Özet. Bir Reklam AracÕV YazÕOP , hangi reklam aÕ÷ ndan hangi sÕ rada reklam talep edece÷ ine dair kararÕ verirken uygulamanÕ n reklam gelirini azami seviyeye çÕ karmayÕ hedefler. Bu kararÕ ne kadar iyi verebilece÷ i, reklam gelirini ölçmek için kullanÕ lan eBGBM (Etkin Bin Gösterim BaúÕ na Maliyet) de÷ erini ne kadar iyi tahmin edebilece÷ ine baOÕG÷ r. Mevcut durumda bu tahmin, önceden kodlanmÕú bir karar mekanizmasÕ ve konu alanÕ uzmanlarÕ tarafÕ ndan belirlenen parametreler do÷ rultusunda yapÕ lmaktadÕ r. Bu tahminin daha iyi yapÕ labilmesi ve zaman içinde oluú an veri do÷ rultusunda güncellenebilmesi için makine ö÷ renmesi algoritmalarÕQ n kullanÕ lmasÕ mümkündür. Bu bildiride, mevcut sisteme makine ö÷ renmesi yetenekleri kazandÕ rmak için yapÕ lan planlama çalÕú malarÕ sunulmaktadÕ r. Bu kapsamda bir makine ö÷ renmesi süreci, bu süreci gerçekleú tirmek için tasarlanan bir mimari ve geliú tirme takQÕP n sahip olmasÕ gereken yetkinlikler anlatÕ lmWÕú r.
1
Son yÕ llarda mobil cihazlarÕ n kullanÕP oldukça yaygÕ nlaWÕPú r. Bu cihazlarÕ n kullanÕF lar tarafÕ ndan benimsenmesinin temel nedenlerinden biri bu cihazlar üzerinde çalÕú an uygulamalarÕ n sayÕQV n artmasÕ , çeú itlenmesi ve kullanÕF larÕ n birçok gereksinimini karÕú lamalarÕ na yardÕ mcÕ olmalarGÕ r. Mobil uygulamalarÕ n önemli bir bölümünün gelir modeli reklam gösterimine dayanmaktadÕ r. Mobil cihaz ve uygulama sayÕV ndaki artÕú reklam sektörünün de mobil kanallara a÷Õ rlÕ k vermesine neden olmuú tur. Mobil uygulamalara reklam sa÷ layan çok sayÕ da reklam a÷Õ ortaya Õo kmWÕú r. Bu reklam a÷ larQÕ n temel amacÕ reklam verenler ile reklam yayÕ mlayanlar (bu durumda mobil uygulamalar) arasÕ nda bir köprü kurmaktÕ r. Reklam a÷ larQÕ n sayÕQV n artmasÕ yla birlikte de çok sayÕ da reklam aÕ÷ ile reklam yayÕ mlayanlar arasÕ nda köprü kurma görevini reklam aracÕV yazÕO mlarÕ üstlenmeye baú lamWÕú r.
Bir reklam aracÕV yazPÕO , bir uygulamaya reklam sa÷ larken, hangi reklam
D÷ larÕ ndan hangi sÕ rada reklam talep edece÷ ine dair karar verirken uygulamanÕ n
reklam gelirini (aynÕ zamanda da kendi reklam gelirini) azami seviyeye çÕ karmayÕ
amaçlamaktadÕ r. Bunun için de reklam gösteriminden en fazla gelir sa÷ lanabilecek
reklam aÕ÷ ndan baú layarak reklam talebinde bulunur. Mobil reklam sektöründe
reklam gösterimi baÕú na geliri ifade etmek için eBGBM (Etkin Bin Gösterim BaÕú na
Maliyet; ø ngilizcesi: eCPM – Effective Cost per Mille) kavramÕ kullanÕ lmaktadÕ r.
Mevcut durumda Kokteyl ú irketinin Reklam AracÕV YazPOÕ nda gerçekleú ecek
eBGBM de÷ erleri alan uzmanlarÕ tarafÕ ndan sezgiye dayalÕ olarak tahmin
edilmektedir ve sistemde güncellenmektedir. eBGBM de÷ erini etkileyebilecek
de÷Lú kenler tespit edilerek, bu de÷Lú kenlerle eBGBM arasÕ ndaki örüntülerin makine
÷| renmesi algoritmalarÕ yla tespit edilmesi mümkün görünmektedir. Bu çalÕú ma
kapsamÕ nda Kokteyl ú irketinin mevcut Reklam AracÕV YazOPÕ na makine ö÷ renmesi
yetenekleri kazandUÕ lmasÕ için yürütülen projenin planlama aú amasÕ nda
gerçekleú tirilen faaliyetler paylaÕú lmaktadÕ r. Planlama aú amasÕ nda gerek reklam
sektöründeki gerekse baú ka sektörlerdeki benzer çalÕú malar [
Bildirinin geri kalan bölümleri ú u ú ekilde düzenlenmiú tir: ø kinci bölüm mobil reklam sektörü, ú irketin reklam aracÕV yazPÕO ve makine ö÷ renmesi hakkÕ nda genel bir bilgi vermektedir. Üçüncü bölümde makine ö÷ renmesi yeteneklerine sahip bir mimari tasarÕ m anlatÕ lmaktadÕ r. Dördüncü bölümde ilgili çalÕú malar özetlenmiú tir. Son bölümde bir özet ve gelecek çalÕú malar sunulmuú tur. Mobil Reklam Sektörü ve Reklam AracÕV YazÕOP Mobil reklam sektöründeki ana paydaú lar ù ekil 1’de gösterilmektedir. Reklam verenler, reklam a÷ larÕ na ürünleri ve/veya hizmetleri hakkÕ nda reklam vermektedir. YayÕ ncÕ lar, reklam a÷ larÕ ndan reklam talep etmekte ve reklam a÷ larÕ yayÕ ncÕ ya o andaki en uygun reklamÕ sa÷ lamaktadÕ r. Uygun reklamÕ n seçimi konusundaki karar birçok de÷Lú kene (yayÕ ncÕQ n hangi uygulama oldu÷ u, son kullanÕF hakkÕ ndaki bilgiler, uygulamanÕ n çal÷WÕú cihaz gibi) ba÷OÕ olarak de÷Lú mektedir. YayÕ ncÕ larÕ n reklam a÷ larÕ ndan do÷ rudan reklam almasÕ durumunda bazÕ zorluklar ortaya Õo kmaktadÕ r. UygulamanÕ n geliú tirilmesi açÕV ndan ortaya çÕ kan bir zorluk, yayÕ ncÕ uygulamanÕ n reklam talep edece÷ i tüm reklam a÷ larÕ yla ayrÕ ayrÕ entegre olma gereksinimidir. øú amaçlarÕ açÕV ndan bakÕ ldÕ÷ nda bir yayÕ ncÕ QÕ n birçok reklam D÷Õ ndan en uygun reklamÕ (en fazla geliri getirecek reklam) alamamasÕ durumunda gelir kaybÕ yaú ayacaktÕ r. DolayÕV yla yayÕ ncÕ ÕQ n en uygun reklamÕ seçecek karar algoritmasQÕ uygulamanÕ n bir parçasÕ olarak geliú tirmesi gerekmektedir. Reklam aracÕ larÕ birçok reklam a÷Õ ile entegre olarak en uygun reklamÕ sa÷ lama konusunda uzmanlaú maktadÕ r. Uygulama geliú tirme açÕV ndan yayÕ ncÕ uygulamanÕ n sadece bir reklam aracÕV ile entegre olarak birçok reklam a÷Õ ndan reklam alabilmektedir ve çok sayÕ da reklam a÷Õ ile entegre olmanÕ n getirdi÷ i karmaÕú klÕ k reklam aracÕV tarafÕ ndan yönetilmektedir. Bunun yanÕ nda en uygun reklamÕ seçme konusunda uzmanlaú an reklam aracÕ larÕ bu iú i de yayÕ ncÕ uygulamalarÕ n yerine yapmaktadÕ r. Böylece yayÕ ncÕ larÕ n reklam gelirlerini arttÕ rmasÕ na yardÕ mcÕ olmaktadÕ r. Son kullanÕF lar ise yayÕ ncÕ uygulamalarÕ kullanarak reklamlarÕ görüntülemekte ve bu reklamlara karÕú zaman zaman bir davranÕú (reklama tÕ klama, uygulama indirme ve kurma, ürün satÕ n alma gibi) sergilemektedir. Bu tür davranÕú lar yayÕ ncÕ lara gelir sa÷ lamaktadÕ r.
Reklam Veren reklam verir ù ekil 1. Mobil reklam sektöründeki ana paydaú lar.
Reklam AŦŒ
ù ekil 2’de reklam aracÕV yazQPÕO n (yazÕO m mimarisi için bkz. [
YayŦ ncŦ lar
RAY YGK RAY YGK reklam saΠlar reklam talep eder
(RAY) Sunucu UygulamasŦ b elale Listesi Üretim
ŦŒ 1'in YGK’si
ŦŒ 1
Reklam ŦŒ 2 ù ekil 2. Reklam aracVÕ yazÕOQP
n yayÕ ncÕ lar ve reklam a÷ larÕ ile iliú kisi.
ù ekil 2’de RAY’nin içerdi÷ i bir bileú en olarak ù elale Listesi Üretim Motoru gösterilmektedir. ù elale listesi, yayÕ ncÕQ n hangi reklam a÷ larÕ ndan hangi sÕ rada reklam talebinde bulunmasÕ gerekti÷ ini belirleyen bir öncelik listesidir (Bkz. Tablo 1). ù elale listesi, her bir yayÕ ncÕ için belirli aralÕ klarla (örne÷ in günlük) çeú itli de÷Lú kenler (reklam formatÕ , reklam alanÕ , geçmiú eBGBM de÷ erleri gibi) göz önüne alÕ narak ú elale listesi üretim motoru tarafÕ ndan üretilir. Her yayÕ ncÕ uygulamanÕ n RAY YGK’si bu ú elale listesini belirli aralÕ klarla sunucu uygulamasÕ ndan indirerek reklam taleplerini bu güncellenmiú listeye göre yapar. ù elale listesindeki sÕ ralama gelecekte gerçekleú ecek eBGBM de÷ erlerini ne kadar iyi tahmin edebilirse reklam gelirleri o kadar artacaktÕ r. eBGBM reklam gösterimi baÕú na geliri ifade etmektedir ve “(Gelir / Gösterim SayÕV ) x 1000” formülü ile hesaplanmaktadÕ r. Mevcut durumda ú elale listesi oluú turmak için kullanÕ lan girdiler (eBGBM tahminleri gibi) alan uzmanlarÕ tarafÕ ndan yapÕ lan gözlemler sonucunda sezgisel olarak belirlenmektedir ve güncellenmektedir. Mevcut bu çözüme alternatif olarak eBGBM de÷ erini etkileyen parametrelerin tespit edilmesi ve makine ö÷ renmesi algoritmalarÕ kullanÕ larak eBGBM tahmin edilmesi hedeflenmektedir.
Tablo 1. Örnek bir ú elale listesi. 1. sÕ radaki reklam aÕ÷ ÷( er reklam alÕ ndÕ ysa
ReklamÕ göster ÇÕ k 2. sÕ radaki reklam aÕ÷ ÷( er reklam alÕ ndÕ ysa
ReklamÕ göster ÇÕ k 3. sÕ radaki reklam aÕ÷ ÷( er reklam alÕ ndÕ ysa
ReklamÕ göster ÇÕ k … ndan reklam talep et ndan reklam talep et ndan reklam talep et 2.2
Makine Ö÷ renmesi
Makine ö÷ renmesi, bilgisayar sistemlerini açÕ k bir ú ekilde programlamadan,
bilgisayar sistemlerine “ö÷ renme” yetene÷ ini (yani belirli bir görevi yerine getirirken
gösterdi÷ i performansÕ kademeli olarak geliú tirme) kazandÕ rmak için istatistiksel
teknikleri kullanan bilgisayar biliminin bir alanGÕ r. Ö÷ renme süreci gözetimli ya da
gözetimsiz olabilmektedir. Gözetimsiz (unsupervised) ö÷ renmede, açÕ k bir geri
bildirim sa÷ lanmasa bile bilgisayar sistemi girdideki örüntüleri ö÷ renir [
Veri analizi farklÕ amaçlar için, farklÕ sorulara cevap bulmak için yapÕ labilir. Bu
konuda yaygÕ n olarak kullanÕ lan bir sQÕ flandÕ rma veri analiti÷ i türlerini dört ana
baúOÕ kta toplamaktadÕ r [
Bu proje kapsamÕ nda tahminleyici analiz ile hangi parametrelerin eBGBM de÷ erinin oluú umuna etkisi oldu÷ u tespit edilmeye çalÕú lacaktÕ r. SonrasÕ nda mevcut veri kullanÕ larak gözetimli ö÷ renme yaklaÕPú yla gelecekte oluú abilecek eBGBM de÷ erleri tahmin edilmeye çalÕú lacaktÕ r. Bu görevleri yerine getirebilmek için yapÕ lan mimari tasarÕ m ve literatürde dayandÕ÷ temeller bir sonraki bölümde anlatÕ lmaktadÕ r. 3
Makine Ö÷ renmesi Yeteneklerine Sahip Bir Mimari TasarÕP
[
NÕO nmasÕ için gerekli yetkinliklerin kazanÕ lmasÕ 3.1
Makine Ö÷ renmesi Süreci
Bir sistemin makine ö÷ renmesi yeteneklerini kazanabilmesi için veri ve makine
÷| renmesi (yaklaÕú mlar, teknikler, algoritmalar gibi) ile ba÷ lantÕO bazÕ iú lemlerin
yapÕ lmasÕ gerekmektedir. Bu iú lemler için literatürde [
Makine ö÷ renmesi sürecinde aú amalar arasÕ nda genellikle sÕ k geçiú ler
olabilmektedir ve süreç sÕ ralÕ bir düzende ilerlememektedir. Bundan dolayÕù ekil 3’te
gösterildi÷ i gibi yinelemeli ve artUÕ mlÕ bir süreç takip edilmektedir (benzer bir süreç
önerisi için [
Problemin çözümlenmesi
Verinin elde edilmesi, hazŦ rlanmasŦ ve geçerlenmesi Modelin performansŦŶ n
izlenmesi Modelin konuƔ landƌŦ lmasŦ
Problemin modellenmesi Modelin deΠerlendirilmesi
ve ayarlanmasŦ Mevcut sistemin, modeli kullanabilmesi için gerekli deŝƔŒ ikliklerin yapŦ lmasŦ ù ekil 3. Yinelemeli ve artUÕ mlÕ makine ö÷ renmesi süreci.
YukarÕ da belirtilen süreç kullanÕ larak bu proje kapsamÕ nda her adÕ mda yapÕ lmasÕ
planlananlar aD÷Õú daki gibidir:
1. Bu çalÕú ma kapsamÕ nda çözülmesi hedeflenen problem eBGBM de÷ erinin tahmin
edilmesidir. Bu tahmin etme iú i için geçmiú te oluú an eBGBM de÷ erleri, bu
de÷ erlerin oluú masQÕ etkiledi÷ i düú ünülen özelliklerin (feature) de÷ erleri
kullanÕ larak gözetimli ö÷ renme yaklaÕPú kullanÕ lacaktÕ r.
2. Bunun için çeú itli kaynaklarda saklanan veriler birleú tirilecek, temizlenecek ve
makine ö÷ renmesi algoritmalarQÕ n kullanÕP için hazÕ r hale getirilecektir.
3. SonrasÕ nda bu problemin çözümü için uygun olabilecek algoritmalar
gerçeklenecektir. Literatürdeki bulgulara göre bu problem için çoklu ba÷ lanÕ m
(multiple regression) modelinin uygun olabilece÷ i de÷ erlendirilmektedir [
Proje kapsamÕ nda bu süreci desteklemek için tasarlanan mimari bir sonraki bölümde anlatÕ lmaktadÕ r. 3.2
Makine Ö÷ renmesi Yeteneklerine Sahip Bir Mimari
Makine ö÷ renmesi yeteneklerinin geliú tirildi÷ i sistemlerde karmaÕú klÕ÷ n büyük bir
ÕN smÕ verinin elde edilmesi, hazÕ rlanmasÕ ve geçerlenmesi, sonrasÕ nda ise makine
÷| renmesi modellerinin oluú turularak ayarlanmasÕ aú amalarÕ nda ortaya çÕ kmaktadÕ r
[
deŒ erlendirme bileƔ eni
Üst veri deposu
TanŦ mlayŦĐ
analiz serv isleri bileƔ eni Öngörüsel
analiz serv isleri bileƔ eni Çoklu veri modelli veri eriƔ im katmanŦ
Veri ambarŦ 7 liƔ kisel olmayan
veri kaynaklarŦ 7 yileƔ tirici
analiz serv isleri bileƔ eni 7 liƔ kisel
veri kaynaklarŦ ù ekil 4. Makine ö÷ renmesi yeteneklerini mevcut sisteme kazandÕ rmak için gerekli bileú enler.
Makine ö÷ renmesi algoritmalarÕ na gözetimli ö÷ renme için girdi olarak verilecek
veri iliú kisel ve iliú kisel olmayan kaynaklarda saklanmaktadÕ r. Bu kaynaklardaki
veriye birleú tirilmiú bir ú ekilde ulaú abilmek için bir çoklu veri modelli veri eriú im
katmanÕ [
ù ekil 5’te veri hazÕ rlama görevlerinin ve makine ö÷ renmesi modellerinin tasarÕ m
açÕV ndan olasÕ geliú im aú amalarÕ gösterilmektedir [
ù ekil 5. Veri hazÕ rlama görevlerinin ve makine ö÷ renmesi modellerinin evrimi.
TanÕ mlayFÕ analiz servisleri bileú eni, makine ö÷ renmesi modeli oluú turulmak için gerekli olan mevcut veriyi anlamaya yönelik çözümlemeleri sunan hizmetleri sa÷ layacaktÕ r. Bu çözümlemeler sonucunda eBGBM de÷ erini etkileyen özellikler belirlenecektir. Tahminleyici analiz servisleri bileú eni eBGBM de÷ erinin tahmin edilmesine yönelik hizmetleri sa÷ layacaktÕ r. Bunun için gözetimli ö÷ renme yaklaÕPú ve çoklu do÷ rusal ba÷ lanÕ m modeli kullanÕ lacaktÕ r. ø yileú tirici analiz servisleri bileú eni, konuú landUÕ lan modelin performansQÕ izlemek için gerekli hizmetleri sunacaktÕ r. Zamana baÕO÷ olarak deL÷ú en eBGBM de÷ erinin zaman serisi analizi teknikleri kullanÕ larak daha iyi tahmin edilmesine yönelik iyileú tirme çalÕú malarÕ yapÕ lacaktÕ r. FarklÕ ortam verilerine sahip makine ö÷ renmesi modelleri arasÕ nda NÕ yaslama yapÕ labilecek ve ortam verisinin de÷Lú imine göre makine ö÷ renmesi modelinin otomatik olarak evrilmesi sa÷ lanacaktÕ r.
Görsel servisler, kullanÕF larÕ n amaçlarÕ na uygun biçimde veriyi görselleú tirerek sunacaktÕ r. Modelleme ve de÷ erlendirme bileú eni ise tanÕ mlayÕF , tahminleyici ve iyileú tirici analiz servislerini kullanarak çeú itli modeller oluú turulmasÕ ve bunlarÕ n de÷ erlendirilmesi için veri analiz uzmanlarÕ na bir arayüz sunacaktÕ r. Bunun için Jupyter Notebook (http://jupyter.org/) gibi araçlar kullanÕ labilecektir.
Tasarlanan mimarideki bileú enleri geliú tirmek ve sonrasÕ nda kullanmak için çeú itli yetkinlikler gerekmektedir. Bu yetkinlikler çeú itli roller altÕ nda sQÕ flandUÕ larak bir sonraki bölümde anlatÕ lmaktadÕ r. 3.3
Makine Ö÷ renmesi Yeteneklerinin Geliú tirilmesi ø çin Gerekli Yetkinlikler
Makine ö÷ renmesi yeteneklerinin geliú tirilmesi için gerekli yetkinlikler genellikle veri
analiti÷ i uzmanÕ , makine ö÷ renmesi uzmanÕ , veri bilimci gibi unvanlar altÕ nda
toplanmaktadÕ r [
Çoklu veri eriú im katmanÕ ve veri iú leme bileú enleri yazÕO m mühendisleri tarafÕ ndan geliú tirilecektir. Bu bileú enler geliú tirilirken konu alanÕ uzmanlarÕ gereksinimleri belirleyecek ve geliú tirilen bileú enleri test edecektir.
Tüm bu bileú enlerin barÕ ndUÕ lmasÕ için gerekli altyapÕ\ ise altyapÕ mühendisi oluú turacak ve iú letilmesini sa÷ layacaktÕ r.
Veri analiti÷ i uzmanÕ , temel istatistik ve matematik bilgisinin [
Özet olarak, bu proje kapsamÕ nda farklÕ yetkinliklere sahip olmayÕ gerektiren dört ana rol bulunacaktÕ r. Veri analiti÷ i uzmanÕ , yazÕO m mühendisleri, konu alanÕ uzmanlarÕ ve altyapÕ mühendisi birlikte çalÕú arak projenin baú arÕO bir ú ekilde tamamlanmasQÕ sa÷ layacaktÕ r. 4
ø lgili ÇalÕú malar NIST’Õ n yayÕ mladÕ÷ “büyük veri birlikte çalÕú abilirlik çerçevesi”nde [23] önerilen referans mimaride verinin kaynaÕ÷ ndan alQÕ p kullanÕ lacaÕ÷ noktaya ulaUOÕWú ncaya kadar gerekebilecek iú levler beú baOÕú k altÕ nda toplanmWÕú r. Toplama (collection), verinin elde edilmesine; hazÕ rlama (preparation), verinin uygun formata dönüú türülmesine; analitik (analytics), veriden bilgi ve içgörü elde edilmesine; görselleú tirme (visualization), bilginin uygun ú ekillerde sunulmasÕ na; eriú im (access), veriyi kullanacak paydaú larla iletiú imin sa÷ lanmasÕ na dair görevleri kapsamaktadÕ r. NIST’in referans mimarisindeki bu baOÕú klarda ele alÕ nmasÕ önerilen görevler ù ekil 4’teki mimaride kapsanmaktadÕ r.
Elde edilen makine ö÷ renmesi modellerinin konuú landUÕ lmasÕ ve baú ka paydaú lar tarafÕ ndan kullanÕ labilir duruma getirilmesi çeú itli çözümler sunulmaktadÕ r. Örne÷ in, Algorithmia gibi platformlar makine ö÷ renmesi modellerinin konuú landUÕ lmasÕ için gerekli altyapÕ\ sa÷ lamaktadÕ r [24]. Bu platform, modellerin kolayca konuú landUÕ lmasÕ , API ile baú ka uygulamalarÕ n kullanPÕ na sunulmasÕ gibi hizmetleri sa÷ lamaktadÕ r [24]. Bu çalÕú ma kapsamÕ nda makine ö÷ renmesi modellerini servis olarak sunan bir platformun da geliú tirilmesi hedeflenmektedir.
[
Mobil cihazlarÕ n ve uygulamalarÕ n yaygÕ nlaú masÕ ve bu uygulamalarÕ n önemli bir bölümünün gelirlerini reklam gösterimiyle elde etmeye baú lamasÕ yla birlikte mobil reklam sektörünün hacmi büyümüú ve sektördeki paydaú larÕ n sayÕV artmWÕú r. Bir uygulamada, bir kullanÕF için hangi reklamlarÕ n gösterilmesinin nasÕ l bir gelir getirece÷ ini tahmin etmek, mobil reklam sektörü için önemli bir problemdir. Bu proje kapsamÕ nda, geçmiú te oluú an veriden yola çÕ karak gözetimli ö÷ renme yaklaÕPú yla, elde edilebilecek gelirin tahmin edilmesi ve hangi reklamÕ n gösterilece÷ i kararQÕ n bu tahmine göre verilmesi amaçlanmaktadÕ r. Mevcut durumda konu alanÕ uzmanlarÕ tarafÕ ndan sezgisel olarak yerine getirilen bu tahmin görevinin, makine ö÷ renmesi modelleriyle daha iyi tahmin edilmesi ve bu modellerin sürekli iyileú tirilerek tahmin baú arQÕV n zaman içinde daha da arttUÕ lmasÕ beklenmektedir. Bu görevleri yerine getirebilmek için mevcut yazÕO m sisteminde makine ö÷ renmesi ile ilgili bileú enlerin geliú tirilmesi gerekmektedir. Bu çalÕú mada bu amaca hizmet edecek bir mimari tasarÕ m sunulmuú tur.
Gelecek çalÕú malar kapsamÕ nda bu mimari tasarÕ m do÷ rultusunda geliú tirmeler yapÕ lacaktÕ r. Bu geliú tirmeler yapÕO rken Kokteyl firmasQÕ n yazÕO m geliú tirme süreci (mevcut süreç için bkz. [25]) makine ö÷ renmesi yetenekleri geliú tirilebilecek ú ekilde düzenlenecektir.
Teú ekkür
Bu çalÕú ma TÜBø TAK’Õ n deste÷ iyle 3171053 numaralÕ proje kapsamÕ nda yapÕ lmÕúW r. 23. NIST Big Data Public Working Group, Reference Architecture Subgroup: NIST Big Data Interoperability Framework: Volume 6, Reference Architecture. NIST Special Publication 1500-6r1, Version 2, (2018). https://doi.org/10.6028/NIST.SP.1500-6r1 24. Algorithmia: Deploying Machine Learning at Scale with Serverless Microservices.
Whitepaper, (2018). 25. Giray, G., Yilmaz, M., O’Connor, R. V., Clarke, P. M.: The Impact of Situational Context on Software Process: A Case Study of a Very Small-Sized Company in the Online Advertising Domain. In: European Conference on Software Process Improvement, pp. 2839. Springer, Cham, (2018).