2.3.4. Öğrenme Süreci: Eğitim, Doğrulama ve Test

Yapay zekâ modelleri, sonuçları sihirli bir şekilde tahmin etmezler; aksine, yapılandırılmış bir öğrenme ve değerlendirme sürecinden geçerler.
Bu süreç genellikle üç ana aşamadan oluşur: eğitim (training), doğrulama (validation) ve test (testing). Bu ayrım, modelin hem mevcut verilerden etkili bir şekilde öğrenmesini hem de yeni, bilinmeyen verilere doğru bir şekilde genelleme yapabilmesini sağlamak için hayati öneme sahiptir.

1. Eğitim Aşaması (Training Phase)

Tanımı ve Amacı
Bu aşamada, makine öğrenmesi modeli, genellikle veri setinin en büyük kısmını oluşturan “eğitim veri kümesi” üzerinde eğitilir. Amaç, modelin özellikler (girdiler) ile hedefler (çıktılar) arasındaki karmaşık ilişkileri ve kalıpları öğrenmesini sağlamaktır.
Bu adım, bir şefin elindeki malzemeler ve mutfak aletleri (algoritma) ile yeni bir tarif geliştirmeye benzetilebilir. Şef, farklı pişirme tekniklerini dener, malzemeleri farklı oranlarda karıştırır ve en iyi lezzeti (en düşük hata) elde etmeye çalışır.

Örnek
Bir modelin, belirli bir bölgedeki evlerin geçmiş satış/fiyat verileriyle (metrekare, oda sayısı, konum gibi özelliklerle birlikte) eğitilmesi. Model, bu verileri kullanarak evlerin özellikleriyle fiyatları arasındaki ilişkiyi öğrenir.

2. Doğrulama Aşaması (Validation Phase)

Tanımı ve Amacı
Eğitim aşamasından sonra, modelin performansı, eğitim veri kümesi dışında kalan, daha önce görmediği ayrı bir “doğrulama veri kümesi” ile test edilir. Bu aşamanın temel amacı, modelin eğitim verisini ne kadar iyi öğrendiğini ve yeni verilere ne kadar genelleme yapabildiğini değerlendirmektir.
Bu aşama, algoritma seçimini, modelin hiperparametrelerinin (örneğin öğrenme hızı, katman sayısı) optimize edilmesini ve “aşırı öğrenme” (overfitting) gibi sorunların tespitini sağlar.

Örnek
Hazırlanan bir tarifin mutfak ekibi veya sınırlı sayıda deneyimli tat uzmanı tarafından tadılması. Bu değerlendirme sonucunda, tarifin bazı bileşenleri yeniden ayarlanabilir (örneğin, tuz oranı değiştirilebilir).

3. Test Aşaması (Testing Phase)

Tanımı ve Amacı
Doğrulama ve model optimizasyonu tamamlandıktan sonra, modelin nihai performansı, tamamen ayrı bir “test veri kümesi” üzerinde değerlendirilir. Bu aşama, modelin gerçek dünyadaki performansını ölçer ve genelleme yeteneğini objektif biçimde belirler.
Test seti modelin daha önce hiç görmediği verilerden oluşur ve bu aşamada modele herhangi bir müdahale yapılmaz.

Örnek
Mutfak personeli tarafından beğenilen bir tarifin, sınırlı sayıda gerçek müşteri tarafından tadılması. Müşterilerin verdiği geri bildirim, tarifin (modelin) pazarda ne kadar başarılı olacağını gösterir.

Şekil 2.12. Makine Öğrenmesi Döngüsü.
Not. Dijital Eğitim Koordinatörlüğü. Creative Commons Lisansları (CC BY NC-ND)

Üniversite Sınavına Hazırlanma Benzetmesi

Bu üç aşamalı süreç, üniversite sınavına hazırlık süreciyle benzerlik gösterir:

• Eğitim: Konu çalışmak, özet çıkarmak ve bolca soru çözmek.
• Doğrulama: Deneme sınavlarıyla performansı kontrol etmek, eksikleri tespit edip strateji geliştirmek.
• Test: Gerçek sınava girip öğrendiklerini uygulamak; bu aşamada değişiklik yapılamaz.

Somutlaştırıcı Bir Örnek: Müşteri Kaybını Önleme

Yapay zekâ kavramlarını, müşteri kaybını (churn) tahmin etme senaryosu üzerinden ele alalım.

Senaryo
Bir abonelik hizmeti sunan şirket (örneğin Netflix veya bir telekom operatörü), müşterilerin aboneliği iptal edip etmeyeceklerini önceden tahmin etmek istiyor.

Özellikler (Girdiler)

• Web sitesine son giriş tarihi ve sıklığı
• Abonelik planı ve ücreti
• Müşteri destek talepleri
• Platformda geçirilen süre
• Kullanım miktarı (dakika, veri)
• Demografik bilgiler (yaş, cinsiyet vb.)

Hedef (Çıktı)

• “Evet” (abonelik yenilenecek)
• “Hayır” (abonelik iptal edilecek)

Algoritma
Bu bir sınıflandırma problemidir. Etiketli veri bulunduğu için denetimli öğrenme algoritmaları kullanılır. Örneğin, karar ağacı (decision tree) algoritması seçilebilir. Bu algoritma, müşterinin davranışlarına göre kararlar alır ve kayıp riskini tahmin eder.

Model
Karar ağacı, geçmiş verilerle eğitildikten sonra, yeni müşteriler için tahminler yapabilen bir yapıya dönüşür.

Uygulama
Model eğitildikten ve doğrulandıktan sonra, yeni müşteriler için tahmin yapılır. Örneğin, düşük kullanım ve sık destek talebi olan bir müşteri için kayıp riski yüksekse, şirkete bu müşteriye özel teklif sunması önerilebilir.

Sonuç olarak bu üç aşamalı yapı; eğitim, doğrulama ve test, yapay zekâ modellerinin doğru, güvenilir ve uygulanabilir sonuçlar üretmesi için kritik bir temel sağlar. Gerçek dünyadan alınan örneklerle bu kavramlar, iş süreçlerini dönüştüren somut araçlar hâline gelir. Bu temel kavramları anlamak, iş profesyonellerinin yapay zekâyı daha anlaşılır hale getirmelerine ve karar alma süreçlerini nasıl dönüştürebileceğini görmelerine yardımcı olmaktadır. Bu tür pratik uygulamalarla yapay zekâ, soyut bir fikir olmaktan çıkıp verimliliği artıran, sonuçları iyileştiren ve yenilik fırsatları yaratan somut bir araç haline gelmektedir.