Yapay Zeka ve Makine Öğrenmesi

Nerede işe yarıyor

Üretim ortamında yapay zekanın karşılığı, çoğunlukla insanın fark edemeyeceği kadar yavaş ya da fark edemeyeceği kadar çok boyutlu değişimleri görmesinden geliyor. Bir rulmanın titreşim spektrumu haftalar içinde kayar; bir enjeksiyon kalıbının ürettiği parçanın kalitesi sekiz parametrenin bileşimine bağlıdır. İkisi de tek tek bakan bir gözün kaçırdığı şeyler.

En sık çalıştığımız uygulamalar:

• Kestirimci bakım. Motor, rulman, pompa ve redüktör gibi döner elemanlarda titreşim, akım imzası ve sıcaklık verisinden arıza öncesi örüntüyü çıkarmak; planlı bakımı takvime değil ekipmanın gerçek durumuna bağlamak.
• Anomali tespiti. Arıza etiketi olmadan, yalnızca normal çalışmayı öğrenip sapmayı işaretlemek. Endüstride en çok işe yarayan yaklaşım genelde bu, çünkü elde bol olan veri “her şey yolunda” verisi.
• Kalite tahmini. Laboratuvar ölçümü ancak vardiya sonunda gelen bir özelliği, proses parametrelerinden anlık kestirmek — literatürde yazılım sensörü (soft sensor) denen yapı.
• Talep ve üretim tahminleme. Sipariş geçmişi, mevsimsellik ve kampanya etkilerini ayrıştırarak planlamaya girdi üretmek.
• Proses optimizasyonu. Enerji tüketimi, çevrim süresi ve fire arasındaki dengeyi veriden çıkarıp parametre seti önermek.

Nasıl çalışıyoruz

İşe veri değerlendirmesiyle başlıyoruz, model seçimiyle değil. Bakılacak sorular şunlar: işaretler hangi çözünürlükte örneklenmiş, zaman damgaları hizalı mı, duruşlar ve vardiya değişimleri kayıtta ayırt edilebiliyor mu, arıza kayıtları bakım defterinde mi yoksa birinin aklında mı. Bu adım sıkıcı ama sonraki her şeyi belirliyor; hizalanmamış zaman damgası, modelin nedeni sonuçtan önce görmesine yol açar ve sonuç kâğıt üzerinde mükemmel, sahada işe yaramaz bir model olur.

Veri toplama tarafında tercihimiz mümkün olduğunca OPC UA üzerinden, kontrol katmanının kendi etiket (tag) sözlüğüyle çalışmak. Yeni bir ölçüm noktası gerekiyorsa bunu baştan söylüyoruz — sensör eklemek modeli zorlamaktan hem daha ucuz hem daha dürüst bir çözüm.

Modelleme aşamasında basitten başlıyoruz. Gradyan artırmalı ağaç ailesi (XGBoost, LightGBM) tablosal proses verisinde derin öğrenmeye göre çoğu zaman daha iyi sonuç veriyor, çok daha az veriyle eğitiliyor ve önem sıralaması sayesinde mühendisin sorgulayabileceği bir çıktı üretiyor. Derin öğrenmeye ham sinyal, görüntü ya da uzun bağımlılıklı zaman serisi gerektiğinde geçiyoruz. Her deney MLflow’da kayıtlı kalıyor: hangi veri sürümü, hangi hiperparametre, hangi metrik.

Dağıtımda ölçüt hattı durdurmayan model dağıtımı. Model container içinde ya da ONNX’e çevrilip kenar cihazda koşuyor; çıkarım servisi çökse bile proses etkilenmiyor, yalnızca tahmin akışı kesiliyor ve bu durum uyarı olarak görünüyor.

Endüstriyel verinin kendine has zorlukları

Etiketli veri kıtlığı. Kestirimci bakımın temel çelişkisi şu: iyi işletilen bir tesiste arıza nadirdir, dolayısıyla öğrenilecek örnek azdır. Bu yüzden sınıflandırma yerine sıklıkla tek sınıflı (one-class) veya rekonstrüksiyon hatasına dayalı yaklaşımlar kuruyoruz.

Sınıf dengesizliği. Binde bir görülen bir kusuru “hiç yok” diyerek %99,9 doğruluk yakalayan bir model teknik olarak doğru, pratikte işe yaramaz. Bu yüzden doğruluk (accuracy) tek başına raporlanmaz; kesinlik, duyarlılık ve yanlış alarm oranı birlikte verilir.

Yanlış alarmın gerçek maliyeti. Operatör bir uyarıya üç kez boşuna gittiyse dördüncüde gitmez. Eşik seçimi istatistiksel değil operasyonel bir karardır ve bakım ekibiyle birlikte verilir.

Kavram kayması. Model bir kez kurulup bırakılan bir şey değil. Girdi dağılımı ve tahmin kalitesi sürekli ölçülür, kayma eşiği aşıldığında yeniden eğitim gündeme gelir.

Diğer çözüm alanlarıyla ilişkisi

Model, altındaki katman kadar iyi olur. Etiket sözlüğü tutarsız veya örnekleme sıklığı prosese göre yetersizse hiçbir algoritma bunu telafi etmez; bu yüzden yapay zeka işlerini genelde veri toplama ve analiz ile aynı planın parçası olarak yürütüyoruz. Görüntü tabanlı denetim uygulamaları görüntü işleme ve kamera sistemleri ile birlikte kurulur — aydınlatma ve optik doğru değilse model kusuru kameranın görmediği yerde arar. Tahminin bir eyleme dönüşmesi gerekiyorsa devreye endüstriyel otomasyon katmanı giriyor.