Öğrenen Makineler |
SIEMENS

Sanayiden sağlık sektörüne, gündelik hayattan hizmet sektörüne her alanda insanlarının işini kolaylaştıran makinelere öğrenme yeteneği kazandırılabilir mi ? Gelin bu sorunun cevabına ve öğrenebilen makineler alanındaki son gelişmelere dünya devi Siemens'in gözünden bakalım.

A- A+

25.04.2015 tarihli yazı 25747 kez okunmuştur.

Makine öğrenmesi üzerinde yıllardır çalışılan bir konudur. Son yıllarda ise bu konuda Ar-Ge faliyetleri için dünya çapında çok ciddi yatırımlar yapılmaktadır. Araştırmacıların temel amacı kendini eğitebilen ve öğrenebilen makinelerdir. Bu makinelerin edindiği deneyimleri kullanarak yeni olaylar karşısında karar vermesi amaçlanmaktadır. Böylelikle insan beyninin öngöremeyeceği bir çok olayın sonucunu, akıllı makineler sayesinde hem hızlı hemde güvenilir bir şekilde öğrenebileceğiz.

New Jersey, Princeton’daki Siemens Kurumsal Teknolojiler (CT) tam da bu konu üzerinde çalışıyor. Bilgi Karar Sistemleri Programı Yöneticisi Amit Chakraborty ile birlikte çalışan bir ekip, enerji şirketleri için yeni tür bir yazılım geliştiriyor. Bu yazılım milyonlarca veri kaydını analiz ederek elektrik müşterilerinin alışkanlıklarını öğrenebilecek. Sistem nihai aşamasına geldiğinde kendi kendine enerji talebi tahminleri yapabilecek.

►İlginizi Çekebilir: Yapay Sinir Ağları| Avanataj ve Dezavantajları

Geleceğin “akıllı şebekelerinde” temel hedef, enerji tüketimi ile güneş ve rüzgâr tesisleri gibi öngörülemez kaynakların çıktılarını eşitlemek. Chakraborty, “Sürdürülebilir enerji sistemleri işte o zaman mevcut tüketici yükünün akımını, sürdürülebilir enerji kaynakları tarafından üretilen inişli çıkışlı akım ile dengeleyebilecek. Biz işte bu yüzden enerji şirketlerinin kusursuz planlar yapmasına olanak sağlayacak yöntemler geliştirmek zorundayız” diyor.

Bu yazılım 2011 yılı bitmeden gerçek dünyadan gelen enerji tüketimi verilerini kullanan pilot bir projede test edildi. Burada temel hedef, her şeyden önce tüketicilerin enerji kullanımı profillerini ortaya çıkarmak. Bu amaçla akıllı elektrik sayaçları kullanan milyonlarca müşteriden veriler toplandı. Bu veriler ise tüketilen enerji miktarları ile ne zaman kullanıldıkları hakkında bilgiler sundu. Siemens araştırmacıları bu pilot projeden öğrendiklerini, meteorolojik veriler ve beysbol finalleri gibi özel etkinlikler hakkındaki bilgilerle birleştirecek. Bu ham veri hazinesinden kendi yazılımları için eğitici veriler geliştirmek için faydalanacaklar. Ardından bu yazılımın algoritmaları da kısa vadeli yük tahminleri yapabilir hale gelecek.

Yük Tahmini Yapmak Yeni Bir İcat Değil

Milyonlarca hindinin elektrikli fırınlarda kızartıldığı tatil günlerinde oluşan aşırı yüklenmelerden herkesin haberi vardır. Ancak bu basit alışkanlıklarla sürdürülebilir bir enerji sisteminin gereksinimlerini karşılamak mümkün değildir. ABD’de enerji şirketleri yük yönetiminde yıllardır piyasa prensiplerine bel bağlıyor. Eğer mevcut enerji miktarı çoksa o zaman maliyet düşürülüyor. Aksi durumda tersi geçerli ancak tüketiciler arzın az ve fiyatın yüksek olduğu dönemlerde bu yüksek bedele katlanmak istemiyorsa sözleşmeye dayanan taahhütlere girebiliyorlar. Ancak bu tür “talep tepkili” sistemler her zaman mükemmel çalışmıyor. Şayet tüketiciler kendilerinden beklendiği gibi davranmazlarsa enerji şirketlerinin derhal ekstra enerji üretmesi veya satın alması gerekiyor ki bu durum sıklıkla verimsizlik anlamına geliyor ve sera gazı salınımının da artmasına neden oluyor. Chakraborty, “Böylesi durumlardan kaçınmak için tüketicilerin herhangi bir zamanda oluşacak koşullarda nasıl davranacaklarını önceden tahmin edebilecek durumda olmalıyız” diyor.

Öğrenen makineler ayrıca elektrik şebekesinin genişletilmesinin maliyetinin düşürülmesine de yardımcı olabilir. Örneğin Münih Siemens’te, gelişmiş bir “akıllı şebeke” projesi için enerji şebekelerinin otomasyonu üzerine araştırmalar yapan Dr. Michael Metzger, sensörlerle yapılan ölçümler sayesinde bir şebekenin yapısını hesaplayabilen, öğrenen bir algoritma geliştirdi.

Dr. Metzger, “Son kullanıcılara enerji sunmak için 10 yıllar önce döşenmiş bakır kabloların miktarı veya konumları hakkında genellikle hiçbir bilgi yoktur” diyor. Elektrik şebekesinin bu gizli kısımları hakkında bu türden temel bilgiler edinmek için kablo ağlarının içine sensörler yerleştirilebilir. Bunlar kendi bölgelerindeki elektrik akımı ve voltajıyla ilgili veriler sunar. Bu bilgilerle donanmış olarak şebekenin yapısı hakkında bir fikir sahibi olunabilir. Metzger, “Bu bilgiler sayesinde bir şebeke işleticisi kendi ağında ne kadar voltaj olduğunu ve bu voltajın nerelerde saklı bulunduğunu öğrenebilir“ diyor. Siemens şu anda Güney Almanya Kempten’de ki Allgäuer Überlandwerke isimli enerji şirketinin elektrik şebekesinin bir kısmında kendi tahmin algoritmasını test ediyor. Arıza sinyallerini farketmek. Hizmet sektöründe, öğrenen makinelerde yapılacak değişiklikler devrimci nitelikte olabilir.

►İlginizi Çekebilir: Yapay Sinir Ağları ile Maç Sonucu Tahmini

Siemens araştırmacıları tıbbi teşhis sistemleri gibi pahalı cihazların arızaya geçmelerini beklemek yerine ileriye yönelik devasa bir adım atıyor. Siemens’in Princeton’daki araştırma üssünde karar ve bilgi sistemleri alanında öğrenen sistemler geliştiren Dr. Fabian Mörchen, “Bir manyetik rezonans görüntüleme cihazının (MRI) veya nükleer bir tıp sisteminin ne zaman arızaya geçeceğini önceden güvenilir bir şekilde tahmin edebilen bir program geliştirdik” diyor. Bu yaklaşım aslında, makinelerin çoğunda bir arızanın eli kulağında olduğunu gösteren işaretler verdiği gerçeğinden yola çıkıyor. Mörchen, “Burada ustalık o sinyalleri tanımlamakta ve onları gözle görülür hale getirmekte yatıyor” diyor. Bu gibi sinyallerin içinde elektrik akımları, voltajlar, sesler, titreşimler, basınçlar ve sıcaklıklarda görülebilecek değişiklikler bulunuyor.

Bu makinelerin normal işleyişlerinden sapmalar kendi içlerindeki sensörler aracılığıyla ölçülüyor. Araştırmacılar ve onların öğrenme sistemleri, bir makine için nelerin normal sayıldığına dair bilgilere dayanarak, anormallikleri yakalamak için veri madenciliğine başvuruyor. Arızayla ilişkili bir dizi şablon yaratıldıktan sonra da Mörchen’le birlikte çalışan bu ekip, daha önce hiç görmediği verileri işlerken bu şablonları tanımlayan bir bilgisayar programı için algoritmalar geliştirebiliyor. Mesela bir MRI tarayıcısı kriyojenik helyum gazı kaçırmaya başladığında onun sıcaklığında ve basıncında hissedilmeyecek kadar küçük değişiklikler olur. Önceden ikaz eden algoritmalar sayesinde Siemens Sağlık sektörüne hizmet veren teknisyenler bütün gayretlerini bu soruna odaklayıp makine arızaya geçmeden önce soğutma sistemini onarabilir. Bugün Siemens servis ekipleri bu yazılımı sadece 3 bin 500 tane MRI tarayıcısını gözlemlemekte kullanmakla kalmıyor, aynı zamanda önleyici bakım amacıyla da ondan faydalanıyor. Bu strateji sayesinde üç yılı aşkın bir dönemde bakım ve onarım maliyetlerinde 5,8 milyon dolarlık tasarruf yapılabildi.

Bu araştırma projelerinin ilklerinden biride köprüleri izlemek için tasarlanmış ve Princeton’daki CT Araştırmacısı Ciprian Raileanu liderliğinde geliştirilmiş bir program. O zamanlar ABD Ulaştırma Bakanlığı, ABD’deki yaklaşık 650 bin adet köprünün bakım ve onarımını optimumlaştırmanın bir yolunu arıyordu. Raileanu’nun ekibi derhal kolları sıvadı ve Princeton yakınlarındaki Rutgers Üniversitesi’ nin Gelişmiş Altyapılar Merkezi’yle işbirliği yaparak kısa sürede bir çözümle ortaya çıktı.

Railelanu, “Bu sistem köprülerdeki sensörler, teftiş raporları, hava durumu verileri, inşaat planlarındaki geçmişe ait veriler, polis tutanaklarındaki kaza sıklıkları ve fotoğraflardan edindiği verilerden faydalanarak kendi kendine köprünün durumu hakkında bir sonuç çıkarıyor. Biz bu heterojen verileri şablonların çıkarılmasında kullandık” diye konuşuyor. Algoritmalar ise bu şablonlardan bir takım faktörlerin bir araya gelmesinin ne gibi sonuçları olabileceğini öğreniyor. Örneğin bir köprü 1974 yılında çok yoğun yağış alan bir bölgede inşa edilmiş ve kirişleri de demirden yapılmışsa, 30 yıl sonra ayaklarında çatlaklar oluşması çok büyük bir ihtimal. Burada inşaatın yapım yılı, bulduğu bölgenin corafi konumu, inşasında kullanılan malzemeler sonucu etkileyen faktörlerdir. Çatlakların oluşması ise bu bu faktörlerin bir sonucudur.

ABD Ulaştırma Bakanlığı bu köprü takip programını 2008 yılından bu yana sürekli kullanıyor. Bu program ayrıca İngiltere ile Rusya’da kendi tren filolarını gözlemleyen demiryolu şirketleri için baştan aşağıya yeni bir sistem kurulmasında örnek bir model olma işlevi görmüş. Bu öğrenen yazılım için gerekli veriler ise frenleri ve kapıları izleyenlerin yanı sıra tren tarifeleri ve arıza raporları gibi trenin içindeki çeşitli alt sistemlere yerleştirilmiş sensörlerden geliyor. Demiryolu Uzaktan Hizmet Masası (RRSD) olarak bilinen bu sistem bütün bu verileri bir araya getiriyor ve her bir tren için bakım ve onarıma gerek olup olmadığını ve zamanını hesaplıyor. RRSD şu anda 175 treni takip ediyor ve Siemensde sadece yazılımın değil, otomasyon bileşenlerinin de tedarikini sağlıyor.

Kaynak: