Yapay zeka (AI), özellikle büyük miktarda verinin olduğu birçok alanda faydalı olabilir. Yapay zeka kullanmanın ana faydalarından biri, süreçleri hızlandıran ve personel maliyetlerini azaltan rutin görevleri otomatikleştirmektir. Ayrıca yapay zeka, çeşitli faaliyet alanlarında karar vermenin doğruluğunu ve güvenliğini önemli ölçüde artırabilir. Endüstri de bu alanlar arasındadır. Üretim şirketlerinin yapay zekayı nasıl kullandığına dair belirli örneklere bakalım.

Ürün Taşıma bantlarında, ürünün unsurlarını, bunların normdan sapmalarını ve geometrik parametreleri belirlemenizi sağlayan bilgisayar görüşü kullanılır. Böylece insan faktörünün etkisini ortadan kaldırır ve kusurlu ürün sayısını azaltır.

Yapay zekanın bir diğer önemli uygulama alanı da müşteri deneyimi ile çalışmadır. Kişiselleştirilmiş teklifler oluşturmaya, trendleri ve mevsimsel değişiklikleri takip etmeye ve lojistik ve satın alma faaliyetlerini optimize etmeye yardımcı olur.

Her şirketin kendi benzersiz çözümünü geliştirmeye çalıştığını belirtmek önemlidir, çünkü en iyi sonuç için modelleri müşteri verilerine göre yeniden eğitmek gerekir.

Yapay zekanın uygulanması, belirli yetkinlikleri ve kaynakları gerektiren zor bir süreçtir. Her şeyden önce, başarılı bir uygulama için şirketin dahili bilirkişi kuruluna sahip olması veya uzman olarak kimi davet edeceğini bilmesi gerekir. Ek olarak, modeli eğitmek için kullanılacak büyük miktarda veriye erişiminizin olması gerekir. Bu sadece verilerin mevcudiyetini değil, aynı zamanda etiketleme ve eğitim için hazırlama ihtiyacını da ifade eder.

Zorluklardan biri, yapay zeka yardımıyla çözmek için en uygun görevleri aramaktır. Bilgisayar görüşü, Data Science veya dil modelleri gibi alanların her biri için, sorunları etkin bir şekilde çözmek için belirli görevleri formüle etmek, konu alanını anlamak ve istatistiklere sahip olmak gerekir.

Diğer bir zorluk, özellikle metin modelleriyle çalışırken sinir ağlarının sonuçlarının öngörülemezliği olabilir. Modelin hangi ifadeyi üreteceğini önceden tahmin etmek her zaman mümkün değildir, bu bazı durumlarda sorun olabilir.

Yapay zekayı mevcut sistemlere entegre etmek de zor olabilir ve ek çaba ve kaynak gerektirir. Entegrasyon, bir proje bütçesinin önemli bir bölümünü alabilir.

Ayrıca, yapay zeka tabanlı hiçbir çözümün mutlak doğruluğa sahip olmadığını hatırlamak da önemlidir, bu nedenle, özellikle yüksek sorumluluk gerektiren görevlerde kişinin ve operatörün rolünü korumak gerekir.

Bununla birlikte, zorluklara rağmen, yapay zekanın uygulanmasının birçok avantajı ve süreçleri optimize etme, ürün kalitesini iyileştirme, rutin görevleri otomatikleştirme ve çeşitli faaliyet alanlarında iş verimliliğini artırma potansiyeli vardır.

GPT gibi dil modelleri, raporları otomatik olarak oluşturmak, aramaları kolaylaştırmak ve müşteri etkileşimini ve bilgi işlemeyi büyük ölçüde geliştiren uzman tavsiyesi sağlamak için kullanılabilir. Doğru çözümlerin belirlenmesi, verilerin entegre edilmesi ve yapay zeka ile birlikte kullanılması şirketlerin faaliyetlerinde önemli sonuçlara ulaşmasını sağlıyor.

Şimdi Globus IT’nin endüstriyel işletmelerde gerçekleştirdiği uygulamalara bakalım.

GPT modellerinin şirket yapısına entegrasyonu

Müşteri, madencilik sektöründe faaliyet gösteren büyük bir kuruluş.

Görev. Konular, belgeler ve bilgi tabanları için ek eğitim ve bireysel iş süreçleri oluşturma ile GPT modellerinin şirket hatlarına güvenli entegrasyonu.

Çözüm. InsightStream Akıllı Arama

Kurumsal bilgi tabanında chat şeklinde akıllı arama ile bilgiye erişim.

— İlgili cevap — bilgi tabanının gerçeklerini kaynağa bağlantılar ile özetlemek.

— Çok modlu verilerin işlenmesi ve farklı depolama sistemleri ile entegrasyonu.

— Farklı verilerin yapılandırılması ve iletişimi.

InsightStream’in yardımcı olduğu yerler:

1. Çalışan self servisi: süreçler ve düzenlemelerle ilgili sorunları çözmek.

2. Gereksiz belgeleri ortadan kaldırmak ve bilgi tabanındaki boşlukları doldurmak.

3. Ürün ekiplerinde iş analizcilerinin çalışmalarını hızlandırmak.

InsightStream hangi konularda yardımcı olabilir:

— Yetersiz bilgi mevcudiyeti nedeniyle pazara uzun süre açılma ve olay çözümü.

— Bilgi tabanındaki düşük kaliteli içerik: kopyalar, boşluklar, eskime, tasarım.

— Çalışanların zayıf eğitimi ve verimliliğin zirvesine uzun bir çıkış.

VirtualGuru Akıllı asistan

Uzman danışmalarının ve dahili / harici teknik desteğin otomasyonu

— Gelen Intentleri yapılandırılmış bir sunuma ayrıştırma (talepler, yorumlar...).

— human-in-the-loop senaryosundaki soruların yanıtlarının otomasyonu.

- Yüksek konu kapsamı için belge arama, web arama ve LLM yanıtlarının karışımı.

VirtualGuru’nun yardımcı olduğu yerler:

1. Chatbot hukuk danışmanı aracılığıyla bir hukuk kurumunun verimliliğini artırmak.

2. Dahili hizmet taleplerinin işlenmesinin otomasyonu: İnsan kaynakları, avukatlar, finans…

3. Destek hizmetinde zor Intentli aramaları yönlendirme.

VirtualGuru hangi konularda yardımcı olabilir:

- Dahili veya harici talepleri işlemenin yüksek maliyeti.

- Tatmin edici olmayan ölçümler: uzun yanıt, talebi geri çevirme, düşük NPS.

Sonuç

1. Web hizmeti. Tarayıcı üzerinden erişim. Bir asistan arayüzü ile Şirketin Kurumsal Portalı penceresi

2. Chatbot. Telegram’da veya kurumsal bir habercide, şirket çalışanlarına açık bir chatbot asistanı.

3. API ile entegrasyon. Kararlaştırılan herhangi bir BT ürünü için erişim

Geliştiriciler tarafından entegrasyon için API arayüzü.

Rakamlarla sonuçlar:

- Bilgi arama hızı 10 kata kadar artırıldı.

— Ürünlerin teslimat hızında %30 artış sağlandı

— Destek personelinin verimliliği 5-7 kat artırıldı.

- Karmaşık e-postalar %95'e kadarı doğru şekilde yönlendirildi.

Büyük bir Petrol Rafinerisinde Güvenliğin Artırılması

Görev. Rafinerinin üretim tesislerinde güvenlik gerekliliklerine uygunluğun izlenmesi: Erişim Kontrol ve Yönetim Sistemi, çalışanların özel iş elbisesi giyme yönetmeliğine uyması.

Çözüm. AI, ML, CV, sinir ağlarına dayalı olarak gerçek zamanlı olarak uygulanan endüstriyel video analitiği.

Sistem, tesisin arazisinde kurulu kameralardan gelen görüntüyü tanır ve analiz eder, bunu şablon veritabanı ile ilişkilendirir (Erişim Kontrol ve Yönetim Sistemi için - erişimi olan çalışanların fotoğraf veritabanı; özel iş elbisesi giyilmesini kontrol etmek için - logoların ve işaretlerin varlığı), sonuçları yorumlar ve düzenlemelerin ihlali durumunda sorumlulara bildirir.

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

Kusurlu ürünlerin takibi

Müşteri, elektrikli ekipman üreten bir fabrika.

Görev. Kusurlu ürünlerin görsel takibi ve bunlara ilgili teknik bilgilerin (etiket, sticker, işaret) uygulanmasının doğruluğu.

Çözüm. Videodaki nesnelerin analizi ve yorumlanması için sistem.

OpenCV kullanarak video işleme, nesne izleme, etiket alanı seçimi. Metin çıkarma, işleme, bir örnekle metin kontrolü için NLP sinir ağı metin işleme, CNN ultra hassas sinir ağlarının kullanımı. Etiket yerleşimini doğrulamak için derin öğrenme (DL) tekniklerinin uygulanması.

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

Sonuç. Teknolojinin uygulanmasından elde edilen nihai tasarruf %4 olarak gerçekleşti.

Taşıma Bandındaki ürünlerin bir dizi şablonla mutabakatı ve analizi

Müşteri, bir taşıma bandı kullanarak ürünlerin otomatik kontrolünün uygulanması alanında faaliyet gösteren bir şirket.

Görev. Bir dizi şablonla taşıma bandı ürünlerin mutabakatı ve analizi.

Çözüm. Video nesnelerini analiz etmek ve yorumlamak için bir sistem geliştirilmiştir.

Video işleme, OpenCV, nesne izleme, nesne alanı seçimi kullanılarak gerçekleşir. Nesneleri ve türlerini hızlı bir şekilde aramak için geniş bir ML sınıflandırma modeli sınıfının (SVM, K-NN, Karar Ağacı, Rastgele Orman, AdaBoost, LDA, K-Means) uygulanması ve kontrol etmek için geniş bir DL modeli sınıfının kullanımı ve sorunları ve sapmaları belirlemek için bir nesnenin şablonla karşılaştırılması. Acil durdurma için konveyör kontrol sistemleri ile sistem entegrasyonu.

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

Sonuç. Üretim sürecinin otomasyonu, kusurların %5-10 oranında azaltılması, yeni tip bir ürün için taşıma bandının yeniden yapılandırılması sırasında kusur riskinin en aza indirilmesi. Otomasyon sayesinde nihai ürün maliyetinde önemli azalma ve kusurlu ürün sayısında azalma.