tag veri-kayması

Bu sayfada veri-kayması etiketi ile işaretlenmiş 1 yapay zeka kavramını bulabilirsiniz.

Model drift (model kayması), üretime alındıktan sonra bir makine öğrenimi modelinin tahmin kalitesinin zamanla düşmesini ifade eden MLOps kavramıdır. Modeller eğitim anındaki veri dağılımını öğrenir; ancak gerçek dünya dinamiktir — kullanıcı davranışları değişir, ürün kataloğu güncellenir, ekonomik koşullar dönüşür. Bu değişimler modelin gördüğü giriş verisini eğitim verisinden farklılaştırarak tahmin hatasını artırır. Model drift iki temel nedene bağlanır. Veri kayması (data drift / covariate shift), giriş değişkenlerinin dağılımının değişmesidir: bir sahtekarlık tespit modelinin eğitildiği dönemde kredi kartı harcama örüntüleri ile pandemi sonrası harcama örüntüleri birbirinden belirgin biçimde ayrılır. Kavram kayması (concept drift) ise hedef değişkenle giriş değişkenleri arasındaki ilişkinin kendisinin değişmesidir: e-posta spam filtreleri eğitildikten sonra saldırganlar yeni taktikler geliştirir; köprü kelimeleri spam olmaktan çıkar. Drift tespiti için istatistiksel testler kullanılır. Popüler Drift Skor test yöntemleri arasında Kolmogorov-Smirnov testi (sayısal özellikler için dağılım karşılaştırması), Population Stability Index (PSI, skor dağılımı değişimi), Chi-Squared testi (kategorik özellikler) ve Jensen-Shannon diverjansı sayılabilir. İzleme çerçeveleri model girişlerini ve çıktılarını sürekli kaydeder; eşik aşıldığında uyarı tetikler. Yüksek riskli alanlar özellikle savunmasızdır. Finans modellerinde piyasa krizleri, sağlıkta mevsimsel hastalık dalgalanmaları, reklamcılıkta tüketici tercih değişimleri ve doğal dil işlemede ortaya çıkan yeni söylemler drift'in tipik tetikleyicileridir. Müdahale stratejileri üç katmana ayrılır. Reaktif yeniden eğitim (reactive retraining), performans metrikleri eşiği geçtiğinde gerçekleştirilir; maliyet düşük ama gecikme yüksektir. Zamanlı yeniden eğitim (scheduled retraining), belirli periyotlarda veriden bağımsız olarak yapılır. Sürekli öğrenme (continual learning) ise yeni verileri çevrimiçi olarak modele entegre eder; ancak felaket unutması (catastrophic forgetting) riskini beraberinde getirir. MLflow, Evidently AI ve WhyLabs bu süreçleri otomatikleştiren açık kaynak araçlardır.

code_blocks

Model Drift (Model Kayması)

Model drift (model kayması), üretime alındıktan sonra bir makine öğrenimi modelinin tahmin kalitesinin zamanla düşmesini ifade eden MLOps kavramıdır. Modeller eğitim anındaki veri dağılımını öğrenir; ancak gerçek dünya dinamiktir — kullanıcı davranışları değişir, ürün kataloğu güncellenir, ekonomik koşullar dönüşür. Bu değişimler modelin gördüğü giriş verisini eğitim verisinden farklılaştırarak tahmin hatasını artırır. Model drift iki temel nedene bağlanır. Veri kayması (data drift / covariate shift), giriş değişkenlerinin dağılımının değişmesidir: bir sahtekarlık tespit modelinin eğitildiği dönemde kredi kartı harcama örüntüleri ile pandemi sonrası harcama örüntüleri birbirinden belirgin biçimde ayrılır. Kavram kayması (concept drift) ise hedef değişkenle giriş değişkenleri arasındaki ilişkinin kendisinin değişmesidir: e-posta spam filtreleri eğitildikten sonra saldırganlar yeni taktikler geliştirir; köprü kelimeleri spam olmaktan çıkar. Drift tespiti için istatistiksel testler kullanılır. Popüler Drift Skor test yöntemleri arasında Kolmogorov-Smirnov testi (sayısal özellikler için dağılım karşılaştırması), Population Stability Index (PSI, skor dağılımı değişimi), Chi-Squared testi (kategorik özellikler) ve Jensen-Shannon diverjansı sayılabilir. İzleme çerçeveleri model girişlerini ve çıktılarını sürekli kaydeder; eşik aşıldığında uyarı tetikler. Yüksek riskli alanlar özellikle savunmasızdır. Finans modellerinde piyasa krizleri, sağlıkta mevsimsel hastalık dalgalanmaları, reklamcılıkta tüketici tercih değişimleri ve doğal dil işlemede ortaya çıkan yeni söylemler drift'in tipik tetikleyicileridir. Müdahale stratejileri üç katmana ayrılır. Reaktif yeniden eğitim (reactive retraining), performans metrikleri eşiği geçtiğinde gerçekleştirilir; maliyet düşük ama gecikme yüksektir. Zamanlı yeniden eğitim (scheduled retraining), belirli periyotlarda veriden bağımsız olarak yapılır. Sürekli öğrenme (continual learning) ise yeni verileri çevrimiçi olarak modele entegre eder; ancak felaket unutması (catastrophic forgetting) riskini beraberinde getirir. MLflow, Evidently AI ve WhyLabs bu süreçleri otomatikleştiren açık kaynak araçlardır.

arrow_forward