Makine öğrenmesi, bilgisayarın bir işi açıkça programlanmadan, örnek verilerden öğrendiği kalıplarla yapmasını sağlayan yapay zekâ yöntemidir. Yapay zekâ kavramlarını tanımlayan ISO/IEC 22989, makine öğrenmesini bir modelin parametrelerinin hesaplama teknikleriyle, modelin davranışı veriyi ya da deneyimi yansıtacak biçimde optimize edilmesi olarak tanımlar. Kısacası kuralı mühendis yazmaz, model veriden çıkarır.
Plastik enjeksiyon yapan bir fabrikayı düşünelim. Bazı vardiyalarda çapaklı parça oranı artıyor ve kimse nedenini kesin söyleyemiyor. Makineler her çevrimde kalıp sıcaklığını, enjeksiyon basıncını ve çevrim süresini zaten kaydediyor. Makine öğrenmesi modeli bu kayıtları ret kayıtlarıyla eşleştirir ve çapak riskinin hangi parametre bileşiminde arttığını gösterir. Operatör de parametre o bölgeye kaymadan müdahale eder.
Makine öğrenmesi nasıl çalışır?
Makine öğrenmesi modeli geçmiş verilerle eğitilir, ayrı bir veriyle test edilir ve sonra yeni veriler üzerinde tahmin yapar. Eğitim sırasında model, girdiler ile sonuç arasındaki ilişkiyi en az hatayla açıklayan parametreleri arar.
- Veri toplama. Makine, sensör ve kalite kayıtları zaman damgasıyla birlikte toplanır.
- Veri hazırlama. Eksik ve hatalı kayıtlar ayıklanır, farklı kaynaklardan gelen veriler aynı zaman çizelgesine oturtulur.
- Eğitim. Model verinin bir kısmıyla eğitilir.
- Test. Modelin hiç görmediği verilerle ne kadar doğru tahmin yaptığı ölçülür.
- Kullanım ve izleme. Model sahada çalışır, tahminleri gerçek sonuçlarla karşılaştırılmaya devam eder.
Test adımı atlanırsa model geçmişi ezberleyip yeni durumlarda başarısız olabilir. Buna aşırı öğrenme denir. Örneğin yalnızca yaz aylarının verisiyle eğitilen bir enerji tüketimi modeli, kışın ısıtma yükü geldiğinde yanlış tahmin yapar.
Makine öğrenmesi çeşitleri nelerdir?
Makine öğrenmesi, modelin nasıl öğrendiğine göre üç ana gruba ayrılır. Üretimde en sık kullanılan ilk ikisidir.
| Çeşit | Nasıl öğrenir | Üretimden örnek |
|---|---|---|
| Denetimli öğrenme | Sonucu bilinen, etiketli örneklerden | Proses verisinden parçanın iyi ya da kusurlu çıkacağını tahmin etmek |
| Denetimsiz öğrenme | Etiketsiz veride benzerlik ve sapma arayarak | Makinenin normal titreşim davranışından sapmayı yakalamak |
| Pekiştirmeli öğrenme | Deneme yanılma ve ödül ile | Robotun bir kavrama hareketini simülasyonda öğrenmesi |
Denetimsiz öğrenme, etiketli kusur verisinin az olduğu fabrikalarda özellikle işe yarar. Örneğin bir pompanın yıllarca arızalanmadığı bir tesiste "arıza" etiketi yoktur, ama modelin pompanın normal davranışını öğrenmesi için yeterli veri vardır.
Makine öğrenmesi ile derin öğrenme arasındaki fark
Derin öğrenme, makine öğrenmesinin çok katmanlı yapay sinir ağlarını kullanan bir alt dalıdır. Aralarındaki asıl fark, verinin türü ve modelin özellikleri kendisi bulup bulmadığıdır.
| Ölçüt | Klasik makine öğrenmesi | Derin öğrenme |
|---|---|---|
| Uygun veri | Tablo verisi (sıcaklık, basınç, süre) | Görüntü, ses, sinyal |
| Özellik seçimi | Mühendis hangi değişkenlere bakılacağını belirler | Model özellikleri kendisi bulur |
| Gereken veri | Daha az | Genellikle daha fazla |
| Açıklanabilirlik | Hangi değişkenin etkili olduğu görülebilir | Kararın gerekçesini görmek daha zordur |
Örneğin proses parametrelerinden ret tahmini klasik makine öğrenmesiyle, kamera görüntüsünden çizik tespiti ise derin öğrenmeyle yapılır. Görüntüde derin öğrenmenin nasıl kullanıldığını yapay zekâ destekli görüntü işleme uygulamalarında görmek mümkün.
Üretimde makine öğrenmesi nerede kullanılır?
Üretimde makine öğrenmesi en çok kestirimci bakımda, kalite tahmininde, görsel denetimde ve enerji tüketiminin tahmininde kullanılır. Hepsinde ortak nokta, sonucu önceden haber veren bir verinin bulunmasıdır.
- Kestirimci bakım. Titreşim, sıcaklık ve motor akımındaki değişim, arızadan haftalar önce başlar. Model bu değişimi yakalar ve kestirimci bakımda bakım planı arızaya göre değil veriye göre yapılır.
- Kalite tahmini. Proses parametrelerinden parçanın tolerans dışına çıkma riskini, parça ölçülmeden önce tahmin eder.
- Görsel denetim. Kamera görüntüsünden kusurlu parçayı ayırır.
- Enerji ve kaynak tahmini. Üretim planından ertesi günün enerji ihtiyacını tahmin eder, örneğin yüksek tüketimli işlerin tarife saatlerine göre planlanmasını kolaylaştırır.
Bu uygulamaların hepsi aynı temele dayanır, makinelerden düzenli ve doğru veri toplanması. Veri toplandıktan sonra üretim analizi çalışmalarında temel verimlilik hesaplarından istatistiksel yöntemlere ve makine öğrenmesi modellerine kadar uzanan yöntemler birlikte kullanılır.
Makine öğrenmesi projesinde en sık yapılan hatalar
En sık yapılan hata, model seçimine verinin kendisinden önce odaklanmaktır. Zaman damgası tutmayan, eksik ya da yanlış etiketlenmiş veriyle en gelişmiş model bile güvenilir sonuç vermez.
İkinci hata, modelin sonucunu kimin ve nasıl kullanacağını baştan düşünmemektir. Örneğin "bu parçanın kusurlu çıkma olasılığı yüzde 70" bilgisi, operatöre ne yapması gerektiğini söylemiyorsa üretimde bir şey değiştirmez. Üçüncü hata, modeli bir kez eğitip bırakmaktır. Yeni bir hammadde tedarikçisi ya da yeni bir kalıp, verinin davranışını değiştirir ve model yeniden eğitilmelidir.
İlk adım: tahmin etmek istediğiniz tek bir sonucu seçin
Makine öğrenmesine "verimizle bir şey yapalım" diye başlamak yerine tahmin etmek istediğiniz tek bir sonucu seçin. Bu en pahalı kusur tipi, en sık arızalanan makine ya da en yüksek enerji tüketen hat olabilir.
Sonra o sonuçla ilişkili olabilecek verilerin nerede kayıtlı olduğuna bakın. Bu veri makinenin kontrol sisteminde, bir tabloda ya da hiçbir yerde kayıtlı olmayabilir. Ortaya çıkan tablo, projenin ne kadar veri hazırlığı gerektirdiğini gösterir. Seçtiğiniz sonuçla bize yazarsanız verinizin buna yetip yetmeyeceğini birlikte değerlendirebiliriz.
Sık sorulan sorular
Makine öğrenmesi ile yapay zekâ aynı şey mi?
Aynı şey değildir. Yapay zekâ, makinelerin insan zekâsı gerektiren işleri yapmasını hedefleyen geniş alandır. Makine öğrenmesi bu alanın, veriden öğrenmeye dayanan bir dalıdır.
Makine öğrenmesi için ne kadar veri gerekir?
Problemin karmaşıklığına bağlıdır. Basit bir tahmin modeli birkaç bin kayıtla çalışabilirken, nadir olayları yakalamak için aylarca veri toplamak gerekebilir. Verinin miktarı kadar sonucu temsil etmesi de önemlidir.
Makine öğrenmesi hangi programlama diliyle yapılır?
En yaygın dil Python'dur ve scikit-learn, PyTorch ve TensorFlow gibi açık kaynak kütüphanelerle çalışılır. Üretim sahasında ise modeller çoğu zaman bir endüstriyel yazılım platformunun içinde çalıştırılır.
Küçük bir fabrika makine öğrenmesinden faydalanabilir mi?
Faydalanabilir. Tek bir kritik makinenin verisiyle başlayan bir kestirimci bakım ya da kalite tahmini çalışması, küçük ölçekte de ölçülebilir sonuç verir.
