Sanayi sektöründe yapay zeka kullanımı

Yapay zeka (YZ), özellikle büyük miktarda verinin işlendiği çeşitli sektörlerde faydalı bir araç olabilir. YZ'nin başlıca avantajlarından biri, süreçlerin hızlandırılmasına ve iş gücü maliyetlerinin azaltılmasına katkıda bulunan rutin görevlerin otomasyonudur. Üstelik YZ, çeşitli faaliyet alanlarında karar alma süreçlerinin doğruluğunu ve güvenliğini önemli ölçüde artırabilir. Sanayi sektörü de bunun bir istisnası değildir. Üretim şirketlerinin YZ'yi nasıl kullandığını inceleyelim.

Bilgisayarla görme (Computer Vision), konveyörlerde ürünlerin bileşenlerini, anormalliklerini ve geometrisini belirlemek için kullanılır. Böylece insan faktörünün etkisini ortadan kaldırarak hatalı ürün miktarını azaltır.

YZ'nin bir diğer kritik uygulaması müşteri deneyimi yönetimidir. YZ; özelleştirilmiş tekliflerin oluşturulmasına, trendlerin ve mevsimsel değişimlerin takip edilmesine, ayrıca lojistik ve satın alma süreçlerinin iyileştirilmesine yardımcı olur.

Vurgulanması gereken nokta, daha iyi bir sonucun müşteri verileri üzerinde modellerin ek olarak eğitilmesini gerektirmesi nedeniyle her şirketin kendine özgü bir çözüm geliştirmeye istekli olmasıdır.

YZ entegrasyonu, belirli yetkinlikler ve kaynaklar gerektiren karmaşık bir süreçtir. Öncelikle, başarılı bir YZ entegrasyonunu sağlamak için bir şirketin kendi içinde uzman değerlendirmesi yapması ya da hangi uzmanları dahil etmesi gerektiğini bilmesi gerekir. Ayrıca modellerin eğitiminde kullanılacak büyük miktarda veriye erişim sağlanmalıdır. Bu yalnızca verinin mevcut olması değil, aynı zamanda etiketlenmesi ve eğitime hazır hale getirilmesi gerektiği anlamına gelir.

Zorluklardan biri, yapay zeka kullanılarak çözülebilecek en uygun görevleri bulmaktır. Bilgisayarla görme, Veri Bilimi (Data Science) veya dil modelleri gibi her alan için belirli görevlerin formüle edilmesi, konunun anlaşılması ve sorunları en verimli şekilde çözmek için istatistiksel verilere sahip olunması gerekir.

Bir diğer mesele, özellikle metin modelleriyle çalışırken sinir ağlarının çıktısının belirsiz olmasıdır. Modelin sunduğu ifade her zaman tahmin edilemeyebilir; bu da bazı durumlarda sorun yaratabilir.

YZ'nin mevcut sistemlere entegrasyonu da sorunlu olabilir ve ek çaba ile kaynak gerektirebilir. YZ entegrasyonu, proje bütçesinin önemli bir bölümünü oluşturabilir.

Akılda tutulması gereken bir nokta, YZ tabanlı çözümlerin hiçbirinin mutlak doğrulukla övünemeyeceği, dolayısıyla insan ve operatörün rolünün özellikle son derece kritik alanlarda korunması gerektiğidir.

Ancak zorluklara rağmen YZ entegrasyonu birçok fayda ve süreç optimizasyonu, ürün kalitesinin iyileştirilmesi, rutin görevlerin otomasyonu ve çeşitli iş faaliyetlerinde daha yüksek operasyonel verimlilik için potansiyel sunar.

GPT gibi dil modelleri, otomatik rapor oluşturma, aramayı kolaylaştırma ve uzman rehberliği sağlama amacıyla kullanılabilir; bu da müşterilerle çok daha iyi bir iş birliğine ve veri işlemeye katkıda bulunur. Yapay zekanın uygun çözüm arayışında, entegrasyonda ve veri kullanımında devreye girmesi sayesinde şirketler, iş faaliyetlerinde somut sonuçlar elde edebilir.

Globus tarafından sanayi sektöründe hayata geçirilen belirli vakalara göz atalım.

GPT modellerinin şirket döngüsüne entegrasyonu

Müşteri — büyük bir üretim şirketi.

Görev. Belirli konular, belgeler ve veritabanları üzerinde modellerin ek eğitimi ile bireysel iş süreçlerinin oluşturulması yoluyla GPT modellerinin şirket döngüsüne güvenli entegrasyonu.

Çözüm. InsightStream akıllı arama.

Kurumsal bilgi veritabanı sohbeti olarak hayata geçirilen akıllı arama aracılığıyla bilgilere erişim.

— İlgili yanıt — birincil kaynaklara bağlantılarla birlikte bilgi veritabanındaki olguların özeti.

— Çok modlu verilerin işlenmesi ve çeşitli veri depolama sistemleriyle entegrasyon.

— Dağınık verilerin yapılandırılması ve birleştirilmesi.

InsightStream'in faydalı olduğu alanlar:

1. Çalışanlar için self-servis: süreçler ve düzenlemelerle ilgili sorunların çözümü.
2. Aşırı belge akışının kaldırılması ve bilgi veritabanındaki boşlukların doldurulması.
3. Ürün ekiplerindeki iş analistlerinin daha hızlı çalışması.

InsightStream'in yardımcı olabileceği alanlar:

— Veri eksikliğinden kaynaklanan uzun pazara çıkış süresi ve olay çözümleme.

— Bilgi veritabanındaki içeriğin düşük kalitesi: yinelenen veriler, eksik veriler, ilgisizlik ve veri sunumu sorunları.

— Çalışanların zayıf öğrenme becerileri ve maksimum verime ulaşma süresinin uzun olması.

Akıllı asistan VirtualGuru

Uzman rehberliği ile kurum içi/dışı desteğin otomasyonu

— Gelen niyetlerin yapısal temsil olarak analizi (talepler).

— İnsanın döngüde olduğu (human-in-the-loop) entegrasyon senaryosunda sorulara verilen yanıtların otomasyonu.

— Konuların kapsamlı şekilde ele alınması için belge araması, web araması ve LLM modeli yanıtının birleşimi.

VirtualGuru'nun başarılı olduğu alanlar:

1. "Hukuk danışmanı" sohbet botunun kullanılmasıyla hukuk hizmeti acentesinin verimliliğinin artırılması.
2. Kurum içi hizmet taleplerinin otomatik işlenmesi: İK, hukukçular, finans…
3. Destek hizmetinde karmaşık niyetli mesajların yönlendirilmesi.

VirtualGuru şu konularla başa çıkabilir:

— İç ve dış taleplerin işlenmesinin yüksek maliyetleri.

— Yetersiz metrikler: uzun yanıt süresi, taleplerin "geri sıçraması", düşük NPS.

Sonuç

1. Web hizmeti. Tarayıcı üzerinden erişim. Şirketin kurumsal portal penceresinde asistan arayüzü.
2. Sohbet botu. Telegram veya kurumsal mesajlaşma uygulamasında şirket çalışanları için sohbet botu asistanı.
3. API ile entegrasyon. Herhangi bir BT ürünü için erişim. Geliştiriciler tarafından entegrasyon için koordineli API arayüzü.

Göstergeler:

— Bilgi arama hızı 10 kata kadar arttı.

— Mal teslimat hızı %30 arttı.

— Destek asistanları 5–7 kat daha verimli hale geldi.

— Karmaşık mektupların %95'ine kadarı doğru şekilde yönlendirildi.

Büyük bir petrol rafinerisinde iş güvenliğinin iyileştirilmesi

Görev. Rafineri tesislerinde güvenlik gerekliliklerine uyumun izlenmesi: ACS, iş tulumu giyme kuralları vb.

Çözüm. YZ, ML, CV ve sinir ağlarına dayalı gerçek zamanlı ticari analitik.

Sistem, tesis sahasında kurulu kameralardan gelen görüntüleri tanır ve analiz eder, görüntüleri veritabanı şablonlarıyla karşılaştırır (ACS için — yetkili çalışanların fotoğraf veritabanı; iş tulumu kontrolü için — logo ve etiketlerin varlığı), sonuçları yorumlar ve kuralların ihlal edildiği durumlarda sorumlu kişileri bilgilendirir.

Teknolojiler: Python, Computer Vision, Machine Learning, Deep Learning, Object Detection, Image Recognition, Multiple Object Tracking

Hatalı ürünlerin izlenmesi

Müşteri — elektrikli ekipman üreticisi

Görev. Hatalı ürünlerin görsel izlenmesi ve üzerlerindeki teknik bilgilerin (etiketler, etiketlemeler, künyeler) doğruluğunun denetlenmesi.

Çözüm. Nesnelerin video analizi ve yorumlanması sistemi.

OpenCV kullanarak video işleme, nesne izleme, etiket alanlarının vurgulanması. Metni şablonla seçmek, işlemek ve karşılaştırmak için doğal dil işleme (NLP) ve evrişimli sinir ağlarının (CNN) kullanılması. Etiket konumunun doğruluğunu denetlemek için derin öğrenme (DL) yöntemlerinin kullanılması.

Uygulanan teknolojiler: OpenCV, ML/DL, Python, Keras, TensorFlow.

Sonuç. Teknolojinin devreye alınmasından elde edilen nihai tasarruf %4 oldu.

Konveyörde bir şablon kümesi kullanarak ürünlerin analizi ve şablon eşleştirmesi

Müşteri — Konveyörde ürünlerin otomatik kontrolünü entegre eden bir şirket.

Görev. Bir şablon kümesi kullanılarak konveyör sistemlerindeki ürünlerin analizi ve karşılaştırılması.

Çözüm. Nesnelerin video analizi ve yorumlanması için bir sistem geliştirildi.

Video, OpenCV, nesne izleme ve nesne alanlarının seçimi kullanılarak işlenir. Sorunları ve sapmaları tespit etmek için, nesnelerin ve nesne türlerinin hızlı aranması amacıyla geniş kapsamlı sınıflandırma ML modelleri (SVM, K-NN, Decision Tree, Random Forest, AdaBoost, LDA, K-Means) ve nesne kontrolü ile şablon eşleştirme için geniş bir DL model yelpazesi kullanılır. Sistem, acil durdurma işlevi sağlamak amacıyla konveyör kontrol sistemleriyle entegre edilmiştir.

Uygulanan teknolojiler: OpenCV, ML/DL, Python, Keras, TensorFlow, Java, Angular, Oracle DB, ELK stack, Docker.

Sonuç

Otomatikleştirilmiş üretim süreci, hatalı ürün miktarı %5–10 oranında azaltıldı, konveyörü yeni bir ürün türüne uyarlarken minimum ürün kusuru. Otomatikleştirilmiş süreçlerin devreye alınması ve kusurlu ürünlerin sayısının azalması nedeniyle ürünlerin nihai maliyetlerinde büyük düşüş.