Kimola Bülten 115#: 🎮Biraz oyna sonra ödevini yaparsın.

Author: Yasemin Ozturk - Data Analyst, Kimola
Yasemin Ozturk Data Analyst, Kimola
Oct 21, 2022 - 3 min read
Kimola Bülten 115#: 🎮Biraz oyna sonra ödevini yaparsın.

Yapay zeka, makine öğrenimi ve Kimola Cognitive'deki yenilikleri derlediğimiz bültenimiz ile sizlerleyiz.

Bülten hakkında soru, görüş ve önerilerinizi Twitter'da @kimolacognitive'i etiketleyerek bizimle paylaşabilirsiniz.

Kimola Cognitive'de Yenilikler

🤖 Mobil Oyun Yorumlarını Edinin ve Analiz Edin!

Mobile Oyun Yorumlarını Sınıflandırın

Oyun dünyasındaki gelişmeler, oyun firmalarının oyuncu yorumlarını analiz etmesinin kaçınılmaz olduğunu ortaya koyuyor. "Peki ama binlerce yorumu nasıl elde edip analiz edeceğiz?" dediğinizi duyar gibiyiz. 

🎉 Airset Generator ile Google Play Store Yorumlarını Yakalamak Çok Kolay!

Kimola'nın Google Chrome ve Opera ile uyumlu bir web tarayıcı uzantısı ile saniyeler içinde Google Play Store'dan tüketici değerlendirmelerini alabilirsiniz. Google Play Store'dan elde ettiğiniz veriler, Kimola hesabınızda bir Airset olarak analiz edilmek veya dışa aktarılmak üzere bulutta depolanır. Dilerseniz, Airset Generator ile Google Play Store'dan nasıl veri alabileceğinizi anlattığımız YouTube videosunu şuradan izleyebilirsiniz.

🎮 Mobil Oyun Yorumlarını Kimola Cognitive ile Sınıflandırabilirsiniz.

Airset Generator ile elde ettiğiniz mobil oyunlara dair konuşmaları mobil oyun dünyası için oluşturduğumuz yeni makine öğrenim modeli ile analiz etmeniz mümkün. Sadece sürükle bırak yaparak tüketici görüşlerini otomatik sınıflandırabileceğiniz Kimola Cognitive'i deneyimlemek için bu linkten üye olabilirsiniz.

Eğitim seti:

💎 Bu modelde; Google Play Store'daki oyuncu geri bildirimlerini sınıflandırmak için 4 etiket içeriği (tasarım, oyun içi reklamlar, teknik sorunlar ve beğeniler) yapay zekaya öğretilmiştir. Bu sayede insanların oyun tasarımlarından mı, oyunlardaki hatalardan mı yoksa oyun içi reklamlardan mı bahsettiklerini hızlıca öğrenebilirsiniz.

💎 Veri analistlerimiz tarafından manuel olarak test edilen model, Türkçe ve İngilizce dilinde %87 doğruluk oranına sahiptir.

 

Kimola Bülten

Öğrenciler, başarılı olmak için yapay zekayı kullanıyor.

Yapay zeka tarafından yazılan metinler, artık insanlar tarafından yazılan metinlerden ayırt edilemez hale geldi. Teknoloji meraklısı öğrenciler ise, bu durumu bir fırsat olarak görüyor ve kendi lehlerine kullanıyorlar. Yapay zekanın gelişmesiyle birlikte ödevlerin yakın zamanda tamamen yapay zeka yardımıyla yapılıp yapılmayacağı tartışılmaya başlandı. Ancak, teknolojiye ilgi duyan birçok öğrenci ödevlerini yapmak için yapay zekayı kullanmaya başlamış bile. Ödevlerinde yapay zeka kullanan öğrencilere göre "sistem" şu şekilde çalışıyor: Fikir olarak verilen ödevi yapay zekaya, genellikle GPT-3'e aktarıyorlar ve yapay zeka daha sonra onlar için bir metin oluşturuyor. Hal böyle olunca eğitim dünyasında yeni aksiyonların alınması kaçınılmaz görünüyor.

 

Algoritmalar spor takımlarının hareketlerini %80 doğrulukla tahmin ediyor.

Cornell'in Akıllı Sistemler ve Kontroller Laboratuvarı'nda geliştirilen algoritmalar, voleybolcuların oyun içi hareketlerini %80'den fazla doğrulukla tahmin edebiliyor. Şimdi laboratuvar, diğer spor dallarındaki durumu görmek için Big Red hokey takımıyla işbirliği yapıyor. Bu algoritmaları benzersiz kılan şey, bir sporcunun sahadaki konumu gibi görsel veriler ile sporcunun takımdaki belirli rolü gibi daha örtük bilgileri birleştirerek, eylemlere bütünsel bir yaklaşım getirmeleri. Araştırmacılar, voleybol maçlarını izleyerek, insanların spor bilgilerini kazanmalarıyla aynı şekilde gizli değişkenleri ortaya çıkarmak için algoritmaları eğitiyor. Algoritmalar, voleybol oyunlarının videolarından veri çıkarmak için makine öğreniminden faydalanıyor ve ardından bu verileri yeni bir oyun seti gösterildiğinde tahminler yapmaya yardımcı olmak için kullanıyor. Sonuçlar, algoritmaların oyuncuların rollerini (örneğin, defans yapan bir oyuncuyu blok yapandan ayırt etmek) ortalama %85 doğrulukla çıkarabildiğini gösteriyor.

 

Yapay zeka, 60 saniyeden kısa sürede kalp hastalığı riskini belirleyebiliyor.

 
British Journal of Ophthalmology'de yayınlanan yeni bir araştırmaya göre, makine öğrenimi tabanlı yazılım, retina ve atardamarları bir dakikadan daha kısa bir sürede analiz ederek birinin kalp hastalığı riskini tahmin etmek için kullanılabilecek. Bulgular gelecekteki klinik çalışmalarda doğrulanırsa bu, hızlı ve ucuz kardiyovasküler taramaların geliştirilmesinin önünü açacak görünüyor. Bu taramalar, bireylerin kan testlerine ve hatta kan basıncı ölçümlerine gerek kalmadan felç ve kalp krizi risklerini bilmelerini sağlayacak. Çalışma, AI aracı tarafından yapılan tahminlerin, mevcut testler tarafından yapılan tahminler kadar doğru olduğunu gösteriyor.

 

Finansal hizmetlerde makine öğrenimi kullanımı yaygınlaşıyor.

İngiltere Merkez Bankası ve Mali Davranış Otoritesi’nin 71 firma ile gerçekleştirdiği araştırma, makine öğrenimini (ML) kullanan Birleşik Krallık finansal hizmet firmalarının sayısının arttığını gösteriyor. Genel olarak, firmaların %72'si makine öğrenimi uygulamaları kullandığını veya geliştirdiğini bildiriyor. Bu eğilim devam edecek gibi görünüyor ve firmalar, önümüzdeki üç yıl içinde ortalama ML uygulamalarının sayısının 3,5 kat artmasını bekliyor. Ayrıca firmalar, makine öğreniminin bir dizi fayda sağladığını düşünüyor. Şu anda en yaygın olarak tanımlanan faydalar, gelişmiş veri analitiği yetenekleri, artan operasyonel verimlilik ve dolandırıcılık ve kara para aklamada daha başarılı bir tespit yeteneği.

Latest