Birinci mekanikleşme, ikinci seri üretim, üçüncü otomasyon,dördüncü ? Dördüncü ne tam olarak? Otomasyon zaten varsa neyi otomatikleştirmeye çalışıyoruz? İşte burada ben biraz teknik detaya inmek istiyorum.
Öğrenme derken ne demek istiyoruz onu anlatmak istiyorum. Bence dördüncü devrim data devrimi. Zaten bir enformasyon devrimi (information revolution) içinde yaşıyoruz, onun nedeni data. Ben aslında 4. Sanayi Devrimini bir data devrimi olarak görüyorum. Pek çok uzmanlığa ihtiyaç olan bir konudan bahsediyoruz.
Endüstri 4.0 için gereken dijital teknolojiler sadece üretim odaklı olmamalı. Bu süreç içinde kullanılan müşteri, lojistik ve tasarım gibi süreçte yer alan farklı unsurlara yönelik dijital teknolojiler de ele alınmalı. Örneğin computer vision. Endüstriyle yaptığımız görüşmelerden çıkan sonuca göre computer vision’ın gerekli olduğunu gördük. Bir diğer ise yapay zeka. Yapay zeka aslında iki yerde kullanılıyor. Birincisi otomasyon. Otomasyonu yapay zeka ile yapma olayı var.
Otomasyon her gördüğümüz robot ya da ajan yapay zekalı mıdır? Hayır, değildir. Ama çok güzel çok başarılı bir robot olabilir. Çünkü biz onu tam olarak ne yapacağını, nasıl yapacağını bilen bir şekilde “rule based” olarak programlayabiliriz. Ama burada yapay zeka var mıdır? Yoktur. O yapay zekayla çalışan bir robot mudur? Hayır değildir. Şimdi Endüstri 4.0’da aslında biz bunu yapmaya çalışıyoruz. Robotların kendi kendilerine öğrenmelerini istiyoruz. Ve datadan faydalanarak, geçmiş tecrübelerden faydalanarak bir öğrenme sürecine girmelerini istiyoruz. Yapay zekanın Endüstri 4.0’da diğer bir önemli unsuru ise datayı işlemededir. Big Data analitiğindedir. Big data’da veriyi işleme makine öğrenme ile gerçekleştiriliyor.
Big Data nedir?
Verinin toplanması, işlenmesi, anlamlandırılması, ilişkilendirilmesi, analizi, raporlanması ve bunun en sonunda karar destek sistemelerinde kullanılması olarak tanımlıyorum. Big data denince herkesin aklına çok büyük data, bizde big data yok ki gibi bir anlayış olabiliyor. Her ne kadar big data dense de bu kavramsal bir tanım aslında. Big data çok fazla, sığdıramayacağın kadar büyük bir data demek değil aslında. Big datanın 5 tane özelliği vardır, 5V dediğimiz bu özellikler şunlardır:
- Volume (Hacim)
- Velocity (Hız)
- Variety (Çeşitlilik)
- Veracity (Doğruluk)
- Value (Değer)
Bunlardan beşi de bir problemde yer alabilir, ya da sadece bir kaçı olabilir, bu yine bir big data problemidir. Son araştırmalara göre yukarıda saydığım V’ler artmış. 11 V’ye kadar çıkarmışlar özellikleri. Big datada öncelikle veriyi toplamamız lazım. Sensörler aracılığıyla veriyi topladık. Veya kameralar kullandık… Bunu depolamamız, saklamamız lazım. Sakladıktan sonra da gerekiyorsa mahremiyetini koruyoruz. Aynı şekilde güvenliğini de sağlıyoruz. Ancak bu şekildeki data ham data oluyor. Data’dan anlam çıkarmamız gerek. Geçmiş tecrübeleri kullanarak geleceğe yönelik bir tahminde bulunabiliyor muyum? Bunun için de datayı analiz etmem gerekiyor. Sonra da oradan elde ettiğim bilgiyi kullanacağım, bir karar destek mekanizmasında kullanacağım.
Bence dünyadaki bilim adamları şu an için 3 büyük problem üzerinde çalışıyorlar. Elbette milyonlarca konu var fakat bence bunlar 3 ana temada toplanıyor:
Bir tanesi hayatı anlamaya çalışıyoruz.
İkincisi evreni anlamayı çalışıyoruz. Hem makro level hem nano level’da. Hem atomlarla uğraşıyoruz, hem galaksileri keşfetmeye çalışıyoruz.
Üçüncüsü ise, zeka. Zekayı anlamaya çalışıyoruz. Çünkü biz zekayı seviyoruz. Dünyadaki en zeki varlıklar olduğumuzu düşünüyoruz. Sonuçta Homo Sapiens’ten geliyor “Wise Man”. Başka yaratıklar yaratıp onu kendi yararımız için kullanmak istiyoruz.
- What is life about? Yaşamın tümünü işaret eder.
- What is universe about? Kişiye özel bir sorudur
- What is intelligence about? Zeka – Bilişime hitap eden sorudur.
Şu an için bu üç problemi çözmede bilişim itici güç. Bir ilaç bulmada örneğin bilişim kullanılıyor. Fakat intelligence tam olarak bilişimcilerin işi. Bir trendden bahsetmek istiyorum. İnsan kaynağı yetiştirilen en önemli yerlerden bir tanesi de üniversiteler. Harward’da bilgisayar bilimleri birinci sınıflar arasında en popüler ders oldu. Herkes bir şekilde bilişimle ilgili olmak istiyor. Bilgisayar mühendisliği “hot topic” olma özelliğinde. Stanford’da lisans düzeyinde machine learning popüler bir konu. Machine learning data analizinde kullanılıyor ve şu anda dünyada çok büyük ölçüde veri analizcisi ihtiyacı var.
Yapay zeka aslında çok yabancı olduğumuz bir şey değil. İlk defa Kasparov IBM’in Big Blue’su ile satranç oynadığında ve Kasparov’u yendiğinde tanıdık. Kasparov ile makine arasındaki turnuvanın ilk bölümünde makine sadece 1 oyun alıyor ve diğer 3 oyunu kaybediyor. Fakat 1 oyunu kazanıyor makine. İkinci turnuvada ise sadece 1 oyun kaybediyor makine ve 3 oyun kazanıyor. Ve totalde Kasparov’u makine yenmiş oluyor.
Geçen yıl ise Go oyununda yapay zeka insanı yendi. Satranç Go’ya göre daha kurallı bir oyun olarak düşünülüyor. Satrançtaki hamle ihtimali 25 iken Go’da 250 olarak biliniyor. Dolayısıyla çok daha fazla insan sezgisi gerektiren bir oyun.
Bu sadece hesaplama ile yapılan bir şey değil. Burada big mind, algoritma, yazılımı kendi kendine öğrenebiliyor. Kendi kendine öğrenme neden önemli? Çünkü gelecekte bilmediğim şeyler var ve makinenin kendini adapte etmesini istiyorum. Bizler herşeyi sınıflandırmaya ihtiyaç duyuyoruz. 1-0 sınıflandırmasını kullanıyoruz. Öğrenmenin sürdüğü dünyada ise örneklerden yola çıkıyoruz, örneklerle öğreniyoruz. Bunu bilişim dünyasında ise matematik modeller çıkararak yapıyoruz. Modeli oluşturduktan sonra gelecek olan örnekleri kullanmak için matemetiksel modelimi kullanırım. Diğer yöntemler arasında ise kümeleme, sıralama, regresyon gelir. Bunlar hep makine öğrenmesi alanlarıdır ve gerçek dünya problemlerine çözüm bulabilirler. Sağlık, enerji ve pek çok sektörde big data, analiz ve makine öğrenme kullanılıyor.
Tüm bu alanlara uygulanabilen bu yöntem ve teknolojiler Endüstri 4.0’a uygulanabilir. Bir data devriminin Endüstri 4.0’da uygulanmaması imkansız olurdu. Örneğin Microsoft arama motorundaki aramalarından bir kişinin pankreas kanseri olduğu doğru tahmin edildi. Bu tarz tahmin yöntemleri endüstride uygulanabilir.
Özellikle Endüstri 4.0’da hangi alanlarda kullanılabilir? Mesela süreç yönetim analizi, otonom robotlar, önleyici bakım. Önleyici bakımla ilgili olarak New York Manhattan metrosunda hangi yapıların bozulma ihtimali olduğunu tahmin eden bir çalışma yapıldı. Bir şey bozulmadan onu anlayabilmek ve önlem almak özellikle üretim süreçlerinin kesintisiz işlemesi için çok önemli… (Şeyda Ertekin)
