Menü
Menü

Akbank inovasyon merkezi olarak hem banka içinde ilgili arkadaşlarımızla yapılan yenilikçi projelerde yer alıyoruz hem de inovasyon ekosistemi ile bankadaki ilgili ekiplerimizi bir araya getirip ortak değer yaratmayı hedefliyoruz.

18 Eylül 2020

Akbank Lab tarafında odaklandığımız temel konuların başında ileri analitik çalışmaları yer alıyor. Akbank, hem iç kaynakları ile hem de iş birliği yaptığı iş ortakları ile yaptığı tüm çalışmaları mutlaka ileri analitik uygulamaları ile destekliyor. Bunun paydaşlara yansıması kimi zaman kişiselleştirilmiş öneriler sunmak, kimi zaman ihtiyaç anında yanında olmak, kimi zaman da daha hızlı hizmet verebilmek gibi farklı şekillerde olabiliyor. Bu anlamda hem iç müşterilerimize hem de müşterilerimize dokunan tüm süreçlerin doğru adımları ileri analitik uygulamaları ile destekleniyor. Bu yazımızda sizlerle yakın geçmişte tamamladığımız ve uygulamaya aldığımız “Otomatize Makine Öğrenimi” platformu ile ilgili bilgi paylaşmak istedik.
Makine öğrenimi kavramının ortaya çıkmasının üzerinden 60 yıl kadar geçmesine karşın özellikle 2000’li yıllardan sonra hem günlük hayatımıza hem de iş yaşantımıza etkilerini güçlü bir şekilde hissetmeye başladık. Bu kavramın uygulanabilir bir teknolojiye dönüşmesi, bu alanda yetkinliklerin de gelişmesi ve daha erişilebilir hale gelmesi ile her geçen yıl uygulama ve etki alanının genişlediğini ve gelecekte bu teknolojinin daha da gelişerek bizleri çok daha fazla etkileyeceğini söylemek çok zor değil.

Makine öğreniminin iş yapış şekillerine de çok büyük etkileri oldu ve olmaya devam edecek. Bu teknolojinin, yakın geçmişe kadar hayal edemeyeceğimiz büyüklükteki verileri analiz etme ve anlam çıkarma yetkinliği ve hızı kurumları da hemen her alanda bu teknolojiyi kullanabilme konusunda yatırım yapmaya motive ediyor. Makine öğreniminin kullanım alanları yaygınlaştıkça ve daha fazla kurum tarafından önceliklendirilmeye başladıkça bu konuda da yeni araçlar ve metotlar üretilmeye başladı. Ayrıca sürekli gelişen bu teknolojiyi takip etmek ve en güncel bilgi birikimine sahip olmak da en güçlü kurumlar için bile oldukça zorlayıcı hale geldi. İşte bu noktada, analitik modellerin daha hızlı ve yüksek performanslı şekilde geliştirilmesine destek olan “Otomatize Makine Öğrenimi” platformlarının önemi son yıllarda oldukça arttı.

Bankalar da geniş müşteri bazı, güçlü teknolojik altyapı ve sistemleri ve çok büyük bir veri kaynağına sahip kurumlar olarak elbette bu teknolojiyi adapte etme konusunda en istekli kurumlar olarak öne çıkıyor. Yıllar önce kurumsal analitik platformlarla başlanan bu yolculukta günümüzde Python ve R gibi açık kaynak programlama dilleri ve sonrasında da makine öğrenimi ve otomatize makine öğrenimi yöntemlerini yaygın bir şekilde kullanan bir kurum olarak Akbank uzun yıllardır analitik yetkinliklerini geliştirmeye çok önem veriyor. Akbank Lab olarak biz de bu yolculuğa farklı projeler ile katkıda bulunmaya ve İnovasyon ekosisteminde bize hız ve yetkinlik kazandırabileceğini düşündüğümüz oyuncular ile iş birliği fırsatlarını değerlendirmeye çalışıyoruz.

Bu projelerden birini de Analitik ekibimiz ile birlikte yürüttük ve yukarıda da bahsedilen otomatize bir makine öğrenimi platformunu test ederek model geliştirme döngümüzü daha hızlı ve verimli bir seviyeye taşımayı hedefledik. Yaklaşık 1,5 ay süren bu proje sürecinde iş ortağımız olarak Silikon Vadisi’nden H2O.ai’ı belirledik ve 2020’nin başında bu platformu kullanıma aldık. Bu alanda en yenilikçi firmalardan biri olan ve global çapta birçok büyük kurum ile işbirlikleri yapan H2O.ai’ın, Gartner araştırmalarında da öne çıktığını görüyoruz. Peki, otomatize makine öğrenimi platformları nedir ve kurumlara nasıl bir katma değer sağlar?
Şekil 1. Veri Bilimi ve Makine Öğrenimi Platformları(1)

Otomatize Makine Öğrenimi Platformları
Şekil 2’de yer alan adımları farklı sektörlerde yer alan kurumların model geliştirme döngülerinde izledikleri temel adımları özetlemek için baz alabiliriz. Bu adımlarda zamanın ruhuna uygun hız ve hatasızlık oranı (kesinliği) yakalayabilmek adına basitleşmesi ve sadeleştirilmesi gereken gelişim alanları bulunuyor. Örneğin:

  • Üretilen ve dönemsel olarak güncellenen çok fazla sayıda modelin varlığı
  • Model geliştirme döngüsünün uzun zaman alması
  • Lineer olmayan algoritmalarla geliştirilen modellerin açıklanabilirliği
  • Modellere ilişkin dokümantasyon oluşturulmasının zorluğu
  • Yetkin veri bilimcilerine erişim ve bu kişilerin farklı tip modellerde (ör: doğal dil işleme) kendilerini sürekli güncel tutma ihtiyacı

    Gittikçe artan veri üretimi ve müşterilere kişiselleştirilmiş servis sunma ihtiyacı ile birlikte özellikle modelleme & profilleme, test & yaygınlaştırma ve dokümantasyon adımlarının otomatize edilmesi bugünkü teknoloji ile mümkün ve önemli verimlilik sağlıyor. Bu platformlar ile normalde birkaç ayı bulabilen bu adımların süresi haftalar seviyesine düşürülebiliyor. Böylece daha hızlı model geliştirme ve test etme fırsatı yaratılıyor.

    Biz de ileri analitik çalışmalarımızı daha yenilikçi hale getirmek için Akbank Analitik ekibi ile olası odak alanlarımızı çalışırken, ekibimizin oluşturduğu ve yönettiği 100’den fazla model olduğunu öğrendik. Bu tür bir otomasyon projesi ile sağlanacak verimlilik artışı ve çok daha hızlı geliştirilecek yeni analitik çalışmalar ile sağlanacak müşteri deneyimindeki iyileşmeyi hedefledik.
    Şekil 2. Model Geliştirme Sürecindeki Temel Adımlar

    Bu projede iş ortağı olarak kendimize H2O.ai firmasını seçtik. Otomatize makine öğrenimi ile model geliştirme süreçlerinin kısaltılması, modellerin daha hızlı eğitilmesi, daha doğru, hassas ve “açıklanabilir” modellerin geliştirilmesi mümkün. H2O.ai platformunun proje boyunca deneyip görebildiğimiz bazı özelliklerinin de önemli kazanımlar sağladığını gördük.

  • Veri bilimcisi olmayan kişiler tarafından da kolay anlaşılabilen çıktılar / otomatik dokümantasyon
  • Otomatik değişken üretimi ve model geliştirme
  • Kaggle Grandmaster(2) düzeyindeki veri bilimcilerinin oluşturduğu ve güncel tuttuğu, farklı kullanım senaryolarına özel hazır model kütüphanesi
  • Kullanıcı dostu arayüz ile değişkenlerin hızlı analizi (Şekil 3A,3B)
    Şekil 3A. H2O.ai Platformu Örnek Arayüzleri
    Şekil 3B. H2O.ai Platformu Örnek Arayüzleri

    Akbank Lab olarak deneyip sonuçlarını görmek istediğimiz bu tip yenilikçi çözümleri iş birimimiz ile ortak belirlediğimiz iş alanlarında, belirlediğimiz zaman diliminde test etmek üzere İnovasyon Seçim Komitesine öneriyoruz. Onaylanan çözümler için PoC (proof of concept — kavram kanıtlama çalışması) sürecini başlatıyor ve hedeflenen sonuçlara ne kadar yaklaştığımızı ilgili iş birimi ve İnovasyon Komitesi ile beraber değerlendiriyoruz. Bu süreçte Akbank ekipleri ile iş ortağımız olarak belirlediğimiz Fintech ile birlikte çalışarak iş sonuçlarını geliştirmenin yanı sıra yenilikçilik kültürünü besleyen bir ortamı da deneyimliyoruz.

    Proje Sürecimiz
    H2O.ai firmasının platformunu test etmek ve bize olası faydalarını belirleyebilmek için, PoC yaklaşımı ile paralel olacak şekilde Analitik ekibimiz ile birlikte en güncel ve gelişmiş modellerimizden 5’ini seçtik ve hem model geliştirme sürelerinde hem de bu modellerin başarı oranlarında iyileşme sağlanıp sağlanmadığını hızlı bir şekilde değerlendirmeye çalıştık. Paralelde platformu banka sistemlerine kurmak için gerekli sunucuları ve 5 model için gerekli verileri de hazırladık. Çünkü bu platformun teknik açıdan da sistemlerimizle uyumu ve optimum performans için gereksinimlerin anlaşılması da önemli bir noktaydı.

    Yaklaşık 1,5 ay süren proje kapsamında, 5 modeli bu platform ile yeniden oluşturduğumuzda, modellerin güncelliğine karşın bu platform ile modellerin çoğunda doğruluk oranlarının daha da iyi bir seviyeye gelebildiğini gördük. Dolayısıyla daha az güncel modellerin ve algoritmaların da olduğu tüm model portföyümüzü düşündüğümüzde böyle bir platformun muhtemel katkısının önemli seviyelere ulaşabileceği sonucuna vardık. Modellerimizdeki iyileşmeyi test ederken platform ile oluşturulan modelleri, bu modellerin geçmiş performansları ile karşılaştırdık ve geçmişte kullanmış olsaydık Akbank’a ne kadar bir ek fayda sağlayabileceğini hesaplamaya çalıştık.

    Ek olarak, model geliştirme sürecinde yer alan birçok adımda önemli süre kazanımları olabileceğini ve 2–3 aylık bir sürecin 3–4 haftaya düşebildiğini gördük. Sonuç olarak, projenin başındaki hedeflerimize ulaşabileceğimizi anlayarak bu platformu bankamıza kazandırma kararı verdik.

    Sonraki Adımlar
    2020 başında platformun devreye girmesiyle, Bilgi Teknolojileri Altyapı ekiplerimizle birlikte platformun aylık modelleme döngümüz içerisine uyumlandırılması üzerinde çalışmaya başladık. Bu süreç devam ederken, bir yandan da 2020 planlamamız doğrultusunda model geliştirme çalışmalarını sürdürdük. Platformu alırken hedeflediğimiz şekilde ilk altı ayda 30’dan fazla model geliştirme çalışmasını ve testlerini tamamladık. 2020 yılı içinde ek olarak 40’ın üzerinde model için daha geliştirme süreçlerini tamamlamayı hedefliyoruz. Platform sayesinde hem yüksek sayıda ve kapsamlı modeli hızlıca yeniledik hem de kısa sürede çok sayıda deneme yaparak iş birimlerinin yeni model ihtiyaçlarını karşılama şansına sahip olduk.

    (1) https://www.forbes.com/sites/janakirammsv/2020/02/20/gartners-2020-magic-quadrant-for-data-science-and-machine-learning-platforms-has-many-surprises/#37f840813f55
    (2) Google’ın oluşturduğu, veri bilimci ve makine öğrenimi uzmanlarının dahil olduğu Kaggle platformunda, yarışma, problem çözme vb. aktiviteler sonucunda en üst unvana ulaşan veri bilimciler