Bir makine geleceği tahmin edebilir mi?

Değerli meslektaşlarımız merhaba,

Evet, makineler belirli gelecekteki değerleri veya olayların olasılıklarını tahmin edebilir. Ancak bu yetenek, geleceğin bütün ayrıntılarını kesin olarak bilmek anlamına gelmez. Yapay zekâ ve makine öğrenimi, verilerdeki örüntülerden yararlanabilir; sonuçların güvenilirliği ise kullanılan bilgiye, değişen koşullara ve nasıl sınandıklarına bağlıdır. İyi bir tahmin, belirsizliğini de açıklar.

Önce neyin tahmin edildiğini tanımlayalım

“Geleceği tahmin ediyor” ifadesi tek başına yeterli değildir. Tahmin hedefi gelecek vardiyadaki üretim talebi, yarınki enerji tüketimi veya belirli bir sürede oluşabilecek arıza riski olabilir. Tahmin ufku ise ne kadar ilerisi için konuşulduğunu belirtir. Bir saat sonrasını tahmin etmek ile bir yıl sonrasını tahmin etmek aynı problem değildir.

Nokta tahmini tek bir beklenen değer verir; olasılıksal tahmin ise mümkün sonuçların dağılımını veya bir olayın olasılığını ifade eder. Senaryo analizi de “Bu varsayım gerçekleşirse ne olabilir?” sorusunu inceler. Bir senaryonun hesaplanabilmesi, onun gerçekleşeceği anlamına gelmez.

Tahmin hangi yöntemlerle üretilir?

Zaman serisi analizi, zaman sırasıyla kaydedilmiş verileri inceler. Artış veya azalış yönü olan trend, tekrarlayan mevsimsellik ve düzensiz değişimler değerlendirilir. Üretim, tüketim veya sipariş kayıtları bu tür analizlere uygun örneklerdir. Büyük veri ve veri analitiği, bu kayıtların içindeki örüntülerin incelenmesine yardımcı olur.

İstatistiksel modeller, değişkenler arasındaki ilişkileri veya zaman içindeki yapıyı kullanabilir. Fizik tabanlı modeller, sistemin bilinen işleyişinden yararlanır. Makine öğrenimi ve derin öğrenme ise veriden öğrenilen ilişkileri kullanabilir. Endüstri 4.0’da veri analitiği ve yapay zekâ, bu yöntemlerin üretim bilgisiyle buluştuğu uygulama alanlarından biridir.

Daha karmaşık model, otomatik olarak daha doğru model değildir. Örneğin “gelecek dönemde son ölçülen değer devam eder” veya “önceki haftanın aynı günündeki değer tekrarlanır” gibi basit yöntemler karşılaştırma için kullanılabilir. Gelişmiş yöntemin bu referans tahminleri gerçekten geçip geçmediği ölçülmelidir.

Tek bir sayı neden yetmeyebilir?

Varsayımsal bir planlama örneğinde, gelecek vardiya talebi için 1.200 parça tahmin edildiğini düşünelim. Bir tahmin aralığı da 1.000–1.450 parça olabilir. Aralığın hangi kapsama olasılığına ve varsayımlara dayandığı belirtilmelidir. Bunlar gerçek işletme verileri değildir. Aralık, belirsizliği ifade eder; sonucun mutlaka içinde kalacağını garanti etmez.

Çoğu uygulamada daha uzak gelecek için belirsizlik artabilir. Hava tahmininde de farklı model çalıştırmalarıyla mümkün sonuçların aralığı değerlendirilir. Hava durumu tahmini, bilgisayarların geleceğe ilişkin yararlı bilgi üretebildiğini; aynı zamanda bu bilginin belirsizlik taşıdığını gösteren somut bir örnektir.

Endüstride tahminin veri yolu nasıl kurulur?

Örnek bir düzenekte sensörler sıcaklık, akım veya titreşim gibi uygun büyüklükleri ölçer. PLC süreç verilerini toplayabilir; SCADA sistemi bunların izlenmesine ve yapılandırmaya göre geçmiş kayıtlarının tutulmasına yardımcı olabilir. Endüstriyel Nesnelerin İnterneti (IIoT), cihazlarla veri sistemleri arasında bağlantı kurulmasını sağlayabilir. Tahmin modeli, kendisine ulaştırılan veriler üzerinde çalışır.

Fakat veri bağlantısı kurmak, güvenilir tahmin elde etmekle aynı şey değildir. Zaman damgası, ölçü birimi, örnekleme aralığı ve eksik kayıtlar kontrol edilmelidir. Datalogger cihazlarının doğruluğu ile PLC ve SCADA arasındaki ilişki, bu veri zincirini anlamak için yararlı devam okumalarıdır. Ölçüm hatası, modelin öğrenmeye çalıştığı örüntüyü bozabilir.

Hangi uygulamalarda işe yarar?

Kestirimci bakım, ekipmanın durumunu ve bozulma belirtilerini değerlendirerek bakım planlamasına destek olabilir. Örneğin belirli koşullarda değişen titreşim veya sıcaklık örüntüsü incelenebilir. Ancak tek bir artış, tek başına “makine yarın duracak” sonucuna yetmez; çalışma yükü ve diğer koşullar da değerlendirilmelidir.

Endüstri 4.0 uygulamalarında talep, üretim kapasitesi ve enerji ihtiyacı birlikte ele alınabilir. Tedarik zinciri yönetimi, sipariş ve stok planlamasında tahminlerden yararlanabilir. Akıllı fabrikalar ve dijital ikizler ise farklı işletme koşullarının etkilerini modellemek için bir ortam sağlayabilir. Simülasyon sonucu, kullanılan modelin ve varsayımların kapsamı içinde yorumlanmalıdır.

İnsanların gelecekteki eylemlerini öngörmek de ayrı bir uygulama alanıdır. İnsanların tercihleri veya davranışları değişebildiği için bir gruptaki örüntü, tek bir kişinin ne yapacağını kesin olarak belirlemez. Tahminin amacı ve sınırları açık olmalıdır.

Tahminin başarısı nasıl sınanır?

Modelin geçmiş verilere iyi uyum sağlaması yeterli değildir. Zaman sırası korunarak daha eski kayıtlarla model kurulmalı, o anda henüz görülmemiş sonraki dönemler üzerinde değerlendirilmelidir. Test, farklı başlangıç tarihlerinde tekrarlanabilir. Gelecekten bilgi sızması, tahmin sırasında erişilemeyecek bilginin yanlışlıkla eğitim veya değerlendirmeye girmesidir; başarıyı olduğundan yüksek gösterebilir.

Hata ölçütü göreve uygun seçilmelidir. Varsayımsal olarak 1.200 parça tahmin edilip 1.320 parça gerçekleşirse, mutlak hata 120 parçadır. Birden fazla dönemin hataları birlikte değerlendirilerek tipik sapma incelenebilir. Ayrıca hangi tahmin ufkunda, hangi ürünlerde ve hangi çalışma koşullarında hata büyüdüğü raporlanmalıdır.

Bir olayın olasılığı tahmin ediliyorsa yalnızca “doğru bildi” sayısı yeterli olmayabilir. Kaçırılan olaylar ve gereksiz uyarılar da önemlidir. Planlama açısından hangi hatanın daha maliyetli olduğu ayrıca belirlenmelidir.

Tahmin neden zamanla bozulabilir?

Yeni ürün, farklı vardiya düzeni, bakım sonrası değişen makine davranışı veya müşteri talebindeki bir kırılma, geçmişte öğrenilen ilişkileri değiştirebilir. Bu nedenle performans izleme ve gerektiğinde modelin yeniden değerlendirilmesi önemlidir. Siber güvenlik de veri ve model bütünlüğünü koruma sorumluluğunu gündeme getirir.

İnsanların karar verme süreçlerini iyileştirmek amaçlanıyorsa tahminin ardından hangi eylemin uygulanacağı düşünülmelidir. Sibernetik ve sistem kontrolü açısından alınan karar, sistemin sonraki davranışını değiştirebilir. Tahmin ve tahmine göre yapılacak eylem, ayrı tasarım kararlarıdır.

Sonuç: geleceğe ilişkin ölçülebilir bir öngörü

Makineler; veriler, modeller ve açık varsayımlar üzerinden geleceğe ilişkin yararlı tahminler üretebilir. Tahminin değeri, ne kadar kesin konuştuğundan çok nasıl sınandığıyla anlaşılır. Hedefi, zaman ufku, hatası ve belirsizliği açıklanan bir öngörü; bakım, üretim ve kaynak planlamasında daha sağlam kararlar alınmasına yardımcı olabilir.

Kaynaklar: Tahmin: ilkeler ve uygulama · ECMWF: olasılıksal hava tahmini · NIST: üretimde izleme, teşhis ve öngörü

Bu yazıyı Otomasyon AVM’yi kaynak göstererek paylaşabilirsiniz.