öngörücü yapay zeka (predictive artificial intelligence), öncelikle tahmin etmeye odaklanır. bu tahmin, belirli kalıpları, gelecekteki eğilimleri veya olayları tahmin etmek olabilir. üretken yapay zeka (generative artificial intelligence) gibi, öngörücü yapay zeka da öğrenmek ve uyum sağlamak, müşteri deneyimini kişiselleştirmek ve işletmeler için gelecekteki olayları tahmin etmek için makine öğrenimini kullanır. ancak, üretken yapay zeka yeni içerik oluşturmak için makine öğrenmesi kullanırken, öngörücü yapay zeka gelecekteki olayları tahmin etmek ve tanımlamak için istatistiksel analiz yapmak amacıyla makine öğrenmesi kullanır. öngörücü yapay zeka, sinir ağları (neural network) yerine büyük veriyi toplamak ve bu verilere dayalı tahminler sağlamak için daha basit modelleri de kullanır.

girdi veya eğitim verileri açısından bakacak olursak; üretken yapay zeka, milyonlarca örnek içeren büyük veri kümeleri üzerinde eğitilir. öngörücü yapay zeka, girdi verisi olarak daha küçük ve daha odaklı veri kümeleri kullanabilir. öngörücü yapay zeka, gelecek tahmini için geçmiş ve tarihsel verilere ihtiyaç duyar.

üretken yapay zekanın halüsinasyon görme eğilimi (yanlış sonuçlar üretme), ağır karbon ayak izi ve enerji tüketimi, modelleri yeniden eğitmenin pahalı olması, hassas veriler bir kez modele eklendikten sonra bunları kaldırmanın zor olması, sonuçların altında yatan mekanizmaları açıklama veya yorumlamanın zor olması (karşıtı ise explainable artificial intelligence veya açıklanabilir yapay zekadır) gibi dezavantajları vardır. bu nedenle bazı iyi tanımlanmış durumlar ve senaryolar için öngörücü yapay zeka daha basit ve doğru sonuçlar verebilir.

öngörücü yapay zeka modelleri, istatistiksel algoritmalar ve makine öğrenimi modellerini kullanır

- kümeleme (clustering), temeldeki veri modellerini anlamak için farklı veri noktalarını veya gözlemleri benzerliklere göre gruplara veya kümelere ayırır.

- karar ağaçları (decision trees), en iyi sınıflandırma için böl ve fethet (divide and conquer) stratejisini uygular. benzer şekilde, rastgele orman (random forest) algoritmaları, tek bir sonuca ulaşmak için birden fazla karar ağacının çıktısını birleştirir.

- regresyon modelleri (regression models), değişkenler arasındaki korelasyonları belirler. örneğin doğrusal regresyon (linear regression), iki değişken arasındaki doğrusal ilişkiyi ve korelasyonu gösterir. verileri sınıflandırmak için ise lojistik regresyon (logistic regression) kullanılır.

- zaman serisi (time series) yöntemleri, gelecekteki eğilimleri tahmin etmek için tarihsel verileri kronolojik sıraya göre çizilen bir dizi veri noktası olarak modeller.

- verileri sınıflandırmak için destek vektör makineleri (support vector machine) ve kendi kendini eğiten naif bayes sınıflandırıcısı (naive bayes classifier) kullanılır.

- diğer çeşitli görevler için sinir ağları kullanılır.

öngörücü yapay zekanın birincil kullanımı, envanter yönetimi veya tedarik zinciri yönetimi, pazarlama kampanyaları ve kullanıcı deneyimi gibi iş süreçlerine yardımcı olabilecek gelecekteki kalıpları veya eğilimleri belirlemektir. çalışanlarınızın veya müşterilerinizin geçmiş faaliyetlerini analiz ederek, hangi ürünlerin yeniden stoklanması gerektiğini keşfetmenize, kullanıcı davranışlarını tahmin etmenize ve bakım kararları almanıza (kestirimci bakım veya öngörücü bakım) yardımcı olabilir.

ayrıca öngörücü yapay zeka, veri kümeleri arasındaki ilişkileri bulmak için bir bilgi depolama yöntemi olan embedding kullanır ve bu ilişkileri, gelecekteki eğilimler hakkında tahminler geliştirmek için kullanır. örneğin, öngörücü yapay zeka, müşterilerin gelecekte hangi ürünleri satın alabilecekleri ve ne zaman satın alacakları ile ilgili kalıpları belirlemek için satın alma geçmişini depolamak için embedding kullanabilir. veri kümeleri içinde ilişki aramak, öngörücü yapay zekanın işletmenize özgü kalıplar tanımlamasına yardımcı olabilir.

öngörücü yapay esas olarak finans, perakende, e-ticaret ve üretimde kullanılır. bunlara ilişkin birkaç örnek aşağıdaki gibidir

- finansal tahmin: finans kuruluşları, piyasa eğilimlerini, hisse senedi fiyatlarını ve diğer ekonomik faktörleri tahmin etmek için öngörücü yapay zeka modellerini kullanır.

- dolandırıcılık tespiti: bankalar, dolandırıcılık faaliyetlerini gösteren şüpheli işlemleri gerçek zamanlı olarak tespit etmek için öngörücü yapay zekayı kullanır.

- envanter yönetimi: satışları ve talebi tahmin ederek, öngörücü yapay zeka şirketlerin envanter seviyelerini planlamasına ve kontrol etmesine yardımcı olabilir.

- kişiselleştirilmiş öneriler: öngörücü yapay zeka modelleri, müşteri davranış verilerindeki kalıpları analiz ederek daha iyi müşteri deneyimlerine yol açabilecek kişiselleştirilmiş önerilerde bulunmaya yardımcı olabilir.

- tedarik zinciri yönetimi: öngörücü yapay zeka, lojistik ve operasyonların, üretim planlarının, kaynak tahsisinin ve iş yükü planlamasının optimizasyonuna yardımcı olabilir.

üretken yapay zeka gibi, öngörücü yapay zeka da benzersiz faydalar sunar

öngörücü yapay zekanın avantajlarından bazıları şunlardır:

- çalışanların karar alma ve karmaşık görevlere odaklanmaları için daha fazla zaman sağlanması: öngörücü yapay zekanın verileri analiz etme ve gelecekteki kalıpları tahmin etme yeteneği, onu iş süreçleri için etkili bir araç haline getirir. öngörücü yapay zeka, verileri analiz ederken kısa vadeli görevleri yerine getirebilir, böylece çalışanlarınız enerjilerini karar alma ve yaratıcı seçimlere odaklayabilir. iş yerindeki idari merkezli süreçleri öngörücü yapay zeka ile otomatikleştirmek, insan zekası gerektiren karmaşık faaliyetlere daha fazla zaman ayırmanıza yardımcı olabilir.

- insan ihtiyaçlarını tahmin etmek: gelecekteki eğilimleri tahmin etme yeteneğiyle, öngörücü yapay zeka kullanıcıların veya müşterilerin ihtiyaçlarını da tahmin edebilir. müşterilerinizin davranışlarını ve satın alımlarını tahmin edebilir ve bu mevcut müşterilere yeni ürün veya hizmetleri nasıl pazarlayacağınızı gösterebilir. ayrıca, öngörücü yapay zeka öğrencilerin ihtiyaçlarını değerlendirebilir ve onlara ne zaman yardım etmenin en iyi olacağını belirleyebilir. öğrenme güçlükleri için erken müdahaleler sağlayarak, öngörücü yapay zeka öğrenciler için kişiselleştirilmiş çalışma planlarının geliştirilmesini teşvik edebilir.

öngörücü yapay zekanın birkaç zorluğu vardır

bunların arasında veri kesinlik ve geçerliliğine duyulan ihtiyaç da vardır. öngörücü yapay zekayı uygulamaya koymaya veya kullanmaya karar vermeden önce olası dezavantajları göz önünde bulundurun.

- mutlak kesinlikten yoksun: öngörücü yapay zekanın gelecekteki olayları tahmin etme yeteneğine rağmen, bunun doğru olduğuna dair doğrudan bir garantiniz yoktur. dış etkenler onu etkileyebileceğinden, öngörücü yapay zeka kesinlik değil, olası sonuçları verir. öngörücü yapay zekayı kullanmaya karar verirken, bunun bir iş veya öğrenme ortamında karar verirken yalnızca güvenmeniz gereken bir şey değil, tahmin etmeye yardımcı olmak için tasarlanmış bir araç olduğunu bilmelisiniz. sonuçları değerlendirmek ve yorumlamak için mutlaka uzman insanlara ihtiyaç olacaktır.

- yüksek kaliteli verilerin büyük miktarlarını gerektirir: öngörücü yapay zekanın tahminlerini oluşturmak için büyük miktarda veriye dayanması nedeniyle, yeterli veriniz yoksa eğilimleri tahmin etmedeki etkinlik sınırlanabilir. veri eksikliği, yanlış istatistiklere veya sayılara yol açabilir, bu da kullandığınız öngörücü yapay zeka aracının kalıpları yanlış tanımlamasına neden olabilir. ayrıca, veriler fazla eski, önyargılı (bias) veya basitçe yanlış olabilir, bu da yanlış kalıplara ve güvenilir olmayan tahminlere yol açarak doğru kararlar alma yeteneğinizi etkileyebilir.

öngörücü yapay zeka (predictive artificial intelligence) ve üretken yapay zeka (generative artificial intelligence) detaylı karşılaştırması

kaynak:
https://www.coursera.org/…ative-ai-vs-predictive-ai
https://www.ibm.com/…ctive-ai-whats-the-difference/
https://www.techtarget.com/…tanding-the-differences