Bir makine insanların gelecekteki eylemlerini önceden görebilir mi?

Bir makine, belirli koşullarda insanların bazı davranışlarını olasılık olarak tahmin edebilir. Ancak bir kişinin gelecekte yapacağı her şeyi kesin biçimde bilen bir sistem gösterilmiş değildir. Yapay zekâ ve makine öğrenimi, geçmiş davranışlar ile mevcut koşullar arasındaki örüntüleri kullanır. Ürettikleri sonuç, eldeki verilere ve modelin geçerli olduğu koşullara bağlı bir tahmindir.

Bir müşterinin hangi ürüne ilgi göstereceği veya bir operatörün sıradaki işlemde hangi seçeneği kullanabileceği, sınırları belirlenebilen sorulardır. Bir insanın yıllar sonra vereceği bütün kararları bilmek ise çok daha geniş bir iddiadır. Geleceği tahmin etmek üzerine konuşurken neyin, kimin için ve ne kadar süre sonrası için tahmin edildiğini açıkça belirtmek gerekir.

Makine bu tahmini nasıl oluşturur?

Önce tahmin edilecek davranış tanımlanır: “Bir sonraki ekranda hangi işlem seçilecek?” gibi. Ardından bu karardan önce elde edilebilen veriler toplanır. Büyük veri ve veri analitiği, işlem sıraları, zaman bilgileri ve benzer durumlar arasındaki ilişkileri incelemeye yardımcı olur. Model, bu ilişkilerden olası sonraki adımları çıkarır; sonuçları daha sonra gerçekleşen davranışlarla karşılaştırılır.

Bir üretim hattında sensörler makinenin durumunu, PLC işlem adımlarını, HMI panelleri operatörün seçtiği komutları kaydedebilir. SCADA kayıtları ve endüstriyel nesnelerin interneti altyapısı bu bilgileri bir araya getirebilir. Burada kritik nokta doğru zaman damgası ve doğru veri eşleştirmesidir: olay gerçekleştikten sonra oluşan bir bilgiyi tahmin girdisi yapmak, sistemi olduğundan başarılı gösterebilir.

%80 olasılık ne anlama gelir?

Olasılık, tek bir kişi için verilmiş sonuç garantisi değildir. Örneğin model, bir işlemden sonra operatörün yardım ekranını açma olasılığını %80 olarak hesaplasın. İyi kalibre edilmiş bir modelde, %80 civarında olasılık verilen çok sayıda benzer olayın yaklaşık %80'inde bu davranışın gerçekleşmesi beklenir. Buna rağmen belirli bir operatör o anda başka bir işlem seçebilir. Ayrıca ekranda görünen her yüzde, ölçülmüş ve güvenilir bir olasılık değildir.

Tahmin süresi de önemlidir. Sıradaki birkaç saniyelik hareket için mevcut konum ve işlem sırası faydalı olabilir; aylar sonrasına ilişkin bir karar için birçok yeni koşul devreye girer. Robotik uygulamalarında ve makine öğreniminin robotiğe uygulanmasında kısa süreli hareket tahminleri değerlendirilebilir. Bu başarı, bütün insan davranışlarının aynı güvenilirlikle tahmin edilebildiği anlamına gelmez.

Yüksek doğruluk oranı neden yanıltabilir?

Tamamen varsayımsal bir örnek: 1.000 işlemin yalnızca 50'sinde operatör yardım ekranını açıyor olsun. Sürekli “Açmayacak” diyen bir sistem, diğer 950 işlem nedeniyle %95 doğruluk elde eder. Fakat yardım ekranının açıldığı 50 olayın hiçbirini yakalayamaz. Dolayısıyla tek başına yüksek doğruluk, hedef davranışın iyi tahmin edildiğini kanıtlamaz.

Değerlendirmede yanlış alarmlar, kaçırılan olaylar, olasılıkların kalibrasyonu ve hataların uygulamadaki etkisi birlikte incelenmelidir. Modeli kendi eğitim kayıtlarında başarılı göstermek yeterli değildir; henüz görmediği, gerçek kullanımı temsil eden verilerde sınamak gerekir. Otomasyon ve yapay zekâ projelerinde daha sonraki dönemlerden gelen kayıtlarla test yapmak, geleceğe yönelik performansı değerlendirmeye yardımcı olur.

Daha fazla veri, insanı tamamen çözmek demek mi?

Veri miktarı ile veri kalitesi aynı şey değildir. Tek bir vardiyadan veya sınırlı bir kullanıcı grubundan öğrenen sistem, farklı koşullarda başarısız olabilir. Yeni iş talimatları, değişen arayüzler ve beklenmedik durumlar, eski örüntülerin geçerliliğini azaltabilir. Bu değişim model kayması olarak ele alınır ve performansın kullanım sırasında da izlenmesini gerektirir.

İnsan beyninin işlevlerini taklit etmek, insan duygularını yorumlamak ve insan düşüncelerini okumak farklı araştırma sorularıdır. Bir davranış kaydından sonraki adımı kestirebilmek, kişinin bütün düşüncelerine erişildiğini göstermez. “Bütün bilgi verilirse her eylem kesin bilinir” düşüncesi de kanıtlanmış bir mühendislik sonucu değildir; gerçek sistemlerin ölçüm, hesaplama ve modelleme sınırlarını ortadan kaldırmaz.

Tahmin, tahmin edilen davranışı değiştirebilir

Bir alışveriş sistemi, ilgi duyabileceğiniz ürünü öne çıkarırsa o ürünü seçme ihtimalinizi de etkileyebilir. Benzer şekilde, bir operatöre belirli işlemi öneren ekran sonraki komutu değiştirebilir. Bu durumda sistem yalnızca davranışı tahmin etmez; davranışın oluştuğu koşulları da değiştirir. Sibernetik ve sistem kontrolü açısından bu bir geri besleme ilişkisidir. Gözlenen sonuçları değerlendirirken tahminin etkisi ile başlangıçtaki eğilimi birbirine karıştırmamak gerekir.

Endüstride nerede fayda sağlar, nerede sınır gerekir?

Davranış tahmini, operatöre uygun yardım içeriğini sunmak veya tekrar eden işlem akışlarını iyileştirmek için kullanılabilir. Endüstri 4.0'da veri analitiği ve dijital ikiz çalışmaları, tanımlanmış senaryoları incelemeye yardımcı olabilir. Yapay zekâ destekli robotik uygulamalarında olası hareketler üzerinde çalışılsa da, bir insanın beklenen hareketi yapacağı varsayımı koruma önlemlerinin yerine geçmez. Robotik güvenliği, doğrulanmış güvenlik işlevleri ve uygulamanın risk değerlendirmesi üzerinden ele alınmalıdır.

Mahremiyet ve adalet de sistemin kalitesinin parçasıdır. Yalnızca amaç için gerekli verileri toplamak, erişimi sınırlandırmak ve sonuçların farklı kullanıcı grupları üzerindeki etkisini değerlendirmek gerekir. Endüstriyel siber güvenlik, davranış kayıtlarının korunmasına da katkı sağlar. İnsanları tahmine dayalı olarak değişmez etiketlerle tanımlamak yerine, belirsizliği açıklayan ve insanların karar verme süreçlerini destekleyen uygulamalar tasarlamak daha sağlıklı bir yaklaşımdır.

Teknik okuma: Olasılık kalibrasyonu · Tahmin performansının değerlendirilmesi · Tahminlerin davranış üzerindeki etkisi · NIST AI Risk Management Framework