İtalyan KOBİ’leri ekonominin belirleyici bir kısmını oluşturuyor, ancak yapay zeka kullanım oranı hâlâ çok düşük. İtalyan KOBİ’lerdeki yapay zeka durumuna ilişkin analize göre, küçük işletmelerin yalnızca %7’si ve orta ölçekli işletmelerin %15’i yapay zeka temelli projeler başlatmışken, KOBİ’ler ulusal katma değerin %65’inden fazlasını oluşturmaktadır. Bu veri, konunun nasıl değerlendirilmesi gerektiğini değiştiriyor: Asıl mesele, yapay zekanın yararlı olup olmadığını anlamak değil, yönetilemez bir karmaşıklık yaratmadan işletmede hangi yapay zeka çözümlerinin gerçekten uygulanabilir olduğudur.
İşte burada Destek Vektör Makineleri devreye giriyor. Şu anda en çok konuşulan model olmasalar da, yapılandırılmış verileriniz, net kullanım senaryolarınız ve güvenilir kararlara ihtiyaç duyduğunuzda genellikle en mantıklı seçenekler arasındadırlar. Bir KOBİ için bu, dağınık sayfalar, bireylerin sezgileri ve gecikmeli raporlardan, satış, risk yönetimi, müşteri sadakati ve planlamaya yardımcı olan operasyonel tahminlere geçmek anlamına gelir.
Yapay zekayı gelir tablosunda somut bir kaldıraç olarak değerlendirirseniz, destek vektör makineleri dikkate alınmaya değer. Bunun nedeni “yeni” olmaları değil, birçok kurumsal bağlamda hâlâ akıllıca bir tercih olmalarıdır.
KOBİ’ler İtalyan ekonomisinin değerinin büyük bir kısmını oluşturuyor, ancak yapay zekanın benimsenmesi hâlâ az sayıda şirkette yoğunlaşıyor. Bu uçurum önemlidir, çünkü soyut anlamda öncü bir teknolojiyle ilgili değildir. Kâr marjları, tepki süreleri, kredi kalitesi, stok devir hızı ve rakiplerden önce zayıf sinyalleri algılama yeteneği ile ilgilidir.
Uygulamada, birçok işletme başlamak için gerekli malzemelere zaten sahiptir. Veriler mevcuttur, ancak bunlar işletme yönetim sistemleri, CRM, e-ticaret platformları, idari raporlar ve günlük acil durumları çözmek için oluşturulmuş Excel tabloları arasında dağınık haldedir. Operasyonel sorun da burada ortaya çıkar: Bilgi parçalı kalırsa, uzman bir karar bile işin eksik bir görünümüne dayanmak zorunda kalır.
Dolayısıyla, bir İtalyan KOBİ için asıl mesele, o anda en çok tartışılan modeli takip etmek değildir. Önemli olan, sınırlı veri kümeleriyle işe yarayan, maliyetleri makul olan ve mükemmel bir projeyi beklerken aylarca durma noktasına gelmeyecek süreçlere sahip bir yöntem seçmektir. Bu da, Destek Vektör Makineleri gibi klasik bir algoritmanın neden sadece teknik değil, aynı zamanda yönetimsel açıdan da dikkate alınmaya değer olduğunu açıklıyor.
Bir SVM, KOBİ’lerin tipik bir ihtiyacını iyi bir şekilde karşılar: kusurlu ancak yararlı verileri güvenilir sınıflandırmalara dönüştürmek. Perakende sektöründe bu, müşteri kaybı riski taşıyan müşterileri tespit etmek, bir promosyona yanıt verme olasılığını tahmin etmek ve satın alma davranışlarındaki anormallikleri belirlemek anlamına gelir. Finans sektöründe ise bu, risk değerlendirmesini desteklemek, hassas pozisyonları segmentlere ayırmak ve insan tarafından doğrulanması gereken istisnaları bildirmek anlamına gelir. Rekabet avantajı elde etmek için her zaman en yeni modele ihtiyaç duyulmaz. Çoğu zaman, savunulabilir bir karara en önce ulaşan model yeterlidir.
Avrupa pazarı, tekrarlayan engellerle karşı karşıya. Sınırlı bütçeler, her zaman kurum içinde bulunmayan analitik beceriler, mevcut sistemlerle zorlu entegrasyon ve yapay zekanın getirisi konusunda gerçekçi olmayan beklentiler. “Avrupa KOBİ’lerinin Yapay Zeka Zorlukları” başlıklı çalışma, bu durumu iyi bir şekilde ortaya koyuyor; İtalya’da ise her teknolojik yatırımın gelir tablosunda kısa sürede kendini haklı çıkarması gereken sektörlerde bu durum daha da ağır basıyor.
Bu nedenle destek vektör makineleri ilgi çekici bir seçenektir. Akademik teori ile kurumsal sonuçlar arasında somut bir köprü kurarlar: teknolojik gösterişten daha az vurgu, karar kalitesine daha fazla önem. Bir girişimci veya analitik sorumlusu için asıl mesele, yapay zekayı genel anlamda benimsemek değildir. Asıl mesele, maliyetli hataları azaltmaya, ticari öncelikleri iyileştirmeye ve günümüzde sadece raporlar üreten, kararlar üretmeyen verilere bir yapı kazandırmaya yardımcı olacak bir algoritma kullanmaktır.
Destek Vektör Makineleri, bir “kara kutu”dan değil, geometrik bir fikirden doğmuştur. Bu makineler, 1970’lerde başlayan teorik çalışmalara dayanılarak, 1990’larda AT&T Bell laboratuvarlarında Vladimir Vapnik tarafından resmi olarak geliştirilmiştir. Destek vektör makinelerinin kökenlerine ilişkin tarihsel maddede özetlendiği üzere, bu makinelerin asıl amacı, mümkün olan en yüksek doğrulukta ikili sınıflandırma yapmaktı.
İki müşteri grubunuz varsa, örneğin sözleşmesini yenileyenler ve ayrılanlar, birçok ayrım çizgisi çizebilirsiniz. Herhangi bir çizgi, grupları birbirinden ayırır. Oysa bir SVM, iki grup arasında mümkün olan en geniş marjı bırakan sınırı arar.
En yararlı benzetme, iki ev sırasının arasındaki bir yol benzetmesidir. Yolu bir sıra evlere çok yakın inşa ederseniz, kafa karışıklığı yaratmak çok kolaydır. Oysa yolu olabildiğince geniş tasarlarsanız, geçiş daha istikrarlı ve sınır daha net olur. SVM’lerde bu “yol”, marjdır.
Gerçekten önemli olan noktalar hepsi değildir. En önemli olanlar, sınıra en yakın olanlardır. Bu noktalara destek vektörleri denir ve optimal ayırıcının konumunu belirlerler. Pratikte, algoritma en belirsiz durumlara, yani kararı sınayan durumlara en fazla önem verir.
Bir işletme açısından bu, oldukça tanıdık bir mantık anlamına gelir. Bir müşteriyi açıkça sadık ya da açıkça kaybedilmiş olarak sınıflandırmak zor değildir. Modelin değeri, müşteri tutma, kredi, promosyonlar veya risk kontrolünün söz konusu olduğu sınır durumlarını ele aldığında ortaya çıkar.
SVM’ler, uzmanlara özgü bir matematik formülü olarak değil, resmileştirilmiş bir yönetim kriteri olarak düşünülmelidir:
Pratik kural: İşletmenizin sorunu, iki sonucu güvenilir bir şekilde ayırt etmeyi gerektiriyorsa, destek vektör makinelerini ciddi bir şekilde denemeye değer.
Bu, kurumsal makine öğrenimi algoritmaları arasında neden hâlâ yer bulduklarını açıklıyor. Bunun nedeni, bunların mutlak anlamda basit olmaları değil; temel ilkesinin, iş dünyasının çok somut bir ihtiyacıyla uyumlu olmasıdır: veriler mükemmel olmasa bile tutarlı kararlar almak.
Bir SVM karar verdiğinde, “tahminde bulunmaz”. Kategorileri ayıran matematiksel bir sınır oluşturur ya da tahmin için yararlı bir ilişkiyi tahmin eder. İşletme açısından önemli olan nokta, bu sınırın her gözlemi aynı ağırlıkta kullanarak oluşturulmamasıdır.
SVM’ler, karar fonksiyonları yalnızca verilerin küçük bir alt kümesi olan destek vektörleri tarafından tanımlandığı için, küçük boyutlu veri kümelerinde ve aşırı uyum sorunlarına karşı dayanıklılık açısından özellikle etkilidir. Bu da onları, verilerin sınırlı veya maliyetli olduğu durumlarda ideal hale getirir; SVM’ler ve destek vektörleri hakkındaki bu eğitim içeriğinde de açıklandığı gibi.
Bu modelin özünü anlamak için üç kavram yeterlidir.
Kavram Ne anlama gelir?İşletmeiçinetkisi Hiperdüzlemİki sınıfı birbirinden ayıran karar sınırı Bir kategoriye kimin gireceğini ve kimingirmeyeceğinibelirlerMarjSınır ile en yakın vakalar arasındaki mesafe Ne kadar genişse, modelo kadar iyigenelleme eğilimindedirDestek vektörleriAyrımın sınırında bulunan vakalar Sınırı gerçekten belirleyen müşteriler, işlemler veya kayıtlardır
Gerçek bir projede, hiperdüzlem operasyonel kuraldır. Marj ise bu kuralın güvenlik seviyesidir. Destek vektörleri, işin en belirsiz olduğu noktaları ortaya koydukları için yönetimsel dikkat gerektiren durumlardır.
Birçok KOBİ’nin milyonlarca satırlık geçmiş verisi yoktur. Ancak kalıpları tespit etmek için yeterince iyi verilere sahiptirler. Bu durumda, yalnızca sınırı belirleyen vakalara odaklanmak verimli bir tercihtir.
Bu yaklaşım en az üç somut avantaj sağlıyor:
Veriler az olduğunda, her satırın daha fazla iş yapması gerekir. SVM’ler tam da bunu yapar.
Operasyonel yönü daha derinlemesine incelemek isteyenler için, algoritma eğitimi süreci, bir modeli tek başına teknik bir nesne olarak değil, bir dizi seçim olarak ele almaya yardımcı olur: girdi verileri, veri temizleme, eğitim, doğrulama ve karar verme sürecinde kullanım.
Birçok ekibin göz ardı ettiği bir nokta var. Veri yetersizliği her zaman bir sınırlama değildir. Bazen bu, daha sade ve dolayısıyla bağlama daha uygun modellerin kullanılmasını gerektiren bir kısıtlamadır.
İtalyan bir KOBİ’de bu sadelik önemlidir. Bir modelin yıllarca süren veri toplama, ağır altyapı ve nadir bulunan uzmanlık gerektirmesi durumunda, bu modelin benimsenme olasılığı düşer. Oysa bir model, makul büyüklükteki veri kümeleri üzerinde sağlam sonuçlar veriyorsa ve net karar sınırları ortaya koyuyorsa, benimsenmesi çok daha gerçekçi hale gelir. İşte bu noktada destek vektör makineleri, bir üniversite dersi olmaktan çıkıp bir iş aracı haline gelir.
İşletmelerdeki tüm sorunlar düz bir çizgiyle birbirinden ayrılmaya elverişli değildir. Bazı müşterilerin davranışları karmaşıktır. Bazı meşru işlemler, olağandışı işlemlere benzemektedir. Bazı risk sinyalleri, ancak birden fazla değişken birbiriyle etkileşime girdiğinde ortaya çıkar.
İşte burada “kernel trick” devreye giriyor. Temel fikri basit: Eğer orijinal uzayda veriler karışık durumdaysa, bunları farklı bir bakış açısıyla inceleyerek ayrımı daha düzenli hale getirebilirsiniz.
Mavi ve kırmızı noktaların dairesel bir şekilde karıştığı bir kağıt düşünün. İki boyutlu ortamda bunları net bir şekilde ayıramazsınız. Ancak kağıdı kaldırıp üç boyutlu bir yüzeye dönüştürebilseydiniz, bu noktalar çok daha anlaşılır bir şekilde dizilebilirlerdi. O zaman artık bir çizgi değil, bir düzlem onları kolaylıkla birbirinden ayırırdı.
Bu, modelin verileri “uydurduğu” anlamına gelmez. Bunun anlamı, daha önce gizli olan ilişkileri görünür kılmak için yararlı bir dönüşüm uyguladığıdır.
Çekirdekleri farklı mercekler olarak düşünebilirsin.
Perakende sektöründe, bu esneklik, müşteri kaybı riski tek bir değişkene değil, satın alma sıklığı, alınan indirimler, mevsimsellik ve atıl kalma sürelerinin kesişimine bağlı olduğunda faydalı olabilir. Finans alanında ise, risk profili yalnızca birden fazla zayıf sinyalin birleşiminden ortaya çıktığında aynı mantık yardımcı olabilir.
Kernel hilesi, sorunun gerçekliğini ortadan kaldırmaz. Sadece örüntüyü daha anlaşılır hale getirir.
Buradan çıkarılacak ders önemlidir. Bir ekip, “veriler çok karmaşık” olduğu için bir algoritmayı eliyorsa, genellikle çok erken pes ediyor demektir. Bazen sorun verilerde değil, verilerin temsil edilme biçimindedir.
Destek vektör makineleri her şeye uygun bir çözüm değildir. Ancak tam da bu nedenle ciddi bir değerlendirmeyi hak ederler. Günümüzde, son makalelerde Random Forest veya sinir ağlarına kıyasla daha az bahsedilse de, orta büyüklükteki verilerle gösterdiği güvenilirlik, makine öğreniminde SVM’lerin güncel durumu üzerine yapılan bu karşılaştırmada da tartışıldığı üzere, güvenilir ve yorumlanabilir çözümler arayan KOBİ’ler için sıklıkla göz ardı edilen, ancak en uygun bir seçenek haline getirir.
Onların en güçlü yanı moda değil. Disiplin.
Olgun bir seçim, sınırları da göz önünde bulundurur.
DurumEtkiÇok büyük veri kümeleriEğitim sürecidahazahmetlihalegelebilirGürültülü veya birbiriyle büyük ölçüde örtüşen verilerSınırdaha azkararlı olabilirÇekirdek seçimiYapılandırmanıniyice test edilmesi ve doğrulanmasıgerekirModelin içsel yorumuHerzaman bir karar ağacının anında okunmasını sağlamaz
Bir KOBİ için asıl sorulması gereken soru “Bu en gelişmiş model mi?” değildir. Asıl sorulması gereken soru “Bu model, sürdürülebilir bir çaba ile karar sürecini iyileştiriyor mu?”dur.
Anahtar nokta: Klasik bir algoritma, içgörü ile eylem arasındaki mesafeyi azalttığında stratejik hale gelir.
Başka bir deyişle, SVM’lerin popülerlikteki geriliği, değer açısından bir gerilikle örtüşmemektedir. Bu durum genellikle yapay zeka hakkındaki kamuoyundaki söylemdeki bir değişiklikle paraleldir. Ürün yelpazesini optimize etmek, tahsil edilemeyen alacakları azaltmak, potansiyel müşterileri sınıflandırmak veya anomalileri tespit etmek zorunda olanlar için bu teknolojinin önemi hâlâ oldukça somuttur.
Tahmini günlük bir karara dönüştürdüğünüzde, model ile operasyonel sonuç arasındaki fark azalır. İşte bu noktada, destek vektör makineleri, soyut bir şekilde “yapay zeka ile uğraşmak” yerine müşterileri, riski ve öncelikleri daha iyi yönetmek isteyen ekipler için yararlı hale gelir.
Bir perakendeci sürekli olarak çeşitli göstergeler toplar: satın alma sıklığı, tercih edilen kategori, indirimlere duyarlılık, siparişler arasındaki ortalama süre, iadeler, satın alma kanalı. Tek tek ele alındığında bu göstergeler pek bir şey ifade etmez. Ancak bir SVM sınıflandırıcısında bir araya getirildiklerinde, sadık müşterileri, ayrılma riski taşıyan müşterilerden ayırt etmeye yardımcı olabilirler.
Etki, modelin teorisinde yatmıyor. Bundan kaynaklanan operasyonel akışta yatıyor:
İkinci bir uygulama alanı ise segmentasyonla ilgilidir. Perakende sektöründeki KOBİ’ler genellikle hâlâ coğrafi bölge veya harcama aralığı gibi basit kriterlere göre segmentasyon yapmaktadır. Bir SVM, buna daha yararlı bir boyut ekleyebilir: gerçek davranış. Böylelikle, benzer harcama düzeyine sahip ancak farklı davranış kalıpları sergileyen iki müşteri, artık birbirlerinin aynısıymış gibi değerlendirilmez.
Perakende sektöründe, iyi bir model müşteriyi daha iyi tanımlamak için gerekli değildir. Yarın sabah ne yapılacağına daha iyi karar vermek için gereklidir.
Finans dünyasında, sınıflandırmanın doğrudan bir değeri vardır. Bir ekip, SVM’yi kullanarak risk düzeyi daha düşük olan talepleri, ek analiz gerektiren taleplerden ayırabilir. Modelin gücü, tek başlarına ele alındığında yeterli olmayan değişken kombinasyonlarını yorumlayabilmesinde yatmaktadır.
Çok sayıda kurumsal müşteriye hizmet veren bir kuruluşta kredi puanlama sürecini düşünün. Hiçbir gösterge tek başına yeterli değildir. Ancak ödeme geçmişi, sipariş sıklığı, hacimdeki değişiklikler ve idari anomalilerin tekrarlanma sıklığı gibi faktörlerin bir araya gelmesi, daha güvenilir profiller ile yakından takip edilmesi gereken profiller arasında yararlı bir ayrım oluşturabilir.
Aynı durum, olağandışı işlemlerin tespitinde de geçerlidir. Model, insan denetiminin yerini almaz. Onu daha seçici hale getirir. Ekibin her şeyi analiz etmesini beklemek yerine, gerçekten doğrulanmaya değer vakaları belirler. Bu, risk departmanının verimliliğini artırır.
Asıl hata, modeli kullanmamak değildir. Hatalar, sınıflandırma aşamasında kalıp bunu bir kararla ilişkilendirmemektir.
Perakende sektöründe, bir müşteri kaybı tahmini bir kampanyayı tetiklemeli ya da müşteri yolculuğunun gözden geçirilmesini sağlamalıdır. Finans sektöründe ise bir anomali uyarısı, bir kontrol iş akışını tetiklemeli; paylaşılan bir klasörde unutulmuş bir dosya olarak kalmamalıdır. Destek vektör makineleri, bir dizüstü bilgisayarda kaldıkları zaman değil, operasyonel sürece dahil olduklarında değer yaratır.
Bir analist için Python’da SVM ile başlamak, göründüğünden daha kolaydır. Bir yönetici için önemli olan, kodu okumak değil, modelin net bir çıktı ürettiğini anlamaktır: bir sınıflandırma, bir puanlama ya da yönetilmesi gereken bir kayıt kümesi.
Bu kod parçası, bir sınıflandırma problemi üzerinde temel bir SVM'yi eğitmek için scikit-learn'i kullanır.
from sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScalerfrom sklearn.pipeline import make_pipelinefrom sklearn.svm import SVCfrom sklearn.metrics import classification_report# X = işletme değişkenleri# y = tahmin edilecek etiket; örneğin, müşteri kayıp riski olan = 1, riskli olmayan = 0X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42, stratify=y)model = make_pipeline(StandardScaler(), SVC(kernel="rbf", C=1.0, gamma="scale"))model.fit(X_train, y_train)predictions = model.predict(X_test)print(classification_report(y_test, predictions))
Bu örnek, birçok gerçek durum için üç doğru seçeneği göstermektedir:
Asıl iş bundan sonra başlıyor predict(). Model risk altındaki müşterileri tespit ederse, bu çıktıyı pazarlama, müşteri başarısı veya satış ekipleri için bir eylem listesine dönüştürmelisiniz. Şüpheli uygulamalar tespit ederse, bunları bir inceleme sürecine dahil etmelisiniz.
Bir analitik platformu tam da bu organizasyonel engeli ortadan kaldırır. Modeli teknik bir ortamla sınırlı tutmak yerine, iş dünyasının dilini konuşan gösterge panelleri, raporlar ve uyarılar aracılığıyla sonuçları anlaşılır hale getirir.
Pratikte nelere dikkat etmeniz gerektiğini şöyle özetleyebiliriz:
Bir tahmin modeli, ekip kime ulaşacağını, ne yapacağını ve hangi önceliğe göre hareket edeceğini bildiğinde faydalı hale gelir.
Destek vektör makineleri, İtalyan KOBİ’ler için yararlı bir ders sunuyor. Rekabet avantajı elde etmek için her zaman en göze çarpan modeli takip etmek gerekmez. Önemli olan, verilerinizle, kısıtlamalarınızla ve günlük kararlarınızla uyumlu çalışan algoritmayı seçmektir.
Bu nedenle SVM’ler güncelliğini korumaktadır. Sınıflandırma konusunda sağlamdırlar, orta büyüklükteki veri kümeleriyle mantıklı sonuçlar verirler ve karmaşık sinyalleri perakende, finans ve yönetim fonksiyonlarında kullanılabilir karar sınırlarına dönüştürebilirler. Birçok şirketin hâlâ yapay zeka kullanımından uzak olduğu bir pazarda, güvenilir ve anlaşılır modellerden yola çıkmak genellikle en akıllıca yoldur.
Verilerinizi teknik karmaşıklık yaratmadan net içgörülere dönüştürmek istiyorsanız, KOBİ’ler için yapay zeka destekli bir veri analizi platformu olan ELECTE’yi deneyin. Dashboard’lar, tahmine dayalı analizler ve otomatik içgörüler sayesinde dağınık raporlardan operasyonel kararlara geçmenize yardımcı olur. ILLUMINATE THE FUTURE WITH AI.
.svg)
.svg)
.svg)
.jpg)
