Geçen hafta Dataistanbul tarafından düzenlenen “Data İstanbul 2025 Buluşması” etkinliğine katıldım. Etkinliği düzenleyen ekibin bilgilerini yazının alt kısmında paylaştım :)
Data Science dünyasından iki değerli ismin sunumları vardı. Sektördeki gelişmeleri yakından takip etmek için güzel bir etkinlikti, umarım daha fazla etkinlik düzenlenir.
İlk sunum Trendyol’dan Nezir Alp: E-ticarette Veri Biliminin Gücü başlığında yapıldı.
Nezir Alp Trendyol gibi devasa bir e-ticaret platformunun arkasındaki veri bilimi ve yapay zeka ekosistemini ve ekibinin 8 yıllık tecrübelerini aktardı.
Trendyol’da veri bilimi ve yapay zeka site içi aramad ve öneri sistemlerinden depo operasyonlarının optimize edilmesine kadar kullanlanıldığını aktardı. En dikkat çekici ifade ise Trendyolda birçok operasyonun önce bu ekibe getirilerek bunu yapay zeka ile nasıl çözeriz araştırması yapılması. Aslında bir Ar-Ge merkezine dönüşmüşler. 100 veri bilimci, 10 veri analisti katdolarında varmış. Toplamda 120 kişiden oluşan güçlü bir ekip. Bu ekip, 200-250 ana algoritmayı her ay yinelemeli bir yaklaşımla (iterative mindset) geliştirmeye çalışıyormuş.
Trendyolda rtık sadece modelleme yapmanın yeterli olmadığını, yapay zeka tahminlerin hangi bağlamda, nerede ve nasıl kullanıldığının önemli olduğunu aktardı. Şirket, kullanıcı deneyimini iyileştirmek, satıcı deneyimini güçlendirmek ve platformdaki içerikleri modere etmek gibi üç ana amaca hizmet ettiğini aktardı.
- Problem Bölümleme ve Tahmin Tanımı : Tek bir problem yerine, problemleri küçük parçalara ayırmak ve neyi tahmin edeceğimizi çok iyi anlamak gerekiyor. Tahminin kalitesi ve işimize yarayıp yaramayacağı kritik.
- İş Hedefi Odaklılık : Herhangi bir modelleme veya algoritma kurarak müşterinin veya kullanıcının nelerini iyileştireceğimizi belirlemekle hikaye başlıyor. Başarı, her kullanıcı için farklı anlam ifade edebilir: bazısı için ürün tanıtmak, bazısı için satın almasını sağlamak, bazısı için yeni bir kategori keşfettirmek gibi.
- Tahmin ve İşlevin Ayrıştırılması : Tahminleri birleştirip bir işlev (fonksiyon) halinde kullanıma açmak, farklı tahminlerin (satın alma, tıklama, favorileme, yorum okuma) hata oranları ve güçleri farklı olacağı için zorlu bir süreç.
- Politika Katmanları (Policy Layers) : Modelleme dışında kalan ama algoritmaların olmazsa olmazı olan kural setleriyle (policy layers) çeşitliliği (diversity) sağlamak ve ek fayda yaratmak büyük önem taşıyor.
- Kapsamlı Değerlendirme (Evaluation) : Modelleme ve doğrulama sonrası değerlendirme çok önemli. Ancak bu değerlendirme sadece tahminin doğruluğuyla sınırlı kalmamalı, **iş hedeflerine ve kullanıcı davranışına** ne kadar etki ettiğini de ölçmeli.
- Organizasyonel Uyum : Tüm organizasyonun ve çalışma şeklinin **iterasyon döngüsüne göre hizalanması** gerekiyor. Data science ekibinin izole bir birim olmak yerine, ürün yöneticileriyle (product managers) ve mühendislik ekipleriyle yakın çalışarak karar mekanizmalarında aktif rol alması bu sürecin anahtarı.
Trendyol’daki arama sistemini örnek vererek, 200 milyondan fazla ürün için eşleştirme (matching), aday ürün seçimi (candidate generation), sıralama (ranking) ve tahsis (allocation) gibi adımlara bölerek problemlere nasıl çözümler bulduklarını anlattı. Ayrıca, trendyolda alışveriş yapan kullanıcıya sadece aradığı ürünü vermek yerine, ekstra fayda sağlayacak bir set sunarak kişiselleştirme (personalization) ve keşfedilebilirliği (discovery) dengeleme üzerine çalışmalarını anlattı. Bence kayda değer öngörüler vardı.
Sunumları için teşekkürler.
https://www.meetup.com/dataistanbul/
https://github.com/dataistanbul