Günümüz dünyasında gelişmiş şirketlerin çoğu iş süreçlerinde makine öğrenmesi teknolojilerini kullanıyor. Yapay zekânın (AI) bir alt kümesi olan makine öğrenmesi; kaynakların optimizasyonu, gelir akışlarının takibi, dijital görevlerin yönetimi gibi pek çok işlemin algoritma temelli yazılımlar tarafından gerçekleştirilmesini sağlıyor. Bunun için öncelikle uzman bir yazılımcının makine öğrenme modelinin oluşturulması, eğitilmesi ve optimize edilmesi gibi görevleri yerine getirmesi gerek. Oysa otomatik makine öğrenmesi (AutoML) teknolojisi bu süreci oldukça basitleştirebilir. Çünkü AutoML yazılımları herhangi bir uzman olmasına gerek olmadan, en etkili modeli otomatik olarak seçip eğitebilir.

Peki otomatik makine öğrenmesi tam olarak ne anlama geliyor? Şirketlere ne gibi artılar sağlıyor? Gelin bu soruların yanıtlarına birlikte bakalım.

Otomatik makine öğrenmesi (AutoML) nedir?

Otomatik makine öğrenmesi (AutoML), makine öğrenimi (ML) modellerinin seçilmesi, uygulanması ve veri bilimi işlemlerini otomatikleştiren yazılım platformlarının kullanıldığı teknolojilerdir. Algoritmalar yazılım tarafından otomatik olarak oluşturulduğu için bir uzman tarafından kodlama gerektirmez. Geleneksel makine öğrenmesine göre çok daha hızlı olduğundan veri bilimi uzmanlarına önemli ölçüde zaman kazandırabilir. Dahası, elle yapılan kodlama işlemlerine çok daha doğru güvenilir sonuçlar elde edebilir.

Otomatik veri öğrenmesi süreci temelde 5 aşamadan oluşur. Bunlara sırayla göz atalım.

• Veri ön işleme: Eksik verilerin doldurulması, düzenlenmesi ve ölçeklendirme gibi temel veri hazırlama süreçleri otomatikleştirilir.
• Model seçimi: AutoML yazılımı, farklı makine öğrenme algoritmaları arasından çeşitli faktörlere göre en uygun modeli otomatik olarak seçer.
• Hiper parametre ayarı: Modeller eğitilirken bunların performansını belirleyecek olan farklı hiper parametrelerin optimize edilmesi gerekir. Modellerde hiper parametre kümelerinin çalıştırılmasıyla model yapısı, işlevi ve performansı oluşturulur.
• Model optimizasyonu: Modellerin performansını geliştirmek ve eğitim parametrelerini optimize etmek için çeşitli teknikler uygulanır.
• Değerlendirme: Eğitilen modelin performansı çapraz doğrulama gibi farklı metrikler yoluyla değerlendirilir.

Şirketlere ne gibi faydalar sağlıyor?

Otomatik makine öğrenmesi yazılımları birçok karmaşık iş sürecini kendi başına yönetebilir. Örneğin envanter yönetimi, doküman işleme, maliyet takibi gibi arka ofis işlemlerini optimize edilebilir. Tedarik zinciri verilerini gerçek zamanlı olarak izleyebilir. Üstelik veri bilimcilerin veri kümesinde en iyi performansa sahip modeli bulmak için defalarca deneme yanılma yapmasına gerek bile kalmıyor.

AutoML sayesinde şirketler veri setini otomatik olarak işleyebildiklerinden zamandan ve bütçeden büyük oranda tasarruf ediyorlar. Modeller yazılım aracılığıyla çok kısa bir süre içinde seçilerek defalarca kez test edilebiliyor. Bu da veri bilimcinin modelleri seçmek, eğitmek ve optimize etmek yerine daha farklı işlere odaklanması için bir fırsat.

Otomatik makine öğrenmesinin diğer bir kazanımı da güvenilirlik. Geleneksel makine öğrenmesinde veri bilimci tarafından manuel olarak gerçekleştirilen analizler sistem tarafından yapıldığından hata payı daha düşük. Bu sayede yüksek doğruluk oranları elde edilebiliyor.

SOCAR Türkiye olarak biz de makine öğrenmesi teknolojileriyle ilgili gelişmeleri çok yakından takip ediyoruz. Teknolojinin birçok alanında olduğu gibi bu alandaki dijital yeteneklerimizi de sürekli olarak geliştirmeye odaklanıyoruz. Bu kapsamda SOCAR Türkiye Ar-Ge ve İnovasyon bünyesinde Bir autoML aracı olan SmartXSensor’ü geliştirdik.

SmartXSensor; model kurma, veri ön işleme gibi özelliklerinin yanı sıra sahip olduğu değişken seçme algoritması sayesinde diğer autoML yazılımlarına kıyasla üstün bir performans sergiliyor. Yüksek tahminleme yeteneğine sahip makine öğrenmesi modelleri için en uygun değişkenleri otomatik olarak seçerek çok sayıda sensör ile izleme gerektiren proseslerde model geliştirmeyi önemli ölçüde kolaylaştırıyor.

“SmartXSensor; model kurma, veri ön işleme gibi özelliklerinin yanı sıra sahip olduğu değişken seçme algoritması sayesinde diğer autoML yazılımlarına kıyasla üstün bir performans sergiliyor.”

DCU Kok Çıktısı Optimizasyonu projesiyle ise ham petrolün en yoğun kısmını 2 ana ürün grubuna dönüştüren DCU ünitesinin süreçlerini modellemek için 500'den fazla farklı sensörden gelen 3 yılı aşkın büyük verileri analiz etmeyi başardık. Bu geçmiş verileri 17 adet son teknoloji makine öğrenimi modelini ve bunların üzerinde bir optimize ediciyi eğitmek için kullandık. Yapay zekâ tarafından desteklenen veriye dayalı karar verme sürecini ise hem iş seviyeleri hem de mühendisler tarafından önemli stratejik kararlar almak için uyarladık. Gelişmiş analitik modelleri, mühendislerin DCU ünitesi verimliliğini optimize etmesine ve mühendislere sürekli değişen rafineri koşulları altında ileriye dönük tahminlerle ünitenin proaktif kontrolünü sağlamasına olanak tanıdı. Projemiz böylece kok çıktısını %2 azaltarak, kapasite kullanımını %1 oranında artırdı, LPG kalite hedefinin ise %100 oranında karşılanması sağlandı.

Dijital Transformasyon ekibimizin ileri analitik ve makine öğrenmesi tekniklerini kullanarak oluşturdukları optimizasyon modeli, üretim sürecini kolaylıkla takip ediyor, verileri gerçek zamanlı olarak topluyor. Ayrıca verileri işleyerek simülasyonlar gerçekleştiriyor ve süreçte görev alan personelimize sistem üzerinde yapabilecekleri iyileştirmeleri sunuyor. Bu şekilde bekleme süresi kısaltılırken gerçek zamanlı ve veriye dayalı karar verme mekanizmaları da işletilmiş oluyor.

Sektörünün öncüsü ve gelecek odaklı bir enerji şirketi olarak Ar-Ge ve inovasyon alanındaki güncel gelişmeleri takip etmeye, faaliyet alanlarımıza yönelik yenilikçi çözümler üretmeye devam edeceğiz. Çünkü biz bugünün sorumluluğuyla daima yarına kalıcı bir değer bırakmak için çalışıyoruz.