Makine Öğrenmesi – Machine Learning (ML) tanımlanacak olursa matematiksel ve istatistiksel işlemler ile veriler üzerinden çıkarımlar yaparak tahminlerde bulunan sistemlerin bilgisayarlar ile modellenmesine verilen addır. Yapay zeka biliminin bir alt dalı olarak geçer. İçerisinde birçok metot ve algoritma yapısı barındırır. Elinizde bulunan bir veri kümesi hakkında ilginç çıkarımlarda bulunmanıza yardımcı olacak algoritmalar oluşturur.
Gelişmekte olan teknolojiler arasında bulunan makine öğrenmesi terminolojiye yeni kavramlar katarak kullanıma sunmuştur. Bu kavramlara bakacak olursak;
•Denetimli – Gözetimli Öğrenme (Supervised Learning)
•Yarı Denetimli Öğrenme (Semi Supervised Learning)
•Takviyeli Öğrenme (Reinforcement Learning)
•Denetimsiz – Gözetimsiz Öğrenme (Unsupervised Learning)
Bu kavramların ifade ettikleri şeyleri kısaca açıklamak gerekirse;
- Denetimli Öğrenme: Girdi verileri ile çıktı verileri arasında bir bağlantı kurulur. Eğitim verileri de bu iki veriden oluşur
- Denetimsiz Öğrenme: Bir sınıflandırma barındırmayan verilerin girdi verisi olarak kullanılması ile oluşturulur.
- Yarı Denetimli Öğrenme: Etiketlenmemiş büyük miktarda veri ile etiketlenmiş küçük miktarda veri kullanılarak oluşturulan öğrenme tekniğidir.
- Takviyeli Öğrenme: Öğreticinin (Agent) gereken durumlarda müdahalesinin bulunduğu öğrenme tekniğidir.
Bu tekniklerin endüstride nerelerde kullanılabileceğine baktığımız zaman ortaya sonu olmayan bir liste çıkartabiliriz. Çünkü sahada yer alan makinelerden veri toplama işlemi sırasında, bu verileri sisteme dahil etme sürecinde, tahmin edilebilir bakım yöntemlerinde, cihaz durumu görüntülemede, optimizasyon ve kendini tamir uygulamalarında, gerçek zamanlı algoritmalar eşliğinde elde edilen veriler ile hem kendi kendine öğrenme işlemi devam ederken hem de olası durumların sonuçları hakkında size bilgi vermesi sağlanabilir.
Görüntü işleme teknolojisinde de aktif bir şekilde kullanılan makine öğrenmesi algoritmaları sayesinde endüstride hem verimlilik artışı hem de maliyet azalmasını görmemiz hiç beklenmeyen bir sonuç değil. Bir örnekle açıklayacak olursak; bir seramik karo üretim tesisinde nihai ürün üzerinde bulunan kılcal kırıklar ısı yalıtımında kullanılan bu maddenin yalıtımdaki rolünü oldukça güçsüz kılmaktadır.
Bu sorunun önüne geçmek için ürünün üretildiği esnada konveyör bant üzerine yerleştirilecek Xray özellikli bir kamera sayesinde hangi üründe kılcal kırık olduğu tespit edilebilir. Bu aşamada daha önceden belirtilen kılcal kırık resminden farklı bir kırık deseni oluşuyor ise sistemin bunu da tespit ederek ondan sonraki tüm testlerinde yeni kırık desenini de göz önünde bulundurmasını sağlar. Bir başka bakış açısıyla, oluşan kırık parça eğer bir düzen halinde oluşuyorsa – örneğin her 10 parçada 1 kırık tespit ediliyor – sistem bunu öğrenerek test yoğunluğunu o şekilde değiştirebilir.
Yapay zeka teknolojilerinin hızlı bir şekilde hem hayatımıza hem de endüstriye dahil olmaya başladığı bir dönemden geçmekteyiz. Bu döneme ayak uydurarak yapay zeka tekniklerini ve makine öğrenmesi algoritmalarının bünyesine dahil edecek olan fabrikalar rakiplerinin önüne hızlıca geçecektir.