PowerPoint Sunusu

Yapı Kredi Bankası
Ar-Ge Çalışmaları
Araştırma, Vizyon ve Uygulama
Eğitmen: Onur AĞIN
2016
Biz Kimiz?
• Kuruluş 9Eylül 2013
• 14 Kişilik bir Takım
• 11 Ar-Ge Mühendisi
• 2 Ar-Ge Koordinatörü
• 1 Müdür
Yenilik
Prototip
Patent
Fon Bul
Araştır
Analiz
2
Tasarım
Geliştirme
Test
Nasıl Çalışıyoruz: Araştırma- Geliştirme Yaşam Döngüsü
Fikir Yeniliği
Literatür İncelemesi
Prototip
Planlama ve Tasarım
Gerçekleme / Uygulama
Test
3
• Fikir Yeniliği



Ar-Ge Yaşam Döngüsü
Toplantılar
Bankanın iç ve dış kaynaklarına göre fikirleri değerlendirip öncelikleri belirleme
İş hayatı açısından farkındalık ve taahhüt
• Literatür İncelemesi
• Prototip


Temel gereksinimlerin uygulanması
En önemli özelliklerin dahil edilmesi
• Planlama& Tasarım


Proje planlama, TÜBİTAK ya da diğer kurumlar için başvuruların hazırlanması,
Mimarı tasarım, çerçeve ve kütüphaneleri açıkça belirtmek
• Uygulama

Paketlenebilir yazılım ve/veya sistem ürünleri
• Test

Performansı gözlemleme, sonuçları raporlama, başarı oranını iyileştirme
4
Ar-Ge Departmanı Araştırma Konuları
MAKİNA ÖĞRENMESİ
Veri
Madenciliği
Doğal Dil İşleme
Bilgi Çıkarımı
Büyük Veri
İnsan
Bilgisayar
Etkileşimi
Diyalog Sistemleri
Arttırılmış Gerçeklik
Görüntü ve Ses İşleme
Operasyon
Araştırma
ve İşgücü
Yönetimi
Simülasyon
Optimizasyon
Tahminleme
5
Bankacılık Alanındaki Uygulamaları
Dünyada Makine Öğrenmesine Ait En Tepe
5 Problem Bankacılık Ve Finans
Kurumlarıyla İlgilidir
• Dolandırıcılık Tespiti & Güvenlik
• Müşteri Profili Çıkarma
• Risk Modelleme ve Yönetim (Kredi Puanlama)
• Kişiye Özel Reklamcılık Kampanyaları ve Ürün
Teklifi
• Hisse senedi alıp satma
6
Makine Öğrenmesi Nedir?
• Kendiliğinden Öğrenen Algoritmalar
 Belli bir görevi yapabilme (ör: Spam e-mail filtreleme)
 Doğru tahmin yapma ( ör: Bu bir spam e-mail mi?)
 Akıllı davranma (ör: E-maili otomatik silme ya da spam dizinine taşıma)
• Veriye ihtiyaç duyma (veri güdümlü yöntemler)
 Örnekler (ör: Bir e-mail kümesi)
 Gözlemler (ör: Bilgi bulma çabası, hangi e-mail spamdır hangi e-mailin
spam olup olmadığı bu veri setinden yola çıkarak anlaşılamaz,
öğrenilemez)
7
Makine Öğrenmesi Nedir?
• Makinelerin değerlendirme yöntemini, süreci, modeli,
örüntüyü kendisinin bulmasını isteriz. Bu sayede
gelecekteki olacakları daha yüksek doğrulukla
kotarabilirler!
 Amaç, yeni ve daha önce görülmemiş veri ile karşılaşıldığında ne karar
verileceğini bilebilmektir.
• Makineler veri formu şeklinde deneyim edinebilir
• Veriye dayalı algoritmalarla makineler eğitilir (eğitici veri)
 İlişkisel bilginin veriden otomatik olarak çekilmesi
 Ve bunu yeni verinin analizinde kullanabilme yeteneği
8
Makine Öğrenmesi’nin 5 Özelliği
•
•
•
•
•
Eğitici Veri
Başat Özellikler
Kendi Kendine Öğrenen Algoritmalar
Örüntü / Model
Değerlendirme Mekanizması (Algoritmanın sınıflandırma
safhasıdır)
Akıllı
Esas Veriyi
Modelleme
Tahmin
Uygulamalar
Yapma
Oluşturma
9
Makine Öğrenmesi’ndeki Bazı Uğraştırıcı Konular
• Çok büyük/küçük miktarda veri kullanma
• Örnek veri kümesindeki eksik/yanlış değerler
• Yüksek sayıda niteleyici özellik olması
• Lineer olmayan bağımlılıklar
• Verideki yüksek değişkenlik
• Etiketlenmiş veri ihtiyacı
10
Kendi Öğrenen Algoritma Tipleri
• Denetimli / Denetimsiz

Kesin referans (ground truth*) bilgisinden öğrenme veya öz
nitelikler arasındaki doğal ilişkileri belirleyerek öğrenme
• Sınıflandırma veya İlişki Arama
 Sabit kategorilere dayalı tahminleme veya gerçek sayıları
öngörme
o
Sınıflandırma: Tavsiyeci sistemler
o
İlişki arama (regression): Borsa tahminleri
(*): https://en.wikipedia.org/wiki/Ground_truth
11
Ar-Ge Vizyonu
Doğal Dil İşleme
Şeylerin İnterneti
Makine Öğrenmesi
Büyük Veri
Varlık Çıkarımı
Tahmin
Simülasyon
Optimizasyon
Ses Tanıma
Yapay Zeka
12
İşlemler için Ar-Ge Vizyonu
2014
2016
2018
•İnsanların yaptığı işler
•İnsan kullanımına destek olan sistemler
•İnsanların yaptığı işlerde Yapay Zeka yardımcı oluyor
•Yönetim işlerinde Yapay Zeka yardımcı oluyor
•Yapay Zekanın yaptığı işlere insan yardımcı oluyor
•Yapay Zeka işgücü yönetimi yaparken insan yardımcı
oluyor
Developme
nt Phase
13
TEŞEKKÜRLER!
14