TR|EN
Güncel
E-Bülten Aboneliği
SteelPro 2023
18th New Horizons
Tevfik Seno Arda Lisesi
Yayınlar > Çelik Yapılar
Sayı: 77 - Temmuz / Ağustos 2022

Güncel


YAPISAL ÇELİK SEKTÖRÜ ve MAKİNA ÖĞRENMESİ

Özyeğin Üniversitesi Öğretim Görevlisi ve Manage IT Yönetim Danışmanlık Ltd. Şti. IT Danışmanı Yavuz Selim Hindistan, yapısal çelik sektörünü de yakından ilgilendiren makina öğrenmesini kaleme aldı.

İnsanoğlunun gelişim tarihi incelendiğinde bulunduğu ortamlardaki verileri algılama ve işleme boyutuyla ilgili birçok noktada ilgi çekici detaylar bulabiliriz. Mağara duvarlarına resim çizmekle başlayan veri işleme biçimi, kullandığı aletlerle de bu sistemin araç gereçlerini de beraberinde geliştirmiştir. İnsanın zihinsel tasarımlarının ütopik olarak görüldüğü dönemler teknolojinin gelişimiyle birlikte geride kaldı. Dolayısıyla teknoloji tabanlı ütopyalar yaratmak artık hiç de zor değil.

Günümüz iş dünyasında yaşanan teknolojik gelişmelerin en önemlilerinden biri olan yapay zekâ destekli sistemlerin kullanımı hızla artıyor. Bu sistemler doğru kullanıldığında şirketler ve kuruluşlar rakiplerine karşı fark yaratıyorlar. Bu yazıda, makina öğrenmesi, yapısal çelik sektöründe kullanımı ile “Ne zaman? ve “Nasıl?” sorularına dair değerlendirmelerim olacak. Yapay zekâ, genel olarak kullanılan bir kavram. Makina öğrenmesi, yapay zekânın önemli bir bileşenini oluşturuyor. Öncelikle bu sistemler için en önemli adım olan “Doğru Veri” olgusuna değinmek istiyorum.

Doğru Veri
Veri nedir, nasıl doğru veriye ulaşılır? Basit bir örnek olarak doğru tutulmayan bir veresiye defterini düşünün. Verilen borçların, alınan ödemelerin anlık kaydedilmediği çok dikkat gösterilmeden yanlış kayıtların tutulduğu bir defter üzerinden borç veya alacak takibi yapılması verimli sonuçlar sağlamayacaktır. Benzer şekilde, kullandığımız Bilgi Teknolojileri (BT) sistemlerimizin ürettiği verilerin de anlık ve doğru olması gerekiyor. Muhasebeye konu olan kalemlerde veriler, denetleyici kurumların beklentilerini karşılayacak yeterlilikle “doğru” olarak yer alıyorlar. Aslında birçok orta ölçekli firmada kullanılan BT sisteminin temel amacı da finansal ve finansa dayalı bilgilerin yönetilmesi amacını taşıyor. Firmaların, BT bütçelerine göre oluşturdukları standart BT sistemlerindeki muhasebe yazılımları, e-fatura, e-irsaliye, e-defter destekli yazılımlar, ERP-Kurumsal Kaynak Planlaması yazılımları ve raporlamaları olarak sıralanabilir. Burada sorumuz şu: standart BT sistemlerinin verimli çalışmasını sağlarsak makina öğrenmesi vb. analizleri de yapabilir miyiz? Bu soruya cevap vermek için bir önceki sorumuzun yani mevcut sistemlerin ürettiği verilerin yeterliliğinden emin olmamız gerekiyor.

Belirli BT sistemi olan firmaların kendi bünyelerinde ya da bulut üzerinde tuttukları veri tabanları var. Sistem, verilerini burada depoluyor. ISO 27001 Bilgi Güvenliği standartlarında olan bir sistemde verilerin yedeklendiği, felaket yedeklerinin de alındığını varsayabiliriz. Bu şekilde birikmiş veri analiz yapılması açısından çok kıymetlidir. Doğru analiz yöntemleri ile veri işlenerek bilgiye döner. İş Zekâsı adı altında raporlamalarda bilgiler paylaşılır ve bu analizler şirketin yönetiminde karar alınması için yardımcı olur. Karar destek sistemlerinde hız da çok önemlidir. İdeal olan, verinin gerçek zamanlı gelmesi ve raporlama sistemlerinde anlık olarak izlenebilmesidir. Verinin doğru olması kadar hızlı da olması gerekir.

BT sistemlerinden gelen verinin doğru ve hızlı olması sağlandığında mevcut BT sistemleri, karar destek sistemlerine dönüşüyor. Doğru ve hızlı verinin tek bir kaynaktan değil çoklu kaynaklardan gelmesi yani çeşitliliği de aynı şekilde önemlidir. Analizin gerçeğe yaklaşması için farklı kriterlerin veri çeşitliliğinin kullanılması gerekir.

“Standart BT sistemleri ile makina öğrenmesini sağlayabilir miyiz?” sorusuna cevap olarak, BT sistemlerinde üç kriteri sağlayan, yani doğru, hızlı ve çeşitliliği olan veriye sahip olan firmalar için yapay zekâ destekli sistemlere geçiş mümkündür. Maalesef, bu aşamaya gelen firma sayısı çok azdır. Bu duruma farklı nedenler gerekçe gösterilebilir. Bu nedenler; verilerin anlık girilmemesi, sonradan girilen verilerin değişkenlik göstermesi, veri çeşitliliğinin az olması olarak sıralanabilir. Kök neden olarak da BT yatırımlarının vizyoner plan dahilinde değil, zorunluluk haline gelen ihtiyaçların karşılanması için yapılması, yeterli bütçe ayrılmaması söylenebilir.

Bu aşamada “Ne zaman?” sorusu, firmaların BT sistemlerinin doğru, hızlı ve çeşitliliği olan veriyi üretmesi olarak yanıtlanabilir. Bugün, bir firmanın sistemlerini bu şekilde düzenlediğini varsayarsak, yapay zekâ uygulamaları için ilk adımı attığını söyleyebiliriz. Ancak, doğru, hızlı ve çeşitliliği olan verinin yeterli sayıda olması durumunda yapay zekâ sistemleri kullanılabilir. “Ne zaman?” için doğru cevap, verilerin bahsettiğimiz üç kriterde tutulması ve belirli hacme ulaşması olacaktır. Sistem geçişleri eski veri tabanı ile yeni sistemin verilerinin eşleşmemesi, ana verilerde farklılıklar, aynı ürün kodlarının farklı yıllarda farklı ürünlere verilmesi ya da aynı ürünün farklı yıllarda farklı kodlarla verilmesi, kısaca izlenebilirliğin olmaması çokça yaşanan bir sorundur. Yapay zekâ destekli sistemler izlenebilirliği olan verilere ihtiyaç duyar. Veri ne kadar çoksa yapay zekâ sisteminin üreteceği sonuçlar da o kadar doğruya yaklaşır.

Yapay zekâ olarak makina öğrenmesinden bahsedecek olursak; Bildiğiniz gibi bu sistemlerin temel ihtiyacı doğru, hızlı, çeşitli ve çokça olan verilerdir. Farklı analiz ve istatistik yöntemleri kullanılır. Standart bir iş zekâsı raporlama uygulamasından temel farkı, tahmin edebilme yetisidir. Geleneksel algoritmalar kodlandıkları amaç doğrultusunda farklı varyasyonlarda sonuçlar üretirler. Yapay zekâ uygulamaları ise verileri kullanarak tahminde bulunurlar. Modeller öncelikle tahmin yapmaları istenen alandaki verilerle eğitilir ve sonra da olmayan veriler için tahminler istenir. Örneğin, kanser hastalarının hastalanmadan önceki sağlık verileri ile sağlıklı kişiler için kanser olma olasılığı hesaplanabilir. Çalışmanın başarısı, doğru ve çeşitliliği olan çokça veri ile ilgilidir. Burada hız hayat kurtarıcı olabilir.

Kestirimci Bakım
Yapısal çelik ve üretim alanında da makina öğrenmesi destekli çokça uygulama alanı vardır. Bunlara her geçen gün yeni uygulamalar dâhil oluyor. En çok kullanılan alanlardan bir tanesi kestirimci bakım. Üretimin plansız bir arıza ile kesilmesi yüksek sezonlarda yüksek maliyetlere yol açabilir. Arıza vermesi muhtemel olan üretim cihazını fark etmek plana alarak bakımını yapmayı sağlar. Makina öğrenmesi, iş sağlığı güvenliği, tedarik zinciri optimizasyonu, performans takibi gibi alanlarda da kullanılıyor[1]. Nesnelerin İnterneti (IoT) bu konuda öncülük ediyor[2]. Satış alanında da müşteri taleplerinin doğru tahmin edilmesi, üretim/stok dengesinin başarılı ve verimli yönetilmesini sağlıyor.

“Nasıl?” sorusuna cevaben; ilk adım olarak BT sistemlerinin yapay zekâ için gerekli veriyi üretecek hale gelmesi ve o veriyi biriktirmesi söylenebilir. Bu süreç aynı zamanda “Ne zaman?” sorusunun cevabını da içeriyor. Bu aşamaya gelen bir firmanın beklemeden teknolojinin bu yüzü ile tanışması gerekir. Çünkü, doğru makina öğrenmesi modelini bulmak için özel çalışma ve zaman gerekir. Rekabetçi ortamda doğru modeli bulan öne geçer.

Bir şirketin mevcut BT sistemlerinin yeterliliğini analiz eden ve gitmesi gereken yolu belirleyen firmalar vardır. Bu çalışmaya dijital olgunluk analizi denir.

Firmaların dijital olgunluklarını bilmesi, “Nasıl?” sorusunun detaylarını belirlemeye yardımcı olur. Bahsettiğimiz teknolojinin yeni yüzü içerisinde çokça bilinmeyen barındırıyor ve bu konularda yeni araştırmalar devam ediyor.

Referanslar:
[1] Fernandes, M., Corchado, J.M., Marreiros, G.: Machine learning techniques applied to mechanical fault diagnosis and fault prognosis in the context of real industrial manufacturing use-cases: a systematic literature review. Applied Intelligence, 1–35 (2022)
[2] Bisio, I., Garibotto, C., Grattarola, A., Lavagetto, F., Sciarrone, A.: Exploiting context-aware capabilities over the internet of things for industry 4.0 applications. IEEE Network 32, 101–107 (2018)
Çelik Yapılar - Sayı: 77 - Temmuz / Ağustos 2022

Kendimizi Sınayalım

KENDİMİZİ SINAYALIM SORU 77



© 2014 - Türk Yapısal Çelik Derneği