bluesyemre

Yapay Zeka (AI), “zekasını” bir veri kümesini analiz edip örüntüleri saptamasıyla kazanır. Bu veri kümesi dışında bir kavramı yoktur ve bu çeşitli tehlikeler yaratır.

Değiştirilmiş bir piksel, AI sistemini şaşırtarak bir atı kurbağa sanmasına veya daha korkuncu, tıbbi bir teşhiste veya robotlu operasyonda hata yapmasına neden olabilir. Yapay zekanın sadece veri kümelerine dayanıyor olmasının ciddi güvenlik riskleri de vardır. Kötü niyetli aktörler, veride küçük ve neredeyse fark edilemeyecek değişimler oluşturarak AI algoritmasını kandırabilir. Son olarak, AI sistemi neyi bilmediğini bilemez ve yüksek bir güvenle yanlış tahminler yapabilir.

Daha çok veri eklemek her zaman bu sorunların üstesinden gelemez çünkü pratik meseleler ve teknikler veri miktarını her zaman kısıtlar. Büyük veri kümelerini işlemlemek daha da büyük AI modelleri gerektirir. Bu modeller mevcut donanımların kapasitesini aşıyor ve AI karbon ayak izini sürdürülemez şekilde artırıyor.

Buna alternatif bir çözüm belirledik: veri temelli AI’yı uygulamanın alanı konusunda diğer bilimsel veya insani girdilere bağlamak. Bu çözüm, University of California’da  Center for Information Technology Research in the Interest of Society (CITRIS) ve Banatao Enstitüsü’nde akademişyenler ve iş yöneticileriyle birçok uygulama için AI kullandığımız yirmi yıllık deneyimlere dayanıyor. Bunu yapmanın dört yolu vardır.

1. AI’ı Bilimsel İlkelerle Buluşturun

Mevcut verileri ilgili fizik, kimya ve biyoloji yasalarıyla birleştirerek her birinin güçlü yönlerinden yararlanmak ve zayıf yönlerinin üstesinden gelmek mümkündür. Bunun bir örneği Komatsu ile devam eden bir projemizdir. Burada, ağır kazı ekipmanlarının otonom ve verimli çalışmasına rehberlik etmek için yapay zekanın nasıl kullanılacağını araştırıyoruz. AI, makineyi çalıştırmada başarılıdır, ancak çevredeki ortamı anlamada o kadar iyi değildir.

Dolayısıyla, AI algoritmasında kazılan alandaki yumuşak toprak, graviye ve sert kayayı ayırt edebilmesi için parçacıkların büyüklük, dağılım, sertlik ve su miktarı özelliklerini tarif eden fizik temelli modeller kullandık. Bu bilginin yüklendiği AI temelli makine, toprağı doğru miktarda kuvvetle verimli ve güvenli bir şekilde kazabiliyor. Buna benzer şekilde, robotik bir ameliyat kolunun operasyonunda da AI kullanıyoruz ve bunu derinin ve dokunun ne zaman deforme olacağını tahmin eden fizik temelli bir modelle birleştiriyoruz. Toprak veya doku olsun, her iki durumda da veri ve fizik temelli modelleri birleştirmek operasyonu daha güvenli, daha hızlı ve daha etkili kılıyor.

2. Veriye Uzman İnsan İçgörülerini Ekleyin

Mevcut veri sınırlı olduğunda insan sezgileri AI’ın “zekasını” geliştirmek ve iyileştirmek için kullanılabilir. Örneğin, ileri düzey üretim alanında yeni bir ürün geliştirmek için gereken yeni “süreç tariflerini” geliştirmek oldukça pahalı ve zorludur. Yeni süreçlerle ilgili veriler kısıtlıdır veya mevcut değildir. Dolayısıyla, bu tür verileri üretmek birçok deneme yanılma girişimi gerektirir, aylar sürebilir ve milyonlarca dolara mâl olabilir.

Son teknoloji ürünü mikro elektronik üretim tesisleri işleten lider yarı iletken ekipman üreticisi Lam Research‘e göre, daha etkili bir yol insanların ve yapay zekanın birbirini güçlendirmesi ve desteklemesidir. Son derece deneyimli mühendisler genellikle sıfırdan başlayarak, yaklaşık olarak doğru bir tarife ulaşmakta başarılı olur. AI da bu süreçte sürekli olarak veri toplar. Mühendisler tarifi hazırladıktan sonra ince ayarla hassas bir optimizasyon yapmak için yapay zekayı görevlendirebilir. Bu tür teknikler, verimlilikte bir büyüklük mertebesi artıracak kadar iyileşme sağlayabilir.

3. AI’ın Nasıl Karar Verdiğini Açıklayan Araçlar Kullanın

Bilim kurgu romanı Otostopçunun Galaksi Rehberi’nde en akıllı bilgisayarın “hayat, evren ve her şeyin anlamına” dair cevabının 42 olması birçok okuyucuyu güldürmüştür. Ancak, işletmeler için ortada gülünecek bir mesele yoktur, çünkü AI çoğu zaman nedenini açıklamadan kendinden emin tavsiyelerde bulunarak bir kara kutu gibi işler. AI’ın karar verme yolu açıklanabilir değilse, eyleme dökülemez. Sezgisel bir açıklaması olmadığında bir doktor tıbbi bir teşhiste bulunmamalı veya bir mühendis önemli bir altyapı parçasını kapamamalıdır.

Örneğin, sensörlerin binlerce rüzgar türbininin bütünlüğünü izlediği akıllı bir altyapı uygulaması üzerinde çalışıyoruz. Bu verileri analiz eden AI algoritması, artan sıcaklık veya titreşim yoğunluğu modelini tespit ettiğinde bir tehlike işareti verebilir. Peki bu ne anlama geliyor? Sadece sıcak bir gün mü yoksa başıboş bir rüzgar mı? Yoksa ekibin hemen dışarı çıkarılması gibi pahalı bir işlem mi gerekiyor ?

Bizim çözümümüz, türbin malzemesindeki fiziksel baskıyı ölçen fiber-optik sensörler eklemekti. Böylece mühendisler AI’ın verdiği uyarıyla beraber türbin kolundaki gerçek baskıyı kontrol ettiğinde durumun gerçekten ne kadar acil olduğunu belirleyebiliyor ve en güvenli düzeltme eylemini seçebiliyor.

4. Davranışları Tahmin Eden Başka Modeller Kullanın

Veri temelli AI, işlemlediği veri kümesinin sınırları içinde iyi çalışır, gerçek gözlemler arasındaki davranışları analiz eder, yani enterpolasyon yapar. Ancak, ekstrapolasyon yapmak, yani mevcut verinin dışındaki operasyon modlarındaki davranışları tahmin etmek için ilgili alandaki bilgiye ihtiyaç vardır. Aslına bakılırsa, bir jet motoru gibi karmaşık bir sistemin operasyonunu kopyalamak için birçok uygulamada “dijital ikiz” adlı bu yaklaşım uygulanır. Dijital ikiz, gerçek bir sistemin tam durumunu her an kopyalayan dinamik bir modeldir. Sensörler vasıtasıyla model gerçek zamanlı olarak güncellenir.

Siemens Teknoloji ile yürüttüğümüz akıllı binalar için dijital ikizler konulu projemizde bunu etkin bir şekilde kullandık. Binanın normal işleyişini modellemek ve kontrol etmek ve ayrıca sorunları teşhis etmek için veri temelli AI kullandık. Ardından, binanın davranışını yeni bir ortamda tahmin etmek için iklimlendirme sistemine ve yaşam alanlarına ısı akışını izleyen temel termodinamik denklemler gibi fiziğe dayalı denklemleri birleştirdik. Bu yaklaşımı kullanarak, farklı ısıtma veya soğutma ekipmanlarıyla veya olağandışı hava koşullarında çalışırken binanın davranışını tahmin edebiliyoruz. Bunu yapmamız, önemli altyapıyı veya kullanıcılarını tehlikeye atmadan alternatif işletim modlarını denememizi sağladı. Akıllı üretim, inşaat ve otomobiller veya uzay araçları gibi otonom araçlar dahil olmak üzere bu yaklaşımın diğer uygulamalarda da işe yaradığını gördük.

İnsanlar olarak etrafımızdaki dünyayı duyularımızı beraber kullanarak anlarız. Buhar çıkan bir fincan verildiğinde rengi, kokusu ve tadından bunun çay olduğunu hemen anlarız. Uzmanlar bir adım ileri giderek bunun bir Darjeeling çayı olduğunu anlayabilir. AI algoritmaları belirli veri kümeleriyle eğitilirler ve bizim gibi başka duyuları olmadığından bu verilerle sınırlı kalırlar. Sadece kahve fincanı görüntüleriyle eğitilmiş bir AI aynı fincanı gördüğünde bunun kahve olduğu sonucuna varabilir. Daha da kötüsü, bunu yüksek bir eminlik düzeyiyle yapar!

Veri kümeleri hiçbir zaman tamamlanamaz. Giderek büyüyen veri kümelerini işlemlemek pratik veya çevresel olarak sürdürülebilir değildir. Bunun yerine, ilgili alanla ilgili başka tür anlayışlar eklemek veri temelli AI’ı daha güvenli ve daha verimli kılabilir ve ayrıca başka türlü ele alamayacağı zorlukları çözmesini sağlayabilir.

https://hbrturkiye.com/blog/yapay-zekayi-gelistirmek-daha-cok-veriden-ibaret-degildir