“Yeni çağın petrolü veridir” ifadesi giderek daha fazla alıntılanıyor olsa da projeler hala yer altındaki rezerv statüsünde: Veri bilimi projelerinin yüzde 87’si hayata geçmiyor. Pek çok doğru planlanmamış dijital dönüşüm girişiminde olduğu gibi, değerli kaynakları tüketiyor ancak bir türlü firma ölçeğinde pilot projenin ötesine geçemiyor.
Kuruluşların, günümüzün giderek artan veri odaklı dünyasında, çok değerli olan bu kaynakları boşa akıtması ise ciddi kayıplara sebep olabiliyor.
Peki, şirketler neden bu oldukça değerli olan veriden değer oluşturma konusunda zorluk yaşıyorlar? Bu soruda tek bir cevap olmasa dahi karşılaşılan örneklerden alınan en cevapların ağırlık kazandığı noktalar, veri olgunluğunun yeterince oluşmamış olması ve şirketin veri kaynağına nasıl eriştiği, standart hale getirdiği ve analiz ettiği başlıklarında yoğunlaşıyor.
“Dijital Dönüşüm” içerisine dahil olmaya çalışırken yapay zeka gibi biraz daha karmaşık teknolojiler işin içerisine girdiğinde de, “veri yarışında” başarısızlık riski giderek artıyor.
SahaDX ekibi olarak, bu yazıyı, endüstriyel işletmelere destek olmak ve işletmelerin veriye dayalı bir yolculuğa çıkarken göz önünde bulundurulması gereken bazı best-practice örneklerini yapay zekadaki uygulanabilirliklerini de düşünerek hazırladık.
Kuruluşunuzun veri olgunluğunu değerlendirin
Veri olgunluğu, bir kuruluşun bünyesinde bulunan ürünler, süreçler ve insanlar ele alındığında farklı düzeylerde olabilir. Pek çok işletme, bu farklı düzey ve yoğunluktaki verileri, tek bir kurumsal altyapı üzerinde veri göllerinde (data lake) saklamaya çalışsa da, araştırmalar bu veri göllerinden % 80’inin etkili yönetim yeteneklerini barındırmadığını gösteriyor.
Üstüne üstlük, bu ve benzer yetersiz uygulama nedeniyle, veri uzmanları zamanlarının çoğunu verileri aramak ve hazırlamak için harcıyor. Bundan dolayı zamanlarının yalnızca %27’sini bu değerli verileri bilgiye dönüştürmek için kullanabiliyor. İşletmeler yakın gelecekte kararlarını veri odaklı olarak almayı hedefliyorlar ise, kendi bünyelerinde bulunan kurumsal verileri daha efektif bir şekilde toplayabilmek ilk ve en önemli şart.
Bu veri toplama süreci, veri odaklı herhangi bir projenin uygulanması için önemli bir ön şart olmakla birlikte, işin içerisine yapay zeka ve makine öğrenmesi dahil olduğunda göz önüne alınması gereken bazı ek konular da ortaya çıkmakta. Pek çok işletme, yapay zekayı, veri ve iş ile ilgili bütün sorunlarının çözümünün anahtarı olarak görüyor olsa dahi, bu düşünce şekli, pek çok işletmeyi başarısız veri projelerine götürüyor. Bundan dolayı işletmelerin kendi içlerinde veri olgunluğu konusunda dürüst olmaları, gerçekçi olmayan beklentileri azaltacaktır ve şirketi gelecekteki büyüme için olumlu bir şekilde konumlandıracaktır.
Bir iş problemini çözmek için ilgili verileri kaynaklayın ve standartlaştırın
Yapay zeka (AI) her şeye cevap olmasa da, hızlı kazanç getirebilecek bazı iş sorunlarına cevap olabilir. İşletmeler, yapay zeka uygulamaları için veri stratejilerini oluştururken, belirlenen iş problemini çözmeye yönelik hazırlamalı ve bu sorunu çözmek için gerekli verilerin sürece dahil edildiğinden emin olmalıdır. Daha net olmak gerekirse; herhangi bir amaca hizmet etmeden toplanan büyük hacimli veri (Big data), işletmelerin iş problemlerini çözebilecek altyapıyı sunmaz.
Veriler için bir kapsam oluşturmanın kritik bir ilk adım olmasına değindik. Burada bir diğer önemli ve zorlu başlık, işletmelerde verilerin birden çok şekil ve formda oluşması. Çok hızlı ve geçerli bir örnek vermek gerekirse, şirketlerin yalnızca %20’si IT ve OT verilerinde ortak bir veri modeli veya veri mimarisi planı oluşturmuş durumda. Farklı veri şekil ve formundan bahsederken, işletmelerde üretilen yapılandırılmamış kamera, görüntü ve ses verileri ve nispeten bir veri altyapısında yapılandırılmış CAD dosyaları, ERP sistemleri ve İK belgeleri gibi farklı veri biçimleri olduğu ilk bakışta hızlıca görülebilir.
Verilerin toplanması için bulut teknolojileri, işletim sistemleri ve diğer teknolojik gelişmeler göz önüne alındığında, yapay zeka çalışmaları işletmeler için giderek daha düşük bütçelerle sağlanabiliyor. Ancak işletmeler bir hedef belirlemeden farklı veriler ile yapay zeka modellerini çalıştırdığında, diledikleri sonuçlara ulaşamıyorlar, bu da “öğrenme” adı altında işletmenin kıymetli kaynaklarının boşa harcanmış olduğu anlamına geliyor.
Bir yapay zeka modeli oluşturmak için, modeli eğitecek ve doğrulayacak büyük miktarda veriyi kaynağından almak, depolamak ve işlemek gerekir. Bu veriler, erişilebilirlik, kullanılabilirlik ve etki açısından büyük ölçüde farklılık gösterebilir. Örneğin, bir makinenin verimliliği ile ilgili çalışma yapılacaksa, geçmiş verilerine, makineden gelecek olan gerçek zamanlı (time-series formunda) verilere ve IoT tarafından üretilen makinenin veya üretilen ürünün durumunu ilgilendiren ek verilere (titreşim, ortam sıcaklığı vb.) gerekebilir.
Bu çalışmaları planlamak ve gerçekleştirmek zor olabilir, ancak bu verileri elde etmenin önündeki engellerin üstesinden gelmek ve yapay zeka / makine öğrenmesi senaryosu için standart hale getirmek, süreçte daha ileri düzeyde analitiği çalıştırmak için avantaj sağlayacaktır.
Doğru Hedef – Doğru Veri – Doğru Model
Bütün bu yapılan çalışmaların nihai amacı, işletmelere değer katacak proje ve hedefleri ile alakalı tahminler yapabilen eğitilmiş bir analitik model oluşturmak.
Endüstriyel şirketlerin analitik çalışmaları tanımlayıcı analitik ile (descriptive analytics) başlar ve kestirimci analitiğe (predictive analytics) doğru yol alır. Bu analitik olgunluk ölçeğinde, tanımlayıcı analitik “ne oldu?” sorusuna yanıt verir. Tanımlayıcı analitik, fabrika ekipmanında yaygın olan sıcaklık, basınç veya enerji gibi sensör verilerini, kullanıcı tarafından belirlenen aralıklara göre takip ederek, dalgalanmaları ve anormallikleri takip ve analiz eder, buna göre uyarılar oluşturur.
Tespit edici veri analitiği ise (diagnostic analytics), bir sorunun temel nedenini derinlemesine araştırır ve “neden oldu?” diye sorar. Örnek vermek gerekirse, bir bakım ekibinin herhangi bir makinenin verilerinin, makinenin neden hatalı çalıştığını belirlemek ve olası iyileştirici çalışmaları belirlemek için ayrıntılı olarak incelemesi, kök-neden analizi (root cause) yapması iyi bir örnek olabilir.
Ancak tabi, işletmeler için yapay zeka ve makine öğrenmesinin esas cezbedici noktası, “bundan sonra ne olacak” sorusunun yanıtını vermek. Yapay zeka ve makine öğrenmesi uygulamalarının giderek yaygınlaştığı alan daha çok buraya odaklanmış durumda. Yapay zeka çalışmalarının bu alanı, kodlamaya daha az ihtiyaç duyan ve yoğun veri üzerinden veri kalıplarını anlayarak çıktıları tahmin eden çalışmalar ile ilgili.
Endüstriyel işletmeler, üretim ortamlarındaki karmaşık endüstriyel ekipmanlar ve süreçler ile ilgili “bundan sonra ne olacak” konusunda, uzun süredir yanıtsız kalan soruları yanıtlamak için bu modelleri kullanıyor. Gerçek zamanlı arıza ve risk analizi ile kestirimci bakım için makine öğrenimi modellerini kullanmak, arıza kaynaklı işletme maliyetlerinde ciddi tasarruflar sağlayabilir.
Veri Odaklı Yönetim
Bilginin dünya çapında dijitalleşmesiyle karar alma sürecindeki belirsizlikler de gün geçtikçe azalıyor. Karar vermek için kullanılan bu bilgiler artık tüketiciler ve işletmeler için daha kolay erişilebilir durumda. İşletmelerin hayatına giren bu yoğun veri hücumu, önümüzdeki dönemde sağladığı iç görüler ve somut uygulamalar ile bu veriyi doğru kullanabilen işletmeler için rekabet avantajı sağlayacak.
Her ne kadar işletmeler bunun farkında olsa da ve her 10 şirketten dokuzu, veriye dayalı karar vermenin işleri için önemli olduğunu iddia etse de, bu istenilen oranda sahaya yansımıyor. Yapılan araştırmalara göre işletmelerin yalnızca %57’si bu çalışmaları gerçekleştiriyor.
İşletmelerin yönetilmesi için gerekli olan veriler ile bundan faydalanmak için gerekli olan yetenekler arasındaki mesafe gün geçtikçe kapanmakta. Bu da işletmelerin bugün çok sık kullandığı “tecrübeye dayalı karar alma” alışkanlığını en aza indirecektir. Şimdilik, yapay zeka, bu kararları almak, iç görüler elde etmek ve riskleri en aza indirmek için en güvenilen seçenek gibi gözüküyor.
Son düşünceler
Yapay zeka, yakın gelecekte şirketlerin iş yapış modellerinde ciddi değişiklikler sağlayacak. Bundan dolayı, bu teknolojiden yararlanmak isteyen işletmeler, mevcut veri olgunluklarını göz önünde bulundurmalı, Dijital Dönüşüm (DX) programlarını oluştururken doğru iş hedefleri ile yola çıkarak, gerekli verilerin teminini standart hale getirmeli ve üzerine yapay zeka algoritmalarını geliştirmeliler. Ancak bu sayede karar alma süreçlerinde veriye dayalı iç görüleri, geçmişte kullandıkları içgüdüsel karar alma süreci ile değiştirebilirler.
Şunu unutmamak gerekir, geleceğin lider işletmesi olmak için, bugün dijital dönüşüm girişimlerini doğru yöneten, verileri ve yapay zekayı doğru hedefler için kullanan bir işletme gerekiyor.
Hakan Mete
SahaDX Kurucu Ortağı Hakan Mete’nin izniyle Akıllı Fabrikalar’da yayınlanmıştır.
SahaDX ile alakalı daha ayrıntılı bilgi için: https://sahadx.com/
