Olasılıksal Makine Öğrenimi ve Güvenilir Yapay Zeka Sistemlerinin Mimarisi

Güvenilir AI sistemleri yalnızca doğru tahminlerden oluşmaz. Belirsizliği temsil edebilmeleri, çıkarım yapabilmeleri, modellerini kontrol edebilmeleri, nedensel sınırları anlayabilmeleri ve eylem mantığına bağlanabilmeleri gerekir. Kevin P. Murphy'nin “Probabilistic Machine Learning: Advanced Topics” kitabı, bu mimari için geniş ve teknik bir harita sunar.

Kitap olasılıksal AI yığınını baştan sona ele alır: olasılık, istatistik, grafik modeller, bilgi teorisi ve optimizasyonla başlar; ardından Gauss filtreleme ve düzeltme, mesaj geçirme, varyasyonel çıkarım, Monte Carlo, MCMC ve sıralı Monte Carlo gibi çıkarım yöntemlerine geçer. Sonraki bölümler tahmin, üretim, keşif ve eylem katmanlarını kapsar. Bu yapı, AI projelerinde sıkça birbirine karıştırılan yetenekleri ayrıştırdığı için ürün ekipleri açısından değerlidir.

Üretim ortamındaki bir AI sistemi önce belirsizliği temsil etmelidir. Dağılımlar, öncüller, olabilirlikler, posterior inançlar ve grafik yapılar akademik süs değildir; eksik bilgiyle çalışmanın araçlarıdır. Bankacılık, sigorta, lojistik ve endüstriyel operasyonlarda belirsizlik problemin etrafındaki gürültü değil, çoğu zaman problemin kendisidir.

İkinci olarak sistem çıkarım yapabilmelidir. Gerçek veri eksik, gürültülü, gecikmeli ve yanlı olabilir. Kesin çıkarım çoğu zaman hesaplama açısından imkansız olduğundan yaklaşık yöntemler önem kazanır. Varyasyonel çıkarım, MCMC, mesaj geçirme ve sıralı Monte Carlo; hız, doğruluk, açıklanabilirlik ve maliyet arasında farklı dengeler kurar. Bu noktada mimari kararlar doğrudan iş kararlarına dönüşür.

Üçüncü olarak sistem birden fazla zeka biçimini destekleyebilmelidir. Tahmin modelleri, üretken modeller, keşif yöntemleri, yorumlanabilirlik, belirsizlik altında karar verme, pekiştirmeli öğrenme ve nedensellik farklı ürün ihtiyaçlarına karşılık gelir. Bir müşteri analitiği platformu tahmine, sentetik veri aracı üretken modele, risk motoru nedensel akıl yürütmeye, operasyon optimizasyonu ise karar analizine ihtiyaç duyabilir.

Dördüncü olarak üretken AI da olasılıksal olarak anlaşılmalıdır. VAE'ler, otoregresif modeller, normalizing flow'lar, enerji tabanlı modeller, difüzyon modelleri ve GAN'ler verinin nasıl üretildiğini modellemenin farklı yollarıdır. Model seçimi kontrol edilebilirliği, değerlendirmeyi, güvenliği ve dağıtım maliyetini etkiler.

Son olarak güven, tahminden eyleme geçişi gerektirir. Bir model müşteri kaybını tahmin edebilir; fakat şirket hangi aksiyonu almalıdır? Kredi riski ölçülebilir; fakat hangi müdahale hem adil hem karlı olur? Talep tahmini üretilebilir; fakat stok belirsizlik altında nasıl dağıtılır?

OzyCore açısından pratik sonuç nettir: AI ürünleştirme bir belirsizlik mimarisi içermelidir. Olasılıksal varsayımlar, çıkarım yöntemleri, değerlendirme metrikleri, güven iletişimi, nedensel sınırlar ve karar kuralları tanımlanmalıdır. Kurumsal ortamda demo ile kalıcı ürün arasındaki fark çoğu zaman burada oluşur.