Akıştan kişiye geçerken

Bir aracı kurum için müşterilerinin oluşturduğu işlem akışını kestirmek, likidite hazırlığının parçası. 42AI’ın yeni tanıttığı davranış modelinin ilk kullanım alanı da burada başlıyor. Şirket, destek görüşmeleri ve işlem geçmişi gibi bilgileri piyasa bağlamıyla birleştirerek olasılıklar üretiyor. TechCrunch’a anlatılan değerlendirmelerden biri, gerçekleşen işlem akışının önceden çizilmiş tahmin aralığına düşüp düşmediğini ölçüyor. Böyle bir sonuç, aracı kurumun likidite ihtiyacını planlamasına dönük bir soruyu yanıtlıyor. Müşteri hakkında verilecek tekil bir karar ise tahminin başka bir ölçekte işe yaramasını gerektiriyor. Kullanıcının önce hangi kararı vermek istediğini belirtmesi, modelin genel davranış iddiasını sınanabilir bir soruya çeviriyor.[1]

Tahmin aralığı ile sınıflandırma bu yüzden farklı sonuçlar veriyor. Akışın bir aralık içinde kalması, o aralığın genişliğine de bağlı; yön ve hacim sınıflandırması ise olayları hangi kategorilere yerleştirdiğini değerlendiriyor. Gal-Or, görüşmede bunlar için farklı ölçüler anlatıyor. Aralığın kapsaması ile F1 ölçüsünü aynı başarı türü gibi okumak, ölçülen hedefi değiştirir. Bir aracı kurum için yararlı olan işlem akışı tahmini, belirli müşterinin sıradaki işlemini doğru saptama becerisini ayrıca kanıtlamadan da değer taşıyabilir. Yararı hangi düzeyde aradığımız, gereken sınamanın birimini belirler.[1]

Profilin gördüğü ve kaçırdığı bağlam

Modelin girdileri, bu ölçek sorusunu daha somut hale getiriyor. Destek aramalarının sıklığı, konuşmadaki duygu ve ses tonu, para hareketleri ve işlemler bir kişinin matematiksel temsiline katılıyor. Ardından dünya modeli bu temsili dış koşullarla birlikte kullanıyor; açıklamayı ayrı bir dil modeli üretiyor. Akıcı bir açıklamanın okunabilirliği, tahminin isabetinden ayrı değerlendirilmek zorunda. Açıklama hangi bilgilerin kullanıldığını anlaşılır kılabilir; eksik bir girdinin yerini doldurmuş sayılmaz. Bu mimaride karar veren kişinin gördüğü gerekçe ile olasılığı hesaplayan bileşenin sınaması iki ayrı değerlendirme konusu.[1]

Kurucuların verdiği arkadaş tavsiyesi örneği, eksik bağlamın kaynağını gösteriyor. Müşteri, sistemin görmediği bir konuşmadan sonra işlem kararını değiştirebiliyor. Yanlış tahmin, böyle bir gözlem boşluğundan doğabilir; modelin mevcut girdilerden ilişki öğrenme biçimi de alternatif bir açıklama. Bu iki neden, aynı hata oranının arkasında farklı sorunlar bulunduğu anlamına gelir. Daha fazla müşteri geçmişi toplamak, o özel konuşmayı kendiliğinden görünür yapmaz. Modelin hangi koşullarda sınandığını bilmek, hatanın veri erişiminden mi yoksa kullanılan ilişkiden mi kaynaklandığını tartışmaya başlangıç sağlar.[1]

Yeni alan, yeni tahmin sorusu

42AI, başka sektörlere geçişte o alanın kuralları ve bağlamıyla eğitim gerektiğini kabul ediyor. Aracı kurumda gözlenen işlem ile başka bir sektördeki tercih, aynı sonuç değişkeni değil. Aynı kişi hakkında daha çok özellik bilinmesi, iki kullanımın eşdeğer hale geldiğini göstermez. Buradaki aktarım sorusu, kişilik temsilinin korunup korunmadığının ötesine geçiyor: yeni ortamda neyin tahmin edildiği ve hangi hatanın karar açısından önemli olduğu yeniden tanımlanıyor. Böylece ilk uygulamadaki sonuç, başka alanlara taşınırken kendi sınama koşullarıyla birlikte okunmalı.[1]

Bugünkü anlatımın desteklediği kullanım, belirli piyasa bağlamında olasılıklara dayalı hazırlık yapmak. Tekil müşteriye ilişkin daha güçlü kararlar, o kararın düzeyinde değerlendirme gerektiriyor. Bu ayrım modelin işe yararlılığını peşinen reddetmiyor; hangi yararın gösterilmesi gerektiğini belirliyor. Destek görüşmesi, işlem geçmişi ve piyasa koşulu somut girdiler; sonuç da somut bir tahmin hedefiyle eşleşmeli. Bir davranış modelinin açıklayıcı gücü, insan hakkında ne kadar kapsamlı konuştuğundan önce, hangi karar için hangi sonucu ölçtüğünde ortaya çıkıyor.[1]