İşletmeler yapay zekayı nasıl kullanıyor
Fraunhofer Enstitüsü YZ'nın uygulama odaklı ve ekonomiye destek amaçlı kullanımı üzerinde araştırmalar yapıyor.
Yapay zeka insanlara göre neyi daha iyi yapıyor? "İnsan beyni desen tanımada olağanüstü iyi" diyor Fraunhofer Optronik, Sistem Teknolojisi ve Görüntü Değerlendirme Enstitüsü Uygulamalı Sistem Teknolojisi enstitü bölümü yöneticisi Thomas Rauschenbach. "Hiçbir şekilde zorlanmadan bir fincan kahve ile bir bardak suyu ayırt edebiliyor. Buna karşın 'Big Data' olarak da adlandırılan yığın verilerdeki desenleri algılanması bariz şekilde güçleşiyor. Bu noktada yapay zeka insandan üstün. Fraunhofer Enstitüsü bunun endüstri tarafından nasıl kullanılabileceği ile ilgileniyor. Yaklaşık 30.000 çalışanıyla sadece Almanya'da değil, bilakis tüm dünyada uygulama odaklı araştırmalar için önde gelen organizasyon.
Burada Fraunhofer Enstitüsü'nün endüstri için üç YZ projesini öğreneceksiniz:
REMORA – YZ kullanımı için ön koşul ve temel
Şirketlerde yapay zeka kullanımı birçok engelle karşılaşıyor, örneğin çeşitli üreticilerin farklı eskilikteki sistemleri ve makineleri. Bunlar çoğu zaman farklı diller "konuşur" ve verileri farklı formatlarda ve veri tabanlarında saklarlar. REMORA (Multi-Stage Automated Continuous Delivery for AI-based Software & Services Development in Industry 4.0) projesiyle, bir işletmedeki tüm sistemlerin iletişimi için açık ve teknoloji nötr bir çerçeve sunulması ve böylece YZ'nin kapsayıcı bir kullanımının mümkün kılınması amaçlanıyor.
Makineler çalışsın diye Condition Monitoring ve Predictive Maintance
"Condition Monitoring" ölçüm değerlerinin veri dizilerindeki en küçük değişikliklere dayanarak - örneğin bir makinenin tınısı - işletim devam ederken üretim tesislerinde meydana gelebilecek, örneğin aşınma veya hatalı fonksiyonlar gibi sorunları fark eder. Bunları sıraya dizer ve tepkileri tetikler. "Predictive Maintenance" veri dizilerini analiz ederek her bir makinenin veya komple tesis parklarının hatalarını ve aşınmalarını önceden kestirir. Bu servis ve bakımın hassas bir şekilde planlanmasına olanak tanır. Böylece devre dışı kalma süreleri azalır ve hata aramanın yanı sıra onarım hızlandırılır.
"Explainable AI" (XAI) – YZ sonuçlara nasıl ulaşıyor
YZ endüstride dezavantajlara da yol açıyor mu? Thomas Rauschenbach bu konuda şöyle diyor: "Bazı derin öğrenme süreçlerinin kullanılması sırasında büyük bir meydan okuma, YZ sonuçlarını net bir şekilde anlaşılır olmamasında yatıyor." İstatistiksel değerlendirmelerde sonuçlar isabetli bir şekilde açıklanabilirken, karmaşık ve kendi kendine öğrenen algoritmalarda durum farklı. "YZ sürecinde birçok şey bir karakutuya benziyor. Sonuç uymuyorsa, bunun neden olduğu pek anlaşılabilir değildir", diyor Rauschenbach. Bu nedenle Fraunhofer Enstitüsü'nde "Açıklanabilir YZ" (XAI) önemli bir araştırma konusu. Burada YZ'nin sonuçlarını nasıl elde ettiğinin şeffaf ve anlaşılır olması amaçlanıyor.
You would like to receive regular information about Germany? Subscribe here:
