Yapay Zekâ Projesine Başlamadan Önce Veri Hazırlığı
Yapay zekâ projelerinde en pahalı hata, model seçimine veri anlaşılmadan başlamaktır. Sağlam bir veri hazırlığı çalışması projenin yapılabilirliğini erken gösterir ve sonraki deneyleri karşılaştırılabilir hale getirir.
Önce iş kararını tarif edin
Modelin hangi girdiyi alacağını ve hangi kararı destekleyeceğini açıkça yazın. Başarı ölçütü yalnızca doğruluk olmayabilir; kaçırılan bir olayın maliyeti, yanlış alarm oranı, cevap süresi veya insan incelemesine giden kayıt sayısı daha anlamlı olabilir.
Veri envanteri çıkarın
Verinin nerede üretildiğini, hangi izinlerle kullanılabildiğini, ne kadar geçmişi kapsadığını ve üretimde aynı biçimde gelip gelmeyeceğini inceleyin. Eksik alanlar, yinelenen kayıtlar ve zaman içinde değişen tanımlar model sonucunu doğrudan etkiler.
Test kümesini erkenden ayırın
Test verisi, eğitim sırasında alınan kararlardan etkilenmemelidir. Zaman bağımlı problemlerde rastgele bölme yerine geçmişle gelecek arasındaki doğal sınırı kullanmak daha gerçekçi sonuç verir. Benzer kullanıcıya veya aynı olaya ait kayıtların farklı kümelere dağılması da veri sızıntısına yol açabilir.
Etiket kalitesini ölçün
İki uzmanın aynı örneğe farklı etiket verdiği durumları görünür hale getirin. Anlaşmazlık oranı yüksekse önce tanımı ve etiketleme kılavuzunu düzeltmek gerekir. Model, belirsiz iş kuralını tek başına çözemez.
Küçük ama güvenilir bir başlangıç yapın
Binlerce hatalı örnek yerine temsil gücü yüksek, kontrol edilmiş daha küçük bir veri kümesiyle başlangıç modeli kurmak çoğu zaman daha hızlı öğrenme sağlar. Bu başlangıç sonucu hangi verinin gerçekten değer kattığını gösterecek bir referans oluşturur.