Yapay zeka kavramı 1956 yılında Hanover’deki Dartmouth College’inde John McCarthy ve Marvin Minsky’nin ev sahipliğinde yapılan konferansta ilk olarak ortaya atılmıştır. Bu tarihten önceki çeşitli bilimsel ve sanat çalışmalarında yapay zeka dolaylı olarak gösterilse yahut felsefi olarak tartışılsa da bilgisayarların henüz komutları depolayamıyor oluşu yapay zekanın yaratılabileceğinin ispatlanmasının önüne geçiyordu. 1956’da Allen Newell, Cliff Shaw ve Herbert Simon’ın yazdığı Logic Theorist adlı bir insanın problem çözme becerilerini taklit etmek için tasarlanmış program ile yapay zeka kavramı hayatımıza girmiş oldu ve geçen zaman ile beraber yaygınlığı git gide arttı.
Her sektörden şirketler süreç, ürün ve performanslarını iyileştirmek amacıyla günümüzde yapay zekadan faydalanmaktadır. Günümüzde yapay zekanın bu kadar yaygınlaşması temelde iki faktöre bağlanabilir. Birinci faktör bulut ve uç teknolojiler sayesinde güçlü ve ucuz bilgi işlem yeteneklerinin her yerde bulunması iken ikinci faktör yapay zeka algoritmaları ve veri biliminin giderek artan kapsamlılığı olarak sayılabilir. Bu makalede endüstride yaygınlığı her geçen gün artmakta olan, üretim süreçlerini ve iş stratejilerini dönüştüren yapay zekanın en yaygın beş kullanım alanı incelenecektir.
1) Akıllı Varlık/Süreçleri İzlemek İçin Analitik
Üretimin farklı noktalarından veri toplamak günümüzde hızla artan bir trend olsa da bu verileri toplayan birçok firma bu verilerin ne anlama geldiğini ve bu verilerle ne yapabileceğini pek bilemez. Anlamlandırılamayan yani yapılandırılmamış, bir kısmı anlamlandırılabilen yani yarı yapılandırılmış ve anlamlandırılabilen yani yapılandırılmış verilerin izlenmesinin asıl değeri yakalanmalarında değil analizi ile elde edilebilecek iç görülerdedir. Klasik istatistiksel analiz yöntemleri sadece yapılandırılmış verilerle analiz yapılmasına imkan verirken yapay zeka yapılandırılmış ve yapılandırılmamış verileri makine öğrenmesi gibi yöntemlerle birlikte analiz edebilmenin yolunu açmıştır. Bu değeri elde etmek isteyen firmalar akıllı fabrika ve endüstriyel nesnelerin interneti (IIoT) konseptlerini uygulamaya koymakta, bu sayede artan veri hacmini ve karmaşıklığını değeri en üst düzeye çıkarmak için güçlü ve kapsamlı analiz araçlarıyla ele almaktadır.
Modern yapay zeka, öncü firmaların tanımlayıcı ve tanılayıcı analitikten kestirimci yani geleceğe yönelik yüksek doğrulukla tahminler yapabildikleri analitiğe ve reçetesel yani farklı gelecek senaryolarında neler yaşanabileceğini görebildikleri analitik yöntemlere geçiş yapmasını sağladı. Özetle artık “ne oldu?” ve “neden oldu? Sorularına cevap aramaktansa “ne olacak?” ve “ne yapmalıyım” sorularına cevap aranır hale geldi. Gelecekte oluşacak koşulları tahminleme ve farklı durum senaryolarında neler olacağını öngörme yeteneği ile üreticiler, çeşitli KPI’larını iyileştirebilir ve ortaya çıkabilecek olumsuz olayların sıklığını ve etkilerini azaltabilirler. Makine arızasının erken belirtileri ile tahminleme yaparak duruşları önlemek ya da üretim verimini arttırmak için süreç değişkenlerinin optimal bir kombinasyonunu belirlemek buna verilebilecek örneklerdir. Örneğin, Deloitte yayınladığı raporda üreticilerin tahmine dayalı analitik kullanarak bakım planlama süresini %20-50 kadar ve genel bakım maliyetini %5-10 kadar azaltabileceğini öne sürmektedir.
2) Ürün Geliştirme için Üretken Tasarım
Üretken tasarım, sistem tasarım gereksinimlerine uygun optimum tasarımları otonom olarak yaratan ve yaygınlığı her geçen gün artmakta olan yapay zeka destekli bir uygulamadır. Mühendisler bilgisayar destekli bir tasarım ortamında (CAD) yükler, malzemeler, kısıtlamalar, performans hedefleri gibi tasarım koşullarını belirleyebilir ve yapay zeka ile bu kriterlere uygun geometrik modellerin üretilmesini sağlayabilir.
Bu güçlü yapay zekanın kullanımı mühendislerin yeni bir tasarım alanını ivedilikle keşfedebilmesini ve performans ve üretim gereksinimlerini karşılayan onlarca projenin hızla değerlendirilebilmesini sağlamaktadır. Bu yetenekler ile şirketlerin yeni ürün geliştirme yaklaşımı da değişmektedir. Standart yöntemler ve temel kuralları pratikte uygulamaya henüz vakit bulamamış tecrübesiz mühendisler üretken tasarım ile neredeyse kıdemli meslektaşları kadar hızlı bir şekilde uygulanabilir tasarımlar oluşturabilmektedir. Üretken tasarım tecrübesiz mühendislerin hızla deneyim kazanmasını ve teslim edilebilir proje üretmesini sağlarken tecrübeli mühendislerin de geleneksel tasarım yaklaşımı kullanarak keşfetmesi zor yeni geometrileri keşfetmesini sağlayabilir. Üretken tasarımın bu iki koşulda da ürün geliştirme süreçlerinin ilk aşamalarını hızlandırdığı, geç aşamalarda yeniden tasarım görülme sıklığını azalttığı, farklılaştırılmış ve optimize edilmiş ürünlerin yaratılmasını kolaylaştırdığı söylenebilir.
3) Kalite Kontrol ve Artırılmış Gerçeklik İçin Bilgisayarla İzleme
Özellikle makine öğrenimi algoritmalarının gelişmesi ile bilgisayarla görme uygulamalarının yaygınlığı, çeşitliliği, karmaşıklığı ve ürettiği değer de artmıştır. Bilgisayar ile görme uygulamaları özellikle kalite denetimleri ve çalışan eğitimi alanlarında yaygın olarak kullanılmaktadır.
Kalite yönetimine yönelik geleneksel bilgisayarlı görü uygulamaları, büyük ölçüde özellik algılamaya dayalıdır. Bu algılama cisimlerin kenarları, köşeleri, renklerini belirleme ve bunu tanımlanmış eşiklerle karşılaştırma olarak karşımıza çıkar. Artırılmış gerçeklik ile beraber başarılı/başarısız kriterleri önceden belirlenmiş ve sisteme kodlanmış spesifikasyon limitlerinin ötesine geçmekte, sistem tarafından iyi ve kötü olduğu bilinen örnekler kullanılarak pekiştirmeli öğrenmeye dayalı olarak keşfedilmektedir. Sonuç olarak, artırılmış gerçeklik kullanılan modern denetim sistemleri çeşitli ve çok daha ayrıntılı kalite özelliklerine yüksek doğrulukla yanıt verebilmektedir.
Karmaşık nesneleri ve özellikleri tanıma yeteneği endüstride yaygınlığı her geçen gün artmakta olan artırılmış gerçeklik uygulamalarının önemli bileşenlerinden biridir. Bazı artırılmış gerçeklik uygulamaları yapay zeka destekli bilgisayar görülerini birleştirerek çeşitli dijital araç ve bilgi ve önerilerin bir araç vasıtasıyla gösterilmesini ve takip edilmesini sağlayabilir. Örneğin nesne tanıma özelliğine sahip bir artırılmış gerçeklik uygulaması operatöre bir dizi karmaşık montaj adımının gerçekleştirilmesinde rehberlik edebilir (Vuforia Instruct gibi) ya da bir teknisyene arızalı bir varlıktaki arızalı bileşenin hangisi olduğunu gösterebilir. Eğer üretim sahasındaki ilgili konumlarda endüstriyel nesnelerin interneti teknolojileri (IIoT) kullanılıyorsa ilgili sürece/araca ait verilerin anlık görüntülenmesini, operatörün ilgili sürecin/aracın durumunu hızlı bir şekilde tanımlamasını ve tepki vermesini sağlayabilir. Forrester, yakın tarihli bir teknik incelesinde yapay zeka yeteneklerine sahip artırılmış gerçeklik ile eğitim süresinin %50’ye varan oranda ve fazla mesai harcamalarının %10 ila %12 oranında azaltılabildiğini ileri sürmüştür.
4) Malzeme Taşıma için Otonom Mobil Robotlar
Malzemelerin fabrikalar ve depolar arasındaki hareketi proses verimliliğinin temel bileşenlerinden biridir ve yapay zekanın en iyi kullanılabileceği alanlardandır. Otonom mobil robotlarla beraber yapay zeka, süreç verimliliği için yaygın olarak kullanılmaya başlanmıştır.
Otonom güdümlü araçlardan farklı olarak otonom mobil robotlar çalıştıkları ortamda yer ve yön belirlemek için yardımcı bir yönlendirme sistemine ihtiyaç duymaz. Bu modern taşıma çözümleri yardımcı yönlendirme sistemleri yerine fabrika ve depodaki konumlarını belirlemek için mekânsal bilgi işlem teknolojisini, insanlar ve diğer robotlar tarafından oluşturulan trafiğin de dahil olduğu çevrelerinde gezinmek için de gelişmiş yapay zekayı kullanmaktadırlar. Herhangi bir kısıtlama olmadan ve güvenli şekilde hareket etme özgürlüğüne ve yapay zeka sayesinde optimal yönlendirmeyi belirleme gücüne sahip bu otonom mobil robotlar yeni veya değişen ortamlarda da çok yüksek verimliliklerde çalışabilir. Amazon bu teknolojiyi yerine getirme merkezlerinde (fulfillment centers) ve sipariş ayıklama merkezlerinde (sorting centers) ve ayıklama tesislerinde kullanarak verimliliğini arttırmıştır.
5) Varlık Kullanılabilirliğini En Üst Düzeye Çıkarmak için Servis Parçaları Optimizasyonu
Birçok üretici için hizmet mükemmelliği, önemli bir rekabet unsuru haline gelmiştir. Kestirimci ve reçetesel analitik endüstride yaygınlaştıkça bu beceriye sahip firmalar tedarikçilerinin de kendileri ile aynı derecede çevik yapıda olmasını talep edecektir. Bu talebin karşılanması ve doğru parçaların doğru zamanda doğru yere teslim edilebilmesi için giderek daha güçlü yapay zekaların planlama sistemlerine dahil edilmesi gerekecektir.
Envanter taşıma maliyetleri ya da fazla stoktan kaynaklanan fırsat maliyetleri hemen her ölçekte firma için önemli maliyet kalemleridir. Bu maliyetleri düşürebilmek için malzeme planlamalarının maliyet, bulunabilirlik, zaman ve yer kısıtlarına uygun şekilde optimize edilmesi önemlidir. Globalleşen ekonomi ile beraber müşterilerin daha talepkâr hale gelmesi ve tedarik zincirlerinin daha da karmaşıklaşması bu optimizasyonun yapılmasını zorlaştırmaktadır. Çeşitli yazılımlarda bulunan çok aşamalı optimizasyon gibi gelişmiş yeni analitik araçlar, bir tedarik zincirinin birçok katmanında tüm parçaları ve hizmet konumlarını optimize ederek bu karmaşıklıkların önüne geçebilir. Bu karar destek sistemleri, gelecekteki talebi tahmin etmekten, parçaların birbiriyle bağlantılı binlerce lokasyona sahip karmaşık bir tedarik zincirinde optimal yerleşimini belirlemeye ve son olarak herhangi bir günde arz ve talebi eşleştirmeye kadar tedarik zinciri optimizasyonunun her alanında yapay zeka algoritmalarını kullanır.
Son Düşünceler
Endüstri 4.0 devrimi, dijital dönüşüm sürecinin hızlanmasını; dördüncü endüstri devriminin temel teknolojilerinden olan yapay zekanın da yaygınlaşmasını sağlamaktadır. Yapay zeka kullanımı yaygınlaşırken bu alanda çalışanlar kendilerini veri biliminin derin dehlizlerinde bulabilmekteler. Maliyetlerin bu kadar önemli hale geldiği bu günlerde firmalar veri bilimine çok fazla zaman harcamaktansa çeşitli çözüm sağlayıcıları ile ortaklıklar kurarak kendileri için gerçekten önemli olan zorlukları ele almada yapay zekayı çok daha etkili kullanabilir ve bu şekilde dar yapay zekadan hiperotomasyona gittiğimiz bu sürece daha hızlı ve daha düşük maliyetlerle katılım sağlayabilirler.
Yararlanılan Kaynaklar
https://www.wired.com/story/amazon-warehouse-robots/
Resul Ekin Tazegül
