Veri odaklı yöntemlerin üretim alanındaki kullanımı oldukça eskilere dayanıyor. Günümüzde başlangıç seviyesinde her istatistik dersinde öğretilen t-testi 1900'lü yılların başlarında ünlü bira üreticisi Guinness için kalite standartlarına uygunluk çalışmaları sırasında ortaya çıkmış bir yöntem örneğin. İlerleyen yıllarda üretim alanında kullanılan veri odaklı yöntemler çeşitlendi ve gelişti, bunların en yaygını istatistiksel süreç kontrolü (statistical process control) halen üretimdeki en temel araçlardan birisi olarak görülmekte. Öte yandan 2000'lerin başından bu yana hayatımıza giren ileri analitik teknikler üretim alanında yaygınlaşmış değil. Bu yazıda modern ileri analitik teknikleri yapay zeka başlığı altında toplayarak, üretim analitiğinde yapay zeka kullanımının zorluklarından bahsedeceğiz.
Veri İçeriği
Analitik uygulamalar için veriye ihtiyaç olduğunu biliyoruz, ama hangi veri, ne çözünürlükte, ne hassaslıkta? Bu soruların genel geçer bir cevabı yok, çözmek istediğiniz probleme ve üretim sürecinin özelliklerine bağlı olarak cevaplar değişiyor ama ileri analitik uygulamalara katkısı en az olan veri çeşidinin ikili (binary) veriler olduğunu söyleyebiliriz. Klasik analitik yöntemlerde faydalı olabilen ikili veriler -örneğin bir üretim parametresinin belirlenen aralıkların içinde olup olmadığı- modern yapay zeka tekniklerinin etkin sonuçlar vermesi için yeterli değil. Sorulardan ve alan bilgisinden faydalanmadan oluşturulan veri toplama biçimleri yapay zeka projelerinin başarısını düşürüyor, bazen imkansız hale getiriyor. Dakikada 1 toplanan, +/- 1 derece hassaslıktaki sıcaklık verisi bazı üretim hatlarında, bazı projelerde faydalı olabilir ama bu verinin soracağımız her soruya yanıt vermesini bekleyemeyiz.
Veri Altyapısı
Üretim alanında uygulanacak analitik çözümler, üst seviyeden baktığımızda, aşağıda gördüğünüz 3 katmanlı yapı üzerinde çalışırlar.
Fiziksel veri katmanında sahada veriler üretilir, buradan çeşitli büyük veri altyapılarının ya da bulut hizmetlerin kullanıldığı dijital veri katmanına iletilir, daha sonra YZ algoritmaları bu veriyi kullanarak sonuçları üretir tabii bu sonuçlar çeşitli raporlama ve görselleştirme uygulamalarına aktarılır. Bu mimaride detaya inildiğinde her bir proje için, çözülmek istenen sorunun içeriğine ve sahada nasıl kullanılacağına göre uygun bileşenler seçilmelidir. Her bir bileşen veri akışında güvenlik, güvenilirlik ve zamanındalık kriterlerinde bozulma yaratmadan çalışmalıdır. Üretim sahalarının çoğunlukla kesintisiz çalıştığı düşünüldüğünde, analitik çözümlerin sürdürülebilirliği için bu karmaşık mimari yapının hem her bir bileşeni hem de bütünü izlenebilir ve kesintisiz çalışabilir olmalıdır. Son yıllarda çok hızlı sonuç gerektiren süreçlerde ise kıyı analitik (edge analytics) çözüm mimarileri kullanılmaya başlandı. Bu mimaride, veri üretildiği noktada işlenerek yapay zeka çözümleri kullanıcılara ulaştırılıyor.
Analitik Yöntemler
Çözülmeye çalışılan problemle ilgili doğru veri içeriği ve güvenilir veri akışını sağlanmış olsa bile nihayetinde çıktıları üreten analitik araçların da başarılı sonuçlar vermesi gerekir. Analitik modeller kurulurken öncelikle dikkat edilmesi gereken konu, sıklıkla üretim verilerinin zaman serisi yapısında olduğudur. Bu tip verilerde ardışık gözlemler birbirinden bağımsız olmadığı için pek çok klasik yaklaşım yetersiz kalır. Bunu gözardı eden modellerin yüksek başarılı sonuçlar vermesini bekleyemeyiz. Sıklıkla karşılaşılan bir diğer sorun dengesiz veri setleridir. Örneğin çoğu üretim hattında çok az arıza meydana geldiği için denetimli öğrenme teknikleri iyi sonuçlar vermez. Bu durumda veri zenginleştirme teknikleri kullanılabileceği gibi anomali tespiti gibi denetimsiz öğrenme yöntemleri de kullanılabilir.
Sürdürülebilirlik
Üretimde kullanılan yapay zeka çözümlerinin üretim sürecinin tamamında çalışır durumda olması ve güvenilir sonuçlar üretmesi gerekir. Bunun için kurulan veri altyapısının doğru çalıştığını takip edebilmek için gerekli mekanizmalar kurulmalı, sorun yaşanan durumlar için bakım planları tanımlı olmalıdır. Ayrıca, üretim süreçleri hem kendi doğal akışında hem de analitik projelerin çıktılarına bağlı olarak sürekli değişir. Bu yüzden analitik modellerin çıktıları zaman içerisinde kullanılamaz hale gelebilir. Model sonuçlarının ve iş çıktılarının düzenli olarak takip edilmesi sürdürülebilirlik için kritiktir.