Öngörü bilimi

Bir şirket elektriği veya önemli hammaddeleri en uygun fiyata ne zaman satın alabilir?

1.02.2012 00:00:000
Paylaş Tweet Paylaş
Öngörü bilimi
Bir rüzgar çiftliğinin saat başına çıktısı, benzinle çalışan jeneratörleri desteklemeye yetecek hassasiyetle önceden tahmin edilerek planlanabilir mi? Siemens işte bu gibi sistemlerin ve eğilimlerin altında yatan parametreleri tanımlayabilecek, takip edebilecek ve öğrenebilecek yöntemler geliştiriyor. Bir mola verin ve bir saniyeliğine pencereden dışarı bakın. Ne görüyorsunuz? Kısmen tanımlanabilir şekillerle binalar veya ağaçlar mı? Şayet daha önce hiçbir bina ya da ağaç görmemişseniz ve asla onlarla ilgili bir şey duymamışsanız o zaman karşınızdaki manzaranın size şaşırtıcı bir karmaşa gibi görünmesi kaçınılmazdır. Bunun böyle olmamasının nedeni, beynizinin görüş alanınızdaki nesneleri anında tanımlayacak muazzam miktarda veriyi örgütleyen modellerle dolu olmasıdır. Bugün aynı türden bir meydan okumayla insan eliyle yapılmış karmaşık sistemlerde de karşılaşılıyor. Ancak burada söz konusu modellerle şablonlar, zihnimiz için o kadar çok yönlü ve gözle görünmez hale getiriliyor ki hiçbir insanın onları görebilmesi mümkün değil. Çünkü onlar aslında, başarılı olma ihtimalleri her geçen artan öngörülerle türetilmiş şablonlardır. Ve gerçekten de işe yarıyorlar! Siemens'in öngörü teknolojileri artık türbinlerden rüzgar çiftliklerine kadar geniş bir yelpazedeki sistemlerin gelecekteki çıktıları, davranışları ve bakım gereksinimleriyle hammaddelerin fiyatları ve hisse senedi borsalarının gidişatı gibi ekonomik eğilimlerdeki gelişmeler hakkında şaşırtıcı çabuklukta net bir fotoğraf sunabiliyor. Aslında Siemens daha şimdiden Almanya'daki elektrik satın alımları için karar destek mekanizmalarından yardım alıyor ve dünyanın dört bir yanından yaptığı devasa boyutlardaki bakır satın alımları için de Sinir Ağları için Yazılım Ortamı (SENN) dediği, kendi geliştirdiği ve kendi kendine öğrenebilen bir platformun sunduğu tahminlerden faydalanıyor. Kıdemli Baş Araştırmacı Dr. HansGeorg Zimmermann'a göre bu platform "kendi türünün en ileri üstün boyutlu ve doğrusal olmayan modelleme sistemi." SENN bugün matematiksel araştırmanın, yazılım geliştirmenin ve gerçek dünya uygulamalarının entegre edildiği 20 yılı aşkın geçmişi olan tecrübe sayesinde öngörü bilimine diğer hiçbir programın beceremeyeceği tutarlılıkta sürekli odaklanabiliyor. Bugüne kadar 60'dan fazla öngörücü endüstriyel uygulamanın matematiksel altyapısını kuran Zimmermann'ın elinde, ilgili yazılım mimarisi modellerini korumak için 22 patenti var. Ayrıca üniversitelerde niceliksel finans dersleri de veren Zimmermann, sinir ağlarının aslında doğrusal mantığa dayanan geleneksel öngörü sistemlerine kıyasla dikkate değer avantajlar sunduğunu söylüyor. "Altta yatan sorun ne kadar çetrefilli yani doğrusal olmayan ve çok boyutlu olursa olsun, sinir ağları gerçek dünya uygulamalarının hepsinin üstesinden gelebilir. Bununla birlikte, gelip geçici yapıların modellenmesinde de çok zarif bir çerçeve çalışması sunar" diyor. Örneğin 16 farklı elektrik kontrol paneline yönelik talebi öngörmek için tasarlanmış yeni bir araştırmada, Zimmermann'ın ekibi doğrusal bir model ile SENN'i karşılaştırmıştı. Bu iki sistem her bir panele satış rakamlarını bir yıllık süreç boyunca aylık bazda tahmin etmişti. Ancak SENN, yabancı para birimleri ve otomasyon sistemleri piyasalarındaki dalgalanmalar gibi faktörleri de hesaba katmıştı.~
Sonuç, SENN'in gerçek talebe karşın öngördüğü satış rakamı sadece yüzde 23,3 oranında sapmışken doğrusal modelinki ise yüzde 52,6 oranında bir sapma göstermişti. Zimmermann, "Bu kadar yakın bir talep tahmini yardımıyla tedarik zincirleri optimize edilebilir ve maliyetler kolaylıkla düşürülebilir" diyor. Bu arada SENN, rüzgar enerjisi arzının tahmin edilmesinde de önemli bir rol oynuyor. Örneğin Danimarka'daki Siemens Rüzgar Enerjisi, SENN'den kendisine büyük bir rüzgar parkının 72 saatlik bir dönem boyunca saat başı çıktısını öngörmesinde yardımcı olmasını istemişti. Bu bağlamda SENN sadece ham şebeke verileri şeklindeki hava tahminlerini alıyor ve sonra bunları yerel enerji arzı tahminlerine dönüştürüyor. Zimmermann, "Toplam enerji karışımından rüzgar gibi yenilenebilir enerji kaynaklarının aldığı pay arttıkça altyapı hizmetlerinde sadece talebin değil, aynı zamanda arzın da öngörülmesi gerekecek. Doğru tahminde bulunmak önemlidir çünkü ancak bu şekilde benzinle çalışan jeneratörleri ne zaman yedeklememiz gerekeceğini bilebiliriz" diyor. Bu gerçekle yola çıkan Zimmermann'ın ekibi bir sinir ağı geliştirdi. Sistemin başlangıçta bilip bilebileceği tek şey, eğitim aşamasındayken aldığı girdileri göz önünde bulundurarak zaman içinde bu rüzgar parkının gerçek çıktısına mümkün olduğunca yakın bir çıktı üretmektir. Başlangıçta modelin çıktısı ile gerçek veriler arasında muazzam bir fark olur. Ancak zaman içinde öğrenme algoritması kendi modelindeki tek tek parametrelerle öylesine oynamaya başlar ki yavaş yavaş öngörülen ile gerçek çıktı birbirine çok yaklaşır. Bu sistem binlerce denemeyle elde edilen hata oranının ölçülmesiyle artık rastgele çıktılar üretmek yerine hangi girdi parametrelerinin ne gibi etkiler yarattığını tanımlayarak kademe kademe daha isabetli tahminler yapmaya başlar. SENN'in de bu rüzgar parkının çıktısıyla ilgili tahminleri sonunda istikrar kazandı. Parkın günlük toplam enerji arzıyla ilgili öngörüsünün hata oranı, bugün en yakın fiziksel tabanlı modele kıyasla üç puan fark atarak yüzde 7,2 seviyesine düştü. Fotovoltaj tesisleri için de benzer modeller geliştiriliyor.


BİYOLOJİK SİSTEMLERDEN MAKİNELERE:
İŞİN SIRRI ÖĞRENMEK
Biyolojik öğrenme sistemlerinde sadece 300 civarında nöronu olan alt seviyede bir yaşam formu sayılan solucanlardan (Caenorhabditis elegans), 200 milyardan fazla sinir hücresine sahip yetişkin bir filin beynine kadar her çeşit yaşam türü vardır. Bal arılarında, hamam böceklerinde, şempanzelerde veya yunuslarda, bu sinir hücreleri nerede konumlanırsa konumlansın aynı işi görür: Bilgi işler ve bilgi dağıtırlar. Bunun nedeni biyolojik hayatın tamamında aynıdır: Tehlikeden uzak durmak ve kendini sürdürmekle üremek şansını maksimum kılmak, dünyadaki bütün organizmalar içinde bulundukları ortamı anlamak, ona uygun bir şekilde tepki vermek ve riskle ödül vadeden sinyalleri hatırlamak zorundadır. Kısacası doğal yaşamda insanların ve diğer türlerin hayatta kalmalarının tek önkoşulu öğrenmektir. Ancak aynı demir yasa her geçen gün insan eliyle yapılmış sistemler için de geçerliliğini artırıyor. Siemens'in öğrenen makineler bölümünde önde gelen otoritelerinden biri olan ve Münih'teki Ludwig Maximillian Üniversitesi'nde bilgisayar bilimlerinde profesör olan Dr. Volker Tresp'e göre, öğrenmenin üç türü var: Ezberleme (olayları hatırlama yeteneği gibi), beceriler (gol atmayı öğrenme becerisi gibi) ve soyutlama (gözlemlere dayanarak kurallar çıkartma yeteneği). İlk alanda doğuştan yetenekli olan bilgisayarlar diğer iki alanda da büyük bir hızla arayı kapatıyor. Örneğin Siemens'in 20 yıldır liderliği kimseye kaptırmadığı bir alan olan belirli bir kalınlıkta kusursuz çelik levha üretme işine bir bakalım... ~
Tresp, "Burada olası en basit öğrenme planı herhalde önce tahminde bulunmak ve ardından çıktı ürünün istenilen özelliklere sahip olup olmadığını kontrol etmektir. Bir çıktı zorunluluğuyla yüzleşildiğinde, diyelim ki üstün kaliteli bir çelik levha üretiminde, otomatik hadde makinesi önce sensör verilerini (malzemenin içeriğini, ısısını vb.) hesaba katar, daha önce öğrenilmiş bilgiler ışığında gerekli basınç miktarını tesbit eder ve sonra arzu edilen kalınlığa tam olarak ulaşıncaya kadar kendisini çıktı verilerine tepki verecek şekilde ayarlayarak basıncı artırır. Sinirsel ağlı bir öğrenen sistemde bu iş kalınlık gibi belli bir parametreyi etkileyen faktörlerin tümünün (şekle bakın) göreceli ağırlık matrisinin ayarlanmasıyla başarılır" diyor. Suni zekalı sistemlere artık ezberlemenin ve becerileri optimumlaştırma yeteneğinin de ötesinde tek bir varlığın karakteristiklerinden yola çıkarak onu bir grubun üyesine genelleştirmek ya da soyutlamak amacıyla da giderek daha fazla başvuruluyor. Bu noktada yıllardır yüksek hızlı posta tasniflerinde kullanılmakta olan optik yazı algılama (OCR) önemli bir örnek vakadır. Bu teknoloji ilk keşfedildiği yaklaşık 1985'den bu yana hata yapmama oranını elle yazılmış Latin metinlerde yüzde 95'in üzerine ve yine elle yazılmış Arapça metinlerde ise yüzde 90'ın üzerine çıkartmıştır. Aslında Siemens'in ARTread okuma sistemi, 2007 yılında yapılan Arapça bir OCR yarışması olan Uluslararası Döküman Analizi ve Algılama Konferansı'nda birincilik ödülü almıştı. Öğrenen makineler nereye gidiyor? Sensör teknolojileri güçlendikçe ve yaygınlaştıkça, hem yerel anlamda hem bilgi ağları aracılığıyla erişilebilen verilerin miktarı olağanüstü artmış olacağından uçsuz bucaksız fırsatların doğacağını söylemek mümkün. Bugün şebekeleşmiş ortamlar kapsamında öğrenmenin peşinde olan iki büyük proje var: Siemens'in MEDICO ile ortaklaşa liderliğini yaptığı ve doktorların iş akışlarını desteklemek için tasarlanmış pek çok uygulamayı mümkün kılmak için görüntülerden ve metinlerden anlamlı bilgiler çıkarılmasına odaklanan bir proje olan Theseus ve ikincisi de bağdaştırılmış veriler üzerinden ölçeklenebilir sorgulama, anlam çıkartma ve öğrenme yaklaşımlarının geliştirilmesiyle ilgilenen Avrupa Birliği'nin LarKC projesi. Tresp, "Bugün en heyecan verici konu bağdaştırılmış veriler üzerinden öğrenmek" diyor.  Başlangıçta karar verme birimleri arasındaki etkileşimler tamamıyla rastlantısaldır. Yani bu sistem eğitim aşamasına ilk girdiğinde (soldaki satıra bakın), beklenilen ile gözlenen arasındaki fark olan hata oranı bir hayli yüksektir (4). Gerçek çıktıyla karşılaştırılıp her bir matris hata oranıyla geri beslendiğinde (her bir kutunun sağını gösteren oklar), karar verme birimlerinin her birinin dahili değerlendirmeleri rastlantısallıktan uzaklaşarak öğrenilenler doğrultusunda her girdi parametresi değiştirilmektedir (her kutunun solunu gösteren oklar). Bu sistem, hata seviyesini azaltmak için tasarlanmış binlerce denemeden sonra nihayetinde zaman içinde çıktısını taklit ettiği gerçeğiyle aynılaştıracak (6) ve gerçek dünyanın davranışını öngörebilecek bir şekilde girdi bilgileri akışını kusursuz tanımlayabilecek bir duruma gelmeyi öğrenir.

Bilinmeyenin niceliklendirilmesi.
Zimmermann'ın ekibi benzer şekilde benzin türbinlerinin azot oksit (NOX) salımlarının modelini çıkartmak için de sinirsel bir ağ geliştirmişti. Böylesi bir model sayısız girdi değişkenleri ile bir türbinin zaman içindeki çıktıları arasındaki ilişkinin analiz edilmesinde kullanılabilir. SENN yine rüzgar parkı vakasında olduğu gibi işe sadece ham verilerle başlamış ve gerçek çıktıyı zaman içinde tanımlamak zorunda kalmıştı. Buna rağmen değişkenler arasındaki ilişkileri öğrenmiş olduğu için bu model de yavaş yavaş türbinin davranışlarını taklit etmeye başlamış ve nihayetinde neredeyse sıfır hata oranıyla davranışlarını anında tahmin edebilir hale gelmişti.~
Ancak bir türbinin veya herhangi bir karmaşık sistemin içinde kuşkusuz ki sadece değişkenler olarak bilinenlerden çok daha fazlası oluyor. Zimmerman bu hususa şöyle dikkat çekiyor: "Ölçemeyeceğiniz değişkenler, hakkında tek bir fikir sahibi bile olmadıklarınız da vardır." Bu görünmez değişkenler kocaman bir belirsizlik dağı oluşturabilir. Zimmermann, "Bu bakış açısıyla biz belirsizlikleri açıklamanın yeni bir yolunu yani gözlemlenebilir ile saklı değişkenler arasındaki etkileşimi çerçevelendirmeyi keşfettik" diyor. Kıyaslamak gerekirse, mekanik ve ekonomik anlamda dinamik olan sistemlerdeki belirsizlikleri ölçen klasik yaklaşımda, modelin öngördüğü ile gerçek dünyada aslında nelerin olup bittiği arasındaki standart sapma bir risk tahminine tercüme edilir. Burada temelde geçmişte ölçülen belirsizlik modelinin gelecekteki risk için iyi bir öngörü olacağı varsayılır. Zimmermann, "Burada ana fikir belirsizliğin günümüzden geleceğe doğru bir içe nüfuz etme sürecinde yayılması yani zaman içinde ilerledikçe çok daha büyük bir şey haline gelmesidir" diyor. Zimmermann'ın çözümünün aksine, saklı sistem değişkenlerini net bir şekilde yeniden yapılandıramayacağınız için şekillenen farklı senaryoların analizini yaparak tahmininizdeki belirsizlik miktarını tanımlayabilirsiniz. Burada senaryolar arasındaki dalgalanmaların boyutu risk seviyesi olarak yorumlanır ve hepsi de aynı olasılığa sahip farklı senaryoların ortalama değerlerine dayandırılan bir senaryo gelecekte olası en mümkün eğilim olarak varsayılabilir. Sonlu bir gözlemler serisinde saklı değişkenleri yeniden yapılandırmanın daima birden fazla yolu olduğuna yani gelecekte farklı senaryolar olabileceğine dikkat çeken Zimmerman, "Sonuçta ortaya çıkan piyasa riski böylece senaryolar arasındaki varyasyonla karakterize edilir" diyor. Siemens daha şimdiden enerji ve bakır satın alımı kararlarını optimumlaştırmak için bu yöntemlerden faydalanmaya başladı bile. Zimmermann, "Bu yöntem bize dikkate alacağımız geniş bir gelecek senaryoları yelpazesi sunuyor" diyor. Peki öngörü bilimi önümüzdeki birkaç yıl içinde nasıl evrimleşebilir? Şurası çok net ki şayet geçmişin bir rehberlik yönü varsa hata oranlarının azalmasında istikrarlı bir ilerleme kaydedileceği söylenebilir. Zimmermann'ın da işaret ettiği üzere bugün sürekli bir şeyler öğrenen sadece SENN modelleri değil. Onların yaratıcıları da gerçekliğin matematiksel temsiline her geçen gün daha yaklaştıkları için ürettikleri modellerden yığınla şey öğreniyor.

Devasa potansiyel.
SENN, enerji ve hammadde fiyatlarının öngörülmesinden, rüzgar parkları ile türbinlerin çıktılarının tahmin edilmesinden de öte bugün neredeyse sınırsız sayıda bir uygulama potansiyeli sunuyor. Zamanımızın en meydan okuyucu, karmaşık ve maliyetli kararlarının bazılarında özellikle de karayolları, hava trafiği, su ve elektrik altyapılarıyla ilgili olanlarda bize yardımcı olabilir. Gerçekten de SENN'in bir karar destek sistemi olarak potansiyeli, örneğin bir fabrika kurmadan önce farklı bölgelerin uzun vadeli avantajlarının dikkate alınması gibi Siemens'de daha şimdiden test edilmektedir. Ya bunlar dışındakiler? Gelecekle olan ilişkimiz hakkındaki farklı bir model de şu anda Siemens'in intranet ortamında çalışan SENN Öngörü Sunucusu'nda biçimlenme aşamasında. Bu sistem içsel müşterilerimizi SENN'in potansiyeliyle tanıştırmak amacıyla kullanılıyor. Belki de on yıllık bir dönemin ardından evlerimizin, arabalarımızın, şirketlerimizin ve tedarik zincirlerimizin işlevlerini takip etmek, onlardan bir şeyler öğrenmek, hatalı yönlerini görmek ve onları optimum kılmak için çevrimiçinden SENN uygulamalarını indiriyor olacağız. SENN'in gelecek sürümlerinde optimize edilmiş şahsi beslenmeleri, sağlığı, eğitimi ve finansal kararları destekleyebilecek senaryolar bile sunulabilir. Sonuçta her sorunun gelecekte bir yerlerde yatan cevabı muhakkak vardır.

Arthur F. Pease

Türkiye ve dünya ekonomisine yön veren gelişmeleri yorulmadan takip edebilmek için her yeni güne haber bültenimiz “Sabah Kahvesi” ile başlamak ister misiniz?


İLGİNİZİ ÇEKEBİLİR

Yorum Yaz