Makine Öğrenimi için Tasarım Odaklı Düşünme

Veya Dev Bir Olasılık Hesaplayıcısıyla Ürünleri Nasıl Geliştirirsiniz

Geleceği tahmin etme yeteneği tasarım düşüncenizi nasıl etkiler? Kullanıcılarınızın ne aradığını tam olarak bilseydiniz, temiz arayüzler oluşturabilir ve kullanıcılarınıza yalnızca ihtiyaç duydukları şeyi ve yalnızca ihtiyaç duydukları anda sunabilirsiniz. Tasarımın kutsal kasesi.

Makine öğrenimi, bu geleceği tahmin etmenize olanak tanır – yani, neredeyse. Sorunuzu alır ve size bir cevapla birlikte bu cevabın doğru olma olasılığını verir. Örneğin, John Doe bugün Yunanistan’a gitmeyi düşünüyor mu? Cevap – evet,% 90. Yani kumar oynarsınız ve bir dahaki sefere John Doe web sitenize geldiğinde ona Yunanistan’da harika bir daire gösterirsiniz. John, kalacak harika bir yer bulduğu için mutludur ve umarım sadık, mutlu bir müşteri olur. % 90 olasılığınızı çok sayıda kullanıcıya patlatırsanız,% 90 oranında nereye gitmek istediklerini tahmin etmekte haklı olursunuz.

Bu olasılığın sonuçlarını anlayın

Çoğu zaman doğru olmak% 90 oranında yanlış olmak anlamına da gelir. Dahası, bir makine öğrenimi modeli tahminlerinden ne kadar emin olursa, o kadar az tahmin yapar. Kavramı sağlam bir şekilde kavramak için, makine öğrenimi modeli olmadan Jon Doe’nun gerçekten Yunanistan’a seyahat edip etmediğini tahmin etmeye nasıl gideceğinizi düşünelim. Bir kıyaslama ile başlayalım -% 50 oranında doğru olmak istersiniz. Jon Doe hakkında bir tahminde bulunmak için yazı tura atarsınız – tura ise Yunanistan’a gitmek ister. Yazı yazı ise gitmek istemiyor. Yeterli sayıda kullanıcı bulunduğunda, kullanıcıların% 50’si için haklı olacaksınız.

Ancak% 50 sizin için yeterince iyi değil. Yunanistan’ı Jon Doe’ye yalnızca% 65 emin olduğunuzda göstermeye karar verirsiniz, bu nedenle tahmininizi daha iyi hale getirmek için bazı ciddi sorular sormaya başlarsınız.

John Doe plajları sever mi? – Evet

Yılda kaç kez tatile çıkıyor? – 3 kez

Bu yıl kaç kez seyahat etti? – İki kez

Bu sorular tahmininizi biraz daha fazla bilgilendiriyor ve artık Jon Doe’nin Yunanistan’a seyahat ediyor olabileceğinden daha eminsiniz. Bu seyahatle ilgili tahmininizin artık% 70 doğru olduğunu varsayalım. Jon Doe şimdi web sitesinde Yunanistan’ı görecek.

Şimdi şu senaryoyu düşünün:

John Doe plajları sever mi? – Bilmiyorum

Yılda kaç kez tatile çıkıyor? – 3 kez

Bu yıl kaç kez seyahat etti? – İki kez

Jon Doe’nin plajlardan hoşlanıp hoşlanmadığını bilmediğinizi düşünürsek, artık kendinize yalnızca% 60 güveniyorsunuz, bu nedenle Jon Doe’nun Yunanistan’ı göremeyeceğine karar veriyorsunuz.

Bu değiş tokuşun derin bir çıkarımı var – tahmininizden ne kadar emin olursa, çoğunlukla tüm kullanıcılarınız için kendinden emin bir tahminde bulunmak için gereken veri aralığına sahip olmadığınız için o kadar az tahmin yaparsınız.

Hassasiyet ve Geri Çağırma

Veri bilimcileri bu terimlerden “kesinlik” ve “geri çağırma” olarak bahsetmeyi severler. Kesinlik, bir tahmin konusunda ne kadar haklı olduğunuzu, hatırlama ise kaç tahmin yaptığınızı tanımlar. Yani, hassasiyet ne kadar yüksekse, hatırlama o kadar az olur. Genel olarak, hassasiyet ve geri çağırmanın her ikisi de bir makine öğrenimi modelinin doğruluğuna katkıda bulunur. Herhangi bir modelin doğruluğu sabittir. Bu, kesinliğin grafiğini çizebileceğimiz ve ödünleşimi geri çağırabileceğimiz anlamına gelir:

Daha yüksek hassasiyetler daha düşük hatırlama sağlar ve daha düşük hassasiyetler, pratik bir kural olarak daha yüksek hatırlama sağlar. Modeli bir doğruluktan diğerine çarpmak, daha yüksek bir hassasiyetin yanı sıra daha yüksek bir geri çağırma sağlar. Bir veri bilimcinin işi, mümkün olan en yüksek doğrulukta bir model oluşturmaktır. Ancak bir tasarımcı olarak bu doğruluğu değiştiremezsiniz ve hassasiyet ve hatırlama ile oynamalısınız.

Modeliniz için seçtiğiniz hassasiyet ve geri çağırma, oluşturduğunuz ürün türü üzerinde derin bir etkiye sahiptir. Daha önceki örneğimiz için,% 99,9’luk bir kesinlik belirlersem, modelin Yunanistan’a gideceğini tahmin ettiği tüm kullanıcılara yalnızca Yunanistan’daki mülkleri göstereceğim. Bununla birlikte,% 60 hassasiyet seçersem, yalnızca Yunanistan’ı olası bir seçenek olarak vurgularken, yine de kullanıcının diğer hedeflere gitmesine izin veririm. Bir modelin tahminleri ne kadar sert olursa, bu değiş tokuşa karşı dikkatli olmak o kadar önemli hale gelir. John Doe’nun Yunanistan’a yaptığı rezervasyonunu% 100 kesinlikte iptal etme olasılığının ne kadar yüksek olduğunu tahmin ediyor olsaydım, o benden istemeden rezervasyonunu iptal ederdim. % 90 kendime güveniyor olsaydım seyahat planlarını onaylaması için onu bilgilendirirdim.

Gelen kutunuzdaki spam filtreleri, ürün tasarımı için hassasiyet ve geri çağırma ödünleşiminin nasıl kullanıldığına dair harika bir örnektir. Bazı e-postalar doğrudan spam klasörünüze gönderilir:

Bu, makine öğrenimi modeli e-postanın spam olduğundan çok emin olduğunda meydana gelir – bu çok yüksek bir doğruluk.

Bazı e-postalar ekli bir notla gelir:

Bu mesaj spam olabilir. Bu, model daha az güvenli olduğunda (düşük hassasiyet) olur.

Bu iki farklı kesinlikte bile, geri çağırma% 100 değildir ve hiçbir tahminin yapılmadığı durumlar olacaktır. Tasarımcı, bu durumlarda size bir fikir veriyor: “Spam Bildir”.

Hızlı yanıtlar, kesinliğin başka bir örneğidir – geri çağırma ödünleşimi. Model, bir yanıtın gerekli olduğunun ve ayrıca yanıtın tonunun farkındadır. Bununla birlikte, tam olarak hangi cevaba ihtiyaç duyulduğunu bilmek yeterince kesin değildir ve bu nedenle mevcut üç seçenekten birini seçebilirsiniz. Mesajlara yanıt vermeyi kolaylaştırır. Ayrıca tahminin yanlış olması durumunda size bir kaçış sağlar – yanıt önerilerini dikkate almayın ve kendinizinkini yazın!

Booking.com’un tavsiye sistemleri, hassas geri çağırma ödünleşiminden kapsamlı bir şekilde yararlanıyor.



Burada akılda tutulması gereken önemli – Yapay zeka, kullanıcı sorunlarını çözmeye yönelik bir araçtır ve özel olarak bu şekilde ele alınmalıdır. “Önce AI” ürünü yoktur – ürünler her zaman “önce kullanıcı” olmalıdır.