RapidMiner, Inc.’in Kurucu ve Başkanı Ingo Mierswa – Röportaj Serisi

Ingo Mierswa, RapidMiner, Inc.’in kurucu ve başkanıdır. RapidMiner, açık ve genişletilebilir bir veri bilimi platformu aracılığıyla işletmelere yapay zeka getirir. Analitik takımları için oluşturulan RapidMiner, veri hazırlama, makine öğrenimi ve öngörülü model dağıtımı dahil olmak üzere tüm veri bilimi yaşam döngüsünü birleştirir. 625.000’den fazla analitik profesyonel, RapidMiner ürünleri kullanarak gelir artırmak, maliyetleri azaltmak ve risklerden kaçınmak için çalışır.

RapidMiner’i başlatma fikrinin ardındaki ilham nedir?

Veri bilimi danışmanlık işinde birçok yıl çalıştım ve formal bir veri bilimi eğitimi olmayan kişiler için daha sezgisel ve erişilebilir bir platforma ihtiyaç duyulduğunu gördüm. O zamanlar mevcut birçok çözüm kodlama ve komut dosyalarına dayanıyordu ve kullanıcı dostu değildi. Ayrıca, bu platformlarda geliştirilen çözümlerin verilerini yönetmek ve bakımını yapmak zor oluyordu. Temel olarak, bu projelerin bu kadar zor olmasını gerektirecek bir şey olmadığını farkettim, bu nedenle herkesin harika bir veri bilimcisi olabilmesi için RapidMiner platformunu oluşturmaya başladık.

RapidMiner tarafından kullanılan tam şeffaflık yönetimini tartışabilir misiniz?

Bir modeli açıklamak mümkün değilse, onu ayarlamak, güvenmek ve çevirmek oldukça zordur. Veri bilimi çalışmalarının büyük bir kısmı, sonuçları başkalarına iletmek ve paydaşların süreçleri nasıl iyileştirebileceklerini anlamalarına yardımcı olmaktır. Bu, güven ve derin bir anlayış gerektirir. Ayrıca, güven ve çeviri sorunları, bir modeli üretime almak için kurumsal gereksinimleri karşılamak çok zor hale getirebilir. Bu mücadeleyi birkaç farklı şekilde yürütüyoruz:

RapidMiner, temel olarak bir görsel veri bilimi platformudur ve tüm veri boru hatları ve modeller için yüksek oranda tüketilebilen bir formatda bir açıklama oluşturur. Bu, modelleri şeffaf hale getirir ve kullanıcıların model davranışını anlamalarına, güçlü ve zayıf yanlarını değerlendirmelerine ve potansiyel önyargıları tespit etmelerine yardımcı olur.

Ek olarak, platformda oluşturulan tüm modeller, kullanıcıya – genellikle modeli oluşturan kullanıcıya – model içgörülerini kazanmak, model davranışını anlamak ve model önyargılarını değerlendirmek için genişLETİlmış görselleştirmeler sağlar.

RapidMiner, ayrıca üretim aşamasında model açıklamaları sağlar: Her bir model tarafından oluşturulan her bir tahmin için, RapidMiner, bu modelin kararlarına yol açan veya etkileyen etkenleri oluşturur ve ekler.

Son olarak – ve bu bana kişisel olarak çok önemli, çünkü mühendislik ekiplerimizle birlikte bunu birkaç yıl önce sürdürebildim – RapidMiner, ayrıca çok güçlü bir model simülatörü sağlar. Bu, kullanıcıların, kullanıcı tarafından sağlanan girdi verilerine dayanarak model davranışını simüle etmelerine ve gözlemlemelerine olanak tanır. Girdi verilerini kolayca ayarlayabilir ve değiştirebilir, böylece kullanıcı, çeşitli hipotetik veya gerçek dünya senaryolarında modellerin öngörülü davranışını anlamak için modeli test edebilir. Simülatör ayrıca, modelin kararını etkileyen faktörleri görüntüler. Kullanıcı – bu durumda, iş kullanıcıları veya alan uzmanları – model davranışını anlamak, modelin kararını gerçek sonuçlarla veya alan bilgisi ile doğrulamak ve sorunları tanımlamak için modeli test edebilir. Simülatör, geleceğe bakmanıza ve geleceğinize bakmanıza olanak tanır.

RapidMiner derin öğrenmeyi nasıl kullanır?

RapidMiner’in derin öğrenme kullanımından gurur duyuyoruz. Derin öğrenme uygulamak çok zor olabilir ve olmayan veri bilimcileri, uzman desteği olmadan bu ağları kurmakta zorluk çekebilir. RapidMiner, bu süreci tüm kullanıcılar için mümkün olduğunca basit hale getirir. Derin öğrenme, örneğin, RapidMiner Go adlı Auto makine öğrenimi (ML) ürünümüzün bir parçasıdır. Burada, kullanıcıların derin öğrenme hakkında hiçbir şey bilmelerine gerek yoktur, çünkü bu tür gelişmiş modelleri kullanabilirler. Ayrıca, güçlü kullanıcılar, RapidMiner ile oluşturdukları görsel iş akışlarından popüler derin öğrenme kütüphanelerini doğrudan kullanabilirler. Bu, yapı taşları ile oynamak gibi bir şeydir ve daha az veri bilimi becerisine sahip kullanıcılar için deneyimi basitleştirir. Bu yaklaşım, kullanıcıların esnek ağ mimarilerini, farklı aktivasyon fonksiyonları ve kullanıcı tanımlı katman ve düğümlerle, birden fazla katman ve düğümlerle, farklı eğitim teknikleriyle oluşturmasına olanak tanır.

Diğer tür makine öğrenimi nelerdir?

Hepsi! RapidMiner platformunda, Python ve R gibi yaygın olarak kullanılan veri bilimi programlama dillerinde uygulanabilecek yüzlerce farklı öğrenme algoritması sunuyoruz. RapidMiner, Naive Bayes, regresyon (Genelleştirilmiş Lineer Modeller gibi), kümeleme (k-Means, FP-Growth gibi), Karar Ağaçları, Rassal Ormanlar, Paralel Derin Öğrenme ve Gradient Boosted Trees gibi yöntemler sunar. Bunların hepsi ve daha fazlası, RapidMiner’in modelleme kütüphanesinin bir parçasıdır ve tek bir tıklamayla kullanılabilir.

Otomatik Model, optimal değerleri nasıl bilir?

RapidMiner AutoModel, akıllı otomasyon kullanarak her şeyi hızlandırır ve doğru, sağlam modellerin oluşturulmasını sağlar. Bu, örnek seçimi ve otomatik aykırı değer kaldırma, tarih veya metin gibi karmaşık veri türleri için özelliklerin mühendisliği ve optimal özelliklerin seçilmesi ve yeni özelliklerin oluşturulması için çoklu amaçlı otomatik özelliklerin mühendisliğini içerir. Auto Model, ayrıca veri temizleme yöntemleri sağlar, örneğin eksik değerleri düzeltmek, veri sütunlarının kalitesini ve değerini değerlendirmek, veri normalize etmek ve çeşitli diğer dönüşümler yapmak.

Auto Model, ayrıca veri kalitesi meta verilerini çıkarır – örneğin, bir sütunun bir Kimlik gibi davranma olasılığı veya eksik değerlerin sayısı. Bu meta veriler, temel meta verilerle birlikte, kullanıcıların “optimal değerleri” kullanmasına ve veri kalitesi sorunlarıyla başa çıkmasına yardımcı olmak için kullanılır.

Detaylar için, her şeyi Auto Model Maviprints’nde haritaladık. (Aşağıdaki resim için ek bağlam)

Otomasyonun uygulandığı dört temel aşama vardır:

– Veri hazırlama: Verilerdeki ortak kalite sorunlarını tespit etmek için otomatik veri analizi, örneğin korelasyonlar, eksik değerler ve stabilite.
– Otomatik model seçimi ve optimizasyonu, verilen veri ve en iyi makine öğrenimi tekniklerinin belirlenmesi ve optimal parametrelerin önerilmesi dahil tam doğrulama ve performans karşılaştırması.
– Model simülasyonu, öngörülen sonuçları elde etmek için alınması gereken belirli (preskriptif) eylemleri belirlemeye yardımcı olur.
– Model dağıtımı ve operasyon aşamasında, kullanıcılar, sürüklenme, önyargı ve iş etkisi gibi faktörleri otomatik olarak görür, ek çalışmaya gerek kalmaz.

Bilgisayar önyargısı, herhangi bir AI türü için bir sorun teşkil eder. Sonuçlarda önyargı oluşmasını önlemek için herhangi bir kontrol var mı?

Evet, bu, etik veri bilimi için gerçekten çok önemlidir. Daha önce belirtilen yönetim özellikleri, kullanıcıların her zaman model oluşturmak için kullanılan verilerin ne olduğunu, nasıl dönüştürüldüğünü ve veri seçiminde önyargı olup olmadığını görebilmesini sağlar. Ayrıca, sürüklenme tespiti özellikleri, önyargı tespiti için başka bir güçlü araçtır. Üretimde bir model, girdi verisinde çok fazla sürüklenme gösterirse, bu, dünyanın dramatik bir şekilde değiştiğinin bir işareti olabilir. Ancak, bu aynı zamanda eğitim verisinde ciddi bir önyargı olduğunu gösteren bir işaret olabilir. Gelecekte, diğer modellerde önyargı tespiti için makine öğrenimi modelleri geliştirmeyi düşünüyoruz.

RapidMiner AI Bulut’u ve rekabetçi ürünlerden nasıl farklılaştığını tartışabilir misiniz?

Veri bilimi projelerinin gereksinimleri büyük, karmaşık ve hesaplama yoğunluğunda olabilir, bu nedenle bulut teknolojisinin kullanımı veri bilimcileri için çekici bir strateji haline gelmiştir. Ne yazık ki, çeşitli yerli bulut tabanlı veri bilimi platformları, sizi belirli bir bulut satıcısının bulut hizmetlerine ve veri depolama tekliflerine bağlar.

RapidMiner AI Bulut, temel olarak RapidMiner platformunun bulut hizmeti sunumudur. Bu teklif, herhangi bir müşterinin ortamına uyarlanabilir. Bu, günümüzde çok önemlidir, çünkü çoğu işletmenin bulut veri yönetimine yönelik yaklaşımı çok hızlı bir şekilde gelişmektedir. Esneklik, RapidMiner AI Bulut’u ayıran ana özelliktir. Herhangi bir bulut hizmetinde, özel bulut yığınında veya hibrit bir kurulumda çalışabilir. Bulut taşınabilir, bulut tarafsız, çok bulut – ne derseniz diyin.

RapidMiner AI Bulut ayrıca çok az sorun teşkil eder, çünkü müşterilerin kendi işlerine odaklanabilmesi için tüm veya kısmi dağıtımı yönetme yeteneği sunar. Hatta kısa süreli projeler için bir ortam oluşturmak üzere bir talep üzerine seçenek mevcuttur.

RapidMiner Radoop, veri bilimi arkasındaki bazı karmaşıklıkları ortadan kaldırır, geliştiricilere nasıl fayda sağlar?

Radoop, büyük veri potansiyelini kullanmak isteyen geliştiriciler için değildir. RapidMiner Radoop, RapidMiner iş akışlarını kod gerektirmeden Hadoop içinde doğrudan çalıştırır. Ayrıca, RapidMiner yürütme motorunu Spark’a gömmek kolaydır, böylece komple iş akışlarını Spark’a kod merkezli yaklaşımların karmaşıklığı olmadan-push edebiliriz.

Bir hükümet kurumu, RapidMiner’i kullanarak verileri analiz edip potansiyel salgınları öngörebilir mi, BlueDot gibi?

RapidMiner, genel bir veri bilimi ve makine öğrenimi platformudur ve model oluşturma ve yönetim sürecini, hangi konunun veya alanın veri bilimi/makine öğrenimi sorununun merkezinde olduğuna bakılmaksızın basitleştirmek ve geliştirmek amaçlanmıştır. Salgınları öngörme konusunda odaklanmasak da, doğru verilere sahip bir konu uzmanı (bu durumda bir virolog veya epidemiyolog), platformu kullanarak salgınları doğru bir şekilde öngörebilen bir model oluşturabilir. Aslında, birçok araştırmacı RapidMiner’i kullanır ve platform akademik amaçlar için ücretsizdir.

RapidMiner hakkında paylaşmak istediğiniz başka bir şey var mı?

Deneyin! Veri bilimi ne kadar kolay olabileceği ve iyi bir platformun sizin ve ekibinizin verimliliğini nasıl artırabileceği konusunda şaşıracaksınız.

Bu harika röportaj için teşekkür ederiz, daha fazla bilgi öğrenmek isteyen okuyucular RapidMiner ziyaret edebilir.