Yılın mucitlerinden farklı çalışma

Yapay zekadaki (AI) her yeni başarının arkasında pırıl pırıl beyinler yatıyor...

2 EYLÜL, 20180
Paylaş Tweet Paylaş
Yılın mucitlerinden farklı çalışma

Öğrenen sistemlerle ilgili araştırma ekibine liderlik yapan Volkmar Sterzing, “Karmaşık bir sistemin kontrol edilmesi söz konusu olduğunda bizim için her şey çok ilginçleşiyor. Sonuçta bu sayede çok sayıda ölçüm ve kontrol değişkeni devreye giriyor” diyor. Bir gaz türbinindeki yanma sürecinde de aynısı söz konusu. Gaz ve havadan oluşan bir kokteyl vanalardan geçerek ateşleneceği hazneye girer. Sıcaklık seviyeleri 1.600 Santigrad dereceden yükseğe çıkar. Bu gaz nasıl yanar, güçlü yanma dinamikleri oluşur mu, ne kadar nitrojen oksit ortaya çıkar ve bir gaz türbini sonuçta ne kadar süre çalışabilir? İşte tüm bu soruların yanıtlarını çok sayıda faktör belirliyor. Gazın kalitesinin yanı sıra dışarısının sıcaklığıyla gerekli yanma performansı da önemli bir rol oynuyor. Bu yüzden yanma sürecinin optimum şekilde kontrol edilmesinde çok sayıda uzman çalışıyor. Bu gereksinim Volkmar Sterzing ile Steffen Udluft’ı bir gaz türbininin kontrolünde yapay zekadan faydalanma fikriyle ortaya çıkmaya teşvik etti. Yapay zeka küçük veriyle öğrendiğinde Bu bilim insanları en başından itibaren öğrenme aşaması için oldukça küçük verilere gerek duyan yöntemler kullanmaya kendilerini adadı. Böyle yaparak da çığır açtılar. Mesela Go ve satranç gibi masa oyunlarında dünya şampiyonlarını yenen yazılımları kullanan diğer yapay zeka araştırmacılarınca kaydedilen başarıların tümü devasa miktarlarda veri kullanımı üstüne kuruluydu. Türbin eğitim programına yönelik benzer miktarda verinin elde edilebilmesi için ise bir gaz türbininin 100 yıl boyunca çalışıyor olması gerekirdi. Bu sorunla yüzleşen Udluft sinir ağlarıyla takviyeli öğrenme için veri cimrisi bir yöntem geliştirdi. Bu ilerleme bu ekibi Münih’ten çıkararak dünya klasmanında bir numara olmaya taşıdı. Siemens bugün Birleşik Devletler ile Güney Kore’deki büyük Siemens gaz türbinlerini kontrol eden pilot faaliyetlerinde GT-ACO (Gaz Türbini Otonom Kontrol Optimumlaştırıcısı) denilen bir sistemi kullanıyor. Sterzing ilk testi şöyle anlatıyor: “Gaz türbinlerinin bu yöntemle beklentilerimizi aşan derecede çok daha iyi çalıştırılabileceği gerçeği karşısında şaşırıp kalmıştık.” Optimum çalışma Yakıt vanalarında sürekli yapılan hassas ayarlamalarla gaz türbinlerinin salım bazında optimum çalıştırılması sağlanıyor ve gerçek zamanlı olarak en iyi çözümün bulunulmasına çalışılıyor. Sterzing, “Bir gaz türbininin optimum seviyede çalışmasını sağlamak için daima yanma dinamikleri, verimlilik kaybı ve salım gibi istenmeyen etkilerin mümkün olduğunca düşük tutulmasına olanak veren bir denge arayışında olmanız şarttır. Değişkenlerden birini iyileştirirseniz bir diğeri kötüleşecektir. Yapay zeka işte bu hassas dengenin nasıl bulunacağını biliyor” diyor. Bu gaz türbini daha başlangıç. Sterzing ve Udluft daha şimdiden bir rüzgar çiftliğini kontrol etmekte kendi öğrenen yazılımlarından faydalanmaya başladılar bile. Bir rüzgar türbininin yarattığı çalkantılı hava akımları yüzünden onun arkasında duran rüzgar türbininin verimliliği düşer. Bu etki, rüzgar çiftliğinin tamamında hissedilir. Sterling, “Bunu analitik yöntemlerle hesaplayamazsınız” diyor. Bu durum da öğrenen yazılımı bu iş için biçilmiş kaftan haline getiriyor. Yorumlanabilir öğrenme Derin sinir ağları (derin öğrenme), görüntü ve konuşma algılama gibi alanlar da dahil olmak üzere örüntü algılamada hızlı ilerlemelerin önünü açtı. Ancak onların binlerce iç içe geçmiş, doğrusal olmayan denklemlerinin sonuçları genellikle şeffaf değil. Sterzing, “Otonom araçların sürülmesi veya bankacılık ile sigorta sektörlerindeki otomatikleştirilmiş kararlar gibi çok sayıda yeni uygulama sadece yasal nedenlerden dolayı olsa bile kapsamlı kurallar gerektiriyor” diyor. Bu yüzden onun ekibi sinir ağları üzerindeki çalışmalarının dışında yorumlanabilir öğrenme üzerine yaptıkları araştırmalarla ilerlemeye devam ediyor. Bu programlar genetik algoritmalar yardımıyla aynı zamanda bir hayli karmaşık sistemleri ve makineleri de kontrol etmeyi öğrenebilir. Bu sistemler prensip olarak karmaşıklık seviyesi özgürce değiştirilebilir denklemlerle ilgili olduklarından kurallarını yorumlamak derin sinir ağlarındakilere kıyasla çok daha kolaydır. Milyonlarca denklem analiz ediliyor Sterling, “Siemens’te mühendislik uzmanlığının oluşturulması ve geliştirilmesinin 170 yıldan uzun bir tarihi var. Bize sistemler hakkında bu kadar ayrıntılı bir bakış açısı veren ve karşılıklı ilişkileri kavrayarak onlardan optimum kontrol sistemlerinin geliştirilmesinde faydalanmamızı sağlayan işte bu upuzun tarihtir” diyor. Bu biriktirilmiş uzman bilgiler son derece güçlü genetik algoritmaları parametrelerle ifade etmekte çok kullanışlı. Sterlingz’in araştırma grubundaki Ernst-von-Siemens bursiyeri olan doktora adayı Daniel Hein, “Başlangıçta bu durum ortaya pek çok faydasız çözüm çıkarıyor. Ancak bu çözümlerden bazıları diğerlerine kıyasla minimum seviyede daha iyi sonuçlar veriyor. Bir sonraki aşamada ise en üstün olan sonuçlar yeniden birleştiriliyor ve tekrar daha da iyi sonuçlar elde ediliyor” diyor. Evrim sürecinde olduğu gibi burada da en iyi çözümler yavaş yavaş ortaya çıkıyor. Sonuçta ortaya sinir ağlarınınkilere benzer sonuçlar üretebilen ve şeffaf kuralları olan bir kontrol programı çıkıyor. Bu noktaya gelmek en azından bir derin sinir ağının modelini çıkarmak ve onu eğitmek kadar zor bir iş. Birbirine paralel çalışan sayısız sunucu üzerindeki bir bulutta milyonlarca denklem haftalar boyunca analiz ediliyor ve tekrar birleştiriliyor. Ancak kesinlikle canlı şeylerin milyonlarca yıl boyunca kendilerini çevrelerine genetik olarak uyarladıkları doğadaki evrimden çok daha hızlı. Sinir ağları ve yorumlanabilir öğrenme elele Sterzing’in bakış açısına göre sinir ağlarıyla yorumlanabilir öğrenmenin her ikisinin de uygulamaya bağlı olarak değişen kendilerine has marifetleri var. Aslında bu iki yöntemi birleştirmek de mümkün. Örneğin bir rüzgar çiftliği gibi bir sistemin nasıl çalıştığını gösteren sistem tanımlayıcı veri modelleri bir sinir ağındaki hesaplama süreçleriyle üretilebiliyor. Oysa kontrol çözümleri de yorumlanabilir öğrenmeyle yaratılabilir. Sterzing yapay zekadaki bu derin bilgi birikiminin ister servis veya verimlilik artırımı ya da tasarım aşamasında olsun değer zincirinde yer alan pek çok alanda meyve vereceğinden çok emin. Siemens bugün her türlü karmaşık sistemi üretiyor. Bunlar arasında trafik kontrol sistemleri, endüstriyel otomasyon sistemleri, tıbbi teşhis sistemleri var. Yapay zekanın her yerde kullanılması olası. Udluft, “Yakın bir gelecekte verilerle kendini fazlasıyla eğitmiş bir makine sıfır modelinden çok daha değerli olacak. Akıllı olanlar makul fiyatlarda satılırken artık hiç kimse ‘aptal’ olan cihaz ve sistemleri satın almak istemeyecek” diyor. Gelecek daha yeni başlıyor!;


İLGİNİZİ ÇEKEBİLİR

Yorum Yaz




Veri politikasındaki amaçlarla sınırlı ve mevzuata uygun şekilde çerez konumlandırmaktayız. Detaylar için veri politikamızı inceleyebilirsiniz.