Neyin nesi bu Anomali Tespiti

Ajans dünyası veri standardizasyonu ve metriklere daha fazla odaklandıkça, şirketler veri noktalarındaki aykırı değerleri ve anormallikleri bulmanın bir yolu olarak anomali tespitine yöneliyor.

Bu veri analizi süreci, ajanslara ve iş ortaklarına (ister müşteriler ister reklam teknolojisi yüklenicileri olsun) şüpheli kalıpları belirleme, müşteriler için uyumluluğu izleme ve ideal olarak zararlı verilere karşı önleyici bir tedbir olarak hizmet etme konusunda yardımcı olabilir – tıpkı bankaların dolandırıcılığı hedeflemek için kullandığı gibi.

Bu stratejinin nasıl işlediğine ve gizlilik ihtiyaçları arttıkça ve standardizasyon çabaları geliştikçe entegrasyonun neden daha önemli hale geldiğine bir göz atalım.

Nedir Bu?

Anomali tespiti, verilerdeki aykırı değerleri ve diğer olağandışı kalıpları tespit etmek için veri noktalarını inceler. İşletmeler bunu dolandırıcılığı, ihlalleri, hassas bilgilerin ifşa edilmesini önlemek ve aynı zamanda diğer anormal faaliyetleri izlemek için kullanır. Arkasındaki yöntem yeni olmayabilir, ancak daha fazla veri kullanılabilir hale geldikçe dikkat çekiyor – manuel izlemeye kıyasla verileri izlemek için daha verimli bir yol sunuyor.

Nasıl çalışır? Örnek nedir?

Anomali tespiti tüm verileri tarar ve ister veri türünde ister tanımlanmış parametreler tarafından belirlenen veri hacminde olsun, meydana gelen herhangi bir değişimi arar. Amaç, verilerde bir şeylerin bozuk olduğu, örneğin harcamalarda farklı oranlarda artış veya azalma gibi herhangi bir düzensizliği tespit etmektir. Bunlar, tanımlanmış normal davranışın dışında olduğu düşünülen faaliyetler ve olaylar da olabilir.

Media.Monks’un makine öğrenimi ve yapay zeka çözümleri kıdemli direktörü Michael Neveu kısa süre önce Digiday’e verdiği demeçte, “Veri noktaları arıyorsunuz ve bunların hepsi bireysel markaların yaşadıklarına göre uyarlanmış durumda” dedi.

İnsanlar neden şimdi bunun hakkında konuşuyor?

Yapay zeka ve makine öğreniminin kullanımı bu tür anormalliklerin artmasına yol açabilir. Code and Theory’nin CTO’su David DiCamillo, örneğin Bard ve OpenAI gibi araçların “yalanlar” üretebileceğini veya hatalar yapabileceğini açıkladı. Bu platformlar çeşitli kaynaklardan veri alarak insanlara cevaplar verme eğilimindedir, bu yüzden de insanlara kaynakları kontrol etmelerini ve bilgileri doğrulamalarını hatırlatan uyarılar eklerler. DiCamillo’ya göre bunlar aynı zamanda halüsinasyon olarak da adlandırılıyor ve YZ sistemlerindeki normal operasyonlardan sapmalar olarak kabul ediliyor.

DiCamillo, “YZ’nin beyni sadece programlandığı verilerdir, bu nedenle verilerde anormallikler varsa, o zaman bir miktar halüsinasyon görmeyi bekleyebiliriz” dedi.

Neden önemli?

Crossmedia’nın performans medyası sorumlusu Ram Singh, anomali tespitinin ajansların ve iş ortaklarının tahmin, envanter yönetimi ve müşteri deneyimi gibi süreçleri iyileştirmesine yardımcı olabilecek bir araç setinin parçası olduğunu söyledi.

Singh, “Bunu doğru yapmanın ileriye dönük başka faydaları da var,” diyor. “Bu tür gelişmiş tespit ve standardizasyon yoluyla sıkı performans yönetimi, tahmin, gelir ve işgücü planlaması, envanter yönetimi, müşteri deneyiminin iyileştirilmesine yardımcı olur … sorunları hızlı bir şekilde tespit etmek için [bu modelleri kullanmak] tasarrufları müşteriye geri aktarmamızı [veya tasarrufları müşteri hizmetlerini yükseltmek ve performansı hedeflerin ötesine taşımak için daha gelişmiş çözümleri finanse etmek için kullanmamızı] sağlar.”

Markalar ayrıca marka güvenliğini korumak ve veri ve gizlilik uyumluluk ölçümlerini izlemek için anomali tespit araçlarıyla da ilgileniyor. Bu strateji, veri ve kaynak hacmi arttıkça önemli değişiklikleri bulmalarına ve hızla yanıt vermelerine yardımcı oluyor. DiCamillo, yapay zekanın geliştirilmesinin düzensiz veriler için sürekli izleme gerektireceğini de sözlerine ekledi. “Müşterilerimize YZ’yi uygulamanın evinize bir köpek yavrusu almak gibi olduğunu söylemekten hoşlanıyoruz – asla büyümeyecek, sürekli gözetime ihtiyaç duyacak ve asla tuvalet eğitimi almayacak bir köpek yavrusu” dedi. “YZ araçlarınızın beklendiği gibi performans göstermesi için sürekli bakım ve gözetim gerekir.”

Kurumlar anomali tespitinden nasıl yararlanıyor?

Veri standardizasyonu uygulamaları için kullanıyorlar ve sorunları hızlı bir şekilde tespit etmek ve bunlara yanıt vermek için modeller oluşturmak üzere makine öğreniminden yararlanıyorlar. Singh, bunun nihayetinde medya performansına yardımcı olduğunu ve “anomali tespitinin standartlaştırma süreçleri için çok önemli olduğunu” söyledi.

Verilerin analiz edilmesine ve yapay zeka tarafından üretilen bilgilerin izlenmesine yardımcı olan Fiddler ve Arize AI gibi bir dizi yapay zeka aracı da var. DiCamillo, şimdilik tüm bu veri aykırı değerlerini tespit eden tek bir yazılım olmadığını, bu nedenle hala insan gözetimi gerektireceğini açıkladı. Bu arada, ajanslar da anormallikleri işaretlemek için analistlerine ve kullanıcı geri bildirimlerine güvenmeye devam etmek zorunda kalacaklar.

DiCamillo, “Düzenli sistem denetimleri, faaliyet kaydı ve ayrıntılı denetim izlerinin tutulmasını öneriyoruz” dedi.

Bunlar anormalliklerin ortaya çıkmasına yardımcı olabilir ve kurumların ayarlamalar yapmasına ve modellerini ve algoritmalarını yeniden eğitmesine olanak tanıyabilir – özellikle de yapay zekanın veri toplama ve analiz üzerindeki etkisi kurum işinde şekillenirken.

Kaynak: https://digiday.com/

Facebook\\\\\\\'ta paylas

Tweetle