İş sonuçlarınızı tahmin etmek eskiden bir veri bilimi takımı, aylar süren model geliştirme ve dua etmeyi gerektirirdi.
Ancak McKinsey'e göre, kuruluşların %78'i en az bir iş fonksiyonunda yapay zeka kullandığı için, bu süre aylar süren bir süreçten neredeyse anında elde edilen içgörülere kadar kısaldı.
Bu değişiklikle birlikte, tahmine dayalı modelleri hızlı bir şekilde sunma baskısı hiç bu kadar yüksek olmamıştı.
IBM Watsonx, tahmine dayalı modellerin oluşturulması ve devreye alınması sürecini, geliştirme takımınızın dakikalar içinde çalıştırabileceği tek bir tarayıcı tabanlı ş Akışa indirger. Ancak hız tek başına yeterli değildir. Bu modellerin ürettiği tahminler, etkilediği yönetici iş akışlarıyla bağlantı kurmuyorsa, gerçek bir etki yaratamazlar.
Bu kılavuz, ilk veri kümenizi yüklemekten ve modeli eğitmekten, onu canlı bir API olarak devreye almaya ve en önemlisi, modelin ürettiği içgörüleri ClickUp gibi araçlardaki yönetici ş Akışlarına bağlantı kurmaya kadar her aşamayı kapsamaktadır. 🔨
Watsonx'te modeli nasıl oluşturacağınızı ve tahminlerin takımınız genelinde eyleme dönüşmesi için çıktıları nasıl operasyonel hale getireceğinizi öğreneceksiniz.
Watsonx'te modeli nasıl oluşturacağınızı ve tahminlerin takımınız genelinde eyleme dönüşmesi için çıktıları nasıl operasyonel hale getireceğinizi öğreneceksiniz.
IBM Watsonx Nedir ve Tahmine Dayalı Analitiği Nasıl Destekler?
İşletmeniz için AI modellerini kullanıma sunmak, modellerinizi bir yerde eğitmek, verilerinizi başka bir yerde yönetmek ve yönetişim veya uyumluluk işlemlerini yine başka bir araçta yürütmek anlamına gelebilir.
IBM Watsonx, bu parçalanmanın teknik yönünü çözmek üzere tasarlanmış IBM'in kurumsal yapay zeka ve veri platformudur. Temel olarak, her şeyin dağınık veya deneysel hissettirmeden, bir iş içinde yapay zeka oluşturmak, eğitmek ve çalıştırmak için bir yapay zeka ürünleri paketidir.
Platform, tek bir proje çalışma alanı sunarak parçalanmış iş akışlarını ele alır. Ortamdan çıkmadan veri yükleyebilir, deneyler yürütebilir ve izleme araçlarını yapılandırabilirsiniz.
Watsonx paketi üç ana bileşenden oluşur:
- Watsonx.ai: AutoAI veya özel not defterlerini kullanarak tahmine dayalı modeller oluşturun ve eğitin
- Watsonx. data: Lakehouse mimarisinde birden fazla kaynaktan gelen verileri bağlantı ve hazırlama işlemleriyle birleştirin
- Watsonx. governance: Model performansını izleyin ve adalet kurallarını uygulayın
Özellikle tahmine dayalı analitik için, watsonx.ai kullanacağınız ana arayüzdür. Bu platform, algoritmaları otomatik olarak seçen ve aday modelleri sıralayan, kod gerektirmeyen bir deney oluşturucu olan AutoAI'yi içerir.
Bu kılavuzun geri kalan kısmı, watsonx.ai içindeki AutoAI ş akışına odaklanmaktadır. Bu, çalışan bir tahmine dayalı modeli hayata geçirmenin en hızlı yoludur.
Watsonx'te Tahmine Dayalı Model Oluşturma Adım Adım Kılavuzu
Bu adım adım kılavuz, halihazırda bir IBM Cloud hesabınız ve oluşturulmuş bir Watsonx projeniz olduğunu varsaymaktadır. Tüm akış, herhangi bir yerel kurulum gerekmeden doğrudan tarayıcınızda tamamlanabilir. İşte nasıl yapılacağı:
1. Adım: Verilerinizi hazırlayın ve yükleyin
Verilerinizi CSV dosyası gibi tablo biçiminde düzenleyerek başlayın. Bu dosyada, tahmin etmek istediğiniz belirli öğeyi belirten, açıkça tanımlanmış bir hedef sütun bulunmalıdır. Ayrıca, modelin öğreneceği girdiler olan özellik sütunlarına da ihtiyaç vardır.
Verilerinizi yüklemek için Watsonx projenize gidin ve Varlıklar sekmesini açın. Buradan doğrudan bir CSV dosyası yükleyebilir veya watsonx.data aracılığıyla bir veri kaynağına bağlantı kurabilirsiniz.
Başlamadan önce birkaç yaygın veri sorununa dikkat edin:
- Eksik değerler: Yüksek doğruluk sağlamak için yüklemeden önce kritik sütunlardaki büyük boşlukları temizleyin
- Hedef sütun türü: Sınıflandırma hedeflerinin kategorik, regresyon hedeflerinin ise sayısal olduğundan emin olun
2. Adım: AutoAI ile bir tahmine dayalı model eğitin
Model eğitimi burada başlar. Proje Çalışma Alanınızdan "Yeni AutoAI deneyi oluştur" seçeneğine tıklayın.
Yüklediğiniz veri kümesini seçin ve hedef sütunu belirleyin. Buradan, deney türünü ve verilerinizin eğitim ve test arasında nasıl bölüneceği gibi isteğe bağlı ayarları yapılandırabilirsiniz.
Deneyi çalıştırarak AutoAI'nin otomatik olarak bir boru hattı sıralama tablosu oluşturmasına izin verin. Bu sıralama tablosu, aday modelleri doğruluk veya F1 puanı gibi seçtiğiniz metriklere göre sıralar.
Sıralama tablosundaki her satır, makine öğrenimi algoritmaları ve özellik mühendisliğinin benzersiz bir kombinasyonunu temsil eder. En üst sıradaki iş akışı genellikle AutoAI'nin belirli veri kümenize önerdiği iş akışıdır.
En üst sıradaki iş akışının otomatik olarak doğru seçim olduğunu varsaymayın. İlkini sorgusuz sualsiz seçmek yerine, en üstteki iki veya üç iş akışını karşılaştırmaya değer. Bunlardan herhangi birine tıklayarak, hangi özelliklerin en önemli olduğu veya modelin karışıklık matrislerini kullanarak nasıl hatalar yaptığı gibi bilgileri inceleyebilirsiniz.
3. Adım: Tahmine dayalı modelinizi dağıtın
Başarılı bir iş akışı seçtikten sonra, bunu projenizde bir model olarak kaydedin. Ardından, kaydedilen bu modeli bir dağıtım alana yükseltmelisiniz. Dağıtım alanı, üretim iş yükleri için özel olarak tasarlanmış ayrı bir ortamdır.
Çevrimiçi ve toplu dağıtım arasında seçim yapabilirsiniz. Çevrimiçi dağıtım, isteğe bağlı tahminler için size gerçek zamanlı bir REST API sunar. Toplu dağıtım ise büyük veri kümelerini belirli bir programa göre değerlendirir.
Yerleşik test sekmesini kullanarak örnek bir girdi yükü gönderin. Bu, tahmin çıktısını aşağı akış sistemleriyle entegre etmeden önce doğrulamanızı sağlar. Dağıtım, harici uygulamaların çağırması için bir API uç noktası ve bir puanlama URL'si oluşturur.
4. Adım: Model performansını izleyin ve değerlendirin
Geçmiş verilerle eğitilen bir model, gerçek dünyadaki kalıpların değişmesiyle zamanla bozulabilir. Bu bozulmaya "drift" denir ve zamanla model kalitesini fark edilmeden düşürebilir.
Modelinizin gerçek dünyada nasıl performans gösterdiğini sürekli olarak izlemek ve sorunlar ortaya çıkmadan önce tespit etmek için Watson OpenScale bileşeni aracılığıyla izlemeyi etkinleştirin, ardından dağıtımınızı izleme aracına bağlayın ve doğruluk ve kesinlik için kalite eşiklerinizi yapılandırın.
Tahmininiz hassas özellikler içeriyorsa, tarafsızlığı korumak için adalet izleme araçlarını yapılandırdığınızdan emin olun.
Sistem, belirli bir sonucu hangi özelliklerin tetiklediğini tam olarak gösteren tahmin başına açıklamalar oluşturabilir. Bundan sonra, bu gösterge panellerini incelemek için aylık bir sıklık ayarlayabilir ve kalite düşerse modeli yeniden eğitebilirsiniz.
Bu bölümü tamamlamadan önce, bu süreçteki her adımın farklı kişileri içerdiğini anlamak önemlidir. Yürütmeyi izlemeyi sağlayacak bir sistem olmadan, süreç hızla yavaşlayabilir ve kontrolden çıkabilir.
- Bir veri analisti, veri setini yüklemeden önce temizlemek ve doğrulamaktan sorumludur
- Bir makine öğrenimi mühendisi, AutoAI deneyini çalıştırır ve en iyi iş akışlarını karşılaştırır
- Aynı mühendis (veya bir ML operasyon uzmanı) model dağıtımını ve API kurulumunu gerçekleştirir
- Bir veri bilimcisi veya AI lideri performansı izler, sapma raporlarını inceler ve yeniden eğitimin ne zaman gerekli olduğuna karar verir
Bunu yönetmek için yapılandırılmış bir yol olmadan, kısa sürede dağınık notlara, Slack mesajlarına, e-postalara veya hafızanıza güvenmek zorunda kalabilirsiniz ve işte bu noktada gecikmeler ve atlanan adımlar ortaya çıkar. Sonuç olarak görev yönetimi kritik bir öneme sahip hale gelir.
Bu adımların birbirinden bağımsız kalmasına izin vermek yerine, ClickUp görevleri şu özelliklere sahip bir sistem sunar:
- Her adım izlenebilir bir görev haline gelir
- Her görev doğru kişiye atanır
- İlerleme, tüm ş akışı boyunca görünür
Hepsi bu kadar da değil. Her görev, yürütülmesini destekleyen bağlam ve yapılandırılmış verilerle de desteklenir.
- Özel Alanlar, model sürümü, veri kümesi kaynağı, değerlendirme metrikleri, dağıtım türü veya yeniden eğitim sıklığı gibi yapılandırılmış verileri yakalayabilir
- ClickUp Belgeleri, veri hazırlama kılavuzları, model varsayımları, deney notları veya dağıtım talimatları gibi destekleyici belgeleri depolayabilir
Böylece görevler belirsiz yapılacaklar listesi yerine, tamamen bağlamsal, net, atanmış ve yürütülmeye hazır iş birimleri haline gelir.
Ancak bu sadece görevleri izlemekle bitmiyor; bu görevler tek seferlik eylemler değil. Bunlar, sürekli olarak belirli düzeyde tekrarlayan manuel eylem gerektiren devam eden ş akışlarıdır.
Örneğin:
- Model doğruluğu eşik değerinizin altına düşerse, yeniden eğitme görevini üstlenecek bir kişi atanmalıdır
- OpenScale sapma tespit ederse, bu uyarı net bir sorumluya sahip bir göreve dönüştürülmelidir
- Test sırasında bir dağıtım başarısız olursa, bunun kaydı tutulmalı, sorumlu atanmalı ve hızlı bir şekilde çözülmelidir
ClickUp Otomasyon, önceden tanımlanmış koşullara göre otomatik eylemleri tetikleyerek bu ş akışları arasındaki manuel aktarımları ortadan kaldırarak bir adım daha ileri gider.
Yeni bir veri kümesi yüklendiğinde, bir doğrulama görevı otomatik olarak oluşturulur ve veri analistine atanır. "Hazır" olarak işaretlendiğinde, makine öğrenimi mühendisine otomatik olarak bir model eğitimi görevi atanır. Eğitim tamamlandığinde, ML operasyon uzmanı için bir dağıtım görevi tetikleyici olarak tetiklenir.
Bu şekilde, her adım manuel devir teslimler olmadan bir sonrakine akıcı bir şekilde geçer. Görevler otomatik olarak oluşturulur, atanır ve bağlamla zenginleştirilir, böylece tüm ş Akışı kesintiye uğramadan ilerler.
Takımlar için Tahmine Dayalı Analitik Kullanım Örnekleri
Takımlar, tahmine dayalı analitiği en çok şu şekillerde kullanıyor:
- Talep tahmini : Operasyon takımınızın stoklarını erkenden hazırlayıp stok sıkıntısını önleyebilmesi için bir sonraki çeyrekteki ürün talebinizi tahmin eder
- Müşteri kayıp tahmini : Mevcut müşterilerinizi ayrılma olasılıklarına göre puanlar ve yüksek riskli hesapları müşteri tutma ş akışlarına yönlendirir
- Proje risk puanlaması : Kapsam değişiklikleri gibi geçmişteki eğilimlere dayanarak, teslim tarihlerini kaçırma olasılığı yüksek olan projelerinizi işaretler
- Satış boru hattı tahmini : Hangi anlaşmaların sonuçlanma olasılığının yüksek olduğunu tahmin eder ve gelir takımlarınıza güvenilir bir tahmin sunar
- BT olayı tahmini : Günlük kalıplarına göre arıza yapma olasılığı yüksek altyapı bileşenlerini belirler
Tüm bunlarla birlikte, bu tahminlerin değerinin ancak çıktılar, takımınızın etkilediği kararları zaten uyguladığı araçlara doğrudan aktarıldığında katlanarak arttığını unutmamak önemlidir.
🎯 Önerimiz: Bu içgörüleri ClickUp gibi bir Converged AI Çalışma Alanı'na taşıyın.
ClickUp ile sadece model eğitimi ş akışlarını yönetmekle kalmazsınız. Günlük operasyonlarınızı da aynı yerden yürütürsünüz, böylece bu tahminler takımlar arasında doğrudan somut işlere tetikleyici olabilir.
- Pazarlama için, yüksek niyetli segment tahmini otomatik olarak kampanya görevleri oluşturabilir
- Satış için, potansiyel müşteri puanlama çıktıları öncelikli müşteri erişim görevlerine dönüştürülebilir
- Operasyonlar açısından, risk tahminleri (müşteri kaybı veya arıza gibi) takip veya müdahale için tetikleyici olabilir
Her takım, tıpkı makine öğrenimi ekibinizin eğitim ve dağıtım için yaptığı gibi, ClickUp Görevleri içinde kendi akışlarını yapılandırabilir. Sistem aynıdır, sadece kullanım senaryoları farklıdır.
Ve iş sadece uygulamayla bitmiyor. ClickUp Gösterge Panelleri ile şunları yapabilirsiniz:
- Tahmine dayalı içgörüleri görselleştirin (ör. yüksek riskli ve düşük riskli segmentler)
- Bu içgörülerden oluşturulan görevlerin farklı takımlar arasında nasıl ilerlediğini izleyin
- Takımlar arasında iş yükünü izleyin
- Tahminlerin gerçekte nasıl sonuçlara dönüştüğünü görün
Tek yapmanız gereken, ister çubuk grafikler, ister pasta grafikler, ister çizgi grafikler veya ilerleme izleyicileri olsun, istediğiniz bileşeni seçmek. Bu sayede, modeliniz bir araçta, uygulamanız ise başka bir araçta kalmaz; her şey tek bir yerde birbirine bağlı kalır.
İçgörüleriniz sadece kararları bilgilendirmekle kalmaz; kararları tetikler, atanır, izlenir ve fiilen tamamlanır.
💡 Profesyonel ipucu: ClickUp Brain'i tüm çalışma alanınızda yerleşik AI asistanınız olarak kullanabilirsiniz.
Bu ayrı bir araç değildir; ClickUp Çalışma Alanınızın içindeki zeka katmanıdır, yani görevleriniz, verileriniz ve ş Akışlarınız için gerekli bağlam bilgisine zaten sahiptir.
Böylece, sadece görevleri izlemek yerine, yanınızda çalışan bir AI asistanınız olur; bu asistan, neler olup bittiğini anlamanıza ve bir sonraki adımda yapılacak görevlere daha hızlı geçmenize yardımcı olur.
Örneğin, bir görev yorumunda tıpkı bir takım arkadaşınıza yaptığınız gibi Brain'e bahsedebilir ve şunu sorabilirsiniz:
- "En son sapma raporunu özetleyin ve dikkat edilmesi gereken noktaları vurgulayın."
- "Son 30 gün içinde model performansımızda ne değişti?"
Çalışma Alanı'ndaki verileri kullanarak size net ve anında bir cevap verecektir. Ayrıca sizin için işler de oluşturabilir. Ondan şunları isteyebilirsiniz:
- Paydaşlara, bir modelin neden yeniden dağıtıldığını açıklayan kısa bir güncelleme yazın
- Son dönemdeki performans düşüşlerine dayalı bir yeniden eğitim planı hazırlayın
- Eğitimden önce yeni bir veri kümesini doğrulamak için bir kontrol listesi oluşturun
ClickUp, Birleştirilmiş Çalışma Alanı sunduğundan, takımınızın iletişim ve uygulama için ayrı araçlar arasında gidip gelmesine gerek kalmaz.
Model doğruluğundaki bir düşüşü tartışmak, işaretlenmiş bir sapma uyarısını incelemek veya başarısız bir dağıtımın ardından sonraki adımları belirlemek gibi tüm konuşmalarınızı doğrudan ClickUp Sohbeti'nde gerçekleştirebilirsiniz.
Ancak daha da önemlisi, bu konuşmalar sadece orada kalmıyor.
Tartışmaların eyleme dönüşmesini sağlamak için Yorum Atma özelliğini kullanın. Herhangi bir konuşmanın ortasında, bir mesajı belirli bir takım üyesine atayabilir ve bunu anında net bir eylem ögesine dönüştürebilirsiniz.
Böylece, konuşmalar unutulup gitmek veya "bunu yapmalıyız" şeklinde sonlanmak yerine, ClickUp Chat içinde baştan sona gerçekten yürütülen ve izlenen görevler haline gelir.
🎥 İş dünyasındaki yapay zeka uygulamalarının genel görünümünü daha iyi anlamak için, kuruluşların farklı fonksiyonlar ve sektörlerde yapay zekayı nasıl uyguladığını gösteren gerçek hayattan AI kullanım örneklerine genel bakışı izleyin. ✨
Tahmine Dayalı Analitik için IBM Watsonx Kullanımının Sınırlamaları
Her aracın avantajları ve dezavantajları vardır ve Watsonx da bir istisna değildir. Evet, güçlü bir araçtır, ancak platformu kullanmaya commit etmeden önce şu sınırlamaları göz önünde bulundurun:
- Öğrenme eğrisi: Dağıtım alanlarını ve yönetişim izleyicilerini yapılandırmak, bulut platformu kavramlarını iyi anlamayı gerektirir; bu nedenle, takımınızın bulut araçları veya altyapısı konusunda henüz fazla deneyimi yoksa bu yöntem sizin için uygun olmayabilir
- Manuel veri yönetimi : Platform, ham verilerin temizlenmesi ve yapılandırılmasının en zor kısmını otomasyonla gerçekleştirmez; bu da, güvenilir sonuçlar elde edebilmeniz için takımınızın veri hazırlığının büyük bir kısmını yine manuel olarak halletmesi gerektiği anlamına gelir
- Hesaplama maliyetleri: IBM Watsonx'te eğitim deneyleri ve canlı dağıtımların barındırılması, kullanıma göre fiyatlandırılır; bu nedenle, artan iş yükleri için ölçeklendirme yaptıkça bulut kaynakları hızla tüketilebilir ve maliyetler artabilir
- Ş Akışı entegrasyonu: Tahminlere göre hareket etmek için harici proje yönetimi araçlarına bağlantı kurmak gerekir
- Yönetişim karmaşıklığı : Adalet ve sapma izleyicilerini yapılandırmak, küçük takımlar için zorlayıcı hissettiren birçok adımı içerir
Bu sınırlamalar, tamamlayıcı araçların devreye girmesi gereken noktaları ortaya koymaktadır. Bu durum, özellikle tahmin sürecinin eylem aşamasında geçerlidir.
📮 ClickUp Insight: Anket katılımcılarımızın %88'i kişisel görevleri için yapay zeka kullanıyor, ancak %50'den fazlası iş yerinde kullanmaktan çekiniyor. Üç ana engel nedir? Sorunsuz entegrasyon eksikliği, bilgi eksiklikleri veya güvenlik endişeleri.
Peki ya AI çalışma alanınıza entegre edilmiş ve zaten güvenliyse? ClickUp'ın yerleşik AI asistanı olan ClickUp Brain, bunu gerçeğe dönüştürür. Basit dilde verilen komutları anlar, AI'nın benimsenmesiyle ilgili üç endişeyi de giderirken, çalışma alanı genelinde sohbet, görevler, belgeler ve bilgileri birbirine bağlar. Tek bir tıklamayla cevapları ve içgörüleri bulun!
Tahmine Dayalı Analiz için Alternatif AI Araçları
Watsonx, piyasadaki tek tahmine dayalı modelleme seçeneği değildir. Teknik bilgi düzeyinize bağlı olarak, diğer platformlar da sisteminize daha uygun olabilir. Aşağıdaki tablodaki platformlar bir bakışta karşılaştırılmıştır.
| Araç | En uygun olduğu durumlar | Anahtar fark |
| IBM Watsonx | Yönetilebilir, denetlenebilir yapay zekaya ihtiyaç duyan kurumsal takımlar | AutoAI + yerleşik yönetişim ve sapma izleme |
| Google Vertex AI | Halihazırda Google Bulut'ta bulunan takımlar | BigQuery ve GCP hizmetleriyle sıkı entegrasyonlar |
| Azure Makine Öğrenimi | Microsoft ekosistemindeki kuruluşlar | Power BI ve Azure DevOps'a yerel bağlantı |
| Amazon SageMaker | ML mühendisliği kaynaklarına sahip AWS tabanlı takımlar | Geniş algoritma kütüphanesi ve esnek notebook ortamı |
| DataRobot | Tamamen otomasyonlu makine öğrenimi isteyen iş analistleri | Güçlü açıklanabilirlik ön tanımlı değerleriyle uçtan uca otomasyon |
| ClickUp Brain | Proje akışlarına doğrudan entegre edilmiş AI destekli içgörülere ihtiyaç duyan takımlar | Araç değiştirmeden görevler, belgeler ve gösterge panelleri arasında çalışan bağlam farkındalıklı yapay zeka |
📮 ClickUp Insight: Bağlam değiştirme, takımınızın verimliliğini sessizce azaltıyor. Araştırmalarımız, işteki kesintilerin %42'sinin platformlar arasında geçiş yapmak, e-postaları yönetmek ve toplantılar arasında koşturmaktan kaynaklandığını gösteriyor. Ya bu maliyetli kesintileri ortadan kaldırabilseydiniz?
ClickUp, iş akışlarınızı (ve sohbetinizi) tek bir modern platformda birleştirir. Sohbet, belgeler, Beyaz Tahtalar ve daha fazlasından görevlerinizi başlatın ve yönetin; AI destekli özellikler ise bağlamı bağlantılı, aranabilir ve yönetilebilir tutar!
Sadece Tahmin Etmeyin, ClickUp ile Harekete Geçin
Tahmine dayalı analitik için IBM Watsonx'i kullanmak, veri hazırlığından sapma izlemeye kadar net bir yol izler, ancak bu en basit kısmıdır. Asıl iş, bu tahminlerin takımınızın çalışma şeklini gerçekten değiştirmesini sağlamaktır.
Kimsenin kontrol etmediği gösterge panellerinde duran tahminler, sadece boşa harcanan hesaplama gücüdür; gerçek değer elde eden takımlar ise, otomasyonlu uyarılar ve yeniden önceliklendirilmiş görevler aracılığıyla model çıktılarını doğrudan yürütme ş akışlarına bağlar.
AI içgörüleri, proje yürütme ve takım iletişiminin tek bir Çalışma Alanı'nda bir araya geldiği bir ortam istiyorsanız, ClickUp ile bugün ücretsiz olarak başlayın. ✨
Sık Sorulan Sorular
Bu, makine öğrenimi modellerini oluşturmak, eğitmek ve dağıtmak için kullanılan bir kurumsal veri ve yapay zeka platformudur. Takımlar, veri göl evlerini yönetmek ve tek bir bulut ortamından yapay zeka yönetişimini izlemek için bu platformu kullanır.
AutoAI, tablo verilerinizi otomatik olarak analiz ederek en uygun makine öğrenimi algoritmalarını seçen, kod yazmaya gerek olmayan bir araçtır. Özellikleri tasarlar ve aday modelleri bir sıralama tablosunda derecelendirir; böylece en doğru seçeneği devreye alabilirsiniz.
Platform, dağıtım alanlarını ve yönetişim izleme araçlarını yapılandırmak için bulut kavramlarına ilişkin sağlam bir bilgi birikimi gerektirir. Ayrıca, yüklemeden önce ham verilerinizi temizleme ve yapılandırma gibi manuel süreçleri otomasyonla gerçekleştirmez.