tarafından incelenmesi gereken riskler - Daha fazla kanıt gerektirebilecek fikirler Örneğin, küçük bir çevrimiçi mağaza bir haftada yirmi müşteri mesajı alabilir. Birçok müşteri aynı sorunu tanımlamak için farklı kelimeler kullanabilir: "Siparişim nerede?" “Teslimatı takip edebilir miyim?” ve "Paketim gönderildi mi?" Yapay zeka, bu mesajları teslimat güncellemeleri gibi tek bir konu altında gruplandırabilir. Mağaza sahibi daha sonra sipariş e-postasını iyileştirebilir, takip bölümü ekleyebilir veya yardım sayfasını güncelleyebilir. Faydası sadece hız değil. Sahibi, tekrarlanan bir sorunun bir süreç sorununa işaret edebileceğini görebilir. ### Yapay zekaya bir rol verdiğimde daha kullanışlı hale gelir Geniş bir istek genellikle geniş bir yanıt üretir. "Bu sayfayı geliştir" yapay zekaya çok az yön verir. Daha iyi bir istek hedef kitleyi, hedefi ve sınırları açıklar. Şunu yazabilirim: > Bu ürün sayfasını ilk kez müşteri olarak inceleyin. Açık olmayan iddiaları, eksik ayrıntıları ve satın alma işlemini durdurabilecek soruları belirleyin. Henüz sayfayı yeniden yazmayın. Her konuya kısa bir açıklama verin. Bu istem net bir görev oluşturur. Daha sonra ikinci bir geçiş isteyebilirim: > Teknik geçmişi olmayan bir okuyucu için sayfayı yeniden yazın. Gerçek iddiaları değiştirmeden tutun. Kısa paragraflar, sade bir İngilizce ve sakin bir ton kullanın. İki aşamalı yaklaşım, bir kerede tam bir yeniden yazma talebinde bulunmaktan daha iyi sonuç verir. Herhangi bir değişikliği kabul etmeden önce sorunları inceleyebilirim. Bilgi istemine dahil edilecek yararlı ayrıntılar şunlardır: 1. Hedef okuyucu 2. İçeriğin amacı 3. Kaynak bilgisi 4. Üslup 5. Format 6. Sınırlar 7. İnsan onayı gerektiren noktalar Ne kadar alakalı bağlam sağlarsam, varsayımları düzeltmek için o kadar az zaman harcarım. ### Yapay zeka, ben zaman ayırmadan önce fikirleri test edebilir Birçok fikir, tek başıma düşündüğümde kulağa hoş geliyor. Hızlı bir inceleme, ben para harcamadan veya personelin zamanını harcamadan önce zayıf noktaları ortaya çıkarabilir. Yapay zekadan bir fikri çeşitli roller açısından incelemesini isteyebilirim: - Sınırlı zamanı olan bir müşteri - Şikayetleri yanıtlaması gereken bir destek çalışanı - Maliyetleri kontrol eden bir finans yöneticisi - Teslimat risklerini inceleyen bir yönetici - Teklifi karşılaştıran bir rakip - Sektör şartlarını anlamayan bir kişi Bu yöntem, ödünleşimleri görmeme yardımcı oluyor. Haftalık kahve dağıtımı için abonelik planlayan bir kafe düşünün. Bu fikir düzenli müşterilerin ilgisini çekse de teslimat alanları, atlanan haftalar, geri ödemeler, paketleme ve ödeme değişiklikleri hakkında soru işaretleri yaratıyor. Yapay zeka, kafe sistemi kurmadan önce bu soruları listeleyebilir. İşletmenin hâlâ müşteri geri bildirimlerine ve mali kontrollere ihtiyacı var. Yapay zeka yalnızca daha geniş bir inceleme oluşturmaya yardımcı olur. ### Yapay zeka müşteri dilindeki kalıpları bulabilir Müşteri ifadeleri yararlı sinyaller içerir. İnsanlar bir şirketle aynı terimi kullanamazlar. Bir işletme, bir ürünü "ev enerji izleme" olarak tanımlayabilir, müşteriler ise "elektrik faturamı nasıl düşürebilirim" diye arama yapabilir. Bir web sitesi yalnızca ticari ifadeler kullanıyorsa, insanların yardıma ihtiyaç duyduklarında kullandıkları dili gözden kaçırabilir. Yapay zekadan müşteri incelemelerini, destek mesajlarını ve arama sorgularını incelemesini isteyebilirim. Görev tekrarlanan kelimelere, endişelere ve istenen sonuçlara odaklanabilir. Basit bir istem şu şekilde olabilir: > Bu müşteri yorumlarını soruna, istenen sonuca ve duygusal kaygıya göre gruplandırın. Doğrudan alıntıları yorumunuzdan ayrı tutun. Bu ayrım önemlidir. Doğrudan alıntı, bir kişinin ne söylediğini gösterir. Yorum olası bir anlamdır. İkisini karıştırmak kötü kararlara yol açabilir. Sonuçlar sayfa başlıkları, yardım makaleleri, ürün açıklamaları veya destek komut dosyaları konusunda yardımcı olabilir. İddiaların yine de gerçek ürünle karşılaştırılarak kontrol edilmesi gerekiyor. ### Yapay zekanın sınırlara ihtiyacı vardır Yapay zeka, hata içeren kendinden emin bir yanıt üretebilir. Ayrıca bir kaynak uydurabilir, bir isteği yanlış anlayabilir veya bir belgede gizlenmiş bir ayrıntıyı gözden kaçırabilir. Kısa bir inceleme süreci kullanıyorum: - İsimleri, tarihleri, şekilleri ve bağlantıları kontrol edin. - İddiaları orijinal kaynakla karşılaştırın. - Desteklenemeyecek vaatleri kaldırın. - Belirsizliğin işaretlenmesini isteyin. - Özel müşteri ve iş verilerini koruyun. - Yayınlamadan önce tonu gözden geçirin. - Son mesajı gerçek bir okuyucuyla test edin. Ayrıca yapay zekanın, nitelikli insan incelemesi olmadan hukuki, tıbbi, mali veya kişisel muhakeme gerektiren kararlar vermesini istemekten de kaçınıyorum. Düzgün bir cevap, cevabın güvenli veya doğru olduğunun kanıtı değildir. ### Benim pratik görüşüm yapay zekanın gizli süper gücü her şeyi bilmesi değil. Yararlı rolü ikinci bir çift göze daha yakındır. Ben yargıya ve sorumluluğa odaklanırken bilgileri karşılaştırabilir, gruplandırabilir, sorgulayabilir ve yeniden şekillendirebilir. Yapay zekayı üç noktada kullandığımda daha iyi sonuçlar alıyorum: Başlamadan önce, bilgiyi organize ederken ve yayınlamadan veya harekete geçmeden önce. Her noktada ona dar bir görev veriyorum ve sonucu kendim kontrol ediyorum. En güçlü iş akışı "Yapay zekanın her şeyi yapmasına izin vermek" değildir. Bu, "Yapay zekanın daha fazla fark etmeme, daha iyi bilgilerle karar vermeme ve daha az kafa karışıklığıyla iletişim kurmama yardımcı olmasına izin verin."

Öğrenen makinelerin araştırma laboratuvarlarına ve büyük teknoloji şirketlerine ait olduğunu düşünürdüm. Daha sonra bunları günlük rutinimde fark ettim: e-postaları sıralayan spam filtreleri, seyahat süresini tahmin eden harita uygulamaları, program öneren akış hizmetleri ve sıra dışı işlemleri kontrol eden bankalar. Makine öğrenimi bir insan gibi düşünen bir makine değildir. Verileri inceleyen, kalıpları bulan ve bu kalıpları bir tahminde bulunmak veya karar vermek için kullanan bir sistemdir. Çıktının kalitesi verilere, hedefe ve insanların onu izleme şekline bağlıdır. ## Bir makinenin öğrenmesi ne anlama gelir? Geleneksel bir bilgisayar programı, geliştirici tarafından yazılan kurallara uyar. Örneğin: - Bir e-posta belirli bir kelimeyi içeriyorsa onu spam olarak işaretleyin. - Bir müşteri belirlenen tutarın üzerinde harcama yaparsa bir uyarı gönderin. - Sıcaklık belirli bir sınırı aşarsa makineyi durdurun. Bir makine öğrenimi sistemi farklı bir yol izler. İnsanlar buna örnekler veriyor ve sistem bu örneklerden bir model oluşturuyor. Bir spam filtresi, "spam" veya "spam değil" olarak etiketlenen birçok e-postayı inceleyebilir. İstenmeyen postalarda sıklıkla belirli kelime, bağlantı, gönderen ayrıntıları ve mesaj kalıpları kombinasyonlarının göründüğünü öğrenebilir. Yeni bir e-posta geldiğinde sistem bu e-postanın hangi gruba ait olduğunu tahmin eder. Makine her mesajı bir kişinin anladığı şekilde anlamıyor. Desenlere dayalı bir sonuç hesaplar. ## İşletmeler neden makine öğrenimini kullanıyor? Şirketlerin büyük miktarlarda bilgi topladıklarını ancak bunları iyi kullanmakta zorlandıklarını sıklıkla görüyorum. Bir satış ekibinin yıllarca satın alma kayıtları, destek mesajları, web sitesi ziyaretleri ve ürün incelemeleri olabilir. Bir makine öğrenimi modeli, bu bilgilerin bir kısmının yararlı sinyallere dönüştürülmesine yardımcı olabilir. Yaygın kullanımlar şunları içerir: - Ürün talebini tahmin etmek - Müşteri isteklerini sıralamak - Olağandışı ödemeleri tespit etmek - İçerik önermek - Görünür kusurlar için görselleri kontrol etmek - Teslimat sürelerini tahmin etmek - Müşteri hizmetleri ekiplerini desteklemek - İncelenmesi gerekebilecek ekipmanı belirlemek Örneğin bir perakendeci geçmiş satışları, hava durumu verilerini, tatilleri ve yerel satın alma modellerini inceleyebilir. Model, her mağazanın kaç ürüne ihtiyaç duyabileceğini tahmin etmeye yardımcı olabilir. Özellikle olağandışı bir olay talebi etkilediğinde, nihai tedarik kararlarını personel yine de verir. ## Müşteri hizmetlerinden basit bir örnek Her gün yüzlerce destek mesajı alan bir çevrimiçi mağazayı yönettiğimi hayal edin. Müşteriler aşağıdakileri sorabilir: - Teslimat durumu - İadeler - Ürün kurulumu - Ödeme sorunları - Hasarlı ürünler Bir makine öğrenimi aracı bu mesajları kategorilere ayırabilir. Teslimatla ilgili soruları nakliye ekibine, ödemeyle ilgili soruları ise faturalandırma ekibine gönderebilir. Böylece bir destek çalışanı her mesajı açmaya ve etiketlemeye daha az zaman harcayabilir. Bu, insan desteğine olan ihtiyacı ortadan kaldırmaz. Bir mesaj birçok sorun içerebilir, net olmayan bir dil kullanabilir veya hassas bir durumu tanımlayabilir. Sistem yanlış kategoriyi atayabilir. Bir inceleme sürecini sürdürür ve personelin sonuçları düzeltmesine izin verirdim. Bu düzeltmeler yeni eğitim verileri haline gelebilir ancak kişisel bilgilerin dikkatli kullanılması gerekir. ## Bir makine öğrenimi projesi nasıl çalışır Yararlı bir proje genellikle net bir iş sorusuyla başlar. ### 1. "Yapay zeka kullanmak istiyorum" görevini tanımlayın çok geniş. Daha net bir soru şu olabilir: - Hangi müşterilerin kurulum konusunda yardıma ihtiyacı olabilir? - Hangi faturalar olağandışı ayrıntılar içeriyor? - Gelecek ay hangi ürünler daha az satılabilir? - Hangi destek bildirimlerinin insani bir yanıta ihtiyacı var? Görev, birisinin halihazırda vermesi gereken bir kararla bağlantılı olmalıdır. ### 2. Uygun verileri toplayın Veriler göreve uygun olmalıdır. Teslimat süresini tahmin etmek istersem şunlara ihtiyacım olabilir: - Geçmiş teslimat kayıtları - Mesafe - Nakliye yöntemi - Sipariş boyutu - Hava koşulları - Depo konumu - Teslimat alanı Büyük bir veri kümesi kullanışlı bir modeli garanti etmez. Eksik kayıtlar, yanlış etiketler, mükerrer girişler ve eski bilgiler sonucu etkileyebilir. ### 3. Bilgileri hazırlayın Kişilerin yinelenen kayıtları kaldırması, bariz hataları düzeltmesi ve eksik değerleri ele alması gerekebilir. Metnin sistemin işleyebileceği bir formata dönüştürülmesi gerekebilir. Resimler tutarlı boyutlar ve etiketler gerektirebilir. Bu aşama genellikle insanların beklediğinden daha fazla çaba gerektirir. Bir model verileri hızlı bir şekilde işleyebilir ancak her hatalı veri kararını tek başına onaramaz. ### 4. Modeli eğitin Sistem örnekleri inceler ve dahili ayarlarını yapar. Amaç sadece görmüş olduğu örnekleri tekrarlamak değil, yeni veriler üzerinde de çalışabilecek bir model oluşturmaktır. Örneğin, hasarlı paketleri tespit etmek üzere eğitilmiş bir model, birçok paket görüntüsünü farklı açılardan ve aydınlatma koşullarından incelemelidir. Her eğitim görüntüsü bir depodan ve bir kameradan geliyorsa model başka bir konumda daha az iyi performans gösterebilir. ### 5. Sonuçları test edin Modeli, eğitim sırasında kullanmadığı verilerle test ederdim. Yararlı sorular şunları içerir: - Model ne sıklıkla doğrudur? - Hangi tür hatalar görünüyor? - Farklı müşteri grupları için çalışıyor mu? - Kaç tane yanlış uyarı yaratıyor? - Veriler eksik olduğunda ne olur? - Çalışanlar tavsiyenin nedenini anlayabiliyor mu? Tek bir puan tüm hikayeyi anlatmaz. Dolandırıcılık tespitinde yanlış uyarı geçerli bir ödemeyi geciktirebilir. Kaçırılan bir vaka, şüpheli bir işlemin geçmesine izin verebilir. Doğru önlem her hatanın maliyetine bağlıdır. ### 6. Lansmandan sonra sistemi izleyin Müşteri davranışı, ürünler, fiyatlar veya pazar koşulları değiştikçe bir modelin değeri değişebilir. Eski satın alma alışkanlıklarına dayalı bir talep modeli, büyük bir ürün değişikliğinden sonra zorluk yaşayabilir. Ödeme davranışı değiştiğinde dolandırıcılık modelinin gözden geçirilmesi gerekebilir. Kullanıcılar yazma şeklini değiştirdikçe bir dil modeli farklı tepki verebilir. Performansı izler, kullanıcı geri bildirimlerini kaydeder ve inceleme için net bir süreç belirlerdim. Makine öğrenimi tek seferlik bir kurulum değil, çalışan bir sistemdir. ## Pratik bir örnek: makine bakımı Bir fabrika titreşimi, ısıyı, basıncı ve çalışma süresini kaydetmek için sensörler kullanabilir. Bir makine öğrenimi modeli bu sinyalleri geçmiş bakım kayıtlarıyla karşılaştırabilir. Motorun servise ihtiyaç duymasından önce belirli modeller ortaya çıkarsa sistem, benzer modeller tekrar meydana geldiğinde teknisyeni uyarabilir. Uyarı motorun arızalanacağını kanıtlamaz. Ekibe ekipmanı denetlemek için bir neden verir. Bu, bir kişiyi karara dahil ederken beklenmedik kesinti sürelerinin azaltılmasına da yardımcı olabilir. Sonuç, sensör kalitesine ve bakım kayıtlarına bağlıdır. Teknisyenler daha önceki arızaları doğru bir şekilde kaydetmemişse, modelin öğrenebileceği daha az yararlı bilgi olur. ## Öğrenen makineler başarılı olamaz Makine öğreniminin, bir proje başlamadan önce tartışılması gereken sınırları vardır. Bir model şunları yapabilir: - Eski verilerdeki adil olmayan kalıpları tekrarlayabilir - Yanlış ve kendinden emin bir cevap üretebilir - Nadir olaylarla mücadele edebilir - Belirsiz dili yanlış okuyabilir - Testlerde iyi çalışabilir, ancak günlük kullanımda zayıf olabilir - Toplanması zor verilere güvenebilir - Bilgi dikkatsizce ele alınırsa gizlilik riskleri oluşturabilir Bir tahmine gerçekmiş gibi davranmıyorum. Bunu bir karar için bir girdi olarak ele alıyorum. Bu yaklaşım, işe alma, borç verme, sağlık hizmetleri, eğitim ve yanlış bir sonucun kişinin hayatını etkileyebileceği diğer alanlarda önemlidir. İnsanların incelemesi, net kayıtlar ve bir karara itiraz etme yolu, süreci daha güvenli hale getirebilir. ## Bir makine öğrenimi projesi nasıl seçilir Net bir sonucu ve güvenilir bir veri kaynağı olan küçük bir görevle başlardım. İyi bir başlangıç ​​projesi şunları yapabilir: - Tekrarlanan sınıflandırma işlerini azaltabilir - Personelin bilgi bulmasına yardımcı olabilir - Ölçülebilir bir iş faaliyetini tahmin edebilir - Denetimi veya kalite kontrollerini destekleyebilir - Çalışanların inceleyebileceği öneriler sunabilir Kötü bir başlangıç ​​projesi belirsiz hedeflere, sınırlı verilere veya gözden geçirilmeden kişisel muhakeme gerektiren kararlara bağlı olabilir. Ekip herhangi bir şey inşa etmeden önce başarı konusunda anlaşmaya varmalıdır. Personel zamanından tasarruf etmek, hataları azaltmak, yanıt hızını artırmak veya müşterilerin ilgili bilgileri bulmasına yardımcı olmak olası önlemlerdir. Tedbir kontrol edilecek kadar spesifik olmalıdır. ## Öğrenen makinelere bakış açım Makine öğreniminin en güçlü kullanımı, her insan görevinin değiştirilmesiyle ilgili değildir. İnsanların kalıpları fark etmelerine, tekrarlanan işleri halletmelerine ve daha iyi bilgilerle kararlar almalarına yardımcı olmakla ilgilidir. İnsanlar hâlâ hedefi belirliyor. İnsanlar verileri seçer. İnsanlar hataları kontrol eder. Çıktının duruma uygun olup olmadığına insanlar karar verir. Bir makine öğrenimi sistemini değerlendirirken üç basit soru sorarım: 1. Hangi sorunu çözüyor? 2. Hangi bilgileri kullanıyor? 3. Sonuç yanlış olduğunda kişi ne yapacaktır? Bu soruların net cevapları varsa proje daha iyi bir temele sahip demektir. Bunu yapmazlarsa, daha karmaşık bir model eklemek yalnızca sorunun görülmesini zorlaştırabilir.

Birçok insan için teknoloji hâlâ metal çerçeveler, devre kartları, piller ve ekranlar anlamına geliyor. Her gün bunun başka bir yönünü görüyorum: insanların çalışmasına, iletişim kurmasına, öğrenmesine ve küçük sorunları daha az çabayla çözmesine yardımcı olan kısım. Bir cihaz masa üzerinde etkileyici görünebilir ancak değeri, açıldıktan sonra ne olduğuna bağlıdır. Zamandan tasarruf edebilir mi? İnsanlar bunu uzun bir eğitim almadan kullanabilir mi? Günlük rutinlere uyuyor mu? Bu sorular ürünün şeklinden daha önemlidir. İyi teknolojinin heyecan verici olmadan önce faydalı olması gerektiğine inanıyorum. Gerçek bir sorunu çözen bir ürün Yeni bir ürünü değerlendirirken kullanıcının rutiniyle başlarım. Küçük işletme sahibinin gelişmiş ayarlarla dolu bir sisteme ihtiyacı olmayabilir. Tek bir yerden siparişleri takip etmek, müşteri sorularını yanıtlamak ve stokları kontrol etmek için basit bir yola ihtiyaç duyabilirler. Bir öğretmenin en güçlü tablete ihtiyacı olmayabilir. Güvenilir bir ekrana, kolay dosya paylaşımına ve farklı öğrenme ihtiyaçları olan öğrencileri destekleyen araçlara ihtiyaç duyabilirler. Teknolojinin metal ve devrelerin ötesine geçtiği yer burasıdır. Fiziksel ürün deneyimin yalnızca bir parçasıdır. Diğer kısımlar yazılım, servis, eğitim, güvenlik ve desteği içerir. Kullanışlı bir ürün kullanıcının zamanına saygı gösterir. İnsanları asla kullanamayacakları özellikleri öğrenmeye zorlamaz. İnsan davranışını takip eden tasarım İnsanların sadece söylediklerine değil, yaptıklarına da çok dikkat ediyorum. Bir müşteri birçok seçenek istediğini iddia edebilir. Ürünü kullanırken çok fazla seçenek onları yavaşlatabilir. Anlaşılır bir menü, okunabilir metin ve basit talimatlar çoğu zaman uzun bir işlev listesinden daha iyi bir deneyim yaratır. Bir zamanlar satış kayıtları, müşteri mesajları ve stok güncellemeleri için ayrı araçlar kullanan küçük bir perakende ekibiyle çalışmıştım. Personel her günün bir kısmını bir sistemden diğerine bilgi kopyalayarak geçirdi. Sorun teknoloji eksikliği değildi. Sorun, araçlar arasındaki bağlantının zayıf olmasıydı. Ekip daha basit bir iş akışına geçtikten sonra çalışanlar normal görevler sırasında kayıtları güncelleyebildi. Aynı bilgileri birkaç kez girmelerine gerek kalmadı. Değişiklik dışarıdan bakıldığında dramatik değildi ancak kafa karışıklığını azalttı ve ekibe müşterilerle konuşmak için daha fazla zaman kazandırdı. Bu deneyim benim görüşümü şekillendirdi: İyi teknoloji, bir süreçteki sürtünmeyi ortadan kaldırmalı, başka bir iş katmanı eklememelidir. Ürüne güven yerleştirilmelidir İnsanlar aynı zamanda bilgilerine ne olacağını da önemserler. Bağlı bir cihaz kullanım verilerini, konum ayrıntılarını, hesap bilgilerini veya ödeme kayıtlarını toplayabilir. Kullanıcılar neyin toplandığı ve buna neden ihtiyaç duyulduğu konusunda net bir açıklamayı hak ediyor. Kafa karıştırıcı sayfalarda arama yapmadan gizlilik ayarlarını bulabilmelidirler. Güvenlik sadece teknik bir konu değildir. Bu, müşteri hizmetlerinin bir parçasıdır. Bir şirket, güçlü hesap koruması kullanarak, yazılım güncellemeleri sağlayarak ve değişiklikleri sade bir dille açıklayarak güveni destekleyebilir. Ayrıca, kullanıcının bir sorunu olduğunda destek ekibiyle iletişime geçmesi için net bir yol da sunabilir. Hiçbir ürün her riski ortadan kaldıramaz. Dürüst iletişim, insanların bilinçli seçimler yapmasına yardımcı olur. Farklı kullanıcıları destekleyen teknoloji İnsanlar ürünleri farklı şekillerde kullanır. Bazılarının vizyonu sınırlıdır. Bazıları ekran okuyuculara güveniyor. Diğerleri ise altyazılara, ses kontrolüne, daha büyük metinlere veya sayfada daha az adıma ihtiyaç duyar. Erişilebilirlik, küçük bir grup için ekstra bir özellik olarak görülmemelidir. Genellikle herkesin deneyimini geliştirir. Ses girişi engelli bir kişiye yardımcı olabilir, ancak aynı zamanda yemek pişiren, güvenli bir şekilde araba kullanan veya kutu taşıyan birine de yardımcı olabilir. Ekiplerin bir hizmeti normal müşteri profillerinin dışındaki kişilerle test ederek iyileştirdiğini gördüm. Tasarım ekibine kolay görünen bir sayfa, eski telefonlara veya daha yavaş internet bağlantısına sahip kullanıcılar için zor hale geldi. Düzen ayarlandıktan sonra hizmetin müşteri tabanında kullanımı daha kolay hale geldi. Gerçek geri bildirimler genellikle şirket içi incelemelerin gözden kaçırdığı sorunları ortaya çıkarır. Daha iyi teknolojiyi seçmenin pratik bir yolu Ürünleri karşılaştırırken basit bir süreç kullanıyorum: 1. Sorunu tanımlarım. Geliştirilmesi gerekenleri yazıyorum. "Yeni yazılıma ihtiyacımız var" ifadesi çok geniş kapsamlıdır. "Manuel sipariş girişini azaltmamız gerekiyor" ekibe net bir hedef veriyor. 2. Gerçek kullanıcıları tespit ediyorum. Alıcı günlük kullanıcı olmayabilir. Bir yönetici sistemi seçebilir, çalışanlar ise her gün birkaç saat boyunca sistemle ilgilenir. Her iki grubun da söz sahibi olması gerekiyor. 3. Temel iş akışını test ediyorum. Kullanıcılardan ortak görevleri tamamlamalarını istiyorum. Bir hesap oluşturabilir, bir özellik bulabilir, bir hatayı düzeltebilir ve destek ekibiyle iletişime geçebilirler mi? Bu eylemler bir ürün broşüründen daha fazlasını gösterir. 4. Tam maliyeti kontrol ediyorum. Satın alma fiyatı bütçenin yalnızca bir kısmıdır. Eğitim, bakım, yükseltmeler, veri depolama ve destek toplam maliyeti etkileyebilir. 5. Veri ve güvenlik ayarlarını gözden geçiriyorum. Açık izin kontrolleri, güncelleme politikaları, yedekleme seçenekleri ve hesap koruması arıyorum. Bir ürün güvenli kullanımı kolaylaştırmalıdır. 6. Günlük kullanımı planlıyorum. Gösteri sırasında çalışan bir araç yoğun bir iş gününe uygun olmayabilir. Normal koşullar altında, gerçek dosyalar, gerçek kullanıcılar ve yaygın kesintilerle nasıl performans gösterdiğini kontrol ediyorum. Bu yaklaşım, yalnızca görünüme veya uzun bir özellik listesine dayalı bir ürün seçmekten kaçınmama yardımcı oluyor. Değer satın alma sonrasında da devam eder Ürün lansmanı, müşteri deneyiminin sonu değildir. Gerçek kullanımın başladığı nokta burasıdır. İnsanların net kurulum talimatlarına, faydalı yardım sayfalarına ve sorunu anlayan desteğe ihtiyacı var. Küçük iyileştirmeler büyük bir fark yaratabilir. Sade bir İngilizceyle yazılmış kısa bir kılavuz, uzun bir teknik belgeden daha fazla yardımcı olabilir. İyi tasarlanmış bir hata mesajı, destek talebini engelleyebilir. Şirketler yayınlandıktan sonra da dinlemeli. İncelemeler, destek biletleri ve kullanıcı görüşmeleri nelerin değişmesi gerektiğini ortaya çıkarabilir. Dürüst geri bildirimlerle iyileşen bir ürünün, müşteri ihtiyaçları geliştikçe faydalı kalma olasılığı daha yüksektir. Metal ve devrelerin ötesinde teknoloji insanların alışkanlıklarının bir parçası haline geliyor. Nasıl çalıştıklarını, öğrendiklerini, alışveriş yaptıklarını, seyahat ettiklerini ve başkalarıyla nasıl bağlantı kurduklarını etkiler. Bu rol sorumluluk getirir. Sorunu net bir şekilde çözen, kullanıcı bilgilerine saygı duyan, farklı ihtiyaçları destekleyen ve satın aldıktan sonra da pratik kalan ürünler ararım. En iyi seçim her zaman en fazla özelliğe sahip ürün değildir. Çoğu zaman insanların gereksiz çaba harcamadan anlayabileceği, güvenebileceği ve kullanabileceği bir şeydir.

Veriler çalışma, alışveriş yapma, seyahat etme ve karar verme şeklimi değiştiriyor. Küçük bir işletme hangi ürünlerin ilgi çektiğini öğrenebilir. Bir hastane hasta kalıplarını takip edebilir. Bir şehir trafiği inceleyebilir ve toplu taşımayı ayarlayabilir. Sorun veri miktarı değil. Buradaki zorluk, hangi verinin önemli olduğunu, nasıl kullanılacağını ve arkasındaki insanları nasıl koruyacağını bilmektir. Şirketlerin hiçbir zaman yararlı bir karara yol göstermeyen büyük raporlar topladıklarını gördüm. Aynı zamanda basit bir satış kaydı, müşterilerin belirli bir sezonda, belirli bir lokasyondan veya belirli bir sayfayı okuduktan sonra bir ürünü tercih ettiğini ortaya çıkarabilir. Bilgi net bir eyleme yol açtığında veri devrimi faydalı hale gelir. ### Ne değişti İşletmeler bir zamanlar anketlere, kağıt kayıtlara ve kişisel deneyime güveniyordu. Bu kaynaklar hâlâ değerlidir ancak yalnızca sınırlı bir görünüm sunarlar. Günümüzde bir şirket şunları toplayabilir: - Web sitesi ziyaretleri - Arama sorguları - Satın alma geçmişi - Müşteri hizmetleri mesajları - Ürün incelemeleri - Teslimat kayıtları - Mobil uygulama etkinliği - Sensör okumaları - Sosyal medya yanıtları Bu bilgiler, insanların yalnızca yapacaklarını söylediklerini değil, ne yaptıklarını da gösterebilir. Netflix tanıdık bir örnek sunuyor. Görüntüleme verileri, şirketin kullanıcıların ne izlediğini, izlemeyi ne zaman bıraktıklarını ve hangi tür içeriklerin dikkat çektiğini anlamasına yardımcı oluyor. Veriler yaratıcı çalışmanın yerini almaz. Ekiplere ne üreteceklerini, sergileyeceklerini veya tavsiye edeceklerini seçerken daha fazla bilgi verir. Yerel bir perakendeci aynı fikri daha küçük ölçekte kullanabilir. Ziyaretçilerin mağazayla iletişime geçmeden önce ürün kılavuzlarını okuduğunu fark edebilirim. Bu model, yalnızca daha fazla reklama değil, daha net ürün ayrıntılarına ihtiyaç duyulduğunu gösteriyor. ### Veri kullanımının ardındaki sıkıntılı noktalar Birçok işletme benzer sorunlarla karşı karşıyadır. Çeşitli araçlardan veri topluyorlar ancak sayılar eşleşmiyor. Bir satış platformu bir sonucu gösterirken bir reklam hesabı başka bir sonucu gösterebilir. Personel, müşterilere yardım etmek yerine rapor hazırlamak için saatler harcıyor. Bazı şirketler koruyabileceklerinden daha fazla bilgi de toplar. Müşteri adları, e-posta adresleri, ödeme ayrıntıları ve konum kayıtları dikkatli bir şekilde ele alınmayı gerektirir. Bir veri sızıntısı güvene zarar verebilir ve kalıcı maliyetlere neden olabilir. Kötü veri kalitesi başka bir risk oluşturur. Yanlış bir ürün kodu, eski bir müşteri kaydı veya eksik bir tarih, kötü bir karara yol açabilir. Zayıf bilgilere dayanan ayrıntılı bir rapor hâlâ zayıf rehberlik sağlıyor. Kimsenin anlamadığı büyük bir kontrol paneli yerine küçük bir dizi güvenilir önlemi tercih ederim. ### Verileri kullanmanın pratik bir yolu #### 1. Bir iş sorusuyla başlayın. Gerçek bir karara bağlanan bir soruyla başlıyorum. Örnekler arasında şunlar yer almaktadır: - Hangi ürün sayfaları sorgulara yol açıyor? - Müşteriler ödeme sırasında neden ayrılıyor? - En çok tekrarlanan rezervasyonları hangi hizmet alıyor? - Teslimat her bölgede ne kadar sürer? - En sık hangi destek sorunları ortaya çıkıyor? Açık bir soru projenin odaklanmasını sağlar. Ayrıca ekibin mevcut her şeyi toplamak yerine yararlı verileri seçmesine yardımcı olur. #### 2. Küçük bir ölçü grubu seçin Bir şirketin bir sorunu anlamak için düzinelerce rakama ihtiyacı yoktur. Bir çevrimiçi mağaza için yararlı önlemler şunları içerebilir: - Ürün sayfası ziyaretleri - Sepete ekleme işlemleri - Tamamlanan satın alma işlemleri - İade talepleri - Müşteri soruları - Tekrarlanan siparişler Bu sayılar, ilgiden satın alma ve satış sonrası hizmete kadar basit bir yol oluşturur. Bir hizmet işletmesi için soruları, yanıt süresini, alınan randevuları, iptalleri ve tekrar gelen müşterileri takip edebilirim. Doğru önlemler, alınan karara bağlıdır. #### 3. Bilginin kalitesini kontrol edin Bir rapora güvenmeden önce şunu sorarım: - Veriler güncel mi? - Yinelenen kayıtlar mevcut mu? - Önemli alanlar eksik mi? - Farklı sistemler aynı tanımları mı kullanıyor? - Kaynak kontrol edilebilir mi? Bir işletme "müşteriyi" sorgu gönderen herkes olarak tanımlayabilir. Bir diğeri yalnızca satın alma işlemini tamamlayan kişileri sayabilir. Her iki rakam da kendi sistemleri içerisinde doğru olabilir ancak karşılaştırma yanıltıcı olacaktır. Açık tanımlar birçok raporlama sorununu önler. #### 4. Verileri insan deneyimiyle bağlayın Sayılar kalıpları gösterir. Konuşmalar genellikle bunları açıklar. Sepeti terk etme oranının yüksek olması teknik bir soruna işaret edebilir. Müşteri mesajları teslimat ücretlerinin çok geç göründüğünü ortaya çıkarabilir. Tekrar satın alma oranının düşük olması, ürün kalitesi, net olmayan talimatlar veya yavaş destek ile ilgili olabilir. Raporları müşteri görüşmeleri, destek kayıtları ve ürün geri bildirimleriyle birleştirmeyi seviyorum. Bu, rakamlara yararlı bir bağlam sağlar. #### 5. Her seferinde bir değişikliği test edin Bir işletme, ödeme sayfasını iyileştirebilir, ürün bilgilerini yeniden yazabilir, bir formu kısaltabilir veya e-posta planını değiştirebilir. Birkaç değişiklik bir arada gerçekleştiğinde sonuca neyin sebep olduğunu bilmek zorlaşır. Basit bir test, eylem ve sonuç arasında daha net bir bağlantı oluşturur. Sonuç orijinal beklentiyle eşleşmeyebilir. Bu da yararlı bir bilgidir. Başarısız bir test, hangi yöne daha az dikkat edilmesi gerektiğini gösterdiğinde boşa giden bir çaba değildir. ### Veri gizliliği sürece rehberlik etmelidir İnsanlar, bilgilerinin neden toplandığını ve nasıl kullanılacağını bilmelidir. Bir işletme yalnızca net bir amaç için ihtiyaç duyduğu bilgileri talep etmelidir. İyi uygulama şunları içerir: - Hassas kayıtlara erişimi sınırlamak - Güçlü hesap güvenliği kullanmak - Artık iş amacına hizmet etmeyen verileri kaldırmak - Veri kullanımını sade bir dille açıklamak - Müşteri bilgilerini işleyen tedarikçileri kontrol etmek - Dikkatsiz paylaşımdan kaçınmak için personeli eğitmek Güven, müşteri deneyiminin bir parçasıdır. Sorunsuz bir uygulama, dikkatsiz veri kullanımından kaynaklanan hasarı onaramaz. İşletmelerin ayrıca kendi pazarları için geçerli olan gizlilik kurallarına uymaları gerekir. Bir şirket sağlık, finans, çocuk veya konum verilerini ele aldığında hukuki tavsiye yararlı olabilir. ### Küçük işletmeler nasıl yer alabilir? Veri devrimi, büyük teknoloji ekiplerine sahip küresel firmalarla sınırlı değildir. Küçük bir şirket bir elektronik tablo ve haftalık incelemeyle başlayabilir. Sahibi, her bir sorgunun kaynağını, talep edilen hizmeti, sonucu ve yanıt vermek için gereken süreyi kaydedebilir. Bir kafe, satışları saate ve ürün türüne göre karşılaştırabilir. Bir tamir atölyesi yaygın arızaları ve kullanılan parçaları kaydedebilir. Bir eğitim sağlayıcı, hangi ders sayfalarının en çok soruyu aldığını araştırabilir. Bu temel kayıtlar, günlük çalışmanın gizlediği kalıpları ortaya çıkarabilir. Her makalenin bir müşteri sorusunu yanıtladığı basit bir içerik planıyla çalıştım. Ekip, arama ziyaretlerini, sayfada geçirilen süreyi, soruları ve geri bildirimleri inceledi. Bazı sayfalar çok sayıda ziyaret aldı ancak çok az soru soruldu. Diğer sayfalar daha az trafik almasına rağmen okuyucuların bir hizmet seçmesine yardımcı oldu. Bu sonuç, ekibin odağını yalnızca ziyaretçi sayısından faydalı eylemlere çevirdi. ### Yaygın hatalardan kaçınmak Büyük veri projesi, hedef belirsiz olduğunda başarısız olabilir. Başka bir araç satın almak, asıl sorunu çözmeden daha fazla rapor oluşturulmasına neden olabilir. Bir işletme aynı zamanda zayıf müşteri uyumunu göz ardı ederek yüksek trafiğin peşinde koşabilir. Bir sayfa, hizmeti aramayan kişilerden çok sayıda ziyaret alabilir. Daha küçük ve alakalı bir kitlenin ilgisini çeken net içerik, daha iyi araştırmaları destekleyebilir. Bir diğer hata ise her modeli kanıt olarak ele almaktır. Satışlardaki artış mevsimsel bir olaydan, fiyat değişikliğinden, yeni bir tedarikçiden veya geçici pazar değişimlerinden kaynaklanabilir. Bir şirketin daha geniş planını değiştirmeden önce verilerin bağlama ihtiyacı vardır. Ayrıca personeli kontrol edemeyecekleri rakamlarla yargılamaktan da kaçınıyorum. Bir destek çalışanı, başka bir ekibin neden olduğu teslimat gecikmesi nedeniyle düşük memnuniyet puanı alabilir. Adil ölçüm, tüm sürecin net bir şekilde görülmesini gerektirir. ### İnsanların rolü Teknoloji kayıtları hızlı bir şekilde işleyebilir, ancak yine de insanlar soruları belirler ve kararları verir. Bir veri analisti bir model bulabilir. Bir ürün yöneticisi bunun önemli olup olmadığına karar verebilir. Bir müşteri hizmetleri ekibi bunun nedenini açıklayabilir. Bir iş lideri, değişimin maliyetinin makul olup olmadığına karar verebilir. Bu paylaşılan süreç, ekipler aynı tanımları kullandığında ve sonuçları açıkça tartıştığında daha iyi çalışır. Veriler iyi muhakemeyi desteklemeli, susturmamalı. En güçlü şirketler verilere tek seferlik bir proje yerine bir çalışma alışkanlığı olarak yaklaşıyor. Daha iyi sorular sorarlar, bilgilerinin kalitesini kontrol ederler, müşterileri dinlerler ve ölçülü değişiklikler yaparlar. Benim için veri devrimi en büyük miktarda bilgiyi toplamakla ilgili değil. Bu, yararlı kanıtları daha iyi seçimlere dönüştürürken, bu kanıtları yaratan kişilere saygı duymakla ilgilidir. Açık bir soru, güvenilir bir ölçüm ve sorumlu bir eylem, bir işletmeye kullanılmayan sayılarla dolu karmaşık bir sistemden daha fazla değer verebilir. Sektör trendleri ve çözümleri hakkında daha fazla bilgi edinmek ister misiniz? Amy Wu ile iletişime geçin: amy.wu@ihuagroup.com/WhatsApp +8613612662976.

Vaswani, Ashish ve diğerleri. 2017 İhtiyacınız Olan Tek Şey Dikkat Rives, Alexander ve diğerleri. 2021 Biyolojik Yapı ve İşlev, Denetimsiz Öğrenmenin 250 Milyon Protein Dizisine Ölçeklendirilmesiyle Ortaya Çıkıyor Avsec, Žiga, et al. 2021 Uzun Menzilli Etkileşimleri Bütünleştirerek Diziden Etkili Gen İfadesi Tahmini Mitchell, Tom M. 1997 Machine Learning Kitchin, Rob. 2014 Veri Devrimi: Büyük Veri, Açık Veri, Veri Altyapıları ve Sonuçları Norman, Don. 2013 Gündelik Şeylerin Tasarımı: Gözden Geçirilmiş ve Genişletilmiş Baskı