Tahmin nedir?

Bu derste yapay zekânın temel çıktısını, yani tahmini (prediction) baştan sona inceliyoruz: tahmin nedir, bir model bunu nasıl yapar, sınıflandırma ile regresyon arasındaki fark nereden çıkar ve tahminler neden bazen yanılır? Kavramları somut örneklerle, konuya sıfırdan başlayan birine uygun biçimde anlatıyoruz. Ders, Yapay Zekâ dersleri alanındaki "Yapay Zekânın Temel Kavramları" ünitesine aittir.

Tahmin Nedir?

Yapay zekâda tahmin, bir modelin daha önce hiç görmediği yeni bir veriye karşılık, eğitimde öğrendiği örüntülere dayanarak ürettiği cevaptır. Çalışan bir modelin yanıt üretme aşamasına tahmin ya da çıkarım (inference) denir. Sıralamayı netleştirelim: önce model eğitilir, sonra tahmin yapar. Eğitim aşamasının ayrıntısını Model eğitimi nedir? dersinde işledik; tahmin ise bu eğitimin uygulamaya konmuş hâlidir.

Somutlaştıralım: binlerce evin metrekaresi, oda sayısı ve satış fiyatını içeren bir veri seti ile eğitilen model, yeni bir evin bilgilerini gördüğünde ona bir fiyat öngörür. Model o evi hiç görmedi; yalnızca geçmişteki benzer evlerden öğrendiği ilişkileri kullandı. Bu, deneyimli bir emlakçının "bu ev şurada bu fiyata satılır" demesine çok benzer; fark, modelin aynı işi binlerce örneğe ve her seferinde aynı tutarlılıkla yapmasıdır.

Model Tahmini Nasıl Yapılır?

Bir tahmin süreci dört adımda özetlenebilir:

1. Veri hazırlanır: Modelin öğreneceği örnekler toplanır; örneğin geçmiş e-postalar ve hangisinin spam olduğu bilgisi.
2. Model eğitilir: Seçilen algoritma, verideki örüntüleri yakalamayı öğrenir; bu sırada parametreleri adım adım ayarlanır ve ortaya bir model çıkar.
3. Yeni girdi verilir: Eğitilmiş modele görmediği bir örnek sunulur; örneğin kutunuza yeni düşen bir e-posta.
4. Model çıktı üretir: "Bu e-posta %87 olasılıkla spam." İşte bu cümle bir tahmindir.

Model, girdideki özelliklere (e-postanın uzunluğu, gönderen adresi, içindeki bağlantı sayısı gibi) bakar ve eğitimde gördüğü etiketlere benzer bir sonuç öngörür. Tahminin kalitesini üç şey belirler: verinin miktarı ve kalitesi, modelin öğrenme gücü ve yeni girdinin eğitim verisine benzemesi. Eğitimde hiç rastlanmayan bir durum sorulduğunda model çoğu zaman güvenilir olmayan bir cevap üretir; bu yüzden veri kalitesi, tahmin kalitesinin öncüsüdür.

Sınıflandırma ve Regresyon: İki Temel Tahmin Türü

Tahminler, cevabın türüne göre ikiye ayrılır:

• Sınıflandırma (classification): Cevap bir kategoridir. "Bu e-posta spam mi, normal mi?", "Röntgende anormallik var mı, yok mu?", "Fotoğrafta kedi mi, köpek mi?"
• Regresyon (regression): Cevap bir sayıdır. "Yarın hava kaç derece olacak?", "Bu ev ne kadar tutar?", "Bu ürün hafta kaç adet satar?"

Günlük hayattan üçüncü bir örnek de öneri sistemleridir: video ve müzik platformlarının "siz buna benzer içerikleri izlediniz, bunu da seversiniz" demesi, izleme ve dinleme geçmişi üzerine kurulu bir tahmindir. Günümüzün en yaygın uygulamalarından büyük dil modellerinin (ChatGPT, Gemini gibi) temelinde ise tek bir tahmin görevi vardır: cümlede sıradaki en olası kelimeyi öngörmek. Model her adımda küçük bir tahmin yapar; milyonlarca küçük tahmin bir araya gelerek bizim gördüğümüz akıcı yanıtı oluşturur. Bu sistemlerin büyük resmini merak ediyorsan Makine öğrenmesi nedir? dersine geçebilirsin.

Tahminler Her Zaman Doğru mu? Güven Skoru ve Hata

Hayır; tahminler kesin sonuç değil, olasılıklı önerilerdir ve iyi bir model bile yanılabılır. Bu yüzden çoğu model yalnızca sonucu değil, bu sonuca duyduğu güven skorunu da bildirir: "%87 spam" demek, modelin bu karara %87 olasılıkla güvendiğini gösterir. Hava durumu, trafik ya da stok planlama tahminlerinde sonuç, verideki örüntülerin gelecekte de geçerli olmasına bağlıdır; örüntü bozulursa hata artar.

Hataları ayırt etmek de dersin parçasıdır: spam filtresi gerçekten önemli bir e-postayı spam diyorsa buna yanlış pozitif, spam bir e-postayı normal diyorsa yanlış negatif denir. Hangi hatanın daha pahalı olduğu uygulamadan uygulamaya değişir; sağlıkta bir hastalığı atlamak, gereksiz bir test yaptırmaktan çok daha ciddi bir hatadır. Bu yüzden modeller yalnızca "doğru mu, yanlış mı" diye değil, hangi hataları ne sıklıkla yaptığı ile de değerlendirilir. Bu değerlendirme, bilinen doğru cevaplarla karşılaştırma yapmayı gerektirir ve Denetimli öğrenme ile eğitilen modellerde doğru cevaplar zaten verinin içinde bulunur.

Sık Yapılan Hatalar ve Yanılgılar

Tahmin kavramını öğrenirken sıkça düşülen yanlışlar şunlardır:

• "Tahmin kesindir" yanılgısı: Tahmin olasılığa dayanır; yüksek bir güven skoru bile kesinlik anlamına gelmez. Hava durumu %90 yağmur dediğinde yağmur yağmayabilir.
• "Yapay zekâ geleceği biliyor" yanılgısı: Model gelecekten haber değildir; geçmiş verideki örüntüleri bugüne taşıyan bir sistemdir. Veride hiç görülmeyen yeni bir durum, tahmini kolayca boşa düşürür.
• Eğitim ile tahmini karıştırmak: Eğitim, modelin öğrenme aşamasıdır; tahmin, eğitilmiş modelin cevap üretme aşamasıdır. Model eğitilmeden tahmin yapılamaz.
• "Veri çoksa tahmin mutlaka iyidir" sanmak: Miktar kadar kalite de önemlidir; hatalı, eksik ya da tek taraflı veri, bol olsa bile yanlış örüntüler öğretir.
• Tahmin ile üretimi ayrı konular sanmak: Büyük dil modelleri metin "üretir" gibi görünür ama aslında sürekli tahmin yaparak üretir: sıradaki kelimeyi öngörür, cümleye ekler ve baştan başlar.

Konuyu pekiştirmenin en iyi yolu, bir modelin bu süreçleri uçtan uca nasıl yaşadığını izlemektir; bunun için Model eğitimi nasıl yapılır? dersine göz atabilirsin.