Akademi 4.0 Dijital Dönüşüm, Eğitim ve İnovasyon Platformu

Dijital Organizasyon Dönüşümü

Fri, 20 May 2022 20:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, IT Strategy & Governance Manager Gökmen Eriş olacak.

Teknolojinin, verinin ve organizasyon yapılarının dönüşümü, süreçlerin doğal bir parçası haline gelirken, insan becerilerinin dijital yeteneklere dönüşümü ise değişimin en belirleyici faktörü olacaktır.

Dijital dönüşüm çağında, değişen insan yeteneklerini ve organizasyon yapılarını konuşacağımız etkinliğimize hemen ücretsiz kayıt olun.

Cloud Computing

Fri, 20 May 2022 13:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu Konzek Teknoloji Kıdemli Yazılım Geliştiricisi Farzam Khojastehnia olacak ve bizlere Cloud Computing (Bulut Bilişim) teknolojisini anlatacak.

Cloud Computing ya da ülkemizde bilindiği şekliyle Bulut Bilişim teknolojisinin özellikleri nelerdir? Bulut Bilişimin hizmet modelleri nasıldır? SaaS, IaaS, PaaS nedir? Bulut sistemlerin güvenliği nasıl sağlanır? Bulut Bilişim hangi alanlarda kullanılmaktadır ve sağladığı avantajlar nelerdir? sorularına yanıt bulacağımız etkinliğimize katılmak için hemen ücretsiz kayıt olun!

Süreçlerin ve Fonksiyonların Dönüşümü

Thu, 12 May 2022 12:00:00 GMT

Dönüşümde teknoloji araçtır, önemli olan bu dönüşümün süreçlere ve fonksiyonlara yansımasıdır. Bu açıdan dijital dönüşüm raporları “5 temel bileşen” üzerine odaklanmayı tavsiye ediyor: insan, veri, analiz, eylem ve sonuç! En temel belirleyici bileşen olan insan, “çalışanlar, tedarikçiler ve müşterilere erişim” olarak özetlenebilir. Çalışan, “sadece temel sorumlulukları değil, her rolün gerektirdiği kişilik, davranış ve yetenekleri içermesi” açısından dönüşüme uğramalıdır. Tedarikteki dönüşüm, “yeni kampanyalar, stok planlama ve lojistik optimizasyonunu" ve “teşvikten müşteriye yakınlık ve hizmete kayan perakende çalışma modelini" içermelidir. Müşteri ise, “ödediği karşılığında beklediğinden fazlasını ve ek yararları bedel ödemeden alan” olduğunda sadakat kazanıyor.

Belirleyici temel bileşen olarak “değerli verileri tutma” çabası, “çalışanlara, tedarikçilere ve müşterilerle etkileşimlerin" erişilebilir kayıtlarının tasnifidir. Bu tasniflerin analiz edilmesi ise; “doğru uzmanlık ve araçlarla verilere anlam verme” şeklinde fikir, model ve tahmin üretmeyi başarabilir. İnsan, veri ve analizlerle ancak “eyleme dönüştüren sağlam bir plan” yapılabilir. Şüphesiz bu plan, “becerileri, süreçleri ve dönüşümün yönetimini birlikte ele almalıdır." Çünkü beklenen “sonuç” buna bağlıdır. Ana hedef olan süreçlerin ve fonksiyonların dönüşümüyle, “ekiplerini ve kurumlarını geleceğe hazırlama ve daha iyi bir gelecek” inşası gerçekleşebilir.

Bu açıdan yöneticiler, “tüm bileşenleri anlayan ve artı değer hedefi ile hareket eden” yol haritasıyla yeniden konumlanmaya odaklanıyor. Kurumlarını ve çalışanlarını etkileyecek İş 3.0’ı algılamak için insana, işe ve iletişime yeni bir bakış geliştiriyor. Çünkü, bu trendin “insan”a ve “iş”e bakışı tamamen farklı! İnsana bakış; “aylık maaş sistemleri, hiyerarşik yapılar, iç süreçler, sabit iş gücü gibi tek tipleşmiş fonksiyonlara” yer vermiyor ve insanı odağa alan çalışan deneyimi tasarımları” ile yeni yaklaşımlar oluşturuyor. Her kurumun kendi çalışan kitlesine, çalışan ihtiyaçlarına göre kendine özgü çalışma sistemini kurmasını tavsiye ediyor. İş bakışı ise; tedarikçiler, çalışanlarla ilişkiler ve operasyonları bir “ekosistem” marifetiyle çözüme kavuşturmayı önceliyor.

Beklenen dönüşüm, “teknolojinin gelişimiyle yenilikçi stratejileri hızlandırmak ve işletmeyi gelecekteki büyüme için konumlandırma” çabası olarak önem taşıyor. Burada kritik nokta; “kurumlar işe katma değer kazandırırken, daha düşük finansal harcama için stratejik maliyet optimizasyonu”na yönelmesidir. Böylelikle; “iş hedeflerine uygunluk, maliyet, işlevsellik, ölçeklenebilirlik ve entegrasyon” gibi kurumlara etkinlik ve verimlilik sağlayan adımlar atılıyor.

Teknolojik dönüşümün süreçlere ve fonksiyonlara yansıması, insan ve iş yaklaşımındaki trendler, “işle ilgili süreçleri değil; takım çalışmasını ve iletişimi desteklemek amacıyla sosyalleşmeyi” de ön plana çıkarıyor. Çalışma ortamını çekici kılmak ve çalışanın performansını artırıcı hamleler yapmak hedeflerin yakalanması için hassas alanlar oluyor. Bunun için hibrit yaklaşımları kolaylaştıran politikalar ve süreçler oluşturmak için birimlerin birlikte çalışması önem kazanıyor. Birlikte çalışma arttıkça, özellikle “lider iletişimi, marka yönetimi, katılım, çeşitlilik ve kontrol konuları daha çok değerleniyor. Bilgi, somut yeteneklere dönüştükçe teknolojik dönüşüm de insanı ve yetkinliklerini yeniden ilk sıraya alıyor.

No title

Thu, 12 May 2022 00:00:00 GMT

Programın Kapsamı

Girişimci olmak isteyenlerin, projelerini hayata geçirmeleri ya da devam eden projeleri için ihtiyaç duyacakları mentorluk

Yapay Zekâ Kullanımındaki Yenilikler

Fri, 25 Mar 2022 15:00:00 GMT

Yapay zekâ uygulamaları son yıllarda çeşitli sektörlerde aktif olarak kullanılmaya başlandı. Üretim süreçleri de yapay zekâdan güç alan uygulamaları tercih ediyor. Otomasyonu destekleyen bu uygulamalar, her sene değişiyor ve gelişiyor. 2022 yılı yapay zekâ trendleri şu şekilde sıralanabilir.

Otonom Araçlar

Yakın gelecekte uçan arabaları göremeyecek olsak da araç teknolojilerinde önemli gelişmeler yaşandığını görebiliriz. Otonom araçlar, sürücüleri devre dışı bırakarak tam sürüş kontrolüne izin veriyor. Yapay zekâdan destek alan otonom araçlar, güzergahı gerçek zamanlı olarak değerlendiriyor. Gerçek zamanlı veri işleme sayesinde araçlar istenilen rotada sorunsuz bir şekilde hareket ediyor. Günümüzde sürücü kontrolü tamamen devreden çıkmamış durumda. Ancak yapay zekânın güçlenmesi otonom araçlarının yaygınlaşmasını destekleyecek gibi görünüyor.

Metaverse ve Yapay Zekâ

2021 yılının son ayları ve 2022 yılının ilk ayları Metaverse ile geçti. Facebook’un şirketini Meta olarak değiştirmesi ve yeni Metaverse evrenini yayınlaması herkes için farklı bir deneyim sunacak. Bu yeni evren hem geleneksel teknolojilerden hem de yapay zekâ gibi yeni teknolojilerden güç alıyor. Arttırılmış gerçeklik öğeleriyle de desteklenen bu yeni evren ilerleyen yıllarda popülerlik kazanmaya devam edecek.

Veriye Dayalı Öğrenen Sistemler

Veriye dayalı öğrenen sistemler, yapay zekânın üretim alanında uygulaması olarak karşımıza çıkıyor. IoT olarak bilinen nesnelerin interneti, fabrika ve işletmelerde bağlı cihazlara izin veriyor. İnternet üzerinden haberleşen makinalar ve cihazlar sayesinde tüm tesisten veri toplamak mümkün oluyor. Toplanan bu verilere göre performans ve verimlilik değerlendirmeleri gerçekleştiriliyor. Yapay zekâ bu noktada verileri inceleyerek çeşitli hata ve performans desenlerini ortaya çıkarıyor.

Arttırılmış İş Gücü

Yapay zekânın üretim alanındaki diğer bir yansıması ise arttırılmış iş gücü olarak karşımıza çıkıyor. Arttırılmış iş gücünün amacı, yapay zekânın sunduğu verilerden faydalanarak yüksek verimliliğe sahip süreçler tasarlamaktır. Gelecek yıllarda insan ve makinaların bir arada performans gösterdiği alanlar görmek mümkün olacak. Özellikle üretim süreçlerinde bu iş birliği daha açık şekilde görülecek. Robotlardan destek alan insanlar, verimlilik alanında önemli başarılar elde edebilirler. Bu noktada yapay zekâ ile insanların bir arada çalıştığı bir üretim ortamından bahsetmek mümkün olabilecektir.

Karanlık Fabrika Nedir?

Fri, 18 Mar 2022 11:00:00 GMT

Teknolojide yaşanan gelişmeler fabrikaların ve diğer üretim tesislerinin dönüşüm geçirmesine yol açıyor. Özellikle IoT (nesnelerin interneti) ve yapay zeka uygulamaları sayesinde fabrikalardaki insan gücünü tamamen ortadan kaldırmak mümkün. Karanlık fabrika adı verilen teknoloji destekli yapılar, üretim sürecinde insan müdahalesini ortadan kaldırıyor.

Birçok durumda üretim sürecine insanların dahil olması hatayı beraberinde getiriyor. İnsan kaynaklı hataların en aza indirilmesi için süreçlerin otomatikleştirilmesi önem taşıyor. Otomatikleştirilmiş süreçler hatayı en kısa sürede tespit ederek gerekli önlemlerin alınmasına izin veriyor. Aynı zamanda insan faktörünün ortadan kaldırılması, makinaların kesintisiz olarak çalışmasına da imkan sağlıyor.

Karanlık Fabrika Fikri İlk Ne Zaman Ortaya Çıktı?

Günümüzde teknolojiden destek alsalar da karanlık fabrika kavramı eskilere dayanıyor. Bu kavram ilk olarak 1784 yılında Oliver Evans tarafından ortaya atıldı. Delaware’de ilk denemeleri gerçekleştiren Evans, yenilikçi bir değirmenle süreçleri otomatik hale getirmeyi denedi. 21. yüzyıla geldiğimiz zaman karanlık fabrika uygulamalarının sanayide yaygın olarak kullanıldığını görüyoruz.

Karanlık Fabrika Nasıl Oluşturulur?

İşletmeler ve üretim tesisleri karanlık fabrika uygulamasına ilgi göstermeye başladı. Bu gibi uygulamalara karşı ilginin artmasının ana nedeni, üretim sürecinde insan faktörünün ortadan kaldırılması. Tamamen otomatikleştirilebilen üretim süreçleri sayesinde bir tesisten en yüksek verim elde edilebiliyor.

Bir karanlık fabrika oluşturmak için insan içeren tüm süreçlerin makinalar tarafından yapılabilir hale getirilmesi gerekiyor. Aslında bu tür fabrika uygulamaları bir tür otomasyon süreci olarak ele alınabilir. İlk aşamada bağlı cihazlar oluşturarak cihazlar arasındaki iletişimi sağlamak gerekir. Daha sonra veri toplama ve toplanan verilerin işlenmesiyle, öğrenen cihazların oluşturulması mümkün olur.

Karanlık Fabrikalar Hangi Avantajları Sunar?

Karanlık fabrikaların sunduğu bazı avantajlar şu şekilde sıralanabilir:

Tüm süreç otomatikleştirildiği için üretim sürecinde baştan sona şeffaflık sağlanır.
Üretim süreçlerinde ortaya çıkan insan kaynaklı hatalar tamamen ortadan kaldırılır.
Üretim süreçlerinin verimliliği arttırılır.
Üretilen ürünlerin kalitesi arttırılır.
Kapsamlı veri toplama ve raporlama sayesinde ortaya çıkabilecek tüm hatalar anlık olarak tespit edilebilir.
Arıza giderme süreçleri geleneksel fabrika yapılarına göre daha kısa ve etkindir.
İş kazaları gibi istenmeyen ve olumsuz sonuç doğuran durumların önüne geçilir.

MERN Bootcamp 5 Nisan'da Başlayacak!

Mon, 14 Mar 2022 11:00:00 GMT

Konzek Teknoloji profesyonelleri tarafından yazılım dünyasına girmek isteyen ve henüz tecrübesi olmayanlar için tamamen gönüllülük esasına dayalı bir MERN Bootcamp planlandı.

MERN Nedir?

MERN; MongoDB, Express, React, Nodejs'in baş harflerinden oluşturulmuş bir kısaltmadır. Temel HTML/CSS ve Javacsript dilleri ile bir MERN geliştiricisi olabilirsiniz.

Eğitim Programı Ne Zaman Başlayacak?

5 Nisan'da başlayacak eğitim programı 7+1 hafta sürecek. 7 Haftalık eğitim +1 hafta online iş görüşmesi ile tamamlanacak. Eğitimler Konzek Teknoloji profesyonelleri tarafından verilecek. İş görüşmesi simülasyonu ise yöneticilerle gerçekleştirilecek.

Bootcamp'e Nasıl Katılabilirim?

Eğitimlere katılmak için temel olarak aşağıdaki konularda bilgi sahibi olmanız beklenmektedir.

• HTML/CSS ve Javacsript

• Frontend (React)

• Backend (Node/Express)

• Database Management (MongoDB)

• Version Control (Git)

• Operating Systems (Linux/Mac/Windows)

• Virtualization

Detaylar için https://www.konzek.com/bootcamp sayfasını ziyaret edebilirsiniz.

Dijital Dönüşüm Zirvesi - Akademi 4.0 & Beykent Üniversitesi

Fri, 25 Feb 2022 13:00:00 GMT

Beykent Üniversitesi ve Akademi 4.0’ın iş birliği ile düzenlenen Dijital Dönüşüm Zirve'sinde, Endüstri 4.0 ve Yapay Zekâ teknolojileri ele alınacak.

Konzek Teknoloji ve Dataguess Teknoloji profesyonellerinin yer alacağı zirveye katılım ücretsizdir.

Katılmak için: https://linktr.ee/ogrencidekanligi

Etkinlik Programı

13.00 – 13.45 Fabrikalarda Dijital Dönüşüm – Erdal Baş, CEO Konzek Teknoloji
14.00 – 14.45 Endüstri 4.0 ve Yapay Zekâ – Yunus Altunbıçak, CEO Dataguess Teknoloji
15.00 – 15.45 Örneklerle Üretimde Yapay Zekâ – Uğur Canbaz, Proje Satış Direktörü
16.00 – 16.45 Yapay Zekâ Projesinin Sahaya Uygulanması – Eren Taş, Co-Founder Dataguess Teknoloji

Detaylı bilgi için: info@akademi40.org

Yapay Zekâdaki Son Gelişmeler

Fri, 18 Feb 2022 17:00:00 GMT

2022'de yapay zekânın insanlığın şimdiye kadar geliştirdiği en köklü teknoloji olma yolunda devam ettiğini göreceğiz. Google CEO'su Sundar Pichai'ye göre, yapay zekânın gelişimimiz üzerindeki etkisi, ateş veya elektrikten bile daha büyük olacak. Bu söylem çok iddialı gibi görünebilir ancak iklim değişikliğiyle mücadele etmemize, uzayı keşfetmemize ve kanser için tedaviler geliştirmemize yardımcı olmak için zaten yapay zekâ kullanıldığını düşünürsek, bu teknolojinin potansiyeli açıkça orada.

Makinelere karar verme yeteneği kazandıran ve dolayısıyla karar vermenin insanlar tarafından hiç olmadığı kadar hızlı ve doğru bir şekilde gerçekleşmesini sağlayan etkinin tam ölçeğini şu anda kavramak çok zor. Ancak emin olabileceğimiz bir şey var ki, 2022'de atılımlar ve yeni gelişmeler ile mümkün olanın sınırları zorlanmaya devam edecek. 2022'de bu atılımların gerçekleşeceği kilit alanlar ise şunlar olabilir:

Artırılmış İşgücü

Makinelerin veya robotların insan işçilerin yerini alacağı ve hatta bazı rolleri gereksiz kılacağı korkusu her zaman olmuştur. Bununla birlikte, şirketler ekipleri içinde veri ve yapay zekâ okuryazarlığı kültürünü oluşturma sürecinde. Yakın gelecekte yeteneklerimizi ve becerilerimizi geliştirmek için akıllı ve bilişsel işlevsellik kullanan makinelerle birlikte çalışırken kendimizi bulacağız. Pazarlama gibi bazı işlevlerde, hangi potansiyel müşterilerin takip etmeye değer olduğunu ve potansiyel müşterilerden ne gibi bir değer bekleyebileceğimizi belirlememize yardımcı olan araçları kullanmaya zaten alışkınız. Yapay zekâ araçları, mühendislik rollerinde, tahmine dayalı bakım sağlayarak bize yardımcı oluyor ve makinelerin ne zaman servise veya tamire ihtiyaç duyacağını önceden bize bildiriyor. Hemen hemen her meslekte, işimizi daha verimli yapmamıza yardımcı olabilecek akıllı araçlar ve hizmetler ortaya çıkıyor. 2022'de çoğumuz bu çalışmaların günlük hayatımızın bir parçası olduğunu keşfedeceğiz.

Daha İyi Dil Modelleme

Dil modelleme, makinelerin anladığımız dilde bizimle iletişim kurmasını ve hatta doğal insan dillerini alıp bunları programları ve uygulamaları çalıştırabilen bilgisayar koduna dönüştürmesini sağlayan bir süreçtir. Yakın zamanda, makinelerin dili işlemek için kullanabileceği yaklaşık 175 milyar "parametreden" (değişkenler ve veri noktalarından) oluşan, şimdiye kadar oluşturulmuş en gelişmiş (ve en büyük) dil modeli olan GPT-3'ün OpenAI tarafından piyasaya sürüldüğünü gördük. OpenAI'nin daha da güçlü olarak oluşturulacak halefi GPT-4 üzerinde çalıştığı biliniyor. Ayrıntılar doğrulanmamış olsa da, bazıları 100 trilyona kadar parametre içerebileceğini ve bu da onu GPT-3'ten 500 kat daha büyük hale getirebileceğini, teorik olarak dil yaratmaya ve insanlardan ayırt edilemez konuşmaları sürdürmeye büyük bir adım daha yaklaştırdığını tahmin ediyor.

AI ve Metaverse

Metaverse, kullanıcıların birlikte çalışabileceği ve oynayabileceği dijital ortama verilen addır. Bu, internet gibi sanal bir dünyadır, ancak genellikle kullanıcıların kendileri tarafından oluşturulan avatarlar ile sürükleyici deneyimleri etkinleştirmeye vurgu yapar. Mark Zuckerberg, sanal gerçeklik teknolojisini Facebook platformunun sosyal temelleri ile birleştirerek onu yaratmaktan bahsettiğinden beri konsept sıcak bir konu haline geldi. AI şüphesiz metaverse'in bir mihenk taşı olacaktır. İnsanların yaratıcı dürtülerini beslerken kendilerini evlerinde hissedecekleri çevrimiçi ortamlar yaratmaya yardımcı olacaktır.

Yeni Nesil Çalışma

Wed, 09 Feb 2022 15:00:00 GMT

Yeni Nesil Çalışma

Birkaç sene önce uzaktan çalışma adete bir lüks olarak nitelendiriliyordu. Pandemi ile birlikte çalışanların hayalini kurduğu evden çalışma bir anda gerçek oldu. Peki çalışanların istediği çalışma modeli tam olarak böyle miydi? Markalar çalışanlarını memnun edebilmek için yeni nesil çalışma modellerine yöneliyor.

Giderek artan sayıda şirket, hibrit ve yeni uzaktan çalışma modellerini kalıcı bir seçenek olarak görmeye başladı. Salesforce, "9'dan 5'e olan iş günleri öldü" diyerek çalışanların tekrar ofise gelip gelmemelerini seçmelerine izin vereceğini duyurdu.

Twitter ve Square, çalışanların sonsuza kadar evden çalışmasına izin verirken, Spotify çalışanlarına her yerden çalışabilme kolaylığı sunuyor.

Bu aynı zamanda kuruluşların yalnızca çalışanlarının nerede kalmayı tercih ettiğini, ve ya gelecekte neyin gerekli olduğunu düşünmek için pandemiyi kritik bir an olarak kullanarak tesislerin karbon ayak izine bakmaları için de bir fırsattır.

Modellerden bazıları şunlardır:

Hibrit 3/2 modeli: 2 gün evde olmak üzere 3 gün ofiste veya 3 gün evde olmak üzere 2 gün ofiste çalışma şeklidir. Bu, kuruluşların “kişiden kişiye” kültürünü korumasını sağlar. Bu, insandan insana bağlantının faydalarını koyup güçlendirirken, teknolojiyi ve uzaktan çalışmanın hem faydalarını hem de üretkenlik artışlarını etkinleştirir ve geliştirir.

Her yerden çalışma modeli: Bu, çalışanların tam zamanlı olarak ofiste mi, tam zamanlı evde mi yoksa ikisinin bir kombinasyonunda mı olmak istediklerini seçmelerine olanak tanır ve ayrıca konumlar arasında esneklik sağlar, böylece çalışanlar ülke ve şehri seçebileceklerdir.

Uzmanlar, bu iş modellerinin gelecekteki tüm iş modellerinin temelini oluşturacağına inanıyor. Çalışanlara daha fazla kolaylık sağlamak için bu modellerin her birinde iyileştirmeler yapılmaktadır. Ayrıca, çalışanların iş tercihlerinin mevcut durumlarına göre değişmeye devam edeceğine inanıyorlar. Bazıları uzaktan çalışmaya devam edecek olsa da, bir kısmının aşı olduktan sonra göreve dönmesi bekleniyor. Elbette, birkaçı hala hibrit çalışma modelinin faydalarını savunmaya devam edecek.

Tensorflow ile CNN Mimarisi

Sat, 05 Feb 2022 16:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, Backend Developer Fethi Tekyaygil olacak.

Etkinliğimizde Convolutional Neural Network'ün ne olduğunu, bileşenlerini ve nasıl çalıştığını anlayacak, Tensorflow kullanarak yüklediğiniz resimleri sınıflandıracak bir Bir CNN modeli geliştireceğiz.

Detaylı bilgi: info@akademi40.org

Metaverse Nedir?

Wed, 19 Jan 2022 12:00:00 GMT

Metaverse, Meta ve Universe olmak üzere iki farklı kelimenin bir araya gelmesiyle oluşan bir terimdir. Temelde dijital nesneleri ve dijital insanları içeren dijital bir alandır. Sosyal medya, artırılmış gerçeklik (AR), sanal gerçeklik (VR), çevrimiçi oyun ve kripto para birimleri dahil olmak üzere çeşitli teknolojilerin özelliklerini birleştiren varsayımsal bir kavramdır. Metaverse, kullanıcıların sosyalleşebilecekleri, alışveriş yapabilecekleri, farklı aktiviteler gerçekleştirebilecekleri ve yeni şeyler öğrenebilecekleri sanal bir dünyadır.

"Metaverse" terimi, Yazar Neal Stephenson'a aittir. 1992 tarihli bilim kurgu romanı “Snow Crash”te insanları farklı sanal gerçeklik ortamlarında (ör. gerçekçi 3D binalar) buluşturan ve avatarlar olarak görselleştiren oydu.

Bir bakıma Metaverse fikri, Minecraft, Fortnite ve Roblox dahil olmak üzere birçok çevrimiçi oyun platformunda mevcut. İnsanlar sanal bir dünyada bir araya gelip etkileşime girdiğinden, Microsoft Teams veya Zoom gibi uygulamalar bile bir Metaverse biçimi olarak adlandırılabilir fakat Metaverse, sanal gezilerden konserlere ve konferanslara kadar insanları bir araya getirmek için daha geniş bir dijital alan konseptidir.

Facebook ve Microsoft, terim ve konsepti yeniden markalaştırdığı için şu anda sıcak bir konu haline gelmektedir. Bu en popüler iki kuruluş, Metaverse kavramını sonuna kadar kullanmaya odaklanmaktadır.

Metaverse'de Magic Leap gözlüğünüzü veya Oculus başlığınızı takacak ve ziyaret etmek istediğiniz şehre taşınacaksınız. Sanal şehir turlarına katılabilir, turistik yerlere göz atabilir, en iyi restoranlarda nelerin pişirildiğini görebilir ve aynı anda sevdiğiniz şeyleri bir gün ziyaret ettiğinizde eyleme dönüştürülebilir bir seyahat programına ekleyebileceksiniz.

Meta veri deposu, tüm bu bağlantılı deneyimlerin bir arada var olması için dijital altyapıyı sağlamak adına büyük ölçüde sanal gerçekliğe ve artırılmış gerçekliğe dayanacaktır.

Campus 4.0 - İstanbul Üniversitesi Cerrahpaşa Bilgisayar Kulübü

Fri, 24 Dec 2021 14:00:00 GMT

Akademi 4.0 ve İstanbul Üniversitesi Cerrahpaşa Bilgisayar Kulübü iş birliği ile düzenlenen Campus 4.0 etkinliğinde, Yapay Zekâ ve Endüstri 4.0 teknolojilerini konuşacağız.

Etkinlik Programı

24 Aralık 2021 Cuma

14:00 – 14:45 Yapay Zekâ ve Görüntü İşleme - Yunus Altunbıçak CEO | Dataguess Teknoloji

15:00 – 15:45 Örneklerle Üretimde Yapay Zekâ - Uğur Canbaz, Marka Müdürü | Konzek Teknoloji

Dijital Dönüşüm ve Yeni Nesil Yönetişim

Wed, 22 Dec 2021 21:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, IT Governance Turkey Kurucusu Cantekin Ertekin olacak.

Dijital Dönüşüm ve Yeni Nesil Yönetişim modelleri hakkında konuşacağımız etkinliğimize davetlisiniz.

Detaylı bilgi: info@akademi40.org

2022 Yılında Popüler Olacak Meslekler

Fri, 17 Dec 2021 15:00:00 GMT

Teknolojinin gelişmesi ile beraber karşımıza çok farklı meslek dalları ve iş tanımları çıkıyor. 2022 yılında adını sıkça duyacağımız meslekleri sizler için derledik;

Yapay Zekâ Uzmanları

Son zamanlar sıklıkla duyduğumuz yapay zekâ artık hemen hemen her sektörde vazgeçilmez hale gelerek hem günlük yaşantımıza hem de iş yaşantımıza dahil olacak.

Yapay zekâ hakkında kısa bir tanım yapmak gerekirse;

Yapay zekâ, genellikle insan zekâsıyla ilişkili görevleri yerine getirmek için karmaşık algoritmaların kullanılmasını içeren özel bir bilgisayar bilimi türüdür. Yapay Zekâ’nın fakrlı sektörlere girmesiyle beraber bu alanda özel bilgi birikimi isteyen Yapay Zekâ Uzmanlarına önümüzdeki yıllarda ihtiyaç artacaktır.

Yapay Zekâ Uzmanı olarak ihtiyaçlar doğrultusunda yapay zekâ modelleri oluşturarak ve geliştirerek ürün yöneticileri ve paydaşlar gibi beraber çalıştığınız birimlere bu modelleri kullanmanın faydalarını aktarabilirsiniz.

Büyük Veri Uzmanları

Büyük Veri Uzmanları, mevcut şirketinin çalıştığı alan hakkında detaylı bilgiye sahip olarak veri akışını belli bir sisteme göre analiz etmelidir. Büyük Veri Uzmanları analiz odaklı olmalı, verileri doğrulamak, sıralamak, ilişkilendirmek gibi bir takım verileri etkili bir şekilde değerlendirmelidir. Analitik, Makine Öğrenimi, IoT, Robotik Süreç Otomasyonu ve Yapay Zekâ işletmeler için kökten değiştirici ve büyük veri ile ilişkili teknolojilerdir. Büyük veri uzmanı olmak için istatistik ve lineer cebir alanlarında bilgi sahibi olmak gereklidir.

Dijital Dönüşüm Uzmanları

Endüstri 4.0 ile başlayan dijitalleşme sürecinde şirketlerin dijital dönüşüm süreçlerine liderlik edecek yeni bir kadro ortaya çıkmıştır. Dijital Dönüşüm Uzmanları işletmelerin performanslarını yükseltmeleri için ihtiyaç duydukları dijital araçlara ve çözümlere odaklanır.

Dijital Dönüşüm Uzmanlarının en büyük rolü şirketin dijital dönüşüm sürecini yöneterek rakiplere karşı bu alanda rekabet gücü sağlamaktır. Dijital Dönüşüm süreci tüm şirketi ilgilendirdiği için uzmanların bu süreçte direnç ile karşılaşması olası bir ihtimaldir.

Blokzincir Mühendisliği

Son yıllarda sıkça duyduğumuz blokzincir günlük hayatımıza hızlı bir giriş yaptı ve önümüzdeki günlerde bir meslek kolu olarak hayatımıza dahil olmaya hazırlanıyor.

Blokzincir mühendisleri neler yapabilir?

Blokzincir mühendisleri teknoloji firmaları ve veri hizmeti veren firmalar için kurumsal blokzincir çözümleri oluşturur ve uygular. Bu uygulamalar öncesinde, analiz ve alt yapı çalışmalarını gerçekleştirir, şirketin ihtiyaçlarını belirler.

Blokzincir mühendisliğine adım atmadan önce temel terimsel bilgilere sahip olmanız gerekmektedir, daha sonrasında çalıştığınız kuruma nasıl fayda sağlayacağınız üzerinde uzmanlaşabilirsiniz.

Veri Bilimciler

Çok yeni bir meslek dalı olmasada önümüzdeki yıl Veri Bilimi popüler meslekler arasında yer almaya devam edecek. Veri bilimciler, büyük yapılandırılmış ve yapılandırılmamış veri kümelerini toplayan ve analiz eden büyük veri avcılarıdır. Bir veri bilimcisi bilgisayar bilimi, istatistik ve matematiği birleştirir. Verileri analiz eder, işler ve modeller, ardından sonuçları yorumlar ve bu veriler ile bir yol haritası çizer.

Veri bilimcisi olmak ilginizi çekiyorsa aşağıdaki soruları yanıtlayabilirsiniz;

Matematik, istatistik, bilgisayar bilimi, yönetim bilgi sistemleri alanlarında diplomanız var mı?
Yukarıda saydığımız alanlardan herhangi birinde iş deneyiminiz var mı?
Büyük veri, veri toplama ve analizine ilgi duyuyor musunuz?
Yaptığınız işte detaycı ve titiz misiniz?
Problem çözmeyi sever misiniz?
Sözlü ve yazılı iletişiminiz kuvvetli mi?
Becerilerinizi geliştirmek ve yeni zorlukların üstesinden gelmek istiyor musunuz?

Yukarıdaki sorulardan çoğu evetse Veri Bilimi alanında keyifle çalışabilirsiniz.

Dijital Sohbetler | NFT 101

Fri, 26 Nov 2021 16:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu Konzek Teknoloji Proje Satış Direktörü Uğur Canbaz olacak.

NFT nedir?
NFT ile neler yapabiliriz?
Gelecekte NFT ile neler yapabileceğiz?

Sorularına yanıt arayacağımız etkinliğimize davetlisiniz.

Detaylı bilgi: info@akademi40.org

AutoML ile Neler Yapılabilir?

Mon, 15 Nov 2021 12:00:00 GMT

En kısa tanımı otomatik makine öğrenimi, makine öğrenimi modeli geliştirmenin zaman alan, yinelemeli görevlerini otomatikleştirme sürecidir. AutoML ile veri bilimi akışının bölümleri otomatikleştirebilirsiniz.

AutoML, Otomatik Makine Öğrenmesi veri hazırlama, model seçimi, model hiper parametreleri ve model parametreleri üzerinde sınırsız sorgulama yapmadan otomatik olarak Makine Öğrenimi çözümleri üretmektir.

Son yıllarda popüler bir konu haline gelen AutoML yapay zeka kullanarak tekrarlanabilir ve açıklanabilir sonuçlara daha hızlı erişim sağlamaktadır. Makine Öğrenimi ile model geliştirmek için çok fazla kaynak ve model üretip karşılaştırmak gerekir. AutoML ile bu süreyi azaltarak daha verimli sonuçlar elde edebilirsiniz.

AutoML’in amacı veri bilimcilerin yerini almak değildir. AutoML ile veri bilimcilerin iş yükü hafifleyecektir. AutoML ile tekrarlayan ve zaman alan örneğin model seçimi ve parametre ayarlama gibi görevler otomatikleştirilecektir.

AutoML'nin otomatikleştirebileceği makine öğrenimi sürecinin örneklerini aşağıda görebilirsiniz;

AutoML iki ana konuya odaklanmıştır bunlar Veri Toplama ve Tahmindir. Diğer tüm adımlar otomatikleştirilmiştir.

Gelecekte AutoML

AutoML makine öğrenimini daha erişilebilir hale getirecektir. AutoML ile algoritmalar gerçek dünya senaryolarına uygulanırken süreçler otomatikleştirilir. İnsanlar için çok zaman alan öğrenme süreci AutoML ile kısaltılır.

AutoML veri biliminde yeni bir trend ve gelecek vaad eden bir teknoloji olarak görülmektedir. Veri bilimcilerin zamanlarını verimli kullanması ve başka sorunları odaklanmasını kolaylaştıracak olan AutoML veri bilimcilerin optimum düzeyde verim odaklı çalışmalarına katkı sağlayacaktır.

AutoML makine öğrenmesinin geleceğidir.

KOBİ’lerin Endüstri 4.0’a Bakışı

Fri, 12 Nov 2021 16:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, MMO İstanbul Şube Müdür Yardımcısı Özgür Aksu olacak.

KOBİ’lerin Endüstri 4.0’a bakışını ve Endüstri 4.0’a uyum sağlarken nelere dikkat etmeleri gerektiğini konuşacağımız etkinliğimize davetlisiniz.

Detaylı bilgi: info@akademi40.org

Değer Önerilerini Tanımlayan Endüstri 4.0 Stratejisi

Thu, 04 Nov 2021 12:00:00 GMT

Siparişlerini yetiştirmek için yapılan yatırım ile maliyetleri düşürmek için yapılan yatırımın farkı önemlidir. Çünkü, rekabet gücünü artıran çözümler ya hız ya da verimlilik katarak güç oluşturur. Hız katan çözümler otomasyon sistemleri olarak gündeme gelirken, verimlilik katan çözümler ise yüksek teknoloji kapsamında değerlendirilir. Hem hız hem de verimlilik sağlayan çözümler ise “sistem ve teknoloji uzmanlığı” ister ve yüksek bir birikim ve tecrübe gerektirir.

Endüstriyel otomasyon sistemleri ile kaliteli işlerin daha hızlı üretilmesi “kârı artıran” bir faktördür. Dijital dönüşümle verimliliği ve optimizasyonu hedefleyen üretimlerin gerçekleşmesi ise maliyetleri düşürerek “karlılığı artıran” faktördür. Her iki faktöre odaklanan firmaların öncelikle endüstri 4.0 seviyesini yükseltmesi gerekir.

Günümüzde “akıllı fabrika” kapsamında yapılan kurulumlar sistem ve teknoloji bütünlüğünü kapsadığı için katma değer oluşturuyor. Bu katma değeri sağlayan uzmanlığın önemi de giderek artıyor. Bu önemin farkında olan firmalar, Endüstri 4.0 hedefleri için gerekli teknolojik yetkinlikleri “pazar”, “ürün”, “süreç” ve “değer ağı” kriterlerine göre tanımlıyor. Dijital dönüşüm sürecini; vizyon, yol haritası ve proje oluşturma olarak üç aşamada gerçekleştiriyor. Bu aşamaları tamamlayan KOBİ’ler; dijital işler, ileri imalat yöntemleri, enerji ve ileri elektronik alanlarında iş birliği yapabiliyor.

Sistem ve teknoloji uzmanlığı, iş birliği kapasitesi olan firmaların inovasyon kabiliyetlerini geliştirmeyi hedeflediği için tüm kaynakları ihtiyaçlar doğrultusunda optimize etmeyi başarıyor. Son on yılda “dijital dönüşüm” ve günümüzde “yeşil ekonomi” trendlerini bu optimizasyonu başaran firmalar değerlendirmektedir. En hızlı büyüyen firmalar Fast 50 ya da TOBB 100 incelendiğinde bu daha net görülmektedir. Pandemide krizi fırsata çeviren firmalar da bu optimizasyonu sağlayan firmalar olmuştur.

Katma değer üretme adına endüstriyel otomasyon, robotik uygulamalar, otonom sistemler ve veriye dayalı yönetişim gibi dijital dönüşüm örnekleri incelendiğinde, sistem ve teknoloji uzmanlığının Endüstri 4.0 sürecine verdiği katkı net olarak görülür. Burada önemli olan sanayi-üniversite ve sanayi-sivil toplum iş birlikleriyle bu know-how'ın kümelenmeye yön vermesidir. TÜBİTAK ve KOSGEB tarafından verilen destekler bu süreci geliştirmek için verildiği taktirde sıçrama yaşanabilir. Savunma sanayi bunun açık örneğidir.

Bu sıçramanın diğer sektörlere yansıması için, savunma sanayindeki sistem ve teknoloji uzmanlığının diğer sanayilere transferi gerekiyor. Bu transferi; ihtiyaçlarını müşteri gruplarına göre tespit etmiş, projelerini önceliklendirmiş, değer önerilerinin tanımlandığı Endüstri 4.0 stratejisini belirlemiş ve buna göre yeni iş modelleri geliştirmiş KOBİ’ler başarabilir. Bu başarının teminatı için geleceğin Endüstri 4.0 risklerini de dikkate alan sistem ve teknoloji uzmanlığı değerlendirilmelidir.

Campus 4.0 - Ankara Üniversitesi Yapay Zeka ve Görüntü İşleme Topluluğu

Wed, 03 Nov 2021 11:00:00 GMT

Akademi 4.0 ve Ankara Üniversitesi Yapay Zeka ve Görüntü İşleme Topluluğu iş birliği ile düzenlenen Campus 4.0 etkinliğinde, Yapay Zekâ, Veri Bilimi ve Endüstri 4.0 teknolojilerini konuşacağız.

Etkinlik Programı

3 Kasım 2021 Çarşamba

11:00 – 11:45 Görüntü Sınıflandırma için Evrişimli Sinir Ağları - Dr. Öğr. Üyesi Yılmaz Ar | Ankara Üniversitesi, Bilgisayar Mühendisliği Bölüm Başkan Yardımcısı

12:00 – 12:45 Veri Bilimi ve Yapay Zekâ İlişkisi - Doç. Dr. Semra Gündüç | Ankara Üniversitesi, Mühendislik Fakültesi Dekan Yardımcısı

4 Kasım 2021 Perşembe

14:00 – 14:45 AutoML Nedir? Örnekleri Nelerdir? – Eren Taş, Deep learning and AI Developer | Dataguess Teknoloji

15:00 – 15:45 Örneklerle Üretimde Yapay Zekâ - Uğur Canbaz, Marka Müdürü | Konzek Teknoloji

Endüstri 4.0'da Kariyer

Thu, 14 Oct 2021 13:00:00 GMT

Yazılım ve teknoloji dünyasında çalışan olmayı, Konzek Teknoloji profesyonellerinden dinleyin!

Etkinlik sırasında sizlere sürpriz hediyelerimiz de olacak! 🎁

14 Ekim 2021

1. Gün

13:00 - 13:25

Yazılım Dünyasında Yönetici Olmak

Yunus Altunbıçak, CTO

13:30 - 13:55

Endüstri 4.0’da Kalite Yönetimi

Selen Çelikel, Kalite Güvence Müdürü

14:00 - 14:25

Endüstri 4.0 Dünyasında Satış

Uğur Canbaz, Proje Satış Direktörü

14:30 - 14:55

Proje Satış Mühendisi kimdir?

Serhat Duman, Proje Satış Mühendisi

Uğur Tiğre, Proje Satış Mühendisi

15 Ekim 2021

2. Gün

13:00 - 13:25

Veri Bilimcisi Olmak

Eren Taş, Data Scientist, Co-Founder

13:30 - 13:55

Proje Mühendisliği

Ferda Aksu, Proje Mühendisi

Uğur Duman, Proje Mühendisi

14:00 - 14:25

Ar&Ge Ekibinden Tavsiyeler

Farzam Khojestahnia, Çözüm Mühendisliği Yöneticisi

14:30 - 14:55

Full-Stack Developer Ne Yapar?

Sinan Yaman, Full-Stack Developer

Robotik ve Endüstri 4.0

Thu, 23 Sep 2021 16:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, Kocaeli Sağlık ve Teknoloji Üniversitesi Öğretim Üyesi Dr. Cengiz Deniz olacak.

Robotların Endüstri 4.0'daki yeri ve robotikte yeni nesil uygulamaları konuşacağımız etkinliğimize davetlisiniz.

Detaylı bilgi: info@akademi40.org

E - Dönüşüm

Thu, 16 Sep 2021 21:30:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, E-dönüşümcü, Danışman, Eğitmen Okan Dedeoğlu olacak.

E-Dönüşüme nereden başlanmalı? E-Dönüşüm bir gereklilik mi? Sorularına yanıt arayacağız.

Detaylı bilgi: info@akademi40.org

Lojistik 4.0

Mon, 28 Jun 2021 16:30:00 GMT

Üretim sistemleri müşteri beklentilerini göz önüne alarak ürün ve hizmet üretimi odaklı çalışırken Lojistik ve Tedarik Zinciri Yönetimi üretilen ürün ve hizmetlerin müşterilere ulaştırılması için tüm tedarik fonksiyonlarını yerine getirmektedir. İki sektör birbiri ile yüksek bir bağımlılık düzeyine sahiptir.

Günümüzde üretim ve lojistik faaliyetleri arasında gerekli entegrasyon ve koordinasyonun sağlanması önemli bir rekabet avantajıdır. Endüstri 4.0 teknolojilerinin lojistik süreçlere uygulanması sonucu Lojistik 4.0 kavramı ortaya çıkmış ve bu kavram ürünün üretilmeye başladığı ilk nokta ile tüketildiği son nokta arasında gerçekleşen tüm faaliyetlerin izlenebilirlik, verimlilik, ekonomiklik ve sürdürülebilirlik ilkeleri ile yürütülmesini sağlamakta ve gerekli entegrasyonu yüksek düzeyde ortaya çıkarmaktadır.

Endüstri 4.0'ın Bileşenleri, Sektörlere Ve Topluma Etkisi

Fri, 25 Jun 2021 16:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, Aydınlı Grup’ta Endüstri 4.0 İletişimcisi, Proses & Business Developer Aysun Vatansever Kanlı olacak.

Bir devrim olarak nitelendirilen Endüstri 4.0 ve bileşenlerinin topluma ve iş hayatına yansıyan etkilerini konuşacağız.

Fabrikalarda Dijital Dönüşüm

Mon, 21 Jun 2021 16:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, Dijital Dönüşüm / Endüstri 4.0 UzmanıCan Murat Kumuz olacak.

Endüstriyel üretimde 4. çağın konuşulduğu bu dönemde, ülkemizdeki fabrikaların öncelikle 3. çağa geçişinin hızlanması için etkin ve kararlı bir stratejinin ortaya konması gerekmektedir. Fabrikaların 3. çağı yakalaması için izlemeleri gereken yolları konuşacağımız etkinliğimize sizleri bekliyoruz.

Yalın Yapmak mı Yalın Olmak mı?

Thu, 10 Jun 2021 19:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, Yalın Dönüşüm Koordinatörü Hakan Acar olacak.

Yalın, bitmeyen uzun bir yolculuktur ve yaşama adaptasyonu için kararlılık, sabır gerekir. Yalın Dönüşüm Felsefesi’nin tanınması, hayatımız içinde uygulanması ve sürdürülebilirliğinin sağlanması sistematik kalkınmanın olmazsa olmaz kuralıdır.

Bu etkinliğin amacı, yalın düşünce prensiplerinin anlaşılması, israfa bakış açısının değişmesi, sürekli gelişim felsefesinin benimsenmesi ve değişen şartlara hızlı adapte olma yeteneğinin kazanılması yeteneklerinin bireyin kendinden başlayarak tüm topluma entegre olmasına katkı sağlamaktır.

Etkinliğimize ücretsiz kayıt olun.

Endüstri 4.0 ve Yapay Zeka | Akademi 4.0 & 3 EMP

Fri, 28 May 2021 14:00:00 GMT

3 EMP ile birlikte 28-29 Mayıs tarihleri arasında düzenleyeceğimiz Endüstri 4.0 ve Yapay Zeka etkinliğimizde, Konzek Teknoloji'den Yunus Altunbıçak, Uğur Canbaz ve Dijital Dönüşüm Danışmanı Alper Gerçek ile birlikte "Endüstri 4.0 ve Yapay Zekâ Teknolojileri" hakkında konuşacağız.

Etkinlik Detayları

28 Mayıs 2021, Cuma

AIoT ve Edge Computing

Yunus Altunbıçak, CTO, Konzek Teknoloji

Etkinlik Saati: 14.00 – 15.00

Üretimde Yapay Zeka

Uğur Canbaz, Marka Müdürü, Konzek Teknoloji

Etkinlik Saati: 15:15 – 16:15

🔗 Canlı Yayın Bağlantısı

29 Mayıs 2021, Cumartesi

Dijital Dönüşüm ve Kariyerim

Alper Gerçek, Dijital Dönüşüm Danışmanı

Etkinlik Saati: 14.00 – 15.00

🔗 Canlı Yayın Bağlantısı

Etkinliklerimizden haberdar olmak için bültenimize kaydolun. 👇

Google I/O 2021: Yapay Zekâ, Smart Canvas, Android 12 ve Daha Fazlası

Fri, 21 May 2021 10:46:00 GMT

18-20 Mayıs tarihleri arasında gerçekleşen Google I/O etkinliğindeki göze çarpan yeniliklerin kısa özeti.

Smart Canvas

Google, Workspace ofis yazılımı için ürünler arasında çalışmayı kolaylaştıracak yeni bir girişim olan smart canvas'ı duyurdu.

Özellikler arasında, diğer Workspace uygulamalarına bağlanmanıza ve doğrudan Google Docs, Google Sheet ya da Google Slide üzerinde görüntülü görüşme başlatmanıza olanak sağlayacak.

LaMDA

Language Model for Dialogue Applications adlı konuşma dili modeli geliştirilmesinden bahsedildi.

LaMDA, GPT-3 ve BERT dahil olmak üzere yakın zamanda geliştirilen diğer yapay zekâ dil modelleri gibi, Google Research'ün 2017'de çıkardığı ve açık kaynaklı sinir ağı mimarileri üzerinde inşa edilmiştir.

Google Chrome Parola Yöneticisi

Mevcutta kullandığınız parola yöneticilerinden direkt import edebileceğiniz, Google ve Android kullanıcıları için de daha derin şifre yöneticisi entegrasyonu geliyor.

İlk olarak Android'de kullanıma sunulacak.

Andorid 12 (Beta)

Android 12'nin tam sürümünden ve yeni Material You tasarımına yönelik gelişmelerden bahsedildi.

Henüz beta aşamasında ve son kullanıcıya hitap edebilecek çok fazla detay yok. Ancak ilk genel beta sürümüyle birlikte Google, Android işletim sisteminde oldukça önemli bir güncellemeyi açıkladı. Örneğin, tamamen yeni bir UI, gizlilik özellikleri ve geliştirmeleri olacak.

WearOS ve Tizen

Samsung ve Google, giyilebilir teknoloji için işletim sistemleri tarafında, WearOS ve Tizen ile güçlerini birleştirdi.

Daha hızlı ve stabil uygulamalar, kalp atış hızı izleme, uzun ömürlü pil ve daha fazla geliştirici topluluğu, bu birlikteliğin artı yönlerinden bazıları.

Geliştiriciler, bir platform için uygulamalar oluşturacak ve uygulamaları Play Store'da yayınlayabilecek.

Ayrıca, Google'ın sahip olduğu Fitbit'in platformunu bu yılın sonlarında WearOS'a entegre etmeye başlayacağı da duyuruldu.

Yapay Zeka Destekli Kamera Taraması

Google, tüberküloz taramalarında cilt durumlarını belirlemek için yapay zekâ kullanıyor.

Doğru bir teşhis koymak, telefonunuzun kamerasını cildinizdeki bir şişlik veya kızarıklığa doğrultmak ve birkaç saniye sonra teşhis raporu almak bu kadar basit olabilecek.

Google Fotoğraflar

Google Fotoğraflar için Little Patterns isimli yeni bir yapay zekâ özelliği geliyor.

Örneğin, çektiğiniz fotoğrafları benzer neesnelerle eşleştirerek bunları bellirli bir albümde gruplandırabilecek.

Google ayrıca fotoğraf görüntüleme deneyiminizi de geliştirmeyi hedefliyor. Yapay zekâ kullanarak animasyonlu bir görüntü oluşturmak için iki benzer fotoğrafı kullanan sinematik fotoğraflar oluşturabilecek.

Görmek istemediğiniz ve anılarınızdan kaldırmak istediğiniz fotoğrafları da birbirleriyle ilişkilendirebilecek. Tarkan'dan geliyor: "Yak bütün fotoğrafları..." 😃

Google Haritalar

Google Haritalar'a, kullanıcılara çevrelerindeki işletmeler hakkında daha fazla bilgi, önemli noktalara daha net yönlendirmeler ve hatta belirli alanların ne kadar meşgul olduğuna dair veriler sağlayacak bir dizi AR (Artırılmış Gerçeklik) tabanlı araç eklediğini de duyurdu.

Google IO 2021 keynote summary #GoogleIO #GoogleIO2021 #sketchnotes #sketchnoting pic.twitter.com/GyKTM5jfLu
— Lara Martín (@lariki) May 18, 2021

👋 Android 12 Beta. #GoogleIO pic.twitter.com/rEkDzCMLPJ
— Google (@Google) May 18, 2021

Veri ve Analizi Anlamak

Fri, 21 May 2021 19:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, Data Science Earth Kurucusu Çağrı Aksu olacak.

İnsanoğlunun serüveni içerisinde geldiğimiz noktada hayatı ve dünyayı daha iyi hale getirmenin anahtarı veriyi, analizi ve analist yaklaşımını anlamaktadır. Bu kavramları birlikte anlamaya çalışacağımız etkinliğimize ücretsiz kayıt olun.

Endüstri 4.0 ve Dijital Dönüşüm

Tue, 18 May 2021 14:00:00 GMT

18 Mayıs 2021 Salı günü, saat 14.00'te Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin bu haftaki konuğu Gürcan Banger olacak.

Etkinlikteki bazı konu başlıkları şu şekilde;

Endüstri 4.0 Nedir?
Endüstri 4.0 ve Dijital dönüşümün getirdikleri
4.Sanayi Devrimi

Yapay Zekâ ve Endüstri 4.0 - Gebze Teknik Üniversitesi Bilgisayar Topluluğu

Sat, 08 May 2021 14:00:00 GMT

Akademi 4.0 ve Gebze Teknik Üniversitesi Bilgisayar Topluluğu iş birliği ile düzenlenen Campus 4.0 etkinliğinde, Yapay Zekâ ve Endüstri 4.0 teknolojilerini konuşacağız.

8 Mayıs 2021 Cumartesi

AIoT ve Edge Computing

Yunus Altunbıçak, CTO | Konzek Teknoloji

Etkinlik Saati: 14.00 - 15.00

Üretimde Yapay Zeka

Uğur Canbaz, Marka Müdürü | Konzek Teknoloji

Etkinlik Saati: 15:15 - 16:15

Detaylı bilgi için: info@akademi40.org

Endüstri Uygulamalarının Merkezindeki Teknoloji: Blockchain

Fri, 07 May 2021 09:00:00 GMT

Blockchain teknolojisinin bileşenleri, aslında yıllar öncesinden bilinen ve kullanılan unsurlardır.

Örneğin kriptografi konusunda birçok yeniliği literature kazandıran David Chaum, 80’li yıllarda ilk dijital para projesini hayata geçirmiştir. Nick Zsabo akıllı kontratların (smart contracts) tanımını 90’lı yıllarda yapmıştır. Bitcoin ise merkeziyetsiz yapıda, çifte harcamayı önleyen iş ispatı kavramıyla yeni bir çözüm sunarak blockchain teknolojisinin ilk ürünü olmuştur.

Blockchain 1.0

2009 yılında Bitcoin ile başlayan ve Blockchain 1.0 olarak adlandırılan evre, kripto paraların ortaya çıkışı ve transferleri ile dijital ödemelerin gerçekleştirilmeye başladığı dönemdir.

2015’te Vitalik Buterin’in tasarladığı Ethereum platformu, akıllı kontrat özelliği ile finansal uygulamalarda da kullanılarak blockchain teknolojisini farklı bir boyuta taşımıştır.

Blockchain 3.0

Dijital toplum olarak adlandırılan Blockchain 3.0 ise finansal uygulamaların yanı sıra, yapay zekâ (artificial intelligence) ve endüstriyel nesnelerin interneti (IoT/IIoT) gibi alanlarda yaşanan gelişmelerle; eğitim, yönetim, sanat, sağlık, siber güvenlik, dijital kimlik gibi birçok alanda uygulama alanı bulmaktadır.

Endüstri 4.0

İşte bu noktada, ilk olarak 2011 yılında Almanlar tarafından ortaya atılan Endüstri 4.0 terimini ele almak gerekir; Endüstri 4.0 akıllı donanımlara sahip, yüksek verimlilikle, nicelikten ziyade kalite odaklı üretimi hedeflemektedir. Yüksek işgücü maliyetleri nedeniyle yurtdışına kayan üretim süreçlerini tekrar ülkesine çekmeyi amaçlayan Almanya, bulut bilişim, otonom robotlar, nesnelerin interneti, veri toplama ve analizi, yapay zekâ gibi unsurlarla sistemlerin bütünleşik olarak çalıştırılmasını hedeflemiştir. Bilişim teknolojileri ve endüstri bir araya getirilmektedir; otomasyon, veri paylaşımı ve üretim teknolojileri ile yüksek verimli, çevre dostu yeni hizmet ve iş modelleri geliştirilebilecektir.

Ancak Almanya’nın Endüstri 4.0’ından ilham aldığı söylenen Çin, 2015’te ‘Made in China 2025’i açıklamıştır. Çin’in amacı da imalat merkezi statüsünden dünya teknoloji gücü haline dönüşerek inovasyon merkezi olmak. Made in China 2025 stratejisi 5G, robotik, siber güvenlik, yeni enerji teknolojileri gibi unsurlara dayanıyor.

Yapay zekada da dünya lideri olmaya çalışan Çin, yeni nesil teknolojilerin küresel standartlarını oluşturma planı dahilinde China Standards 2035 üzerinde çalışıyor. Çinli şirketler de blockchainle ilgili patent başvurularında dünya birincisi durumda.

Blockchain teknolojisi yukarıda bahsi geçen yeni nesil teknolojileri de kullanarak dağıtık yapısı, şeffaf ve değiştirilemez olması gibi özelliklerle birçok sektörde uygulanmaya oldukça elverişli. Akıllı sensörler ve IoT tabanlı teknolojilerin blockchain altyapısında kullanımına yönelik birkaç örnek verecek olursak;

Lojistik

Lojistikte blockchain tabanlı uygulamalarla sensörler, belirli bir sıcaklıkta taşınması gereken ürünün, nakliye esnasında maruz kaldığı sıcaklığı kaydediyor. Akıllı kontratlarla sürecin tetiklenmesi ile mal bedeli ya da navlunun ödenmesi, sigortanın devreye girmesi gibi tanımlı süreçler otomatikleştiriliyor. Blockchain sayesinde değiştirilemez veriler ve anlık-tam izlenebilirlik, süreçlerin güvenilirliğini önemli ölçüde arttırıyor.

Trafik Kontrolü

Akıllı şehir uygulamalarında yine sensörlerle trafiğin kontrolü; ambulans, polis gibi geçiş üstünlüğüne sahip araçların kavşaklarda beklemesinin minimizasyonu için yapay zekâ kullanımı, aynı güzergahtaki araçların yine yapay zekâ ile hava ve yol koşullarını paylaşımı ile analizinin sağlanması gibi.

Blockchain sayesinde geçmiş işlemlerin de izi sürülerek, değiştirilemez kayıtlarla, anlık, çok paydaşlı etkileşimlerle süreçler daha güvenilir, hızlı ve kolay gerçekleşiyor. Blockchain teknolojisinin bu avantajlarıyla, Endüstri 4.0 ve diğer teknolojik trendlerin merkezinde olacağı anlaşılıyor.

Veri Bilimi ve İstatistik

Thu, 06 May 2021 19:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, ERP Project Manager Cemile Yıldızçakar olacak.

Veri Bilimi ve İstatistik pek çok bakımdan birbirine yakınlık gösterse de bazı noktalarda keskin ayırımlara sahipler.

İstatistik, nicel ve nitel verileri toplamayı ve yorumlamayı amaçlayan matematik tabanlı bir alandır. Veri Bilimi ise çeşitli biçimlerdeki verilerden bilgi elde etmek için bilimsel yöntemler, süreçler ve sistemler kullanan çok disiplinli bir alandır.

İki disiplin arasındaki en net fark nedir? Veri Bilimi ve İstatistik ilişkisi nasıldır? Sorularına yanıt bulacağımız etkinliğimize hemen ücretsiz kayıt olun.

Cloud and Edge AI Solutions

Tue, 04 May 2021 18:00:00 GMT

Akademi 4.0 ve ODTÜ Yapay Zeka Topluluğu iş birliği ile düzenlenen etkinliğimizde Cloud and Edge AI Solutions hakkında konuşacağız.

Türkiye’de No-Code Edge AI Platform alanındaki ilk girişimlerden olan Dataguess’i Yunus Altunbıçak örneklerle açıklayacak ve katılımcıların sorularını yanıtlayacak.

BiGG Performans Analizi ile Yatırım Ekosistemi Farkındalığı

Tue, 20 Apr 2021 12:00:00 GMT

Girişimcilik Bilgi Sistemi (GBS) verileri kullanılarak gerçekleştirilen BİGG Performans Analizi tamamlandı. TÜBİTAK tarafından açıklanan analiz, 2014-2019 cari yıllarını içeriyor. 2012-2018/2 Çağrı yıllarında kurulmuş 1.231 firmadan 1.178’inin (%95,2) bilgisini içeren analiz sonuçlarına göre; girişimcilerin, teknoloji ve yenilik odaklı iş fikirlerini, katma değer ve nitelikli istihdam yaratma potansiyeli yüksek teşebbüslere dönüştürebilmeleri için, fikir aşamasından pazara kadar olan faaliyet desteklerinin arttığı görülüyor.

Türkiye girişimcilik ekosistemini büyüten ve ihtiyaçlarını analiz ederek geliştiren 1512-Girişimcilik Destek Programı (BiGG) kapsamında, iş fikri başvuru süreci tamamlanan 11 çağrı döneminde toplam 33.093 iş fikri başvurusu alındı.

4.593 iş fikri iş planına dönüşerek 2. Aşama panellerinde değerlendirildi. 1.627 girişimci destek almaya hak kazandı ve 1.519 tekno-girişim firması kurularak firmasını kuran girişimcilere toplamda 291 milyon TL (2021 sabit fiyatlarla) destek sağlandı.

2012-2018/2 çağrı yıllarında kurulmuş 1.231 firmadan 1.178’sinin (%95,2) bilgisi temel alınarak hazırlanan rapora göre; 5 yıl içerisinde toplam 958 milyon TL yurt içi ve yurt dışı satış yapıldı. Satış gelirinin %23,3’ü (223 Milyon TL) yurt dışı satışlardan elde edildi. Kamu desteğinin 3,75 katı kadar satış geliri oluşturdu. BiGG çekirdek sermaye desteğinin 7,14 katı kadar ekonomiye girdi sağladı ve 314 fikri sınai mülkiyet hakkı başvurusu yapıldı.

Geleceğe ışık tutan bazı analizlere bakacak olursak; en başarılı girişimcilerin 30-39 yaş aralığında olduğu görülmektedir. Yine programın ilk 4 çağrı döneminde desteklenen 556 firmanın 431’i (%77) ve 2012 çağrısı ile kurulan 6 yaşındaki firmaların %71’i faaliyetlerini sürdürmektedir. BiGG firmalarının bu dönemde aldıkları her 1 TL'lik tekno-girişim desteği karşılığında 7,4 TL satış geliri elde ettiğini göstermektedir. Yine her 1 TL destek, 1,6 TL ihracat geliri sağladığı görülmektedir. Firma başına %2.7 istihdam üretme başarısı gösteren tekno-girişimlerin %18’inin kurucusu kadın olmuştur.

Bu olumlu gelişmeler yanında 11 çağrı dönemi dikkate alındığında; toplam 33.093 iş fikri başvurusu içinden kurulan 1.519 tekno-girişim firması oranı 0.045 olması düşündürücüdür. Bu oranın en az %1’in üzerine çıkarılmasına yönelik “etki analizleri”nin yapılması önem taşımaktadır. Bu kapsamda 2018-2019 Yılları Arasında 2. Aşama Başvurularının Tematik Alan Dağılımı incelendiğinde katma değeri yüksek olan “sağlık ve iyi yaşam” ile “iletişim ve sayısal dönüşüm” alanlarına (toplamda %63) öncelik verildiği görülmektedir.

Girişimlerin desteklenmesi gereken 3 aşama ise; ürün ve hizmetlerin ticarileştirilmesi, yeni pazarlara girilmesi ve ihracat kapasitesinin artırılması olarak sıralanmıştır. Bu sıralama gösteriyor ki; teknolojik girişimlere dair yatırım ortamının güçlenmesi, gelişmesi ve daha sağlıklı işleyebilmesi için öncelikle, yatırım miktarı artırılmalıdır.

Yatırımı artırmak için aşılması gereken engeller ise; yüksek teknoloji içeren yatırımlara istinaden farkındalık eksikliği, yurt dışı merkezli büyük şirketlerin alımı dışında çıkış (exit) yapılamaması ve yatırım çarkını döndürecek likiditenin olmamasıdır. Bunun yanında; değerleme için doğru yetkinlikte ve uygun maliyette, bilgi sahibi, değerleme kuruluşunun olmaması, vergi eşitsizliği ve bürokrasi ve kurumlar arası bilgi alışverişi eksikliği de olumsuz etkenlerdir.

Yeni hedef; yatırım ekosistemi hakkında farkındalık kazanmak ve eksik olan anahtar oyuncuları dahil ederek yüksek teknoloji girişimlerini farklı pazarlara hazırlamak adına, küresel bakış açısına sahip olan girişimci sayısını artırmak olmalıdır. Zincirin tüm halkaları güçlendirilmelidir.

Bulut Bilişim Nedir?

Tue, 13 Apr 2021 16:30:00 GMT

Bulut bilişim (Cloud Computing), verilerin ve programların bilgisayarınızın sabit diski yerine internet üzerinden depolanması ve erişilmesi anlamına gelir.

Fiziksel veri merkezleri ve sunucuları satın almak, bunlara sahip olmak ve sürekliliklerini sağlamak yerine, bir bulut sağlayıcının sunduğu işlem gücü, depolama ve veri tabanları gibi teknoloji hizmetlerine ihtiyaç duyduğunuzda erişebilirsiniz.

Bulut Bilişim için, verilerinize veya programlarınıza internet üzerinden erişmeniz veya en azından bu verileri web üzerindeki diğer bilgilerle senkronize etmeniz gerekir. Çevrimiçi bir bağlantıyla, Bulut Bilişim her zaman her yerde yapılabilir.

Farklı türden, boyuttan ve sektörden kurum; veri yedekleme, olağanüstü durumlarda verileri kurtarma, e-posta, sanal masaüstleri, yazılım geliştirme, test etme, Büyük Veri analizi ve müşterilere yönelik web uygulamaları gibi çok çeşitli alanlarda Bulut Bilişimi kullanmaktadır.

Bulut bilgi işlem, erişilen bilgilerin uzaktan bulutta veya sanal bir alanda bulunması nedeniyle bu şekilde adlandırılır. Bulut hizmetleri sağlayan şirketler, kullanıcıların dosyaları ve uygulamaları uzak sunucularda depolamasına ve ardından tüm verilere internet üzerinden erişmesine olanak tanır. Bu, kullanıcının erişim sağlamak için belirli bir yerde bulunmasının gerekli olmadığı ve kullanıcının uzaktan çalışmasına izin verdiği anlamına gelir.

Örneğin, sağlık hizmetleri veren şirketler, Bulut Bilişimi hastalar için daha kişiselleştirilmiş tedaviler geliştirmek için kullanır. Finan şirketleri ise Bulut Bilişimi gerçek zamanlı dolandırıcılık algılamayı ve önlemeyi desteklemek için kullanır. Bilgisayar oyunu geliştiricileri, dünya çapında milyonlarca oyuncuya çevrimiçi oyunlar sunmak için Bulut Bilişimden yardım alır.

Bulut Bilişimin Avantajları

Bulut Bilişim; maliyet tasarrufu, artan üretkenlik, hız ve verimlilik, performans ve güvenlik gibi çeşitli avantajları sayesinde oldukça popüler hâle geliyor.

Maliyet Tasarrufu

Bulut Bilişim, yatırım harcamaları (veri merkezleri ve fiziksel sunucular gibi) yerine değişken giderlere kaynak ayırmanızı ve yalnızca kullandığınız hizmetler için ödeme yapmanızı sağlar. Ayrıca, bulut bilişimin ölçek ekonomisi sayesinde değişken giderler, işlemleri kendiniz yaptığınızda ödeyeceğinizden çok daha düşük olur.

Çeviklik

Bulut Bilişim, daha hızlı yenilik yapabilmeniz ve hayal edebildiğiniz her şeyi gerçekleştirmeniz için çok çeşitli teknolojilere kolayca erişmenizi sağlar. İhtiyaç duyduğunuzda işlem, depolama ve veri tabanı gibi altyapı hizmetlerinden Nesnelerin İnterneti (IoT), Makine Öğrenimi, Data Lake'lere kadar her şeyi hızla kullanmaya başlayabilirsiniz.

Bulut bilişim ile teknoloji hizmetlerini dakikalar içinde dağıtabilir ve fikir aşamasından uygulama aşamasına çok daha hızlı bir şekilde geçebilirsiniz. Bu da size denemeler yapma, yeni fikirleri farklı müşteri deneyimlerinde test etme ve işletmenizi dönüştürme özgürlüğü verir.

Hızlı Dağıtım

Bulut bilişim ile yeni coğrafi bölgeleri kapsayacak şekilde genişletme yaparak, dakikalar içinde küresel olarak dağıtım yapabilirsiniz. Bulut bilişim altyapısı, uygulamanızı sadece birkaç tıklamayla birden fazla fiziksel konumda dağıtabilmeniz için dünyanın her yerini kapsamaktadır. Uygulamaların kullanıcılara yakın olması, gecikmeyi azaltır ve son kullanıcı deneyimini iyileştirir.

Esneklik

Bulut bilişim sayesinde, gelecekteki ticari etkinlikler için önceden fazla kaynak tedarik etmeniz gerekmez. Gerçekten ihtiyaç duyduğunuz kadar kaynak ayırırsınız. Bu kaynakları, işletmenizin ihtiyaçları değiştikçe kapasiteyi anında yükseltecek ve düşürecek şekilde artırabilir veya azaltabilirsiniz.

Bulut Bilişimin Dezavantajları

Bulut bilgi işlemle gelen tüm hız, verimlilik ve yeniliklerle, doğal olarak riskler de vardır.

Güvenlik, özellikle hassas tıbbi kayıtlar ve finansal bilgiler söz konusu olduğunda, her zaman büyük bir endişe kaynağı olmuştur. Düzenlemeler, bulut bilişim hizmetlerini güvenlik ve uyumluluk önlemlerini desteklemeye zorlasa da bu durum bir sorun olmaya devam ediyor. Şifreleme önemli bilgileri koruyor, ancak bu şifreleme anahtarı kaybolursa önemli verilerin de kaybolması riski vardır.

Bulut Bilişim şirketleri tarafından bakımı yapılan sunucular; doğal afetler, dahili hatalar ve elektrik kesintilerinden zarar görebilir. Bulut Bilişimin coğrafi erişimi her iki yolu da keser: California'daki bir kesinti İstanbul'daki kullanıcıların sisteme girişini engelleyebilir ve Texas'taki bir firma Maine merkezli sağlayıcısının çökmesine neden olan bir arızada verilerini kaybedebilir.

Bulut Bilişim Türleri

Bulut Bilişim; mikroçip veya cep telefonu gibi tek bir teknolojinin parçası değildir. Aksine, esas olarak üç hizmetten oluşan bir sistemdir: Hizmet Olarak Yazılım (SaaS), Hizmet Olarak Altyapı (IaaS) ve Hizmet Olarak Platform (PaaS).

Hizmet Olarak Yazılım (SaaS)

SaaS, hizmet sağlayıcısı tarafından çalıştırılan ve yönetilen tamamlanmış bir ürün sunar. SaaS, çoğu zaman son kullanıcı uygulamalarını (web tabanlı e-posta gibi) ifade etmek için kullanılır. Bir yazılım uygulamasının müşterilere lisanslanmasını içerir. Lisanslar genellikle kullandıkça öde modeli veya isteğe bağlı olarak sağlanır.

Hizmet Olarak Altyapı (IaaS)

IaaS, bulut bilişim için temel yapı taşlarını içerir. Genellikle ağ iletişimi, bilgisayarlar ve veri depolama alanına erişim sağlar. İsteğe bağlı bir hizmetin parçası olarak IP tabanlı bağlantı aracılığıyla, işletim sistemlerinden sunuculara ve depolamaya kadar her şeye yönelik bir yöntemi içerir. Müşteriler, yazılım veya sunucu satın almak yerine bu kaynakları dış kaynaklı, isteğe bağlı bir hizmette satın alabilir.

Hizmet Olarak Platform (PaaS)

PaaS, altyapı yönetimi ihtiyacınızı ortadan kaldırarak uygulama dağıtma ve yönetim alanlarına odaklanmanızı sağlar. PaaS, Bulut Bilişimin üç katmanından en karmaşık olanı olarak kabul edilir. PaaS, SaaS ile bazı benzerlikler gösterse de temel fark, yazılımı çevrimiçi sunmak yerine, aslında internet üzerinden sağlanan yazılım oluşturmak için bir platform olmasıdır.

Fotoğrafınızı Ünlü Bir Portreye Dönüştürmek İster misiniz?

Mon, 05 Apr 2021 14:30:00 GMT

Son günlerde yapay zekâ ile değiştirilen fotoğraflara sıkça rastlıyoruz. Siyah beyaz fotoğrafların renklendirilmesi, selfielerin hareketlendirilmesi ya da çeşitli efektlerin uygulanması, bu trendin en bilinen örnekleri.

AI Gahaku olarak bilinen bir yapay zekâ sanatçısı, bu trendi başka bir boyuta taşıyor ve ücretsiz olarak yükleyebileceğiniz fotoğrafınızı, ünlü bir sanat eserine uyarlıyor! Müzelerde ya da sanat galerilerinde gördüğünüz ve hayran olduğunuz portrelerden birine, yapay zekâ sayesinde model olabiliyorsunuz.

AI Gahaku'nun yapay zekâ uygulaması, fotoğrafınızdan bir resim oluşturuyor ve Rönesans, Pop Art, Ekspresyonizm gibi çeşitli resim stilleri kolayca fotoğrafınıza uygulanabiliyor!

Siz de en sevdiğiniz fotoğrafınızı, ünlü bir portreye dönüştürmek için hemen tıklayın!

Dijital Üretim 101

Mon, 05 Apr 2021 14:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, Doç. Dr. Ulaş Yaman olacak.

3 boyutlu yazıcılar ve eklemeli imalat sistemlerinin yaygınlaşmasıyla birlikte, tasarımdan üretime geçiş süreleri kısaldı ve tasarımcıların dikkat etmesi gereken üretim kısıtlarının büyük çoğunluğu ortadan kalktı. ODTÜ Makina Mühendisliği Bölümü öğretim üyesi Doç. Dr. Ulaş Yaman, bu yeni üretim yaklaşımları hakkında bizlere temel bilgiler aktaracak.

Dijital üretim ile ilgili detaylı bilgi edinmek için, etkinliğimize katılmadan önce Dijital Üretim yazımızı da inceleyebilirsiniz.

Yapay Zekâ ve Hukuk

Fri, 02 Apr 2021 18:30:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizi Hacettepe Üniversitesi Yapay Zekâ Topluluğu ile birlikte gerçekleştiriyoruz!

Etkinlik Programı

18:30-20:00 Özel Hukuk Çerçevesinde Yapay Zekaya İlişkin Hak ve Sorumluluklarla Tech Geliştiricilerin Durumu - Burçak Ünsal, Ünsal Law Firm Yönetici Ortağı
20:00-21:30 Yapay Zeka ve Ceza Hukuku - Dr. Öğr. Üyesi Zafer İçer, Marmara Üniversitesi Hukuk Fakültesi

Alanında uzman konuklarımız ile Yapay Zekâ ve Hukuk ilişkisini konuşacağımız etkinliğimize hemen ücretsiz kayıt olun.

Tableau ile Veri Analizi ve Görselleştirme

Fri, 26 Mar 2021 19:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, Merkezveri Kurucu Ortağı Mert Alabaş olacak.

Tableau, hem ücretsiz sürümü hem de zengin ve interaktif veri görselleştirme olanakları ile veri görselleştirmeyle ilgilenenler için vazgeçilmez araçlardan birisi. Bir Business Intelligence (İş Zekâsı) yazılımı olarak Tableau, özel şirketlerden kamu kuruluşlarına kadar bir çok alanda veri analizi ve veri görselleştirme amaçlı kullanılıyor.

Tableau ile nasıl veri analizi ve görselleştirme yapabileceğinize dair ipuçlarını konuşacağımız etkinliğimize ücretsiz kayıt olarak katılabilirsiniz.

Şirket İçi Dijital Dönüşüm Uygulamaları

Thu, 25 Mar 2021 14:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, Dijital Dönüşüm Danışmanı Alper Gerçek olacak.

Dijital dönüşüm için işletmelerin kendi içlerinde yapmaları gereken birçok uygulama bulunuyor. Dijital dönüşüm stratejisi hazırlamak, bir ekip oluşturmak, çalışanlarının farkındalıklarını artırmak bunlardan sadece bazılarıdır.

Dikkat edilmesi gereken nokta, dijital dönüşüm sürecinde işletmenin kendi bünyesinde de yapması ve başarması gereken adımların olduğudur. Bu adımlar nelerdir? Dijital dönüşüm için neler sağlar? Şirket içi uygulamalarda nelere dikkat etmek gerekli? sorularına cevap arayacağımız etkinliğimize ücretsiz kayıt olun.

Pandemi ile Zirve Yapan Dijital İş Süreçleri

Fri, 19 Mar 2021 14:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konukları; E-Güven Pazarlama ve Kurumsal İletişim Müdürü Şahika Mut, İş Geliştirme & Satış Direktörü Cenk Özcan ve Teknoloji & Proje Geliştirme & Kalite & İş Süreçleri Grup Müdürü Muhammet Kalaycılar olacak.

Covid-19 pandemisi ile önemini artıran dijital iş süreçlerini, geleneksel iş süreçlerinin nasıl dijitalleştirilebileceğini ve bu süreçte veri güvenliğinin nasıl sağlanabileceğini konuşacağımız etkinliğimize ücretsiz kayıt olun.

Dijital Kültür ve Dijital Dönüşüm

Thu, 18 Mar 2021 14:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, Dijital Dönüşüm Danışmanı Alper Gerçek olacak.

Dijital dönüşümü, sadece dijital teknolojileri kullanmakla sınırlayan şirketlerin, dönüşüm çalışmalarının çoğu başarısızlıkla sonuçlanıyor. En az teknolojik kazanım kadar önemli olan, dijital kültür dönüşümünü yakalayan şirketler ise başarıya koşuyor.

Dijital dönüşümün önemli bir parçası olan dijital kültür üzerine konuşacağımız etkinliğimize ücretsiz katılabilirsiniz.

Girişimciler Yapay Zekâdan Nasıl Destek Alabilir?

Mon, 15 Mar 2021 10:00:00 GMT

Girişimlerin sayısı gün geçtikçe artıyor, rekabet avantajını yakalamak ve özgün olmak için girişimcilerin daha çok çaba sarf etmeleri gerekiyor.

İşte bu fark katan çabalardan biri de girişimlerinizde yapay zekânın gücünden yaralanmaktır. Nasıl mı? Sizin için 5 başlıkta topladık!

1. Müşteri Deneyimi

Girişimler, müşteri hizmetlerini geliştirerek öne çıkabilir, ancak yüksek kaliteli destek sunmak için geniş kaynaklar gerekir.

Yapay zekâ çözümleri, sohbet botları ve diğer müşteriye yönelik hizmet seçenekleri aracılığıyla, mükemmel destek sunmak için uygun maliyetlidir ve müşteriler tarafından giderek daha fazla kabul ediliyor. Son anketler, kullanıcıların %50'sinin başlangıçta bir markayla etkileşim için sohbet botlarını tercih ettiğini gösteriyor.

Müşteri temsilcileri de yapay zekâ desteğinden faydalanıyor. Sıradan sorulara sohbet botları cevap verdiği için, müşteri temsilcilerinin karmaşık problemleri çözmek için zamanları oluyor.

Diğer bir deyişle yapay zekâ, işletmelerin daha az kaynakla daha fazlasını yapmasına olanak tanır.

2. Dijital Pazarlama

Veriler, sürekli gelişen bir iletişim ortamında potansiyel müşterilere ulaşmanın ve onları tanımlamanın anahtarıdır. İşte burada yapay zekâ araçları, girişimcilere yardımcı oluyor.

Yapay zekâ, ayrıntılı hedef müşteri kişilik profilleri oluşturmak için bir girişimin sosyal kanallarını tarayabilir. Bu profiller, bir girişimin potansiyel müşterilerle en olası yanıt verecek şekilde iletişim kurmasına yardımcı oluyor.

TradeDesk gibi şirketler, belirli hedef kitlenizi hedeflemenize izin veren yapay zekâ uygulamalarını kullanıyorlar. Teknolojileri 11 Milyondan fazla reklam fırsatını analiz ediyor ve işletmelerin hedef kitlelerini bulmasına, teklif vermesine ve onlara reklam vermesine olanak tanıyor.

3. Ürün veya Hizmet Geliştirme

Yapay zekâ geliştiricileri, girişimlerin doğrudan kendi tekliflerine ekleyebilecekleri hizmetler üretmeye başladı. Bu durum, girişimcilerin müşterileri için yeni ürün ve hizmet deneyimleri sunabileceği anlamına gelir.

Örnek olarak; ürün ekiplerinin doğal dil sorgularını sürece dahil etmesine ve böylece kullanıcıların verileriyle sohbet etmesine olanak tanıyor. Bu uygulama, yeni girişimlerin kullanıcılarıyla yeni etkileşim ve fayda biçimleri getiren hizmetler yaratmasını mümkün kılar.

Verilerinizden içgörüler elde eden yeni yapay zekâ araçlarıyla, önceden daha büyük şirketlerin kullanımıyla sınırlı olan deneyimler sunabilirsiniz. Örneğin, yapay zekâ eklentileri kullanan e-ticaret şirketleri, Netflix ve Amazon'a benzer güçlü öneri motorları sunabilir.

4. Pazar Öngörüleri

Herhangi bir rekabetçi pazarda, yeni girişimlerin pazar payı için köklü şirketler ile mücadele etmesi gerekir ve bu çok kolay olmaz. Fırsatların nerede olduğunu görmek ve rakipleri izlemek, pazarda var olmak için çok önemlidir.

Rakipleriniz bir ürünün fiyatını düşürdüğünde, yeni bir pazarlama kampanyası başlattığında, olumsuz bir çevrimiçi inceleme aldığında ya da eyleme geçirilebilir bir içgörü sağlayabilecek herhangi bir şey algıladığında, yapay zekâ ürünü bulur ve hakkında rapor verir.

Bugünün iş ortamında, insanlar tarafından gerçekleştirilen manuel analizler oldukça geride kaldı. Dünya kavranması zor bir hızda değişiyor, bu nedenle karar verme sürecinin önerilen eylemlerle birlikte verilerden gelen içgörülere göre ayarlanması gerekiyor. En hızlı olan hayatta kalıyor.

5. İnsan Kaynakları

Deneyimli herhangi bir girişimcinin size söyleyebileceği gibi, bir girişim ancak ekibinin taşıyabileceği kadar ileri gidecektir. Bu nedenle, en yeteneklileri işe almak ve onları elinizde tutmak için ne gerekiyorsa yapmanız gerekir.

Bununla birlikte ortalama bir girişimin, en iyileri bulmasına yardımcı olacak özel bir İK lideri hatta İK departmanı olmayacak.

Yeni girişimler, yapay zekâ ile alanlarındaki en yeteneklileri belirleme ve çekme olasılıklarını artırabilir. Artık, düzinelerce yapay zekâ destekli İK ve işe alım platformu var.

Yapay zekâ araçları işe alındıktan sonra çalışanlarınızın durumunu takip etmek için araçlar sunuyor. Risk altındaki çalışanları veya geliştiricilerinizin ne kadar üretken olduğunu tespit etmeye yardımcı olarak, girişiminizi sağlam adımlarla büyütmenizi sağlıyor.

Yapay Zekâ ile Başarılı Girişimler

Bugün, yapay zekâ her zamankinden daha erişilebilir durumda ve herhangi bir işte yapay zekâyı kullanmak çok kolay hâle geldi. Yapay zekânın ürününüzü veya dahili operasyonlarınızı nasıl iyileştirebileceğini düşünmeye başlamadıysanız, başlama zamanı.

Konzek Teknoloji desteği ile hayata geçirilen Akademi 4.0 Start Girişim Hızlandırma Programına başvurun ve girişiminizi geliştirirken yeni teknolojilerden nasıl destek alabileceğinizi birlikte belirleyelim!

Akademi 4.0 Campus Etkinliklerinin Üçüncüsünü Gerçekleştirdik

Wed, 10 Mar 2021 10:00:00 GMT

Akademi 4.0 Campus etkinlik serimizin üçüncüsünü Hacettepe Üniversitesi Yapay Zekâ Topluluğu ile birlikte 3-4-5 Mart tarihlerinde gerçekleştirdik.

Katılımın oldukça yüksek olduğu etkinliğimizin tüm oturumları hem katılımcılar hem de konuşmacılarımız için çok keyifli geçti!

📺 3 gün boyunca, 8 oturum olarak gerçekleşen etkinliğimizi toplamda 8.871 kişi izledi.

📜 500+ kişi, en az 5 oturuma katılarak e-katılım belgesi almaya hak kazandı.

🎙 Birbirinden değerli 9 konuşmacımız bizlerle birlikte oldu.

🎁 Çekilişlerimizden 35 kişi hediye kazandı.

Akademi 4.0 Campus etkinlikleri tüm hızıyla devam edecek, bizi takipte kalın!

Yapay Zekâ Efsaneleri

Wed, 10 Mar 2021 09:00:00 GMT

Bilim kurgu filmlerinin etkisiyle zihinlerimize yerleşen yapay zekâ imajı, çoğu zaman gerçeğin önüne geçiyor. İnsanlığı ele geçirecek ve bizleri yönetecek olan robotlar, dünyayı yok etmeyi amaçlayan yapay zekâ gibi gerçeküstü konuların işlendiği bu filmler, yapay zekâyı günlük hayatımızı kolaylaştıran bir teknolojiden çıkarıp mit haline getiriyor.

Şimdi yapay zekâ ile ilgili aslında çok da ikna edici temeller üzerine kurulmayan ama çok yaygın olan “efsane”leri inceleyelim:

Yapay Zekâ İnsanlardan Daha Akıllıdır

Dünyadaki en akıllı yapı insan beynidir ve insan beyninden daha akıllı bir yapay zekâ oluşturmak, içinde bulunduğumuz zamanda çok da mümkün değil. Yapay zekâ duyarlı değil, bilinçli değil ve bizden daha akıllı hale geleceğini de sanmıyoruz.

İnsansız yapay zekânın önemi yoktur. Yapay zekâyı oluşturuyoruz, öğretiyoruz ve bizim adımıza belirli kararlar alması için gerekli araçları veriyoruz. Dar anlamda, yapay zekâ bazı alanlarda insanlardan daha hızlı kararlar almak için kullanılabilir. Bu, kararların her zaman doğru olduğu ya da her zaman doğru sonuç sağladığı anlamına gelmez. Bazı kararlar sadece insanlar tarafından alınabilir.

Yapay Zekâ Güvenilmezdir

Başlangıçta yapay zekâ bir “kara kutu”ydu. Yani temel algoritmanın ne yaptığına ve neden yaptığına dair içgörü sağlamadan, çıktı üreten gizemli bir sistem olarak algılanıyordu. Ancak, zamanla bu çözümlerin olgunlaştığını ve güven verdiğini görüyoruz.

Bazı sistemler şeffaflık sağlamazken, yazılım satıcıları ve yapay zekâ sistemleri, yaptıkları şeyi neden yaptıkları konusunda giderek daha fazla görünürlük sağlıyor. Zor olan şey, uygun şeffaflık sağlamak, kullanıcıyı bunaltmamak, onların güvenini ve anlayışını kazanmaktır.

Akıllı Makineler Kendi Kendine Öğrenebilir

Tamamlanmış bir makine öğrenimi projesiyle, makinelerin kendi başına öğrenebilme yeteneği kazandığı izlenimine kapılabiliriz. Aslında tam olarak böyle değil.

Deneyimli Veri Bilimciler, makine öğrenimi projesini sürekli takip ederek sorunu öğrenir ve uygun veri setlerini belirler. Model eğitimindeki olası önyargıyı ortadan kaldırır, eklenen yeni bilgi ve verilerin bir sonraki öğrenme döngüsüne entegrasyonu için yazılımı sürekli güncel tutar.

Yapay Zekâ %100 Objektiftir

Yapay zekâ modelleri insanlar tarafından girilen verilere dayanır, bu yüzden de tamamen objektif olması söz konusu değildir. Çünkü her insan farkında olmadan da olsa, düşüncelerinde önyargılar barındırır. Örnek vermek gerekirse, sosyal medyadan gelen yeni verilerle sık sık eğitilen modeller, istenmeyen önyargı ve kötü niyetli çıktılara karşı daha savunmasızdır.

Yapay Zekâ Tıbbi Kararlar Verecek ve Teşhisler Yapacak

Günümüzde Radyologlar; X-ışınları, MRI'lar, CAT taramaları ve diğer tıbbi görüntülerin değerlendirilmesinde uzmandır. Yapay zekânın en büyük çabalarından biri, tümörler gibi anormallikleri tanımak için görüntü sınıflandırıcıları öğretmektir.

Yapay zekâ, taramaları herhangi bir insanın başaramayacağı kadar daha hızlı ve kapsamlı bir şekilde yorumlamayı öğrenmek için milyonlarca görüntüyü tarama yeteneğine sahiptir. Bununla birlikte her ne olursa olsun, bir doktor veya radyolog, hastalık teşhislerinde son sözü söyleyecektir.

Efsanelere değil, gerçek yapay zekânın hayatımızı kolaylaştırdığına inanmalısınız. Günlük hayatımızda kahve makinelerinden, otonom araçlara ve şirketlerin operasyon süreçlerinden, üretim tesislerine kadar çok geniş bir alanda faydalandığımız yapay zekâdan korkmak yerine onu nasıl daha geniş alanlarda kullanabiliriz sorusuna cevap aramanın vakti!

Kelebek Etkisi Projesi

Sat, 06 Mar 2021 20:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu Elif Eda Güneş olacak.

Girişimcilik Bölümü 1. sınıf öğrencisi olan Elif Eda Güneş, Kelebek Etkisi Projesi ile bilim ve teknoloji imkanlarına ulaşma imkanı kısıtlı olan köy okullarına giderek, orada nasıl çalışmalar yaptığını ve hayallerini gerçekleştirmeleri için çocukları nasıl desteklediğini bizlere anlatacak.

Etkinliğimize Meetup, Kommunity ya da Google Form ile kayıt olarak katılabilirsiniz.

Detaylı bilgi: info@akademi40.org

Campus 4.0 - Hacettepe Üniversitesi Yapay Zekâ Topluluğu

Wed, 03 Mar 2021 17:00:00 GMT

Akademi 4.0 ve Hacettepe Üniversitesi Yapay Zekâ Topluluğu iş birliği ile düzenlenen Campus 4.0 etkinliğinde, Yapay Zekâ ve Endüstri 4.0 teknolojilerini konuşacağız.

Etkinlik Programı

3 Mart 2021 Çarşamba

17:00 - 17:15 Açılış Konuşması
17:15 - 18:15 AIoT ve Edge Computing - Yunus Altunbıçak, Konzek Teknoloji Genel Müdürü
18:30 - 19:30 Oyunlarda Yapay Zeka - Can Altıgül, Game AI Developer | Taleworlds & Burak Uyan, Game Developer | Taleworlds
- 19:45 - 20:45 Otonom Araçlar ve Yapay Zeka - Umut Genç, Managing Director | Eatron Technologies

4 Mart 2021 Perşembe

17:00 - 18:00 Üretimde Yapay Zeka - Uğur Canbaz, Marka Müdürü | Konzek Teknoloji
18:15 - 19:15 Akıllı Hareketlilik ve Yapay Zeka - Emre Er , Business Developer | Parabol
19:30 - 20:30 Yapay Zeka ve İstatistik - Cemile Yıldızçakar, ERP Project Manager

5 Mart 2021 Cuma

17:00 - 18:00 Veri Bilimine Başlayacaklara Tavsiyeler, Yol Haritası ve Kaynaklar - Mert Çobanov, Data Scientist | Global AI Hub
18:15 - 19:15 Yapay Zeka ve Doğal Dil İşlemenin Öne Çıkan Kullanım Alanları - Tanel Temel , Artiwise Kurucu Ortağı
19:30 - 20:30 Yapay Zeka ve Ceza Hukuku - Dr. Öğr. Üyesi Zafer İçer, Marmara Üniversitesi

Dış Kaynaklı Proje Hazırlama

Fri, 26 Feb 2021 14:30:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, Ast. Prof. Dr. Hüseyin Üvet olacak.

TÜBİTAK Ar&Ge Projelerinde İnovasyon Nasıl Yakalanır?
Avrupa Birliği Ar&Ge Projelerine mi yoksa TÜBİTAK Ar&Ge Projelerine mi öncelik vermeliyiz?
İkisinin arasındaki farklar nelerdir?
Üniversite-Sanayi iş birliğine hangi proje seviyelerinde ihtiyaç vardır?

Sorularına cevap arayacağımız etkinliğimize Meetup, Kommunity ya da Google Form ile kayıt olarak katılabilirsiniz.

Detaylı bilgi: info@akademi40.org

Yapay Zeka Mühendisliği

Sat, 20 Feb 2021 15:55:00 GMT

Yapay Zekâ Mühendisi kimdir, ne iş yapar ve nasıl Yapay Zekâ Mühendisi olunur sorularını sizin için yanıtladık.

Yapay Zekâ Mühendisi Ne Yapar?

Yapay Zekâ Mühendisi basitçe, makineleri insan beynine benzer şekilde çalışmak üzere programlayan ve Makine Öğrenimi algoritmalarını tasarlayan kişidir. Makineleri mantıklı kararlar vermek için programlayan Yapay Zekâ Mühendisleri, sıklıkla yazılım firmalarında çalışmaktadır. Ancak gelecek dönemde yapay zekânın sunacağı fırsatları yakalayabilmek için, her sektör tarafından ihtiyaç duyulan bir uzmanlık alanı haline gelecektir.

Yapay zekâ, insan gibi düşünebilen algoritma ağının genel adıdır. Yapay zekâ modellerini programlamak, eğitmek zaman ve uzmanlık gerektiren bir iştir. Oluşan modellerdeki sorunları taramak, sistemlere bakım yapmak ve iyileştirmeler yapmak gerekmektedir. Bu noktada sadece yapay zekâ algoritmalarını yazmak yetmez aynı zamanda sistem hakkında karar verecek kişiler de gerekmektedir.

Yapay Zekâ Mühendisi tam da bu noktada görev almaktadır. Yapay Zekâ Mühendisi, yapay zekâ modellerini oluşturur ve test eder. Geleneksel yazılımcılardan bu noktada ayrılır, sorunları tarar ve ihtiyaç duyulan geliştirmeleri yapar. Yapay Zekâ Mühendisliği için kısaca, yazılım mühendisliği, yazılım geliştirme ve veri biliminin karışımıdır diyebiliriz.

Yapay Zekâ Mühendisleri ilk olarak makine öğrenimi ile başlar, derin öğrenme ile devam ederler. Yapay Zekâ Mühendisleri için olmazsa olmaz konular ise; bulut tabanlı sistemler ve derin öğrenme kuralları ile modellerin devreye alınacağı zamana karar vermektir.

Yapay Zekâ Mühendisi Hangi Alanlarda Çalışır?

Yapay Zekâ Mühendisi, çeşitli sorunlar karşısında makinelerin vermesi gereken tepkilerin, karar verme süreçlerinin ve sistemlerin optimizasyonu üzerine çalışır. Yapay Zekâ Mühendisinin sorumluluğunda olan işlerden bazılarını sayarsak:

Veri Mühendisleri, İşletme Yöneticileri ve diğer uzmanlar arasında koordinasyon sağlamak,
Veri Bilimi ekibinin kullandığı altyapıyı geliştirmek,
Makine öğrenimi modellerini diğer uygulayıcıların kolaylıkla erişebileceği ve kullanabileceği şekilde düzenlemek,
Yapay zekâ modellerini geliştirmek, test etmek ve canlıya almak,
Makine öğrenmesini faydalı hale getirerek, süreçlerin otomatik bir hâl almasını sağlamak yer alır.

Yapay Zekâ Mühendisleri özel şirketlerde, sağlık hizmetlerinde, kamu kurum ve kuruluşlarında, eğitim ve devlet kurumlarında yetkinliklerini gösterecek kariyer fırsatı bulabilirler. Yazılım Analisti ve Geliştiricisi, Bilgisayar Bilimcisi ve Bilgisayar Mühendisi, Yapay Zekâ Algoritma Uzmanları, Yapay Zekâ Bilimcisi, Yapay Zekâ Yazılım Mühendisi gibi pozisyonlarda çalışabilirler.

Nasıl Yapay Zekâ Mühendisi Olabilirim?

Yapay Zekâ Mühendisi sadece algoritmalar ve geleneksel programlama ile uğraşmaz. Derin öğrenme ile ilgili ayrıntılı çalışmalar yürütür ve analiz eder. Bu noktada geleneksel programlamadan ayrılırlar.

Yapay Zekâ Mühendisi unvanını alabilmek için üniversitelerin Yapay Zekâ Mühendisliği Bölümlerinden mezun olmanız, mesleki donanımlara sahip olacağınız için işinizi oldukça kolaylaştıracaktır.

Ülkemizde Yapay Zekâ Mühendisliği Bölümüne sahip Üniversiteleri öğrenmek için tıklayın.

Ayrıca üniversitelerin Bilgisayar Mühendisliği veya Yazılım Mühendisliği bölümlerinde eğitim almış kişiler de yapay zekâ alanında alacakları eğitimlerle kendilerini geliştirerek Yapay Zekâ Mühendisi olarak çalışabilmektedir. Bu eğitimler arasından akla ilk gelenler:

Makine öğrenme algoritmaları,
Yazılım üretim döngüsü,
Veri girişi kurulumu,
Veri madenciliği ve örüntü eşlemedir.

Opinionated vs Unopinionated in Terms of Frameworks/Libraries Soru Cevap Etkinliği

Fri, 19 Feb 2021 17:00:00 GMT

Konzek Teknoloji Kıdemli Yazılım Geliştiricisi Farzam Khojastehnia , Akademi 4.0 Slack kanalımızdan Opinionated vs Unopinionated in Terms of Frameworks/Libraries ile ilgili sorularınızı yanıtlıyor.

Etkinliğimize soruları ile katılım sağlayanlar, sürpriz hediyelerimizden kazanma şansı yakalıyor! 🎁

Akademi 4.0 Slack kanalımıza katılmak için hemen tıklayın.

Detaylı bilgi: info@akademi40.org

Campus 4.0 - USKUYAZ

Wed, 17 Feb 2021 14:00:00 GMT

Akademi 4.0 ve Üsküdar Üniversitesi Yapay Zekâ ve Bilgi Güvenliği Kulübü iş birliği ile düzenlenen Campus 4.0 etkinliğinde, yapay zekâ teknolojilerini ve veri bilimini konuşacağız.

AIoT (Nesnelerin Yapay Zekâsı) ve Edge Computing,
Üretimde yapay zekânın kullanımı ve vaka örnekleri,
Veri Bilimi, kariyer yolculuğunda öğrenciler için tavsiyeler ve çok daha fazlasını sektör profesyonellerinden dinleyeceğiz.

Etkinlik Programı

17 Şubat 2021 Çarşamba

14:00 – 14:45 AIoT ve Edge Computing Nedir? - Yunus Altunbıçak, Konzek Teknoloji Genel Müdürü

15:00 – 15:45 Üretimde Yapay Zekâ ve Vaka Örnekleri - Uğur Canbaz, Konzek Teknoloji Marka Müdürü

18 Şubat 2021 Perşembe

14:00 – 14:45 Veri Bilimi ve Kariyer Önerileri - Özge Özmen, BTK Akademi Data Science Instructor

Dijital Türkiye Konferansından Önemli Notlar

Tue, 09 Feb 2021 14:15:00 GMT

Dijital dönüşümü farklı boyutlarıyla kapsamlı ve derinlikli bir şekilde ele alan Dijital Türkiye Konferansı toplumsal ve ekonomik tüm süreçlerdeki dönüşüm yolculuğunu ele aldı.

TÜSİAD tarafından gerçekleştirilen programın ana fikri “oyunun kuralları değil, kendisi değişti” başlığıyla dikkat çekti. Piyasa odaklı işletmelere sahip olmak için; yetkin insana, sağlıklı işleyen altyapıya, stratejik yatırımlara, etkili iş birliklerine, yüksek Ar-Ge ve inovasyon kapasitesi ile sürdürülebilir bir teknoloji ekosistemine olan ihtiyacın altı çizildi.

Covid-19 ile bu yolculuğu hızlandıran ekonomiler ve şirketler bu süreçte yeni iş modellerini; tüketici ve çalışanlar ise yeni tercihleri tecrübe ediyor. Bu tercihlerin girişimci, sanayici, kamu ve gençlik yansımalarını değerlendiren sunumlar özetle; dijital dönüşüm yatırımlarının çevik ve stratejik bir planlama çerçevesinde gerçekleştireceklerinin altını çizdi. Dönüşüm sürecinin insan kaynağından veri güvenliğine, iletişim altyapısından organizasyon yapılarına ve paydaşlarla iş birliklere kadar her alanda bütünsel olarak ele alındığı program; özellikle “güveni yeniden inşa etme ve kritik tercihler yapma” noktasına vurgu yaptı.

“Dijital Türkiye Yuvarlak Masası” olarak bugüne kadar dijital trendleri takip eden TÜSİAD, bu programda Anadoluda ve çeşitli ülkelerde yaşayan bilim insanlarımızı, akademisyenlerimizi, girişimcilerimizi ve çalışanlarımızı Türkiye’nin gelişim sürecine dahil etme misyonuna dikkat çekti.

Güney Kore ve Çin örnekleri ile AB stratejilerini de ele alan program, “e-ticaretin yarattığı paradigma değişimi” ile “platform ekonomisi ile bireysel üreticiden KOBİ’ye ve büyük perakendecilere” kadar pek çok firmaya ve girişimciye pazarlarını geliştirme imkânı sunmaya çalıştı.

İnsanların ihtiyaçlarını uçtan uca ve en basit haliyle karşılayacak olan mobil teknolojiler, bulut altyapılar, yapay zekâ çözümleri ve nesnelerin interneti (IoT) yatırımlarının boyutlarını masaya yatırdı.

Programa konuk olan World Economic Forum Kurucusu ve YK Başkanı Klaus Schwab ise “Türkiye, dijital devrimde lider olabilir” tespitinde bulundu. Önemli bir jeopolitik ve ekonomik aktör olan Türkiye’nin, dijital devrimin fırsatlarından en iyi şekilde istifade edebilme konusunda “alışılagelmişin dışında düşünme” sayesinde önemli bir yol alacağını belirtti. Bunun için dinamik nüfusun ve iş gücünün doğru yetkinliklerle güçlendirilmesinin ve hayat boyu öğrenmenin önemini dile getirdi.

Teknolojinin olağanüstü fırsatlar sunduğunu ancak öngörülemeyen riskleri de beraberinde getirdiğini belirten sunumlar bir kez daha gösterdi ki; yeni oyun yeni kurallar getiriyor. Oyun-kural denklemini ise “teknolojik inovasyon ile teknolojik yönetişim arasındaki kontrol ve denge” mekanizmaları belirleyecek. Beklediğimiz başarı, “teknolojinin adil ve kapsayıcı bir şekilde yaygınlaştırılması ve bu hedefle iş dünyası, start-uplar ve akademinin de dahil olduğu uluslararası platformların dayanışması ve iş birliği” ile yakalanacağına biz de katılıyoruz. Yeter ki; kapsayıcı paylaşım içeren bir ekosistemde buluşalım!

Dogecoin Nedir?

Mon, 08 Feb 2021 17:22:00 GMT

Dogecoin, logosu için internet fenomeni Shiba Inu cinsi bir köpek olan Doge karakterinden esinlenilen, Litecoin tabanlı bir elektronik para birimidir.

Kripto para birimi Dogecoin başlangıçta bir şaka olarak doğdu, ancak sonunda Bitcoin'e karşı daha dostane ve ulaşılabilir bir alternatif haline geldi. Dogecoin, Luckycoin tabanlı bir kripto para birimidir (bu da Litecoin'e dayanır). Başlangıçta Bitcoin, Litecoin ve diğer kripto para birimlerine daha ulaşılabilir bir alternatif olarak tasarlandı. Bu nedenle, Dogecoin'i bunlarda ayıran ve çığır açan herhangi bir özellik yok.

Dogecoin kullanıcıları arasında popüler bir ifade vardır: “To The Moon! (Ay'a!)”. Bu motto, para biriminin yükselen değerini tanımlamak için kullanılıyor.

Dogecoin, 2015'ten beri herhangi bir önemli güncelleme görmedi (Litecoin kodundaki iyileştirmelerden yararlanabilmesine rağmen). Dogecoin'in gerçek değeri, etrafında oluşan güçlü ve canlı toplulukta yatmaktadır.

Dogecoin Hakkında Beş İlginç Gerçek

Dogecoin aslında Kasım 2013'te Jackson Palmer tarafından yapılan bir şaka sonucu kuruldu. Programcı Billy Markus ile iletişime geçtiğinde Dogecoin'i gerçeğe dönüştürmeye karar verdiler.
Dogecoin, Bitcoin'in soğuk karmaşıklığıyla uzaklaştırılan kullanıcılara ulaşabilecek, dost canlısı, daha ulaşılabilir bir kripto para birimi olarak tasarlandı. Adı bile popüler bir internet karakterinden alınmıştır.
Dogecoin, kripto para birimi dünyasındaki en büyük ve en aktif topluluklardan birine sahiptir. Bu topluluk, bir dizi hayırsever çabayı ve diğer projeleri finanse etmek için bir araya geldi.
Günümüzde dünya genelinde Dogecoin için en yaygın kullanımlardan biri, bahşiş hizmetidir. Kullanıcılar, tanınmayı hak ettiğine inandıkları gönderiler veya katkılar için diğer kullanıcılara bahşiş verebiliyor. Bu davranış "Beğen"e benzese de çok daha etkili.
Jackson Palmer'ın projeden ayrıldığı 2015 yılından bu yana teknik güncelleme veya gelişme olmamıştır.

Dogecoin'de Farklı Olan Nedir?

Dogecoin'i diğer kripto para birimlerinden ayıran en önemli şey, deflasyonist bir kripto para birimi olmaktan çok enflasyonist bir para birimi olmasıdır. Yani bu tanımlama, dolaşımdaki coin sayısında maksimum sınır olmadığı anlamına gelir.

Bitcoin ve diğer birçok kripto para birimi, sabit bir madeni para kaynağı ile tasarlanmıştır. Bununla ilgili potansiyel sorun, sınıra ulaşıldığında madencilerin sistemi sürdürmeye devam etmelerinin artık karlı olmayacağıdır.

Dogecoin vs Bitcoin

Dogecoin, lider kripto para birimi Bitcoin ile nasıl karşılaştırılır? Dogecoin ve Bitcoin'in temel özelliklerini sizin için karşılaştırdık:

	Dogecoin (DOGE)	Bitcoin (BTC)
Amaç	Şaka olarak başladı ama hızla topluluk temelli bir kripto oldu	Merkezi olmayan dijital para birimi olarak geliştirildi
Ortaya Çıkışı	2013	2009
Kurucu	Jackson Palmer	Satoshi Nakamoto
Piyasa değeri	350 milyon doların üzerinde	300 milyar dolardan fazla
Tüm Zamanların En Yüksek Değeri	0.046 $ (Şubat 2021)	38.530 $ (Ocak 2021)
100$'a Ulaşması Ne Kadar Sürdü?	-	51 ay
Önemli Destekçiler	Elon Musk	Jeff Currie (Goldman Sachs) Peter Theil (Risk sermayedarı) Christine Lagarde (IMF)

Dogecoin'in Fiyatını Yönlendiren Nedir?

Dogecoin bir kripto para birimidir ve tüm kripto para birimleri gibi, büyük dalgalanmalara ve büyük düşüşlere eğilimlidir. Özellikle Dogecoin oldukça çalkantılı bir geçmiş yaşamıştır ve oldukça ani fiyat değişikliklerine eğilimlidir.

Dogecoin Neden Yükseliyor?

2013 yılında piyasaya sürülen Dogecoin (DOGE) 24 saatte gösterdiği %45’e yakın yükseliş ile fiyatını 0,013 $'a çıkardı. Dogecoin'in piyasa değeri 1.4 milyar $'ı aşarken, günlük ticaret hacmi 1.3 milyar $'ı buldu.

Reddit’teki SatoshiStreetBets topluluğu, Dogecoin için GameStop‘takine (GME) benzer bir tavır sergiliyor. "Pump" olarak adlandırılabilecek bu hareket, insanların Dogecoin için desteğe çağrılmasıyla başladı. Tesla CEO’su Elon Musk’ın zaman zaman dile getirdiği Dogecoin, aldığı bu desteklerle önemli sıçramalar yaşadı.

React ve Front-End Development Soru Cevap

Fri, 05 Feb 2021 17:00:00 GMT

Konzek Teknoloji Yazılım Geliştiricisi Mehdi Akbarzadeh, Akademi 4.0 Slack kanalımızdan React ve Front-End Development ile ilgili sorularınızı yanıtlıyor.

24 saat boyunca sorularınızı iletebileceğiniz etkinliğimiz, Akademi 4.0 Slack Kanalımız üzerinden 5 Şubat Cuma günü, saat 17.00'da başlıyor ve 6 Şubat Cumartesi günü 17.00'a kadar devam ediyor.

Detaylı bilgi: info@akademi40.org

Makine Öğrenimi E-posta Deneyimimizi Nasıl İyileştirebilir?

Thu, 04 Feb 2021 14:25:00 GMT

Son birkaç yılda kullandığımız e-mail platformlarında ne gibi değişiklikler fark ettik? Şüphesiz ilk akla gelen anti-spam filtresi olacaktır. Her gün çok fazla spam alıyoruz ve yine de orada olmaması gereken bir mail var mı emin olmak için spam klasörümüzü kontrol etmekte yarar görüyoruz. Oysa buna hiç gerek yok, artık e-mail sağlayıcıları makine öğrenimi sayesinde oldukça etkili çalışan anti-spam filtreler kullanıyor.

Çok uzun zaman önce, işler oldukça farklıydı. Spam mesajlar, gelen kutumuzda görünüyordu ve onların her birini spam olarak etiketlememiz gerekiyordu ya da silinmemesi gereken bir mailin silinmediğinden emin olmak için kontrol etmemiz gerekiyordu.

Şimdi ise, e-mail gelen kutumuzda spam olmasa bile bizim için spam kategorisine giren maillerin de kolayca öğrenilmesini sağlıyoruz. Aynı postayı birkaç kez spam kutusuna gönderdikten sonra, artık ilgimizi çekmeyen kaynaklardan gelen basın bültenlerini gelen kutumuzda görmüyoruz.

Daha da önemlisi, hiç katılmadığımız e-posta listelerine aboneliğimizi tek bir tuşla kaldırmamızı sağlayan işlevi de eklersek, e-mail deneyimimizin oldukça iyileştiğini söyleyebiliriz.

Artık spam mailler ile uğraşmak neredeyse ortadan kaybolan ve hiç zaman ayırmak zorunda kalmadığımız bir sorun hâline geldi, hatta sorun olmaktan çıktı bile diyebiliriz.

Google 2018 yılında, e-postalarımızı etkili bir şekilde otomatik olarak tamamlayan akıllı yazma özelliğini kullanıma sundu. İlk başta pratikliğinden emin olamadığımız bu özelliği artık sıklıkla kullanıyoruz.

Bir süredir, yazım denetleyicisi sadece yazım hatalarını bildirmekle kalmıyor, aynı zamanda oldukça iyi bir dilbilgisi denetleyicisi de sağlıyor. Ana diliniz dışında yazdığınız bir mail için bu özellik oldukça kullanışlı olacaktır.

Makine öğrenimi, kullandığınız tüm ürün ya da platformlar için büyük katkı sağlıyor. Ama her şeyden önce, müşteri sadakati yaratan rekabet avantajları sunuyor. Google'ın, Gmail için makine öğrenimini kullanarak geliştirdiği araçlar, bunun en büyük kanıtıdır.

Bir Fabrika Nasıl Akıllı Hâle Gelir?

Wed, 03 Feb 2021 14:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, Dijital Dönüşüm Danışmanı Alper Gerçek olacak.

Dijital dönüşüm sadece analogdan dijital forma aktarım süreci değildir. Dönüşüm birçok dijitalleştirme projesinden oluşan bir dizi uygulamayı ifade eder. Bir organizasyon, iş süreçlerinin tamamında dijital teknolojileri kullanarak gerçekleştirdiği başarılı dijital dönüşüm sayesinde, yapısal değişiklikler de geçirir.

"Bir fabrika bütünüyle başarılı bir dijital dönüşüm hikayesi yazar, ne tip uygulamalar yapabilir? Sadece üretim katına ait projelerden mi bahsedilir yoksa farklı projeler de gündeme gelebilir mi? Akıllı fabrika nedir ve üretim tesisleri nasıl akıllı hâle getirilir?" Sorularına cevap bulacağımız etkinliğimize, Meetup ya da Kommunity üzerinden kayıt olarak katılabilirsiniz.

Campus 4.0 - ESTU

Fri, 29 Jan 2021 14:00:00 GMT

Akademi 4.0 ve Eskişehir Teknik Üniversitesi Endüstri Verimlilik Kulübü iş birliği ile düzenlenen Campus 4.0 etkinliğinde, Konzek Teknoloji profesyonelleri ile yapay zekâ teknolojilerini ele alacağız.

AIoT (Nesnelerin Yapay Zekâsı) nedir ve nasıl kullanılır?
Edge Computing nedir?
Üretimde yapay zekânın önemi nedir ve hangi süreçlerde kullanılmaktadır? sorularının cevabı ve çok daha fazlası için etkinliğimize davetlisiniz.

Etkinlik Programı

29 Ocak 2021 Cuma

14:00 – 14:45 Üretimde Yapay Zeka ve Vaka Örnekleri - Uğur Canbaz, Konzek Teknoloji Marka Müdürü

15:00 – 15:45 AIoT ve Edge Computing Nedir? - Yunus Altunbıçak, Konzek Teknoloji Genel Müdürü

IoT Destekli Ortam İzleme Sistemleri

Fri, 29 Jan 2021 13:00:00 GMT

Ortam İzleme Sistemi kullanımının ne kadar gerekli olduğunu, Koronavirüs Pandemisini yaşadığımız günlerde tekrar keşfettik. Evlerden çıkamadığımızda ya da uzaktan çalışmaya geçtiğimizde, fiziksel olarak kontrol etmemizin mümkün olmadığı alanların akıllı sensörler yardımıyla izlenmesi, işimizi oldukça kolaylaştırdı.

Depolar, Data Centerlar ve aşı dolapları gibi kritik alanların uzaktan izlenmesini sağlayan Ortam İzleme Sisteminin ne olduğunu ve hangi alanlarda kullanıldığını, Konzek Teknoloji Marka Müdürü Gökçen Kocagöncü'ye sizin için sorduk:

1. Ortam İzleme Sistemi nedir ve tam olarak ne yapar?

Ortam izleme sistemi, ortamdaki parametreleri sensörler ve veri toplama terminalleri aracılığıyla ölçer ve toplanan verileri analiz eder. Ortam koşullarının önemli olduğu alanların, uzaktan kontrol altında tutulmasını sağlar. Kayıpların önüne geçmek ve verilerin güvenle saklanması için, ortam izleme sistemi kullanmak oldukça önemli.

2. Ortam İzleme Sistemini daha çok hangi sektörler tercih ediyor?

Aslında Ortam İzleme Sistemi, her sektör için kullanılabilir. Çünkü, küçük bir atölye ya da binlerce çalışanı olan bir fabrika olması fark etmeksizin, tüm işletmeler için önemli ortam parametreleri vardır.

Sıcaklık ve nem değerlerindeki değişiklikler, izinsiz girişler ya da su kaçağı durumları, işletmeler için istenmeyen durumların başında geliyor. Bu durumların mesai saatleri dışında yaşanması, meydana gelecek zararın da büyük olmasına neden olabilir. İşte bu bağlamda Ortam İzleme Sisteminin 7 gün 24 saat sağladığı uzaktan takip ve kontrol özelliği işletmelere oldukça yardımcı oluyor.

Ortam İzleme Sistemini en fazla tercih eden sektörler olarak; sistem odaları, depo alanları (gıda, soğuk hava vb.), ilaç/aşı dolapları, banka şubeleri/ATM’ler, arşiv odaları, baz istasyonları, hastaneler/ameliyathaneler, laboratuvarlar, tahıl siloları/seralar, hayvan çiftliklerini sayabiliriz.

3. Sağlık sektöründe ortam izleme çözümlerini nasıl ve nerelerde kullanıyorsunuz?

Sağlık sektöründe özellikle ilaç ve aşıların korunmasında, ortam parametreleri oldukça önemli. Bu doğrultuda, ısı ve nem gibi değerlerde yaşanacak en küçük değişiklikte haberdar olunması ve önlem alınması gerekiyor.

Retmon Ortam İzleme Sistemi, Sağlıkta Kalite Standartları Yönetmeliğine göre; hastaneler, tıp merkezleri ve ameliyathaneler için ısı ve nem takibi yapılmasını, kayıt altına alınmasını ve sıcaklık ile bağlı nem oranlarının ayarlanabilir olmasını sağlıyor.

Sağlık denildiğinde akla gelen aşı ya da ilaçlar, çok yüksek veya çok düşük sıcaklıklarda depolandığında, kimyasal stabilitesi muhtemelen etkilenecektir. Bu durum, ilacın ya da aşının bozulabileceği ve etkisini yitireceği anlamına gelir. Bozulmalar görsel olarak fark edilmeyebilirken, tedavi esnasında uygulandığında gerçek sorunlara neden olabilir.

Özetle, maddi kayba sebep olurken bundan çok daha önemlisi sağlık üzerinde de olumsuz etki yaratma ihtimali vardır.

4. Ortam İzleme Sisteminin bir diğer kullanım alanı da Data Centerlar. Şirketlerin kalbi olarak nitelendirilen Data Centerlar için nasıl çözümler sunuyorsunuz?

Retmon DCIM, Data Centerların ortam parametrelerinin izlenmesi için özel olarak geliştirilen çözümümüz.

Data Center veya sistem odası ortam koşullarının anlık olarak izlenmesi,
3D termal haritalar sayesinde canlı görüntü alınabilmesi,
Kapı giriş-çıkış bilgilerinin takip edilmesi,
Data Center enerji tüketiminin ve güç dağılımlarının hesaplanması,
Alarm durumları için bildirim ve uyarıların oluşturulması,
Enerji kesintilerinin takibi ve uygulanacak acil durum senaryolarının oluşturulması,
Ekipmanların değişim, bakım zamanları ve garanti sürelerinin önceden otomatik olarak bilgilendirilmesini sağlıyor.

5. Retmon çözümlerine yeni nesil teknolojileri nasıl dahil ediyorsunuz?

Retmon, özellikle akıllı sensör teknolojisini çözümlerinin tamamında kullanıyor. 2021 yılında da çözümlerimize Nesnelerin İnterneti (IoT) teknolojisini dahil etmeyi planlıyoruz.

Üretim performansını etkileyen ortam verilerinin toplanmasında ve parametrelerin izlenmesinde, kalite ve üretim problemlerinin analiz edilmesinde ve sorunların tespit edilmesinde IoT teknolojisi oldukça etkilidir. Retmon IoT çözümünde, üretim sahasından toplanan veriler ile Big Data'yı oluşturuyoruz.

İstenilen periyotlar ve zaman aralıkları için verilerin analizi sağlayan araçları sayesinde, üretimi etkileyen tüm parametrelerin detaylı bir şekilde raporlanmasını ve analizler yapılmasını sağlıyoruz. Ayrıca, yüksek hızda veri okuyabilen haberleşme protokolleri ile Retmon IoT izlenen verilerindeki en küçük değişimi bile kayıt altına alarak, ilgili kişilere bildirim gönderebiliyor.

6. Artık sohbetimizin sonuna geldik. Retmon Ortam İzleme Sistemi hakkında bilgi almak isteyenler size nasıl ulaşabilir?

retmon.com internet sitemizden Ücretsiz Demo Talebi oluşturarak ya da iletişim bilgilerimizden bizlere ulaşarak bilgi alabilirler.

Röportajımızı sonlandırırken beni Akademi 4.0'da konuk ettiğiniz için çok teşekkür ederim, başka etkinliklerde görüşmek dileğiyle.

Staj Programı

Thu, 28 Jan 2021 10:12:40 GMT

Konzek Teknoloji ya da Akademi 4.0 Start Girişim Hızlandırma Programı'ndaki şirketlerde gönüllü staj yapmak için yılın her döneminde başvurunuzu iletebilirsiniz.

Yapay Zekâ, Endüstriyel Teknoloji ve Dijital Dönüşüm alanlarında sektör profesyonelleri ile networking sağlama fırsatı yakalayabilir, özgeçmişinizde belirtebileceğiniz değerli tecrübeler edinebilirsiniz.

Ayrıca Konzek Teknoloji çalışanları için düzenlenen şirket içi eğitimler ve etkinliklere katılabilir, kurumsal avantajlarından da faydalanabilirsiniz.

Makine Öğrenimi İçin En İdeal Programlama Dili Python

Wed, 27 Jan 2021 12:40:00 GMT

Makine öğrenimi basit bir ifadeyle, bilgisayarların yeni beceriler programlamaya gerek kalmadan kendi başlarına öğrenme yeteneğidir. Makine öğrenimi, belirli verileri işledikten sonra karar vermede çok yararlı olabilecek yeni şeyler öğrenebilen gelişmiş algoritmalarla ilgilidir.

Python, kaynak kodunun yüksek okunabilirliği ve netliği ile bilinen en popüler programlama dillerinden biridir. Bu özelliği sayesinde de yeni başlayan programcılar tarafından oldukça tercih edilmektedir.

Python Makine Öğrenimi İçin Neden İdealdir?

En son verilere göre; Python, R, Java, JavaScript, C ve C++ makine öğrenimi için en yaygın kullanılan programlama dilleridir. Python, birçok programcı için çeşitli veri analizi ve yapay zekâ projelerinde kullanılan temel dildir. Bunun sebebi, yapay zekâ ile ilgili işlevlerin uygulanmasını önemli ölçüde kolaylaştıran mükemmel makine öğrenimi kütüphanesine sahip olmasıdır.

Yapay Zeka ve Makine Öğrenimi İçin En İyi 20 Python Kütüphanesi yazımızda bu konuyu sizin için detaylı olarak anlattık, mutlaka inceleyin!

Veri analizi söz konusu olduğunda; Python'da yazılan komut dosyaları, veri toplama ile ilgili çok sayıda görevi otomatikleştirmeye izin verir. Yapay zekâ kullanılan projeler çoğunlukla bu dilde geliştirilir. Pek çok BT uzmanına göre Python, makine öğreniminin geleceğidir.

Python, öğreniminin oldukça kolay olması sebebiyle makine öğrenimine yeni başlayanlar için uygun bir programlama dilidir. Birçok farklı kavramın uygulanmasına önemli ölçüde yardımcı olur. Yapay zekânın en önemli özellikleri olan modülerlik, tasarım ve yüksek hızlı performansın Python tarafından yerine getirilmesi, makine öğrenimi için en ideal programa dili olmasını sağlar.

Yapay Zekâ Tarihi Figürleri Canlandırıyor

Tue, 19 Jan 2021 13:30:00 GMT

Fotoğrafın icadından önce portre sanatı oldukça ilgi görüyordu. Tablolar her ne kadar bulunduğu dönemi yansıtsa da tarihteki önemli figürlerin gerçek görünüşleri her zaman merak konusu olmuştur.

Sanatçı Nathan Shipley, yapay zekâyı kullanarak ünlü kişilerin portrelerini gerçek görüntüsüne kavuşturduğu projesi ile bir bakıma onları sanal ortamda canlandırıyor. Sanatçı; William Shakespeare, Anne Boleyn, Mary Tudor ve Kraliçe I. Elizabeth gibi genellikle İngiliz tarihinde önemli figürlerin gerçekte nasıl göründüklerine dair geliştirdiği yapay zekâ projeleri ile tanınıyor.

Nathan Shipley bir röportajında, yapay zekâ ve makine öğrenimi kullanarak görsel dünyayı yeniden yaratma çabasını bir deney olarak gördüğünü söylemiş ve bu yaptığını ise yeni bir sanat olarak nitelendirmiştir.

Sanatçının yapay zekâ ile gerçekleştirdiği tüm projelerine, Nathan Shipley'nin instagram sayfasından ulaşabilirsiniz.

Yalın Yeni Girişim

Fri, 15 Jan 2021 17:00:00 GMT

Bir fikriniz var bunu nasıl ve nerede oluşturacağınızı bilmiyorsanız; fikrinizi başkalarına aktarmak için birçok model var. Bu modeller arasından girişiminizi en basit şekilde oluşturabileceğiniz Yalın Yeni Girişim metodunu sizin için inceleyeceğiz.

Yalın Yeni Girişim Nedir?

Eric Ries, “Girişimcilerin başarılı bir yeni girişim kurma ihtimallerini artırmaya yardımcı olan bir uygulama setidir.” cümlesiyle Yalın Yeni Girişim tanımını yapıyor. Bunu daha anlaşılır hâle getirmek için yeni girişimin ne olduğunu tanımlamak önemlidir.

Yeni girişim; olağanüstü belirsizlik şartları dahilinde, yeni ürün ve hizmetler geliştirme sürecidir.

Yalın Yeni Girişim, girişimleri oluşturmak ve yönetmek için bilimsel bir yaklaşım geliştirir ve istenen çıktıya daha hızlı ulaşmanızı sağlar. Ayrıca, girişimci olmak isteyenler için; girişimlerini nasıl yönlendirmesi gerektiğini, ne zaman duracağını ve ne zaman sabırla mücadeleye devam etmesi gerektiğini, nihayetinde de bir girişimin maksimum ivmeyle nasıl büyütüleceğini öğretir.

Girişimci olmak isteyenler, genellikle insanların çok tercih edeceği bir ürün geliştirdikleri fikriyle başlar. Daha sonra, ürünü potansiyel müşteriye çok temel bir biçimde bile göstermeden mükemmelleştirmek için aylar, bazen yıllar harcarlar. Müşterilerden geniş kitlelere ulaştırmada başarısız olduklarında, bunun nedeni genellikle potansiyel müşterilerle asla konuşmamaları ve ürünün ilginç olup olmadığını belirlememeleridir. Tüketiciler ilgisiz kaldıkları için fikri umursamadıklarına dair geri bildirim verdiklerinde, girişim başarısız olur.

Nereden Başlamalısınız?

Girişimci olmak isteyenler için, başlangıç aşamasında iş planı belirlemek ve iş modellerini ona göre organize etmek en doğru yöntemlerden biridir. Hangi model sizin girişim fikrinize daha çok uyuyor, girişimci olmak için nasıl bir plan belirlemelisiniz ve girişiminizi geliştirirken uygulamanız gereken doğru strateji nedir?

Girişiminiz büyürken doğru iş modelini belirlemek yüksek önem taşımaktadır. Business Model Canvas’ın yeni bir yorumlanması olan Lean Canvas’a bir göz atmadan önce, bu süreçleri gerçekleştirirken bir mentor desteğinin ne kadar önemli olduğundan da bahsedelim. Takıldığınız noktalarda ve girişiminizin tıkandığı aşamalarda, sektörde tecrübe kazanmış ve kendi girişimini başarıyla tamamlamış mentorlardan destek almak sizi bir adım öne taşıyacaktır.

Akademi 4.0 Start adını verdiğimiz Girişim Hızlandırma Programı ile girişimci olmak isteyenlere ücretsiz mentorluk desteği veriyor ve Konzek Kampüs’ün fiziki imkanlarını kullanabilmelerini sağlıyoruz. Konzek Teknoloji’nin endüstriyel hedefleri doğrultusunda uygun olarak değerlendirilen girişimleri de destekleyebiliyoruz. Girişim fikrinizi hayata geçirmek ve iş modelinizi planlamak için hemen başvurun!

1. Problem

Girişim fikriniz hangi probleme çözüm getiriyor? Hangi müşteri segmentine hitap ediyorsunuz? Başarılı girişimlerin çoğu, tespit ettikleri problemi çözmeye dayalı olarak ortaya çıkmıştır. Girişim fikriniz hangi problemi çözecek ve hangi müşteri segmentine hitap edecek, ilk olarak bu soruların cevabını bularak işe başlayabilirsiniz.

2. Çözüm

Girişimci olmak isteyenler çoğunlukla bir probleme çözüm bulmak için çabalıyor. Çözüm süreci, girişim fikriniz ortaya çıktıktan sonra en olgunlaşmış halini alacaktır. Eric Ries’ın, Yap - Ölç - Öğren döngüsünü (müşterileriniziden aldığınız geri bildirim döngüsünü hızlı şekilde işletme yöntemi) bu aşamada kullanabilirsiniz.

3. Eşsiz Değer Önerisi

Tablonun tam ortasında eşsiz değer önerisi yer alıyor. Girişiminiz ne vaat ediyor? Diğer girişim fikirlerinden hangi konularda ayrılıyorsunuz? Tüketiciler, geliştirdiğiniz ürünü neden satın almalı? Bu sorular için vereceğiniz cevaplar, gerçekçi bir strateji belirlemenizi sağlıyor.

4. Rekabet Avantajı

Girişiminizin eşsiz özellikleri nelerdir? Bu özellik tek bir tane bile olabilir. Önemli nokta, rakipleriniz arasında size fark katacak ve sıradan olmamanızı sağlayan bir özellik olmasıdır. Bu soruya yanıt vermek bazen oldukça zor olabilir, bu yüzden sizi diğer girişimcilerden ayıracak somut bir söyleme ulaşana kadar çalışmanız gerekir.

5. Müşteri Segmenti

Müşteri segmenti, geliştirdiğiniz ürün ya da hizmetle doğrudan alakalıdır. Çünkü girişiminizin gelişmesi ve talep görmesi, doğru segmentasyonla mümkündür. Çözüm kısmında da bahsettiğimiz gibi, girişim fikrinizi müşteri segmentine göre belirleyebilirsiniz.

6. Anahtar Ölçütler

Girişiminiz hangi sektöre hitap ederse etsin, performansını belirli ölçütlerle değerlendirmelisiniz. Böylece, yürüttüğünüz çalışmaların amacına ulaşıp ulaşmadığını belirleyebilirsiniz. Hedefiniz olmadan, girişiminiz için gerçekçi bir strateji belirlemeniz mümkün olmayacaktır. Bu aşamada, Dave McClure’ın Pirate Metrics’inden yardım alabilirsiniz.

7. Kanallar

Kanallar, girişimci olmak isteyenlerin hedef kitlesine giden yoldur. Hangi kanallar ile potansiyel müşterilerimize ulaşabiliriz? sorusu ile ilerlemelisiniz. Kanalları belirlerken mevcut hedefleriniz ve müşterilerinize ulaşma konusunda titiz davranmalısınız. E-posta, sosyal medya, reklamlar, bloglar, makaleler, radyo ve TV gibi kanallardan hangileri sizi müşterilerinize ulaştıracak? İyi bir araştırmadan sonra bunu belirlemelisiniz.

8. Maliyet

Girişiminiz için harcamayı planladığınız maliyeti önceden belirlemelisiniz. Mutlaka öngörmediğiniz harcamalar da olacaktır, ancak genel çerçeveyi çizerken ve bunun için de bir kaynak planlamalısınız. Çünkü, doğru kaynak planlaması yapmayan ve bu konuda zorlanan girişimciler, ne kadar özgün bir fikre sahip olsa da girişimini tamamlayamayabiliyor.

9. Gelir Akışları

Girişiminiz ile ilgili fiyatlandırmayı nasıl yapacaksınız? Girişim fikrinizin, ilk aşamada daha çok kişiye ulaşması için ücretsiz sunmanız da bir seçenektir fakat, bu durum Yap - Ölç - Öğren döngüsünün tamamlanmasını engelleyebilir. Bu yüzden doğru pazar araştırmasıyla, uygun bir fiyatlama sunmak mantıklı olacaktır.

Ekosistem: Kapsayıcı Paylaşım

Fri, 15 Jan 2021 14:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, ReProcess Initiator İbrahim Veli olacak.

Günümüzde sistematik bir zorluğun üstesinden gelmek için nokta atışı çözümler peşinde koşmak yetmiyor. Bu yüzden veriye dayalı karar destek uygulamalarıyla “öngörü”nün yerini “angörü” alıyor. Yaşanan bu süreçte “kapsayıcı paylaşım”a göre tasarlanacak bir ekosistem, yöneticileri kutu dışında düşünmeye davet ediyor. Başarının ölçütlerini; şeffaflık, izleme ve yönetişim gibi tüm katılımcıları kapsıyor ve paylaşımı performansa göre yeniden değerlendiriyor.

Kapsayıcı paylaşım nedir ve kriz durumlarında işletmeleri nasıl destekler? Kapsayıcı paylaşım odaklı bir ekosistem nasıl kurulur? İş süreçlerine karşılıklı güven, bilgi paylaşımı ve iş birliği ahlakı nasıl dahil edilir? Sorularına cevap bulacağımız etkinliğimize, Meetup ya da Kommunity üzerinden kayıt olarak katılabilirsiniz.

Etkinlik Detayları

Etkinliğimiz 15 Ocak Cuma günü, saat 14:00'da başlayacaktır.

Detaylı bilgi:info@akademi40.org

Makine Öğrenimi Rehberi

Wed, 13 Jan 2021 11:30:40 GMT

Makine öğrenimini tüm yönleriyle ele alan ve başlangıç yapmak isteyenler için rehber olması için hazırladığımız e-kitabımız, makine öğrenimi konulu içeriklerimizin derlenmesi ile oluşturuldu.

DALL-E Metinden Görsel Yaratan Yapay Zekâ

Mon, 11 Jan 2021 09:50:00 GMT

İsmini sürrealist ressam Salvador Dalí ile hepimizin çok sevdiği şirin ve duygusal robot WALL-E’den alan DALL-E; doğal dilde ifade edilebilen çok çeşitli kavramlar için, yapay zekâ ile metin başlıklarından görüntüler oluşturabiliyor.

DALL-E; metin-görüntü çiftlerinden oluşan bir veri kümesi kullanarak, metin açıklamalarından görüntüler oluşturmak üzere eğitilmiş GPT-3'ün 12 milyar parametreli bir sürümüdür. Hayvanların ve nesnelerin antropomorfize* edilmiş versiyonlarını oluşturma, ilgisiz kavramları makul şekillerde birleştirme, metin oluşturma ve mevcut görüntülere dönüştürme gibi çeşitli yeteneklere sahiptir. DALL-E, dilin kompozisyon yapısını araştıran çok çeşitli cümleleri temel alarak yapay zekâ ile makul görüntüler oluşturabiliyor.

DALL-E’nin diğer yetenekleri ve örnek görüntü çalışmaları hakkında daha fazla bilgi edinmek için openai.com/blog/dall-e adresini ziyaret edin.

* antropomorfize: insan olmayan varlıklara insansı özellikler yüklemek.

2021’de Teknoloji Alanında Popüler Olacak 10 Meslek

Tue, 05 Jan 2021 16:00:00 GMT

Son yıllarda teknolojinin gelişmesi ve Endüstri 4.0 akımıyla birlikte, pek çok manuel süreç otomasyon ve robotik ile yürütülebilir hâle geldi. Bu durum, bazı mesleklerin önemini yitirmesine sebep olsa da diğer yandan çok sayıda yeni istihdam olanağının gündeme gelmesini sağladı.

Başka bir ifadeyle, teknolojinin ve endüstrinin geçirdiği değişim ve dönüşümden, meslekler de etkileniyor. Yok olan ya da önemini yitiren mesleklerin yerine, yeni teknolojileri geliştirebilecek ve yönetebilecek personel ihtiyacı ortaya çıkıyor.

Bu bağlamda, 2021 yılında teknoloji alanında ön plana çıkacağını düşündüğümüz meslekleri sizler için inceledik:

1- Yapay Zekâ Mühendisi / Makine Öğrenimi Mühendisi

Geleceğin meslekleri arasında görülen Yapay Zekâ Mühendisliği ve Makine Öğrenimi Mühendisliği, endüstride ve otomasyon çözümlerinde yapay zekâ desteğine talep arttıkça daha fazla ilgi görecek.

2021 yılının, hatta geleceğin meslekleri arasında gösterilen bu meslek grubu; tahminleme, görüntü tanıma, doğal dil işleme ile ilgili modelleri eğitmek için büyük veriyi kullanırlar. Ayrıca IoT ve AIoT alanlarında çalışma gerçekleştirirler.

2- Veri Bilimci

Veri, hayatımızın her alanında karşımıza çıkıyor. Veri Bilimciler ise adına Büyük Veri (Big Data) dediğimiz veri kümelerini anlamlı hale getiriyorlar. Veri Bilimciler; verileri analiz ederek doğru sonuçlara ulaşılması, şirketlerin stratejik planlaması, gelecek kararları ve iş planları için oldukça önem arz ediyor.

Veri Bilimcileri, Veri Analistlerinden ayıran nokta ise; Veri Bilimciler elde ettikleri verileri nasıl kullanacaklarına karar verir. Yetenekli Veri Bilimciler 2021 yılında da oldukça popüler olacak.

3- Bilgi Güvenliği Analisti

Son yıllarda siber suçların artmasıyla Bilgi Güvenliği Analistlerine ihtiyacımız da bir o kadar arttı. Veriler büyüyor ve tüm verilerimizi elektronik ortamlarda saklıyoruz. Dijital verileri saklamak, her geçen gün artan teknolojik gelişmeler ile çok kolay hâle gelmiş olsa da bilgi güvenliğini sağlamak her zaman bu kadar kolay olmayabiliyor.

Bilgi Güvenliği Analistleri şirketlerde bulunan BT sistemlerini ve hassas bilgileri siber saldırılardan korumak, güvenlik sistemleri oluşturmak, güvenlik süreçlerini izlemek ve bu bilgilerin kötü niyetli kişilerin ellerine geçmesini önlemek için görevlendirilir.

4- Yazılım Mühendisi

Yazılım Mühendisliği, son yıllarda popülaritesi artarak devam eden mesleklerden biri. Yazılım mühendisleri iyi birer analist, iyi birer problem çözücüdür. Hemen hemen hayatımızın her alanında bir Yazılım Mühendisinin elinden çıkmış bir yazılım kullanıyoruz. Telefonlarımızda, bilgisayarlarımızda hatta ev aletlerinde bile.

Bu gelişmelerden çıkarmamız gereken mesaj; gelecekte yazılım mühendislerine bugünden bile daha çok ihtiyacımız olacak!

5- Veri Analisti

Veri ve veri işlemeyi şüphesiz ki 2021 yılında da çok konuşacağız. Veri Analisti verileri yorumlar, doğrular ve bu verileri raporlar.

Yapay zekânın gelişimi ile birlikte bu mesleğin rafa kalkacağı konuşulsa da içinde bulunduğumuz zaman diliminin en önemli meslekler arasında gösterebiliriz.

6- Bilgi Teknolojileri Yöneticisi

Son yıllarda hiç popülerliğini yitirmemiş meslekler biri olan Bilgi Teknolojileri Yöneticiliğini, 2021 ve sonrasında da sıkça duyacağız. Şirketlerdeki Bilgi Teknolojileri departmanlarında çalışan yetenekli ekibin planlaması ve koordinasyonundan sorumlu bu kişiler, ayrıca BT teknolojilerinin geliştirilmesi ve stratejilerinden de sorumludur.

Bilgi Teknolojileri Yöneticileri eşsiz bir koordinasyon yeteneğinin yanında, yeni teknolojileri takip etme ve uyarlama konusunda da yetenekli olmalıdırlar.

7- Satış Mühendisi

Teknoloji kariyerine başlamak için harika bir meslek olarak görülebilir. Mühendislik alanında eğitim alan ancak, pazarlama ve satış konusunda da yeteneği olduğunu düşünenler için bu meslek oldukça uygun olabilir.

İçinde bulunduğumuz dönemde, işletmeler tecrübeli ve yetişmiş Satış Mühendisi bulmakta zorlanıyor. Gün geçtikçe de ihtiyacın artacağı öngörüsü doğrultusunda, bu mesleği kariyer hedefine dahil edenler ve kendini geliştirenler ilerleyen dönemlerde oldukça tercih edilir olacaklardır.

8- Mobil Uygulama Geliştiricisi

Akıllı telefonlar ve günlük hayatımızı kolaylaştıran mobil uygulamalar, vazgeçemeyeceklerimiz listesinin üst sıralarında yer almaya başladı. Bu bağlamda popüler mesleklerden biri hâline gelen Mobil Uygulama Geliştiriciliği, hem eğlenmek hem de kendinizi geliştirmek için harika bir meslek olarak nitelendirilebilir.

Bir fikriniz varsa, bunu geliştirmek tamamen sizin elinizde ve kendinizi sınırlandırmanıza gerek yok. Sportif faaliyetleri ölçen ya da yabancı dil öğrenmeye yardımcı olan bir uygulama geliştirebilirsiniz.

Akıllı telefonların yaygınlaşmasıyla birlikte ön plana çıkan Mobil Uygulama Geliştiriciliği, şüphesiz 2021 ve sonrasında da popüler meslekler arasında olmaya devam edecek.

Siz de gelişen teknolojiye katkıda bulunmak ve gün geçtikçe büyüyen yazılım sektöründe kariyer fırsatı yakalamak istiyorsanız, Konzek Teknoloji Kariyer sayfasını mutlaka ziyaret edin!

Yapay Zekâ Gazetecilerin İşlerini Nasıl Kolaylaştırıyor?

Mon, 04 Jan 2021 13:00:00 GMT

Yapay zekâ işimizi almak yerine, daha başarılı olmamız için pek çok alanda bize yardım ediyor. Gazetecilik de yapay zekâdan yardım alabileceğimiz bir sektör.

Son birkaç yılda, yapay zekânın gazeteciler için işleri kolaylaştırdığı ve inceleyecekleri konuların kapsamını genişlettiği görüldü. Gazetecilerin, yapay zekâdan nasıl faydalandıklarını örneklerle açıkladık:

1. Transkripsiyon

Röportaj kayıtlarını yazıya dökmek, çoğu zaman bir angarya ve zaman kaybı olarak görülebiliyor. Ancak Otter, Trint veya Voicedocs gibi yapay zekâ destekli transkripsiyon araçları sayesinde artık oldukça kolay.

Bu araçlar sadece birkaç dakika içinde ses kayıtlarını yazıya aktarmakla kalmaz, aynı zamanda ortaya çıkan metne zaman damgaları da ekler. Böylece sesin belirli bir bölümünü bulmak için ileri geri atlamak zorunda kalmasınız. Dahası, röportajlarda anahtar kelimeler aramayı kolaylaştırır ve manşetinizi yorulmadan bulmanızı sağlar.

2. Veri Gazeteciliği

Veri ve istatistiklere dayalı hikayeler son yıllarda giderek daha fazla öne çıkıyor. Makine öğreniminin yaygınlaşmasıyla da bu trend devam edecek.

Artık milyonlarca belgeyi incelemek ve sınıflandırmak için makine öğrenimi araçları kullanılıyor. Gazeteciler; veri dönüştürme ve analiz yazılımı, kümeleme araçları ve amaca yönelik özel olarak geliştirilmiş optik karakter tanıma araçlarını kullanarak çok sayıda belgenin arasından, haberleri için gerekli olanları ayırabiliyor.

3. Uydu Fotoğrafı Analizi

Makine öğrenimini uydu verilerine uygulamak, gazetecilerin daha önce fark edilmeyen veya yeterince anlaşılmayan etkinlikleri takip etmelerine yardımcı olabilir. Genellikle yasa dışı balık avları veya zorla çalıştırma gibi toplumdan gizli yürütülen faaliyetlerin ortaya çıkarılmasında kullanılıyor.

4. Görüntü ve Video Tanıma

Clarifai ve Vidrovr gibi araçlar, görüntüleri ve videoları tarayarak gazetecilerin aradıkları detayları bulmalarına olanak tanır. Örneğin bir gazeteci, bir grup fotoğrafındaki politikacıları tanımlamak için Clarifai'yi kullanabilir.

Gazetecilik alanında yapay zekâ hızla gelişiyor. 2021 yılında da gazetecilikte daha birçok tamamlayıcı yapay zekâ uygulaması görmeyi bekliyoruz.

Spotify Haftalık Keşif Listenizi Makine Öğrenimi ile Oluşturuyor

Tue, 29 Dec 2020 08:55:00 GMT

Her Pazartesi milyonlarca dinleyici, dinleme geçmişlerine ve etkileşimde bulundukları şarkılar baz alınarak kişisel zevklerine göre özelleştirilmiş yeni şarkı önerileri içeren bir çalma listesi alır.

Spotify, bu listeleri oluşturmak için makine öğrenimiyle desteklenen farklı veri toplama ve sıralama yöntemlerinin bir kombinasyonunu kullanır.

Peki, Spotify haftalık keşif listenizi oluştururken makine öğreniminden nasıl yararlanıyor?

1. İş Birliğine Dayalı Filtreleme

İş birlikçi filtreleme, diğer benzer kullanıcıların tercihlerine dayalı olarak kullanıcıların tercihleri hakkında otomatik tahminler yapmak için tavsiye sistemleri tarafından kullanılan popüler bir tekniktir.

Spotify'da, iş birliğine dayalı filtreleme algoritması, kullanıcıların dinlediği şarkıların bulunduğu, kullanıcı tarafından oluşturulmuş birden çok çalma listesini karşılaştırır. Algoritma daha sonra çalma listelerinde görünen diğer şarkılara bakmak için bu çalma listelerini tarar ve bu şarkıları önerir.

2. Doğal Dil İşleme

NLP, bir algoritmanın konuşma ve metni gerçek zamanlı olarak anlama yeteneğidir. Spotify'ın NLP'si, her şarkı için bir profil oluşturmak üzere makaleler, blog gönderileri veya müzikle ilgili başka herhangi bir metin bulmak için sürekli olarak webde geziniyor.

Tüm bu verilerle NLP algoritması, şarkıları onları tanımlamak için kullanılan dil türüne göre sınıflandırabilir ve bunları aynı şekilde tartışılan diğer şarkılarla eşleştirebilir. Sanatçılar ve şarkılar, verilere göre anahtar kelimeleri sınıflandırmak için atanır ve her terimin kendilerine atanmış belirli bir ağırlığı vardır. İşbirlikçi filtrelemeye benzer şekilde, şarkının bir vektör temsili oluşturulur ve benzer şarkılar önermek için kullanılır.

3. Evrişimli Sinir Ağları

Evrişimli Sinir Ağları (Convolutional Neural Networks), öneri sistemini geliştirmek ve doğruluğu artırmak için kullanılır, çünkü daha az popüler olan şarkılar diğer modeller tarafından ihmal edilebilir. CNN modeli, belirsiz ve yeni şarkıların dikkate alınmasını sağlar.

CNN modeli en yaygın olarak yüz tanıma için kullanılır ve Spotify, aynı modeli ses dosyaları için yapılandırmıştır. Her şarkı bir dalga formu olarak ham bir ses dosyasına dönüştürülür. Bu dalga biçimleri CNN tarafından işlenir ve dakika başına vuruş, ses yüksekliği, majör / minör anahtar vb. parametreleri benzer şarkıları eşleştirmeye çalışır.

Spotify bu temel makine öğrenimi modelleriyle, dinleyicilerini her hafta benzersiz bir müzik çalma listesi oluşturabiliyor.

Birçok makine öğrenimi modelindeki temel sorun, işlenebilecek temiz yapılandırılmış verilere erişim eksikliğidir. Spotify, kullanıcılarından topladıkları büyük miktardaki verilere erişimleri nedeniyle bu sorunu aşmayı başardı.

Girişimcilerin İhtiyacı Olan "Başarısızlık" Hikayeleri

Fri, 18 Dec 2020 16:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, E-Ticaret ve Dijital Pazarlama Müdürü Sedat Ateş olacak.

Sedat Bey; girişimciler için en az başarı hikayeleri kadar önemli olan "başarısızlık" hikayelerini ve bunlardan çıkarılması gereken dersleri, çözüm yollarını bizlere anlatacak.

Öğrenmenin maddi ve zaman maliyetini nasıl düşürürüz? Başarısızlıktan çıkan hikayeler nelerdir ? Bunlardan çıkarılacak dersleri, kendi işimizde ve hayatımızda nasıl uygulayabiliriz? Sorularına cevap bulacağımız etkinliğimize, Meetup ya da Kommunity üzerinden kayıt olarak katılabilirsiniz.

Etkinlik Detayları

Etkinliğimiz 18 Aralık Cuma Günü, Saat 16:00'da başlayacaktır.

Detaylı bilgi: info@akademi40.org

Sanatçı Yapay Zekâ ile Tanıştınız mı?

Thu, 10 Dec 2020 11:50:00 GMT

Yapay zekâ ve makine öğrenimi son yıllarda günlük hayatımızın pek çok noktasında karşımıza çıkıyor. Peki, yapay zekânın sanatsal çalışmalar da yürüttüğünü biliyor musunuz?

AI Art Gallery, Luba Eliot küratorlüğünde 2017 yılından beri yürütülen bir sergi. Müzik, tasarım ve resim dallarında yapay zekâ ile ortaya çıkarılan eserlere online olarak ulaşabilirsiniz.

Makine öğrenimi kullanılarak yaratılan sanatsal çalışmaları keşfetmek için, aiartonline.com web sitesini hemen ziyaret edin.

Dijital Dönüşüm Değerlendirme Aracı

Wed, 09 Dec 2020 09:00:00 GMT

Dünyada dijital dönüşümün; tüketici, otomotiv, lojistik, enerji, tele-iletişim, medya, madencilik, kimya gibi diğer sektörlerle beraber “toplam net ekonomik faydasının yaklaşık 30 trilyon Dolar” olacağı tahmin edilmektedir. Dijital dönüşümün en temel teknolojilerinden olan nesnelerin internetinin 2025 yılı itibarıyla yaratacağı ekonomik değerin “yılda 4 ile 11 trilyon dolar” arasında bir miktara ulaşması beklenmektedir.

Bu beklentileri dikkate alan ve 11. Kalkınma Planın beş temel ekseninden biri olan rekabetçi üretim ve verimlilik, her sektöre uygulanacak yatay politika sektörleri açısından ele alınmış dijital dönüşüm, hızlandırıcı bir politika olarak görülmüştür. Yine yatay eksende, kritik teknolojiler olarak, bu projede katkı yapılması planlanan teknolojilerden olan yapay zekâ, nesnelerin interneti, artırılmış gerçeklik, büyük veri, sensör teknolojileri ve robotik sayılmış, bu teknolojilerin geliştirilmesi için üniversite-sanayi işbirliğinin destekleneceği vurgulanmıştır.

Bu kapsamda Boğaziçi Üniversitesi Endüstri 4.0 Projesi çerçevesinde proje ortakları olan İstanbul Dudullu Organize Sanayi Bölgesi (İDOSB) ve İstanbul Sanayi Odası (İSO) üyesi 100 sanayi kuruluşunun dijital dönüşüm değerlendirmesi yapılarak hazırlık seviyesi belirlenmesi önemli bir kazanım olmuştur. Boğaziçi Üniversitesi Endüstri 4.0 Platformu tarafından hazırlanan 2019-2020 Sonuç Raporu”, aynı zamanda Küçük ve Orta Büyüklükte İşletme (KOBİ) ölçeğinde olan kuruluşlar için bir yol haritası oluşturmaktadır.

“Türkiye’de Dijital Dönüşüm Değerlendirme Aracı: (D3A)” yol haritası, Endüstri 4.0 hedefleri için gerekli teknolojik yetkinlikleri “pazar”, “ürün”, “süreç” ve “değer ağı” kriterlerine göre tanımlamış, KOBİ’lerin dijital işler, ileri imalat yöntemleri, enerji ve ileri elektronik alanlarında iş birliğini artıracak fırsatları belirlemeye çalışmıştır. Şirketlerin dijital dönüşüm sürecini ise, vizyon oluşturma, yol haritası oluşturma ve uygulama projeleri oluşturma olarak üç aşama ile kapsamıştır. Hızlandırıcı bir politika aracı olarak “D3A”, değerlendirmelerini 5 seviyeli bir olgunluk ölçüsüyle belirlenmiştir:

Başlangıç: Endüstri 4.0 vizyonu zayıf olanlar,
Yönetilen: Yapısal Endüstri 4.0 vizyonu bulunan, ihtiyaçlarını müşteri gruplarına göre tespit etmiş, ancak projelerini önceliklendiremeyenler
Tanımlanmış: Yeterliliklerin göz önünde bulundurulduğu, değer önerilerinin tanımlandığı Endüstri 4.0 stratejisi belirlenmiş, projeler değerlendirilmiş,
Dönüşüm: Net olarak belirlenmiş Endüstri 4.0 hedefleri gerekli kaynak ve yetkinliklerle detaylandırılarak hayata geçirilmiş projelere dönüştürülmüş, Detaylı İş Modeli: Geleceğin Endüstri 4.0 risklerinin de dikkate alındığı projeler ile yeni iş modelleri geliştirilmiş ve işletmenin tamamına yayılmış durum.

D3A raporu, TÜSİAD’ın 2017 yılında yaptığı “Türkiye’nin Sanayide Dönüşüm Yetkinliği” araştırma raporunda “108 teknoloji kullanıcısı şirket yerli tedarikçilerin olmadığını/bulunamadığını ve 110 teknoloji tedarikçisi şirketin de talep düşüklüğünü gidermeyi” de amaçlayan değerli bir çalışmadır. Bu çalışma ile; Türkiye’nin dönüşüm yarışında kalıcı ve hızlı olması için: yatırımları hedefe göre yönlendirmek, geleceği bugünden şekillendirmek ve değeri Türkiye’de yaratmak adımlarını kapsayan bir yol haritası önerilmektedir.

Sonuç olarak; Dijital Dönüşüm Değerlendirme Aracı (D3A) olarak adlandırılan endeks, çalışmanın odağına İstanbul Dudullu Organize Sanayi Bölgesi şirketlerini almış, pilot görüşmeler yapmış, farklı alanlardaki ölçümleyici soruları test ederek üç temel amaca hizmet etmiştir:

Dönüşüm ihtiyacını tespit etmek,
İhtiyacın karşılanıp karşılanmadığını takip etmek,
Dönüşümün yarattığı faydayı ölçümlemek.

Patenti alınan bu çalışmada; dijital stratejilerin belirlenmesi, teknolojiler içerisinden kolay erişilebilen, hızlı uygulanabilen ve kar üzerinde yüksek etkisi olan yatırımların önceliklendirilmesi (endeksleme çalışması), nitelikli iş gücünün oluşturulması (diploma ve sertifika programları), veri güvenliği, gerekli bağlantı standartlarının tanımlanması (politikalar), teknolojik altyapının kurulması ve sanayide dijital dönüşüm ekosisteminin oluşturulmasının (ekosistem, ‘Teknoloji Deneyimleme Merkezi’) büyük önem taşıdığı belirtilmiştir. Yapılan kümeleme analizi ile veriden öğrenilen tavsiyeler KOBİ’lerin dijital dönüşümüne hız katmıştır.

KOBİ’ler için geliştirilen Dijital Dönüşüm Değerlendirme Aracı (D3A) ile, organizasyonel yapı, müşteri yönetimi, ürün geliştirme, tedarik zinciri yönetimi ve üretim yönetimi başlıkları altında, veri ve Endüstri 4.0 teknolojilerinin kullanımı başarı ile sorgulanmıştır. Adına “dijital dönüşüm” dediğimiz bu dönüşümü gerçekleştirmek, büyük global şirketler için bile uzun süreli değerlendirme ve planlama projeleri ile büyük yatırımlar isterken, Dijital Dönüşüm Değerlendirme Aracı (D3A) sayesinde “yeni dijital teknolojileri araştırmak, planlamak, uygulamaya koymak ve kullanmak, yeni bir bakış açısı ve yetkinlik seti” geliştirilmiştir.

AIoT Nedir ve Hangi Alanlarda Kullanılır?

Wed, 02 Dec 2020 12:30:00 GMT

IoT (Internet of Things), fiziksel objelerin software ve sensörlerle birleşmesiyle oluşan bir teknolojidir. Bu objeler sadece endüstriyel ürünler olmak zorunda değil her gün etrafımızda gördüğümüz ve evlerimizde kullandığımız teknolojik aletler dahi olabilir.

IoT Neden Önemlidir?

İçinde bulunduğumuz yüzyılın en önemli teknolojilerinden biri IoT'dir. Gördüğünüz her nesnenin internete bağlanma opsiyonu var ve düşük bütçeyle Cloud’a bağlanıp veri elde edebiliriz. Çağımızdaki en önemli mal varlığının veri olduğu savunulmaktadır, bu datayla da ürünlerimizi istediğimiz gibi geliştirebiliriz. IoT sayesinde, fiziksel ve dijital dünyayı birbirine bağlamış oluyoruz aslında. Fiziksel dünya dediğimizde görüp kullanabildiğimiz nesneler, mikroçipler aracılığıyla dijital olarak alabileceğimiz verileri aktarabilmektedir.

IoT’nin Çeşitleri Nelerdir?

IIOT

IoT’nin endüstriyel cihazlarda kullanılmasıdır. Makineden makineye iletişimin kullanıldığı bu teknoloji, daha çok sensörlerin ve cihazların bulutla haberleşmesiyle oluşuyor. Endüstri 4.0'ın da temellerini IIoT atıyor diyebiliriz.

AIOT

Nesnelerin yapay zekâsı yani yapay zekânın IoT ile buluşmasıdır. AIoT’yi anlamak için, IoT’nin üzerinden geçmek önemlidir.

IoT’ye yapay zekâ nasıl ve ne amaçla dahil edilir? Makineler arası iletişim için belli protokoller bulunmaktadır. Geliştirilecek ürüne göre AMQP, MQTT ve diğer protokoller arasında bir haberleşme yöntemi seçilebilir. Çoğunlukla, bu protokollerde, makineler belli konulara kaydolup, o konudan yayınlanan güncellenmiş verileri dinleyerek değişimleri algılar.

Yapay zekanın efektif kullanılabilmesi için Big Data’ya ihtiyacımız olmaktadır. Data ne kadar çok ise ve tabi yararlıysa, yapay zekâ da o kadar doğru modellenir. IoT kullanılarak zaten büyük miktarda data toplanabiliyor. Bunları daha yararlı hale getirmek için yapay zekâ devreye giriyor. Kısacası AI ve IoT birbirlerine değer katan teknolojilerdir.

Yapay zekâ, IoT’deki datayı anlamlı hale getirerek IoT teknolojisini daha da efektif yapar. IoT de makine tarafından üretilen data sağlayarak yapay zekâ için önemli bir kaynak olur.

AIoT konseptini sıklıkla yapılan bir benzetmeyle somutlaştırabiliriz. IoT vücudumuzdaki sinir sistemi gibidir, sıcak bir şeye dokunduğumuzda sinirler birbiriyle haberleşerek onun sıcak olduğunu beynimize iletir ve elimizi çekeriz. AIoT ise bu sisteme öğrenebilen bir beyin takılmış halidir, bir daha o sıcak şeye dokunmamayı öğrenir ve elde ettiğimiz datayı ihtiyacımız doğrultusunda kullanmış oluruz.

AI ve IoT Nasıl Bir Araya Gelebilir?

Bu noktada Edge Computing (Sınır Bilişim) devreye giriyor. Veri networkun ucundaki, buluttan bir önceki adımdaki cihazda analiz ediliyorsa, (edge buradan geliyor) buna edge computing diyoruz. Genelde yapay zekâ bu Edge Device’ta koşar ve IoT ile böyle entegre olur. Toplanan data buluta aktarılmadan önce Edge Device’ta koşan yapay zeka modeline input olarak gelir ve buluta anlamlı data yollanır.

Edge computing hem Cloud’a veri yollanırken ortaya çıkan zaman kaybını ortadan kaldırır, hem de Cloud’da sadece istenilen verilerin depolanmasını sağlar.

AIoT Application Örnekleri Nelerdir?

Bu teknoloji nispeten yeni de olsa, Akıllı Ev Konsepti AIoT olarak sayılabilir. Sensörlerden ses algılanıp, kullanıcının telefonuna köpeğiniz anormal derecede çok havlıyor gibi bir bildirim yollanması mümkündür. Sesin algılanması IoT’deki sensörlerden gelir, o sesin köpek havlaması olduğunu da önceden eğitilmiş bir yapay zekâ modeli sınıflayabilir. Self-driving cars da AIoT’nin güçlü bir örneğidir.

Hayatımıza bazı alanlarda girmeye başlayan IoT teknolojilerinin, ilerleyen yıllarda yaşanacak teknolojik gelişmeler sayesinde çok daha fazla alanda kullanılarak hayatımızı kolaylaştırması bekleniyor.

MES Yazılımlarında Docker Nasıl Kullanılıyor?

Fri, 27 Nov 2020 16:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, Konzek Teknoloji Kıdemli Yazılım Geliştiricisi Farzam Khojastehnia olacak.

Farzam Bey, Docker programının detayları ve MES yazılımlarında nasıl kullanıldığına dair, bilgi ve tecrübelerini bizlere aktaracak. Etkinliğimize, Meetup ya da Kommunity üzerinden kayıt olarak katılabilirsiniz.

Etkinlik Detayları

Etkinliğimiz 27 Kasım Cuma günü, saat 16:00'da başlayacaktır.

Detaylı bilgi için: info@akademi40.org

Yapay Zekânın Uygulamadaki Yeri ve Temelleri

Thu, 26 Nov 2020 17:30:00 GMT

Zoom üzerinden yayınlanacak olan etkinliğimizin konuğu, Erciyes Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü öğretim üyesi Doç. Dr. Selçuk Ökdem olacak.

Selçuk Bey, yapay zekânın kullanım alanlarını bizlere anlatacak.

Yapay zekâ nedir ve nerelerde uygulanabilir? Ne tür problemlerin çözümüne uygundur? Uygulama temelleri nasıl oluşturulur? Sorularına cevap bulacağımız etkinliğimize Meetup, Kommunity ya da Google Forms üzerinden kayıt olarak katılabilirsiniz.

Etkinlik Detayları

Etkinliğimiz, Envest LTD. ŞTİ. ve Akademi 4.0 iş birliği ile 26 Kasım Perşembe günü saat 17:30'da başlayacaktır.

Detaylı bilgi için: info@akademi40.org

Apple Cihazlarınız ile Makine Öğrenimi Modelleri Geliştirebilirsiniz

Mon, 23 Nov 2020 11:00:00 GMT

iPhone, iPad, Apple Watch ve Mac cihazlarınızdan makine öğrenimi modelleri oluşturabileceğinizi ve eğitebileceğinizi biliyor muydunuz?

Apple cihazlarınızın güçlü makine öğreniminden yararlanarak, nasıl akıllı özellikler oluşturabileceğinizi ve uygulamalarınız için nasıl yeni deneyimler sağlayabileceğinizi sizin için inceledik.

Core ML

Core ML, makine öğrenimi modellerinin kolay entegrasyonu sayesinde son derece hızlı performans sunar. Yalnızca birkaç kod satırı kullanarak, akıllı yeni özelliklerle uygulamalar oluşturmanıza olanak tanır.

Core ML tarafından desteklenen API'leri kullanarak, önceden oluşturulmuş makine öğrenimi özelliklerini uygulamalarınıza kolayca ekleyebilir veya daha fazla esneklik için Create ML'i kullanabilirsiniz. Ayrıca özel Core ML modellerini doğrudan Mac'inizde eğitebilirsiniz.

Core ML dönüştürücülerini kullanarak diğer eğitim kitaplıklarındaki modelleri dönüştürebilir veya kullanıma hazır Core ML modellerini indirebilirsiniz.

Makine Öğrenimi API'leri

Yalnızca birkaç kod satırıyla; görüntülerde ve videoda nesne algılama, dil analizi ve ses sınıflandırması gibi makine öğrenimi özelliklerini uygulamanıza ekleyebilirsiniz.

Vision: Bilgisayar görüşünü kullanarak görüntüleri ve videoları işleyebilen, analiz edebilen özellikler oluşturabilirsiniz.
Natural Language: Sözcükleri yerleştirerek veya sınıflandırarak; farklı şekillerde işleyebilir ve anlamlandırabilirsiniz.
Speech: Çeşitli diller için, konuşma tanıma ve belirginlik özelliklerinden yararlanabilirsiniz.
Sound: Sesi analiz ederek; kahkaha veya alkış gibi belirli bir tür olarak tanımlayabilirsiniz.

Create ML

Create ML sayesinde, Core ML modellerini kod olmadan doğrudan Mac'inizde oluşturabilir ve eğitebilirsiniz. Başlamak için ihtiyacınız olan tek şey eğitim verilerinizdir. Model eğitimini ve doğruluğunu görselleştirmenize yardımcı olacak anlık görüntüler ve önizleme gibi özelliklerle, eğitim sürecinin kontrolünü bile ele alabilirsiniz.

Detaylı bilgi almak, hazır modellere ulaşmak ve kaynakları incelemek için Apple Developer platformunu ziyaret edebilirsiniz.

Amazon Alexa Ne Sormak İstediğinizi Tahmin Ediyor

Tue, 17 Nov 2020 15:55:00 GMT

Amazon Alexa daha akıllı hale geliyor ve ilk soruyu duyduktan sonra, kullanıcıların ne sormak istediklerini tahmin etme yeteneği kazanıyor. Yeni değişikliğe "müşterilerin potansiyel hedeflerine ulaşma" adı veriliyor ve Alexa'nın sonraki istekleri tahmin etmesine yardımcı olan "gelişmiş algoritmaların" bir sonucu olarak sunuluyor.

Örneğin, bir kullanıcıdan "Çay demlemek ne kadar sürer?" sorusunu duyduğunda, sonraki hedef bir fincan çayı demlemek için zamanlayıcıyı ayarlamak olabilir.

Yeni özellik sayesinde Alexa, "Beş dakika başlamak için uygundur" cevabını verebilir ve ardından "Beş dakikalık bir zamanlayıcı ayarlamamı ister misiniz?" sorusunu yöneltmesi gerektiğini tahmin edebilir.

Alexa için ilk adım, potansiyel hedefi tahmin edip edemeyeceğinize karar vermektir.

Yeni bir hedef önerilip önerilmeyeceğini belirlemek için, kullanıcıların Alexa ile kurduğu diyalog ve Alexa ile etkileşime girip girmediği gibi çeşitli yönlerin ele alındığı derin öğrenmeye dayalı bir tetikleme modeli kullanılmaktadır.

Tetikleme modeli bağlamı uygun bulursa, sistem potansiyel hedefe ulaşmak için bir beceri önerir.

Bu öneriler, potansiyel hedef keşif modeli tarafından öğrenilen ilişkilere dayanmaktadır.

Örneğin model, çayın ne kadar demlenmesi gerektiğini soran müşterilerin, Alexa'dan bu süre için bir zamanlayıcı ayarlamasını isteyerek sık sık takip ettiklerini keşfetmiş olabilir.

Keşif modelinin, gelecekte eklenecek özellikler ile bilgilendirici olacak örnek etkileşimleri tanımlayan aktif öğrenme yoluyla tahminlerini çok daha fazla geliştireceği öngörülmektedir.

2021'in Yapay Zekâ Trendleri

Thu, 12 Nov 2020 00:00:00 GMT

2020 yılında dünya çapında yaşananlar, günlük hayatımızı ve iş dünyasını kökten değiştirdi. Bu değişimler, hayatımıza pek çok yeni kavram ve uygulamanın da girmesini sağladı. Belki de uzun süreçler alabilecek olan gelişmelerin hızlanmasına sebep oldu. Aynı zamanda, daha önce hayatımızda çok da yer almayan uygulama ve teknolojiler oldukça yaygınlaştı. 2021 yılı ve sonrasında, yapay zekâ ve makine öğrenimi teknolojilerine dair gelişmeleri daha sık duyacağımız öngörülmektedir.

2020’nin sonlarına gelirken adını sıkça duyduğumuz yapay zekâ bizlere neler vadediyor? 2021 yılında hangi trendler öne çıkacak? sorularının cevabı için yazımızı okumaya devam edin.

Akıllı Süreç Otomasyonları (IPA)

2021 ile beraber RPA'in (Robotic Process Automation) benzeri olan IPA yani Akıllı Süreç Otomasyonları ile daha fazla karşılaşacağız. Akıllı Süreç Otomasyonları yapay zekâ kullanarak süreçleri otomatikleştirmek olarak nitelendiriliyor. Makine öğrenimi algoritmaları ile sıralanan veriler yapay zekâ ile işlenerek süreç akıllı bir hale getiriliyor.

İş Süreçlerini Yapay Zekâ ile İzleme

İş süreçlerini izlemek için yakın zamanda işletmeler yapay zekâ destekli çözümlere odaklanacak. İş zekası çözümlerinde akıl yürütmek, veriye dayalı içgörüler sağlamak için yapay zekâ destekli çözümler kullanılarak çıkarımlar daha doğru ve zahmetsiz bir hale getirilecek.

Gerçek Zamanlı Tespit

Covid-19 ile daha önemli hale gelen sosyal mesafe kavramına, yapay zekâ ile çözüm yaratılıyor. Şu an için bile belirli noktalarda kullanılan yapay zekâ ile tespit etme yeteneği olan dronelar, 2021’de daha sık kullanılacak.

Kullanılan dronelardan alınan verilerle virüsün yayılma istatistikleri gibi bilgilere daha kolay ulaşılabilecek. Bilgisayarlarda kullanılan görme teknolojileri ile yüz tanıma gerçekleştirilebilecek böylelikle karantina ihlali yapan bireyler izlenebilecek.

Yapay Zekâ, ERP Gibi Sistemlerin Kullanımını Arttıracak

Özel olarak geliştirilen yapay zekâ sistemleri, doğal dil işleme ile iletişim kurmaya, makine görüşü ile bilgisayarların görmesini ve anlamlandırmasını sağlarken; süreçleri yönetmek için robotik işleme otomasyonunu ve kararlar almak için tahmine dayalı analitik gibi algoritmaları kullanırlar.

2021’de yapay zekâ yetenekleri geliştirilmiş ERP sistemlerini, IoT’leri, iletişim sistemlerini hatta blockchain çözümlerini daha çok deneyimleyeceğimiz öngörülüyor.

Beykent Üniversitesi Teknoloji Günleri - Endüstri 4.0 / 6 Kasım 2020

Fri, 06 Nov 2020 14:00:00 GMT

Beykent Üniversitesi ve Akademi 4.0’ın iş birliği ile düzenlediği Teknoloji Günleri etkinliğinde, Endüstri 4.0’ın pek çok yönü ve Endüstri 4.0 ile hayatımıza giren teknolojiler ele alınacak.

Konzek Teknoloji profesyonelleri, Endüstri 4.0 çağında yeni girişimler ve marka yaratmak ile yeni teknolojiler hakkında deneyimlerini paylaşırken, alanında uzman konuklarımız Endüstri 4.0’ın farklı yönleri hakkında bilinmesi gerekenleri anlatacaklar.

Başarılı bir StartUp projesi nasıl oluşturulur?
Endüstri 4.0’da VR ve AR kullanmanın faydaları nelerdir?
Endüstri 4.0 çağında kişiler veriler nasıl korunmalıdır? sorularının cevabı ve çok daha fazlası için etkinliğimize davetlisiniz.

Etkinliğimiz Zoom üzerinden gerçekleştirilecek olup; katılım formunu doldurarak, Zoom linkine ulaşabilirsiniz.

Etkinlik Programı

6 Kasım 2020 Cuma

14:00 - 14:45 Smart StartUp /Albert Health - Albert Health Ekibi

Dinlenme Arası

15:15 - 16:00 Endüstri 4.0 Çağında Kişisel Verilerin Korunması - Dr. Öğr. Üyesi Fatih Yurtbaşı

Dinlenme Arası

16:30 - 17:30 Endüstri 4.0’da VR ve AR Kullanımı - Dr. Deniz Altun

Beykent Üniversitesi Teknoloji Günleri - Endüstri 4.0 / 4 Kasım 2020

Wed, 04 Nov 2020 14:00:00 GMT

Endüstri 4.0’da yapay zekâ nasıl kullanılır?
Bulut Bilişim nedir ve kullanım alanları nelerdir?
Endüstri 4.0’da oyunlaştırma nedir? sorularının cevabı ve çok daha fazlası için etkinliğimize davetlisiniz.

Etkinliğimiz Zoom üzerinden gerçekleştirilecek olup; katılım formunu doldurarak, Zoom linkine ulaşabilirsiniz.

Etkinlik Programı

4 Kasım 2020 Çarşamba

14:00 - 14:45 Endüstri 4.0’da Yapay Zeka - Eren Taş, Makine Öğrenimi Geliştiricisi

Dinlenme Arası

15:15 - 16:00 Bulut Bilişim - Farzam Khojastehnia, Kıdemli Yazılım Geliştirici / Konzek Teknoloji A.Ş

Dinlenme Arası

16:30 - 17:30 Endüstri 4.0’da Oyunlaştırma - Koray İnan, Motivacraft Kurucu Ortak

Yazılım Dünyasında Girişimcilik

Tue, 03 Nov 2020 16:00:00 GMT

Girişimciliğin ne olduğunu artık neredeyse herkes biliyor. En genel ifadeyle anlatmak gerekirse; kâr etmek amacıyla, tüm riskleri alan ve iş kuran kişinin yaptığı atılımdır.

Yazılım girişimciliği ise, bir fikri gerçek bir yazılım ürününe veya hizmetine dönüştürme sürecidir.

Yazılım girişimciliğinin bir işle sonuçlanması gerekmez. Ürünü kişisel olarak dağıtmasanız bile, başkalarının dağıtmasına izin verdiğinizde; amaç yine de ürünü gerçek kullanıcılara sunmaktır.

Bir yazılım girişimcisi olmakla, bir yazılım geliştiricisi olmak arasındaki temel fark; kendi fikirleriniz üzerinde mi yoksa başka birinin fikirleri üzerinde mi çalıştığınızdır.

Ayrıca, bir girişimci olarak son problem çözücü sizsinizdir. Projenizin sorunları ne olursa olsun, kimse onları çözemezse size geri döner. Bir çalışan olarak, çözemeyeceğiniz bir sorununuz varsa, genellikle sorunu hiyerarşiye gönderebilir ve başka birinin bununla ilgilenmesini sağlayabilirsiniz.

Neden Yazılım?

Yazılım bir fikirle başlayabilir ve sadece bir sabit diskteki bitleri çevirerek çok değerli bir ürün yaratabilirsiniz ("programlamada" olduğu gibi). Yazılım geliştirme çalışmalarınız için büyük ofislere ihtiyaç duymazsınız, kendi evinizden dahî yapabilirsiniz. Doğası gereği dijital platformda yer aldığından, bir kez geliştirilen yazılım çok düşük bir maliyetle hemen hemen herkesin kullanımına sunulabilir.

Yazılım Girişimcilik Sürecinde Hangi Adımları Takip Etmelisiniz?

Yazılım girişimciliğinde genelde aşağıdaki adımları takip etmek faydalı olacaktır:

1- Yazılım fikrinin ortaya çıkması

2- Geliştirilmesi

3- Test edilmesi

4- Dağıtılması

5- Serbest bırakılması

6- Yazılımın pazarlanması

7- Yazılımdan para kazanmaya başlanması

Genellikle, ilk adımlardan son adımlara doğru bir ilerleme olsa da, nadiren sıralamaya uygun hareket edeceksiniz. Çoğu zaman, adımlar arasında gidip gelirsiniz ve bunlar üzerinden birden fazla yineleme yapabilirsiniz.

Ek olarak, bu adımları bazen paralel olarak da yürütebilirsiniz. Örneğin, ürününüzün ilk versiyonu çıktıktan sonra; ürünün pazarlaması ile 2. versiyonun geliştirilmesi paralel olarak yürütülebilir.

Şimdi bu adımları detaylı olarak inceleyelim:

1- Yazılım Fikrinin Üretilmesi

Yazılım ürünleri ve hizmetleri için fikirler, genelde bazı talep veya ihtiyaçlara cevap vermek amacıyla geliştirilir. İşte bu noktada doğru değerlendirmeler ile çalışmak istediğiniz alana odaklanmalısınız.

2- Yazılımın Geliştirilmesi

Ürünü geliştirmek, bu süreçte yazılım geliştiricilerin oldukça rahat hissettiği bir adımdır. Minimum ölçekte uygulanabilir bir ürün geliştirir, yayınlar ve kullanıcı yorumlarını görebilirsiniz.

3- Yazılımın Test Edilmesi

Potansiyel kullanıcılara sunmadan önce, ürünün makul ölçüde iyi çalışması gerekir. Ancak, ürünün doğasına bağlı olarak, ilk andan itibaren mükemmel bir şekilde test edilmesi gerekmez.

Kullanıcıların, yazılımınızı gerçekten istediğini öğrendikten sonra, sürecinize daha fazla test eklemelisiniz. Çünkü kullanıcılar yazılıma güvenmeye başladıktan sonra, onun kusursuz çalışmasını bekleyeceklerdir.

4- Yazılımın Dağıtılması

Yazılımın bazı sunucularda (örneğin bir web uygulaması gib) çalışması gerekiyorsa, yazılım geliştirilip test edildikten sonra dağıtılması gerekir. Daha büyük bir şirkette bunu yapan başka biri olabilir, ancak küçük bir başlangıçta bir geliştirici olarak büyük olasılıkla dağıtıma dahil olacaksınız.

5- Yazılımın Yayınlanması

Yazılım dağıtıldıktan sonra kullanıcılara sunulmaya hazırdır. Bir masaüstü veya mobil uygulama olması durumunda, yazılımın kullanıcılara indirilebilmesi için erişilebilir hale getirilmesi gerekir.

Yazılımınızı herkese yayınlamadan önce yalnızca bir kullanıcı alt kümesine, tepkilerini test etmek için yayınlamaya karar verebilirsiniz.

6- Ürün veya Hizmetin Pazarlanması

Yazılımınızı küçük bir gruba sunduktan sonra, daha fazla sayıda kullanıcıya ulaşmaya hazırsınız. Bu, gerçek pazarlama çalışmasının başladığı zamandır.

7- Ürün veya Hizmetten Para Kazanmak

Bir üründen para kazanmak, kendinize uygun bir iş modeli bulmanız anlamına gelir. Uygulamalardan para kazanmanın birkaç standart yolu vardır.

Bunun bir yolu, ürünün içinde reklam göstermektir. (Linkedin, Instagram ve Facebook örneğindeki gibi). İkinci bir gelir modeli, ürününüz için ücret almaktır. Bu, fikrinizin başka bir testi. İnsanlar ürününüz için para ödemeye gerçekten istekli mi? Diğer bir gelir modeli ise uygulamadan çıkarılan bilgilerin -etik standartlar çerçevesinde- satılmasıdır. Örneğin, kaç kullanıcı bunu ya da şunu yapıyor, X ürüne ya da bu özelliklere sahip gibi.

Neden Girişimci Olmalısınız?

Girişimci olmanın en iyi nedeni, sadece gerçekleştirmeniz gereken bir fikre sahip olmanızdır. Yani peşinden koşmanız gereken büyük bir amaca ihtiyacınız vardır. Çünkü yol boyunca başarısızlıklar ve aksaklıklar yaşasanız bile, devam edersiniz.

Hiç para kazanmasanız veya büyük bir şirket için bir yazılım geliştiricisi olarak kazanacağınızdan çok daha az olsa bile, önemli olan bu değildir. Önemli olan fikirleriniz ve amaçlarınızdır.

Bir girişimci olarak çoğu zaman bir çalışanla aynı istikrara sahip olamayacaksınız. Özellikle erken bir başlangıç aşamasında değil. İşler yolunda gittiğinde ve şirketiniz büyüdüğünde daha normal bir çalışma hayatına ve daha istikrarlı bir gelire sahip olabilirsiniz.

Ancak o zaman bile, çözülmemiş tüm sorunların sonunda size geri döneceğini unutmayın. İstikrar ve güvenlik istiyorsanız, tam zamanlı bir girişimci olmayın. En azından başlangıçta pek çok insan parasını çeşitli kaynaklardan kazanır. Tam zamanlı veya yarı zamanlı bir iş ile girişimcilik maceranızı destekleyebilirsiniz.

Konzek Teknoloji Start-Up Desteği

Konzek Teknoloji olarak Akademi 4.0'a verdiğimiz desteğin yanında; yeni nesil yüksek teknolojiyi kullanan, daha çok yapay zekâ ve makine öğrenmesiyle ilgili endüstriyel teknoloji ve dijital dönüşüm konularında Ar-Ge projeleri geliştiren Start-Up’ları, kendi bünyemizde Know-How’ımız ve profesyonel Ar-Ge ekibimizle desteklemeyi planlıyoruz.

Yeni fikirleri desteklemeyi her zaman değerli buluyoruz ve bu konuda desteklerimizi artırmak için her geçen gün daha fazla çalışıyoruz.

Beykent Üniversitesi Teknoloji Günleri - Endüstri 4.0 / 2 Kasım 2020

Mon, 02 Nov 2020 14:00:00 GMT

Yazılım dünyasında girişimci olmak için gerekenler nelerdir?
Endüstri 4.0 çağında başarılı bir marka nasıl yaratılır?
Dijital okur-yazarlık neden önemlidir? sorularının cevabı ve çok daha fazlası için etkinliğimize davetlisiniz.

Etkinliğimiz Zoom üzerinden gerçekleştirilecek olup; katılım formunu doldurarak, Zoom linkine ulaşabilirsiniz.

Etkinlik Programı

2 Kasım 2020 Pazartesi

14:00 - 14:15 Açılış Konuşması

14:15 - 15:00 Yazılım Dünyasında Girişimcilik - Yunus Altunbıçak, CEO / Konzek Teknoloji A.Ş

Dinlenme Arası

15:30 - 16:15 Endüstri 4.0’da Marka Yaratmak - Uğur Canbaz, Retmes Marka Müdürü, Industry 4.0 & MES Solution / Konzek Teknoloji A.Ş

Dinlenme Arası

16:45 - 17:30 Dijital Okuryazarlık ve Yetkinlik Geliştirme - Nurşen Yılmaz Erginsoy

Beykent Üniversitesi Teknoloji Günleri - Endüstri 4.0

Mon, 02 Nov 2020 14:00:00 GMT

Yazılım dünyasında girişimci olmak için gerekenler nelerdir?
Endüstri 4.0 çağında başarılı bir marka nasıl yaratılır?
Endüstri 4.0’da yapay zekâ nasıl kullanılır?
Başarılı bir StartUp projesi nasıl oluşturulur?
Bulut Bilişim nedir ve kullanım alanları nelerdir?
Endüstri 4.0’da oyunlaştırma nedir?
Endüstri 4.0’da VR ve AR kullanmanın faydaları nelerdir? sorularının cevabı ve çok daha fazlası için etkinliğimize davetlisiniz.

Etkinliğimiz online olarak yapılacak olup, katılım sonunda sertifika da alabileceksiniz. Ayrıca etkinliğimiz boyunca sürpriz hediyelerimiz de sizi bekliyor.

Etkinlik Programı

2 Kasım 2020 Pazartesi

14:00 - 14:15 Açılış Konuşması

14:15 - 15:00 Yazılım Dünyasında Girişimcilik - Yunus Altunbıçak, CEO / Konzek Teknoloji A.Ş

Dinlenme Arası

15:30 - 16:15 Endüstri 4.0’da Marka Yaratmak - Uğur Canbaz, Retmes Marka Müdürü, Industry 4.0 & MES Solution / Konzek Teknoloji A.Ş

Dinlenme Arası

16:45 - 17:30 Dijital Okuryazarlık ve Yetkinlik Geliştirme - Nurşen Yılmaz Erginsoy

4 Kasım 2020 Çarşamba

14:00 - 14:45 Endüstri 4.0’da Yapay Zeka - Eren Taş, Makine Öğrenimi Geliştiricisi

Dinlenme Arası

15:15 - 16:00 Bulut Bilişim - Farzam Khojastehnia, Kıdemli Yazılım Geliştirici / Konzek Teknoloji A.Ş

Dinlenme Arası

16:30 - 17:30 Endüstri 4.0’da Oyunlaştırma - Koray İnan, Motivacraft Kurucu Ortak

6 Kasım 2020 Cuma

14:00 - 14:45 Smart StartUp /Albert Health - Albert Health Ekibi

Dinlenme Arası

15:15 - 16:00 Endüstri 4.0 Çağında Kişisel Verilerin Korunması - Dr. Öğr. Üyesi Fatih Yurtbaşı

Dinlenme Arası

16:30 - 17:30 Endüstri 4.0’da VR ve AR Kullanımı - Dr. Deniz Altun

Eleştirel Düşünme

Thu, 29 Oct 2020 16:00:00 GMT

Eleştirel Düşünme

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konukları, Look For Talent Eğitim & Danışmanlık şirketinin kurucu ortakları Neylan Zümrüt ve Gamze Dönmez olacak.

Konuşmacılarımız, 21. yüzyılın en önemli yetkinlikleri arasında sayılan “Eleştirel Düşünme” hakkında bilinmesi gerekenleri bizlere anlatacak.

Eleştirel düşünme nedir? Kimlere, neden gereklidir? Dünyada “para kazandıran yetkinlik” olarak anılmasının ardında yatan sebepler nedir? Sorularına cevap bulacağımız etkinliğimize, Meetup ya da Kommunity üzerinden ücretsiz kayıt olarak katılabilirsiniz.

Etkinlik Detayları

Etkinliğimiz 29 Ekim Perşembe Günü, Saat 16:00'da başlayacaktır.

Detaylı bilgi: info@akademi40.org

Şirketlerde Başarılı Dijital Dönüşüm için İpuçları

Wed, 28 Oct 2020 16:00:00 GMT

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, Dijital Dönüşüm Danışmanı Alper Gerçek olacak.

Alper Bey; dijital dönüşümün ne demek olduğunu, içeriğini, dönüşümü sağlayacak teknolojileri, uygulama örneklerini, karşılaşılan zorlukları, hangi adımların atılması gerektiği hakkında bilgilerini aktaracak.

Hangi sektörde olursanız olun, firmanızın ölçeği ne olursa olsun dijital dönüşümü nasıl fırsata çevirebilirsiniz? Değişen müşteri istekleri, çalışan profili ve dünya pazarı eğilimlerine nasıl uyum sağlanmalıdır? Dijital dönüşüme nereden başlamalısınız? Hangi adımları atmak başarıyı getirir? Sorularına cevap bulacağımız etkinliğimize, Meetup ya da Kommunity üzerinden kayıt olarak katılabilirsiniz.

Etkinlik Detayları

Etkinliğimiz 28 Ekim Çarşamba Günü, Saat 16:00'da başlayacaktır.

Detaylı bilgi: info@akademi40.org

Daha Az Veri Kullanarak Makine Öğrenimi Mümkün mü?

Mon, 26 Oct 2020 12:30:30 GMT

Yeni bir araştırma, “less than one-shot" ya da LO-shot adı verilen bir model ile makine öğrenimi için çok sayıda veriye ihtiyaç duyulmayabileceğini gösterdi.

Bu fikir, bazen insanların bir nesneyi tanımlamak için herhangi bir örneğe ihtiyaç duymamaları üzerine ortaya çıkmıştır. Bir nesnenin açıklaması, söz konusu nesneyi tanımlamamıza yardımcı olabilir.

Örneğin, çocuklar bir gergedan ve bir atın fotoğrafları gösterildikten ve tek boynuzlu atın arada bir yaratık olduğu söylendikten sonra, bir görüntü gördüklerinde tek boynuzlu atı tanımlayabilirler. Ancak aynı şey makine öğrenimi için geçerli değildir.

Ontario Waterloo Üniversitesi tarafından yayımlanan "‘Less Than One’-Shot Learning:Learning N Classes From M < N Samples" konulu araştırma, makine öğrenimi için daha az veri kullanılmasını amaçlıyor.

Araştırmacılar bu süreci "less than one-shot" veya LO-shot öğrenme olarak adlandırdılar. Bu yaklaşımı 0'dan 9'a kadar 60.000 yazılı basamak görüntüsü içeren MNIST veri kümesiyle gösterdiler. Birkaç basamağı birbirine karıştıran görüntüler oluşturarak ve ardından hibrit veya yumuşak etiketlerle makine öğrenimini besleyerek veri kümesini beş görüntüye indirdi.

Waterloo Üniversitesinde doktora öğrencisi ve çalışmanın yürütücüsü olan Ilia Sucholutsky, “3 rakamını düşünürseniz, aynı zamanda rakam 8'e benziyor ama rakam 7'ye benzemiyor” diyor. "Esnek etiketler bu paylaşılan özellikleri yakalamaya çalışıyor. Bu nedenle, makineye 'Bu görüntü 3 rakamdır' demek yerine, 'Bu görüntünün % 60’ı 3, % 30’u 8 ve % 10’u 0' diyoruz.”

Ancak şu an, bunlar yalnızca teorik araştırmalardır ve sınırları vardır. LO-shot öğrenimi daha karmaşık algoritmalara geçebilirken, uygun yumuşak etiketli örnekler oluşturmak zor bir iştir.

Araştırma başlangıç aşamasında çok sıcak karşılanmasa da belirli bir ölçekte başarılı olursa, makine öğrenimi için yepyeni bir dünyanın kapılarını açılabilecek olması heyecan vericidir.

Para 2.0

Wed, 21 Oct 2020 14:00:00 GMT

Para 2.0

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, XBOT TechFin kurucusu Bünyamin Emeç olacak.

Emeç; para 2.0 (Bitcoin-Blockchain), endüstri devrimlerinin para ve teknolojiye etkisi ve kuantum teknolojileri hakkında bilinmesi gerekenleri bizlere anlatacak.

Endüstri devrimlerine paralel gelişen ekonomi anlayışları dönem içinde nasıl kayboldu? Endüstri 4.0, ekonomi modelleri üzerinde nasıl etkiler yarattı? Sorularına cevap bulacağımız etkinliğimize, Meetup üzerinden kayıt olarak katılabilirsiniz.

Etkinlik Detayları

Etkinliğimiz 21 Ekim Çarşamba Günü, Saat 14:00'da başlayacaktır.

Detaylı bilgi: info@akademi40.org

Makine Öğrenimi, Sergilerin Ne Kadar İlgi Göreceğini Tahmin Ediyor

Wed, 21 Oct 2020 11:00:00 GMT

Eğitim ve yapay zekâ araştırmacılarının ortak yürüttüğü bir çalışmada, müze ziyaretçilerinin belirli bir sergiyle ne kadar süre meşgul olacağını tahmin etmek için bir makine öğrenimi modelinin kullanıldığı açıklandı.

İnsanların, bir sergide ne kadar zaman geçireceğinin veya ne zaman dikkatlerini kaybetmeye başladığının belirlenmesi oldukça önemlidir.

Böylece, neyin işe yaradığı ve insanların nelere yanıt vermediği konusunda müze personeline bilgi aktarılması da mümkün olacaktır.

Araştırmacılar, makine öğrenimi programlarının kullanıcı etkileşim sürelerini öngörebilmek için; 85 müze ziyaretçisini bir sergiyle meşgul olurken yakından izledi Özellikle katılımcıların yüz ifadeleri, duruşları, serginin ekranında nereye baktıkları ve ekranın hangi kısımlarına dokundukları hakkında veri topladılar. Veriler, hangi veri ve model kombinasyonlarının en doğru tahminlerle sonuçlandığını belirlemek için beş farklı makine öğrenimi modeline aktarıldı.

Makine öğreniminin bu alanda kullanımı oldukça heyecan verici, çünkü ziyaretçilerin müzelerde nasıl öğrendiklerini araştırmak için yeni yaklaşımların da önünü açan bir gelişme olarak nitelendirilmektedir.

Eğlenceli Yapay Zekâ ve Makine Öğrenimi Projeleri

Wed, 21 Oct 2020 10:00:00 GMT

Veri bilimine yeni başlayanlar ve deneyimli uygulamacılar için, 8 eğlenceli yapay zekâ ve makine öğrenimi proje örneğini sizin için derledik.

1. Sosyal Medya Duygu Analizi

Bu analiz, ilginç ve yenilikçi makine öğrenimi projelerinden biridir. Çünkü Facebook, Twitter ve YouTube gibi sosyal medya platformları büyük birer veri okyanusu ve bu verilerin madenciliği ile kullanıcı düşüncelerini anlamak çeşitli şekillerde faydalı olabilir.

Ek olarak bu proje, dijital pazarlama ve markalaşmanın bir müşterinin ürün veya hizmete ilişkin fikir veya tepkisinin anlaşılmasında etkili olabilir. Başlangıç olarak modelinizi, verileri pozitif veya negatif olarak sınıflandırmak için oluşturabilirsiniz.

2. NLP Kullanarak İş Toplantısı Özeti Oluşturma

Toplantı sonrası ya da ders sonrası alınan tüm notların özetini görmek istemez misiniz? Ancak bunun için önce hepsini okuyup değerlendirmek ve özetini çıkarmak gereklidir.

NLP yani Doğal Dil İşleme'yi kullanarak, düzenlenmemiş notlarınızı özet bir forma dönüştürebilirsiniz. İşte bu dönüşüm; konuşmanın dil yapısı ile istatiksel, dilbilimsel ve duygusal yönlerin özelliklerinin yakalanmasıyla yapılabilir.

3. Fotoğraf Yenileme

Hasar görmüş ya da eski fotoğraflarınızı yenilemek zamanınızı alabilir. Tüm görüntü kusurlarını, kırıkları, çizikleri ve yırtıkları bulabilecek algoritmalar mevcut. Inpainting algoritmalarını derin öğrenme ile birlikte kullanarak eski fotoğraflarınızı renklendirebilir, onarabilir ve piksele dayalı kusurları düzeltebilirsiniz.

4. Film Önerileri

Film izlemek için birçok platform kullanıyoruz teknolojiden faydalanıyoruz. Python veya R diline yeni başlayanlar için, oldukça eğlenceli ve kendilerini geliştirecek bir proje olan film önerilerini, hemen hemen her platform kullanıyor.

Genellikle izleyicinin geçmişine ve tercihlerine göre makine öğrenmesi kullanılarak yapılan projeler Movielens Veri Kümesinden gelen verilerle gerçekleştirilebilir. Movielens 6000'den fazla kullanıcı tarafından üretilen ve şu anda 3.900 filmlik 1 milyondan fazla film derecelendirmesine sahip bir veri kümesidir.

5. Şarap Kalitesi Tahmini

Şarap alışverişi yapacaksınız ve bu konuda bilginiz yok. Eğer bir uzman değilseniz, şarabın iyi olup olmadığını bilmeniz her zaman mümkün olamayabilir. Şarap Kalitesi Veri Kümesi, şarap kalitesini tahmin etmeye yardımcı olacak eğlenceli bir makine öğrenimi projesidir. Bu proje sayesinde veri görselleştirme, veri keşfi, regresyon modelleri ve R konusunda kendinizi geliştirip deneyim kazanabilirsiniz.

6. Müzik Önerileri

Müzik severler için eğlenceli ve bir o kadar da faydalı bir proje. Müziksiz yaşayamayanlar ve sürekli kendi sevdiği şarkıları dinlemek isteyenler için eğlenceli ve yenilikçi bir makine öğrenimi projesi. Projenin amacı kullanıcıların geçmişine dayalı olarak dinlediği müzikleri önermektedir. Python ve R dili ile geliştirilebilir.

7. Ürün Paketlerini Tanımlama

R kullanılarak oluşturulan ilginç makine öğrenimi projelerinden biridir. Bu projede satış verilerinden ürün paketlerini bulmak için öznel segmentasyon kümeleme tekniği kullanmanız gereklidir. Bu projeyi yapmak için veri bilimi hakkında biraz bilginiz olmalıdır.

8. Tweet Sıralama

Belirli kelimeleri seçmek ve o tweetleri sıralamak harika olmaz mıydı? Tam da bu işe yarayacak belli kelimeleri ya da konuşulan kişilerin isimleri analiz edecek bir makine öğrenimi projesi mevcut. Programcıların, doğal dil işlemcisinden geçmiş tweetleri alan bir algoritma oluşturması için başlangıç düzeyde bir makine öğrenimi projesi bulunuyor.

Verileri Yeniden Anlamlandırmak

Tue, 13 Oct 2020 11:00:00 GMT

Önce teknoloji iş hayatını konumlandırdı, şimdi ise dijital dönüşüm teknolojiyi yeniden konumlandırıyor. Çünkü, “istediğim sonuçları elde etmek için ne yapabilirim?” sorusuna en iyi cevap, verilerden alınıyor. Bu durum iş dünyasının yeniden konumlanmasına ve “çekirdek iş”in artan önemine vurgu yapıyor.

İnsanın, en eski ve en önemli norm olduğu küresel krizle yeniden hatırlandı ve teknolojinin, değerlerin “anlar”da yarattığı etkiye odaklanmasını ıskalamayan yöneticiler bunun farkında! Bu açıdan teknoloji yeniden konumlanırken, “işçiyi takip” modundan, “işi takip” moduna geçmek önem taşımaktadır. Bu kültürel değişim iki yeni tanımı da gündeme taşıyor: coworking ve co-operation. Coworking; “işin” ve “iş yerinin” sosyal yönünü belirlerken, co-operation; iş mükemmelliğinin ve iş zekasının sosyal yönünü belirliyor.

Yeniden konumlanma, dijitalleşmeyi de üç sac ayağına oturtuyor: müşteri odağı (ihtiyaç değişimi), süreç yönetimi (end to end) ve karar destek (kök nedenleri bulma) uygulamaları. Türkiye’deki dijitalleşme öncülerinin büyük bir bölümü, dijitalleşmeyi kurumsal stratejilerine entegre etmeyi bu konumlamaya göre başararak, stratejinin uygulanması için yeni bir yol haritası oluşturmaya çabalıyor. Bu yeni yol haritası ise, “stratejisini oluşturan, temelleri doğru atan, şirketini farklılaştıran ve gelişimi izleyen” türde şekillenmektedir.

Teknolojinin yeniden konumlanması, yenilikçi dijital öğrenme biçimleri üzerinden pazarlamacıları, marka yöneticilerini, stratejistleri, kreatifleri, veri uzmanlarını, dijital pazarlama uzmanlarını ve şirket liderlerini, dönüşüm stratejileri ile bir araya getirmeyi hedefliyor. Çünkü, “güveni yeniden inşa etmenin ilk adımı, değişim ve karmaşıklığın sabit olduğunu ve herkesin (müşteriler, düzenleyiciler, çalışanlar ve halk) potansiyel paydaşlar olduğunun farkında olmaktır.” Yöneticilerin yapması gerekenler ise; sensörler, platformlar, algoritmalar, veriler ve otomatik karar verme dahil olmak üzere, öğrenmeyle ilgili tüm teknoloji araçlarını kapsayan dijital bir gündemi takip etmektir.

Veri hızında öğrenebilen entegre öğrenme mimarilerine bağlanma ve dinamik, kişiselleştirilmiş müşteri görüşleri ile çalışanların motivasyonu ile hareket edebilen iş modelleri geliştirmek zorundayız. Çünkü, dijitalleşen her şey enformasyon üreterek yöneticilere karar destek sağlıyor. Yaşanmakta olan küresel dalgalanmanın beraberinde getirdiği karmaşayı anlamlandırabilmek ve kendi iş modellerine ve sektörlerine uyarlayabilmek “seri takip” istiyor.

İş dünyası liderlerinin bu seri takibi yapabilmesi için işi; strateji belirlemek, verileri daha iyi planlar yaratacak şekilde anlamlandırmak ve çalışan motivasyonuna odaklanmak olmalıdır. Bunun için; doğru yetenekleri şirket bünyesine katarak, doğru teknolojilerden faydalanarak ve doğru bir strateji belirlenmelidir. Bu strateji ile insanların ihtiyaçlarını gerçek anlamda değerlendirenler, iş modelini de deneyimi de yeniden tasarlayabileceklerdir. Görüldüğü gibi, her zorluk yeni bir buluşun yolunu açıyor, “öngörü”nün yerini “an”görü alıyor!

Microsoft Ekibinden Ücretsiz JavaScript Kursu

Thu, 08 Oct 2020 14:00:30 GMT

JavaScript günümüzde oldukça yaygın kullanılıyor ancak, öğrenmek ve uzmanlaşmak isteyenler için erişilebilir kaynak bulmak her zaman kolay olmayabiliyor.

Çok sayıda SDK ve API, JavaScript üzerine kurulmuştur. Azure Bilişsel Hizmetler ve Azure Bot Framework gibi hizmetler, uygulamalarınıza yapay zekâ eklemenize olanak tanıyan JavaScript uygulamaları sunar.

Bu araçları kullanmaya karar verdiğinizde, nereden başlayacağınız konusunda kafanız karışabilir. Yeni bir SDK öğrenmek oldukça zor görünürken; yeni bir dil öğrenmeye çalışmak işleri daha da zorlaştırır.

İşte bu sebeple; yazılım geliştiricilerin işini kolaylaştırmayı amaçlayan Microsoft ekibi, Youtube üzerinden başlangıç seviyede bir JavaScript kursu yayınladı. Beginner's Series to: JavaScript kursu ile en başından JavaScript öğrenebilir, bilgilerinizi pekiştirebilir ya da uzmanlaşabilirsiniz.

Yapay Zekâ, Mars’taki Yeni Keşiflere Yardım Ediyor

Tue, 06 Oct 2020 10:15:30 GMT

Yapay zekâ, Mars’ta yeni keşfedilen kraterleri ilk olarak, yörüngenin Context Camera ile çekilen görüntülerinde tespit etti. Bilim adamları, bu görüntüleri izledi ve yapay zekânın verdiği bilgileri doğruladılar.

Bu başarı, hem zamandan tasarruf etmek hem de bulguların hacmini artırmak için oldukça umut verici bir gelişme. Çünkü, bilim insanları her gün NASA'nın Mars Keşif Gezgini (MRO) tarafından çekilen görüntüleri inceleyerek; çığlar ve değişen kum tepeleri gibi değişen yüzey olaylarını araştırarak saatlerini harcıyorlar.

Bir araştırmacının, tek bir Context Camera görüntüsünü dikkatlice taraması için, yaklaşık 40 dakikasını ayırması gerekir. Araştırmacılar zamandan kazanmak için, COSMIC’in (Capturing Onboard Summarization to Monitor Image Change) parçası olarak, otomatikleştirilmiş yeni çarpma krater sınıflandırıcısı adı verilen bir araç geliştirdi. Krater sınıflandırıcısını eğitmek için, daha önce keşfedilmiş etkilere sahip konumların HiRISE aracılığıyla onaylanmış olanları da dahil olmak üzere, 6.830 Context Camera görüntüsü ile beslediler. Araca ayrıca, sınıflandırıcıya neyi aramaması gerektiğini göstermek için, hiçbir yeni etkiye sahip olmayan resimler de eklediler.

Sınıflandırıcı eğitildikten sonra, Context Camera’sının yaklaşık 112.000 görüntüden oluşan havuzunun tamamı yerleştirildi ve artık düzinelerce yüksek performanslı bilgisayardan oluşan bir süper bilgisayar kümesi üzerinde çalışmak, insanların 40 dakikasını alırken; AI aracı için ortalama 5 saniye sürüyor.

İş Dünyasında Sanal Gerçeklik

Fri, 02 Oct 2020 17:00:00 GMT

Akıllı telefonların yaygınlaşması sayesinde, ekranlar günlük hayatımızın olmazsa olmazı haline geldi. Bu gelişmeler ışığında, iletişim devriminin hayatımızı nasıl değiştirdiğine yakından şahit oluyoruz. 2019 verilerine göre 3,5 milyar akıllı telefon kullanıcısı bulunuyor ve bu kullanıcılar günde ortalama 3 saat 43 dakikasını sosyal medyada geçiriyor.

Andy Warhol’un, “Gelecekte herkes 15 dakikalığına televizyonda ünlü olacak” sözü günümüz sosyal medyasını oldukça doğru şekilde ifade ediyor. Artık, ünlü olmak için kamerası ve mikrofonu olan basit bir akıllı telefon yeterli oluyor. Sosyal medyada insanlar istedikleri her şeyi yayınlayabiliyor, normalde hiç tanımadığı insanlar ile hayatını paylaşabiliyor ve etkileşimde bulunabiliyorlar.

Gördüğümüz Ekranların İçinde Olmak Nasıl Olurdu?

Bir kitap okuduğumuzda, o kitabın hikayesini yaşıyor gibi hissetmek ya da bir film izlediğinizde kendimizi kahramanın yerine koymak... Varlık duygusu, yani var olma duygusudur. Felsefeciler ve Teologların uzun zamandır üzerinde tartıştığı bu duygu, insanın aktif ya da pasif tetikleyiciler aracılığıyla var olmasını ifade ediyor.

Sanal Gerçekliğin Tarihsel Gelişimi

Günümüzde sanal gerçeklik olarak adlandırdığımız teknoloji, yani “ekranların içine girmek” aslında bir nevi manipülasyondur.

Sanal gerçeklik, bilgisayar ortamında oluşturulmuş 3 boyutlu görüntüleri veya 360 derece çekilmiş videoları, sanal gözlükler aracılığıyla; gerçeklik algımızı manipüle ederek içindeymiş gibi yani olduğumuz yerden farklı bir yerde bulunmayı deneyimlemek için kullanılan teknolojidir.

1999 yılında çekilen Matrix filmi ile hayatımıza girdiğini sandığımız sanal gerçeklik kavramı, 1932 yılında Aldous Huxley Cesur Yeni Dünya kitabında ilk olarak tanımlanmaya başlanmıştır. Huxley aslında, ekranlarda gördüğümüz filmlerin içine girebilseydik ve bunu yaşama imkanı bulsaydık nasıl olurdu sorusuna yanıt aramaktadır.

Sanal gerçekliğin tarihsel gelişimine bakmak gerekirse;

17.yüzyılda panoramik savaş resimlerinin, savaşın içindeymiş gibi hissetmek için kullanılması, sanal gerçekliğin temeli olarak kabul edilmektedir. Özel büyüteç düzenekleri ile insanların, savaş sahnelerinin içindeymiş gibi hissetmeleri sağlandı.
Sanal gerçekliğin ilk kabul edilebilir örneği; 18. yüzyılda panoramik çizim metodu için, Bir Bakışta Doğa adlı eseriyle patent alan Robert Barker’ındır.
1838’te, ilk sanal gerçeklik teknolojisinin altyapısı oluşturulmaya başlandı. Gözden gelen 3 boyutlu görüntüleri, beynin tek boyutlu bir görsel şeklinde oluşturması için bir araç geliştirdi.
Daha sonra devam eden örnekler ise, Viewmaster adı verilen ve turizmde kullanılan sanal gerçeklik uygulamalardır. Viewmaster, 360° sanal gerçeklik deneyimi yaşatmaz ama pozitif filmler üzerinden primativ sanal gerçeklik gözlüğü olarak tanımlanabilir.
1920 yılında Edward Link, kendi adını verdiği Linktrainer’ı, körleme uçuşu yapmak için geliştirdi. Yaklaşık 500.000’den fazla pilot bu cihazla eğitim aldı. Gece uçuşu yapan pilotların, sadece radyo frekansları üzerinden gelen mesajlarla yönlerini bulabilmesi ile ilgili bir çalışma prensibi vardı ve elektromekanik olan ilk sanal gerçeklik cihazı olarak literatürde yer aldı.
1950’lerde, görüntü yönetmeni Morton Heilig tüm duyuları harekete geçirecek kollu atari modüllerine benzeyen, Sensorama adında bir araç tasarladı. Sensorama’nın temel prensibi, kafanızı aracın içine yerleştirdiğiniz zaman; sesler, görüntüler, titreşimler ve kokular ile başka bir gerçeklik algısı içerisine girmenizi sağlıyordu. Heilig’in önemli bir özelliği de mağara adamlarının çizimlerini, analog gerçeklik olarak adlandıran ilk kişi olmasıdır.
1950 ve 60’larda dönemin önemli teknolojik gelişmeleri olarak nitelendirilen cihazlar geliştirildi. Sanal gerçekliğin görüntüleme kabiliyetine sahip ilk cihaz Sutherland Ultimate Display, bunlardan biridir. Demoklesin Kılıcı adı da verilen bu icat, ağırlıklı olarak Amerikan ordusu tarafından kullanıldı.
1989 yılına geldiğimizde NASA’nın, Mars ve Ay simülasyonları ile uzay mekiği simülasyonlarında, sanal gerçeklik teknolojisini aktif bir şekilde kullandığını görüyoruz.
1994’te SEGA’nın Virtual Reality Headset’i, 1995’te Nintendo’nun Virtual Boy’u geliştirildi ve 1999 yılında Matrix filmi vizyona girdi. Görüntüleme teknolojisindeki gelişmeler sayesinde maliyetler düştü. 2000’li yıllarda Oculus Rift, HTC Vive ve Sony Playstation VR örnekleri ile sanal gerçeklik teknolojisinde gelişme görülmeye başlandı.
2010’lu yıllara gelirken sanal gerçeklik teknolojisinde Google sokak görünümlerini 3 boyutlu hale getirdi. 2012 yılında Oculus bir startup projesi olarak başladı. 2014 yılında ise Facebook Oculus’ü satın aldı ve bununla ilgili gelecek vizyonlarını açıkladı. Böylece sanal gerçeklik teknolojisi aktif olarak hayatımıza girdi.
Uzun yıllar sanal gerçekliğin prototipten çıkıp hayatlarımıza girmesini bekledik. 2012 yılında Oculus’e çok fazla tutmayacak fakat oyun sektöründe kullanılacak bir cihaz gözüyle bakılıyordu. Fakat düşünüldüğü gibi olmadı, sanal gerçeklik oyun alanından çıkıp tıptan mühendisliğe, askeriyeden arkeolojiye, eğitime, hukuka, pazarlamaya kadar pek çok sektörde kullanılabiliyor.

İş Dünyasında Sanal Gerçeklik Nasıl Kullanılıyor?

Tasarımdan prototip oluşturmaya, havacılıktan gemi yapımına kadar, çok çeşitli alanlarda zaman ve maliyet açısından kâr sağlamanın yanında hataların önceden tespit edilmesi de VR ile mümkün olmaktadır.

Sağlık

Sanal gerçeklik sağlık sektöründe ciddi gelişmeler sağladı ve sanal gerçeklik gözlüklerinin ilk kullanım askeriyeden sonra tıp alanında oldu. Uzak mesafedeki doktorların, hastanın yanındaymış gibi çalışmasına sanal gerçeklik projeleri imkan sağlıyor. Cerrahlar sanal gerçeklik projeleri ile zor prosedürleri canlı olarak denemeye gerek kalmadan, VR teknolojisi ile deneyebiliyorlar.

Sanal gerçeklik aynı zamanda, hastaların hareket kabiliyetini geliştirmek için de kullanılabiliyor. VR uygulamaları ile egzersiz yapmayı, spor salonunda egzersiz yapmaktan daha faydalı görenlerin sayısı hızla artıyor.

Felç rahatsızlığı olan insanlar, VR teknolojileri sayesinde egzersiz yapabildiği gibi tekerlekli sandalye kullanımı içinde bir VR uygulaması bulunuyor. Önceki yıllarda yüksek rakamlara mâl olan sanal gerçeklik gözlüğü ve bu tür uygulamalar, günümüzde oldukça ulaşılabilir maliyetlerde satılmakta.

Fobiler genellikle kontrollü maruz kalma ile tedavi edilir ve burada hastalar bir terapist tarafından korkuları yavaşça ona hatırlatılarak tedavi edilir. VR teknolojisi fobilerin tedavisinde en iyi çözüm olarak tanımlanıyor. Çünkü her hastanın ihtiyacına göre optimize edilebilir ve doktorun muayenehanesinde ya da evde tedavi gerçekleştirilebilir. Travma sonrası stres bozukluğu uygulamalarında da VR teknolojisi kullanılmaktadır.

Sağlık çalışanları VR gözlükleri kullanıp bu teknolojiden fayda sağlayabiliyor. Düşük maliyetli ekipman ve içerikler ile tekrarlanabilir senaryolarda sağlık çalışanları eğitiliyor ve eğitim maliyetleri en aza indirgeniyor.

Robotik

Sanal gerçeklik teknolojisi Robotik alanında da tercih edilmektedir. İnsanları bir robotun kafasına ya da bir drone koltuğuna yerleştiren projeler geliştiriliyor. En bilinen kullanım alanı ise NASA’nın bilim adamlarını Mars’a yerleşmesini ve operasyonlarının sürdürülebilmesi için kullanılan versiyondur. Bu proje sayesinde, bilim insanları sanki Mars’ta bulunuyormuş gibi çalışabiliyorlar ve ofislerinden Mars simülasyonuna erişebiliyorlar.

İnşaat

İnşaat sektöründe de sanal gerçeklik kullanımı artmaya başladı. Eğer bir ürün ya da mekan tasarlayacaksanız sanal gerçeklik teknolojisinden yararlanabilirsiniz. Böylece, gerçek dünya ile tasarımcıların hayal gücü arasında köprü oluşturulabilir. Tasarımların tam ölçekte birebir hatta müşterilerin yanında sunumu gerçekleştirilebilir.

Eğitim

Eğitim alanında özellikle askeri eğitimlerde sıklıkla sanal gerçeklik kullanılmaktadır. Tank, uçak gibi araçların kullanım eğitimleri VR gözlükler ile sağlanabilmektedir. Artık trafik ve ehliyet eğitimleri ile işletmelerin oryantasyon eğitimleri VR teknolojisi ile verilebilmektedir.

Aynı şekilde okullarda da VR ile eğitimler gerçekleştirilebiliyor. Öğretmenler, Mısır piramitlerini ya da su altı canlılarını öğrencileri oradaymış gibi anlatabiliyor.

Günümüzde, gelişmiş VR teknolojisinin henüz başlangıcındayız. Küresel olarak yaşanan Covid-19 pandemisi ile beraber uzaktan süreçlerin yürütülmesi sıklıkla tercih edilmeye başlandı. Aktif bir şekilde online eğitime, çalışmaya hatta iş görüşmelerine geçildi. Yakın gelecekte, bu gelişmeler ışığında uzaktan çalışmanın sanal gerçeklik ile mümkün olacağı ön görülüyor.

Microsoft, GPT-3 İçin OpenAI Lisansı Aldı

Thu, 01 Oct 2020 16:15:30 GMT

OpenAI, ilk ticari ürününü olan API’yi Haziran ayında piyasaya sürdü. Amacı, geliştiricilerin yeni uygulamalar ve hizmetler oluşturmak için, gerekli teknolojilere erişmelerini sağlamak olan API, güçlü bir genel amaçlı dil modeli olan GPT-3'e de sahiptir.

OpenAI, GPT-3 ve gelecek olan diğer modellerini, API aracılığı ile sunarken; geçen yıl duyurulan ve uzun yıllar sürecek bir ortaklık gündeme gelmiştir. Bu ortaklık, Microsoft ve OpenAI arasında GPT-3 lisanslaması üzerine kurulmuştur.

GPT-3, 175 milyar parametre ile bugün API bünyesindeki en güçlü modeldir. Tek kullanımlık durumlar için tasarlanmış çoğu yapay zekâdan farklı olan GPT-3, “metin girişi, metin çıkışı” olarak İngilizce dilinde her görevi yerine getirmektedir.

Microsoft lisanslaması, her ne kadar OpenAI’ın kurucularından olan Elon Musk’ı sevindirmese de OpenAI için geleceğe dönük büyük bir adım olarak nitelendirilmektedir.

İletişimin Geleceği Yapay Zekâ ile Çalışan Chatbotlar

Tue, 29 Sep 2020 09:30:30 GMT

Günümüzde çok sık karşımıza çıkan yapay zekâ kavramı için, kısaca insanların yaptığı işleri otomatikleştirmek ve kolaylaştırmak diyebiliriz. Şu an için emekleme aşamasında olan yapay zekâ, birçok sektör ve işletme tarafından kullanılıyor.

Chatbotlar yapay zekânın yaygın kullanımına örnek gösterilebilir. Bankalar, pazarlama ajansları hatta fitness salonları bile müşteriler ile ilk temas noktasında chatbotları tercih ediyorlar.

Geleceğin iletişim kanalı olarak görülen chatbotlar, özellikle müşteriler ile birebir temasta hızlı yanıt vermesi ve çözüm üretmesiyle tercih ediliyor. Günümüzde müşteri memnuniyeti açısından hızlı yanıt veren ve çözüm üreten bir chatbot işletmelere artı değer sağlayacaktır.

Yapay Zekâ ile Çalışan Chatbotlar

Chatbotlar, yani sohbet robotları insan sesi ya da yazılı metin yoluyla insanlarla sohbet eden robotlardır. Yapay zekâya sahip chatbotlar için de akıllı sohbet robotları diyebiliriz. Yapay zekâ kullanan chatbotlar, tıpkı bir insan gibi konuşup yanıt vererek, problemlerin çözümünde tavsiyede bulunabilirler.

Yapay zekâ ile güçlendirilen chatbotlar karmaşık istekleri anlar, yanıtları kişiselleştirir ve zamanla karşılaştıkları problemleri iyileştirmeye çalışır. Henüz başlangıç aşamasında kullanılsa da birçok geliştirici tarafından özellikleri geliştirilmeye devam etmektedir.

Yapay zekâya sahip chatbotlar, gelecekte pek çok alanda karşımıza çıkacak ve hayatımızı kolaylaştırmak için var olacaklar.

React/JavaScript Slack Soru Cevap Etkinliği

Fri, 25 Sep 2020 17:00:00 GMT

Konzek Teknoloji'den Kıdemli Yazılım Geliştiricisi Farzam Khojastehnia, Akademi 40 Slack kanalımızdan React ve JavaScript ile ilgili sorularınızı yanıtlıyor.

Etkinliğimiz süresince, sürpriz hediyelerimiz de olacaktır. 🎁

Etkinlik Detayları

Etkinliğimiz Akademi 4.0 Slack Kanalımız üzerinden 25 Eylül Cuma Günü, Saat 17.00'da başlayacaktır.
Sorularınızı saat 18:00'e kadar Slack üzerinden sorabilirsiniz.
Slack Kanalımıza katılmak için buradaki davet linkini kullanabilirsiniz.

Detaylı bilgi: info@akademi40.org

Nesnelerin Yapay Zekâsı (AIoT) ve Edge Computing

Fri, 25 Sep 2020 12:00:00 GMT

Nesnelerin Yapay Zekâsı (AIoT); insan-makine etkileşimlerini iyileştirmek, daha verimli IoT operasyonları elde etmek ve veri yönetimini geliştirmek için yapay zekânın (AI), nesnelerin interneti (IoT) altyapısıyla birleşimi olarak tanımlanmaktadır.

Yapay zekâ, makine öğrenimi yetenekleri aracılığıyla IoT'ye değer katarken; IoT, bağlantı, sinyalizasyon ve veri alışverişi yoluyla yapay zekâya katkı sağlamaktadır. AIoT ise, her iki teknoloji türü için de dönüşümsel ve karşılıklı olarak faydalıdır.

IoT ağları büyük endüstrilere yayıldıkça, giderek daha fazla insan odaklı olacaktır ve makine tarafından oluşturulan yapılandırılmamış veriler elde edilebilecektir. AIoT, IoT tarafından üretilen bu verilerden değer yaratabilecek veri analizi çözümleri için destek sağlayabilir.

Nesnelerin yapay zekâsını anlamak için, yeni gelişen teknolojilerin incelenmesi faydalı olacaktır.

Bilgisayarların günlük hayatımızın olmazsa olmazı haline gelmesiyle, gerekli hizmetlerin hızlı bir şekilde sağlanması ihtiyacı ortaya çıkmıştır. Hızlı sonuçlar almak için geliştiren, Edge Computing hizmetlerinin, 2023’e kadar 1.12 trilyon pazarlama değerine ulaşacağı tahmin edilmektedir.

Bu gelişmeler ışığında Intel ve Udacity, 1 milyon geliştiriciye yönelik Edge Computing eğitim programı başlattığını duyurmuştur.

Gartner’ın gerçekleştirdiği bir araştırmaya göre ise, günümüzde verilerin %91’i veri merkezlerinde işlenmektedir. 2022’ye kadar, bu verilerin %74’ünün analiz ve eylem ihtiyacının gündeme geleceği öngörülmektedir.

Edge Computing'in Nesnelerin İnterneti (IoT) İçin Kullanımı

Edge computing; verilerin uçtan uca işlenmesini, hesaplamayı ve depolamayı cihazın konumuna yaklaştıran bir bilgi işlem paradigmasıdır. Edge bilişim, bulut bilişim, yapay zekâ, veri analizi ve özellikle IoT (nesnelerin interneti) gibi teknolojiler ile birlikte ilerler. IoT, edge computing için en büyük büyüme faktörüdür.

Bulut çözümleri; verileri aktarma ve depolamada başarılı olduğu kadar, yerinde karar verme ve diğer birçok uygulama için uygun değildir. Edge computing tam da burada devreye girmektedir. Edge cihazlar ile verilen bilgilerin toplanması, depolanması ve analizi çok daha hızlıdır. Edge cihazların gelişimi ile birlikte yapay zekâ ve edge computing birleşimi IoT çözümlerindeki gecikme sorununu ortadan kaldıracaktır.

Yapay zekâ çok fazla veriyi güçlü algoritmalar kullanarak işler ve öğrendiklerine göre karar verir. IoT ekosisteminde cihazlardan toplanan veriler buluta iletilir bu şekilde işleme ve analiz gerçekleşir. Bulut bilgi işlem merkezinde yapay zekâ destekli kararlar alınır ve bu durum şimdiye kadarki en doğru yaklaşımdır fakat, buluttan veri aktarımı gecikmeye sebep olur. Bu da gerçek zamanlı kararların hızlı bir şekilde alınmasına engel olur. Bulut merkezi konum olarak ne kadar uzaksa gecikme o denli fazla olur. Her bir aktarım için 100 millik veri seyahat ederken ortalama 0.82 milisaniye hız kaybedebilir. Bulut bilgi işlemi çeviktir fakat artan veri yükünü ve hızlı kararlar için alınacak talepleri karşılayamaz.

Yapay Zekâ ve Edge Computing İlişkisi

AIoT çözümlerinin temelinde bulut bilişim sistemleri vardır. Fakat hızlı karar vermek, hızlı veri işlemek için edge computing şu an için diğer uygulamalardan öndedir. Edge computing daha iyiye ulaşmak için hızlı bir yaklaşım benimser.

Edge computing sistemlerini AIot çözümlerinde kullanmanın faydaları;

Gerçek zamanlı müdahale: Verilerin aktarılması ortadan kalktığı için işlemler ve kritik kararlar daha hızlı bir şekilde alınır.
Sistemlerin güvenilirliği: Gerçek zamanlı bilgi sayesinde, arıza gibi durumlar önceden tahmin edilir ve buna göre hızlı aksiyon alınır.
Gelişmiş güvenlik: Şirketlerin kendi BT ekosistemlerinde olacağı için dışarıdan gelen saldırılardan korunabilir. Ayrıca yapay zekâ destekli olduğu için gerçekleşen siber saldırıyı önceden tespit edebilir.
Düşük bilgisayar maliyeti sağlar: Edge computing verileri bir araya getirdiği için bulut depolama maliyetini düşürür.

AIoT sistemleri için tercih edilen çözümlerin başında edge computing gelmektedir. Yapay zekâ destekli IoT çözümleri ya da kısa adıyla AIoT güvenilir bilgi işlem çözümleri gerektirir. Yapay zekâ, IoT sistemlerinden gelen verileri doğru bir şekilde analiz eder daha yeni çözümler oluşturur.

2020 yılı ve sonrasında daha çok karşımıza çıkacak olan AIoT kavramı veri analizi ve gerçek zamanlı karar alması ile iş dünyasında sıkça tercih edileceği öngörülüyor.

Dijital Dönüşüm Stratejileri

Thu, 17 Sep 2020 20:00:04 GMT

Dijital Dönüşüm Stratejileri (Online Etkinlik)

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, IT Strategy & Governance Manager Gökmen Eriş olacak.

Gökmen Bey, müşteri deneyimi ve beklentilerinin dijital dönüşüm stratejisi belirlenmesi sürecinde nasıl etkili olduğunu, müşteri beklentilerinin teknoloji ile karşılanabilecek potansiyel alanlarını ve müşteri deneyimi yolculuğunun aşamalarını bizlere anlatacak.

Müşteri beklentileri son yıllarda nasıl değişti? Müşteri deneyimi sağlanmasına ilişkin temel kavramlar ve uygulama teknikleri nelerdir? Çok Kanallı Pazarlama (OmniChannel) nedir? sorularına yanıt bulacağımız etkinliğimize davetlisiniz.

Etkinlik Detayları

Etkinliğimiz 17 Eylül Perşembe Günü, Saat 20.00'da başlayacaktır.

Detaylı bilgi: info@akademi40.org

Dördüncü Sanayi Devrimi Farkındalığı

Thu, 03 Sep 2020 16:00:04 GMT

Dördüncü Sanayi Devrimi Farkındalığı (Online Etkinlik)

Akademi 4.0 YouTube kanalından canlı yayınlanacak olan etkinliğimizin konuğu, Endüstri 4.0 ve Proje Yönetim Uzmanı Nurşen Yılmaz Erginsoy olacak.

Nurşen Yılmaz Erginsoy, endüstriyel devrim olarak nitelendirilen dönüşüm teknolojilerini ve Endüstri 4.0 farkındalığının nasıl oluşturulması gerektiğini bizlere anlatacak.

Endüstriyel dönüşüm hangi teknolojiler ile gerçekleştirilmektedir? Endüstriyel dönüşümün en temel amacı nedir? Endüstri 4.0 farkındalığı nasıl oluşturulmalıdır? sorularına yanıt bulacağız.

Etkinlik Detayları

Etkinliğimiz 3 Eylül Perşembe Günü Saat 16:00'da başlayacaktır.

Detaylı bilgi: info@akademi40.org

Makine Öğreniminde En Çok Kullanılan 6 Terim

Sat, 29 Aug 2020 11:00:00 GMT

Makine öğrenimine başlarken, bu alanda sıklıkla kullanılan terimlerin ne anlama geldiğini ve nerelerde kullanıldığını bilmek oldukça önemlidir. Makine öğrenimi için en çok kullanılan 6 terimi sizin için sıraladık:

1. Algoritma

Algoritmalar, makine öğrenimi alanında temel unsurdur. Algoritma; bir problemin nasıl çözüleceğini adım adım açıklayan mantıksal bir talimat dizisidir ve genellikle basit if → then ifadeleri dizisi olarak çalışır. Makine öğrenimine başlarken hangi algoritmanın kullanılacağına karar vermek zor olabilmektedir.

Makine öğreniminde kullanılan popüler algoritma aileleri; kümeleme, regresyon veya öneri algoritmalarıdır.

Farklı algoritmaların kullanılmasının nedeni; veri kümesinin boyut, kalite ve yapı bakımından büyük ölçüde değişiklik gösterebilmesidir. Bir algoritma seçmek aynı zamanda hesaplama gücüne erişiminiz, görevinizin aciliyeti ve nihai hedeflerle alakalıdır. Bu algoritmaları derinlemesine araştırarak, deneyerek ve çözerek kendiniz için doğru algoritma dizisini yaratabilirsiniz.

2. Derin Öğrenme

Derin öğrenme, yeni başlayanlar için göz korkutan bir kavramdır. Kısaca derin öğrenme; insan beyniyle aynı sonuçları yeniden üretmeye çalışan bir dizi algoritmadır.

Algoritmalar aslında beynimizin yapısına çok benzer olarak çalışır. Beynimizde bulunan nöronlar, derin öğrenmede katmanlar olarak adlandırılmaktadır.

Derin öğrenme algoritmaları tıpkı beynimiz gibi çalışmaktadır. Yeni birşey öğrenmek, konuşmak, araba sürmek gibi bizlerin çok kolay yaptığı eylemler gibi, derin öğrenme algoritmaları da beynimizi örnek alarak bu davranışları taklit edebilir.

3. Sinir Ağları

Sinir ağları, çoklu katmanlara sahip olan insan beyni gibi karmaşık bir yapıya sahip olan, makine öğrenimi algoritmalarıdır. Aynı beynimizde olduğu gibi; girdiler sinir ağı tarafından algılanır, daha sonra da gizli nöron katmanından geçirilir. Geçirilen girdi bir çok katmanı dolaşarak, sonucunda bir tahmin üretir.

Sinir ağları, gradyan inişi gibi optimizasyon teknikleri kullanılarak yinelemeli şekilde eğitilir. Her eğitim döngüsünden sonra, tahmin ve hedef arasındaki farka dayalı olarak bir hata ölçüsü hesaplanır.

Hata ölçüsünün türevleri de hesaplanarak, geri yayılım adı verilen teknik kullanılır ve ağ üzerine yayılır. Her bir sinirin ağırlıkları, toplamı hataya ne kadar sıklıkla katkıda bulunduklarına göre ayarlanır. Bu işlem yinelenir ve hata kabul edilebilir eşiğin altına düşene kadar tekrarlanır.

4. Veri Kümeleri

Makine öğreniminin en önemli parçalarından biri verilerdir. Makine öğrenimi projesi oluşturmak istiyorsanız, öncelikli olarak veri toplamanız ya da açık kaynaklı verilerden yararlanmanız gerekmektedir.

Veri bilimcileri, veri kümelerini 3 ayrı gruba ayırmaktadır:

Eğitim Verileri:

Oluşturduğunuz makine öğrenimi modelini eğitmek için kullanılırlar. Eğitim verileri; makine öğrenimi modelinin hangi verileri gördüğünü, tahmin sırasında ortaya çıkacak kalıpları ya da hangi özelliklerin önemli olduğunu belirlemeye de yardımcı olur.

Doğrulama Verileri:

Doğrulama verileri, model parametrelerini ayarlamak ve en iyilerini belirlemek için farklı modelleri karşılaştırır. Doğrulama verileri eğitim aşamasında kullanılacağı için, eğitim verilerinden farklı olmalıdır. Eğer doğrulama verileri farklı olmazsa, oluşturulan makine öğrenimi modelinde çok fazla uyumluluk görülecek ve yeni ortaya çıkan veriler yetersiz olacaktır. Bu durum, modelin doğruluğunun sorgulanmasına neden olabilmektedir.

Test Verileri:

Modelin daha önce karşılaşmadığı veriler üzerindeki davranışını ölçümlemek için kullanılır.

5. Regresyon

Regresyon, iki ya da daha çok değişken arasındaki ilişkiyi ölçmek için kullanılır. Problemleri çözmek için, bir değişkenin davranışını kantitatif veya nitel olabilen değişkenlere dayalı olarak modellemeye çalışır ve olası tahminler yapar. Bu esnada doğrusal regresyon, karar ağaçları, rastgele orman ve gradient-boosted regresyon ağaçları kullanılabilir.

6. Doğal Dil İşleme (NLP)

Doğal dil işleme ya da bilinen adıyla NLP (Natural Language Processing), insan iletişiminin makineler tarafından taklit edilmesi olarak açıklanabilir. NLP, hem yazılı hem de sözlü olarak insan iletişimini kapsar.

NLP'nin, oldukça fazla pratik uygulaması bulunmaktadır ve makine öğrenimindeki gelişmeler sayesinde, bu pratik uygulamaların sayısı günden güne artmaktadır.

Bu uygulamalara metin çevirisi, sesli metin okuma, sesi metne çevirme, sınıflandırma ve duygu ifadelerini örnek verebiliriz. Telefonlarımızda ve bilgisayarlarımızda kullandığımız Alexa ve Siri gibi sanal asistanlar doğal dil işlemenin güncel ve sık kullanılan örnekleridir.

Yeni Başlayanlar İçin 3 Adımda Makine Öğrenimi

Fri, 21 Aug 2020 12:00:00 GMT

Günümüzün en popüler konularından biri olan makine öğrenimine başlamak isteyenlerin ve yeni başlamış olanların, kafasında pek çok soru işareti bulunmaktadır. Geleceğin teknolojisi olan, akıllı makineler dünyasına adım atmak isteyenler için izlenebilecek yol haritasını, 3 adımda

1. Kursa Gitmeden de Makine Öğrenimi İçin Başlangıç Yapabilirsiniz

Makine öğrenimi ilk başta zor gibi görünebilir. Nereden başlanmalı, hangi kaynaklardan faydalanılmalı sorularına cevap vermek hiç de kolay olmayacaktır. Hedefiniz, uzmanlaşmak yerine konuyu tamamen özümsemek olmalıdır. Eğer bir veri bilimcisi olmak istemiyorsanız, ilk etapta kurslara çok ihtiyacınız olmayabilir. Bunun yerine, yararlanabileceğiniz pek çok yerli ve yabancı online kaynak mevcut. Aynı zamanda, online ve ücretsiz olan eğitimlere katılarak başlangıç için ihtiyacınız olacak bilgi birikimine de sahip olabilirsiniz.

Bir topluluğa dahil olarak, kafanıza takılan konular ile ilgili sorular sorabilir ve sizden daha tecrübeli kişilerden destek alabilirsiniz.

2. Kendinize En Uygun Program Dilini Seçin

En sık karşılaşılan sorulardan biri de makine öğrenimine başlarken seçilecek programlama dilidir. Pek çok programlama dili arasından kendinize uygun olanı seçmek size kalmış. Makine öğrenimi uzmanları tarafından en çok tercih edilen dilleri sizin için sıraladık:

Python: Makine öğrenimi söz konusu olunca en çok tercih edilen dillerden biridir. Guido van Rossum tarafından 1991 yılında oluşturulan Python, açık kaynaklı, genel amaçlı bir programlama dilidir. Yeni başlayanlar için, açık kaynaklı olması sebebiyle kolayca erişilebilir. Python ayrıca TensorFlow ve Scikit gibi makine öğreniminde sıklıkla kullanılan kütüphanelere sahiptir. Yapay Zeka ve Makine Öğrenimi İçin En iyi 20 Python Kütüphanesi yazımızda diğer kütüphaneler ile ilgili detaylı bilgiye ulaşabilirsiniz.
C++: Makine öğreniminde kullanılan en eski dillerden biridir. 1983'te C programlama dilinin daha gelişmiş halidir. C dili ile pek çok ortak yanı vardır ancak, aralarındaki en büyük fark nesne yönelimli olmasıdır. C++ da C dili gibi donanıma yakındır. Nesne yönelimlidir, verileri soyutlayabilme özelliğine sahiptir ve genel programlamaya yöneliktir. Makine öğrenimi platformları da, örneğin TensorFlow başta olmak üzere pek çoğu C++ programlama dilini desteklemektedirler.
C#: Microsoft çalışanı Anders Hejlsberg tarafından geliştirilmiş bir programlama dilidir. 2000 yılında kullanıma açılan C# basit, modern, esnek, nesne yönelimli, güvenli ve açık kaynaklı bir programlama dilidir. Windows istemcileri, konsollar, web uygulamaları, mobil uygulamalar ve arka uç sistemleri dahil her tür uygulamanın oluşturulmasına olanak tanır. C#, bir .NET Core makine öğrenimi platformu olan ML.NET aracılığıyla makine öğrenimi uygulamaları için kullanılabilir.
R: Veri bilimcileri ve istatistik mühendisleri arasında en popüler olan programlama dillerinden biridir. R programlama dili dinamik, dizi tabanlı, nesne yönelimli, zorunlu, işlevsel, prosedürel bir bilgisayar programlama dilidir. İlk olarak 1993'te geliştirilmesine rağmen, son birkaç yılda işlevsel ve istatistiksel algoritma özellikleri nedeniyle, veri bilimcileri ve makine öğrenimi geliştiricileri arasında daha da popüler hale geldi.
Java ve JavaScript: Dünyada 9 milyon kullanıcı ile en popüler programlama dili olan Java, Oracle’ın Sun Microsystems’i satın almasının ardından James Gosling tarafından geliştirildi. JavaScript ise, en popüler web komut dosyası programlama dilidir. Her ikisini de destekleyen birkaç makine öğrenimi kitaplığı ve çerçevesi vardır. Java'da makine öğrenimi ve derin öğrenme çalışmalarının gerçekleştirilmesi için Weka, DeepLearning4J, RapidMiner, MOA gibi API’ların kullanımı gereklidir.
Julia, Go, Shell, Prolog, Lisp, Ada, TypeScript ve Scala: Makine öğrenimini destekleyen diğer dillerdir. Programlama dillerinin makine öğrenimine faydaları, geliştiricilerin kullanabileceği çerçevelere ve kitaplıklara bağlıdır.

3. Öğrendiklerinizi Uygulayabileceğiniz Bir Proje Geliştirin

Programlama dilini öğrendiniz, kendinizi geliştirmek için bir topluluk ya da çevrimiçi bir eğitime kayıt oldunuz ve başlangıç için yeterli bilgiye sahip olduğunuzu düşünüyorsunuz. Şimdi sıra pratik yapmaya geldi.

Makine öğrenimi, karmaşık yapısıyla ilk başta sizi zorlayabilir ama pes etmeyin. Öğrendiklerinizi hayata geçirmek için, tamamen kendinize ait bir proje oluşturun. Yaptığınız pratiklerde ve proje üretim süreçlerinde pek çok sorun ile karşılaşmanız muhtemeldir. Ancak, bu sorunlar için ürettiğiniz çözümler, gelişiminize katkıda bulunan en büyük etkenler olacaktır.

Makine öğrenimi ile ilgili Akademi 4.0’da yer alan; Google'ın Desteklediği En İyi Makine Öğrenimi Projeleri ve Makine Öğrenimi Zihin Haritası yazılarımızı da inceleyerek aklınıza takılan noktalara cevap bulabilirsiniz.

Yapay Zekâ 5 Yıl İçerisinde İnsanlığı Ele Geçirebilir

Fri, 21 Aug 2020 11:30:30 GMT

Elon Musk, Independent gazetesi ile yaptığı röportajda, insanların önümüzdeki beş yıl içinde yapay zekâ tarafından ele geçirilme riskiyle karşı karşıya olduğu konusunda uyardı.

Daha önce de "Yapay zekâ neden çok zeki insanlar tarafından göz ardı ediliyor? Çok zeki insanların bir bilgisayarın kendileri kadar akıllı olamayacağını düşünmeleri kibirliliktir ve açıkça yanlıştır. Yapay zekânın insanlardan çok daha akıllı olduğu bir duruma doğru gidiyoruz ve bence bu yükseliş şu andan itibaren beş yıldan az. Fakat bu, beş yıl içinde yapay zekâdaki gelişmenin kötüye gideceği anlamına gelmez." ifadesi ve 2016 yılında yaptığı, birbirine bağlanabilen bir teknoloji geliştirilmedikçe, yapay zekânın insanlara evcil hayvanları gibi davranma riski olduğunu açıklamasıyla da dikkatleri üzerine toplamıştı.

Aynı zamanda Musk, insanların beynine bir çip olarak yerleşecek yeni beyin-bilgisayar arayüzü Neuralink’i duyurdu. Neuralink insanların yapay zekâ ile rekabet etmesine, beyin hastalıklarını iyileştirmesine, ruh halini kontrol etmesine ve hatta insanların "doğrudan çiplerinden müzik dinlemesine" izin verecek bir uygulama olarak tanıtıldı.

Yapay zekânın insanlığı ele geçirme ihtimali, şimdilik sadece "bilim-kurgu" ancak, gelecekte hayatımızın vazgeçilmez olacağı tartışmasız bir gerçek.

Dijital Dönüşümün Avantajları ve Dezavantajları Nelerdir ?

Thu, 20 Aug 2020 15:50:00 GMT

Dijital dönüşüm, Endüstri 4.0'ın hayatımıza girmesi ile ortaya çıkan bir terimdir. Her kuruluş için değişen ve dinamikler içeren zorlu bir süreçtir. Ancak, etkili bir dijital dönüşüm ile kuruluşların büyük başarılar elde etmesini mümkün kılmaktadır. Sadece teknoloji ve süreçleri güncellemekten çok daha fazlasını içermektedir. Organizsayonun tüm birimlerinin bu dönüşümü özümsemesi ve adapte olması gerekmektedir.

Dijital Dönüşümün İlk Adımları Nelerdir ?

Dijital dönüşüm kavramına geniş açıdan bakmak gerekirse; teknolojinin ortaya çıkması yüzlerce hatta binlerce öncesine dayanmaktadır. Günümüzde teknoloji denildiğinde aklımıza bilgisayarlar, elektronik icatlar ve robotlar gelse de matbaa ve tekerleğin icadı döneminin güncel teknolojileri arasında sayılmaktaydı. Teknolojinin yaygın kullanımı ile sektörlerin, kuruluşların ve bireylerin, kendilerini güncel tutmaları bir zorunluluk haline gelmiştir.

Dijital dönüşüm, sektörel bazda kullanılan tüm terimleri, siyaset, ticaret, sanayi ya da medya söylemlerini sayısallaştırma, yani veriyi dijital bir forma dönüştürmektedir. Sayısallaştırmayı teknik olarak açıklamak gerekirse, seslerin ve nesnelerin bir dizi sayı üreterek temsil edilmesidir. Örneğin; telefon görüşmeleri bunun en iyi örneğidir. Ses kalitesini, karşıdan gelen tepki süresini, şebeke kapasitesini, etkinliği ve sürdürülebilirliği artırmak amacıyla telekomünikasyon ağlarında 1970’lerde sayısallaştırma başlamıştır.

Dijital Dönüşümün Avantajları ve Dezavantajları Nelerdir ?

Dijital dönüşüm hem bir fırsat, hem de zorlu bir yol olarak değerlendirilebilmektedir. Her sektörün kendi dinamikleri farklı olsa da, müşteriyi merkeze alan uygulamalar daha başarılı olarak kabul edilmektedir. Müşterinizin kim olduğu, ihtiyaçları, talepleri ve sizin onlara ne sunacağınızı bilmek, dijital dönüşüm sürecinin başlangıcında işinizi kolaylaştıracaktır.

Müşteriyi temel alan anlayışı benimsedikten sonraki adım ise, dijital dönüşüm için belli kriterleri ve KPI’ları belirlemektir. Ulaşılabilecek hedefler koyup adım adım ilerleyerek, dijital dönüşümü organizasyonun tamamına benimsetebilirsiniz. Ayrıca bu adımları belirlerken, "Sizin için öncelikli olan ne ?"" sorusuna doğru cevabı vermeniz oldukça önemlidir.

Planlama yaparken işçiler, çalışanlar ve organizasyon liderlerinin karşılaşacakları kültürel zorluklar, işletmeler tarafından hesaplanmalıdır. Değişen ekipmanlar ve yeni teknolojiye adapte olmak, başlangıçta oldukça zorlayıcı olacaktır. Fakat, işletmelerin faydası için bu dönüşüme ihtiyaç vardır. Dijital Dönüşümü başlatan firmalar uzun vadede yüksek karlılık ve gelirlerin artışı ile rakipleri arasında öne çıkacaklardır.

Sektörel bazda dijital dönüşüm faaliyelerinin avantajları incelenecek olursa;

Üretim sektöründe dijitalleşme, Endüstri 4.0 olarak da adlandırılabilmektedir. Tüm üretim bandının dijitalleşmesi ve birbiri ile iletişimi anlamına gelmektedir. Dijital dönüşüm, Endüstri 4.0’ın merkezindedir. Eskiden çok pahalı olan bulut sistemler, sensörler ve teknolojik tüm araçlar artık uygun maliyetlidir ve pek çok fabrikanın vazgeçilmez sistemleri hâline glemiştir. Üretim bandında sağlanan dijital dönüşüm, ileri vadede fabrikalara yüksek kârlılık ve ürün kusursuzluğunu beraberinde getirmiştir.
Müşteri odaklı dijital dönüşümün en iyi örneklerinden biri, turizm sektöründe yaşanan teknolojik gelişmelerdir. Çevrimiçi rezervasyon, puanlama, karşılaştırma hatta rezervasyon iptali gibi birçok durum, yeni sistemler sayesinde çok kolay hâle gelmiştir. Bu bağlamda, insanlar artık fiziki bir turizm acentasına ihtiyaç duymamaktadır. Online acenteler, gerekli tüm desteği istenilen yerde ve zamanda vermektedir. İşleri kolaylaştıran çevrimiçi acenteler arasında, Expedia.com ve Booking.com öne çıkmaktadır. Bunun yanında AirBnB.com da sektöre bambaşka bir yenilik getirmiştir.
Ülkemizde de büyük altyapı çalışmaları ile desteklenen bankacılık sektörü, rotasını geleceğe çevirmiş durumdadır. Dijital dönüşümü her kanalda kullanan bankacılık sektörü internet bankacılığı, mobil uygulamalar ve ATM’ler ile hem işimizi kolaylaştırmakta hem de kendilerine büyük yatırımlar yapmaktadırlar.
Covid-19 öncesinde yavaş bir ivmeyle ilerleyen eğitimde dijital dönüşüm süreci, pandeminin getirdiği sosyal mesafe zorunluluklarından dolayı çevrim içi sürece hızlıca adapte olmuştur. Çevrim içi eğitim araçlarının gelişmesi, video odaklı dersler ile artık uzaktan eğitim alabilme imkanı 7 gün 24 saat mümkün olmaktadır. Pandemi sürecinde özellikle üniversiteler başta olmak üzere, ülkemiz uzaktan eğitim sistemine çok hızlı adapte olmuştur ve eğitimin kesintisiz olarak devam etmesi sağlanmıştır.
Dijital Dönüşümün fark yarattığı sektörlerden biri de sağlık sektörüdür. Hastalara ait klinik verilerin depolanması ve tıbbî kayıtlar, hasta geçmişleri, aile öyküleri, kullanılan ilaçların kayıtlarının tutulması, gelecekte oluşabilecek durumlar için büyük önem arz etmektedir. Ayrıca kurum içinde sıklıkla yürütülen işlemlerden olan, hasta nakillerinin kolaylaşması ve evrak kayıtlarının tutulması, doğru tasarlanmış dijital dönüşüm uygulamaları ile oldukça kolay hâle gelmiştir.

Tasarım 4.0 Gerçeği ve Erişebilirlik

Thu, 13 Aug 2020 16:00:04 GMT

Tasarım 4.0 Gerçeği ve Erişebilirlik (Online Etkinlik)

Online olarak gerçekleştireceğimiz etkinliğimize, ücretsiz olarak katılabilirsiniz.

Çetin Yıldırım

Penta Teknoloji, Teknik Satış Yöneticisi

linkedin.com/cetinyildirim

Selim Ertuğ Tuğran

Penta Teknoloji, İş Geliştirme Grup Yöneticisi

linkedin.com/selimertugtugran

Bu etkinlikte neler öğreneceksiniz?

Endüstri 4.0 ve yeni dönem alışkanlıkları ürün tasarımına nasıl etkiyor?
Tasarım 4.0 ya da tasarımda otomasyon ve yapay zeka ile tasarım mümkün mü?
Tasarımda otomasyon ütopik bir kelime oyunu mu? Bu teknolojiler ne kadar erişilebilir durumda?

Etkinlik Detayları

Etkinliğimiz 16:00'da başlayacaktır.
Akademi 4.0 YouTube kanalı üzerinden canlı olarak izleyebilirsiniz.

Detaylı bilgi: info@akademi40.org

Akademi 4.0'da Yazarlık

Mon, 10 Aug 2020 10:12:40 GMT

Akademi 4.0, Endüstri 4.0 ve dijital dönüşüm teknolojilerindeki bilgi kirliliğinin önüne geçmek ve şirketler/çalışanlar arası networkingi sağlayabilmek adına Konzek Teknoloji tarafından kurulan ve kâr amacı gütmeyen organizasyondur. Bu platformda da dileyen herkes ücretsiz olarak içeriğini yayımlayabilir.

Akademi 4.0’da Kimler Yazabilir ?

Endüstri 4.0 alanında faaliyet gösteren;

Profesyoneller,
Akademik Personeller,
Yazarlar,
Öğrenciler ve bu alanda özgün fikirleri olan herkes.

Akademi 4.0’da Hangi Konular Hakkında Yazabilirsiniz ?

Endüstri 4.0,
Dijital Dönüşüm,
MES/MOM ve Üretim Teknolojileri,
IoT-Nesnelerin İnterneti,
Yapay Zeka,
Makine Öğrenimi,
Derin Öğrenme,
Büyük Veri gibi.

Hangi Tür İçerikleri Yayımlamıyoruz ?

Reklam içeren yazıları,
Ürün incelemeleri, kıyaslama ve karşılaştırmaları,
Şirket ve yönetici tanıtımları,
Sponsorlu içerikler,
Özgün olmayan kopya içerikler.

Yazarlara Tavsiyeler:

Bilimsel bir makale yazmak zorunda değilsiniz ancak, doğru ve objektif içerikler yazmalısınız.
TDK Yazım kurallarına dikkat etmeli ve anlatım bozukluklarından kaçınmalısınız.
İçeriğinizin tamamı, özgün ve farklı platformlarda daha önce yayımlanmamış olmalıdır.
İlgi çekici bir başlığı olan ve daha önce değinilmemiş konular hakkında yazılan içeriklerin ön plana çıkması, daha kolay olacaktır.
Yazınızın uzunluğu, içeriğine göre değişkenlik gösterebilir. Ancak, uzun paragraflar yerine, kısa ama anlamlı cümleler ve maddeleme formatı kullanırsanız, okuyuculara daha rahat bir okuma deneyimi sunabilirsiniz.
Yazınızı görseller ile destekleyebilirsiniz. Konuya uygun video ekleyebilirsiniz.

İçeriğinizi tamamlayıp info@akademi40.org'a Google Docs ya da Microsoft Word dokümanı formatında gönderdikten sonra, içerik editörlerimiz tarafından detaylı olarak değerlendirilerek size geri dönüş yapılacaktır. İçeriğinizin uygun olarak değerlendirilmesi halinde, akademi40.org web sitesinde yayımlanacaktır.

Not: İçeriğinizin değerlendirme ve inceleme süreci, metnin uzunluğu ve konunun araştırmasına göre değişkenlik gösterebilir.

Çocuklar İçin Yapay Zekâ ve Makine Öğrenimi

Thu, 06 Aug 2020 16:00:00 GMT

< class='text-justify'>

Gün geçtikçe popülerliği ve önemi artan, oldukça farklı alanlarda fayda sağlayan yapay zeka ve makine öğrenimi konularını, küçük yaştan itibaren eğitim ve öğretim hayatına dahil etmenin önemi tartışılmaz bir gerçek.

Yapay zeka ve makine öğrenimi için gerekli eğitimlerin temel düzeyde verilebilmesinde, ebeveynlerin ve öğretmenlerin rolü oldukça büyük. Hem ebeveynlerin hem de öğretmenlerin, bu tür online eğitimleri denetimli bir şekilde sunabilmesi için, çocuklara özel olarak tasarlanmış eğitim platformları oluşturulmuştur. Ne yazık ki, bu konuda çok fazla Türkçe kaynak bulunmuyor.

Bu sebeple, makine öğrenimi (ML), yapay zeka (AI) ve programlamayı çocuklara sevdirecek ve öğretecek, kolaylıkla ulaşabileceğiniz bazı ücretsiz eğitim platformlarını sizler için derledik.

Experiments with Google

Google Geliştiricileri tarafından, dijital deneylerin tasarlandığı ve bu deneylerin bazılarının da açık kaynak olarak eklendiği, özellikle yapay zeka konusunda oldukça eğlendirici ve öğretici 1.000'den fazla projeyi bulabileceğiniz Google'ın ücretsiz eğitim platformu.

Yapay zekadan, sanal gerçekliğe kadar bir çok konu hakkında yayımladıkları koleksiyonlara da buradan erişebilirsiniz.

ML for KIDS IBM

6 yaş ve üzeri için tasarlanmıştır. Yapay zeka ve makine öğrenim modelleri, interaktif eğitim kitleri ve oyunlaştırılmış projelerin yer aldığı, IBM'in ücretsiz bir eğitim platformu. İçeriklerin bulunduğu arayüzde Türkçe dil desteği de mevcut.

Scratch

Scratch; interaktif eğitimler, hikayeler, oyunlar ve animasyonlar yardımıyla 8 - 16 yaş arasındaki çocukların, kodlama ve programlama öğrenmelerine yardımcı olmayı amaçlıyor. Aynı zamanda, dil ve hitap kurallarının sürekli kontrol edildiği online topluluk sayfalarında da hem ebeveyn olarak hem de öğretmen olarak yer alabiliyorsunuz.

Windows, macOS, Chrome OS ve Android platformları için uygulamayı buradan indirebilirsiniz.

5-7 yaş arasındaki çocuklar için ise Scratch JR'ı ücretsiz olarak Android ve iOS cihazlarınıza indirebilirsiniz.

Machine Learning for Kids

Metin, rakam, görsel ve ses tanıma gibi temel yapay zeka ve makine öğrenimi modellemelerinin, çocuklara oyunlaştırarak öğretilmesini sağlıyor.

Çoğunluğu, Scratch ve Pyhton dillerinden oluşturulmuş ve indirilebilir projelerle interaktif bir şekilde kullanılabiliyor.

PictoBlox AI

Scratch ile sürükle-bırak yöntemiyle çocuklara yönelik tasarlanmış yapay zeka ve IoT (nesnelerin interneti) eğitim platformudur. Uygulama içerisinde bulunan sanal asistan sayesinde, oldukça keyifli eğitimlerle yapay zeka ve makine öğreniminin yanında Robot Lego, Ardunio, Evive gibi kartlarla IoT konusunda da kendilerini geliştirmelerine katkı sağlar.

2020 Yapay Zekâ Rehberi

Mon, 27 Jul 2020 10:12:40 GMT

Akademi40.org'da en çok okunan Yapay Zekâ içeriklerini derlediğimiz 45 sayfalık bu e-kitabı ücretsiz indirebilirsiniz.

Blokzincir (Blockchain) ve Kripto Paralar

Wed, 22 Jul 2020 15:00:00 GMT

Blokzincir (Blockchain) ve Kripto Paralar (Online Etkinlik)

Blokzincir (Blockchain) ve kripto para birimleri üzerine online olarak gerçekleştireceğimiz blockchain etkinliğine, ücretsiz olarak katılabilirsiniz.

Tansel Kaya

The Mindstone Blockchain Labs, Yönetici Ortak

linkedin.com/tanselkaya

Bu etkinlikte neler öğreneceksiniz?

Blokzincir (Blockchain) nedir?
Blokzincir (Blockchain) Kullanım alanları nelerdir?
Kripto Para kullanım alanları nelerdir?

Etkinlik Detayları

Etkinliğimiz 22 Temmuz 2020 Çarşamba günü saat 15:00'da başlayacaktır.
Akademi 4.0 YouTube Kanalı'ndan canlı olarak katılabilirsiniz.

Detaylı bilgi: info@akademi40.org

OpenAI’ın Yeni Algoritması GPT-3

Mon, 20 Jul 2020 09:45:30 GMT

Metin üreten algoritma GPT-2 2019 yılında oluşturulduğunda, tarihin en tehlikeli yapay zekâ algoritması olarak anılıyordu. Hatta bazı çevreler GPT-2’nin o kadar tehlikeli olduğunu iddia ettiler ki, “robot kıyametini” tetiklememesi için halka açılmaması gerektiğini savundular. Bu sadece bir kıyamet senaryorsuydu GPT-2 sonunda halka açıldı. GPT-2 sonrasında oluşturulan, GPT-3 ise şimdiye kadar oluşturulan en tehlikeli algoritma.

GPT 3 Nedir?

GPT-3, bir dizi metin üreten sinir ağının en yenisidir. GPT'nin açılımı, Generative Pretrained Transformer'dır. Türkçe'ye Ön İşlemeli Dönüştürücü olarak çevirebiliriz. GPT önceden eğitilmiş dil modeli, uydurulmuş alıntıların formülasyonu da dahil olmak üzere ikna edici derecede doğru sonuçlar üretebilir.

GPT-3, SpaceX ve Tesla CEO'su Elon Musk tarafından desteklenen Yapay Zekâ araştırma laboratuvarı olan OpenAI tarafından yaratılan doğal dil işleme sinir ağı.

GPT-3 için endişe duyulan nokta, DeepFake gibi sahte haberleri çevrimiçi yaymaya yardımcı olabilecek yanlış metinler üretmeyi kolaylaştımasıdır. GPT-3 her zamankinden daha büyük ve daha akıllı. Ve öğrenmesini tamamen internetteki verilerden sağlayan GPT-3, argo ve rahatsız edici sonuçlar da verebiliyor.

Örneğin, GPT-3 Algoritmasıyla geliştirilmiş bir web sitesi oluşturucusuyla, sadece yapmak istediklerinizi düz metin olarak yazmanız yeterli olabilecek.

OpenAI’ın orijinal 2018 GPT'sinde, sinir ağının öğrenmesini sağlayan bağlantılar 110 milyon parametreydi. 2019’da ortaya çıkan GPT-2 ise 1,5 milyar parametreye sahipti. Geçen ay Microsoft, dünyanın en büyük önceden eğitilmiş dil modelini tanıttı ve bu model 17 milyar parametreye sahipti. 2020’de geliştirilen GPT-3'ün şaşırtıcı bir şekilde 175 milyar parametresi bulunmaktaydı ve eğitilmesi yaklaşık 12 milyon dolara mal oldu.

Open A.I.'nin arkasındaki stüdyo Latitude'un baş teknoloji sorumlusu Nick Walton, “GPT-3 modellerinin gücü, bir sonraki kelimeyi başarılı bir şekilde tahmin edebilmeleri için her türlü ilginç şeyi kullanılabilecek gerçekten güçlü modeller olmasıdır.”

OpenAI GitHub

https://github.com/openai

OpenAI API Hakkında

https://openai.com/blog/openai-api/

Kaynak

https://www.digitaltrends.com/features/openai-gpt-3-text-generation-ai/

Çevrimiçi Gizlilik ve Güvenlik Nasıl Sağlanır?

Mon, 29 Jun 2020 09:37:21 GMT

İnternet altyapısı çevrimiçi gizlilik ve güvenliği sağlamak için inşa edilmemiştir. İnternet altyapısını güvenli hale getirmek için önlemler alınması gerekmektedir. Güvenilir olmayan bu altyapı üzerinde hem teknoloji devleri hem siber saldırganlar kişilerin sahip olmadığı çevrimiçi gizlilik ve güvenlik üzerinden finansal kazanç sağlamaktadır.

Google’da yapılan aramalar, Youtube’da izlenen videolar, gönderilen e-postalar, Facebook Messenger üzerinden gerçekleştirilen konuşmaların hepsi internet servis sağlayıcısı (İSS) tarafından görüldüğü gibi Google ve Facebook bunları kendi veritabanlarında da kaydetmektedir. Uçtan uca şifreleme birçok uygulama ve platformda yoktur. Çevrimiçi gizlilik ve güvenliği sağlamak için kişisel önlemlerin alınması büyük önem taşımaktadır.

Çevrimiçi gizlilik ve güvenlik için nasıl önlemler alınabilir?

VPN Kullanımı

VPN ile çevrimiçi gizlilik ve güvenlik sağlanabilir. VPN (Sanal Özel Ağ) güvenilir olmayan internet altyapısı üzerinde hem kurumların hem bireylerin veri ve bilgilerini gizlemek ve güvende tutmak için kullanılan bir teknolojidir.

VPN programları kişisel veri ve bilgileri hem internet servis sağlayıcısından hem de ağ içindeki diğer kişilerden korumak için kullanılır.

VPN programları nasıl çalışır? VPN programları indirildiği ve aktifleştirildiği bilgisayar veya benzeri bir elektronik cihaz üzerinde VPN sunucusu ile sanal bir tünel oluşturur. Tünelleme protokolleri ile sanal olarak oluşturulan bu tünele giren her veri paketi şifrelendiği gibi kimlik doğrulaması da yapılır. Bu şekilde bu sanal ağa hem yetkisi olmayan erişimler hem de bir şekilde erişen partilerin veri paketi içeriklerini okuması engellenir.

VPN programları kullanıldığı cihazın internet protokol adresini bağlanılan VPN sunucusunun IP adresi ile maskeler. Örneğin, VPN kullanılan bilgisayarın IP adresi normal koşullarda İstanbul’u gösteriyorsa VPN kullanıldığında Rusya üzerinden bağlanılıyorsa artık o bilgisayar internette Rusya’da gibi gözükür. O bilgisayar üzerinden gerçekleştirilen işlemler Rusya’dan gerçekleştiriliyormuş gibi gözükür.

Tarayıcı Güvenliği

VPN ile fiziki konum internetten gizlendiği gibi HTTPS Everywhere eklentisini destekleyen bir VPN ile tarayıcı üzerinden gerçekleştirilen iletişimler de şifrelenir.

HTTPS Everywhere eklentisi web sitelerin Güvenli Hipermetin Transfer Protokolü (HTTPS) versiyonuna yönlendirir ve o web site ile paylaşılan veriler şifrelenir.

Tarayıcı üzerinde farklı hesaplar oluşturularak üçüncü parti çerezlerin her çevrimiçi aktiviteyi kaydetmesi engellenebilir. Chrome veya Firefox gibi tarayıcılarda çoklu hesap oluşturulabilir. Çerezler kendi aralarında bilgi alışverişi yapamayacağı için çevrimiçi aktiviteler kategorilendirilebilir ve farklı hesaplar üzerinden gerçekleştirilebilir.

Tarayıcıyı gizli modda kullanmanın yanında uBlock Origin, Privacy Badger gibi güvenilir eklentiler de gizliliği sağlamak için kullanılabilir.

Kötücül Yazılımlara Karşı Koruma

Çevrimiçi gizliliği ve güvenliği sağlamak için kötücül yazılımlara karşı önlemler alınması da çok önemlidir. Popüler VPN şirketlerinden biri olan ExpressVPN, güvenlik açıklarının oluşmaması adına cihaz yazılımlarının güncel tutulmasını, yazılım kaynaklarının doğrulanmadan cihazlara indirilmemesini ve güvenlik duvarı kullanılmasını öneriyor.

Kripto, fidye, casus yazılımları phishing yani oltalama saldırıları ile siber saldırganlar tarafından sosyal mühendislik sonucu cihazınıza yerleştirilebilir. Bundan kaçınmak için her zaman lisanslı bir antivirüs programı kullanılmalıdır. E-postalar, sosyal medya veya benzeri platformlardan gelen link ve dosya ekleri açılmamalı ve indirilmemelidir.

Scareware (sahte antivirüs yazılımı) adı verilen kötücül yazılımlar ‘’Bilgisayarınızda 10 Virüs Bulundu’’ gibi bir ifadeyle açılır pencerede çıkar ve bilgisayarı virüslerden temizlemeyi vaad eder. Aslında bir işe yaramayan antivirüs programını satma amaçlı oluşturulan başka bir kötücül yazılımdır.

Kötücül yazılımların da amacı kişisel veri ve bilgileri ele geçirmek ve nihayetinde finansal kazanç sağlamaktır. Özellikle bugünlerde Covid-19 ile ilgili oltalama saldırılarına karşı dikkatli olunmalıdır.

Sanal Gerçeklik ve İş Dünyası

Fri, 26 Jun 2020 17:00:00 GMT

Sanal Gerçeklik ve İş Dünyası Webinarı

İş Dünyasında Sanal Gerçeklik (Virtual Reality) kullanımını inceleyeceğiz.

Online olarak gerçekleştireceğimiz webinarımıza, ücretsiz olarak katılabilirsiniz.

Dr. Deniz Altun

Teknolojist, Fütürist, Akademisyen, Konuşmacı

linkedin.com/denizaltun

Bu etkinlikte neler öğreneceksiniz?

Sanal Gerçeklik oyun severlerin evinden çıkıp iş dünyasında parlamaya başlamışken biz de farklı sektörlerde nasıl kullanılabileceğini konuşacağız.

Etkinlik Detayları

Etkinliğimiz 17:00'da başlayacaktır
Webinarımız, YouTube üzerinden canlı gerçekleşecektir.

Etkinlik Yayını

Canlı yayını izlemek için tıklayınız.

Detaylı bilgi: info@akademi40.org

Apple WWDC 2020 Kısa Notlar

Fri, 26 Jun 2020 09:05:30 GMT

Her sene gerçekleştirilen Apple Worldwide Developers Conference Covid-19 Pandemisi nedeniyle bu sene dijital olarak gerçekleştirildi.

22 Haziran'da gerçekleştirilen çevrimiçi etkinlikte Apple, geliştiriciler ve kullanıcılar ile birçok yenilik paylaştı. Bu yenilikler arasında iOS, iPadOS, macOS, watchOS ve tvOS'un yeni özellikleri yer almakta.

Tanıtılan yeniliklerden en önemlisi Apple’ın Mac ailesinde artık Intel işlemci kullanmayacağı. Apple bundan böyle Apple Silicon adı verdiği kendi ekosistemi içinde ürettiği ürünü kullanacak.

iOS 14

iOS 14 Apple telefonların arayüzünü tamamen değiştirecek. iOS 14’ün en dikkat çeken özelliği App Library yani Uygulama Kitaplığı iPhone’lar için uygulamaları kategorize edebilecek.

Bir diğer özellik ise, Widget’ler. iPhone ekranlarında aynı boy olan uygulamalar yeni güncelleme ile beraber farklı boyutlarda ekranda yer alabilecek ve sürükleyerek yerleri değişebilecek. Widgetleri Apple’ın iPhone ana ekranında yaptığı en büyük yenilik olarak adlandırabiliriz.

App Clips adı verilen yeni özellik ile de bir uygulama kullanırken diğer uygulamanın küçük bir versiyonunun açılmasına olanak sağlanacak.

Bunların dışında,

Mesaj sabitleme,
Apple haritalardaki yenilikler,
Yeni memojiler ve iPhone’nunuz ile aracınızı açıp kapatma gibi özellikler iOS 14 ile iPhone’lara geliyor.

iOS 14'ü Destekleyen Modeller

iPhone 11
iPhone 11 Pro
iPhone 11 Pro Max
iPhone XS Max
iPhone XS
iPhone XR
iPhone X
iPhone 8 Plus
iPhone 8
iPhone 7 Plus
iPhone 7
iPhone 6S
iPhone 6S Plus
iPhone SE / SE 2
iPod Touch 7. Jenerasyon

macOS Big Sur

Mac’ler içinde büyük bir güncelleme mevcut. macOS Big Sur adı verilen yeni güncelleme ile Safari’nin daha gelişmiş bir sürümü kullanılabilecek. Ayrıca yeni arayüz iPhone ve iPad’lere benzeyecek. Yeniden tasarlanan uygulama simgeleri derinlik, gölgelendirme ve yarı saydam bir görüntüye sahip olacak. Yeni macOS Big Sur özelleştirilebilir yeni bir ana sayfa ve tasarıma sahip olacak.

Apple TV

Çoklu kullanıcı desteği ve uygulama içinde uygulama açma özelliği Apple TV’e eklendi. Ayrıca Foundation adlı yeni dizi Apple TV+’ta gösterime girecek.

Kaynaklar

TechRadar

Business Insider

NASA’nın JPL Açık Kaynakları, COVID-19'un Yayılmasını Azaltmaya Yardımcı Olmak İçin Kullanacak

Fri, 26 Jun 2020 09:03:30 GMT

COVID-19 pandemisi ile birlikte gözler giyilebilir teknolojilere çevrildi. NASA’nın Jet Propulsion Laboratuvarı yeni giyilebilir cihazlar geliştiriyor. JPL’in giyilebilir cihazı JPL Pulse yüze dokunmayı engelleyecek.

Açık kaynak olarak geliştirilen JPL Pulse 3D yazıcılar ve uygun maliyetli parçalar ile yeniden tasarlanabilecek. Uzmanlık gerektirmeyen sistemi herkes kendisi oluşturabilecek.

Görüntüsü bir kolye şeklinde olan JPL Pulse önemli belirtiler göstermeden veya pozitif olmadan önce COVID-19’u tespit edebilecek.

Kaynak

Endüstri 4.0’da İnsanlık Halleri

Thu, 25 Jun 2020 14:00:00 GMT

Endüstri 4.0’da İnsanlık Halleri Webinarı

Online olarak gerçekleştireceğimiz webinarımıza, ücretsiz olarak katılabilirsiniz.

Gamze Dönmez kimdir?

Kurucu Ortak - Look For Talent Eğitim & Danışmanlık

linkedin.com/gamzedonmez

Neylan Zümrüt kimdir?

Kurucu Ortak - Look For Talent Eğitim & Danışmanlık

linkedin.com/neylanzumrut

Bu etkinlikte neler öğreneceksiniz?

Öğrenen makineler, akıllı fabrikalar, birbiriyle iletişim halinde çalışan nesneler derken Endüstri 4.0 tüm hızıyla başımızı döndürüyor. Bu filmi bir an için durdurup yaşamın ve işin odağındaki asıl aktör olan insana, 21. yüzyıl merceğinden bakacağız.

Etkinlik Detayları

Etkinliğimiz 14:00'da başlayacaktır
Webinar Zoom üzerinden gerçekleşecektir.

Detaylı bilgi: info@akademi40.org

Android’in AirDrop Tarzı Dosya Paylaşım Uygulaması Nearby Share

Mon, 22 Jun 2020 09:05:30 GMT

Android’in “Nearby Share” adını verdiği yeni AirDrop tarzı paylaşım platformu mobil cihazlar dışında bilgisayarlarda da kullanılabilecek.

“Nearby Share” olarak adlandırılan uygulama uzun süredir en iyi haline getirilmeye uğraşılıyor. Google Play aracılığıyla sunulacak Nearby Share sadece Android cihazlarda değil Chromebook’larda ve Google Chrome yüklü tüm bilgisayarlarda çalışabilecek.

Nearby Share’ın yakın zamanda çıkacağı öngörülüyor.

Kaynak

Amazon'dan Sosyal Mesafe Asistanı

Thu, 18 Jun 2020 09:05:30 GMT

Amazon, depolarında sosyal mesafeyi korumaya yardımcı olmak için yeni bir yapay zekâ sistemi geliştirdiğini ve geliştirilen teknolojiyi ücretsiz olarak paylaşmayı planladığını açıkladı.

Distance Assistant olarak adlandırılan teknoloji, 50 inç monitör, kamera ve dizüstü bilgisayar içeriyor. Kamera, insanların birbirlerine ne kadar yakın yürüdüğünü izliyor ve cihaz tarafından yürüyen işçilere etraflarındaki artırılmış gerçeklik çemberlerini gösteriyor. Biri diğerlerinden altı metre uzakta ise daireler yeşil kalıyor, ancak birbirine çok yaklaşırsa daire kırmızıya dönerek uyarı veriyor.

Sistem ilk olarak Amazon’un binasında kuruldu ve şirket çalışanları arasında deneniyor. Önümüzdeki günlerde gelen geri dönüşler ile bu teknoloji yüzlerce noktaya dağıtılacak.

Distance Assistant olarak kullanılan yazılım açık kaynak olarak kullanılabilecek, böylece diğer şirketler Amazon'a lisans ücreti ödemeden kendi benzer cihazlarını oluşturabilecekler.

Distance Assistant, ilerleyen günlerde Amazon Go mağazalarında da kullanılarak pandemi sırasında alınan yeni önlemlerden biri olacak.

Kaynak

Sony PlayStation 5 için Yeni Yapay Zekâ Asistanı

Tue, 16 Jun 2020 09:05:30 GMT

Dünya Fikri Mülkiyet Örgütü'nden yeni yayınlanan bir patentte, Sony'nin gelecek nesil konsolu PlayStation 5 için Yapay Zekâ asistanı araştırmayı ve geliştirmeyi planladığını gösteriyor. Amazon'un Alexa veya Apple'ın Siri'sine benzer şekilde Yapay Zekâ kullanıcılara ipuçları, yükseltmeler ve hatta indirilebilir içerik gibi çeşitli kaynaklar sunacak.

Patent içeriği; “oyun karakterlerini hedefe ulaşmada yardımcı olabilecek bir oyun içi asistan olabilecek” diye açıklanıyor. “Asistan oyun içi indirilebilir içerik (DLC), eklentiler, yükseltmeler, öğeler, ipuçları, strateji, ortak veriler vb. gibi konularda hatta kullanıcıların bile farkında olmadığı özellikleri belirterek fayda sağlayabilecek.

Yeni Yapay Zekâ Asistanı kullanıcılara fayda sağlarken Sony’nin pazarlama stratejisine de büyük katkı sağlayacak.

Kaynak

Almanya COVID-19 Temas İzleme Uygulaması Kullanmaya Başlayacak

Sat, 13 Jun 2020 09:10:30 GMT

Almanya, COVID-19 bulaşını izlemek için bir uygulama geliştirdi. Uygulamanın amacı kendisinde COVID-19 belirtisi bulunan bir kişinin iletişim kurduğu insanları izleyerek olası bulaşı engellemek.

Sistem şu şekilde çalışacak;

Uygulama Bluetooth ile çalışacak. A ve B kişileri bir araya geldiklerinde eğer 15 dakikadan fazla bir arada bulunurlarsa, uygulamada bulunan kod birbirleri ile otomatik olarak paylaşılacak. Bu bilgiler bir veritabanında depolanmayacak.

Eğer minimum süreden daha fazla bir kişi ile temasınız bulunduysa ve listenizde bulunan bu kişi COVID-19 pozitif çıkarsa uygulama sizi test yaptırmanız konusunda uyaracak. Geliştirilen uygulama ile Almanya'daki yayılma hızını kontrol altına almak amaçlanmaktadır.

Kaynak

Google'ın İHA'ları Öğrencilere Kitap Teslim Edecek

Fri, 12 Jun 2020 09:10:30 GMT

Google’ın hava dağıtım hizmeti Wing Amerika Birleşik Devletleri Virginia’da öğrencilerin yaz okulunda okuması gereken kitapları İnsansız Hava Aracı (İHA) kullanarak teslim edecek.

COVID-19 ile beraber değişen alışkanlıklarımıza bir yenisi daha eklenmek üzere. İnsansız teslimat üzerinde çalışan Google yeni denemesini çocuklara kitap ulaştırarak yapacak. Kitap teslimatları önümüzdeki hafta başlayacak ve bölgedeki 600 kadar çocuğun bu hizmetten yararlanılması planlanıyor.

Kitap hizmeti için talepler Google Form aracılığıyla toplanacak ve Wing aracılığı ile kitaplar temin edilerek paketlenip çocuklara ulaştırılacak. Dronelar kitapları bir halata bağlayıp sarkıtarak teslim edecek.

Kaynak

OpenAI Metin Oluşturucusu Ticari Oluyor

Fri, 12 Jun 2020 09:05:30 GMT

OpenAI Araştırma Enstitüsü, Yapay Zekâ'yı zararlı kullanımlardan uzaklaştırmak için ortaya çıkmıştır. Şimdi ise araştırmalarına katkı sağlamak için tasarladığı Metin Oluşturucusunu (Text Generator) ticarileştirme kararı aldı.

Open AI, Metin Oluşturucusu’na katkı sağlamak için yeni bir satış stratejisi belirledi. Geliştirdikleri Metin Oluşturucusu’nu bir bulut sistemine entegre ederek karmaşık matematik problemleri çözmek ve geri bildirim almak için daha güvenli hale getirdi. Yapılan bu ticarileştirme hamlesi ile şirket hem kendisine katkı sağlayacak hem de Yapay Zekâ'nın gelişimi için daha fazla geri bildirim toplayabilecek.

Kaynak

Twitter Bilgi Kirliliğinin Önüne Geçmeye Hazırlanıyor

Thu, 11 Jun 2020 09:05:30 GMT

Twitter, kullanıcılarına daha bilinçli bir kullanım sunmak ve sağlıklı iletişimlerin gerçekleştirilmesini sağlamak için tamamen yeni bir özellik sunmaya hazırlanıyor.

Son zamanlarda karşılaşılan bilgi kirliliğini önlemek ve sağlıklı bilgi paylaşımında bulunabilmek için başka bir kullanıcının paylaştığı makaleyi paylaşmadan önce “Bu makaleyi okudunuz mu?” uyarısı kullanıcı arayüzünde yer alacak. Kullanıcı bu soruyu cevapladıktan sonra Retweet ya da Yorumla Birlikte Retweetle seçeneklerine ulaşabilecek.

Bilinçli bir paylaşım yapmanın amaçlandığı bu yeni özellikle bilgi kirliliğinin önüne geçilmesi hedeflenmekte. Şu an için Amerika Birleşik Devletleri’nin belirli eyaletlerinde ve Android işletim sistemlerinde kullanılan yeni özellik henüz test aşamasında.

Kaynak

Google Duo’ya Yeni Özellikler

Tue, 09 Jun 2020 09:05:30 GMT

Google’ın video konferans uygulaması DUO, Zoom ve Microsoft Teams gibi mobil cihazlara bağlantı gönderebilir hale geldi. Google DUO şirketler için tasarlanmış Google Meet’in aksine mobil dostu ve tüketici odaklı bir uygulama olarak tasarlandı. Google COVID-19 salgını ile beraber DUO’nun özelliklerini yeniden gözden geçirerek daha sağlam özellikler getirmeyi planlıyor.

Uygulamada, yeni AV1 codec'ini destekleyen Google sayesinde çağrı kalitesinde bir artış yaşadı. DUO şu an itibariyle artık bir çağrıda 12 kişiye kadar konuşma desteği veriyor. DUO’nun yeni özellikleri arasında Snapchat tarzı maskeler, efektler ve canlı bir aile moduda mevcut.

Artık bir Duo çağrısı oluşturmak ve ona daha fazla kişi eklemek istiyorsanız, grup çağrısı oluşturulduktan sonra bunu özel bir davet bağlantısı göndererek yapabilirsiniz. Şu anda, bu yalnızca Android ve iOS dahil olmak üzere mobil cihazlarda çalışıyor.

Kaynak

Öğrenmesini Uykuyla Tamamlayan Yapay Zekâ

Tue, 09 Jun 2020 09:00:30 GMT

ABD'deki Los Alamos Ulusal Laboratuarı'ndaki araştırmacılar, geliştirilen sinir ağlarının yapay bir uyku analoğuna maruz kaldıklarında "iyi bir gece dinlenmesine eşdeğer" faydaları yaşadıklarını keşfetti.

Bu da demek oluyor ki insan gibi çalışmak üzere tasarlanmış bir Yapay Zekâ, biyolojik beyinlerin ihtiyaç duyduğu zamanlara benzer dinlenme sürelerine ihtiyaç duyabilir.

Los Alamos’un bilgisayar bilimcisi olan Yijing Watkins, "Nöromorfik bir işlemciyi, insanların ve diğer biyolojik sistemlerin çocukluk gelişimi sırasında çevrelerinden nasıl öğrendiklerine benzer bir şekilde eğitme ihtimalinden çok etkilendik." dedi.

Keşif, insanların görme biçimini taklit etmek için tasarlanmış bir Yapay Zekâ üzerinde çalışan araştırma ekibi tarafından yapıldı.

Kaynak

Yeni Normal 2.0

Mon, 08 Jun 2020 08:16:04 GMT

Covid-19'un Aralık ayında Çin'in Wuhan şehrinde ortaya çıkışından bu yana iş ve sosyal yaşantımızda birçok değişiklik meydana geldi.

Yeni Normal Nedir?

Yeni normal salgının pandemiye dönmesi ile birlikte dünyada tedbir amaçlı önlemlerin alındığı yaşam biçimidir.

Yeni Normal'de Neler Yaşayacağız?

Hepimiz durumun farkındayız artık hiç bir şey eskisi gibi olmayacak. Covid-19’a göre alışkanlıklarımızı yeniden gözden geçireceğiz. Dünya geneline bakarsak, salgını en ağır şekilde yaşayan İtalya ve ABD önlemleri gevşeterek yeni normal düzene adım atmaktadır. İtalya’da 10 haftalık karantina sürecinden sonra restoranlar sıkı önlemlerle kapıları açmakta daha doğrusu paket servis hizmetine geçmektedirler. ABD’nin Connecticut eyaletinde ise restoranlar sadece açık havada yemek için açıldı. Restoranlar genelinde bakmak gerekirse ülkemizde de bazı restoranlarda paket servis hizmeti devam ederken bazıları sosyal mesafe için masalarını azaltıp aralara şeffaf pleksi paravanlar yerleştirdi. Bütün bu alınan önlemler ekonomilerdeki yaşanan gerilemenin önüne geçilmesi için fakat yine de işsizliğin önüne geçebilecek mi tartışılır.

Ülkemizde 2019 - 2020 yılı eğitim ve öğretiminin dönem sonuna uzaktan yapılması kararı alındı. Güney Kore ve Fransa’nın okulları açma kararı tartışma konusu olasa da ülkeler bu adımı normale dönmek için atmaktadır.

Sektörel bazda bakmak gerekirse, hemen hemen her sektör Covid-19 pandemisinden etkilenmiş durumda. Kimi sektörler yeni normale ayak uydururken kimisi hala ne yapılacağını bilmemektedir. Ülkemizde yeni normale ayak uyduran sektörlerin başında lojistik (kargo) ve perakende sektörü geliyor diyebiliriz. Temassız teslimat ve online perakende anlayışı ile tüketicilerden tebrik toplamaktadırlar.

Yine sektörel bazda bakmak gerekirse, turizm ve ulaşım sektörü pandemiden büyük darbe aldı diyebiliriz. Senede bir defa yapılan tatiller bu sene rafa kalktı. İnsanlar daha az kişinin tercih edeceği doğa ile başbaşa kalabilecekleri alternatiflere yöneldiler. Karavan ya da çadır kampını buna örnek verebiliriz.

Yeni Normalde İş Hayatı

Yeni Normal dönem ile hayatımızdaki en büyük değişiklik sosyal hayat ve iş hayatımızda meydana geldi. Artık maskesiz, eldivensiz hatta siperliksiz sokağa çıkmıyoruz. Hatta genel olarak sokağa çıkmaktan çekiniyor, sadece işlerimizi halletmek için sokağa çıkıyoruz. İş hayatına bakmak gerekirse, çoğu şirket evden çalışma modeline ya da dönüşümlü olarak ofise gitme modeline geçti. Ofislerimizde maske, eldiven, dezenfektan ve coronavirüsten bizi koruyacağını düşündüğümüz birçok şey mevcut.

İlk başta evden çalışma modeli tüm çalışanların hoşuna gitse de bir süre sonra farklı problemler baş gösterdi. Örneğin; ev ortamında iş için uygun ortamı yaratamamak ve evde olmanın kişiye artan maliyeti diyebiliriz.

Fabrikalarda da durum farklı olmayacak. Tesislerde bulunan ofis çalışanları yine uzaktan çalışmaya devam ederken dönüşümlü çalışma modeline yavaş yavaş geçilecek gibi görünüyor. Ofislerde tedbir elden bırakılmayacak ve ofisler belirli aralıklarla dezenfekte edilecek.

Covid-19 ile birlikte yüz yüze gelerek çalışmak, toplantı yapmak şimdilik rafa kalkmış durumda. Zamanla ofisler ve fabrika içindeki yerleşim planları da Yeni Normale geçiş sağlayacak. Örneğin; çalışanlar arasında minimum 2 metre aralık, sırt sırta çalışmak gibi çözümler getirilebilir.

Zamanla ofislerde alınacak tedbirler yeterli olmayacak, personelin ev ya da sosyal yaşamlarında da takip edilmesi sağlanacak. Her ne kadar önlem amaçlı olsada zamanla çalışanlar sürekli kontrol edilmekten hoşnutsuz olabilir. Önemli noktalardan biri de toplu ulaşım. Şirketler maliyetleri arttırmadan nasıl çözüm getireceklerini araştırıyorlar.

Dünya geneline bakmak gerekirse, dev fabrikalar özellikle Jaguar - Land Rover, Aston Martin ve Nissan gibi isimler tesislerini kademeli olarak açmaya başladılar. Bunun yanı sıra Volkswagen Almanya’da tüm extra önlemlerini alarak üretime devam etmektedir.

Yeni Normal düzende fuarlar, toplantılar ve birçok insanın bir arada yer aldığı etkinlikler şimdilik fiziksel olarak mümkün görünmüyor. Çok uluslu birçok şirket her yıl gerçekleştirdikleri motivasyon toplantılarını online ortama taşıdılar bile.

Yeni Normal düzende seyahat yapmak mümkün olsada bir çok evrak, izin ve rapor sonrasında bu gerçekleştirilebilecek. Uçaklar, trenler, gemiler ve kara ulaşım araçları %50 kapasite ile çalıştığından artan maliyeti de göze almak gerekecektir. Bireysel seyahat bu kadar zorken şimdilik iş seyahatleri de ertelenmiş durumda.

Yeni Normal 2.0’da alınacak önlem ve çözümlerle Covid-19’a göre hayatlarımızı şekillendirecek, kendimizi korurken etrafımızdaki insanların da sağlığını düşüneceğiz. Covid-19 bize sağduyuyu ve empatiyi tekrardan hatırlatacak.

Kaynaklar

Alibaba'nın Geliştirdiği Yapay Zekâ Bir Dakikada Koronavirüs Tespiti Yapabilecek

Mon, 08 Jun 2020 09:05:30 GMT

Tokya'da Tıbbi bilgi sağlayıcısı M3, CT tarama görüntülerinden COVID-19 pnömonisini hızlı bir şekilde tanımlamak için Alibaba ile ortak bir Yapay Zekâ projesi geliştirdi.

Sağlık bakanlığının onayını bekleyen sistem, koronavirüs tespitinde kullanılan PCR (Polimeraz Zincir Reaksiyonu) testlerin kapasitesini genişletmek ve ek bir test aracı olarak kullanılmak için ümit vaat ediyor.

Yeni testin geliştirilmesindeki amaç Japonya'daki hastanelere testi hızlı tedarik etmek ve en sonunda da yüzlerce noktada kullanmak, yani daha çok test ile salgının önüne geçmek. Geliştirilen sistemde hastaneler göğsün bilgisayarlı tomografi taramasını M3 sistemine gönderecek ve test COVID-19 pnömonisi olasılığını 1 ila 5 arasında derecelendirip bilgi verecek.

Sony'nin desteklediği M3 Mart ayının sonundan bu yana Alibaba'nın geliştirdiği Yapay Zekânın tarama sonuçlarını doğrulamak için PCR testlerini kullanarak Japonya’da gerçekleştirmekte. Japon şirketi, yeni sistemin analizini bir dakikadan daha kısa sürede yüksek doğrulukla gerçekleştirdiğini, ancak doğruluğun % 90'ın altında olduğunu söyledi. Şimdilik sistem tarafından elde edilen veriler sadece Japonya'da kullanılacaktır.

Alibaba'nın Yapay Zekâ aracı Wuhan, Şangay ve Hubei Eyaleti gibi yerlerdeki hastanelerde kullanılabilecek. Alibaba'ya göre geliştirilen yeni test, COVID-19'u yaklaşık 20 saniye içinde tanımlayabilir. Bu da bir doktorun zamanını %60 ile %90 verimli kullanabileceğini göstermektedir.

Kaynak

Boston Dynamics'in Robot Köpekleri Hastanelerde

Mon, 08 Jun 2020 09:05:30 GMT

Boston Dynamics'in Robot Köpekleri Hastanelerde

Boston Dynamics'in geliştirdiği Spot isimli robotu sağlık çalışanlarının hastalarla doğrudan temasını azaltarak COVID-19 ile savaşmaya yardımcı olacak. Şirket diğer robot üreticilerinde yararlanması için açık kaynak kullanıyor.

Dünya genelinde birçok doktor, hemşire ve sağlık çalışanı COVID-19 ile enfekte olmuş durumda. ABD’de bu rakam 5.400’ün üzerinde. Pandemi döneminde doktorlara ve sağlık çalışanlarına daha çok ihtiyacımız var ve onlarca hasta ile dolu hastanelerde sağlık çalışanlarının hayatları tehlikede.

Bu tehlikeyi en aza indirmek için Boston Dynamics'in geliştirdiği robot köpek Spot bir asistan görevi görüyor. Mart başından bu yana kullanılan Spot olumlu tepkiler almakta.

Spot, tam iki hafta boyunca Brigham Kadın Hastanesi - Harvard Üniversitesi’nde kullanılıyor. Spot şu anda, teletıp desteği olarak çalışıyor ve triyaj çadırları, otoparklar gibi geçici ortamlardaki sağlık personeline yardımcı oluyor.

Şimdiye kadar, hastaneden gelen geri bildirimler Spot'un hemşirelerin hastalarla bir araya gelebileceği durumların azaltılmasına yardımcı olduğunu göstermektedir.

Boston Dynamics, robotu sağlık hizmetlerini yeniden tanımlamak için donanım ve yazılım yığınını açık kaynak olarak sunmakta. Tüm bunlar şirketin GitHub sayfasında mevcut ayrıca, bilgisayar destekli çizim dosyalarına kadar hepsi açık kaynaklı. Şirket, diğer robotları triyaj çalışanlarına dönüştürmek için özel bir Boston Dynamics donanımına veya yazılımına gerek olmadığını söylüyor.

Aslında, Boston Dynamics tekerlekli veya paletli robotların Spot'tan daha iyi çalışacağını düşünüyor bu nedenle şirket, daha fazla robotik triyaj çalışanı oluşturmak için Kanadalı şirket Clearpath Robotics ile yakın bir şekilde çalışmakta.

Boston Dynamics, vücut sıcaklığı, solunum hızı, nabız hızı ve oksijen doygunluğu seviyeleri gibi hayati belirtileri uzaktan ölçmenin bir yolunu bularak robotu hastane ortamlarında daha da kullanışlı hale getirmek istiyor. Bundan sonra, şirket virüs parçacıklarını öldürmek ve hastaneler içindeki yüzeyleri dezenfekte etmek için UV-C ışığı (veya benzer bir teknoloji) kullanmayı planlıyor.

Kaynak

Apple’dan Sosyal Mesafeli Selfie

Mon, 08 Jun 2020 09:00:30 GMT

COVID-19 ile birlikte yaşamaya alışmaya başlıyoruz. Patently Apple tarafından gelen bilgiye göre Apple grup selfie çekmek için yeni bir yol buldu.

Bir Apple kullanıcısı (iPad ya da iPhone henüz hangisinde kullanılacağı belli değil) arkadaşlarını grup selfiesi çekme konusunda davet edebilecek. Yeni yazılımla beraber her bir katılımcının fotoğrafı ayrı ayrı düzenlenip grup selfiesine eklenebilecek.

Selfiede, fotoğraf, depolanmış video görüntüsü veya canlı akış görüntüsü yer alabilecek. Ayrıca çekilen fotoğraf düzenlenebilecek, orijinal fotoğraf tutulacak, yerini beğenmeyen arkadaşınız selfiedeki yerini değiştirebilecek.

Sosyal mesafeli selfie fikri pandemi sürecinde hem eğlenceli hem de güvenli bir alternatif. Yakın zamanda karşılaşacakmıyız merak konusu.

Kaynak

CES 2021 Düzenlenecek Mi?

Thu, 04 Jun 2020 09:59:30 GMT

Yeni normal adımlar atılmasına rağmen henüz fuar ve büyük organizasyonların düzenlenmesi konusu netleşmiş değil.

Her yıl Las Vegas’ta düzenlenen ve birçok teknoloji tutkunun yakından takip ettiği CES Fuarı 2021 Ocak ayında kapılarını açmaya hazırlanıyor. Pandeminin gölgesinde gerçekleşmesi planlanan fuar için The Consumer Technology Association (Tüketici Teknolojisi Derneği) Las Vegas’da hem fiziksel bir hem de dijital bir sergileme gerçekleştirmesini önermekte.

CES Fuarının düzenleyicisi CTA fuar için yeni sağlık düzenlemeleri getirmekte. Ortak kullanım alanlarının düzenli temizlenmesi, dezenfekte edilmesi ve dezenfeksiyon istasyonları planlamaların arasında yer alıyor. Bunun dışında koridor ve koltuk genişliklerini arttırmak, mobil ödeme gibi teknolojiler sunarak teması en aza indirmeyi hedeflemekte. CTA, Ayrıca düzenli sıcaklık ölçmek ve maske gibi uygulamaları da fuar alanında kullanacaklarını belirtiyor.

Kaynak

Garson Robotlar Çalışmaya Başladı

Thu, 04 Jun 2020 09:58:30 GMT

Yeni Normal: Hollanda'nın Garson Robotları

Covid-19 salgını sonrasında normalleşmeye başlayan dünyamızda birçok yeni teknoloji kullanılmaya başlandı. Bunlardan biride Hollanda’da kullanılmaya başlayan “Robot Garsonlar”.

İnsan ile olan teması azaltmak ve sosyal mesafeyi korumak için böyle bir yol seçen işletme sahibi Garson Robotları müşterileri karşılama, yönlendirme ve masadakileri toparlama gibi temel işlemlerde kullanıyor. Tabi ki restoranda hala insan faktörü ortadan kalkmış değil. Garson Robotlar şu an için insanların işlerini kolaylaştırmak ve onlara destek olmak için çalışıyor.

İlk başta biraz ürkütücü gelsede salgın sonrası yeni normal ile birlikte bu duruma alışacağız gibi duruyor.

Kaynak

Vücut Isısı Ölçebilen Honor Play 4 Pro

Thu, 04 Jun 2020 09:50:30 GMT

Huawei’in alt markası olan Honor’un yeni modeli Honor Play 4 Pro ateş ölçer özelliği ile birlikte raflarda yerini almaya hazırlanıyor.

Pek çok yeni özelliği barındıran Honor Play 4 Pro, Kirin 820 5G işlemcisini kullanmakta ayrıca, 6.57 inç IPS ekran ve ön tarafında bulunan çift kamera ile şık bir tasarıma sahip. Ön tarafında yer alan 2 kameradan biri 16Mp diğeri ise derinlik kamerası olarak adlandırılan 2Mp’lik bir kamera mevcut. Honor Play 4 Pro’nun, arka tarafında ise 40Mp’lik kamera 8Mp’lik ultra geniş kamera bulunmakta.

Honor Play 4 Pro’un en heyecan verici özelliği ise kızılötesi sensörler ile vücut ısısını ölçebilmesi. Marka özellikle tüm dünyanın gündemi olan Covid-19 salgınında Honor Play 4 Pro tercih edileceğini ön görüyor.

03 Haziran 2020’de tanıtımı gerçekleşecek Honor Play 4 Pro’nun ülkemize geleceği tarih henüz netleşmemiş durumda.

Kaynak

Oura Ring, COVID-19'u Erken Tahmin Etmek İçin Yapay Zekâ Verilerini Kullanıyor

Thu, 04 Jun 2020 09:47:30 GMT

WVU Tıp ve Rockefeller Sinirbilim Enstitüsü'nden araştırmacılar, çığır açacak bir projenin tanıtımını Nisan ayında yaptılar.

Oura Ring (Oura Yüzüğü) adı verilen giyilebilir teknoloji ile Covid-19 semptomları 3 gün öncesinden tahmin etmek artık mümkün. Nisan ayında ilk duyurusu gerçekleşen projede 24 saat öncesinde semptomları fark etmek mümkündü. Fakat şu anda gelinen noktada bir Yapay Zekâ tahmin modeli kullanan araştırmacılar COVID-19 semptomlarını başlamadan üç gün öncesine kadar takip edebilmektedirler.

Oura Ring, stres ve anksiyete gibi nörolojik semptomları ayırarak vücut ısısı, kalp atış hızı ve uyku düzenleri gibi fizyolojik verileri otomatik olarak izleyerek, Covid-19 semptomlarından ayıran bir uyarı oluşturma niteliğinde tasarlandı.

Kaynak

Kablosuz Sensör Ağları ile İşletmelerde Dijital Dönüşüm

Fri, 29 May 2020 14:00:50 GMT

Kablosuz Sensör Ağları ile İşletmelerde Dijital Dönüşüm Webinarı

Online olarak gerçekleştireceğimiz webinarımıza, ücretsiz olarak katılabilirsiniz.

Selçuk Ökdem kimdir?

Doç.Dr. Erciyes Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği

linkedin.com/selcuk-okdem

Bu etkinlikte neler öğreneceksiniz?

Kablosuz sensör ağları nedir?
Temel özellikleri, donanımsal tasarımları, uygulama alanları, uygulamada karşılaşılan güçlükler nelerdir?
Getirilen çözümler ve araştırma konuları.

Etkinlik Detayları

Etkinliğimiz 14:00'da başlayacaktır
Webinar Zoom üzerinden gerçekleşecektir.

Detaylı bilgi: info@akademi40.org

Veri Güvenliği

Wed, 20 May 2020 17:00:41 GMT

Veri Güvenliği Webinarı

Online olarak gerçekleştireceğimiz webinarımıza, ücretsiz olarak katılabilirsiniz.

Mehmet Belgen kimdir?

CTO - Bilgi Teknolojisi ve İletişim Müdürü, Ak Gıda

linkedin.com/mehmetbelgen

Bu etkinlikte neler öğreneceksiniz?

Veri nedir?
Bilgi varlıklarının tespit edilerek zafiyetleri belirlemek ve istenmeyen tehdit ve tehlikelerden korunmak mümkün müdür?

Etkinlik Detayları

Etkinliğimiz 17:00'da başlayacaktır
Webinar Zoom üzerinden gerçekleşecektir.

Detaylı bilgi: info@akademi40.org

Geleceği Kodluyoruz

Tue, 19 May 2020 13:00:38 GMT

Geleceği Kodluyoruz Webinarı

Online olarak gerçekleştireceğimiz webinarımıza, ücretsiz olarak katılabilirsiniz.

Eren Taş kimdir?

Machine Learning Developer, Konzek Teknoloji

Bu etkinlikte neler öğreneceksiniz?

Yapay Zekâ nerelerde nasıl kullanılır?
Yapay Zekâ çözümleri nelerdir?

Etkinlik Detayları

Etkinliğimiz 13:00'da başlayacaktır
Webinar Akademi 4.0 Youtube Kanalı üzerinden gerçekleşecektir.

Etkinlik Videosu

Etkinlik videosunu aşağıdaki linkten izleyebilirsiniz.

Akademi 4.0 Youtube / Geleceği Kodluyoruz

Detaylı bilgi: info@akademi40.org

Akıllı Fabrika Altyapısı ve Akıllı Üretim Uygulamaları

Fri, 15 May 2020 14:00:44 GMT

Akıllı Fabrika Altyapısı ve Akıllı Üretim Uygulamaları Webinarı

Online olarak gerçekleştireceğimiz webinarımıza, ücretsiz olarak katılabilirsiniz.

Muharrem Gezer kimdir?

1968 yılında Bursa'da doğan Muharrem Gezer, Uludağ Üniversitesi Elektronik Mühendisliği bölümünden mezun olmuştur. 1990 ve 2003 yılları arasında bilgi ve iletişim teknolojileri alanında sektörel yazılım geliştirme, uyarlama çalışmalarında bulunmuştur.

Linkedin'de Muharrem Gezer

Bu etkinlikte neler öğreneceksiniz?

Akıllı Fabrika Altyapısı

Bilgi Teknolojileri (BT) altyapısı
Donanım (On prem, Cloud, Hybrid)
Yazılım çözümleri ve görevleri (ERP, CRM, MES/MOS, APS, ECM,PLM, BI…)
Operasyon Teknolojileri (OT) altyapısı
Siber Fiziksel sistemler
IoT, IIoT, IoT Platformları, Analitik, Güvenlik
BT/OT entegrasyonları

Kullanılan Teknolojiler

Akıllı Tasarım (Crowdsourcing, Micro Factory,3D printing vb.)
Akıllı Satış (Analytics, CRM, CPQ vb.)
Akıllı Satın alma (Bidding, EDI vb.)
Akıllı Malzeme Yönetimi (Smart Bin, Pick by Voice vb.)
Akıllı Bakım (Prediction, Prevention, Augmented Reality vb.)
Akıllı Üretim (Cyber-Physical systems, ML, AI, M2M, H2M, Robotics vb.)
Akıllı Lojistik
Akıllı Servis

Uygulama Alanları ve Sağlanan Faydalar

Dijital Performans Yönetimi • İnsan Kaynağı ve Ekipman Planlama
Dijital Stok, Ekipman Yönetimi
Dijital ARGE ve Mühendislik
İşbirlikçi Robotlar ve Otomasyon
Yapay Zeka Destekli Kalite Kontrol
Akıllı Bakım
VR Destekli Eğitim
AR Destekli Operasyonlar
Enerji Yönetimi

Etkinlik Detayları

Etkinliğimiz 14:00'da başlayacaktır
Webinar Zoom üzerinden canlı gerçekleşecektir.

Detaylı bilgi: info@akademi40.org

Derin Öğrenmenin Temelleri: Uzun Kısa Süreli Belleğe Giriş

Thu, 30 Apr 2020 02:48:06 GMT

Dizi tahmini problemleri uzun zamandır var. Veri bilimi endüstrisinde çözülmesi en zor problemlerden biri olarak kabul edilirler. Bunlar çok çeşitli problemleri içerir; satışları tahmin etmekten borsa verilerindeki kalıpları bulmaya, film planlarını anlamadan konuşma biçiminizi tanımaya, dil çevirilerinden iPhone'unuzun klavyesinde bir sonraki kelimenizi tahmin etmeye kadar.

Son yıllarda veri biliminde gerçekleşen atılımlarla, bu dizi tahmini problemlerinin neredeyse tamamı için, Uzun kısa Süreli Bellek Ağları, yani LSTM'lerin en etkili çözüm olduğu gözlenmiştir.

LSTM'ler, geleneksel ileri beslemeli sinir ağları ve RNN'nin birçok yönden bir avantajına sahiptir. Bunun nedeni, uzun süreler boyunca kalıpları seçici olarak hatırlama özelliklerinden kaynaklanmaktadır. Bu makalenin amacı LSTM'yi açıklamak ve gerçek yaşam problemlerinde kullanmanızı sağlamaktır. Aşağıdaki görsele bir bakalım.

İçindekiler

Flashback: Tekrarlayan Sinir Ağlarına (RNN) bir bakış
RNN'lerin sınırlamaları
RNN üzerinde iyileştirme: Uzun Kısa Süreli Bellek (LSTM)
LSTM Mimarisi
1. Kapıyı Unut
2. Giriş Kapısı
3. Çıkış Kapısı
LSTM kullanarak metin oluşturma.

Kaynak

Hangi Tesislerde Kojenerasyon Uygulanabilir?

Wed, 29 Apr 2020 17:00:09 GMT

Hangi Tesislerde Kojenerasyon Uygulanabilir? Webinarı

Online olarak gerçekleştireceğimiz webinarımıza, ücretsiz olarak katılabilirsiniz.

Sabri Çakmak kimdir?

Enerji Üretim ve Teknoloji Geliştirme Grup Müdürü, Hayat Kimya

linkedin.com/sabri-cakmak

Bu etkinlikte neler öğreneceksiniz?

Kojenearsyon nedir ve faydaları nelerdir?
Kojenerasyon kurma kararı almadan önce hangi kriterler incelenmelidir?
Kojenerasyonda kullanılacak ekipmanlar nasıl belirlenir?
Kurulumdan sonra işletme şartları nasıldır?

Etkinlik Detayları

Etkinliğimiz 17:00'da başlayacaktır
Webinar Zoom üzerinden canlı gerçekleşecektir.

Detaylı bilgi: info@akademi40.org

Makine Öğrenimi Modellerinin Artan Eğitimi için Veri Tankları

Thu, 23 Apr 2020 09:55:45 GMT

Veri gölü (data lake) terimini biliyorsunuz. Veri gölü, sınırsız sayıda veri depolamak için kullanılan bir havuzdur. Bugünlerde, bulut hizmet sağlayıcılarının çoğu, verileri geldikçe depolamak için ölçeklenebilir veri göllerini barındırılmasına izin veriyor. Bu veri göllerini kullanmak için, verilerin yapılandırılması gerekli değildir ve üzerinde farklı türde uygulamalar çalıştırılabilir. Bunlar genellikle büyük veri analizi ve makine öğrenimi uygulamalarıdır. Bu uygulamaların tüm verilerin bir veri gölünde bulunması gerekir ve göle yeni veri kümesi eklendiğinde, analitik ve makine öğrenimi eğitim sürecini tekrar tekrar yapmamız gerekir. Bu, çözümlerin teslim tarihini etkileyen zaman alıcı bir işlemdir.

Büyük veri analizi ve makine öğrenimindeki son gelişmeler ise artımlı analitik ve artımlı eğitimdir. Artımlı öğrenme, mevcut bir makine öğrenimi modelinin bilgisini yeni verilerle daha da eğiterek genişletir. Bu ilerlemeyle, veri gölüne yeni veriler ekledikten sonra süreci tekrar tekrar yürütmeniz gerekmez. Artan öğrenmeyle, uygulamayı yeni eklenen veriler üzerinde çalıştırarak yakalanmış olan sonuçları ve yapay zekâya aktarabiliriz. Bir analiz ve makine öğrenimi iş akışını sürdürmek için, modelin ilk sürümü oluşturulduktan sonra bir veri gölüne abone olmamıza gerek yoktur. Toplu verilerle ilgili ilk analiz ve eğitim tamamlandıktan sonra, "Veri Tankları" ndaki artımlı verileri koruyarak artımlı öğrenmeyi yapabiliriz. Veri Tankları artımlı öğrenmeyi kolaylaştırır. Veri göllerinin aksine, veri tanklarının kapasitesi sınırlıdır. Bu, bulutlarda abonelik maliyetinden tasarruf edilmesine yardımcı olur. Tıpkı bir su deposu gibi, veriler veri deposuna doldurulur ve maksimum kapasiteye dolduğunda, büyük veri analizi / makine öğrenimi eğitimi tetiklenir. Bu uygulamalar, halihazırda yakalanmış sonuçlar üzerinde artan güncellemeler yapar. Artımlı öğrenme tamamlandığında, tankta depolanan veriler başka bir veri kümesinin saklanması için yer açmak üzere boşaltılabilir. Temel olarak, veri deposu yeniden kullanılır ve veriler kalıcı olarak depolanmaz.

IoT teknolojisinin evrimiyle birlikte makine öğrenme modelleri edge cihazlarda devreye giriyor. Edge cihazlara yerleştirilen modeller çok sayıda çevrimiçi veri görür ve zaten bu modelleri yeni verileri kullanarak eğitmek zordur. Tam teşekküllü makine öğrenimi eğitim sürecini yürütmek için, cihazın büyük miktarda depolama ve bellek kapasitesine sahip olması gerekir. Veri Tankları bu noktada faydalı olur. Tanklar edge cihazlara yerleştirilebilir ve tankların kapasitesine cihazdaki kullanılabilir depolama alanına göre karar verilebilir. Artımlı öğrenme, modelleri artımlı bir şekilde eğitmek için kullanılan bir dizi teknikten oluşur. Modeller Keras kullanılarak yada TensorFlow çerçevesi kullanılarak geliştirilirse, Keras ve Creme ile çevrimiçi ve artımlı öğrenmeye sahip oluruz. Creme, özellikle artan öğrenmeye göre uyarlanmış bir kütüphanedir. Amazon SageMaker, artımlı öğrenme için yerleşik algoritmalar sağlar. Bu özellik, istihbaratını aşamalı olarak güncelleyebilme özelliği ile edge uygulamalarına öğrenme uygulamaları dağıtırken Veri Tanklarından yararlanmanıza yardımcı olur.

Artımlı öğrenme için Veri Tankları uygulamaktan çekinmeyin ve modelleri yeniden eğitmek için gereken süreyi kısaltın.

Kaynak

Yapay Zekâ ile Ticaret Modellerinin Geliştirilmesi

Thu, 23 Apr 2020 03:33:17 GMT

Günümüzde daha belirgin hale gelen veriler, insan gücündeki makine öğreniminin en iyi şekilde yararlanabilmesinin ötesinde ölçekleniyor ve değişiyor. Bu derinlemesine öğrenme, mevcut analizler geliştirmeyi daha gerekli ve kârlı hale getirir. Araştırmacılar döviz piyasasında kârlı bir şekilde ticaret yapmaya devam edebilecek bir ticaret modeli geliştirmeye büyük yatırım yapmıştır. Böyle bir model geliştirilmesine rağmen, hala iyileştirilmesi gereken çok şey var ve mevcut makine öğrenme yöntemlerinin sınırlarına neredeyse ulaşıldı. Derin öğrenmenin artan gücü ve çok yönlülüğü nedeniyle, model derin bir sinir ağı ile geliştirilecek.

Karşılaşılan ilk soru, finansal para birimi verilerinin bir imaj olarak nasıl temsil edileceği idi. Para birimi verilerini bir görüntüye yeniden şekillendirmenin birçok yolu vardı; ancak, her biri çok fazla işlem gücü ve araştırma gerektiriyordu. 143 milyon ham veri noktası ve sayısız olası özellik üzerinde çalışmak araştırma döngüsünü önemli ölçüde yavaşlattı. Ardından analizi, verileri hızlı bir şekilde yüklemeye ve analiz etmeye ve özel modüller kullanarak bir görüntüye yeniden şekillendirmeye izin veren Pivot Billions ile güçlendirme kararı alındı. Ham verilerimizi değiştirmekten görüntü verilerine dönüştürmeye ve daha sonra üzerinde derin öğrenme yapmaya kadar tüm süreç artık birkaç dakika sürdü. Bu, giriş özellikleri seçimi çok daha kolay hale getirdi, çünkü derin öğrenme ile ilgili olabilecek çeşitli özellikleri ekleme ve hızlı bir şekilde tekrarlamaya izin verdi.

Pivot Billions Keras iş akışına dahil etmek, modelin sinyalleri ve her bir girdi özelliği için ilgili sinyale ilişkin bu sinyallerin her bir satırından önceki son 100 dakika da dahil olmak üzere, bir kâr etiketi oluşturarak ve verileri ayarlayarak verilerin hızlı bir şekilde hazırlanması sağlandı. Eğitim ve test veri setleri geliştirildi. Giriş özelliklerinin türleri ve derin sinir ağlarının yapısı ile yapılan birçok tekrardan sonra, modelin zayıf yönlerini ve güçlü yönlerini öğrenen ve kârlı sinyalleri daha doğru bir şekilde tahmin eden derin öğrenme modeli belirlendi.

Ham taban modeli (siyah çizgi), düşük performans gösteren ticaret dönemleri nedeniyle kârlı ancak son derece uçarıydı. Fakat derin öğrenme gelişmiş modeli (mavi çizgi) veriler boyunca şaşırtıcı ve çok daha fazla kâr elde etti!

Derin sinir ağının orijinal modeldeki çekilme sürelerini önemli ölçüde azalttığını ve çok daha istikrarlı bir kâr ürettiğini görmek araştırmacıları mutlu etti. Alınan bu sonuçlar beraber daha yapay zekânın her türlü sektöre uygulanabileceği gözler önüne serildi.

Kaynak

Derin Öğrenme ve Modern Doğal Dil İşleme

Wed, 22 Apr 2020 20:00:37 GMT

Derin Öğrenme ve Modern Doğal Dil İşleme Webinarı

Online olarak gerçekleştireceğimiz webinarımıza, ücretsiz olarak katılabilirsiniz.

Yusuf Sarıgöz kimdir?

Co-founder & AI engineer at AI Labs, Google Developer Expert on Machine Learning

linkedin.com/yusufsarigoz

Bu etkinlikte neler öğreneceksiniz?

Doğal dil işlemenin derin öğrenmeyle birlikte hızlı gelişim ve dönüşümü
NLP alanında son yıllardaki gelişmelere teorik bir bakış ardından bu yeniliklerin pratik uygulamaları

Etkinlik Detayları

Etkinliğimiz 20:00'da başlayacaktır.
Webinar Akademi 4.0 Youtube kanalı üzerinden canlı gerçekleşecektir.

Etkinlik Videosu

Etkinlik videosuna linkten ulaşabilirsiniz

Akademi 4.0 Youtube / Derin Öğrenme ve Modern Doğal Dil İşleme

Detaylı bilgi: info@akademi40.org

Edge Cihazlarda Makine Öğrenimi

Mon, 20 Apr 2020 05:43:12 GMT

Edge Cihazlarda Makine Öğrenimi

Edge computing iş yüklerini merkezi konumlardan uzak konumlara taşır ve yapay zekâ uygulamalarından daha hızlı yanıt verebilir. Edge computing cihazları, insanların takibi, araç tanıma, kirlilik izleme vb. gibi gerçek dünya süreçlerinin izlenmesi ve kontrolü için giderek daha fazla kullanılmaktadır. Cihazlarda toplanan veriler, veri hatları üzerinden merkezi bulut sunucularına aktarılır ve makine öğrenme modellerini eğitmek için kullanılır. Eğitim modelleri çok fazla hesaplama gücüne ihtiyaç duyar. Mevcut strateji, merkezden eğitim almak ve çıkarım yapmak için edge cihazlara yerleştirmektir. Zaten derin öğrenme modelleri yüz tanıma ve gözetim gibi kritik problemler için kullanılmakta. Ayrıca, edge cihazlarda makine öğrenimi modellerinden çıkarım kullanan binlerce yapay zekâ uygulaması vardır. Makine öğrenimi modelleri, Raspberry pi, Akıllı telefonlar, gibi makine öğrenim çerçevelerindeki mikro denetleyiciler gibi uç cihazlarda kullanılır. Makine öğrenimini en uç noktada gerçekleştirmenin zorlukları şunlardır:

Büyük hacimli depolanmış verilerden modellerin eğitimi
Ön işleme ve veri temizlemede gecikme
Akış verilerinden dinamik çevrimiçi eğitim
Gerçek zamanlı karar vermede gecikme
Eğitim aşamasında artan güç tüketimi

Makine öğrenimi verilerdeki kalıpları arar ve bunlara dayalı kararları etkiler. Edge yapay zekâ, diğer bir deyişle Edge AI, gerçek zamanlı yanıtlar sağlamak için hızlı karar verme özelliklerine sahip uç cihazları güçlendirir. Örnek olarak, bitkileri tanımlamak için yaygın olarak kullanılan yapay zekâ özellikli bir uygulamayı inceleyelim. Pl@ntNet yaprak ve çiçek resimlerinden bitkileri tanımlamak için yararlı bir uygulamadır. Bu uygulama Asya ülkelerinde tamamlayıcı ilaçların hazırlanmasında kullanılan nadir tıbbi bitkileri tanımlamak için yararlı olur. Bu uygulama web üzerinde ve aynı zamanda bir mobil uygulama olarak da mevcuttur. Mobil uygulama sürümü edge makine öğrenimi çıkarımlarını kullanır. Görüntülerin önceden işlenmesi ve bitkinin adını belirlemek uzun zaman alır. Buluta veri aktarımında gecikme ve API'lardan gelen yanıt gecikmesi birçok yapay zekâ geliştiricisini C buluttan kenara doğru ilerlemeye iter. Edge bilgi işlem gücünü Pl@ntNet gibi makine öğrenimi çözümlerinde eğitim ve çıkarım için kullanabiliriz.

Bulut hizmeti sağlayıcıları vision, tahmin, kümeleme, sınıflandırma, konuşma ve doğal dil işleme için API'ler sağlar. Vision kategorisindeki API'ler yüz tanıma, yüz doğrulama, yüz gruplama, kişi tanımlama ve benzerlik değerlendirmesi için önceden eğitilmiş modelleri ortaya koyar. Bulutta önceden eğitilmiş modellerin varlığı, yapay zekâ çözümü geliştiricilerinin çıkarım için kullanmaları öncül bilgi işlem için buluta geçiş eğilimi yarattı. Modern edge cihazlarda bulunan bilgi işlem gücü, üst düzey sunucularda bulunan bilgi işlem gücüne eşit veya daha yüksektir. Birçok girişim ve çip üreticisi, makine öğrenimi iş yüklerinin hızını en üst düzeye çıkarmak için özel hızlandırıcı çipler üzerinde çalışıyor. Örneğin, hızlandırıcı çiplere uygulanan Konvolüsyon Sinir Ağları, makine öğrenimi tabanlı yüz tanıma sistemlerinin ön işleme aşamasında gerçek zamanlı görüntü filtrelemeye yardımcı olur. Yüksek performanslı kenar aygıtlarına örnek olarak LattePanda Alpha, Udoo Bolt, Khadas Edge-V, Jetson Nano ve Intel Neural Compute Sticks verilebilir. Jetson Nano, video görüntülerinden gerçek zamanlı basamak tanımalarını yapmalarını sağlayan yerleşik GPU'lara sahiptir. Nöral işlem çubukları, hesaplama güçlerini artırmak için Raspberry Pi'ye USB aracılığıyla takılabilir. Bu cihazların evrimi ile edge computing günümüz internetinin gecikme ve bant genişliği kısıtlamalarını azaltır. Tahminler, kenar hesaplamanın ileride bulutları uçuracağını ve bulutun sadece veri deposu haline geleceğini gösteriyor.

Yakın gelecekte, yapay zekâ uygulamaları akıllı telefonlar, otomobiller, kameralar ve ev aletleri gibi cihazlarda yani kısacası her yerde bulunacak. Çıkarımın yanı sıra, veri işleme hattına ön işleme ve normalleştirme adımlarını dahil ederek akış verilerine makine öğrenimi modellerini eklemek mümkün olacaktır. Edge modeller, çözülmekte olan ana problemle ilgilenen seçilmiş özellikler kullanılarak eğitilecektir. Örneğin, bir şehirdeki seçilmiş kavşaklarda kirlilik seviyesi, sıcaklık, trafik yoğunluğu vb. değişimlerdeki eğilimleri verebiliriz. Modelleri edge cihazlardan merkezi sunuculara taşımak ham verileri işlemek için gereken büyük miktarda bant genişliği ve ara depolama alanından tasarruf sağlar. Kestirimci modeller, bağımsız değişkenlerden yola çıkarak hata olasılığını tahmin eder. Bu modeller edge ile eğitilebilir ve günlük veya haftalık olarak bulut tabanlı merkezi bir sunucuya aktarılabilir. Çok uçlu cihazlardan gelen modeller, birden fazla konumdaki senaryoları dikkate alarak global olarak geçerli tahminler yapmak için merkezi sunucuda birleştirilebilir. Konsolidasyon amacıyla, edgelerden alınan modeller, hedef değişkenleri önceden tanımlanmış bir dizi bağımsız değişkene karşı yeniden yapılandırmak için kullanılabilir. Global bir model, hedef model olarak uç modellerden elde edilen çıktılar kullanılarak eğitilebilir.

Edge cihazlarındaki modeller farklı makine öğrenimi çerçeveleri kullanılarak geliştirmek ve modeli bu çerçevelerden taşımak için standart bir biçime ihtiyaç var. Bu, Tahmini Model İşaretleme Dili'nin (PMML) yararlı olduğu yerdir. Tahminli modellerin uygulamalar arasında tanımlanmasını ve paylaşılmasını sağlayan XML tabanlı bir dildir. Bu biçimlendirme dili, Spark ML, R, Pytorch, TensorFlow vb. gibi çeşitli modelleme çerçeveleri aracılığıyla geliştirilen modellerin paylaşılmasını sağlar.

Özetlemek gerekirse, uç noktadaki makine öğrenimi, bu dağıtılmış karar verme çağındaki eğilim olacaktır. Edge cihazlarda eğitilen ve dağıtılan makine öğrenimi modelleri, edge cihazlara daha fazla özerklik sağlayarak karar verme sürecinin merkezileştirilmesine yardımcı olur. Bu, edge cihazlarının hızlı yanıtların gerektiği durumlara anında tepki vermesini sağlar. Hareketlerinizi ve eylemlerinizi takip etmek için dağıtılan akıllı edge cihazlarla birlikte var olmaya hazır olun.

Kaynak

İşletmeniz için bir Yapay Zekâ Modeli mi oluşturmak istiyorsunuz?

Mon, 20 Apr 2020 02:56:19 GMT

Yapay Zekâ, Makine Öğrenimi ve Derin Öğrenme modelleri, işletmeleri büyütmek ve geliştirmek için önemli bir güçtür. Son zamanlarda üretimin kapasitesinin artmasına yönelik en iyi girişimin yapay zekâ destekli girişimler olduğunu gördük.

2019 McKinsey araştırmasında, şirketlerde yapay zekâ çözümlerini benimseyen yöneticilerin çoğunluğunun bu çözümlerin gelirde bir artış sağladığını ve yüzde 44'ünün de yapay zekânın maliyetleri düşürdüğünü bildirdiğini açıkladı. Fakat yapay zekâ modellerinin geliştirilmesi genellikle maliyetlidir ve modelin işletme üzerinde anlamlı bir etkiye sahip olmaması ve tamamlandıktan sonra kullanılmama riski de vardır. Peki böyle bir senaryoda başarı olasılığını nasıl en üst düzeye çıkarabiliriz? Yararlı bir aracı hızlı ve uygun maliyetli bir şekilde nasıl oluşturabiliriz? Bir dizi işletme için çok sayıda yapay zekâ projesi üzerinde çalışıldı. Önerilen ise: Yapay zekâ üretimi için en iyi yaklaşım, girişim kapitalistlerinin girişimleri değerlendirip yatırım yaparken risk sermayesine (VC) yaptıklarıyla benzer hareket etmek olduğu ortaya çıktı.

Nereden Başlamalı?

Yapay Zekâ / Makine Öğrenimi Fikirleri Hakkında Beyin Fırtınası

Her alanda başarının nasıl olacağına dair bir sezgi geliştirmek önemlidir. Japonya'nın en saygın suşi şefi Jiro Ono'nun bir mantrası var: “Lezzetli yemekler yapmak için lezzetli yemekler yemelisin.” Yapay zekâ ve makine öğrenimi projeleri için de aynı şey geçerlidir. Kendinizi araştırmaya bırakın ve örneğin doğal dil işleme, bilgisayar görme ve nesne algılamada nelerin mümkün olduğunu öğrenin. Başarılı kullanım örneklerini bulun ve bunlar hakkında neler yapabileceğinizi öğrenin. Sinirsel Bilgi İşleme Sistemleri Konferansı (NeurIPS), bu alanda tartışılan ve geliştirilen konulara kapsamlı bir genel bakış sağladığı için başlamak için iyi bir yerdir. Araştırmayı alan adınıza aktarın. Sektörünüzle ilgili haberleri takip edin ve trendleri öğrenin.

Basit düşünerek başlayın. Birkaç saniyede insan düşüncesiyle gerçekleştirilebilecek manuel, sıradan görevleri arayın. Bunlar, özellikle faaliyetler için etiketlenmiş eğitim verileridir yapay zekâ, makine öğrenimi ve otomasyon için en iyi adaylardır.

Esin kaynağı olun. Açık veri kümelerine bakın. Veri kümelerinize bakın. Başka ne toplayabilirsiniz? Bir beyin fırtınası tekniği olarak, rakiplerinizin organizasyonunu veya genel olarak piyasayı makine öğrenimi otomasyonu ile nasıl yeniden bir model oluşturacağınızı düşünün... Bu size ne tür bilgiler sunmanızı sağlar?

Bu verileri toplamadan önce satın alma olasılığına bakın.

Birkaç fikir topladıktan sonra, yatırım için en iyisini nasıl seçebilir? Birçok proje geliştirme ve bunların en iyisini uygulamak isteyen insanlar var. Bakalım onlardan neler öğrenebiliriz.

Risk Sermayesinden (VC) Ne Öğrenebiliriz?

İlk olarak, birçok fikir toplayın. Sonra zaten umut vaat edenleri doğrulayın, ama aynı zamanda sezgilerinize de güvenebilirsiniz.

İlk olarak en yüksek riskleri bulmaya odaklanın ve bulana kadarda daha fazla yatırım yapmayın. Derin öğrenme ağının veya yapay zekâ modelinin bir Kavram Kanıtı (PoC) oluşturun. Arayüzün bir PoC'sini oluşturun ve kullanıcılarla test edin.

İlgiye dikkat edin. Yapay zekâ projesi için ilgi nedir? Çözümünüze umutsuzca ihtiyaç duyan bir grup kuruluş çalışanının fikrini almanız gerekir. Çalışanlar bir yapay zekâ veya makine öğrenimi modeliyle çalışma veya veri odaklı bir organizasyonun içinde olma olasılığı konusunda heyecanlı veya korkmuş mu? Heyecanlanırlar ise, modelin uygulanmasının iş akışlarını basitleştireceğini ve daha karmaşık kararlara odaklanmalarını sağlayacağına onları ikna edin. Başarılı bir uygulama için çalışanlardan onay almak çok önemli olacaktır.

İşletmenin ekipleri yapay zekâ veya makine öğrenimi modelinin geliştirilmesinden korkuyorsa, eğitim ve öğretim sağlayın. McKinsey’in “Yapay zekâ yüksek performanslı” şirketlere yönelik bir araştırması ile çalışanların bir değişime ayak uydurması ve insanlar ve makineler arasındaki bir ortaklığı teşvik etmek için, yardımcı olmak ve gerekirse yeniden eğitmek için bilinçli bir çaba harcadıklarını ortaya koydu. Birçoğu işin etkisi ile değilde, çözülmesi zor problemlerin çözümüne heyecanlandığından, sadece çalışanlarınızın heyecanına bakmamaya dikkat edin.

Birçok girişim başarılı olacak, bazı çılgınca girişimlerde olacak ama maalesef çoğu girişim başarısız olacak. Girişim sermayesi bu riski anlıyor. Bu yüzden girişim sermayesi firmaları çeşitlendirilmiş bir portföy oluşturuyor. Bir fikir portföyü oluşturarak bu örnekleri takip edebilirsiniz. Bir fikir kaşifi olun ve başkalarının düşünceleri ile tek bir fikri tercih etmemeye dikkat edin. Maliyetleri azaltmak için bu yeniliği bir gerekçe olarak, bir keşif yatırımı olarak ele alın. Makine Öğrenmesi projeleri geniş bir araştırmadır. Arızalara hazır olun. Farklı şeyler deneyin. Adapte olmaya çalışın. Yatırım daha az riskli olduğunda daha fazla kaynak yaratın ve açıkça başarısız hatları gözden çıkarın.

Yapay Zekâ / Makine Öğrenimi Geliştirme ve İnşasına Küçük Yatırımlar Yapın

Bir iş talebi ile o talebin ilk teslimi arasındaki zaman olan değere zamana (TtV) odaklanın. Herhangi bir işletmenin amacı, mümkün olan en kısa sürede işi gerçekleştirmek için TtV'yi en aza indirmektir.

Genellikle en büyük maliyet personel zamanının maliyetidir (yani mühendisler ve araştırmacılar). İyi bir yatırım getirisi elde etmek istiyorsanız, bunu azaltmaya çalışın. İşleri daha hızlı oluşturmaya yardımcı olan teknolojiyi kullanın. Örneğin, birçok durumda, birçok takımın eğitimi gibi sıfırdan makine öğrenimi modelleri oluşturmanıza gerek yoktur. Yapay zekâ çözümünüzü uygun, önceden yapılmış yapı taşlarını kullanarak oluşturabilir veya en azından hızlı bir şekilde iyi sonuçlar elde eden üst düzey araçları kullanabilirsiniz.

Çözdüğünüz sorun için özel olarak üretilen yapay zekâ ürünleri
Mevcut API'lar, ör. Google, Microsoft veya AWS'den ses tanıma veya Nesne algılama API'sı
Bu yeterli değilse, özel modellerinizi oluşturmak için Otomatik Makine Öğrenimi (AutoML) araçlarını kullanmayı düşünün
Gerçekten özel bir modele ihtiyaç duyulursa, onları Tensorflow yerine Fast.ai veya Keras gibi üst düzey makine öğrenimi kütüphaneleri kullanarak oluşturun.
Her üç ayda bir değişen araçları takip edin (veya bunu yapan biriyle ortak olun).

Karar destek sistemlerinin PoC'sini oluşturmak için R / Shiny kullanın. Shiny kullanmamanın tek nedeni, test etmek (BI kullanmak) için çok temel bir şeyiniz olması veya ekibinizin sadece Python ve Python'a (Dash kullanımı) bağlı olmasıdır. Shiny yıllardır bu alanda üstün olduğunu kanıtlamıştır (Karar Destek Sistemleri PoC'leri).

Altyapı işlerini azaltın. Çoğu durumda bu, projenizin maliyetinin sadece bir kısmı olacaktır. Doğru araçlarla kendinize yardımcı olun:

Ses Bağlantısı (RStudio Bağlantısı)
Domino Veri Laboratuvarı
W&B
Neptune.ai
Google Cloud AI Dizüstü Bilgisayarlar,
AWS SageMaker

Temiz veriler kullanın. Burada kısayol yok. İyi veri kalitesine odaklanarak uygun veri toplama ve veri hattı oluşturmaya yatırım yapın. Neye sahip olduğunuzu doğrulayın ve bildiğinizden emin olun. Bu adımdaki mütevazı bir yatırım, aşağıdaki adımların hepsinde iyi sonuçlar elde etmek için uzun bir yol kat etmenize yardımcı olacaktır.

Çözüm: Net Bir Sınır Belirleyin ve Kullanıcıları Dinleyin

Net bir sınır belirleyin. Doğru kılavuzlar olmadan, araştırma bir kara delik haline gelebilir. Yapay zekâ ve makine öğrenimi modelleri üzerinde çalışan kişilerin başarı kriterlerini anladıklarından emin olun. Bu başarı kriterlerini belirlemek zordur, ancak sonuçta bu kriterler gereklidir. Her iki tarafta da eğitim gerekebilir; bu iş genellikle %100 doğruluk ister, teknoloji genellikle hiçbir şey için söz vermemeyi tercih eder. Bu konuların doğrulukları, eğitim ve derin konuşmalarla ele alınabilir.

Kullanıcılar ile sık sık konuşun. Eğer çalışmanızın nihai hedefi ekiplerinizin kullanacağı faydalı bir şey yapmaksa onlarla konuşun. Takım liderleri ve çalışanları bu süreçlere dahil edin. Bu geçiş sürecinde ekipleriniz ile iletişimde kalmak yaptığınız yatırımın sadece toplam maliyeti azaltmasını değil, aynı zamanda doğru olanı yaptığınızdan emin olmanızı da sağlar.

Sonuç

Başarı şansınız, mühendislik ekibinizle model özellikleri yazmaya oturmadan önce planlama ve bu konuyla alakalı toplantınıza büyük ölçüde bağlıdır. Bu makalede yapay zekâ / makine öğrenimi ile kuruluşunuzu büyütmeyi hedeflerken bir girişim kapitalisti gibi düşünmenizi tavsiye ediliyor.. Birçok fikir toplayın. Gelecek vaat edenleri doğrulayın, ancak sezgisel olanları göz ardı etmeyin. Fazla harcama yapmayın ve bu konuda size yardımcı olacak teknikler ve araçlar vardır onları bulun. Bir kavramın kanıtı (PoC) oluşturun ve bunu kullanıcılarla erken ve sık sık test edin. Temiz veriler kullanın ve projeniz için net bir kesme noktası belirleyin. Ve bir kez daha, kullanıcılarla erken ve sık sık konuşun. Bir araya getirdiğinizde, uygun maliyetli, kuruluş değiştiren yapay zekâ / makine öğrenimi başarısını gözlemleyeceksiniz.

Kaynak

Endüstri 4.0 Olgunluk Seviyesi Ölçüm ve Yol Haritası

Fri, 17 Apr 2020 14:00:00 GMT

EDT Center kurucusu Muharrem Gezer Endüstri 4.0 alanında faaliyet gösteren şirketlerin dijital dönüşüm yolculuğunda olgunluk seviyesinin ölçümü ve yol haritasının belirlenmesi konusu ile Akademi 4.0'da deneyimlerini paylaşacak.

Endüstri 4.0 Olgunluk Seviyesi Ölçüm ve Yol Haritası Etkinliği

Tuzla, Akademi 4.0 Hub'da gerçekleştireceğimiz etkinliğimize, ücretsiz olarak katılabilirsiniz.

Bu etkinlikte neler öğreneceksiniz?

Dijital Dönüşüm ve Endüstri 4.0
Dijital Dönüşüm Strateji ve Metodolojisi
Donanım Çözümleri (On prem, Cloud, Hybrid)
Operasyon Teknolojileri (OT) Altyapısı

Etkinlik İçeriği

14.00 – 14.45

Dijital Dönüşüm ve Endüstri 4.0

3.0'dan 4.0'a Geçiş, Yol Haritası
Olgunluk Seviyesi
İş modelleri
Kullanılan Teknolojiler
Uygulama Alan Örnekleri ve sağlanan faydalar
Nereden, Nasıl Başlanmalı?
Strateji ve Metodoloji

14.45 – 15.00

Kahve Molası

15.00 – 15.45

Bilgi Teknolojileri (BT) altyapısı
Donanım (On prem, Cloud, Hybrid)
Yazılım çözümleri ve görevleri ERP, CRM, MES/MOS, APS, ECM,PLM, BI gibi
Operasyon Teknolojileri (OT) altyapısı
Siber Fiziksel sistemler
IoT, IIoT, IoT Platformları, Analitik, Güvenlik
BT/OT entegrasyonları

15.45 – 16.00

Soru/Cevap

Muharrem Gezer Kimdir?

Linkedin'de Muharrem Gezer

Etkinlik Detayları

Etkinliğimiz 14:00'da başlayacaktır ve 3 Oturum olacaktır.

Detaylı bilgi: info@akademi40.org

Yapay Zekâ Görselleri ile Çalışmalarınıza Yaratıcılık Katın

Tue, 14 Apr 2020 09:47:30 GMT

Tamamen yapay zekâ tarafından oluşturulan fotoğraflarla yaratıcı çalışmalarınızı geliştirin.

Tasarımcılar çoğu zaman oluşturdukları tasarımlarda insan yüzleri kullanmaktan kaçınırlar. Generated Photos buradan yola çıkarak yapay zekâ ile benzersiz görseller ortaya çıkarmak için bir program geliştirdi. Fotoğraflar yapay zekâ sistemleri tarafından sıfırdan oluşturulur. Tüm imajlar, telif hakları, dağıtım hakları, ihlal iddiaları veya telif hakları konusunda endişe duymadan herhangi bir amaç için kullanılabilir.

Nasıl Kullanılır?

Keşfet

Kategorize edilmiş ve etiketlenmiş başlık veri tabanında filtreler kullanarak tam olarak aradığınızı bulabilirsiniz..

İndir

Görüntüler kişisel olarak indirilip kullanılabilir, tek bir şartla oluşturulan çalışmaları Generated Photos’a göndermek. API erişimi için daha yüksek kaliteli görüntüler ve ticari kullanım lisansları da mevcuttur.

Oluştur

Yeni yüzlerinizi her yerde kullanabilirsiniz! Görseller; sunumlara, uygulamalara, maketlere veya prodüksiyon ürünlerine kolayca entegre olabilirler.

Denemek için

Endüstri 4.0’da Dijitalleşme Konusunda Yenilikler

Mon, 13 Apr 2020 10:36:30 GMT

Endüstri 4.0, Nesnelerin İnterneti, Lojistik 4.0, Akıllı Lojistik tüm bu terimler şu anda çok moda. Soru şu, bu kavramlar yeni bir şeyler mi tarif ediyor yoksa var olan yeniden mi yorumlanıyor. Sonuçta, kağıtsız veya kağıda indirgenmiş süreçler için konseptler zaten on yıllardır birçok iş alanında kullanılmaktadır.

Bununla birlikte, dijitalleşme 4.0 ile geleneksel dijital otomasyon arasında önemli bir fark vardır (yada endüstri 3.0 - 3. sanayi devrimi arasında). Gelecekteki prodüksiyonların çekirdeği olan Siber Fiziksel Sistemler (CPS), şu anda teknik sistemler inşa etme şeklimizi ve çevremizle birçok alanda etkileşim kurma şeklimizi önemli ölçüde değiştirme potansiyeline sahiptir.

Ancak Endüstri 4.0 terimi, Almanca konuşulan ülkeler ve İskandinavya'da çok popülerken, ABD ve Asya'daki bilim adamları ve şirketler benzer sorunlarla aynı yöntemlerle ilgilenmektedirler. Fakat “Nesnelerin Endüstriyel İnterneti” ile yalnızca ürünlerin, üretim tesislerinin veya makinelerin dijitalleşmesinden çok daha geniş bir yaklaşım benimsemektedirler. Almanya Endüstri 4.0 veya Lojistik 4.0'da genellikle kendi hedeflerini belirlerken, Nesnelerin İnterneti (IoT) ve Hizmetlerin İnterneti (IoS) dünyanın birçok yerinde ekonomik veya politik nitelikte olabilecek belirli hedeflere ulaşma aracı olarak kabul edilmektedir. Hatta iş hukukunda da kullanılmaktadır.

Endüstri 4.0'ın 5 Fonksiyonel Alanı

Yakın tarihli bir araştırmaya göre Endüstri 4.0, işletmeler ve endüstrinin farklı sektörleri arasında geçerliliği olan beş fonksiyonel alan içermektedir: veri toplama ve veri işleme, yardım sistemleri, ağ oluşturma ve entegrasyon, görev dağılımı ve hizmet yönelimi, kendi kendini örgütleme ve özerklik. Tüm bu uygulamalar artık geleceğin hayalleri değiller.

Bununla birlikte, tüm bu gelişmeler yeteri kadar kullanılmamaktadır. Özellikle orta ölçekli şirketler, tamamen kendi kendini yöneten bir üretimin avantajlarından hızlıca yararlanmalıdır.

Dijital sistemlerin ve modellerin sensörler, aktüatörler, işlemciler ve yazılım bileşenleri aracılığıyla gerçek dünyanın nesneleri ve prosedürleri ile yakın bir şekilde bağlanması bir paradigmanın değişimini temsil eder ve “dijitalleşme” başlığı altında tartışılan her şeyin ötesine geçer. Bu sistemlerin çoğu hala temelde kapalıdır ve önceden tanımlanmış komutları önceden tanımlanmış görevleri yerine getirmektedir.

Ağ Oluşturma ve Süreç Entegrasyonu Fabrika Sınırlarının Ötesine Geçmelidir

Bir ağ oluşturma sürecinin tamamen yeni etkileşim işlevlerine yol açacağı ve ancak o zaman “Endüstri 4.0” terimine karşılık gelen süreçlerin dijitalleşmesinden bahsedebileceğimiz açıktır. Lojistik 4.0, ürün ve süreçlerin ağ oluşturmasının sanal fabrika sınırlarının ötesine geçmesine izin verene kadar ekonomimize gerçek katma değer sağlamak mümkün olmayacaktır.

Siber Fiziksel Sistemler temelde yeni bir teknoloji kategorisi değil, fiziksel ve dijital dünyayı farklı teknolojilerin bir karışımıyla daha yakından ilişkilendirmeyi sağlayan uygulamalar için genel bir terimdir. Bu teknolojiler, ilgili endüstriyel uygulama alanından (örn. İlgili sensörler ve aktüatörler) ve ayrıca bilgi ve iletişim teknolojisinden (örneğin yazılım bileşenleri ve iletişim protokolleri) ve yüksek oranda kullanılabilir iletişim ağlarından kaynaklanır.

Artan Karmaşa ile Nasıl Başa Çıkılır?

Lojistik dünyası Logistics 4.0'ın yazılımına odaklanıyor. Kombine taşımacılık gibi karmaşık hizmet yapılarındaki lojistik siparişleri için şirketler arası iletişim portalı lojistik zincirinde daha fazla şeffaflık sağlar ve hataların önlenmesine yardımcı olur. Yaklaşımın temel bileşeni “Hizmetlerin İnterneti” dir, ancak “Nesnelerin İnterneti” ve “Master Data İnterneti” de rol oynamaktadır. Bu konsept, otomasyon cihazlarını bağlamak için sadece internet teknolojisinin uygulanmasının ötesine geçmektedir. Gerçekleşen bir vizyonu temsil eder: bağımsız, şirketler arası üretim ve lojistik yönetiminin vizyonunu.

Endüstri 4.0, artan sayıda üreticinin bireysel ihtiyaçları karşılayabilmesini ve kısa sürede bildirimde bulunabilmesini ve ürünlerini doğrudan son kullanıcıya pazarlayabilmesini sağlayacaktır. Bu, daha ileri teknolojiler ve üretim süreçlerinde artan çapraz bağlanma nedeniyle mümkün olacaktır. Yeni işbirliği süreçlerinin yapılandırılması çevrimiçi olarak gerçekleşir ve mevcut zincirlere veya iş ortağı ağlarına kusursuz şekilde uyar. Bu, kapsamlı arayüz projeleri ve yazılım yükseltmeleri yaparak duruş sürelerinin azalmasına neden olur. Artan karmaşıklığa ve maliyetlere rağmen başarılı olmak için lojistik, “Akıllı Lojistik” yardımıyla yeni katma değerli ağ zincirlerinde reaktif olmaktan lider bir örneğe dönüşmek zorunda kalacaktır.

Kaynak

Dijital Çağ için Endüstri Yeniden Başlatılıyor

Mon, 13 Apr 2020 10:27:41 GMT

Endüstri 4.0 ile dünya akıllı makinelerin ve akıllı fabrikaların yeni bir üretim çağına girdiğini görecek. Bu da dördüncü sanayi devrimi ve her şeyi etkileyecek.

Dijital teknolojilerin ilerlemesi sayesinde büyük endüstriyel değişim devam ediyor. Fiziksel ve sanal dünyaların siber-fiziksel bir sistem ile kaynaşması, üretimin her unsuru üzerinde büyük bir etkiye sahip olacak.

"Endüstri 4.0" olarak adlandırılan bu dönüşüm, küresel endüstriyi yeniden kurma ve küresel ekonomiyi yeniden düzenleme potansiyeline sahiptir.

İlk olarak Alman hükumeti tarafından üretimin dijitalleşmeyi teşvik etmek için tanıtılan Endüstri 4.0 terimi, buhar gücü, elektrik gücü ve bilgi işlemi takip eden dördüncü bir sanayi devrimini ifade eder. Alman hükumeti o zamandan bu yana bu yeni kavramı yeni ekonomik büyüme için güçlü bir şekilde desteklemiştir.

Bu kavramı desteklemek içinde birçok neden var. Bu yeni endüstriyel yeniliğe öncülük eden ülkeler ekonomik üretkenlik açısından önemli kazanımlar elde etmektedir. Bu yenilik, bazıları ülkeler ve bir bütün olarak Batı Avrupa için, bir nesil süren destansı bir gerilemeyi tersine çevirme fırsatı sundu.

Ekonomik Zorunluluk

Son yirmi yılda Avrupa, endüstrisi gerilemesi ile mücadele etti. Almanya ve Polonya'daki marjinal kazanımlar, başta İngiltere, Fransa ve İspanya olmak üzere diğer bölgelerde sanayileşmenin azaltılması ile gerileme devam etti. Genel olarak, Batı Avrupa’nın katkısı 1990'ların başında toplam sanayi üretiminin yaklaşık yüzde 35'inden yüzde 10 düştü.

Aynı zamanda, gelişmekte olan ekonomiler paylarını yüzde 40'a çıkardılar ve Çin gibi pazarlarda yeni imalat işlerinin bol olduğu yerlerde de pazar payları büyüdü, bundan yola çıkarak Almanya'da yüzde sekiz, İngiltere'de yüzde 29 oranında pazar kayıpları yaşandı.

Almanya şimdiye kadar Avrupa'da Endüstri 4.0 konseptine öncülük etti ve çevresinde yeni standartlar belirlemeye başladı. “Endüstriyel internet” kavramını markalayan ABD, endüstriyi yeni teknolojik platformlar ve standartlar üzerinde işbirliği yapmaya teşvik etmek için 2012 yılında Akıllı Üretim Liderlik Koalisyonunu kurdu.

Dünyanın yeni ekonomik güçleri de devreye giriyor. Güney Kore'de hükümet, otomotiv ve gemi inşası gibi kilit sektörlerle bilgi teknolojilerini entegrasyon girişimlerini teşvik etmek için mevzuat çıkardı ve gelişime yardımcı olacak inovasyon merkezleri kurdu.

Benzer çalışmalar, önemli sanayi sektörlerini yeniden yapılandırmak ve modernize etmek ve küresel rekabet güçlerini artırmak için "Çin 2025'te Üretildi" (Made in China 2025) olarak adlandırılan yeni bir girişim başlatan Çin'in en büyük stratejisi olan üretim ekonomisi gelişerek devam ediyor.

Endüstri için, üretim sürelerini kısaltma, maliyetleri azaltma ve kaliteyi geliştirme yarışı son hızla devam ediyor. Artık bir şey değişmeli. Çin ICT Akademisi politika ve araştırma başkan yardımcısı Xin Yongfei, “En iyi senaryo yeni endüstriyel teknolojilerin piyasaya sürülmesidir” diyor. “Artık gelişmiş ülkelerin endüstriyel kalkınmayı yeniden düşünmelerini de büyük bir fırsat” olarak nitelendiriliyor.

Teknolojideki İlerleme

Kullanılan çoğu teknoloji zaten mevcut. Bilgi ve iletişim ICT çözümlerinin önde gelen küresel sağlayıcısı Huawei 2025 yılına kadar 100 milyar bağlantı - her türlü makinedeki akıllı sensörlerin yüzde 90'ına tekabül ediyor - dünyayı, bilgi ve iletişim teknolojilerinin (BİT) gelişmesinin bir sonucu olarak birbirlerine bağlanacaklarını ön görüyor.

Birbirine bağlanabilecek her şey “Nesnelerin İnterneti” (IoT) olarak adlandırılıyor. Bilgi işlem çözümleri, toplantı odasından çıkıp evlerimize kadar geldi ve şimdi endüstrinin sinir uçlarına doğru yol alıyor. Bu teknolojilerin baş kahramanları, tüm üretim süreçlerini entegre eden ve aralarında gerçek zamanlı bilgi alışverişini sağlayan büyük bir endüstriyel sistem inşa etmeyi amaçlıyor.

Geleneksel endüstriler artık bilgi, iletişim ve üretim sistemleri arasında aşağıdakiler de dahil olmak üzere benzeri görülmemiş bir entegrasyona sahiptir:

Endüstriyel IoT'yi birbirine bağlayan ve üretim süreçleri sırasında gerçek zamanlı veri toplanmasını sağlayan akıllı sensörler;
İnsanlar, makineler ve üretim sahaları arasında büyük miktarda verinin iletilmesine izin veren her yerde bulunan geniş bant;
Bulut bilgi işlem, herhangi bir yerde anında depolamaya ve istenildiğinde kullanmaya olanak sağlar;
Büyük miktarda veri analizi sayesinde büyük miktarda verinin birlikte işlenmesini sağlar.

Ancak yapılması gereken işler var. Huawei, akıllı fabrikalardaki insanları ve akıllı makineleri birbirine bağlamak için sağlam bir iletişim ağının başlangıç noktası olması gerektiğine dikkat çekiyor. Huawei’nin kurumsal bölüm başkanı Yan Lida ise “Endüstri 4.0'ı gerçekleştirmek için mevcut BIT altyapısının yeniden yapılandırılması gerekiyor. Bağlantı anahtarıdır ”diyor.

“Ölçek büyük ölçüde farklı. Bu gezegende yedi milyar insan var ve şu anda bağlandığımız ölçek birkaç milyarda. Ancak endüstriyel nesnelerin interneti için yüzlerce milyar cihazı bağlamamız gerekecek. Ne tür bir ağ bu kadar çok cihazı makul bir maliyetle barındırabilir? ”

Ancak maliyet tek problem değil. Yan Lida, mevcut ağ teknolojisi ile gecikme, güvenlik ve parçalanma gibi diğer zorlukları işaret ediyor. Bu yeni çağda, iş veya görevlerle ilgili kritik veriler gerçek zamanlı iletişime dayanacaktır. Veriler hem genel hem de özel ağlarda taşınacak ve bulutta depolanacaktır. Düşük gecikmeli bağlantılara ve daha sağlam güvenlik özelliklerine sahip veri ağları gereklidir.

Bunun ötesinde, ağların, cihazların ve hizmetlerin endüstri genelinde birlikte çalışabilirliğini sağlamak için daha iyi tanımlanmış standartlar gereklidir.

İletişim Ağı

Huawei bu sorunlara, 'akıllı ve bağlantılı endüstriyel ağ' çözümü ile cevap veriyor. Özünde, bu, her biri özellikle büyük ölçekli endüstriyel süreçler, işbirliği ve makine iletişimi için tasarlanmış bir veri ağı, bir yonga seti ve bir ağ geçididir.

Tüketici 4G (LTE) teknolojisinin özel bir kurumsal sürümü olan "gelişmiş" LTE (eLTE) ağı, çeşitli hizmetleri taşıyabilir ve fiber geniş bant ve diğer ses ve veri çözümleriyle entegre olabilir. Yeni nesil 5G ağları, daha yüksek kapasite ve daha düşük gecikme sağlayacak, bu da iletişim borusunun çevresine ve bilgilerin iki nokta arasında aktarılma hızını arttıracaktır.

5G, bir kilometrekarelik bir yarıçap içinde bir milyon bağlantıyı ve sadece bir mili saniyelik bir gecikmeyi destekleyebilir, bu da mevcut 4G teknolojilerine kıyasla sırasıyla 1.000 kat ve 50 kat iyileşmedir. Huawei, 5G’nin aynı anda 10.000 HD kamera beslemesini destekleyebileceğini ekledi.

Huawei, fabrika cihazlarının veri ağına bağlanacak donanım ve yazılım bileşenlerini, makine iletişimi için düşük güçlü bir LTE sensör yongası (LTE-M) ve cihazlar arasındaki bağlantıyı kolaylaştırmak için bir 'Akıllı IoT Ağ Geçidi' şeklinde tasarlanmasının gerektiğini söylemekte.

Huawei’nin LTE-M çipi, endüstriyel, bilimsel ve tıbbi (ISM) radyo bantlarında çalışan, ticari telekomünikasyon dışındaki amaçlarla uluslararası olarak ayrılmış yeni nesil makine iletişimleri için genel bir çözümdür. Yüksek veri hızlarını ve bant genişliğini desteklemek için tasarlanmıştır. 1 km yarıçapında kapsama alanı ve hücre başına 10.000 bağlantı sağlar, bu da etkili bir şekilde tek bir baz istasyonu anlamına gelir, orta ölçekli bir işletme kampüsünde kapsama alanı ve kapasite sağlar. Aynı zamanda çok az güç kullanır, bataryayı değiştirmeden 10 yıl çalışmasını sağlar, bu da karmaşık fabrika kurulumları için çok uygundur.

Endüstri 4.0 önerisinin bir diğer önemli kısmı, çeşitli arayüzleri destekleyen ve birçok akıllı cihazda birleşik erişim sağlayan Akıllı IoT ağ geçididir. Ayrıca, fabrikaların Büyük Verileri yönetmesine ve işlemesine yardımcı olacak bir yönetim platformu ve dağıtılmış platformlarda çoklu uygulama işbirliğini desteklemek, mühendislik, üretim, depolama, satış ve dağıtım için verimlilik getirmek için bulut mimarisi de sunmaktadır.

Endüstri bulutlarını, çevik ağları, eLTE, 5G, akıllı IoT ağ geçidini ve akıllı cihazları yerleşik LTE-M yonga setleriyle birleştiren çözümler, makineler, insanlar ve veriler arasındaki boşluğu dolduracak. ”

Standartlar ve Uygulamalar

Yine de, bu devrimin başlangıç aşamasındayız. Bu yeni teknolojileri sayısız endüstriyel ortamda standartlaştırmak ve uygulamak için hala büyük çalışmalar yapılması gerekiyor.

Huawei’nin pazarlama ve çözüm departmanı başkanı Patrick Zhang şunları söylüyor: “İnsanlar arasında, makineler arasında ve insanlar ile makineler arasında büyük miktarlarda bilgi alışverişi sonucunda benzeri görülmemiş miktarda veri üretilecek.

“Bu verileri yönetmek karmaşık araçlar, güçlü iletişim altyapısı ve güvenilir güvenlik gerektiriyor. Endüstrinin 21. yüzyıl ve ötesinde yeniden inşası, üreticiler, hükumetler, akademi ve BIT sağlayıcıları da dahil olmak üzere tüm paydaşlarının işbirliğini gerektirecektir. ”

Huawei, inşaat ekipmanlarının bakımını otomatikleştirmek için yazılım sağlayıcısı SAP, araştırma organizasyonu Fraunhofer ve yarı iletken üreticisi NXP ile işbirliğini vurgulamaktadır. İnşaat araçlarına monte edilen gömülü akıllı araç ağ geçidi ile, arızalar ortaya çıkmadan önce tanımlanabilir.

Arıza oranları, rutin manuel bakıma kıyasla yüzde 70'e kadar azaltılabilir ve araç duruş süresi ayda iki saatten sadece 30 dakikaya düşürülebilir.

Yan Lida son bir açıklamasında “Şu anda Avrupa, Amerika ve Çin'de Endüstri 4.0'ı ileriye taşımak için kurulmuş organizasyonlar var. Ancak tüm endüstri zincirinde işbirliği olmadan, fırsat gerçekleşmeyecektir. Huawei, canlı bir Endüstri 4.0 ekosisteminin oluşturulmasını ortaklaşa teşvik etmek için diğer önde gelen satıcılarla derin ilişkilerini beslemeye kararlı. ”

Kaynak

Derin Öğrenme ile Zaman Serisi Tahminleme

Fri, 10 Apr 2020 17:00:00 GMT

Derin Öğrenme ile Zaman Serisi Tahminleme Webinarı

Online olarak gerçekleştireceğimiz webinarımıza, ücretsiz olarak katılabilirsiniz.

Bu etkinlikte neler öğreneceksiniz?

Derin Öğrenme ile Zaman Serisi
Yinelemeli Sinir Ağları
Zaman Serilerinde ileriye dönük tahminleme

Etkinlik Detayları

Etkinliğimiz 17:00'da başlayacaktır ve 2 Oturum olacaktır.
Webinar Zoom üzerinden gerçekleşecektir.

Etkinlik Dosyaları

Detaylı bilgi: info@akademi40.org

Covid-19 Salgını ile Mücadelede Yapay Zekâ

Wed, 08 Apr 2020 17:00:07 GMT

Covid-19 Salgını ile Mücadelede Yapay Zekâ Webinarı

Online olarak gerçekleştireceğimiz webinarımıza, ücretsiz olarak katılabilirsiniz.

Dr. Deniz Altun kimdir?

Teknolojist, Fütürist, Akademisyen, Konuşmacı

linkedin.com/denizaltun

Bu etkinlikte neler öğreneceksiniz?

Yapay zekânın salgınla mücadelede kullanımı
Yapay zekâ bize hangi noktada yardımcı olacak?

Etkinlik Detayları

Etkinliğimiz 17:00'da başlayacaktır
Webinar Zoom üzerinden gerçekleşecektir.

Detaylı bilgi: info@akademi40.org

COVID-19 ile Mücadelede Kolektif Üretim Hareketi

Thu, 02 Apr 2020 09:47:30 GMT

“3 boyutlu yazıcıda üretilmiş parçalar, ihtiyaç anında orijinal parçaların yerini daha kısa sürede alabilir!” mottosuyla yola çıkan COVID-19 ile Mücadelede Kolektif Üretim Hareketi’ne yakından bakalım.

COVID-19 ile Mücadelede Kolektif Üretim Hareketi Nedir?

Covid-19 ile mücadelede sahip olduğu 3 boyutlu yazıcı potansiyeli ile medikal parçalara, araç ve gereçlere ihtiyaç duyan hastaneleri desteklemek ve kişisel korunma ihtiyacına 3 boyutlu yazıcı teknolojileri ile cevap vermek isteyen kar amacı gütmeyen bir kuruluştur.

3 boyutlu yazıcıda üretilmiş parçalar, ihtiyaç anında orijinal parçaların yerini daha kısa sürede alabilir! Amaçları, tedarik zincirlerinin kırılmasına sebep olan salgın sebebiyle ithal edilmesi, maliyeti yüksek ve sayıca çok olması gereken kritik medikal parçaları, oluşturulan Türkiye 3D yazıcı Ağı’ndaki 3D yazıcılar ve Türkiye çapındaki 3D üretim laboratuvarlarında 3D yazıcılarla üretilip ihtiyacı olan hastane, sağlık kuruluşu ya da kişilere ulaştırılmasını sağlamak. Bu girişim sağlık sektörünün karşı karşıya olduğu çok istisnai koşullar altında acil sıkıntıları hafifletmeyi amaçlamaktadır ve hiçbir kâr amacı gütmez.

Bu oluşuma destek olmak için web sitelerini ziyaret edebilirsiniz;

https://www.3boyutludestek.org

İşletmelerde Yapay Zekâ Kullanımı 2020

Wed, 01 Apr 2020 07:12:51 GMT

Yapay zekâya olan ilginin büyük boyutlara geldiğini hissettiğimizde yapay zekâ hakkında bilgi edinmek için bir anket hazırlamaya karar verildi. Sonuçları analiz edildiğinde, yapay zekâ alanının hızlı bir değişim içinde olduğunu saptandı. Bu değişimin nerede olduğunu bulmak için anket soruları hazırlandı. 2019 Aralık ayında başlatılan ve sonuçlanması birkaç hafta süren yeni anket 1.388 yanıt ortaya çıkardı. Yapılan araştırma güncel verilerle kurumsal alanda yapay zekâ kullanımının nasıl olduğuna ışık tutuyor; özel tekniklerin ve kullanılan aletlerin popülaritesi, yapay zekâ kullanıcılarının yaşadığı zorluklar ve daha birçoğu... Anlaşılması gereken çok şey var bu yüzden hemen başlayalım.

Anket sonuçları şu şekilde;

Katılımcı kuruluşların %85'i yapay zekâyı değerlendirmekte veya üretimlerinde kullanmaktadırlar. Sadece %15‘lik kısım yapay zekâyla alakalı hiçbir şey yapmamaktadır.
Katılımcı kuruluşların yarısından fazlası yapay zekâ teknolojilerinin “uzman” uygulayıcıları olarak tanımlanmaktadır: yani bu katılımcılar yapay zekâyı analiz veya üretim için kullanmaktadırlar.

Derin öğrenme yapay zekâyı değerlendiren kurumlarda hala en popüler uygulama olsa da, denetimli öğrenme, uzman yapay zekâ uygulayıcıları arasında en önemli ve en popüler makine öğrenimidir.

Yapay zekâ ya da makine öğreniminin becerileri iş gücünü azaltacak olsa da gelişmesi için bir engel değil. Ankete katılanların yaklaşık %22'si kurumsal destek eksikliğini en önemli sorun olarak tanımlamıştır. Ankete katılan çok az kuruluş yapay zekâ gelişimini desteklemek için resmi yönetim kontrollerini kullanmaktadır.

Paket servis: Yapay zekânın benimsenmesi hız kazanıyor. Yapay zekâyı değerlendiren veya deneyen çoğu şirket şimdi yapay zekâyı üretim dağıtımlarında kullanıyor. Bunun için hala erken, fakat şirketlerin yapay zekâ kullanma çabalarını sağlam bir zemine oturtmak için daha fazla şey yapmaları gerekiyor. İster ortak risk faktörlerini kontrol ediyor olsun ister veri yönetimini teşvik etmek için resmi süreçleri başlatıyor olsun, bu süreci benimsemiş olanları, güvenilir yapay zekâ çizgileri oluşturmak için daha fazla çabalamaları gerekmektedir.

Analiz

Anket sonrasında katılımcı kuruluşların yarısından fazlası yapay zekânın benimsenmesinde olgunluk aşamasındayken (analiz ve üretim için yapay zekâ kullanımı) kullanmakta, yaklaşık üçte biri hala yapay zekâ çözümlerini değerlendirmektedir. Bu durum, geçen yılki katılımcı organizasyonların %54’ünün yapay zekâ değerlendirme aşamasındayken sadece %24’lük kısmının olgunluk adaptasyonunda olduğu anlamına gelmektedir. Bu yıl, katılımcı kuruluşların yaklaşık %15'i 2019 anketimizden ~%20 düşüşle yapay zekâyla alakalı hiçbir şey yapmamaktadır.

Sonuç olarak kuruluşların %85'i yapay zekâ kullanmaktadır ve bu kuruluşların çoğu yapay zekâyı üretim sistemlerinde kullanıyorlardı. Bu durum, deneysel yapay zekâ projelerinin meyvelerinin olduğunu bizlere göstermektedir.

Katılımcılar tarafından kullanılan yapay zekâ çözümlerinin büyük kısmı IT tarafından tasarlanan araştırma ve geliştirmelerdir.

Anket sırasında katılımcılar birden fazla seçim yapmaya teşvik edildi. Diğer bir yüksek kullanımlı fonksiyonel alan ise, % 30'un biraz altında bir müşteri hizmetleridir. Pazarlama, reklamcılık/halkla ilişkiler ve operasyonlar, tesisler, filo yönetimi olmak üzere işlevsel alanlar yaklaşık %20'lik bir kullanım payına sahip olduğu görülmektedir. Katılımcı kuruluşlar, farklı işlevsel organizasyonların birçoğunda yapay zekânın değerini görüyorlar ve geçen yıldan bu yana elde edilen sonuçlar yeni sonuçlarla tutarlılık göstermektedir.

Yapay Zekâ ile Karşılaşılan Zorluklar

Yapay zekayâ özgü becerilerin kullanılmasına en büyük engel kuruluşlarda adaptasyon ve benimseme sürecidir. Bu yıl, katılımcıların altıda birinden biraz fazlası, yapay zekâ becerisine sahip kişileri bulma zorluğunun kurumlarında yapay zekânın benimsenmesinin önünde önemli bir engel oluşturduğunun belirtmiştir. İnsan kaynağı azlığı geçiş sürecini zorlaştırmaktadır. Yine de kaynak azlığı yapay zekâ konusunda donanım ve yetenek açığı, yapay zekâ benimsenme aşamasında önünde en büyük engel olmamaktadır. 2020'de, 2019'da olduğu gibi çok sayıda katılımcı, neredeyse %22, en büyük sorun olarak kurumsal destek eksikliği olduğunu belirtmiştir. Hem 2019 hem de 2020'de, yapay zekâ bilgisine sahip çalışan boşluğu sonuçlarda 3 numaralı yeri işgal etti ve bu yıl, katılımcıların %20'sinin verdiği cevaplar ile “vakalara uygun iş gücü” izledi.

Diğer verilere daha ayrıntılı bakmak gerekirse, ankete cevap veren katılımcılar %23 daha az destekleyici cevaplar verirken, yöneticilerde bu değer %15 olarak görülüyor.

Ayrıca yapay zekâ uygulayıcılarının üçte birinde yapay zekânın eksik veya tutarsız verileri ile ilgili sorunlardan yakınıyor.

“2020'de Veri Kalitesi Durumu” anketimizde makine öğrenimi ve yapay zekâ projelerinin belirti göstermeyen gizli veri kalitesi sorunlarını ortaya çıkarma problemi olduğunu gördük, bunun sonucunda makine öğrenimi ve yapay zekâ kullanan kuruluşların kalite veya eksiksizlik (bütünlük) ile ilgili sorunları tanımlama olasılığı daha yüksek olmaktadır. Bunun mantığı da gerekli gereksiz veri girişini tanımlamadır. Veri bilimcileri ve makine öğrenimi mühendisleri modellerini eğitmek için kaliteli verilere ihtiyaç duyarlar. Diğer bir yandan yapay zekâ kullanımını değerlendiren şirketler, veri kalitesinin yapay zekâ sıkıntılarını ne ölçüde etkileyebileceğini ve yaratabileceğini henüz bilemeyebilir.

Kaynak

Yapay Zekâ Destekli Büyük Veri ve İş Hayatına Etkileri

Wed, 01 Apr 2020 06:40:00 GMT

Büyük Veri şu anda her yerde duyabileceğiniz teknolojilerden biridir. Yapay zekâ ve makine öğrenimi yetenekleri ile güçlendirilmiş yöntemlerle ek gelir akışı elde etmek işinizin büyümesini önemli ölçüde etkileyebilir.

İşletmeler İçin Büyük Veri Ne Demektir?

Büyük verilerin yapay zekâ ile uygulanması, birçok üst düzey işletmenin rakiplerinden ayrışması için hayati öneme sahiptir. Büyük küçük fark etmeksizin tüm şirketler somut bilgiyi değerlere dönüştürmek için veri odaklı stratejilere yönelmekte..

Bilgisayar teknolojilerinden, bankacılığa, tarımdan, sağlık hizmetlerine kadar hemen hemen her sektörde büyük veri kullanımı yaygınlaşıyor.

İş dünyasının uzmanları, büyük veri ve yapay zekânın şirketlerin büyüme ve gelişmesi için yeni yollar yaratabileceğini kabul ediyorlar. Hatta yeni bir iş türü olan veri analizi ve veri toplama şirketlerinin yakında hızla yükselme olasılığı bile var. Bu kuruluşların tek amacı muazzam veri akışlarını işlemek ve içgörüler oluşturmaktır. Günümüzde işletmeler diğer işletmelerden öne çıkmak için büyük veri kullanımını hızlandırmalıdır. Geçmişe dönük bakış açısına göre tahmin yapılarak gerçek zamanlı analizden yararlanan büyük veri, tahminleri güçlendirebilir ve stratejistlerin varsayımları ve teorileri daha hızlı test etmelerine olanak sağlayabilir.

Büyük Verinin Etkileri Nelerdir?

Mevcut altyapı ile müşterilerin davranışlarını anlamlandıran işletmeler, gizli öngörülerden yararlanarak rakiplere göre avantaj elde etme fırsatlarını artıracaktır. Büyük veri ve yapay zekâ şirketlerin büyümesi için birden fazla fırsat sunabilir, en önemli 3 etken şu şekildedir;

Daha Hızlı ve Kesin Kararlar

Yapay zekâ kullanarak elde edeceğiniz içgörüyü, veri analizi teknolojisi ile hızlı, akıllı ve doğru analizlere dayanarak hayata geçirebilirsiniz. Alınan kararlar çok fazla analiz ve varyasyonlardan geçtiği için manuel olarak yapılanlardan daha iyi sonuçlar elde etmenizi ve zaman tasarrufu sağlar.

Geliştirilmiş Otomasyon

Büyük verilerin avantajlarından biri, verimlilik artışı sağlayan süreçleri otomatikleştirme yeteneğidir. Bulut sistemleri ile veri depolama maliyetleri düşüyor ve büyük veri depolama alanının kullanımı daha kolay hale getiriliyor. Ölçeklenebilir bilgisayar teknolojileri altyapısı ile otomatik veri toplamak ve eklemek her zamankinden daha kolay olacaktır.

Daha Derin Öngörüler

Büyük Veri yeni fırsatları ortaya çıkarmak için tamamen yeni modeller sunar. Şirketler geçmişte büyük veri kümelerini analizini gerçekleştiremiyorlardı, fakat günümüzde bu yeni yetenek beklenmedik yeni iş modelleri ile sonuçlanmaktadır. Dev veri setleri, ürün geliştirmede yenilikler için kolayca kullanılabilir. Mevcut ve gelişmiş pazarlarda patente hakim olmak şirketin sektördeki konumunu belirleyen önemli faktörlerden biridir.

Kaynak

Makine Öğrenimi: Test Edilebilirse Öğretilebilir

Wed, 01 Apr 2020 06:39:56 GMT

Hiç 5 dakikalık bir video izlemek için YouTube'a nasıl gittiğinizi ve burada 3 saat boyunca kaldığınızı farkettiniz mi? Ya da tam da satın almayı planladığınız bir ürünün reklamını 15 gündür dolaştığınız sitelerde gördüğünüz ve en sonunda onu aldığınız oldu mu?

Bilgisayarınızın ne istediğinizi bilmesi ne kadar iyi değil mi? Bu sizin bilgisayarınızdan değil, sizi sürekli izleyen algoritmalardan kaynaklıdır. Şimdi bile! Evet, bu kesinlikle doğru. Yani soru şu, bu botların nasıl yapıldığı ve yazılım test kavramlarının burada nasıl devreye girdiğidir.

İnsanların gerçek yapay zekâ gibi davranan algoritmik bloglar oluşturması çok uzun zaman önceye dayanmıyor. Basitçe söylemek gerekirse basit ve uzun kod ile yapabilirsiniz. Bir süre mükemmel çalışacaktır ve birçok günlük aktivitede halada çalışmaya devam edecektir. Bununla birlikte, giderek daha fazla insan daha büyük ve daha büyük veri setleri oluşturduğundan internette var olduğunda bu basit yaklaşım her yerde işe yaramamaktadır. Çünkü bazı problemler insanlar tarafından çözülebilecek kadar karmaşıktır. Hadi birinin köpek resmi ve diğerinin 5 numara olduğu iki örneği inceleyelim ve burada sorunun neyin ne olduğunu düşünelim.

Bir insan olarak biliyorsunuz ki evet, bu bir köpek ve bu da 5 numara ama makine ya da botlar bunu nasıl bilecek? Görüntü pikselini, piksel olarak taramasını ve bu resimde genellikle bilinen köpek görüntülerinde bulunan piksel desenleriyle eşleşen desenleri bulmasını ve tahmini bir tahmin vermesini söyleyecek karmaşık bir algoritma oluşturmalıyız. İnsan beyni, her saniye öğrenen karmaşık bir nöron yapısına sahiptir. İnsan beynine benzer şekilde makinelerde, öğrenmeye devam ettikçe zaman içinde geliştirdikleri, gelişen örüntü tanıma zekâsı ile karmaşık botlar yaratmamızı sağlayabileceklerdir.

Nasıl Öğrenilir?

İnsan programcılar, daha basit beyinleri olan bir öğretmen botu ve bir geliştirici botu yaratır. Kurucu bot, öğrenci botları oluşturur ve test notlarına göre saklar ve ayırır. Öğretmen botun kendisi bir köpek ve 5 arasında ayrım yapamaz, ancak öğrenci botlarını tanımlamakta haklı olup olmadıklarını test edebilir. Artık otomatik testin neden bu kadar önemli olduğunu anlıyorsunuz. Öğretmen botlarına köpeklerin ve 5'lerin bir demet fotoğrafını veriyoruz ve neyin ne olduğunun cevabını ona bırakıyoruz. Buna dayanarak öğretmen botunu da öğrenci botlarını test ederek ve notlarını verecek şekilde modelliyoruz. Test verilerine dayanarak, oluşturulan bot, öğrenci botları algoritması mekaniğinin farklı permütasyonlarını ve kombinasyonlarını ayarlayarak farklı öğrenci botları üzerine inşa etmeye devam eder, bazen rastgele bile neyin doğru neyin yanlış olduğunu görebilir. Bu süreçte öğretmen botu testlerine devam eder ve notları vermeye başlar. Döngü bu şekilde devam eder. Öğretmen botu teste devam eder ve öğrenci botlarının notlarına dayanarak, geliştirici botu en iyi performans gösteren botları tutar ve gerisine acımasızca atar. Test, derleme, test döngüsü bir döngüde tekrarlamaya devam eder ve dereceleri değerlendirilir ve yaklaşık% 99.9 doğrulukla bot oluşturulduktan sonra döngü durdurulur.

Şimdi aklımıza gelen soru ‘Otomatik test, inşa ve test döngüsü kaç kez tekrarlanıyor? En iyi derecelere sahip bot inşa edilene kadar gerekli olduğu şekilde tekrar eder. En iyi bot, bir köpek ve 5'i ayırt eden en iyi algoritmadır.

Peki Sorun Nedir?

Şimdi bir köpek ve 5 sayısını ayırt etmek için en iyi algoritmayı seçtik, sonra ortaya çıkabilecek sorun nedir? Bota 5 veya bir köpek videosu veya 5 yerine 'S' harfi verirsek bot bunu anlayabilecek mi? Cevap: hayır.

Bunu Nasıl Çözeriz?

Bunu çözmek için, insanlar, yanlış ve doğru senaryolar da dahil olmak üzere, öğrenci botlarının geçmesi için daha fazla sayıda soru içeren daha uzun otomatik test senaryoları oluşturmak zorundadırlar, böylece en kötü vakalara da hazırlanırlar. Uzun testler daha iyi botlar ortaya çıkana kadar devam eder.

Test - İnşa - Test Döngüsü Nasıl Tekrarlanır?

Bu durumda işlemi otomatikleştirilmeli ve aynı testi yapmaya devam etmelisiniz. Son bir bot inşa edildiğinde çalışır ve hepsi arasında hayatta kalan tek bot olur tıpkı algoritması diğer bottan % 0.01 daha iyi olduğu gibi. Öğrenci botunun oluşturduğu algoritma öğretmen botu tarafından bilinmez, insan gözetmeni tarafından değil, öğrenci botunun kendisi tarafından bile bilinmez! O sadece çalışır! Botun nasıl düşündüğü veya çalıştığı gerçekten bilinemez.

Hadi ilk başta tartıştığımız YouTube örneğine geri dönelim. Bunu şimdi daha iyi anlayabiliriz. Buradaki öğrenci botlarına verilen görev, bir kullanıcıyı meşgul tutarken izlenme süresini kaydetmek ve kullanıcıyı en uzun süre için meşgul eden öğrenci botunun en yüksek dereceyi almasıdır.

Öğretmen botları tüm öğrenci botlarını değerlendirir ve öğrenci botları kullanıcılara tavsiye de bulunmaya devam eder, böylece kullanıcı meşgul kalır. En iyi önerileri veren ve kullanıcıyı meşgul eden kişi en iyi algoritmaya sahip olanıdır. Öğretmen botunun sadece öğrenci botlarını test ettiğini ve testlerden öğrendiklerini gördük. Yani, bir satırda Makine öğreniminin test edilebilirse öğretilebilir olduğunu söyleyebiliriz.

Kaynak

Endüstriyel IoT Neden Önemli?

Wed, 01 Apr 2020 06:29:58 GMT

Endüstriyel Nesnelerin İnterneti izleme, verimlilik ve üretkenliği geliştirmektedir.

Nesnelerin Endüstriyel İnterneti. Söylemesi biraz zor bir kelime. Ancak Nesnelerin İnterneti'nin (IoT) endüstriye uygulanması oldukça etkileyici sonuçlar verebilir. Accenture'a göre, bu teknolojinin endüstriyel ortamlarda kullanılması, 2030 yılına kadar küresel ekonomiye 14.2 trilyon dolar ekleyebilir. İster fabrika zeminindeki tüketici ve üretici arasındaki daha büyük bağlantılar oluşturabilen bir izleme sistemi olsun, ister değerli veri içgörüleri kazanıyor olsun, IIoT'nin gerçekten dönüşümlü olabilmesinin birçok yolu vardır.

IIoT nedir?

IIoT, Nesnelerin İnterneti bağlantısını sektöre getirir. Pratikte, bu bir bilgisayar ağındaki ekipman ve makineler gibi fiziksel öğelerin birbirine bağlanması, bu cihazların birbirleriyle konuşmasını, veri toplamasını ve bilgileri merkezi bir kontrol noktasına geri beslemesi ve yetiştirmesi anlamına gelir. Bu tür makineden makineye (M2M) iletişim, sensör verileri ve otomasyon yıllardır endüstride var olmasına rağmen, IoT bu yetenekleri geliştirmektedir. IIoT, makine öğrenimi ve bulut teknolojisi ile birlikte şirketlere operasyonları içerisinde eşi benzeri görülmemiş düzeyde bilgi sağlayan yüksek derecede bağlantılı, birleşik bir sistem oluşturabilir. Dahası, bu tür sistemler nispeten ucuzdur ve kurulumu kolaydır. Sensörler gibi IoT elektroniği kablosuz, ucuz ve kurulumu kolaydır - gerektiğinde özel amaçlı olarak yerleştirilebilir, hareket ettirilebilir veya sistemde büyük bir bozulma olmadan çıkarılabilir.

İzleme ve analiz

Endüstrideki en önemli maliyet faktörlerinden biri, planlanmayan kesinti(arıza) sürelerinin etkisidir. Üretimde, küçük bir bileşendeki bir arıza, tüm sistemin kapatılmasına, maliyetlere neden olmasına ve verimlilik seviyelerini ciddi şekilde etkilemesine yol açabilir. Aslında, planlanmamış makine duruş sürelerinin maliyetinin yalnızca İngiliz imalatında her yıl 180 milyar £ 'dan fazla olduğu tahmin edilmektedir. IoT kullanarak şirketler, parçaların ve makinelerin sağlığını izleyerek, bozulma ve kırılmaların ne zaman gerçekleşeceğini tahmin etmek için sensör verilerini gelişmiş analitikle birleştirebilir. Sistemlerin sağlığını bu şekilde izlemek, belki de IoT için en olgun ve gelişmiş kullanım durumudur. Verimlilik seviyelerini ve verimliliği artırarak arızaları daha az olası hale getirir.

Makinelerden geniş miktarda veri toplanması, endüstriyel operasyonların küresel ölçekte analiz edilmesini de mümkün kılar. IIoT tabanlı analizler - çoğu zaman bir bulut platformu üzerinden- verimlilik ve ürün kalitesi gibi faktörlere ilişkin gelişmiş görüşler sağlar. Yapay zekâ destekli veri analizi programları, zaman içinde operasyonların değerli bir resmini oluşturarak iyileştirme alanlarını izole edebilir veya beklenmedik büyüme fırsatlarını tanımlayabilir.

Fabrika katından uzakta

Üretim üzerindeki etkisinin yanı sıra IoT'nin ağır sanayi dünyasında etkileyici uygulaması vardır. Örneğin petrol ve gaz endüstrisi, özellikle izleme, sağlık ve güvenlik ve çevresel amaçlar için değerli olan daha fazla bağlantıya sahip IoT için birincil kullanım durumudur. Petrol sahaları ve platformlar gibi uzak yerlerde, IoT ağları pahalı uydu iletişimlerine ve hantal kablolu sistemlere kıyasla ucuz bir alternatiftir. Arıza ve kırılmaların sadece paraya mal olduğu değil, aynı zamanda çalışanların güvenliğini de tehdit edebileceği tehlikeli endüstriyel ortamlarda gelişmiş izleme özellikleri son derece önemlidir. Dahası, endüstri aktörlerinin operasyonlarını çevresel faktörlerden korumaları da çok önemlidir. Kimyasal sızıntılar, petrol sızıntıları ve kirlenme gibi kazaların çevredeki alanlar üzerinde büyük etkisi vardır. IIoT, şirketlere sistemlerinin sağlığı hakkında daha fazla bilgi verir, işlerin ciddi şekilde yanlış gitme olasılığını en aza indirir ve bu gerçekleştiğinde daha hızlı hareket etmelerini sağlar.

Tüketici Koruma

IoT'nin bir diğer önemli (ancak sıklıkla unutulan) uygulaması endüstriyel ürünler sektöründedir. Buzdolabı veya çamaşır makinesi gibi IoT bağlantılı bir tüketici ürününün bakım gerektirmesi konusunda sizi uyarabileceği gibi, endüstriyel ekipmanda da bu uyarıyı gerçekleştirebilir. Bu da, gelişmiş kullanıcı deneyimi sağlar. Ürünlerin beklenmedik şekilde arızalanması daha az olasılıklıdır ve eğer bakım gerekirse teknisyen hangi parçalara ihtiyaç olduğunu önceden bilecektir. Bu otomatik bakım aynı zamanda IIoT'nin endüstriyel ürün tedarikçilerine nasıl değer katma fırsatı verdiğinin bir örneğidir. Uzaktan izleme, bakım ve sigorta gibi ek hizmetler bir ürünle birlikte paketlenerek kolay bir ek gelir kaynağı sağlar. Bunun hepsi IoT'nin bağlantısı sayesindedir.

IoT'nin endüstrideki uygulamaları, endüstrilerin kendileri kadar çeşitlidir. Düşük üretkenlik seviyeleri ve daha verimli olma ihtiyacı ile uğraşan birçok sektörde IoT, sorunlarına ideal bir çözüm olabilir.

Önümüzdeki birkaç yıl içinde IIoT’daki yaygın yatırım ve kullanım durumlarıyla, birçok endüstrinin işleyişinde gerçek değişiklikler görebiliriz.

Kaynak

#DevOps için Makine Öğrenimi (#ML / #AI)

Wed, 01 Apr 2020 06:25:51 GMT

Yakın zamanda ortaya çıkan yeni furya sayesinde çoğu kuruluş yapay zekâ destekli bir uygulama oluştururken iki yeni iş koluyla karşılaştı: birincisi geliştirme ve bir diğeri de veri bilimi.

Çoğu zaman, her iki grup da aslında Python veya C/F# gibi bir dil kullanarak benzer senaryolara sahip fonksiyonel çözümler geliştirmektedir. Ayrıca, bir veri bilimcisi veri bilimi sürecinin değerlendirme ve model seçim adımını bitirdiğinde, her iki tarafın mevcut veya yeni iş süreçlerine entegre uygulamalar ile “confusion vacuum” olduğu görülür. Kısacası birbirlerini nasıl destekleyeceğini tam olarak anlayabilme diyebiliriz. Bu benzerliklerin çoğu Docker ve Kubernetes gibi konteyner hizmetlerinin özellikle DevOps dünyasında artan popülaritesi ve kullanımından kaynaklanıyor.

Sistem nasıl işliyor?

Yapay zekâ uygulamalarına yeni başlayanlar, sürekli entegrasyon için bir hat planlayabilir ve oluşturabilirsiniz. Bu akış, veri bilimcisinin yaptığı her yeni analiz ile yeniden başlar ve test takımının çalışmaları tetikler. Test başarılı olursa, en son derlemesiyle birlikte başarıyla modellemek için gerekli tüm paket sürümleriyle bir Docker konteynerine aktarılır.

Konteyner, daha sonra Azure Kapsayıcı Hizmeti (ACS) gibi bulutta barındırılan bir konteyner hizmeti kullanılarak dağıtılır ve sonraki görüntüler, ilgili kapsayıcı kayıt defterinde (ACR) güvenli bir şekilde saklanır. Bu da küçük ölçekli geliştirme amaçları için iyidir, ancak işler büyüdüğünde konteyner kümelerini yönetmek / düzenlemek için Kubernetes gibi bir hizmet kullanabilirsiniz. (diğer hizmet alternatifleri Docker-Swarm / Mesos)

Uygulama, bulut tabanlı bir blob depolama hesabından ve uygulamanın bir parçası olan paketlerden en son alınmış Makine Öğrenimi modelini güvenli bir şekilde çeker. Konuşlandırılan uygulama, tek bir konteyner olarak paketlenmiş uygulama koduna ve makine öğrenimi modeline sahiptir.

Uygulama geliştiricilerini veri bilimcilerinden ayıran nokta ise üretim uygulamalarının her zaman en son makine öğrenimi modeliyle en son kodu çalıştırmasıdır. İkisi arasındaki farklı aydınlatmak için temsili bir referans mimari şeması;

Kaynak

Gelecek Yapay Zekâya Ne Kadar Bağlı?

Wed, 01 Apr 2020 05:09:53 GMT

Veri bilimi mesleğine yakından bakıldığında, önemli olan veya önemli olacak hemen hemen her şeyin bir şekilde yapay zekâya bağlı olduğunu görüyoruz. Yapay zekâ kullanarak dünyayı değiştiren 12 çözümü inceleyeceğiz.

Her şeyden önce, orta vadede oyun değiştirici olmaya yönelik ( -diyelim ki gelecek 5 yıl ve 15 yıl-) tüm teknoloji trendlerinin bir listesini yapmak zorundayız. Sonrasında her birini yapay zekâ içeriği için inceleyebilir ve yapay zekânın ne kadar önemli olduğu hakkında daha iyi bir fikir edinebiliriz. Fakat en önemli teknoloji trendlerini nasıl bulacağımız konusunda, maalesef ki tek bir liste söz konusu değil.

Burada söz konusu olan girişimlerdir. En azından bir grup olarak girişimlerin ödevlerini yaptıklarını ve makul derecede akıllı kararlar aldıklarını varsayalım. Sonrası da girişim sermayelerinin yatırımlarının orantısız bir miktarını koyduklarında hızlı büyüme alanlarını araştırırız.

Neyse ki bu araştırmayı işi bizim için CBInsights zaten yaptı. CBInsights'daki araştırmacılar tam olarak bu analizi gerçekleştirdiler ve bulgularını “Game Changers 2020” adlı yeni bir raporda yayınladılar. Rapor, yapay zekâ odaklı noktaları dünyayı değiştirebilecek trendler ve şirketler üzerineydi. Bu aşamada bize hedef alanlarının her birindeki lider şirketler hakkında da bilgi verdiler, böylece yapay zekânın kritik bir bileşen olup olmadığını kolayca anlayabilmemiz sağlandı.

İşte burada, ortalamada daha az heyecan verici alanlardan 2.6 kat daha fazla yatırım alan, potansiyel dünya değiştiricileri olarak tanımlanmış düzinelerce teknoloji trendinin kısa bir özetini sunacağız.

Yapay Zekâyı Kullananlar;

1-Işık Yongalarının Hızı: Eşi görülmemiş işlem gücüne sahip fotonik tabanlı donanım. Yapay zekâ, bu kategoride müşteri kadar önemli bir etkinleştirici değildir. İşlem için elektronlar yerine fotonların kullanılması daha yüksek bant genişliğine, 1000X hızında artışa izin verir ve MPP paralel işlemi korur. Fotonik çipler, tüm bilgisayar işlem dizisinde faydalıdır, ancak yapay zekâ iş yükünde artan hıza en büyük faydayı sağlayacak ve maliyeti düşürecektir.

2-Kuantum Şifreleme: Hassas verilerin kuantum şifre çözme tehdidine karşı korunması. Siberlerin yaratılması ve kırılması, yapay zekânın en önemli ayrılmaz parçasıdır. IBM, bulut erişimli kuantum bilgisayarında çalışan 100'den fazla istemciye sahiptir yani uygulamalar istenildiği zaman yapılabilir. Bu bir koşul veya varsayım değil. Yapay zekâyı kuantum ortamlarda gerçekleştirmek için yeni yüksek seviyeli dillere ihtiyaç vardır, fakat özünde yapay zekâ arıza bakımdan kuantum modeli ile aynı değildir.

3-Yapay Zekâ Şeffaflığı: Algoritmaların karar verme süreçleri olarak yapay zekâda analizle güven inşa etme. Bu alandaki bazı oyuncular kara kutu modellerini analiz etmek için yeni yaklaşımlar yaratırken, diğerleri finans ve sağlık hizmetlerinde yasal gereksinimleri karşılamak için denetlenebilir platformlar oluşturmaktadır.

4-Yapay Zekâ Temelli Protein Tahmini: Hastalık tanı ve tedavisini artırmak için proteinlerin yapısını tahmin etmek. Proteinlerin nasıl parçalanacağını tahmin etme ve hatta anlama sorunu uzun zamandır dolanmaktadır ve birçok yapay zekâ girişiminin konusu olmuştur. Bu gruptaki liderler yapay zekâdaki gelişmeleri hesaplamak, sentetik biyolojiyi ilerletmek ve geliştirmek için robotik laboratuvarlar ve gelişmeleri kombine ediyor.

5-Sürdürülebilir Nakliyatçılar: Ağır yük lojistiğinin maliyetlerini ve çevresel etkilerini azaltmak. Kara, deniz ve havadaki otonom araçlar, en verimli tedarik zinciri taşıma stratejilerini oluşturmak için optimizasyon platformları olarak bu kategoridedir.

Yapay Zekâ Kullanmadan Geleceği Şekillendirenler

6-CRISPR 2.0: Gen düzenlemeye daha güvenli ve daha kesin yaklaşımlar geliştirmek.

7-Elektro-şarjlı Terapötikler: Rahatsızlıkları kimyasal ilaçlar yerine elektriksel uyarılarla tedavi etmek.

8-Mikrobiyom Ustaları: Hem kronik hem de nadir hastalıkları tedavi etmek için insan mikrobiyomunu hedefler.

9-Zihin Değiştiren İlaçlar: Akıl hastalığını tedavi etmek için sanrı yaratan bileşikler geliştiren girişimler.

10-DNA Veri Pazarları: Tüketicileri ödüllendirmek ve tıbbi araştırmaları zenginleştirmek için genetik verilerin güvenli alışverişini sağlar.

11-Karbon Tutma: CO2 emisyonlarını atmosferden uzaklaştıran ve geri dönüştüren girişimler.

12-Yeni Nesil Nükleer Enerji: Sıfır emisyonlu nükleer enerji üretimine yeni çözümler.

Yapay Zekâ Geleceği Yönetecek mi?

Ve cevap şaşırtıcı bir şekilde 42'dir (Otostopçunun Galaksi Rehberi'nden Douglas Adams gurur duyardı). Aslında kastettiğimiz, 12 dünya değiştiricisinden 5'i veya % 42'si yapay zekânın bazı bileşenlerine önemli ölçüde güveniyor. Bugünkü yapay zekânın tüm yüksek değerli uygulamalarını bırakarak geleceği şekillendirmede lider bir role sahibiz.

Kaynak

Makine Öğrenimi Zihin Haritası

Wed, 01 Apr 2020 03:46:55 GMT

Makine öğrenimi (ML) son zamanlarda gündemde olan bir konudur. Herkes yeni programlama paradigmasından bahsetmekte ve modeller çok farklı alanlarda uygulanmaktadır, giderek daha fazla girişim ise esas olarak makine öğrenimine güvenmektedir. Aynı zamanda, makine öğrenimi birkaç farklı boyuta sahip karmaşık bir alandır. Bazen deneyimli teknik uzmanlar bile tüm makine öğrenim alanını ve onların bu evrendeki yerlerini hayal edememektedir. Birçok insan sadece makine öğrenimini merak etmekte ve konuya derinlemesine girmemektedir. Bu insanlar için, makine öğrenmesinin yapısını anlamak da önemlidir.

Kavramların görselleştirilmesi, belirli alan adlarının doğru anlaşılmasını ve ezberlenmesini sağlamanın en iyi yollarından biridir. Bu da tam olarak zihin haritalarının neye yardımcı olduğunu rahatça kavranmasını sağlar. Sizin için faydalı olacağını umduğumuz makine öğrenimi zihin haritasını hazırladık. Makine öğreniminin veri biliminin bir alt alanı olduğunu ve daha geniş bir alan olduğunu unutmayın. Makine Öğrenimi zihin haritamızı oluştururken aşağıdaki yaklaşımı kullandık. Makine öğrenimine 3 farklı bakış açısıyla baktık bunlar sırasıyla: görev türleri, uygulamalar ve yaklaşımlar.

Görev dalı türleri

Makine öğreniminde çeşitli görev türleri vardır. En yaygın olanları denetimli ve denetimsiz öğrenmedir. Diğer türler arasında yarı denetimli öğrenme ve pekiştirici öğrenmede gösterilebilir.

Denetimli öğrenme, verilerin girdilerle ve doğru cevap çıktılarıyla tanımlandığı bir görevdir. Makine öğrenim modelinize yeni verilerdeki giriş özelliklerine dayalı olarak doğru çıktı cevaplarını tahmin etmeyi öğretmek istersiniz. Denetimli öğrenme görevlerine örnek olarak sınıflandırma (sınıf / kategori tahmini) ve regresyon (değer / sayı tahmini) verilebilir. Ayrıca, görüntü segmentasyonu, eğitim sırasında bir modelin doğru bölümlere ayrılmış görüntülere bakması gerektiği için denetimli öğrenmeye bir örnektir. Sınıflandırma veya regresyonun örnekleri olmayan bazı görevlerin aslında bu türlerden birine ait olduğunu unutmayın. Örneğin, nesne tespiti bir sınıflandırma görevi olarak düşünülebilir veya ele alınabilir , çünkü görüntüye veya görüntünün ayrı bir bölümüne bakarız ve “Bir nesne var mı yok mu ?” sorusunu cevaplamaya çalışırız. Bu soru ikili bir sınıflandırmadır.

Denetimsiz öğrenme, yalnızca veri girdiğiniz ve doğru yanıt (çıktı) almadığınız bir durumdur. Kümeleme, anomali tespiti veya boyutsallık azalması, denetimsiz öğrenmenin tipik örnekleridir. Kümelenmeyi düşünün: verilerimiz var ve içindeki kümeleri tespit etmemiz gerekiyor. Verileri önceden etiketlemezsek, bu nedenle hangi veri noktasının hangi kümeye ait olduğunu bilemeyebiliriz. Makine öğrenim modeli, ön bilgi sahibi olmadan kümelerin nasıl tespit edileceğini öğrenmelidir. Bu denetimsiz öğrenme anlamına gelir.

Yarı denetimli öğrenme, denetimli ve denetimsiz öğrenmenin özellikleri birleştirir. Bir öneri sistemi oluşturduğunuzda, genellikle etiketlenmiş verilerin bir kısmına ve etiketlenmemiş verilerin bir kısmına sahip olursunuz. Doğal dil üretme modelleri, bir sonraki kelimeyi oluşturmak için cümlelerin önceki içeriğini kullanır. Ancak tahminleri, onları yarı denetimli öğrenme türüne dahil etmemize sebebiyet veren bir olasılık doğasına sahiptir. Görüntü oluşturma, eğitimin bir parçası olarak denetimli kayıpları kullanan gözetimsiz veya denetimsiz öğrenme algoritmaları olan Generatif Düşman Ağları’na dayalı bir görevdir.

Pekiştirici öğrenme, modelin doğru şeyleri kendi başına nasıl yapacağını öğrenmek için çevreden gelen geri bildirim kullanması gereken özel bir görev türüdür. Örneğin, oyun oynamak için ortam kurabilirsiniz. Model kötü çalışırsa herhangi bir ödül puanı alamaz. Ancak modelin amacı ödülü en üst düzeye çıkarmaktır. Böylece, model oyunun bir sonraki turunda davranışını değiştirecek ve eğer bu davranış öncekinden daha fazla ödül oluşturacak ise, model bu modele kayacaktır. Bir sonraki turda model, kazancını daha da artırmak için başka bir şeyi değiştirmeye çalışacak gibi açıklayabiliriz. Pekiştirici öğrenme makine öğreniminin ilginç ama bir o kadarda karmaşık bir alt alandır.

Yaklaşım dalı

Şimdi de zihin haritasının yeşil dalını keşfedelim “yaklaşımlar” bu alanda farklı görevleri çözmek için kullanılan yöntemleri inceleyeceğiz. Tüm yöntemler tek-model tabanlı ve çok-model tabanlı olarak ayrılmıştır. Tek modeller, yalnızca bir model kullanan yöntemlerdir.

İstatistiksel modellere, geleneksel makine öğrenme modellerine ve sinir ağlarına ayrılabilirler. İstatistiksel yöntemler, makine öğrenmesine benzer şekilde görevleri çözmenin ilk yolları arasındadır. Boyutsallık azaltma yöntemleri, regresyon tahmini yöntemleri, verileri analiz etme yöntemleri vb. için methodlar içermektedirler. Örneğin, Temel bileşen analizi (PCA) boyutsallığı azaltmak için iyi bilinen bir yöntemdir. Çarpanlara ayırma matrisleri yapı ve inşa öneri sistemlerinde yaygın olarak kullanılmaktadır. Gizli Dirichlet tahsisi (LDA), konu modelleme için bir algoritmadır. Hareketli bir ortalama hem önceki zaman serisi verilerini analiz etmek hem de gelecek için tahminler yapmak için kullanılabilir.

Geleneksel makine öğrenme yöntemleri muhtemelen makine öğrenimine yeni başlayanların çoğunluğunun zihinlerine gelen algoritmalardır hem sınıflandırma hem de regresyon için birçok yöntem kullanılabilir (örneğin, destek vektör makineleri (SVM), karar ağacı, k-en yakın komşular (KNN)). Bununla birlikte, bazıları belirli veya özel bir görev türünü çözmek için daha uygundur. Örneğin, K-araçları, yalnızca kümelenme görevini çözmek için bir algoritmadır ve lojistik regresyonu ise, saf bir sınıflandırma algoritmasıdır.

Sinir ağları, makine öğrenim uzmanlarının (ML hype) en çok yoğunlaştığı alandır. Aynı şekilde bir sinir ağı, belirli bir yapıya sahip olan matematiksel algoritmadan başka bir şey değildir. Basit sinir ağları (bazen algılayıcı olarak adlandırılır) ve derin sinir ağları vardır. Derin sinir ağları günümüzde makine öğrenim gelişmelerinin kenarındadır. Bilgisayarla görme ve doğal dil işlemlerindeki tüm bu harika şeyler öncelikle derin sinir ağları yardımıyla yapılır. En popüler derin sinir ağları, evrişimli sinir ağları, tekrarlayan sinir ağları ve üretken çekişmeli ağlardır. Çok modelli yaklaşım, bir görevi çözmek için birkaç tek kullanımlı modelin kullanılmasını gerektirir. İstifleme, birkaç farklı makine öğrenimi modeli (örneğin, geleneksel modeller kategorisinden) kullandığımız ve daha sonra cevaplarını (çıktılarını) başka bir model (ler) in girişi olarak kullandığımız zamandır. Birkaç model katmanları olabilir. Böyle bir strateji genellikle harika sonuçlar üretir. Bununla birlikte, tüm sistem karmaşık hale gelir ve onu üretimde kullanmak zor olabilir.

Torbalama, birkaç model almak ve tahminlerini ortalamak anlamına gelir. Örneğin, rastgele bir orman seçimi karar ağaçlarının bir topluluğu ve bütünlüğüdür. Bu, sapmayı sabit bir seviyede tutarken değişikliği azaltmaya izin verir.

Arttırma, genel sonucu iyileştirmek için birçok temel model kullanan bir birleştirme modelidir. Torbalamadan farkı, artırmanın algoritmaların yönlendirilmiş bir bileşimi olmasıdır. Bu, sonraki her modelin, daha önce oluşturulan temel modellerin kompozisyonunun hatasını azaltacak şekilde oluşturulduğu anlamına gelir. Eğim artırmanın en popüler uygulamaları XGBoost ve lightGBM.0'dır.

Uygulamalar Dalı

Şimdi zihin haritamızın son kolu olan uygulamalara geçeceğiz. Yapay zekânın kullanıldığı alanlardan bahsediyoruz. Yapay zekânın yararlı olabileceği endüstrilerle ilgili değilde daha çok yapay zekâ uygulama türleri ile ilgilidir. Genel olarak, yapay zeka uygulama türleri şunlardır: boyutsallık azaltma, doğal dil işlemleme (NLP), bilgisayar görüşü (CV), anomali tespiti, zaman serileri, analitik ve öneri sistemleri.

Boyut küçültme, en alakalı bilgileri tutarken verilerin azaltılmasına izin verir. Görüntü ve ses sıkıştırmada kullanılır ve aynı zamanda bu özellik mühendisler için makine öğrenimi modelleri oluşturma hattında kullanılır.

Doğal dil işleme (NLP), diğer makine öğrenimi uygulamalarından giderek daha fazla ayrılan geniş bir alandır. Birçok uzman NLP'yi bağımsız bir konu olarak görmektedir. makine öğreniminin NLP'deki uygulamaları şunlardır: konu modelleme, metin sınıflandırma, duyarlılık analizi, makine çevirisi, doğal dil üretimi, konuşma tanıma, metin-konuşma, metin analizi, özetleme, varlık tanıma, anahtar kelime çıkarma.

Bilgisayar görüşü (CV), NLP gibi, çok büyük bir konu haline gelmektedir. En iyi bilinen CV uygulamaları görüntü sınıflandırması, görüntü segmentasyonu ve nesne algılamadır. Anomali tespiti, hedefin verilerde beklenmedik, tipik olmayan bir şeyi tanıma uygulamasıdır. Anomali tespiti yenilik tespiti, aykırı tespiti ve sahtekarlık tespiti olarak ayrılmaktadır. Ayrıca, yenilik veya aykırı olmayabilir ama verilerde belirli tuhaf bir şekil olabilir. Bu durumu zihin haritasına dahil etmiyoruz, ama eğer dahil etmek gerekirse, bunu basit bir “anomali tespiti” olarak adlandırabiliriz.

Zaman serisi, zamana dayalı verilerle çalıştığımız alandır. Örneğin, borsa fiyatları, hava durumu verileri, IoT sensörleri verileri vb. Zaman serilerini analiz edebilir veya gelecekteki olası değerleri tahmin edebiliriz.

Analitik, verinin doğasını ve şekillerini keşfetmenin klasik alanıdır. Çeşit olarak; Öngörücü analitikler (gelecekte veya görünmeyen verilerde neler olabileceğini tahmin edin), mevcut durum analizi (tahmin modelleri oluşturmadan mevcut verilerden ne tür görüşler elde edebiliriz), ve optimizasyon sorunları (örneğin, farklı kaynaklardan en az tüketimle A noktasından B noktasına nasıl gidileceğini araştırmak için) mevcuttur.

Öneri sistemler, bir dizi kullanıcılara ve içeriğe sahip olduğunuz uygulamalardır ve siz kullanıcılar için alakalı içeriği önerebilecek bir sistem oluşturmak isterseniz bu uygulamayı kullanmanız gereklidir. Bu tür sistemler, kullanıcılar ve içerik öğeleri hakkında bilinen verileri kullanmak için özel makine öğrenim yöntemlerini (faktorizasyon makineleri gibi) kullanırlar.

Sonuç

Geliştirdiğimiz zihin haritası, bu alanda derinlemesine dahil olmayan insanlar için makine öğrenmesinin yapısını açıklamak ve anlatmak içindir. Makine öğrenmesinin üç farklı açıdan ele alınabileceğini gösterdik: görev türleri, yaklaşımlar (yöntemler) ve uygulama türleri. Zihin haritamızın makine öğrenimi gibi karmaşık bir alan hakkındaki tüm bilgileri kapsayamayacağı açıktır. Şemaya dahil edilmeyen bazı görev türleri, uygulamalar ve özellikle algoritmalar vardır. Ayrıca, bazı noktalar hakkında tartışmak için yeterli alan olduğunu düşünmekteyiz.

Makine öğrenimine yönelik açıklamaya çalıştığımız zihin haritası ile yeni başlayanlara yardımcı olmaya çalışıyoruz. Önerilerinizi yorumlarda bizimle paylaşabilirsiniz.

Kaynak

Makine Öğreniminin Önemi

Tue, 31 Mar 2020 11:32:02 GMT

Makalenin başlığı, JPL'den Kiri Wagstaff tarafından yazılan ve 2012 yılında yayınlanan Önemli Makine Öğrenimi'dir. Kiri Wagstaff’ın tezi, makine öğrenimi araştırma topluluğunun kendi yolunu kaybettiği üzerinedir. İleri sürdüğü konu, birçok makine öğreniminin makine öğrenimi adına yapıldığıdır. Kiri Wagstaff bu konuda 3 ana probleme dikkat çekmektedir.

Deney Verilerine Odaklanma

UCI veri havuzundaki veri kümelerine odaklanın, ancak bunlardan çok azı ele alınan alanda (domain) bir etki yaratır.

Kiri Wagstaff, standart veri kümelerinin kullanımını, regresyon ve sınıflandırma problemlerine yönelik eğriliği geçersiz kılan deney tekrarlanabilirliği için standartların eksikliğine ve yetersizliğine işaret etmektedir. Ayrıca yazar burada UCI veri havuzunu kullanmanın, sentetik veri kullanmaktan daha kötü olduğunu söylemektedir çünkü verilerin nasıl oluşturulduğu üzerinde kontrolümüz bile yoktur.

Soyut Metriklere Odaklanmak

Algoritma yarışlarına veya fırlamalara güçlü bir odaklanma ve etki alanında doğrudan bir anlamı olmayan RMSE ve F-ölçü gibi genel metriklerin kullanımı.

Tamamlamama eksikliği

Weka'da veri setlerini indirmek ve algoritmaları çalıştırmak gerçekten çok kolaydır. Sonuçları yorumlamak ve alanla ilişkilendirmek çok zordur, ancak etki yaratmak için gereken budur. Sorunun temel noktası, makine öğrenimini üç aktivite sınıfı olarak tanımlaması ve algoritma seçimi ve problem tanımını ve sonuç yorumunu göz ardı eden deneylere odaklayan ‘makine öğrenim katkısıdır’.

Zihniyetteki Değişim

Kiri Wagstaffve araştırma topluluğunun makine öğrenimi araştırma projelerini formüle etme, saldırı ve değerlendirme şeklini değiştirilmesi gerektiğini önermektedir. Kiri Wagstaffele alınacak üç alan hakkında yorumda bulunur:

Anlamlı değerlendirme yöntemleri

Makine öğrenim sisteminin etki alanındaki doğrudan etkisini ölçün. Örneğin, tasarruf edilenler, korunan hayatlar, korunan zamanlar ya da çabalar azaldı. Doğrudan bir etki ölçümünün seçilmesi, deneyin tasarımı ve verilerin seçimi üzerinde bir akış etkisine sahip olacaktır.

Dış dünyanın katılımı

Alan adı uzmanlarını sorunu ve verileri tanımlamaya dahil edin ve daha da önemlisi bunları alan adındaki sonuçların önemini yorumlamak için kullanın. Bu, önemsiz sorunların çözülmesini durdurmak ve pratikte benimsenecek (adapte olacak) kadar güvenilir ve kullanışlı sistemler geliştirmektir.

Ödül

Etkileri için araştırma problemlerini seçin. Sorunlu alandaki statükoyu ele alın ve sonuçları bu statükonun üzerinde bir gelişme ve ilerleme seviyesi olarak tanımlayın. Topluluğa katılın ve adapte olmak için motive edin.

Açık Zorluklar

Makine öğrenmesinin fark yaratabileceği araştırma projelerine örnek olarak 6 problemin çözümü;

Makine öğrenimi analizinin sonucuna dayanan bir yasa kabul edildi veya yasal karar verildi.
Bir makine öğrenim sistemi tarafından sağlanan geliştirilmiş karar verme yolu sayesinde 100 milyon dolar tasarruf sağladı.
Bir makine öğrenim sistemi tarafından sağlanan yüksek kaliteli çeviri sayesinde uluslar arasındaki çatışma önlendi.
Makine öğrenim savunmaları yoluyla siber güvenlik kırılmalarında %50 azalma.
Bir Makine öğrenim sistemi tarafından önerilen bir tanı veya müdahale ile kurtarılan insan hayatı.
Bir ülkenin bir makine öğrenim sistemine atfedilebilen İnsani Gelişme Endeksi'nde (İGE) %10'luk iyileşme ve gelişme.

Bunlar üzerinde çalışılacak kapsamlı ve öncelikli bir sorun listesi yerine ilham vermeyi amaçlayan örneklerdir.

Son olarak, Kiri Wagstaff’ın önemli araştırma problemlerini etkili bir şekilde ele almanın önündeki engeller hakkında bir yorumu daha var.

Mesleki Dil

Sahada faydalı bir steno olan ama temelde alanın dışından anlaşılamayan makine öğrenimi terminolojisinin aşırı kullanımı. Daha geniş bir kitleyi hedeflerken daha genel bir dile ihtiyaç vardır.

Risk

Bir makine öğrenme sistemi sonuç kararları verirken, hata yaptığında kim suçlanabilir? Sistemin ilerleyişini kim sürdürüyor?

Karmaşıklık

Makine öğrenim yöntemleri hala ateşle ve unut değildir ve yöntemleri anlamak ve kullanmak için bilgi gerekmektedir. Bu yüzden de daha iyi araçlara ihtiyacımız var.

Kaynak

Docker ve Kubernetes Dünyasında Developer Hayatı

Fri, 27 Mar 2020 14:00:00 GMT

Etkinlik İçeriği

14.00 – 14.45
- Docker Nedir?
- Kubernetes Nedir?

14.45 – 15.00
- Kahve Molası

15.00 – 15.45
- Docker ve Kubernetes Dünyasında Developer Ne Yapar?

15.45 – 16.00
- Networking
- Soru/Cevap

Güray Yıldırım Hakkında

Güray Yıldırım Linkedin

gurayyildirim.com

Docker Nedir?

Docker, "konteynerleştirme" olarak da bilinen işletim sistemi seviyesinde sanallaştırma sağlayan bir bilgisayar programıdır. İlk sürümü 2013'te yayınlanmıştır.

Docker, "konteyner" (container) adı verilen yazılım paketlerini çalıştırmak için kullanılmaktadır. Konteynerler birbirinden izole edilmiş ve bağımsız halde çalışabilmektedir. Tüm konteynerler tek bir işletim sistemi çekirdeği üzerinde çalışır ve bu sayede sanal makinelerden daha hafiftir. Konteynerler "imaj" (image) adı verilen salt-okunur dosya sistemlerinden oluşturulur.

Wikipedia

Kubernetes Nedir?

Kubernetes Google tarafından GO dilinde geliştirilmiş Cloud Native Computing Foundation tarafından desteklenen mevcut konteyner haline getirilmiş uygulamalarınızı otomatik deploy etmek, sayılarını arttırıp azaltmak gibi işlemler ile birlikte yönetmenizi sağlayan bir Konteyner kümeleme (container cluster) aracıdır.

DevOps Türkiye

Sosyal Dünyada Makine Öğrenimi

Tue, 24 Mar 2020 12:47:58 GMT

Makine öğrenimi, keşfedilmemiş bir şeyi tahmin etmek için çok fazla veri ve algoritma kullanır. Makine öğrenimi modelleri yaşama, iletişim kurma, seyahat etme ve çalışma şeklimizi basitleştirmek için tasarlanabilir. Makine öğrenimini günlük yaşantımıza entegre edebiliriz. Son birkaç yılda, veriyi elde etme, yaratma ve bunlarla iletişim kurma şeklimizi değiştiren bir veri devrimi olduğu gözlenmektedir.

Piyasada rehberlik edecek çok sayıda makine öğrenimi danışmanlık şirketi bulunmaktadır. Makine öğrenimi, küçük ya da büyük şirket farketmeksizin çoğunun günlük faaliyetlerinin ayrılmaz bir parçasıdır. Tüm sektörler dışında, makine öğrenimi hizmetlerinin itici gücünü henüz görmeyen tek sektör, sosyal dünyadır.

We Are Social ve Hootsuite tarafından yeni bir küresel çapta hazırlanan dijital rapora göre, arama yapmak için interneti kullanan insan sayısının 2019 yılında 5 milyar kişiye ulaştığı belirtiliyor. Her saniye yaklaşık 40.000 arama gerçekleştiriliyor, bu da günde 3.5 milyar veya yılda inanılmaz bir rakam olan 1.2 trilyon arama yapıyor.

Çeşitli Alanlarda Makine Öğrenmesinin Etkisi

Günlük yaşamımızda makine öğrenimi ile ilgili birçok hizmet veya ürün kullanıyoruz. Makine öğrenimi genellikle verileri analiz ederek verdiğimiz kararları şekillendiriyor. Yazımızda çeşitli sosyal alanlarda makine öğrenmesinin etkisini inceleyeceğiz.

1. Eğitim

Her bir bireyin yeteneğine uygun eğitim sistemi kullanılabilir. Her insanın eşsiz özellikleri, zayıflıkları ve güçlü yanları vardır. Burada bireylere uygun eğitim için yapay zekâ ve makine öğrenimi çözümleri hayati bir rol oynayabilir. Bir kursu her öğrencinin yeteneklerine, gereksinimlerine ve becerilerine göre özelleştirmeye yardımcı olabilir. Gelişen dünyada eğitim endüstrisinde AR ve VR kombinasyonu gibi yeni nesil öğrenmenin devreye girmesiyle artık öğrenciler dersleri sanal ortamda alabilir ve herhangi bir yere gitmeden evde oturarak eğitimlerini tamamlayabilir.

2. Sağlık

Test sonuçlarındaki düzensizliklerin ve hastalığın yanlış teşhisinin tüm dünyada yaygın ölüm nedenlerinden biri olduğu biliniyor. Makine öğrenimi ve yapay zekâ, gelişmiş teşhis yetenekleri ile sonucun daha iyi tahmin edilmesine ve doğru teşhise yardımcı olur. Veriler, daha iyi tedavi ile hastalığın daha hızlı teşhis edilmesine yardımcı olan tüm olası hastalıkların semptomlarını içeren bir veritabanına eklenir. Hastanelerin çoğunda yapay zekâ ve makine öğrenimi, hastaların daha hızlı tedavisinde bir tümör ya da kanseri tespit etmek için kullanılıyor.

3. Nakliye

Diğer endüstriler gibi ulaşım endüstrisi de yapay zekâ ve makine öğrenimi hizmetleri gibi teknolojileri kullanmaya başladılar. Yollarda daha önce hiç olmadığı kadar fazla sensör var. Makine öğrenimi yardımı ile demiryolu ağları ve hava yolları trafikleri hesaplanabilir. Yakın zamanda Rolls Royce ve Google tarafından piyasaya sürücüsüz otonom bir gemi sunulacak. Bu gemide makine öğrenimi ve yapay zekâ sistemleri, denizdeki nesneleri tanımlamaya ve izlemeye yardımcı olacaktır.

4. Eğlence

Eğlence endüstrisi yeni teknolojileri diğer tüm endüstrilerden oldukça hızlı bir şekilde benimsiyor. Yeni ses, ışık teknikleri, kurgu teknikleri ve çok daha fazlası gibi. Makine öğrenimini, eğlence endüstrisine tanıttıktan sonra tüketici deneyimi tamamen değiştirecektir. Günümüzde bir film setinde, film yapımını daha az karmaşık bir süreç haline getiren birçok robot ve drone kullanılmakta. Büyüleyici görsel efektlerle (VFX) oluşturulan filmler mevcut. Film yapımcılarının fiziksel olarak çektiği sahneler yakın zamanda daha da azalacak.

5. Makine Öğreniminin Sınırları

Makine öğrenmesinden bekleyebileceğimiz en belirgin değişim endüstrilerin otonomlaşmasıdır. Artık yavaş yavaş makineler işçilerin yerini alıyor. Günümüzde bir kontrol merkezinde uzaktan işletilen ve kullanılan sürücüsüz birçok araç var. Yakın zamanda daha fazla self servis, kiosk ve daha az personeli süpermarketlerde bile görebileceğiz. Fakat yine de, bazı kişiler makinelerle hala mesafeli bir ilişkiye sahip. Çünkü insanların bir sorunu hızlı bir şekilde çözme yeteneği, makinelerin henüz yapabileceği bir şey değildir.

Özet Olarak

Makine öğreniminin sosyal ve etiğe olan etkisi dünyanın hayal gücünü harekete geçirmeye devam edecektir. Çok büyük miktarda veri işleme ve kalıpları gerçek zamanlı olarak tanıma yeteneği, problem çözme için yeni bir çerçeve oluşturmaya yardımcı olacaktır. Birçok insanın akıllıca gözlemlediği gibi, yapay zekâ ve makine öğrenimi rüyası dünyada yeni değildir. Makine öğrenmesinin günlük yaşamımıza uygulama zamanı geldi ve artık tüm sosyal yaşantımızda devrim yakın.

Kaynak

İnsan Öğrenmesi ve Makine Öğrenimi

Tue, 24 Mar 2020 11:31:49 GMT

İnsanlar ve Makineler Arasındaki Öğrenme Farkı

İnsanların öğrenme süreci kişiden kişiye değişir. Bir öğrenme sürecini insanların zihnine yerleştirdiğimizde alışkanlık haline geleceği için bunu değiştirmek zordur. İnsanların zihnine öğrenme sürecinden farklı bir yöntemle girildiğinde ise kalıplaşmış sistemi değiştirmek daha da zordur. Ancak, makine öğreniminde (ML), farklı bir algoritma seçerek öğrenme yöntemini değiştirmek kolaydır. Makine öğreniminde, öğrenmedeki doğruluğu anlamak ve tahmin etmek için iyi tanımlanmış süreçler vardır. İnsan öğrenmesinin kontrolü genellikle sınavlarla yapılır ve maalesef ki bu uygulama zekanın bir ölçüsü olarak düşünülemez. İnsanlar, doğrudan ya da başkaları tarafından paylaşılan deneyimler yoluyla bilgi edinirler. Makineler ise, geçmiş verilerin ve paylaşılan deneyimlerin yoluyla bilgi edinir.

Zekâyı tanımlamak için bilgi, beceri ve bellek terimlerini sıklıkla kullanırız. Sadece iyi bir belleğe sahip olmanız, zeki olduğunuz anlamına gelmez ve zeki olmanız, iyi bir hafızaya sahip olmanız gerektiği anlamına da gelmez. Ancak bu kuralların istisnaları vardır. İnsanlar ezberleyerek öğrenmeye başlarlar. Fakat birkaç yıl sonra, ezberleme yeteneğinin zekâ olmadığını fark ederler. Daha sonra bellekte depolanan verileri bilgiye dönüştürmeye çalışırlar bu bilgileri de gerçek hayatta karşılaşılan sorunları çözme becerilerini geliştirmek için kullanırlar.

İyi bir hafızaya sahip fakat gerekli becerilere sahip olmayan bir kişi akıllı olarak kabul edilemez. Yavaş yavaş arama motorları insan hafızasının yerini alıyor ve bu günlerde web'deki verileri kullanarak yeni veri elde etmeye odaklanmış durumdalar. İnsanlarda öğrenme hızı kişilere, makinelerde öğrenme hızı ise seçilen algoritmaya ve bu durumda kullanılan örneklerin hacmine bağlıdır.

Beceri, insanların sahip olduğu zekânın bir oluşumudur. Zekâ ise bilgiyi uygulama yeteneğidir. İnsan zekâsı sürekli gelişir fakat yeni teknolojiler ortaya çıktıkça da eski bilgiler kaybolur.

Makinelerin Zekâsı

Belirli konularda bilgisi olmayan insanlar, yeni karşılaştıkları bir problemi çözmek için zekâlarını kullanabilirler. Ancak makinelerin zekâsı değişen senaryolardan ve elde edilen veriler üzerine yeniden yorumlanarak güncellendiğinden yeni sorunları çözme biçimi insanlarınkinden farklıdır. Bu da, insan zekâsı ile makine zekâsı arasındaki temel farktır. Hem insanlar hem de makineler, zekâlarını problem çözmede uygularken hata yapabilirler.

Makine öğreniminde uyum gösteren tüm örnekler ezberletilir, daha önce görülmemiş örnekler ise genelleme yapılamadığından dolayı çalışmaz. Asya ülkelerinin çoğunda eğitim sistemi, teknik konularda öğrencilere daha fazla koçluk yaparak sadece örnek problemleri çözmelerini sağlar. Bu örnek problemler herhangi bir zeka uygulanmasına gerek kalmadan öğrenciler tarafından kolaylıkla sınavlarda cevaplanmaktadır. Bu öğrenciler daha önce gördükleri soruları çözebilirler. Zekâları genelleştirilmediğinden genel problemleri doğru bir şekilde ele alamayabilirler. Üniversite çalışanları arasında beceri seviyelerinin eksik olmasının ana nedeni de budur. Makine öğreniminde bilgi aktarımı modeli, makine öğrenimi uzmanları tarafından oluşturulan ve büyük bir veri kümesi üzerinde eğitilmiş bir modeli yeniden kullanmaktır. Bilgi aktarımında ise; bir dağıtım grubundan çıkarılan bilgiler kullanır. İnsanlarda ise, bilginin öğrencilere aktarılması genellikle öğretmenler ve eğitmenler tarafından yapılır ve bu da öğrencileri zeki yapmaz. Ancak makine öğrenimi durumunda, bilgi aktarımını devralan kişiyi devir aldığı bilgi kadar akıllı yapar.

İnsanlar söz konusu olduğunda, bilgi aktarımı sadece aktarılır ve problem çözme becerilerini geliştirmek bilgiyi devralanın zekâsına bağlıdır.

Özet Olarak

Makine zekâsı, eğitildikleri alanlarla sınırlıdır. Ancak insan zekâsı eğitim alanından bağımsızdır. Akıllı bir insan öngörülemeyen alanlarla ilgili sorunları çözebilirken, bir makine bunu henüz yapamayacaktır.

Kaynak

2020 Yılında Perakende İçin Yapay Zekâ: 12 Gerçek Dünya Kullanım Örneği

Tue, 24 Mar 2020 10:49:28 GMT

Yapay Zekâ dünyayı etkisi altına almaya devam ediyor. Çeşitli endüstrilerde kullanımı yaygınlaşan yapay zeka çözümlerini perakende dünyasında da görebiliriz. Perakende sektörü yeniliklerin ve potansiyellerin kullanımı açısından yapay zekânın gelişimine katkıda bulunmaktadır. Bu makalede yapay zekânın ve makine öğreniminin perakendeyi sonsuza dek değiştirmesinin yollarını inceleyeceğiz.

Aşağıda gerçek dünyada kullanılan yapay zekâ örnekleri görebilirsiniz. Bakalım yapay zekâ perakendeyi nasıl değiştiriyor.

Perakende Satışta Yapay Zekânın En İyi 12 Kullanımı

1. Kasiyersiz mağazalar

Mağazaların robotizasyonu, üretim hatlarında insan çalışanlarının sayısının azalmasına ve işletme giderlerinde önemli tasarruflara yol açacaktır. Örneğin; Amazon AI yakın zamanda kasasız mağazalarını tanıttı. Amazon Go ve Just Walk Out’un geliştirdiği alışveriş teknolojisi ile raftan bir şey aldığınızda veya geri koyduğunuzda tepki vermek üzere çalışan sensörler raflara yerleştirildi. Bu sensörler ayrıca ürünlerle mağazadan çıktığınızda, Amazon hesabınızdan satın alma işleminizi gerçekleştirmek için çalışacak. Amazon, 6 - 20 arasında personele ihtiyaç duyulan Amazon Go gibi yapay zekâ tarafından yönetilen çok sayıda mağaza açmak istiyor.

2. Müşteri hizmetlerinin yeni yardımcısı: Chatbot'lar.

Yapay zekâ sohbet robotları daha verimli bir müşteri hizmetleri deneyimi sağlar, aramayı iyileştirir, yeni ürünler hakkında bildirim gönderir ve tercihlerinize benzer ürünler önerir. Bir müşteri zaten siyah bir sweatshirt satın aldıysa, bir sohbet botu kombinini tamamlayacak bir şapka önerebilir. Dünya genelinde markaların yüzde sekseni yakın gelecekte sohbet botlarını daha verimli kullanacak. Tommy Hilfiger ve Burberry müşterilerinin koleksiyonlarında gezinmelerine yardımcı olmak için sohbet botlarını kullanmaya başladılar bile.

3. Mağaza içi yardımcılar

Perakendeciler ayrıca müşterilere alışveriş sürecine ve mağazalardaki personele yardımcı olacak teknolojilere yatırım yapıyor. Kroger Edge teknolojisi ile mağazalarındaki kağıt fiyat etiketlerini ortadan kaldırıyor; şu anda akıllı raf etiketleri kullanmaya başladılar bile. Bu teknoloji aynı zamanda market içindeki ekranlarda video reklamlar, beslenme bilgileri ve promosyonların duyuruları gibi görevlere de sahip. Lowe’un mağaza içi robotu olan Lowebot, yabancı müşterilerin mağazada ihtiyaç duydukları ürünleri kendi dillerinde bulmalarına yardımcı oluyor. Aynı zamanda kullanılan yapay zekâ teknolojileri, gerçek zamanlı izleme özellikleri sayesinde envanter yönetimine de yardımcı olmakta.

4. Fiyat düzenlemeleri

Perakende mağazaları için yapay zekâ uygulamaları, işletmelerin ürünleri için fiyat belirlemelerine yardımcı olabilir ve çoklu fiyatlandırma stratejilerinin olası sonuçlarını görselleştirebilir. Bunu yürütebilmek için de sistemler diğer ürünler, tanıtım faaliyetleri, satış rakamları ve ek veriler hakkında bilgi toplar. İş dünyasının lider markaları müşterilerine en iyi teklifleri sunabilir, yeni müşteriler kazanabilir ve böylelikle satışları artırabilir. eBay ve Kroger şu anda fiyat optimizasyonları için yapay zekâyı kullanıyorlar. Fiyatları ve promosyonları elde edilen bilgilere göre ayarlayarak en iyi fiyatı müşterilerine sunuyorlar.

5. Fiyat tahminleri

Fiyat tahmini, bir ürünün fiyatının talebe, mevsimsel eğilimlere, özelliklere, aynı ürünün yeni modellerinin piyasaya sürülmesine vb. dayalı bir tahminidir. En uygun şekilde uygulanması da seyahat endüstrisi ile gerçekleşecektir. Bunun yanında perakende satışta da kullanılabilir. Müşterilerinizin belirli bir ürünün fiyatının nasıl değişeceğini önceden bilmelerine yardımcı olan bir uygulama veya hizmet hayal edin tam da bundan bahsediyoruz. Yapay zekâ ile bu mümkündür ve uygulanması da çok kolaydır. Fiyat tahmini özelliği, müşteri sadakati oluşturmanıza yardımcı olabilir. Bununla birlikte, Perakende sektöründe öngörücü analitik ve makine öğrenimi, bir fiyat tahmininden çok daha fazlasını başarabilir.

6. Tedarik zinciri yönetimi ve lojistik.

Bu alandaki yanlış uygulamalar, dünya çapında perakendeciler için her yıl yaklaşık 1,1 trilyon dolarlık zarara neden olmaktadır. Ürün fazlalıkları ve stok dışı senaryolar ortadan kaldırılırsa bu zarar az bir seviyeye indirgenebilir. Perakende, tedarik zincirindeki yapay zekâ, satış geçmişi, konum, hava durumu, trendler, promosyonlar ve diğer parametreler dikkate alınarak belirli bir ürüne olan talebi hesaplamak için ya da yeniden stoklama için kullanılabilir. Morrisons, BlueYonder'in yardımıyla kullanılan yapay zekâ modelinin, 491 mağazada stok tahmini ve ikmal ile ilgili konularda olumlu sonuçlar ortaya çıkarmıştır. Denemenin sonucunda mağaza içi raf boşluklarında % 30'a varan oranda azalma görülmüştür.

7. Perakendecilikte makine öğrenimi: Ürün kategorizasyonu

LovetheSales.com için perakende sektöründe makine öğreniminin harika bir örneğidir diyebiliriz. LovetheSales.com çeşitli satıcılardan gelen bir milyondan fazla ürünü sınıflandırmak için makine öğrenme modellerini kullanmakta. Makine öğrenmesi temelli sistemler, belirli bir ürün türünü arayan müşteriler için ürünleri etiketleyip farklı kategorilerde sıralayarak sunmakta. Lalafo’da ise satıcıların tek yapması gereken satmak istedikleri ürünlerin imajını yüklemek. Böylelikle devreye giren Machine Vision perakende yazılımını ile ürünler tanınabilir, sınıflandırabilir ve hatta bir fiyat önerebilir. Lalafo platformu, makine öğrenimi modellerinden yararlanarak saniyede 900'den fazla isteği işleyebiliyor ve satışlara bu şekilde yöne verebiliyor.

8. Görsel arama

Yapay zekâ ile güçlendirilmiş “görsel arama” sistemleri, müşterilerin görüntü yüklemelerine, renkler, şekiller ve desenlere dayalı benzer ürünler bulmasına olanak tanır. Cortexica'nın görüntü tanıma teknolojisi % 95'e yakın doğruluk oranı ile çalışmaktadır. Müşterilerin, % 90’ndan gelen olumlu geribildirim Cortexica’nın “benzerini bul” özelliğini onaylamakta. American Eagle'ın müşterilerin sadece aynı veya benzer kıyafetlere ulaşmasına yardımcı olmakla kalmayıp aynı zamanda onlara öneri yapan bir görsel arama sistemi teknolojisi de kullanmakta.

9. Sesli arama

Walmart, Tesco, Kohl’s, Costco ve diğer birçok büyük marka, müşterilere basit ve hızlı sesli arama sağlamak için Google veya Amazon AI teknolojisini kullanıyor. Artık müşteriler, herhangi bir şey yazmadan Alexa'dan istenen öğeyi ve teslimat durumunu sorgulayabiliyor. Aslında, dünya genelinde insanların %27'si mobil cihazlarda sesli arama kullanıyor ve insanların % 52'si rahatlığı için sesli aramaları mobil uygulamaları ve web sitelerine tercih ediyor.

10. Sanal deneme kabinleri

Yapay zekânın perakende uygulamaları arasında bahsetmemiz gereken başka bir harika uygulamada sanal deneme kabinleridir. Sanal deneme kabinleri, müşterilerin zamandan tasarruf etmeleri ve birkaç dakika içinde mükemmel şekilde beden tipleri ile eşleşen mükemmel bir kıyafet bulmaları için harika bir yoldur. Me-Ality'nin sanal bir kiosk'u 20 saniyede beden ölçülerini tarayabilir ve bu taramada vücudunuzun 200.000 noktasını ölçebilir. Levi’s, Gap, Brooks Brothers, Old Navy ve diğer büyük şirketler bu tarayıcıları mağazalarına kurdular ve büyük satış artışları sağladılar.

11. Müşteri memnuniyeti takibi

Yapay zekâ, alışveriş sürecinde müşterilerinizin ruh halini tespit edebilir. Walmart yakın zamanda müşterilerin ruh halini takip eden bir yüz tanıma sistemi tanıttı. Her ödeme şeridine kameralar kuruldu ve müşteri kendisini rahatsız hissederse, bir mağaza temsilcisinin onunla konuşarak sorunu çözmesi sağlandı. Günümüzde ruh hali izleme uygulaması kesinlikle müşterilerle daha güçlü ilişkiler kurmaya yardımcı olacaktır.

12. Müşteri davranış tahmini

Personali ve diğer bazı yapay zekâ platformları, işletme sahiplerinin davranışsal ekonomiden faydalanmalarını ve her müşteriye bireysel bir yaklaşım oluşturmalarını sağlar. Personali, satın alma işlemlerini artırmak için her müşterinin psikolojisini ve duygularını analiz eden bir Akıllı Teşvik platformuna sahiptir. Bu algoritma, önceki alışveriş deneyimleri sırasında müşterinin duygusal tepkilerini ve davranışını işler ve hedef ziyaretçi için en uygun fiyatlandırma tekliflerini bulmaya çalışır.

Kaynak

Veri Bilimi İçin İstatistik

Tue, 24 Mar 2020 01:06:36 GMT

Bir veri bilimcisi olmak istiyorsanız, bazı temel istatistik bilgileri bilmeniz gerekir.

Aşağıdaki tabloda veri biliminde size yol gösterecek istatistik konularını gösterebilirsiniz.

Kaynak

Otomatik Makine Öğrenimi (AutoML) nedir?

Sat, 21 Mar 2020 10:15:44 GMT

Oldukça basit bir şekilde, işletmenizin kaynakları optimize etmesi, işbirliğini teşvik etmesi ve verileri şirket genelinde hızlı ve güvenilir bir şekilde dağıtması ve bu verileri gelir hedeflerini tahmin etmek, planlamak ve elde etmek için seçilen araçların kullanılmasıdır.

Doğru araçlarla, günümüzün ortalama bir iş kullanıcısı Business users, öğrenmek, teorileri test etmek ve kararlar vermek için çeşitli kaynaklardan entegre edilmiş verileri kullanarak veri bilimcisi olabilir. İş kullanıcısı, sonuçları tahmin etmek ve verileri analiz etmek için makine öğrenimi yetenekleri ile tasarlanan sistemleri ve çözümleri kullandıkça ortaya çıkan sonuçta Otomatik Makine Öğrenimidir.

Örneğin, tahmini analiz yapma görevini ele alalım. İş kullanıcıları, en iyi uyumu elde etmek ve analiz etmek istedikleri verilerde en uygun algoritmayı kullandıklarından emin olmak için makine öğrenimi ve destekli tahmin modellemesinden yararlanabilir. İş kullanıcıları, verilerdeki kalıpları keşfetmek, IT ekibine veya veri bilimcilerine bağımlı olmadan bilgi edinmelerine yardımcı olacak öneriler almak için AutoML araçlarından yararlanabilir.

Bu öngörülü modelleme özelliği, kullanımı basitleştirmek için otomatik tavsiye ve önerilerle birleştirilmiştir; böylece işletme kullanıcıları, sezgisel, kullanımı kolay bir ortamda sofistike tahmin algoritmalarıyla çalışabilir ve öngörme, regresyon, kümeleme kullanarak, vaka kullanmak için gelişmiş analitik uygulayabilir. Böylelikle müşteri verilerini değerlendirmek, müşterileri satın alma için hedeflemek, çapraz satış fırsatlarını belirlemek, fiyatlandırma ve promosyon hedeflerini optimize etmek ve müşteri tercihlerini, satın alma davranışlarını analiz etmek ve tahmin etmek için kullanılabilir.

AutoML

AutoML, oldukça basit bir şekilde planlamayı destekleyen ve kullanıcıların ince ayar yapmasına ya da tekrar modelleme yapmasına gerek duymadığı makine öğrenme modellerinin uygulanmasına ve gelişmesine olanak tanıyan otomatik özellik, algoritma seçim ve uygulama sürecidir.

31 Ekim 2018'de yayınlanan 'Artırılmış Analitik Verilerin ve Analizin Geleceği' başlıklı raporda, Gartner stratejik planlama varsayımlarını sıraladı: '2020'ye kadar, artırılmış analitik, yeni analitik ve iş zekasının ,veri bilimi ve makine öğrenimi platformları ayrıca yerleşik analitik baskın itici gücü olacak.

Akıllı Makine Öğrenimi

Makine öğrenimi, iş kullanıcılarının yükünü hafifletmeyi sağlar ayrıca 'akıllı' bir çözümün rehberi olarak iş kullanıcılarına yardımını sunarken makine öğrenmesinin esnekliğine ve karmaşıklığına rağmen, öngörücü analitik yapmak için temel iş bilgilerini ve becerilerini kullanmalarına olanak tanır. Sistem, veri kümesini yorumlar, önemli sütunları seçer, kategorileri, türleri ve diğer parametreleri analiz eder en iyi algoritmayı ve analitik tekniği otomatik olarak uygulamak ve veri bilgileri sağlamak için akıllı makine öğrenimini kullanır.

Makine öğrenme algoritmaları, sistemin verileri anlamasına olanak tanır ve kullanıcının analiz etmek istediği verilere dayanarak korelasyon, sınıflandırma, regresyon, tahmin veya hangi teknikle alakalı olursa olsun uygular. Sonuçlar, verilere en uygun görselleştirme türleri kullanılarak görüntülenir ve yorumlanarak basit doğal bir dilde sunulur. Bu kesintisiz tahminleme süreci, ticari kullanıcıların verileri tahmin veya gelişmiş beceriler olmadan hızlı ve kolay bir şekilde seçmesini, analiz etmesini sağlar.

Geçmişte bu tür gelişmiş analizler tam zamanlı, eğitimli bir veri bilimcisinin gerçekleştirdiği işlerden biriydi. Günümüzde artırılmış veri bilimi ve makine öğrenimi, veri bilimi, tahmine dayalı analitik ve makine öğreniminin kilit yönlerini otomatikleştirmekte ve demokratikleştirmektedir. Gelişmiş analitik modeller kullanarak analistlerin ve veri bilimcilerin veri üretilmesi, yönetilmesi ve işbirliği yapılması ihtiyacını azaltmaktadır. AutoML ve destekli öngörülü modelleme geliştikçe, iş kullanıcıları ve destekledikleri kuruluşlar, artan üretkenlik, gelişmiş bilgi yönetimi ve daha rafine planlama, tahminler ve sonuçlardan faydalanacaktır.

Kaynak

Evden Çalışırken Dijital Güvenliğinizi Nasıl Sağlarsınız?

Sat, 21 Mar 2020 10:08:44 GMT

Covid-19 salgınına karşı önlem amacıyla birçok şirket evden çalışmaya başladı. Evden çalışırken yararlanabileceğiniz teknoloji ve uygulamalar nelerdir? Ev internetinizi güvenli hale nasıl getirebilirsiniz? Bireysel ve kurumsal verilerinizi korumak için neler yapabilirsiniz?

1. VPN (Sanal Özel Ağ)

Şirketiniz evden güvenli şirket ağına bağlanabilmeniz için çoktan VPN teknolojisinden yararlanıyor olabilir. Şirketlerin kullandığı VPN ile bireysel kullanılan VPN programları aslında aynı işi yapmaktadır. Evden şirket ağının sunucusuna bağlanmak için kullanılan tünelleme protokolleri VPN programlarında da VPN sunucusuna bağlanmak için kullanılır. VPN programları IP adresini değiştirir.

VPN programları bireysel kullanımda erişim engellerini aşmak ve kullanılan Wi-Fi ağında güvenlik sağlamak amacıyla kullanılır. Şirketiniz evden çalışmada VPN ile şirket ağına bağlanma imkanı sunmuyorsa ve Wi-Fi ağınızı kullanıyorsanız, VPN ile kullandığınız ağ içinde seyahat eden veri paketlerini şifreleyebilirsiniz.

VPN programları bilgisayarınız ve VPN sunucusu arasındaki veri alışverişini şifreler. Hem kişisel hem de kurumsal veri ve bilgileriniz bu şekilde ağ içinde olan başka kimse tarafından görülemez. İnternet servis sağlayıcısı (İSS), VPN bağlantısı olduğu andan itibaren veri paketi içeriğini göremez ve sadece VPN ile çevrimiçi olduğunuzu görür.

VPN programları ile aynı zamanda IP adresinizi dilediğiniz konum üzerinden sanal olarak değiştirerek sınırsız internet içeriğine erişme imkanı yakalayabilirsiniz.

2. Cihazlarınızın Ekranlarını Kilitleyin

Evden çalışırken aileniz veya ev arkadaşlarınızın kişisel ve kurumsal dosya ve belgelerinizi görmesinden ziyade karıştırmasını da engellemek amacıyla ekranınızı kilitlemeyi unutmayın. Cihazınızın ekranını sadece aile üyelerine karşı değil klavye üstünde dolaşmayı seven hayvan dostlarınızın yanlış kişilere yanlış şeyler göndermesini engellemek adına da kullanabilirsiniz.

3. Çevrimiçi Proje Yönetimi

Evden çalışmaya başladınız ve kurum içi yapılacaklar konusunda düzeni oturtamadığınızı mı düşünüyorsunuz? Çevrimiçi proje yönetim yazılımlarını hem evden çalışırken hem de kurumda çalışırken kullanabilirsiniz.

Asana

Asana çevrimiçi proje yönetim için hem harika bir arayüze sahip olan hem de birçok yazılımın entegre edilebildiği bir proje yönetim aracıdır. Kurum içinde en üst pozisyonlardan en alt pozisyonlarda çalışanlara kadar herkesin görevlerini yıllık, sezonluk, aylık ve günlük olarak belirleyebilir ve şirket için önemli olan dönüm noktalarını bu şekilde belirleyebilirsiniz.

Zoho People

Zoho People’ın hem e-posta hem de HR yazılımlarından yararlanabilirsiniz. Evden çalışırken işe alım yapmanız veya saatleri takip etmeniz veya tatilleri mi ayarlamanız gerekiyor? Zoho HR ile hepsini yapabilir, ödemeleri kaydedebilir, çalışanları kaydedebilir, mülakat tarihlerini oluşturabilir ve adayları bilgilendirebilirsiniz.

Wrike

Wrike da Asana benzeri fakat Asana kadar gelişmiş olmayan bir çevrimiçi proje yönetim aracıdır.

Trello

Trello da Asana benzeri fakat Asana kadar gelişmiş olmayan bir çevrimiçi proje yönetim aracıdır.

4. Toplantı ve Konferanslar

Evden çalışırken e-posta üzerinden halledemeyeceğiniz şirket konularını görüşmek için Skype veya Zoom kullanabilirsiniz.

Skype’ı anlık iletişim için Slack gibi de kullanabilirsiniz. Slack, içinde gruplar oluşturabileceğiniz, toplantılar yapabileceğiniz bir platform ve Skype gibi diyebiliriz. Daha iyi bir bağlantı için Zoom’u toplantılarınızda kullanabilir, toplantıları dilerseniz kaydedebilirsiniz.

Evden çalışma aslında Covid-19 salgınından önce de birçok dijital şirketin gerçekleştirdiği bir uygulama. Popüler VPN şirketlerinden biri olan ExpressVPN, evden çalışırken sosyal ve duygusal olarak istikrarlı durmak adına mümkünse molalarda aile fertleri ile konuşmayı veya arkadaşlar ile bir Zoom toplantı yapılmasını öneriyor.

Evden çalışırken aldığınız e-postalara dikkat edin, şirketten gelmiş gibi gözüken oltalama saldırılarına maruz kalabilirsiniz. Bilgisayarınızda lisanslı bir antivirüs programı kullanın ve her linke tıklamaktan kaçının.

Coronavirus: Pandemi ile Mücadelede Yapay Zekâ Nasıl Kullanılır?

Tue, 17 Mar 2020 05:52:28 GMT

Çin’in yayınladığı raporda Wuhan’da ortaya çıkan ilk coronavirus (COVID-19) vakasından bu yana virüs, en az 100 ülkeye yayıldı. Çin virüsün yayılmasını engellemek için güçlü teknolojilerden yararlanıyor ve özellikle yapay zekâ (AI), veri bilimi gibi teknolojileri pandemiyi takip etmek ve savaşmak için kullanıyor. Alibaba, Baidu, Huawei ve daha birçok teknoloji liderleri şirketler sağlık ile ilgili girişimlerini hızlandırdı. Bu teknolojik girişimler virüs diğer birçok ülkeye yayılmaya devam ettikçe dünyanın dört bir yanındaki klinikler, akademisyenler ve devlet kurumlarıyla entegre bir şekilde çalışarak salgının etkilerini azaltmaya yardımcı olacaktır. İşte yapay zekâ, veri bilimi ve teknolojinin COVID-19 salgınını yönetmek ve savaşmak için kullandığı 10 yol.

Pandemi ile Mücadelede Kullanılabilecek 10 Etkili Yöntem

1. Yapay zekâ ile salgınları tanımlamak, izlemek ve tahmin etmek

Virüsü ne kadar iyi izleyebilirsek, o kadar iyi mücadele edebiliriz. Yapay zekâ, haber raporlarını, sosyal medya platformlarını ve hükûmet belgelerini analiz ederek salgını tespit etmeyi öğrenebilir. Kanada'da BlueDot yapay zekâ kullanarak bulaşıcı hastalık risklerini takip ettiği bir sistem geliştirdi. Aslına bakarsak, BlueDot’un geliştirdiği yapay zekâ, Hastalık Kontrol ve Önleme Merkezleri ve Dünya Sağlık Örgütü'nün (WHO) uyarılarından birkaç gün önce pandemi tehdidi uyarısında bulunmuştu.

2. Yapay zekâ virüs teşhislerine yardımcı oluyor

Yapay zekâ şirketi Infervision, ilk etapta sağlık çalışanlarının hastalığı etkili bir şekilde tespit etmesine ve izlemesine yardımcı olan bir coronavirus yapay zekâ çözümü devreye soktu. Sağlık kuruluşlarındaki virüs izleme departmanları, virüsün yarattığı artan iş yükü ile mücadele etmektedir ve bulunan yapay zekâ çözümleri tanı hızını arttırarak yoğunluk yaşayan departmanların yükünü hafifletmiştir. Çin’in en büyük e-ticaret devi Alibaba’da saniyeler içinde virüsü teşhis etmede% 96 oranında doğru olduğunu iddia ettiği yapay zekâ destekli bir teşhis sistemi ürettiğini duyurdu.

3. Sağlık hizmeti taleplerini işleme

Yoğunluk sadece sağlık sistemlerinin klinik operasyonlarında değil, aynı zamanda hastaların kayıt işleri ile uğraşan idari bölümlerde de mevcut. Ant Financial tarafından sunulan bir blockchain platformu, hak taleplerinin işlenmesini hızlandırmaya yardımcı olmak ve hastalar ile hastane personeli arasındaki yüz yüze etkileşim miktarını azaltmak için kullanılmaktadır.

4. Tıbbi malzeme taşıyan dronelar

Hastalık salgını sırasında insanları bir yerden bir yere transfer etmeden gereken tıbbi malzeme almanın en güvenli ve en hızlı yollarından biri drone teslimatıdır. Terra Drone insansız hava araçlarını, Xinchang County hastalık kontrol merkezi ve Halk Hastanesi arasında minimum riskle tıbbi örnekler ve karantina malzemesi taşımak için kullanıyor. Dronelar ayrıca kamusal alanlarda devriye gezmek, karantina yetkilerine uyulmamasını izlemek ve termal görüntüleme için de kullanılmakta.

5. Salgında robotların kullanımı; sterilize eder, yiyecek ve malzeme sağlar, diğer görevleri yerine getirir

Robotlar virüse karşı insanlar gibi hassas değildir, bu nedenle insandan insana temas miktarını azaltmak için temizlik ve sterilize etme ya da gıda ve ilaç verme gibi birçok görevi yerine getirmek için kullanılabilmektedir. Blue Ocean Robotics'in UVD robotları, bakteri ve virüsleri öldürmek için ultraviyole ışık kullanıyor. Çin'de, Pudu Technology cateringde kullanılan robotlarını ülke çapında 40'tan fazla hastaneye yerleştirdi.

6. Yapay zekâ ile ilaç geliştirmek

Google’ın DeepMind ekibi virüsü oluşturabilecek proteinleri anlamak için en yeni yapay zekâ algoritmalarını ve bilgi işlem gücünü kullanarak diğer şirketlerin tedavileri geliştirmesine yardımcı olacak bulguları yayınladı. BenevolentAI, yapay zekâ sistemlerini dünyanın en zorlu hastalıklarıyla savaşabilecek ilaçlar oluşturmak için kullanıyor ve şirket ilk kez bir ürününü bulaşıcı hastalıklara odakladı bu gibi çabalar coronavirus tedavisini desteklemeye yardımcı olmakta. BenevolentAI devam eden çalışmaları ile salgından sonraki haftalarda yararlı olabilecek mevcut ilaçları önermek için öngörücü yetenekleri genişleten sistemler üzerinde çalışıyor.

7. Gelişmiş kumaşlar hayat kurtarabilir

Bir İsrail şirketi olan Sonovia gibi şirketler, sağlık personelini ve diğer destek çalışanlarını metal oksit nanoparçacıkların dayanan anti-patojen, antibakteriyel kumaşlardan yapılmış yüz maskeleriyle donatmayı planlıyor.

8. Enfekte bireyleri tanımlamak için yapay zekâ

Yapay zekâ kesinlikle tartışmalı bir teknoloji kullanımı olsa da virüsün yayılmasının önüne geçmek için kritik hamleler içeriyor. Çin SenseTime'ın gelişmiş gözetim sistemi, ateşi olan ve virüs bulaşmış olma olasılığı yüksek olan kişileri tanımlamak için yüz tanıma teknolojisini ve sıcaklık algılama yazılımını kullandı. Benzer bir teknoloji olan ve Sichuan eyaletindeki yetkililer tarafından ateşli insanları tanımlamak için kullanılan "akıllı kasklar"da salgının durdurulması için hayati değer taşıyor. Çin Hükûmeti ayrıca, seyahat geçmişine, virüsün yayıldığı sıcak noktalarda ne kadar zaman geçirdiklerine ve virüsü taşıyan kişilere maruz kalmaya bağlı olarak her bireyin riskini tanımlamak ve değerlendirmek için büyük veri kullanan Sağlık Kodu adlı bir izleme sistemi geliştirdi. Wechat ve Alipay gibi uygulamalar vatandaşları karantina hakkında bilgilendirmek ve hızlı haber sağlamak için erişebilecekleri renk kodlarını belirledi.

9. Bilgi paylaşmak için Chatbotlar

Tencent, Çin’de çok fazla kullanıcısı olan WeChat ile insanların ücretsiz çevrimiçi sağlık danışmanlığı hizmetlerine erişmesini sağladı. Salgın sırasında chatbotlar, seyahat ve turizm alanındaki servis sağlayıcıları için en son seyahat prosedürleri ve aksaklıkları hakkında yolcuları güncel bilgileri sunan en iyi aracılar olmuştur.

10. Coronavirus aşısı üzerinde çalışan süper bilgisayarlar

Araştırmacılar; Tencent, DiDi ve Huawei gibi birçok büyük teknoloji şirketinin bulut tabanlı bilgi işlem kaynaklarını ve süper bilgisayarlarını, virüs için bir tedavi veya aşının gelişimini hızlı bir şekilde izlemek için kullanıyor. Çünki, bahsedilen sistemlerin hesaplamaları ve model çözümlerini çalıştırabilme hızı standart bilgisayar işlemeden çok daha hızlıdır.

COVID-19 gibi küresel bir pandemide, teknoloji, yapay zekâ ve veri bilimi, toplumların salgını etkili bir şekilde ele almalarına yardımcı olmak için kritik noktalar haline gelmiştir.

Kaynak

Üretim Yürütme Sistemlerinde Güvenlik

Tue, 17 Mar 2020 05:18:29 GMT

Üretim Yürütme Sistemleri (MES) ve Üretim operasyonları üzerine son araştırmalarda, monolitik MES çözümlerinden, Endüstriyel Nesnelerin İnterneti (IIoT) platformlarına dayanan dağıtılmış sistemlere geçmenin yollarını inceleyeceğiz.

LNS Araştırma’nın IIoT platformunun hakkında tanımı; IIoT bulut bağlantılı büyük veri analitiği ve uygulama geliştirme yeteneğini içerir. Bir çok kişi tarafından gelen neden “güvenlik cloud tanımının temel ilkesi değil” sorusunun yanıtlarını aşağıdaki yazımızda görebilirsiniz. Fakat önce tesislerdeki mevcut güvenlik durumunu inceleyelim.

Eski Sistemlerin Güvenlik Açığı Problemleri

Son yıllarda gerçekleştirilen küresel güvenlik saldırıları, akıllı ev cihazlarından global alan adı sunucularına (DNS) kadar her türlü sistemi kapsamaktadır. Bilgisayar korsanları için ise en kolay güvenlik açığı artık Microsoft tarafından tamamen korunmayan eski Windows sistemleridir ve bu bizi hemen MES'e ve Windows üzerinde çalışan diğer endüstriyel sistemlerin güvenliği konusunda düşünmeye sevk eder. Bu sistemler genellikle bir fabrikada belirli bir rol için geliştirilir, tamamlandığında ve çalışmaya bırakıldığında genellikle yıllar veya on yıllar boyunca değiştirilmeden çalışır; sessizce işlerini çok az veya hiç bakım gerektirmeden yaparlar.

Bakım gerektirmeden çalışan bir çok sistem eski bir sürüm kullanmakta Windows XP hatta Windows 3.1 kullananlar bile mevcut. Bir çok kullanıcı güvenlik sorunu olduğunu biliyor ve genellikle güvenlik duvarlarının arkasındaki savunmasız sistemleri gizlemeye çalışıyor. Fakat güvenlik duvarları maalesef ki hackerları engelleyecek bir sisteme sahip değil.

Eski sistemleri korumak için yeni bir güvenlik sistemi kurmak eski sistemleri korumak için bir yol olabilir. Eğer yeni kurulan bir güvenlik sistemine hackerların saldırısı söz konusu olursa yine eski sistem savunmasız olacaktır. Bu çok kritik sistemler için ilginç bir yaklaşımdır fakat sistemleri yenileme güvenlik açısından daha iyi bir orta vadeli strateji olabilir. Şirketler çoğunlukla eski sistemleri kullanmaktadır çünkü bu sistemleri değiştirmenin çok zor ya da pahalı olduğunu düşünmektedirler. Haksız da değiller sistemleri değiştirmek zaman zaman yüksek maliyetlere sebep olmakta fakat uzun süreli güvenlik koruması için değişim süreci göze alınmalıdır.

MES ve IIOT: Ücretsiz Güvenlik Mümkün mü?

Başlangıçta da belirttiğimiz gibi, IIoT platformlarının dahili güvenlik sistemi içermesi kullanıcılar tarafından beklenir, fakat IIoT platformunun üst düzeyde bir güvenlik yapısı henüz yoktur. IIoT’ye yakından bakıldığında bir çok güvenlik sistemi kullanılabilir fakat yine de güvenlik açısından tam olarak sağlam bir sistem henüz kullanılabilir değil.

IIoT ve IoT'nin her bileşeninin güvenlik altyapısının geri kalanıyla bütünleşik ve entegre bir güvenlik sistemi kullanması gerekiyor. Örneğin, birçok şirket tesis ekipmanını kontrol hiyerarşisinden geçmeden IIoT veri havuzuna bağlamak için düşük maliyetli cihazlar sunuyor. İnternete bağlı bu cihazlar, intranete ve internete her bağlantıda yerleşik güvenlik sistemi uygulamak gereklidir.

Ekip Çalışması

Tam bir güvenlik stratejisi sağlamak için tesis içerisinde bütünleşik bir yaklaşım gereklidir. Şirketlerde bulunan IT departmanlarına büyük görev düşmekte. Üretim operasyonları çalışanları ve IT ekipleri bir arada çalışarak güvenlik katmanlarının üst düzey koruma sağladığı sistemlere geçiş yapılabilir eski sistemleri yükseltebilirler. Eski sistemlerin güvenliğini sağlamak için ekip çalışması zorunludur.

Üretim şirketleri operasyonel mimarilerini ve MES işlevselliğinin uygulamalarını düşünürken, güvenlik sistemlerini de hesaba katmalıdır. Kullanılan bulut teknolojisine birçok cihazın bağlanması potansiyel güvenlik problemi yaratacaktır. Maksimum düzeyde yapılacak birçok bakım ve güvenlik uygulamalarına üretim yürütme sistemlerinde ihtiyaç vardır.

Kaynak

Nicel İstatistikler Nelerdir?

Tue, 17 Mar 2020 04:45:52 GMT

Veriler, nicel ve nitel olmak üzere iki ana bölüme ayrılmıştır. Nicel (kantitatif) istatistikler, verileri sadece ayrık, ölçülebilir değerler cinsinden tanımlar. Nitel (kalitatif) istatistikler ise, verileri özellikler veya karakterler açısından tanımlar, ancak sayılarla ifade etmez. Kantitatif istatistikler nominal, sıra, aralık veya oranlar olabilir. Ayrıca, niceliksel istatistikler ayrık veya sürekli olarak tanımlanabilir. Nicel sürekli verilere bir örnek vermek gerekirse, bir dizi sayıdaki her değerin herhangi bir gerçek sayıyı alabileceği bir ağırlık kümesidir.

Nicel İstatistikler nasıl çalışır?

Nicel İstatistikler, nesneleri veya durumları tanımlamak için sayısal veriler kullanarak çalışır. Yukarıdaki paragrafta belirtildiği gibi, bir otoparktaki araç sayısı gibi niceliksel istatistikler nominal olabilir. Nicel, birinci ve ikinci sıra gibi sıra değişkenleri tanımlamak için de kullanılabilir. Kantitatif aralıklara örnek vermek gerekirse, sıcaklıktaki artışların doğrusal olmadığını göz önünde bulundurarak sıcaklık aralığı gibi istatistiklerle de tanımlama yapılabilir. Yani 100 derece, 50 derecenin iki katı kadar sıcak değildir. Son olarak oran, nicel istatistiklerin bir biçimidir, burada veriler sadece düzenli izlenebilir. Oran seviyesindeki verilerin sıfır değeri veya başlangıç noktası, örneğin Kelvin'deki sıcaklık gibi en düşük noktası "mutlak sıfır" olarak tanımlanır.

Nicel İstatistiklere Örnekler

Sayısal ölçüm olarak açıklanan tüm istatistikler. Örnek vermek gerekirse;

Bir şehir veya eyalette geçirilen yıl sayısı.
Belirli bir günde bir havaalanından taşınan bavulların ağırlığı.
Bir kasabadaki evlerin değerleri.
Bir grup gencin boyları.
İlkokulda cep telefonu olan öğrencilerin yüzdesi.

Kaynak

Veri Bilimi ve İstatistik İçin En İyi Yazılım Dilleri

Fri, 13 Mar 2020 04:55:03 GMT

Veri Bilimi ve İstatistik için En İyi Yazılım Diller

Veri bilimi ve istatistik pazarında yüzlerce programlama dili vardır; Python, R, SAS ve SQL öne çıkmaktadır. Yeteneklerinize yeni bir programlama dili eklemek istiyorsanız hangi dili öğrenmelisiniz? Tek bir görselle dört dil arasındaki farkları sizler için açıkladık;

Kaynak

Denetimli Öğrenme, Denetimsiz Öğrenme ve Yarı Denetimli Öğrenme

Fri, 13 Mar 2020 03:55:03 GMT

Denetimli Öğrenme, Denetimsiz Öğrenme ve Yarı Denetimli Öğrenme

Makine öğrenimi algoritmaları üç şekildedir: Denetimli, denetimsiz ve yarı denetimli. Aşağıdaki görselde üç tip arasındaki farkları görebilirsiniz;

Kaynak

İş Zekâsı Analizi

Fri, 13 Mar 2020 03:55:03 GMT

İş Zekası Analizi

İş zekâsı, iş operasyonları ve faaliyet verilerini toplamak, depolamak ve analiz etmek için çeşitli yolları kapsayan bir şemsiye terimdir. Görselde iş zekâsı alanını oluşturan farklı süreçleri ve yöntemleri görebilirsiniz.

Kaynak

İstatistikler, Makine Öğrenimi ve İstatistiksel Öğrenme

Fri, 13 Mar 2020 03:55:03 GMT

İstatistikler, Makine Öğrenimi ve İstatistiksel Öğrenme

İstatistikler, Makine Öğrenimi ve İstatistiksel Öğrenme, birbiriyle bazı noktalarda benzeşen üç farklı alandır. Benzerlik gösterseler de kendi alanlarında farklı terimlerdir.

Kaynak

Kestirimci Analitik, Kuralcı Analitik ve Keşif Analitiği

Fri, 13 Mar 2020 03:40:16 GMT

Kestirimci Analitik, Kuralcı Analitik ve Keşif Analitiği Tek Görselde Anlatım

Kestirimci analitik, kuralcı analitik ve oldukça yeni olan keşif analitiği, işletmelerin yönetim kararlarını alınmasını destekleyebilir. Her ne kadar üç araç da analitik temeli oluşturmaları bakımından çok benzer olsa da, destekledikleri karar türleri oldukça farklıdır. Aşağıdaki görselle üç yöntem arasındaki farkları açıklamaktadır.

Kaynak

Bankacılıkta Makine Öğrenimi – İmkanlar, Riskler, Kullanım Alanları

Mon, 09 Mar 2020 05:34:24 GMT

Rakipleri arasından sıyrılabilmek için bankalar, diğer finansal kurumlar gibi, teknolojik gelişmeleri yakından takip etmek zorundalar. Neyse ki, Yapay Zekâ ve Makine Öğrenimi bunu başarmalarına yardım etmek için burada. Veri işlemeyi geliştirmek, daha iyi stratejileri ve dolandırıcılığa karşı daha güçlü mücadeleyi de beraberinde getirecek.

Bankacılık İstatistiklerinde Yapay Zekâ

Araştırma şirketi Autonomous Next’in tahminlerine göre, dünyanın çeşitli yerlerindeki bankalar, 2030’a gelindiğinde yapay zekâ teknolojilerini kullanarak giderlerini %22 kadar azaltacak. Tasarruf 1 trilyon dolara ulaşabilir.
AI sistemleri yaratma becerisine sahip profesyonellerin %60’ı finans şirketleri için çalışıyor.
Kredi kartı dolandırıcılıklarıyla mücadele etmek için bankacılık sektöründe yüz tanıma teknolojilerinin kullanılması bekleniyor. Yüz tanıma teknolojisi yıllık gelir artış oranını 2020’de %20’den fazla artırmış olacak.

Yapay Zekâ Bankacılıkta Nasıl Kullanılır

Bankaların müşterilerinden, yatırımcılarından, ortaklarından ve girişimcilerinden aldığı veriler dinamiktir ve analiz edilmeleri için hangi parametrelerin kullanıldığına bağlı olarak farklı amaçlar için kullanılabilir. Basitçe, bankacılık için AI kapsamı dört geniş gruba ayrılabilir:

Müşteri Hizmetlerini Geliştirmek

Bankalar ve diğer finansal kurumlar bir kullanıcı ve davranışları hakkındaki her şeyi bir ağ üzerinden öğrenme fırsatını elde ettiklerinde, aynı anda müşteri hizmetlerini de mümkün olduğu kadar geliştirme fırsatını yakaladılar.

Sohbet Botları

Örneğin, bir kullanıcı bir web sitesi ya da uygulamada sıkıntı yaşıyorsa, sohbet botları ona izlemesi gereken adımlarda yol gösterirken aynı zamanda bankanın destek ekibinin de iş yükünü azaltıyor. Ek olarak, modern sohbet botları, kartları bloke etme ya da blokeyi kaldırmanın yanı sıra kullanıcıya hesabındaki para çekme limiti aşıldığında —ya da tersine, hesap bakiyesi normalinden fazlaysa, bildirim göndermek gibi basit işlemleri de gerçekleştirebiliyor.

Kişiye Özel Teklifler

Kullanıcı davranışları hakkında çeşitli bilgilere sahip olmak, finans şirketlerinin o anda ne istediklerini ve dahası neyi arzuladıklarını ve ne kadarını ödeyebileceklerini de öğrenebiliyor. Yani, mesela, bir müşteri araba satıcılarının reklamlarına bakıyorsa, o zaman ona özel bir kredi teklifi göndermek gayet mantıklı —tabii ödeme gücünü ve tüm olası riskleri analiz ettikten sonra.

Müşteri Tutundurma

Bankacılıkta büyük veriyle çalışan modern AI sistemleri sadece analiz değil, varsayım da yapıyor. Örneğin, birçok durumda, eğer bir müşteri bankacılık organizasyonunun hizmetlerini reddetmek istiyorsa, onun niyetlerini tahmin etmek mümkün. Bu niyetin bilgisi, ekstra elde tutma önlemleri alınması, daha da nokta atışı ve kişiselleştirilmiş teklifler sunulması ve sonuç olarak müşteri hizmetlerinin geliştirilmesi gerektiğinin sinyalini veriyor.

Güvenli Bankacılık İşlemleri için Makine Öğrenimi

Makine öğreniminin finansal sektörde dolandırıcılığı önlemek bağlamında en temel avantajı, sistemlerin mütemadiyen öğreniyor olması. Diğer bir deyişle, aynı numara ikinci kez çalışmayacak. Bu, bankacılık endüstrisindeki kredi kartı dolandırıcılığı açısından harika bir şey.

Yapay Zekâ Bankacılığı Nasıl Güvenli Hale Getirir

Çoğu bankacılık işlemi, kullanıcı internetten ya da dükkanlardan yaptığı alışverişi öderken gerçekleşiyor. Bu da demek oluyor ki, çoğu dolandırıcılık işlemi de bir şeyler satın alma vesilesiyle gerçekleşiyor. AI bankacılık bunun olmasını engelliyor. Mesela:

Yüz tanıması olan kameralar, fiziki bir satış noktasından alışveriş yaparken bir kredi kartının yasal sahibinin elinde olup olmadığını saptayabilir.
Finansal bir işlemin gerçekleştiği şüpheli IP adreslerini takip etmek, indirim kuponları sahtekarlığını engelleyebilir ve dolandırıcılık niyetinde olanları tanıyabilir. Örneğin, yerine sahtesini iade etmek için ürün satın alan biri.

Pazar Araştırması ve Tahmin

Makine öğrenimi, büyük veriyle bir araya gelince, yalnızca bilgi toplamakla kalmıyor, spesifik örüntüleri de buluyor. Örneğin, kur dalgalanmalarını öngörmek, yatırım için en karlı fikre karar vermek, kredi risklerini derecelendirmek (ve aynı zamanda en düşük risk ile spesifik kullanıcı için en uygun olan kredi arasındaki orta yolu bulmak), rakipleri öğrenmek ve güvenlik açıklarını tespit etmek.

Maliyet Düşürme

Makine Öğrenimi, finansal kurumların işlemlerdeki zayıflıkları tespit etmesine ve tam zamanlı çalışanların işlerini daha verimli bir şekilde organize etmesine olanak tanır. Bunun en basit örneği, müşterilere basit ve standart konularda başarılı bir şekilde yol gösteren sohbet botlarıdır. Hem sohbet botları hizmetleri karşılığı ücret de talep etmez! Makine öğrenimi ile çalışmanın şirketlerin maliyetini düşürmesinin yanı sıra, gelişmiş müşteri hizmetleri sayesinde karı artırmaya yardımcı olması da gayet mantıklıdır.

Amerikan Bankalarında Makine Öğrenimi Kullanım Senaryoları

Biraz da öncü Amerikan bankalarında makine öğreniminin nasıl kullanıldığının örneklerine bakalım.

JP Morgan Chase

Amerika Birleşik Devletleri’ndeki bu öncü banka Contract Intelligence (COiN) denen bir akıllı sözleşme sistemi geliştirdi. Veriye ve makine öğrenimine dayalı algoritma, hızlıca gerekli belgeleri ve bu belgelerin içerdikleri önemli bilgileri bulabilmeyi sağlıyor. An itibariyle, banka 12.000’den fazla kredi sözleşmesiyle çalışıyor ve onları manuel analiz etmek uzun yıllar alırdı. Şimdi Chase, bu veriyi uygulamanın farklı yollarını arıyor —örneğin, sistemi örüntüleri arayıp onlara dayalı tahminler yapacağı şekilde eğitmek.

Bank of America

Bu bankanın sohbet botu gerçek bir finans danışmanı ve stratejisti. Sistem, kullanıcı verisini analiz ediyor ve eğer müşteri azıcık bile farklı alışveriş alışkanlıkları gösterse onu uyarıp ödemesi gereken faturaları hatırlatıyor. Bank of America’nın sohbet botu aynı zamanda banka kartlarıyla bloke etme ve bloke kaldırma gibi basit işlemleri de nasıl yapacağını biliyor.

Wells Fargo

Bu banka, siteyle olan etkileşimi basit ve pratik bir prosedüre çevirmek için bir akıllı sohbet botu geliştirdi. Wells Fargo bankası, müşterilerini olağandışı durumlar konusunda uyarabilen Predictive Banking analitik sistemini geliştirdi; örneğin, müşteri, çeklerinin ortalama tutarından fazlasını harcadıysa. Sistem aynı zamanda, eğer müşteri normalde hesabında tuttuğundan daha yüksek tutarda bir para transferi aldıysa belli bir kısmını mevduata yatırmayı önerebilir.

Citibank

Citibank, kullanıcı hareketlerinde anormalliklerin takibini yaparak dolandırıcılığı önleyen güçlü bir sistem geliştirdi. Sistem bilhassa internet alışverişlerindeki kredi kartı dolandırıcılığını saptamak için özelleştirilmiş.

US Bank

Bu banka, müşterilerinin hesaplarının yanı sıra uçak bileti rezervasyonları ve yurtdışı konaklamalarını da yönetebileceği bir uygulama olan Expense Wizard’ı geliştirdi. Bu uygulama, diğer ülkelerde yapılan güvenli harcamalara odaklanıyor. Bu, kurumsal kredi kartı olmadan iş seyahatlerine gidenler için gayet makul bir uygulama çünkü kullanıcının seyahatle ilgili tüm finansal veriyi tek bir yerde toplamasına izin veriyor ve şirketin finans departmanı için rapor oluşturuyor.

Makine Öğrenimini Bankacılığa Uyarlamanın Riskleri Var Mı?

Tabii ki, Yapay Zekâ teknolojisi bankacılık sektöründe devrim yaratabilir. Lakin, bir takım riskler de mevcut —ama çoğu teknolojilerin yeni oluşu ve kullanıcıların bunların nasıl çalıştığını tam olarak anlayamayışından kaynaklanıyor.

İşten Çıkarma

Bu uygulama kapsamı ne olursa olsun, AI ve makine öğrenimine dair en yaygın risklerden ve korkulardan biri. Gelgelelim, modern araştırmalar bankacılık sektöründeki Yapay Zekânın, tükenecek mesleklere kıyasla çok daha fazla sayıda iş imkanı sağlayacağını öngörüyor. Ayrıca, bu makalenin başında bahsettiğimiz araştırmayı hatırlıyor musunuz? AI uzmanlarının yüzde altmışı finans kurumları tarafından işe alınıyor. Bu bile başlı başına toplu bir çöküş yaşamayacağımızı söylemek için yeterli bir sebep.

Daha Az İnsan Etkileşimi Sonucu Daha Az Güven

Bir de kullanıcıların, insan danışmanlarla çalışmak için daha az fırsatı olacağından dolayı finans kurumlarına daha az güven duyacağına dair bir görüş var. Bu doğru ama sadece kısmen. Büyük ihtimalle bu trendi gözlemleyeceğiz ama sadece hali hazırda teknolojiye inanmaya pek de meyilli olmayan, önceki jenerasyonlarda doğmuş insanlarda. Ama söz konusu kolaylık ve emniyet için daha fazlasını ödemeye istekli y kuşağı olduğunda, herhangi bir işlemi daha az tıklamayla halledebilme fırsatı için memnuniyet duyacaklarını söyleyebiliriz.

Etik Riskler

Etik riskler, finans şirketlerinin topladığı, depoladığı, sistematize ettiği, analiz ettiği ve kendi yararına (ve aslında müşterinin de yararına) kullandığı veri miktarının git gide büyümesiyle ilgilidir. Bazı müşteriler bu gidişattan hoşnut değiller ama şu an kişisel veri izi bırakmadan herhangi bir eylemde bulunmak imkansız. Dolandırıcılar daha şimdiden AI sistemlerini kandırmanın gittikçe zorlaştığının farkında oldukları için çoğunlukla bu gerçekten hoşlanmıyorlar. Aynı zamanda bu kullanıcı deneyimi ve güvenlik seviyesinde de net bir artış sağlıyor.

Yanlış-Pozitif Sonuç Riski

Makine öğrenimi sistemleri ve AI, kullanıcı davranışlarındaki örüntüleri izliyor ve onları her bir kullanıcıya istinaden kabul edilen model versiyonlarıyla kıyaslıyor. Yani, mesela, eğer bir kullanıcı yurtdışında bir işlem gerçekleştirmişse ama bankayı seyahati konusunda bilgilendirmemişse (ya da banka herhangi bir sebepten bu bilgiye sahip olamamışsa; örneğin, kullanıcı uçak biletlerini kredi kartıyla almamış da hediye gelmiş), o zaman bu işlem dolandırıcılık olarak yorumlanabilir. Ama aslında her şey yasaldır —yalnızca küçük bir bilgi eksikliği yanlış-pozitif sonuca götürmüştür.

Finansal Hizmetiniz için Makine Öğrenimi Çözümleri Geliştirmek adına En İyi Ortağı Nasıl Seçersiniz?

Finans kurumları, iş süreçlerine AI’ı katarken hedeflerini net bir şekilde belirlemeliler —çünkü sadece veriyi analiz etmek nihai bir hedef değildir; AI, spesifik bir amacı gerçekleştirme yoludur. O yüzden, bir banka ya da finansal şirket için bir AI ya da makine öğrenimi çözümü geliştirirken, bu görevi emanet ettiğiniz şirketin işinizin inceliklerini anladığından ve bu yazılımın hangi görevleri tamamlaması gerektiğini bildiğinden emin olmanız lazım.

Buna ek olarak, potansiyel bir AI bayisi seçerken o şirketin özel olarak finans sektörü için çalışma deneyimi olduğundan emin olun. Neden? Çünkü güvenlik gereklilikleri diğer bütün alanlardan daha yüksek, belki sağlık hizmetleri hariç.

Sonuç

Finans sektöründe Yapay Zekâ ve Makine Öğrenimi bu kurumları daha karlı hale getirebilir ve müşteri güvenini artırır. Yine de bunun olabilmesi için AI çözümünüzün işinin ehli uzmanlar tarafından geliştirilmesi gerekir.

Kaynak

Microsoft Bilgisayar Bilimcileri ve Araştırmacıları Kanseri Çözmek için Çalışıyor

Mon, 09 Mar 2020 01:47:30 GMT

Microsoft’un dünya çapındaki araştırma laboratuvarlarında, bilgisayar bilimcileri, programcılar, mühendisler ve diğer uzmanlar, bilgisayar endüstrisinin sistem tasarımı ve güvenliğinden kuantum hesaplamadan veri görselleştirmesine kadar zorlu konuları çözmeye çalışıyor.

Bu bilim insanlarının, mühendislerin ve programcıların insanlara fayda sağlamak için bir amacı daha var; İnsanların karşılaştığı en karmaşık ve ölümcül zorluklardan birini çözerken bilgisayar biliminden yararlanmak: yani kansere çare bulmak. Çözümü deneylerle değil çoğunlukla algoritmalar ve bilgisayarlar ile arıyorlar.

Araştırma ekibi, mevcut tüm araştırma verilerini sıralamak için klasik bir yol kullanarak dünyanın önde gelen onkologlarının hastaları için en etkili, bireyselleştirilmiş kanser tedavisi çözümlerini anlamak ve uygulamak için makine öğrenimi ve doğal dil işleme kullanıyor.

Başka bir araştırma ekibi ise, radyologlara hastalarının tümörlerinin nasıl ilerlediğini daha ayrıntılı bir şekilde anlaması için makine öğrenmesinin vizyonunu aşılıyor.

Yine başka bir araştırmacı grubu, bilim adamlarının kanserlerin nasıl geliştiğini ve onlarla savaşmak için en iyi tedavilerin ne işe yarayacağını anlamasına yardımcı olan güçlü algoritmalar oluşturmakta.

Başka bir ekip ise kanserle en başından savaşmak için hücrelerin programlama üzerinde çalışmalarına devam ediyor. Tüm araştırma ekipleri çalışmalarında, algoritmalar, makine öğrenmesi hatta yapay zekâdan faydalanıyor.

Kaynak

Yeni Başlayanlar için Makine Öğrenimi Modelleri Nasıl Yapılır?

Fri, 06 Mar 2020 05:41:33 GMT

Giriş

Veri bilimi 21. Yüzyılın en gözde konularından biri, çünkü gerçekte işleyebileceğimizden çok daha yüksek katsayılarda veri üretiyoruz. Birçok ticari ve teknolojik işletme artık veri biliminin faydalarından yararlanarak temel avantajlarını artırıyor. Bu sebeple, veri bilimi şu sıralar gerçekten de patlıyor.

Bu yazıda, makine öğrenimi dünyasının derinliklerine dalacağız. Makine öğreniminin temellerinde bir gezintiye çıkacak, bir makine öğrenimi modeli kurmanın sürecine bakacağız. Aynı zamanda anlama sürecini kolaylaştırmak adına python’da rastgele orman (random forest) modeli oluşturacağız.

Makine Öğrenimi Nedir?

Makine öğrenimi, bilgisayarların insanlar gibi öğrenmesini ve davranmasını sağlayan, onları gözlem ve gerçek dünya etkileşimleri formundaki veriyle ve bilgiyle besleyerek otonom bir şekilde zaman içinde öğrenmelerini geliştiren bir bilimdir.

Birçok farklı tipte makine öğrenimi algoritması vardır, her gün binlercesi yayınlanır ve genelde ya öğrenme biçimlerine göre (gözetimli öğrenme, gözetimsiz öğreme, yarı-gözetimli öğrenme) ya da yapılarındaki veya işlevlerindeki benzerliklere göre (sınıflandırma, regresyon, karar ağacı, kümeleme, derin öğrenme vs.) gruplandırılırlar. Öğrenme biçiminden ya da işlevinden bağımsız olarak, tüm makine öğrenimi algoritması kombinasyonları şunları içerir:

Temsil (bir sınıflandırıcılar kümesi ya da bir bilgisayarın anladığı dil)
Değerlendirme (amaç/skor fonksiyonu olarak da bilinir)
Optimizasyon (arama yöntemi; genelde en yüksek skorlu sınıflandırıcı, örneğin; ikisi de kullanıma hazır ve özel yapım optimizasyon yöntemleri kullanılmış)

Makine Öğrenimi Modeli Oluşturma Adımları

İşte bir hastanenin hem hasta akıbetini hem de yatırım getirisini iyileştirmek için makine öğrenimini nasıl kullanabileceğinin adım adım örneği:

1.Proje Hedeflerini Tanımla

Yaşam döngüsünün ilk adımı işlemleri somut bir şekilde geliştirecek, müşteri memnuniyetini artıracak ya da başka şekilde bir değer yaratacak bir fırsatı tanımlamak. Tıp endüstrisinde, taburcu edilen hastalar bazen hastaneye dönmelerini gerektirecek durumlarla karşılaşabiliyorlar. Hasta için tehlikeli ve uğraştırıcı olmasının yanı sıra, bu yeniden yatışlar hastanenin de hastaları ikinci kez tedavi ederken fazladan zaman ve kaynak harcayacağı anlamına geliyor.

2. Veriyi Edin ve Keşfet

Bir sonraki adım, makine öğreniminde kullanılacak tüm ilgili veriyi toplamak ve hazırlamak. Yani, tıp alanı uzmanlarına danışıp yeniden yatış oranlarını tahmin etmede hangi verilerin işe yarayacağını öğrenmek, geçmiş hasta kayıtlarından verileri toplamak ve bunu analize uygun bir formata dönüştürmek, büyük ihtimalle .csv gibi bir düz dosya formatı gerekecek.

3. Veriyi Modelle

Makine öğrenimi yoluyla elindeki verilerden bir fikir edinebilmek için hedef değişkenine karar vermelisin, hakkında daha derin bir bilgiye vakıf olmaya çalıştığın etmene. Bu durumda, hastane “yeniden yatmış”ı seçecek ki o da veri toplama sırasında geçmiş veri kümelerine dahil edilmiş bir etiket. Sonra, geçmiş veri örnekleri üzerinden öğrenen modeller inşa eden veri kümeleri üzerinde makine öğrenimi algoritmalarını çalıştıracaklar. Son olarak, hastane, yeni hastaların yeniden yatıp yatmayacağını öngörmek için eğitilmemiş veriler üzerinde eğitimli modelleri çalıştırır ve daha iyi hasta bakımı kararları vermesini sağlar.

4. Yorumla ve Anlat

Makine öğrenimi projelerinin en zor görevlerinden biri, bir modelin sonuçlarını herhangi bir veri bilimi geçmişi olmayanlara açıklayabilmektir, özellikle de sağlık hizmetleri gibi çok kurallı endüstrilerde. Geleneksel olarak, makine öğrenimi bir “kara kutu” olarak görülür çünkü taraflara ve düzenleyici makamlara ondan edinilen fikirleri yorumlamak ve değerini anlatabilmek çok zordur. Modeliniz ne kadar yorumlanabilir olursa, düzenleyici gereklilikleri karşılamak ve değerini yönetime ve diğer paydaşlara açıklamak da o kadar kolay olacaktır.

5. Uygula, Belgele ve Sürdür

Son adım ise veri bilimi projesini uygulamak, belgelemek ve sürdürmek ki hastane de modellerini geliştirmeye devam edebilsin. Model dağıtımı sıklıkla problem teşkil eder çünkü hem kodlama ve veri bilimi deneyimi gerektirir hem de geleneksel veri bilimi yöntemleri kullanılarak döngünün başından itibaren uygulamanın alacağı zaman yanına yaklaşılamayacak kadar uzundur.

Problem Tanımı

Bir araba üretimi şirketi olan X, spesifik bir araba modeli için müşterilerini hedef almak istiyor. Müşteriler yaşları, maaşları ve cinsiyetleriyle tanımlanıyorlar. Kurum, hangi müşterilerin yeni arabanın satışlarını etkileyeceğini ve gerçekten satın alacağını bilmek ya da öngörmek istiyor.

Burada, 0 ve 1 değerlerini tutan bir satın alım sütunumuz var. 0, o kişinin arabayı satın almadığını gösteriyor. 1 ise arabanın satıldığı anlamına geliyor.

Koda Geçirme

Gerekli Kütüphaneleri İçeri Aktarmak

İlk iş, bizim için model oluşturma kısımlarını kolaylaştıracak bütün gerekli kütüphaneleri içe aktarmanız lazım. Rastgele orman (random forest) algoritmasını oluşturmak için keras kullanıyoruz. Şemaları ve grafikleri çizip sonuçları görselleştirmek için matplotlib kütüphanesini kullanıyoruz. Son olarak, elimizdeki veriyi eğitim ve test aşaması olarak bölmemize yardımcı olması için sklearn modülünün fonksiyonlarını da içe aktarıyoruz.

Veri Kümesini Yüklemek

Bu adımda, veri kümenizi belleğe yüklemeniz lazım. Ondan sonra, sınıflandırıcımızın eğitimi için bağımlı ve bağımsız değişkenleri ayırıyoruz. Çoğu durumda sizin bağımlıları ayırmanız gerekir ve o da bağımsızları ayırır.

Eğitim ve Test Verisi Oluşturmak için Veri Kümesini Bölmek

Tüm durumlarda, verinizde bir takım bölme işlemleri yapmanız gerekecek. Verinizdeki büyük bir yığın eğitim kümesi olarak, daha küçük bir yığınsa test kümesi olarak kullanılacak. Eğitim ve test verisi oranları konusunda belirlenmiş net bir kriter yok. Ama çoğu insan büyük pay eğitim kümesi olmak üzere 70-30 ya da 75-25 oranlarını kullanıyor. Veriyi eğitim kümesinde eğitiyor ve test kümesinde test ediyoruz. Bu sürece doğrulama(validation) deniyor. Bu amacın arkasındaki esas fikir, modelin performansını daha önce görmediği veriler üzerinde ölçümlemek. Gerçek dünya senaryolarında model, değerleri görmediği veriler üzerinden tahmin edecek. Dahası, doğrulama gibi teknikler modeli fazla ya da yetersiz uyumlandırmaktan da kaçınmamızı sağlıyor.

Fazla uyum, modelin eğitildiği spesifik veriye dair her şeyi öğrendiği duruma deniyor. Eğitim verisinde gayet iyi çalışacak ama daha önce görmediği herhangi bir veri noktasında doğruluk hassasiyeti düşecek. Fazla uyum, modelinizin veriye fazla özelleşip, genelleşememesi gibi. Benzer şekilde, yetersiz uyum da modelinizin fazla genel olup spesifik durumlar için düzgün tahmin yapamadığı duruma deniyor. En iyi model doğruluğunu elde edebilmek için fazla uyumla yetersiz uyum arasında mükemmel bir denge yakalamanız lazım.

Veri Kümesi Değerlerini Standardize Etmek

Rastgele Ortman Sınıflandırması (Random Forest Classification) Uyarlamak

Bu durumda, modelimizi eğitim verisine uyarlıyoruz. Python’daki sklearn paketinin maruz kaldığı rastgele orman (random forest) paketini kullanıyoruz. Nihayetinde, modelimizin matematiksel katsayıları kullanarak aralarında dahili bir haritalama yaptığı bağımlı ve bağımsız özellikleri ayrı ayrı geçiriyoruz.

Sınıflandırıcıdan Sonuçların Tahmini

Bu kısımda, görmediği verileri modelimize yolluyoruz ki üzerlerinden tahmin yapsın. Modelimiz için doğruluk, kesinlik ve hatırlama gibi metrikleri çekmesi için bir hata matrisi kullanıyoruz. Bu metrikler modelin performansını anlamamıza yardım edecek.

Tahminleri Görselleştirmek

Ek olarak, aşağıdaki kodu kullanarak modelimizin tahminlerini görselleştirme denemesi yaptık.

Özet

Bu Makine Öğrenimi Başlangıcında makine öğreniminin temellerini çalıştık. Önceki makine öğrenimi, bilgisayarların spesifik görevleri gerçekleştirmeleri için programlanmadan da öğrenebileceği teorisiydi. Ama artık, yapay zekâ ile ilgilenen araştırmacılar bilgisayarların veriden öğrenip öğrenemeyeceğini görmek istiyorlar. Güvenilir kararlar ve sonuçlar üretmek için geçmiş hesaplamalardan öğreniyorlar. Bu yeni bir bilim değil —ama yepyeni bir moment kazanıyor.

Kaynak

Akademik Çalışmalar ve Endüstri Uygulamaları Arasındaki 7 Fark

Thu, 05 Mar 2020 09:29:29 GMT

Akademisyenler ve endüstri profesyonelleri, makine öğrenimi ve derin öğrenme modelleri oluşturmak için farklı yaklaşımlar benimser. Çoğu zaman biri fayda odaklıyken diğer kar ve maliyet odaklı davranır. İşte iki kaynak arasındaki yedi fark;

1) Doğruluk Yaklaşımı: Akademik bir araştırma yapıldığında maliyetten bağımsız olarak doğruluğu ya da başka bir parametreyi araştırmaya, kısacası savunduğunuz tezi doğrulamaya odaklanırsınız. Araştırmaların sonunda %95 doğruluğa sahip bir uygulama ile %96 doğruluğa sahip bir uygulama arasında büyük farklar olmayabilir . Yapılan araştırmaların doğruluğu endüstride, özellikle de kullanıcılar arasında büyük bir kar farkına sebep olmayacaksa genellikle kullanımı tercih edilmez. Çünkü kuruluşlar yeni araştırma ile ortaya çıkan yüzde 1 eklemenin maliyetini göz önünde bulundurarak hareket ederler.

2) Eğitim ve Hizmet Sunma: Akademik araştırma süresince birçok kez örnek model oluşturmak ve bunu test etmek zorunda kalmazsınız. Üretimde ise araştırma sonucunda ortaya çıkan sonuçları test etmek ve araştırmanın kontrolünü ispat etmeniz gerekir.

3) Mühendislik Vurgusu: Ticari sistemlerde araştırmaları genişletmek için mühendislik faktörü çok önemlidir. Araştırmadaki veri bilimcisinin rolü mühendislerin bilgisi ile birleşerek nihai sonuca ulaşılır.

4) Büyük Modellerin Hayata Geçme Zorluğu: Üretilecek modellerin büyüklüğü son kullanıcıya hitap etmek için genellikler sınırlandırılır. Modeller oluştururken cihazların tüketicilerin alamayacakları boyutta olması, yavaş çalışması ve eğitim masrafı gibi konular göz önünde bulundurularak üretilmesi gereklidir. Araştırma çalışmalarında ise genellikle modelin boyutunu ön planda tutmak yerine, nasıl çözüm ürettiğine odaklanırsınız.

5) Sınırları Çizmek: Sınırları çizmek hem araştırmada hem de uygulamada oldukça önemlidir. Sınırları belirlerken hangi faktörler üzerinde ilerlemeniz gereklidir ve bunu nasıl ölçersiniz? Algoritmanızın sınırlarının gelişimini nasıl gösterirsiniz?

6) Karmaşık Verileri Anlamak: Gizlilik, ön yargı ve açıklanabilirlik dahil tüm verileri anlamlandırmak ve anlamak model oluştururken işinizi kolaylaştıracaktır.

7) Derin Öğrenmeye Çok Erken Odaklanmak: Derin öğrenme modellerini uygulamak genellikle pahalıdır ve açıklaması zordur. Derin öğrenme modelleri çoğu zaman üretimde gerçekten fayda sağlıyor ve yüksek performans sergiliyor ise kullanımı doğrudur. Gerçek dünyadaki yani üretim bandındaki sorunların çoğunun derin öğrenmeye ihtiyacı bile olmayabilir. Derin öğrenme verilere ihtiyaç duyar ve veri toplamak için önce kullanıcı deneyimlerine ihtiyacınız olabilir. Örneğin; Catch-22'yi önlemek için sisteminizi eğitmek üzere kullanıcı verilerini toplamak amacıyla derin öğrenme modelini kullanmadan ürününüzü oluşturmak isteyebilirsiniz.

Kaynak

Yapay Zekâ, Makine Öğrenimi ve Derin Öğrenme Arasındaki Farklar?

Thu, 05 Mar 2020 09:29:29 GMT

Geçtiğimiz birkaç sene boyunca yapay zekâ en gözde konulardan biri olmaya devam etti. En parlak zihinler AI araştırmalarına katılıyor, en büyük kurumlar bu alanda yeterlilik sağlayabilmek için astronomik rakamlar tahsis ediyor ve AI girişimleri yıllık milyarlarca dolar yatırım topluyor.

Eğer iş süreçlerini geliştirmekle ilgileniyorsanız ya da işiniz için yeni fikirler arıyorsanız büyük ihtimalle AI’a denk gelmişsinizdir. Bu konuda etkili bir şekilde çalışabilmek için temel unsurlarını anlamanız gerekiyor.

Yapay Zekâ

Önce yapay zekanın ne demek olduğuna bir bakalım. François Chollet,Python’la Derin Öğrenme kitabında kısa ve öz bir tanım veriyor: “normalde insanlar tarafından gerçekleştirilen düşünsel görevleri otomatize etme çabası. Bu bakımdan, AI, makine öğrenimini ve derin öğrenimi kapsayan genel bir alan oluyor ama aynı zamanda öğrenmeyle alakası olmayan birçok yaklaşımı da içeriyor.”

Örneğin, MIT Yapay Zekâ Laboratuvarı’nda yaratılan, günümüz sohbet botlarının öncüsü ELIZA. Bu program bir bireyle uzun bir diyaloğu sürdürebiliyor ancak yeni kelimeler öğrenemiyor ya da diyalog sırasındaki davranışlarını düzeltemiyor. ELIZA’nın davranışları özel bir programlama dili kullanarak açıkça nitelendirilmek içindi.

Modern anlamdaki yapay zekânın tarihi 1950lerde, Alan Turing ve alanın ilk meraklılarını bir araya getiren Dartmouth atölyesinde, AI biliminin temel prensiplerinin formüle edilişiyle başladı. Sonrasında, bu endüstri günümüz bilim dünyasının kilit alanlarından biri olana dek birçok kez ilgi dalgası ve ardından gelen durgunluk (“AI kışları” olarak da bilinir) döngüleri yaşadı.

Güçlü ve zayıf yapay zekâ hipotezi de bahsetmeye değer bir konu. Güçlü bir AI, düşünebilir ve kendinin ayrı bir birey olarak farkında olabilir. Zayıf AI böyle yetilerden mahrumdur ve basitçe ona verilen çeşitli görevleri yerine getirir (satranç oynamak, görsellerde kedileri bulmak ya da 432,500 dolara resim çizmek gibi). Merak etmeyin, var olan bütün yapay zekâlar zayıf.

Bugünlerde AI’ın kullanılmadığı herhangi bir aktivite hayal etmek zor. Araba da sürseniz, selfie de çekseniz, internetten kendinize spor ayakkabı siparişi de verseniz ya da tatil de planlasanız, her yerde küçük, zayıf ama şimdiden çok kullanışlı yapay zekâlardan destek alıyorsunuz.

Makine Öğrenimi

Zekânın (yapay olsun ya da olmasın) ana özelliklerinden biri öğrenebilme yetisidir. AI için, bu yetiden bir makine öğrenimi ailesi sorumlu. Özünde basit: gelen veriyi sonuca çeviren net bir talimatlar seti olan klasik algoritmaların aksine, makine öğrenimi, örnek veriler ve onlara karşılık gelen sonuçlardaki örüntüleri bularak, gelişigüzel verileri istenen sonuçlara dönüştürecek bir algoritma üretiyor.

Makine öğreniminin üç ana kategorisi var:

Gözetimli öğrenme: bu sistem, her bir örnek için önceden bilinen sonuçları olan veri örnekleri temelinde eğitilir. Makine öğrenimi için çok popüler iki görev vardır: regresyon ve sınıflandırma görevi. Regresyon, devamlı bir neticenin tahminidir, bir evin fiyatı ya da üretim emisyonları seviyesi gibi. Sınıflandırma ise bir kategori (sınıf) tahminidir, örneğin bir epostanın spam olup olmadığı ya da bir kitabın polisiye mi yoksa ansiklopedi mi olduğu.

Gözetimsiz öğrenme: sistem, veriler arası ilişkiler ve örüntüler bulur. Bu takdirde her bir örnek için sonuç belirsizdir.

Takviyeli öğrenme: sistemin, doğru eylemler için ödüllendirip yanlış olanlar için cezalandırıldığı bir yaklaşımdır. Sonuç olarak, sistem en yüksek ödülü ve en az cezayı aldığı bir algoritma geliştirmeyi öğrenir.

İdeal bir makine öğrenimi modeli herhangi bir veriyi analiz edebilir, tüm örüntüleri bulabilir ve istenen herhangi bir sonucu elde etmek için bir algoritma oluşturabilir. Ama bu ideal model henüz yaratılmadı. Bunun yaratımına giden yolu Pedro Domingos’un “The Master Algorithm” kitabında okuyabilirsiniz.

Günümüzün makine öğrenimi modelleri belli görevlerde özelleşmiş durumdalar, her birinin kendi güçlü ve zayıf yanları var. Bu modeller şöyle:

Lineer regresyon,istatistikten türetilmiş klasik model. Adından da anlaşılacağı üzere, regresyon görevleri için tasarlanmış, yani sürekli değerlerin tahmini için. Örneğin, hava durumuna bakarak ne kadar limonata satılacağı.

Lojistik regresyon,sınıflandırma görevleri için kullanılıyor. Verilen örneğin bahsi geçen sınıfa ait olma ihtimalini öngörüyor.

Karar ağacı,sıklıkla sınıflandırma görevleri için kullanılıyor. Bu yöntemde verilen nesnenin sınıfı, her birinin genelde evet/hayır cevabı olan bir dizi soru üzerinden tanımlanıyor.

K-En yakın Komşular,çoğunlukla sınıflandırma için kullanılan basit ve hızlı bir yöntem. Bu yöntemde, veri göstergesi sınıfı, veri göstergesi örneklerine en benzer k tarafından (k herhangi bir sayı olabilir) belirleniyor.

Naive Bayes,belirli bir olayın (e-posta bir spam) verilen koşullar altında (“bedava kredi” kalıbı eposta içinde yirmi kez geçiyor) olabilirliğini, olasılık teorisinden ve Bayes teoreminden yararlanarak belirleyen popüler bir sınıflandırma yöntemidir.

SVM,genellikle sınıflandırma görevleri için kullanılan bir gözetimli makine öğrenimi (supervised machine learning) algoritmasıdır. Farklı sınıflardaki nesneleri, her bir nesnenin birbirleriyle alakalı özellikleri olsa bile, etkili bir biçimde ayırabilir.

Topluluklar (ensembles),birçok makine öğrenimi modelini birleştirir ve bir nesnenin sınıfını, her bir modeldeki yanıtın ortalaması ya da oylamasını temel alarak belirler.

Sinir ağları,insan beyninin prensiplerini temel alır. Bir sinir ağı, birçok nöron ve o nöronlar arası bağlantı içerir. Bir nöron, birçok girdisi ve tek bir çıktısı olan bir fonksiyon olarak temsil edilebilir. Her bir nöron, girdilerin (her bir girdinin ağırlığı farklı olabilir ki bu da önemini belirler) parametrelerini alır, üzerilerinde spesifik bir fonksiyon gerçekleştirir ve sonucu çıktıya verir. Bir nöronun çıktısı başka bir nöronun girdisi olabilir. Böylece, derin öğrenmenin konusu olan çok katmanlı sinir ağları biçimlenmiş olur. Bunu daha detaylı konuşacağız.

Nöron yapısı diyagramı:

İki gizli katmanlı yapay sinir ağı:

Verilen örnekleri inceleyerek, sinir ağı nöronlar arasındaki ağırlıkları ayarlar ki istenen sonucu vermekte etkisi en büyük olan nöronların ağırlığı en fazla olsun. Örneğin, bir hayvan çizgiliyse, tüylüyse ve miyavlıyorsa, o zaman büyük ihtimalle kedidir. Bu sırada en yüksek ağırlığı miyavlama parametresine atarız. Yani hayvan çizgili değilse ve tüylü değilse ama miyavlıyorsa -hala büyük ihtimalle kedidir.

Derin Öğrenme

Derin öğrenme, derin sinir ağlarıyla uğraşır. Derinliğe dair görüşlerse çeşitlidir. Bazı uzmanlara göre eğer bir ağın birden fazla gizli katmanı varsa o derin sayılabilir, diğerlerine göreyse sadece birçok gizli katmanı varsa o ağ derin olabilir.

Şu an aktif olarak kullanılan birkaç tip sinir ağı var. En popüler olanlarıysa şöyle:

Uzun kısa-süreli bellek (LSTM): Metin sınıflandırması ve üretimi, ses tanıma, müzikal beste üretimi ve zaman serileri tahmini.

Evrişimsel sinir ağları (CNN): Resim tanıma, video analizi ve doğal dil işleme görevleri.

Sonuç

Yani nedir AI, makine öğrenimi ve derin öğrenme arasındaki farklar? Umarız, bu makaleyi okumuş biri olarak bu sorunun cevabını artık biliyorsunuzdur. Yapay zekâ, düşünsel görevlerin (okumak, go oynamak, resim tanımak ve sürücüsüz arabalar yaratmak gibi) otomasyonuyla ilgili genel bir alan. Makine öğrenimi, bir AI’ın öğrenme yetisinden sorumlu yapay zekâ yöntemleri seti. Derin öğrenmeyse makine öğrenimi yöntemlerinin çok katmanlı sinir ağlarını inceleyen bir alt kolu.

Kaynak

Google'ın Desteklediği En İyi Makine Öğrenimi Projeleri

Thu, 27 Feb 2020 07:05:49 GMT

Teknoloji devi Google 2020'de yapay zekânın gelişimi ve kullanım alanlarını genişletmek için yapay zekâ destekli hizmet ve araçlar geliştirerek kullanıcı deneyimine sunmayı hedefliyor.

Ocak 2020'de Google tarafından piyasaya sunulan en iyi ürünlerin listesini aşağıda sıraladık;

Coral Accelerator Module & Coral Dev Board Mini

Google, Coral serisine Mini ve Coral Accelerator Module olmak üzere iki yeni Coral AI ürününü ekleyerek Coral serisini genişletti. 2020 CES öncesinde duyurulan ve Coral ailesinin en son çıkan yeni ürünleri Coral Accelerator Module ve Coral Dev Board Mini'ye eklenen başarılı bir beta sürümü ile kullanıcı deneyimine sunuldu.

Coral Accelerator Module, şirketin özel olarak tasarlanmış Edge Tensor İşleme Ünitesini (TPU) kapsayan çok çipli bir pakettir. Coral Dev Board içindeki çip, saniyede 30 karede birden fazla bilgisayar görme modeli veya 100 fps üzerinde tek bir model ile çalışmak için tasarlanmıştır. Bu teknolojinin kullanıcıları yeni sürümü PCB tasarımlarına entegre etmenin daha kolay olduğunu söylemekteler.

Coral Accelerator Module de Google Edge TPU ile yeni bir, çok çipli modül diyebiliriz.

Google ayrıca, Coral Dev Board'dan daha küçük bir form faktörüne sahip daha düşük güç ve uygun maliyetli bir alternatif olan Coral Dev Board Mini'yi de piyasaya sürdü.

Coral Dev Board Mini, Coral Dev Board'un daha ucuz, daha küçük ve daha az güçle çalışan bir versiyonudur

Resmi olarak Mart 2019'da açıklanan Coral ürünleri, yerel olarak çalışan yapay zekâ kullanarak bulut tabanlı sistemlere olan bağımlılıklarını azaltmayı ve geliştiricilerin daha verimli çalışmasına yardımcı olmayı amaçlamıştır.

Meena

Chatbotlar, uygulamalardaki muazzam büyümesi nedeniyle yapay zekadaki en sıcak trendlerden biridir. Google, yeni ürününe insana benzeyen, insan gibi tepkiler veren yeni özellikler ekledi. Meena, toplam 300 GB + metin verisi ile gizli olmayan sosyal medya konuşmalarından oluşturulan verileri uçtan uca iletecek şekilde tasarlandı.

Ayrıca, Google’ın Duyarlılık ve Özgüllük Ortalaması (SSA) olarak adlandırılan insan değerlendirme metriği, insan benzeri çok dönüşlü bir görüşmenin temel öğelerini de yakalayarak bu sohbet botunu daha da çok yönlü hale getirir. Bir blog gönderisinde Google, Meena'nın mevcut en yeni sohbet botlarından daha mantıklı ve spesifik konuşmalar yapabileceğini ”iddia etmişti.

Reformer

Google Transformer'ın (dil anlayışı için yeni sinir ağı mimarisi) önemli bir gelişimi olarak yeniden yapılandırılan Reformer, yalnızca 16 GB bellek kullanan tek bir yapay zekâ hızlandırıcı ile 1 milyon kelimeye kadar bağlam pencerelerini işlenmesi amaçlanmaktadır.

Google, ilk olarak 2019'da UC Berkeley ile işbirliği içinde yürüttüğü bir araştırmada yeni transformatör modeli fikrini ortaya atmıştır. Bu modelin arkasındaki temel fikir, öz dikkat ve hesaplama için giriş dizisinin farklı konumlarda kullanma yeteneği diyebiliriz.

Reformer tüm kitapları aynı anda ve tek bir gadget üzerinden de işleyebilen teknolojiye sahip olduğundan gelecek için büyük bir potansiyel olarak görülmekte.

Google, her seferinde yapay zekâyı desteklediğini söyleyerek ve geliştirdiği projeler ile katkı yapmaya devam etmektedir. Google’ın yapay zekâ için söylemi ile verdiği önemi görebiliriz; “yapay zekâ ateş ya da elektrikten daha derin bir işleve sahip ve bu teknoloji bugün karşı karşıya olduğumuz birçok kısıtlamayı ortadan kaldırabilecektir.”

Google ayrıca yapay zekânın gelişimine olan katkısını geliştirdiği ve destek olduğu projeler ile gösteriyor. Örneğin; yaptığı bir uygulama ya da araştırma ile göğüs kanserini tespit ederken, balinalar gibi nesli tükenmekte olan hayvan türlerini korumak için araştırmalar gerçekleştiriyor. Google yaptığı araştırmalar ile yapay zekâ sektörüne yön vermeye devam edecek.

Kaynak

Endüstri 4.0: Dijital İşbirliği ile İnovasyon

Mon, 24 Feb 2020 08:09:39 GMT

Endüstri 4.0 ve üretim teknolojisinde devam eden devrim daha düşük maliyetlerle yüksek kaliteli ürünler için hızlı ve daha verimli süreçler sağlıyor.

Verimliliği artırmak, üretim zorluklarını en aza indirmek, insan işlerini basitleştirmek ve nihayetinde coğrafyalar arasındaki endüstriyel büyümeyi hızlandırmak için şirketlerin dijital dönüşüm sürecine girmesi gerekir. İleri teknoloji halihazırda dünya genelinde imalat sektöründe kullanılmaktadır fakat Endüstri 4.0 ile endüstrinin daha hızlı bir şekilde gelişmesini sağlayacak dijital dönüşüm teknolojileri kuruluşlara farklı bir boyut kazandıracaktır. Accenture tarafından yapılan 'Akıllı Üretimin Yükselişi' başlıklı bir araştırmada Endüstriyel Nesnelerin İnterneti (IIOT) benimseyen şirketlerin ilk çeyrekte bakım maliyetlerini % 30 oranında düşürürken verimlilikte % 30 artış sağladığı ortaya çıkmıştır. IIOT dışında büyük veri analizi, siber güvenlik ve artırılmış gerçeklik gibi yeni teknolojileri 4. sanayi devriminin öne çıkaran teknolojilerden sayabiliriz.

Dijital Dönüşümde İşbirliği İhtiyacı

Som gelişmeler ile birlikte, şirketlerin organizasyonlarında ileriye gitmesi için Endüstri 4.0 dönüşümüne ihtiyacı var. Endüstri 4.0 hedefleri dijitalde yapılacak yeniliklerle fiziksel teknolojinin bir araya gelmesiyle sağlanabilir. Fakat bu tür gelişmiş dijital teknolojileri mevcut kuruluşta oluşturmak ve entegre etmek kolay bir iş değildir. Zaman ve maliyet faktörü nedeniyle, çoğu durumda dışarıdan destek olmadan bu yenilikleri yapmak kuruluşları zorlayabilir. Bu nedenle, teknolojik uzmanlığa sahip diğer kuruluşlarla işbirliğine ihtiyaç vardır. Şirket dışından kuruluşlarla işbirliğinin faydaları her zaman karşılıklıdır, çünkü her iki taraf da fikir ve kaynak alışverişinde bulunabilir ve kendisine farklı açılardan fayda yaratabilir.

Birçok şirket 4. sanayi devriminin bir parçası olmak ister fakat böyle büyük bir değişikliği kolaylaştırmak için teknik bilgi birikimi ve insan kaynağı önüne çıkan en büyük engeldir. Bu yüzden şirketler, her biri kendi alanında uzman birden fazla oyuncu ile işbirliği yapmak yolunu seçiyor. Örneğin, bir üretici yapay zekâ yetenekleri, IIOT entegrasyonu, 3D baskı ve büyük veri analizi sunan farklı şirketlerle ayrı ayrı işbirliği yapabilir. Farklı şirketlerin yeteneklerinin bir araya getirildiği senaryolarda, ölçeklendirme çok daha kolay ve daha verimlidir. Öte yandan, bazı kuruluşlar belirli sorunları çözmek için tek bir oyuncuyla işbirliği yapmayı tercih eder. Bu tür ortaklıkların yönetimi daha kolaydır ve şirketlerin modern bir şekilde uzun vadeli değer yaratmasını sağlar.

Start-Up'larla İşbirliği

Birçok alan lideri yeni yaklaşımlara daha açık ve üretim yeniliklerine sahip olan yeni kurulan şirketlerle işbirliği yapma yolunu seçiyor. Start-up’lar genellikle mevcut kuruluşların yeteneklerinde sıçrama yapabilecek teknolojilere sahip olduğu için iş birliği yaptığı mevcut kuruluşa fakrlı bir vizyonda katabiliyor. Yeni kurulan şirketlerle ortak olmanın bir diğer faydasıda henüz yolun başında olmaları ve değişen işletme ekosistemine uyum sağlamalarının daha kolay olması diyebiliriz.

Piyasada değer kazanmaya yeni başlayan hizmetler yani start-up çalışmalar genellikle düşük fiyatlıdır ve büyük kuruluşlar tarafından kolayca karşılanabilir. Böylece kuruluşlar, işbirlikleri için kurulmuş şirketler yerine yeni şirketleri seçerek büyük miktarlarda tasarruf sağlayabilirler. Son olarak, yeni kurulan şirketler yani start-up’lar genellikle birkaç yeni disiplinde uzman olan çeşitli yeni çağ girişimcilerine sahiptir. Yeni teknolojiler üzerinde çalışan bireyler arasında düşünce ve fikir alışverişi gelişen şirketlerin en büyük artılarından biridir.

İşbirliği Yaparken Dikkat Edilmesi Gerekenler

Üretim şirketleri pazar liderliğinin anahtarının işbirliği olduğunun artık farkındalar. Geçmişte, veri çalışmalarının eksikliği veya ilgili verilerin yetersiz olması nedeniyle işbirliklerinde başarısızlıklar yaşanmış olabilir. Veri analizi ve dijitalleşme yeni çağın işbirliklerinin başında olduğu için sektörler arası ortaklıklar yaygınlaşmakta. Dijital alanda ortaklıklar çoklu hatalara ve insan hatalarına çözüm getiriyor.

Son birkaç yılda dijital alanda yenilikler ve yatırımlar önemli ölçüde arttığı için çeşitli küresel şirketlerin birbirleriyle işbirliği yapma fırsatları da bu doğrultuda arttı. Bu iş birlikleri arasında India Digital Summit, Convergence India, Uluslararası Elektrik - Elektronik ve Bilgisayar Bilimi Konferansı (ICEECS) ve Broadcast Engineering Society Expo gibi önemli etkinlikler ve teknoloji zirveleri gibi birçok platformda yer alıyor. Bu etkinlikler hükümetlerin, bilgisayar teknolojileri ve iletişim endüstrisi liderlerinin, teknoloji üreticilerinin uzun vadeli ve sonuç odaklı işbirliklerine zemin hazırlamaktadır.

Kuruluşların dijitalleşmeyi merkeze alarak başarılı bir işbirliği yapması için temel faktörleri aşağıda sıraladık;

İnovasyon Liderliği

Kuruluş için yenilikçi çözümler üretmekten ve kaynak sağlamaktan sorumlu olacak bir kişiyi şirket içinde görevlendirmek süreci hızlandıracaktır. Daha büyük ölçekli bir organizasyonda, bu görev bir inovasyon ekibi tarafından da yürütülebilir.

Küçük Hedefler Belirleyin: Bir kuruluş, start-up bir hizmet sağlayıcısı ile işbirliği yaptıktan sonra, uzun bir süre için oluşturulan hedefler başlangıç aşamasında kalabilir. Geçen süre zarfında kuruluşlar, sonuçları hızlı bir şekilde almayı beklemek yerine teknolojik gelişmeleri verimli bir şekilde uygulamaya odaklanmalıdır.

Yeni Ürün Tasarımı

Endüstri 4.0’da yerinizi almak için, iş birliği yaptığınız start-up ile yeni bir ürün ortaya çıkarmak faydalı olacaktır. Böylelikle teknolojik uzmanlığı sunan büyük kuruluş gelişen teknolojisini bir start-up ile birlikte test edebilir.

Dijital Dönüşüm Hedefleri

Bir veya daha fazla şirketle işbirliği yaparken, kuruluşların uzun vadeli sinerjiye odaklanması gerekmektedir. Aynı vizyona sahip şirketlerle uyumlu strateji ve hedefler daha verimli işbirliklerini ortaya çıkarır.

Günümüzde imalat sanayinde hızla gelişen trendler yüzünden pazarda zorlu bir rekabet bulunmaktadır. Şirketler, dijital dönüşümün yanı sıra 4. sanayi devriminde ayakta kalabilmek için, stratejik tutumlarını da değiştirmelidir. Kuruluşların iş birliği ile tek bir birim haline gelmeleri, dijital teknolojileri ve altyapıları paylaşmaları ve sürekli gelişen bu iş dünyasında rekabet etmelerini kolaylaştıracaktır.

Kaynak

Ar&Ge Projelerinde Teknoloji Seviyesi Ölçümü

Fri, 21 Feb 2020 14:00:00 GMT

Yeni bir ürün yada sürecin fikir-düşünce aşamasından ürünün ya da sürecin görevini başarı ile yerine getirmesine kadarki tüm teknolojik çalışmalar, Teknoloji Olgunluğu kavramı ile ifade edilmekte olup aşağıdaki 9 seviye ile açıklanır. Bu seviyelerin projenize ve ürün odaklı çalışmalarınıza uygunluğu bu etkinlikte tartışılacaktır.

Kahve Molası
Networking
Soru/Cevap

Hüseyin Üvet kimdir?
https://www.linkedin.com/in/huseyin-uvet-0125163a/

2020'deki 8 Yapay Zekâ Trendi

Thu, 20 Feb 2020 06:47:51 GMT

2020'de yapay zekâyı şekillendirecek otomasyon, donanım araçları, model geliştirme alanındaki yeni gelişmeleri inceleyeceğiz.

Üretimde kullanılan karmaşık yapay zekâ modellerine, veri kümelerine ve yapay zekâ yığınlarına ulaşmak için basitleştirilmiş araçlar kullanılmaktadır. Yapay zekâ araçları ve yapay zekâ kaynaklarına her yerden ulaşma olanağı sağlayan sağlayan bulut erişimi bu araçlardan biridir.

Yapay zekâ, verileri daha kullanışlı hale getirmek için birçok kaynaktan gelen karmaşık verileri mantık çerçevesinde otomasyon teknolojilerine entegre eder. Ayrıca bu süreci isteğe bağlı olmaktan çıkararak otomatikleştirir. Yapay zekâ süreçleri otomasyon görevleri gibi geleneksel prosedürleri izleme mantığının dışında; görüntü tanıma, özetleme, etiketleme, karmaşık izleme ve yanıtlama gibi kolaylaştırıcı süreçlere de sahiptir.

2019’da gerçekleştirilen anketlerde, katılımcıların yarısından fazlasının yapay zekânın gelecekteki projelerinin ve ürünlerinin bir parçası olacağını ve şirketlerin çoğunun makine öğrenmesini benimsemeye başladığını ortaya çıkarttı.

Verilere Erişim

Günümüzde en önemli konulardan biri de verilerin erişilebilir olmasıdır. Yapay zekâ ile daha kolay erişim hem kurumsal şirketlerin hem de tüketicilerin işlerini kolaylaştırırken yeni yapay zekâ projelerine zemin hazırlamakta. Bu nedenle yapay zekâya olan talep gün geçtikçe artmakta.

Gelişen rekabet ortamında ayakta kalabilmek için veri bilimcilerinin en azından makine veya derin öğrenme ile uğraşmaları gerekiyor. Yapay zekâ sistemlerini veriler ile beslemek gerekmektedir. Bu da güvenli veri ve veri hattına erişim gibi birtakım sorunlara neden olabilir. Veriler arttıkça ve yapay zekâ geliştikçe sistemleri kontrol altında tutmak için yapay zekâ uzmanlarına ihtiyaç duyulacaktır. Yani veri ve yapay zekâ arasındaki ilişki resmiyete dökülecektir.

Yeni Araçlar

Makine öğrenimi için henüz deneysel bir çağdayız diyebiliriz. Gelişim içinde makine öğrenimi geliştirme araçlarının, verilerin, denemelerin, model aramanın, model dağıtımının ve izlemenin artan önemini hesaba katmak gereklidir. Aynı zamanda yapay zekâ gelişiminin çeşitli aşamalarını yönetmek için açık kaynaklı frameworklerin, kütüphanelerin büyüyen ekosistemi, bulut platformları, tescilli yazılım araçları ve SaaS ile daha da kolaylaşacaktır.

Yeni Modeller

Derin öğrenme birçok ilginç araştırmayı yönlendirmeye devam ederken, uçtan uca çözümlerin çoğu birkaç modelin bir araya gelip oluşturduğu hibrit sistemlerdir. 2020'de, Bayes ve diğer model tabanlı yöntemler, arama, bilgi grafikleri, simülasyon platformları gibi bileşenlerin ve yöntemlerin temel rolleri hakkında daha fazla şey duyacağız. Ayrıca takviye öğrenimi içinde yeni kullanım durumlarının ortaya çıkması bekleniyor. Makine öğreniminin alanı genişleyecek olması ve yakın zamanda sadece sinir ağlarına dayalı olmayan yöntemler kullanılacak olması da kulislerde heyecan verici bir gelişme olarak nitelendirilmekte.

Yeni Yapay Zekâ Uygulamaları

Bilgisayarlardaki görme ve konuşma/ses teknolojisindeki gelişmeler, kişiselleştirilmiş, özel boyutlu kıyafetler yapabilen, otonom hasat robotlarını çalıştırabilen veya yetkin sohbet botları için mantık sağlayabilecek yeni ürün ve hizmetlerin oluşturulmasına yardımcı olurken robotik kollar ve bacakların gelişmesi ile yapay zekânın rolü artacaktır.

Ayrıca yapay zekâ ve otomasyon teknolojileri ile geleneksel verinin gelişimini hedefleyen yeni bir başlangıç dalgası oluşmaktadır. Bu yeni furyaya doğal dil işleme (NLP) ve doğal dil anlama (NLU) çözümleri, sohbet botları gibi zaman serileri, geçici veriler, işlem verileri ve günlük verilerin işlenmesinde dahildir. Bu gelişmeler doğrultusunda, yakın gelecekte işletmeler yapay zekâ çözümlerine yatırımlarını arttıracaktır.

Yapay Zekâ İlkeleri

Yapay zekâ yazılımlarının sorunlarını tespit etmek, düzeltmek ve gidermek için sistematik bir tarafsızlık çalışması yapılmaktadır. Sorunları tespit etmek, tarafsızlığı sağlamak elbette kolay olmayacaktır fakat bu çalışma ile farklı perspektiflerden bakmak, modelleri gözden geçirmek kolaylaşacaktır.

Bu sürecin iyileştirilmesine, risklerin azaltılmasına yardımcı olmak için bilişsel çeşitlilik, sosyoekonomik çeşitlilik, kültürel çeşitlilik, fiziksel çeşitlilik gibi unsurları tespit etmek gerekecektir.

Makine Aldatmacası: Deepfake

Deepfake ile doğal olmayan dalgalanan ekranlar, tutarsız aydınlatma, yüz bozulması, ağız hareketleri ve konuşma arasındaki tutarsızlıklar, küçük ama farklı bireysel yüz hareketlerinin gerçek gibi yayınlanması büyük bir tehlike oluşturmakta ve deepfake gün geçtikçe teknolojinin gelişmesi ile birlikte daha da iyileşmekte.

2020 ABD seçim yılı olduğu için, deepfake konusunda biraz daha temkinli. Örneğin adayların ağzındanmış gibi vaatler ve konuşmaların sosyal medyada yayılması kaosa sebep olacağı için yeni bir teknoloji denemekteler. Doğal olmayan yanıp sönen dalgaları tespit eden bir algoritmanın piyasaya sürülmesiyle birlikte yeni nesil deepfake tarama sistemleri de kullanılmaya başlandı.

Deepfake’i engellemek için başka bir cihaz ile çekildiğinde veya değiştirildiğinde otomatik olarak filigran ekleyip görüntüleri tanımlayabilen veya güvenilir kaynaklardan gelen içeriği doğrulamak için blockchain teknolojisini kullanan programlar ile kısmi bir engelleme olabilir. Fakat yine de deepfake'in önüne geçmek oldukça zor olacaktır. Bu olumsuz gelişmelerde son kullanıcıların dijital içeriğe olan güvenini azaltacaktır.

Yapay Zekâ Eğitimleri

Yapay zekâ araçlarının kullanımı kolaylaştıkça, kullanım örnekleri çoğalacak ve yeni yapay zekâ projeleri üretilecek, başka teknolojiler ile çapraz olarak yapay zekâ projeleri gerçekleştirilecektir. Geleneksel veri ekipleri dışındaki çalışanlardan da veri okuryazarlığı konusunda uzman olmaları beklenecektir. Gartner’in ön görüsüne göre, kuruluşların% 80'inin 2020 yılına kadar işgücünü desteklemek için veri okuryazarlığı girişimlerini başlatacağı yönünde.

Yapay zekâ ve makine öğrenimi uygulamalarında başarılı olmak için şirketlerin tüm iş gücünü yeniden eğitmesi ve daha bütünleşik bir yaklaşım benimsemesi gerekecektir. Bu süreç elbette ki şirketler için zorlayıcı olacaktır. Yapay zekâ uygulamalarının ya da çözümlerinin başarılı olduğunu görmek için ekipler düzenli olarak izlenmeli ve bir noktada diğer ekipler ile çalışmalar birleştirilmelidir.

Şirket çalışanlarını yeniden eğitmek, çeşitliliği yeniden düşünmek anlamına da gelir. Tarafsızlık ve ön yargı sorunlarını tespit etmek için çeşitliliğin ne kadar önemli olduğu aşikardır. Şirketleri güçlendiren ve genişleten gerçekten yararlı yapay zekâ modellerini başarıyla uygulamak yöneticilerin gerçek amaçları olmalıdır.

Gelecekte yapay zekâ projelerinin insanların görevlerini yerini alması beklenmekte fakat günümüzde yapay zekânın gelişmesi için hâlâinsanlara ihtiyacı var.

Kaynak

OPC Nedir?

Mon, 17 Feb 2020 10:39:57 GMT

Açık İletişim Platformu

OPC, endüstriyel otomasyon alanında, diğer endüstrilerle güvenli ve güvenilir veri alışverişi için birlikte çalışabilirlik standardıdır. Platformdan bağımsızdır ve birden çok satıcıdan gelen cihazlar arasında sorunsuz bilgi akışı sağlar.

OPC'nin açılımı, Açık İletişimi Platformu'dur.

OPC Standardı

OPC standardı; endüstri satıcıları, son kullanıcılar ve yazılım geliştiricileri tarafından geliştirilen bir dizi spesifikasyondur. Bu özellikler, gerçek zamanlı verilere erişim, alarm ve olayların izlenmesi, geçmiş verilere ve diğer uygulamalara erişim de dahil olmak üzere istemciler ve sunucular ile sunucular ve sunucular arasındaki arabirimi tanımlar.

OPC Standartları 1996 yılında ilk piyasaya sürüldüğünde amacı, PLC'ye özgü protokolleri (Modbus, Profibus vb.), HMI / SCADA sistemlerinin jenerik- OPC okuma / yazma isteklerini cihaza özel isteklerle göndermek olmuştur. Sonuç olarak, son kullanıcıların, OPC üzerinden sorunsuz bir şekilde etkileşime girdiği, türünün en iyisi ürünleri kullanarak sistemleri uygulamalarına izin veren bir ürün endüstrisi ortaya çıkmıştır.

Başlangıçta, OPC standardı Windows işletim sistemiyle sınırlıydı. Bu nedenle, OPC kısaltması, Proses Kontrolü için OLE'den (nesne bağlama ve yerleştirme) alınmıştır. Şimdi OPC Classic olarak bilinen bu özellikler, imalat, bina otomasyonu, petrol, gaz, yenilenebilir enerji ve kamu hizmetleri dahil olmak üzere birçok endüstride yaygın olarak benimsenmiştir.

OPC UA

İmalat sistemlerinde hizmet odaklı mimarilerin geliştirilmesi ile güvenlik ve veri modellemede yeni zorluklar ortaya çıktı. Bu ihtiyaçları karşılamak için OPC UA teknik özelliklerini geliştirdi ve aynı zamanda geleceğe yönelik, ölçeklenebilir ve genişletilebilir özellik açısından zengin bir açık platform mimarisi sağladı.

Yukarıda sıraladıklarımız, pek çok teknoloji kuruluşunun iş birliği içinde çalışmak için OPC UA platformlarına yönelmelerinin nedenlerinden sadece birkaçı.

Kaynak

Sağlıkta Yapay Zekâ

Mon, 17 Feb 2020 10:27:51 GMT

Yapay Zekâ İlaç Geliştiriyor

İngiliz start-up Exscientia ve Japon ilaç firması Sumitomo Dainippon Pharma’nın ortak çalışmasıyla oluşturulan ve yapay zekâ (AI) tarafından geliştirilen ilaç molekülü, yakın zamanda insan deneylerinde kullanılacak.

Geliştirilen yeni ilaç obsesif kompulsif bozukluğu (OKB) olan hastaları tedavi etmekte kullanılacak, bu gelişme sektörde bir devrim yaratacak nitelikte. Firmaların ilaç geliştirme denemeleri yaklaşık beş yıl gibi uzun bir sürede gerçekleşirken yapay zekâ ile bu süre 12 aya ve belki teknoloji ilerledikçe daha kısa sürelere indirgenebilecek.

DSP-1181 olarak bilinen molekül, potansiyel bileşenler elenerek ve büyük bir veri tabanı taranarak geliştirilen algoritmaların kullanımı sonucunda oluşturuldu.

Exscienta genel müdürü Prof. Andrew Hopkins bu gelişmeyi "ilaç keşfinde kilit kilometre taşı" olarak nitelendiriyor.

Profesör Hopkins,

"İlacı doğru etken maddeler ile tasarlamak ve doğru molekülleri bulmak için milyarlarca karar gerekiyor. İlaçlarda kullanılacak etken maddeleri belirlemek riskli bir karardır. Ancak yapay zekâ ile algoritmanın güzelliği agnostik olmasıdır, bu nedenle herhangi bir hastalığa uygulanabilir."

Geliştirilen ilaç Japonya'da birinci aşama denemelerine girecek ve başarılı olursa küresel testlere geçilecek.

Profesör Hopkins, "2020 yılında ilk yapay zekâ tasarımlı bir ilaç üretildi ve on yılın sonunda tüm yeni ilaçlar potansiyel olarak yapay zekâ tarafından yaratılabilecek."

Kaynak

Makine Öğrenmesine Giriş - 101

Sat, 15 Feb 2020 09:00:00 GMT

Konzek Teknoloji'den Makine Öğrenimi Geliştiricisi Eren Taş, endüstriyel uygulamalarda makine öğreniminin kullanımını, açık veri setleriyle birlikte anlatacak.

Etkinlik Planı

08:30

Kayıt
Kahvaltı

09:00 - 10:00

Veri setinin tanımı
Verilerin yüklenmesi

10:00 - 10:15

Kahve Molası

10:15 - 12:00

Veri Temizleme İşlemleri
İstatistiksel Veri Analizi

12:00 - 12:30

Öğle arası

12:30 - 13:30

Veri Görselleştirme Nasıl Yapılır?
Isolation Forest Yöntemi ile Kümelemeye Bağlı Outlier ve Anomali Tespiti

13:30 - 13:45

Kahve Molası

13:45 - 15:15

Özellik Çıkarımı ve Seçimi
Sınıflandırma ve Regresyon Yöntemleriyle (ML) Tahminleme

15:15 - 15:30

Kahve Molası

15:30 - 17:00

Hata Metrikleri ve Model Validasyonu
Adım Adım Modelin Sahaya Sürülmesi

17:00-18:00

Soru-Cevap
Networking

Etkinlik Ücreti

1 kişilik katılım ve sertifika ücreti: 250 ₺

Eğitime ücretsiz katılabilmek için @akademi40org Twitter hesabında herhangi bir tweet'i retweet etmeniz ve bize twitter üzerinden mesaj atmanız yeterlidir. (Ücretsiz davetiye 15 kişi ile sınırlıdır.)

Notlar

Bilgisayarlarınızı getirmeyi unutmayın.

Dijital Olgunluk Modeli Nedir?

Tue, 04 Feb 2020 08:35:15 GMT

Dijital Olgunluk Modeli, bir firmanın mevcut durumunu değerlendirmek veya geliştirilmesi gereken noktaları belirlemeye yardımcı olmak için kullanılan bir iş aracıdır.

Dijital Olgunluk Modeli için boyutlar ve tanımlar:

Müşteri

Çevrim içi ve çevrim dışı çözümler sunarak müşterilerin işlerini kolaylaştırabilir, dijital bir iş ortağı haline gelebilirsiniz.

Strateji

İşletmenin neden dijital dönüşüme ihtiyaç duyduğunu, bu konuda nasıl faaliyet göstereceğini saptayarak dijital çözümlerle rekabet avantajını artırıp genel iş stratejisine büyük katkıda bulunabilir, verimi arttırabilirsiniz.

Teknoloji

Müşterilerin genel giderleri ve ihtiyaçlarını belirleyerek veri oluşturmayı, işlemeyi, depolamayı, güvenli hale getirmek ve veri alışverişine yardımcı olacak bir dijital strateji belirlemek maliyet konusunda avantaj sağlayabilir.

Operasyonlar

İş verimliliğini ve etkinliğini artırmak için dijital teknolojileri kullanarak süreçleri ve görevleri başarı ile yürütebilir işlerinizi kolaylaştırabilirsiniz.

Kültür, İnsanlar ve Organizasyon

Dijital olgunluk eğrisi doğrultusunda; büyümek, yenilik hedeflerine ulaşmak, ilerlemeyi desteklemek yönetim süreçleriyle birlikte organizasyon kültürünü tanımlamak ve geliştirmek başarıya giden yoldaki adımlarınızı kuvvetlendirebilir.

Dijital Olgunluk Modellerinin Dijital Dönüşüm Projelerine Verdiği 4 Temel Destek:

Organizasyonlardaki sorunları ele alır, analiz eder ve uygun şekilde yapılandırır,
Kısa ve uzun vadede net, evrensel olarak anlaşılmış hedefler ve planlar oluşturmanızı sağlar,
Kuruluşların dönüşüm yolculuklarında hangi noktada olduklarını değerlendirmelerine yardımcı olur,
İşletmelerin dönüşüm yolculuğu sırasında ilerlemelerini objektif olarak ölçmelerine olanak sağlar.

Kaynak

İş Zekası Yazılımını Kullanmak için 10 Neden

Mon, 03 Feb 2020 08:56:17 GMT

İş zekası yani BI, şirketlerin stratejik planlamasında önemli bir rol oynar. İş zekası çözümleri; iş hedeflerine yönelik performans ilerlemesini ölçme, nicel analiz yapma, raporlama, veri paylaşımı ve müşteri öngörülerini belirleme gibi çeşitli amaçlar için kullanılır.

İş zekası, sadece mevcut verileri değil tahmini verileri de yeni çözümler sunmak için analiz eder ve bunun içinde bilgi işlem teknolojilerini kullanır. Yöneticilerin, karar vericilerin bilgilere erişmesini, analiz etmesini ve verileri anlamlandırmasını mümkün kılar. Yöneticiler böylelikle alınacak kararları en uygun şekilde analiz eder ve kuruluşlarını ileriye götürebilirler.

İş verilerini doğru bir şekilde işlemek ve yararlı bilgilere dönüştürmek için uygun BI araçlarına ihtiyacınız vardır. Günümüzün veri odaklı dünyasında, iş zekası yazılımı olmadan değerli fırsatları kaybetme riski ile karşılaşabilirsiniz.

İş zekası çözümlerinin sağladığı 10 faydayı aşağıdaki sizler için sıraladık;

Verilere Hızlı ve Doğru Bir Şekilde Ulaşın

İş kararlarının yerinde ve doğru verilmesi için işinizle ilgili birtakım verilere erişmeniz gerekir. Bu veriler yalnızca bir sütundaki sayılardan ibaret değildir, aynı zamanda bu sayıların ne anlama geldiği ve anlamlı bir bütün oluşturup oluşturmadığı da önemlidir. Bu nedenle doğru iş zekası yazılımını kullanmak, rekabet avantajı elde etmek için anahtar niteliktedir. İş zekası yazılımları şirketiniz için verilere doğru, kolay erişim sağlar ve işinizi kolaylaştırır.

İş Stratejilerinizi Sağlam Temel ile İnşa Edin

Şirketler, stratejileri dışında işlere odaklandıklarında zaman ve para kaybetme gibi risklerle karşı karşıya kalıyor. Bundan kaçınmak için, şirket stratejilerinize uygun performans hedefleri belirlemeniz gerekli. İş zekası araçları, şirketinize uygun hedefler sağlayarak bu konuda size yardımcı olabilir, böylece performansınızı doğru yöneterek şirketiniz için gerçekten önemli olan işleri geliştirmeye odaklanabilirsiniz.

Çalışanların Gücü = Veri Erişimi

İş Zekası çözümleri, çalışanların gerçek zamanlı verilere erişmelerini sağlayarak bilinçli, veriye dayalı doğru kararlar almalarını kolaylaştırır. Bu da, şirketlerin her düzeyde bilgiyi en üst verim düzeyine çıkarmasına olanak tanır. Çalışanlara profesyonel anlamda güç verir. Doğru verilerle elde edilen çıktılara sahip olmak, bir şirketin yerel ve küresel anlamda rekabet düzeyini geliştirir.

Veri Girme Ve Raporlama Zamanından Tasarruf

Manuel veri girişi, başka bir kaynaktan kopyalanıp yapıştırılsa bile insan hatasına neden olabilir. Sadece bu da değil, girişlerin düzgün bir şekilde yapılması çok zaman alır. İyi yapılandırılmış bir iş zekası sistemi kullanarak, veri girişi için harcanan zamanı ortadan kaldırır ve hesaplama yapmak için harcanan zamanı azaltabilirsiniz. İş zekası araçları, ihtiyacınız olan tüm bilgileri tek bir yerde görebileceğiniz bir platformun dışında, hızlı rapor oluşturma ve veri görselleştirme olanağı da sunar. Elde edilen raporlar işletmenizin nasıl bir performans gösterdiğini hızlıca görmenizi, zamandan tasarruf etmenizi ve karlı kararlar almanızı sağlar.

Müşterileri Davranışlarını Okuyun

Müşterilerin ihtiyaçlarını karşılamak işletmeleri ileriye taşır, bu nedenle müşteri davranışlarını doğru bir şekilde anlamlandırmak önemlidir. İş Zekası araçları olmadan müşterilerin geçmiş raporlarını izlemek saatler harcamak demektir ve müşterilerin gerçekten ne istediğini bu şekilde bilmek zor olacaktır. İş zekası yazılımı, müşteri memnuniyetini ve pazardaki rekabet avantajınızı artırmak için hangi müşterilerin önceliklendirilmesi gerektiğini belirlemenize yardımcı olur.

Satış Bilgilerinizi İzleyin

İş zekası uygulamalarının temel işlevlerinden biri de özellikle birden çok satış ortağıyla çalışıyorsanız, satış bilgilerini düzenli olarak tutmaktır. İş zekası verileri elinizdeyken hangi satış ortaklarının iyi performans gösterdiği veya hangilerinin daha fazla çaba göstermesi gerektiği gibi bilgilere kolaylıkla ulaşabilirsiniz.

Maliyet Kısabileceğiniz Alanları Tanımlayın

İş zekası yazılımı, işletmenizin envanter bilgisi gibi tasarruf edebileceğiniz alanlarını görmenizi sağlar. Yanlış ya da eksik envanter alımları ve bu araçların bakımları işletmeler açısından ek maliyetlere neden olabilir. Doğru kayıtlarla üretkenliği hangi noktada artırabileceğinizi ve maliyetleri azaltabileceğinizi tespit edebilir, tasarruflarınızı artırmak için gerekli önlemleri alabilirsiniz.

Çalışan Verimliliğini Arttırın

İş zekası araçları ile ekibinizin görevlerini, çıktılarını ve genel performansını izleyebilirsiniz. İş zekası, iş süreçlerinin verimini ölçerek, operasyonlarınızı nasıl daha verimli hale getirebileceğinizi belirlemenizi sağlar, böylece iş gücünüzü arttırır.

Müşterilerinize Ulaşmak için Sosyal Medyadan Yararlanın

Günümüzün en önemli iletişim araçlarından olan sosyal medya ile kuruluşlar, mevcut ve potansiyel müşterileri ile bağlantı halinde olabilir. Tüketici davranışları hakkında bilgi edinmek ve müşteri tabanınızı genişletmek iş zekası çözümlerinden yararlanabilirsiniz.

İşinizi Online Tehditlerden Koruyun

Veri ihlali ve kötü amaçlı yazılım saldırıları, işletmeler için en yaygın çevrim içi tehditlerdir, bu nedenle güçlü analiz ve gelişmiş güvenlik araçlarıyla donatılmış iş zekası çözümlerine yatırım yapmak çok önemli olacaktır. Güvenlik özelliklerine sahip birinci sınıf iş zekası yazılımı, kuruluşunuzu bilgisayar korsanlarından ve diğer kötü niyetli saldırılardan korumaya yardımcı olmak için tasarlanmıştır.

Şirketinize uygun iş zekası yazılımı ile büyük ilerlemeler kaydedebilir iş gücünüzü doğru yöneterek veriminizi arttırabilirsiniz.

Kaynak

Veri Stratejisinin Temel Parçası: Ana Veri Yönetimi

Mon, 03 Feb 2020 08:15:31 GMT

Ana Veri Yönetimi (MDM) nedir?

Ana veri, bir işletmenin işi için gerekli olan ve genellikle birden çok disiplinde ve departmanda kullanılan kritik verileri ifade eder. MDM (Master Data Management), işletme genelinde ve tüm iş ortaklarına doğru, tutarlı ve eksiksiz veriler sağlayan kurumsal düzeyde bir veri hizmetinin kurulması ve sürdürülmesidir. Ana Veri Yönetimi kavramı ve ERP uygulamaları son yıllarda birçok kuruluşta popüler olmuştur. Veri hacminin ve veri tabanlarının sayısının artmasıyla kullanıcıların verileri girmesi ve doğru olarak okuması giderek daha önemli hale gelmiştir.

Veriler büyüdükçe onları kontrol etmek zorlaşacaktır. Büyük organizasyonlarda, farklı departmanlar tarafından yönetilen müşteri veritabanı mevcut olabilir ve müşteriler aynı şirketin farklı departmanlarından birden fazla doğrudan posta veya bildirim alabilirler. Birbirinden habersiz departmanlar müşteriler için karışıklığa neden olabilir. Ana veriler müşteri bilgisini düzene sokmak dışında, potansiyel müşterilerin, tedarikçilerin, panelistlerin ve ürünlerin verileri gibi diğer önemli veri varlıklarından oluşur. MDM uygulaması zor bir iş sürecidir, teknolojilerin ve araçların ana verilerin işletme genelinde koordine edilmesini ve senkronize edilmesini sağlar.

MDM Neden Önemlidir?

Son zamanlarda büyük veri patlaması, analiz yeteneği ve IoT'nin hızlı ilerlemesi ile, yüksek kaliteli ana verileri referanslama ve uygulama daha önce görülmemiş derecede önemli hale geldi. Bir işletme sadece temel veri varlıklarını verimli ve doğru bir şekilde yönettiğinden emin olmakla kalmamalı, aynı zamanda şirketin halihazırda sahip olduğu mevcut ana verilere katkı ve referans vererek ekonomik ilerleme potansiyelini tam olarak gerçekleştirmek için yeni verilere ihtiyaç duymalıdır. Bu nedenle, MDM'nin bir şirketin büyümesi ve kâr etmesi için veri stratejisinin önemli bir parçasıdır. MDM yönetiminin stratejik kararlar alan yöneticiler için temel görevlerden biri olması gerekir.

MDM girişimlerinin son 10 yılda başarısız olmasının 2 ana nedeni vardır:

Diğer iş birimlerini örneğin satın alma ve destek birimlerini dahil etmeden sadece teknoloji ve araçlara güvenmek,
İleriye dönük düşünmeden mevcut veri sorunlarını çözmeye odaklanmak.

MDM'nin başarılı olabilmesi için iş odaklı bir süreç olmalı, departmanlar ve yöneticiler tarafından benimsenmelidir. Birçok durumda, birleşik ana verilerin oluşturulması ve sürdürülmesi için iş süreçlerinde temel değişiklikler yapılması gerekecektir. MDM’nin başarılı olması için iyi bir temel oluşturmak gerekir. MDM'yi bir kuruluşta veri yönetiminin önemli bir parçası olarak yerleştirmek ileriye dönük bir stratejilerin verimi için oldukça önemlidir. Deneyimlerden yola çıkarak, ETL (ayıkla, dönüştür, yükle) bir iş zekası projesine yeni bir veri seti eklendiğinde MDM yoluyla uygulanmasının kolay ve sorunsuz olduğunu gösteriliyor. Mevcut veriler ve süreçler için düzeltme yapmaya çalışmak genellikle yüksek maliyet ve büyük çaba gerektirir, bu da muhtemelen mevcut çıktılar üzerinde büyük etkiye neden olur. Aşağıda, başlangıçta MDM'nin uygulanması ile mevcut veri ve sistemlerinin sorunlarının düzeltilmesi arasındaki büyük farkları gösteren bir karşılaştırma bulunmaktadır:

MDM'nin Sonradan Uygulanması,

1. Veri depolarında yinelenen işlemler artan maliyet yükü,

2. Veri kalitesi ve veriye ulaşma sorunları,

3. Düşük müşteri memnuniyeti,

4. Potansiyeli olan veri varlıkları,

5. Yeni veri platformuna geçmenin zorluğu.

MDM'yi Başlangıçta Uygulanması,

1. Verimli, daha hızlı geliştirme ve düşük maliyet,

2. Düzenleme hızı, daha hızlı ve kaliteli veri toplama,

3. Yüksek müşteri memnuniyeti,

4. Daha fazla gelir ve fırsat elde etme,

5. Gerektiğinde yeni veri platformuna geçmek çok daha kolay olabilir.

Yukarıdaki karşılaştırmayla, MDM'nin herhangi bir şirketin veri stratejisinin önemli bir parçası olduğunu ve uzun vadeli çalışma ile geleceğe bir yatırım olduğunu görüyoruz. Başka bir deyişle, MDM'nin uzun vadede bir şirketin büyük veri, analiz ve IoT alanlarında büyümesi ve karlılığı için sağlam bir temel oluşturulması gerekmektedir.

Başarılı bir MDM Uygulaması için Dört Adım

MDM stratejisi belirlendikten bir sonraki adım ana veri yönetimini şirket içinde uygulamaktır. Bu da tek başına derinlemesine ele alınabilecek büyük bir konudur. 4 adımda MDM’nin kullanım alanlarını sıralayacağı;

Adım 1: Tüm şirketin işlerini kolaylaştıracak veri yönetimi ekibi kurun.

Bu MDM'nin en kritik ve temel parçası ve aynı zamanda en zor olanıdır. MDM'yi uygulamak için aşağıdaki yapıya sahip bir veri yönetim ekibi oluşturmak gerekir;

Yönetici ve Danışma Bilgi Ekibi, C-Level Yöneticiler ve Bölüm Liderleri,
Bilgi İşlem Görevlileri - genellikle BT veya CDO kuruluşlarından veri yönetim yöneticileri,
Veri Görevlileri - her iş departmanından alan uzmanları.

Veri Yönetimi ekibinin ana görevleri;

Veri yönetimi politikaları ve prosedürleri oluşturur ve bunları işletme ihtiyaçlarına veya veri, operasyon teknolojilerindeki değişikliklere göre revize eder,
Politikaları net bir şekilde iletmek ve güçlendirmek için düzenli iletişim kanalları oluşturur,
Veri sorunları için doğru çözüm sürecini belirler, akıllıca ve verimli bir şekilde sorunlara öncelik vererek ve çözüm için kararlar alır.
Sürece tüm paydaşların katılımını ve sahiplenmesini sağlar.

Aşağıda, veri yönetimi ekibinin karar vermesi gereken bazı temel alanlar listelenmiştir:

Şirketin kuruluşundaki temel veriler ve veri kümelerinin bir bütün haline getirmek,
Veri varlıklarının güvenlik ve düzenleme kısıtlamaları altında doğru kullanımı, paylaşılması gerektiğini aktarmak,
Şirketin bünyesindeki veri kullanımını standart tanımlar ve iş kurallarını çerçevesinde kullandırmak,
Veri politikalarının ve prosedürlerinin şirket genelinde uygulanmasını ve yürütülmesini sağlamak için doğru eylem ve planların belirlemek,
Tanım belirsizliklerini veya çakışmalarını önlemek.

Adım 2: MDM'yi Yeni Uygulamalara Uyarlama

MDM'yi başarılı kılmanın en basit ve verimli yolu veri oluşturulduğunda veri tutarlılığını sağlamaktır. MDM uzun vadeli bir projedir ve bir şirketin uzun vadeli eylemlerinin bir sonucudur. Verileri geçici bir şekilde değiştirmeye çalışmak etkisiz ve maliyetli bir iştir. Veri yönetim politikaları 2 kanalda uygulanmaktadır:

1. Yeni projeler ve uygulama geliştirme yoluyla,

2. Yeni bir veri yönetim yazılımı yani MDM kullanan kurumların uygulamaları, mevcut sistemleri ve sorunları düzeltmeye çalışırken karşılaştıkları yüksek maliyet ve çok fazla zaman harcamaları nedeni ile durabiliyor.

Bu maddelere ek olarak, verilerin doğru analiz edilerek doğru yorumlanması gerekir. Veri yönetimi tanımlarını, politikalarını ve ilkelerini aşağıda belirtilen teknik uygulamalara uygulamadır;

Veritabanlarının mantıksal ve fiziksel tasarımı (veri modelleme)
ETL işleminde sütun / alan adlarını ve iş kurallarını tanımlama
Raporlama motorunda görünen adları ve formülleri tanımlama
ERP ve Salesforce gibi üçüncü taraf yazılımlarını yapılandırma ve kurulum
Kalite Güvence (QA) testi ve Kullanıcı Kabul Testi (UAT)

Adım 3: Şirketiniz için Doğru MDM Yazılımını Seçin

İdeal bir MDM yazılımı aşağıdaki işlevlere sahip olmalıdır:

Bir şirketteki ana veri varlıklarının meta verilerine referans verme ve meta verilere erişim (ör. RDBMS, Kovan, düz dosyalar vb.)
Tanımları kolayca bulmak ve değiştirmek için bilgi - veri yönetimini etkinleştirin
Verileri gözden geçirmek ve verilerin tanımlamaları uygulamak için iş kurallarını yapılandırın

Piyasada Adım 1 ve 2’yi yapabilen birçok araç vardır, ancak Adım 3’ü bu yetilerdeki araçlarla yapmak kolay değildir. Bir MDM yazılımının aynı zamanda bir veri entegrasyon aracı olabilmesinin nedeni de budur. Yapay zekadaki (AI) son ilerlemeler veri yönetimi sistemininde geliştirecektir.

MDM yazılımının veri düzenlemede hâlâ bir araç olduğunu unutmayalım. Yönetim ve C-level yöneticilerin desteği olmadan, yazılımın kendisi yeterli değildir. Ayrıca, her departmanda bulunacak olan veri geliştiricilere büyük iş düşmektedir.

Adım 4: Mevcut ve Eski Sistemleri Yönetmek için MDM Özelliğinden Yararlanma

Birçok şirket sıfırdan yeni ana veri kümeleri oluşturma lüksüne sahip olmayabilir, bu da mevcut veritabanını ve ilgili uygulamaları yenilemeleri gerektiği anlamına gelir. MDM'nin mevcut veri varlıklarına uygulanması genellikle karmaşıklık ve maliyet nedeniyle çok çaba gerektirir ve bu uyarlamalar başarısız olabilir. MDM'nin başarılı olmasını sağlamak için, çok aşamalı bir yol haritası oluşturmak gerekmektedir. Bazı şirketlerde yeni platforma taşınana kadar MDM'yi kısmen uygulamak daha iyi bir strateji olabilirken, bazı işletmelerde MDM'yi hızlıca işleme sokmaya çalışmak doğru bir tercih olabilir. Bu iki durumda da ana veriler ile birleştirilmiş ve gelişmiş yeni veri kaynakları elde edilir.

Sonuç

MDM, şirketlerde veri kümelerinden gelir ve kâr potansiyelini tam olarak anlaması için bir zorunluluk haline gelmiştir, ancak uygulanması kolayda değildir. MDM, şirketin uzun vadeli bir ön görüye sahip olabilmesi için öncelikle veri stratejisinin kalıcı bir parçası haline gelmelidir. Daha sonra, üst yönetimden destek alınarak diğer departmanların veri temsilcilerinin çabası ile güncel kalmalıdır. Mevcut veri ve sistem sorunlarını çözmek için bir MDM'nin benimsenmesi ilk etapta oldukça zorlayıcı olacaktır. Bunun yerine, MDM'nin yeni veri kaynaklarına ve yeni uygulamalara uygulanması, mevcut veri ve sistemlere aşamalı olarak başarılı bir şekilde geçilmesi kurum içinde benimsenmesi kolaylaştıracaktır.

Kaynak

Artırılmış Gerçeklik ile Kontakt Lens Üretimi

Mon, 03 Feb 2020 05:49:36 GMT

Artırılmış gerçeklik (AR) gözlükleri potansiyel olarak çok faydalı olsa da, onları giyip dolaşmak biraz garip olabiliyor. Kaliforniya merkezli girişim Mojo Vision, AR teknolojisini kontakt lense entege ederek daha şık, daha az garip görünecek bir alternatif geliştiriyor.

Şu anda bir prototip olan Mojo Lens, "şimdiye kadar yapılmış en küçük ve en yoğun dinamik ekran" olarak sunuluyor. Kullanıcının gerçek dünya görüşü üzerine bindirilen hareketli metin ve grafikler, 14.000 ppi'nin (inç başına piksel) üzerinde bir piksel aralığında ve inç kare başına 200 milyon pikselin üzerinde bir piksel yoğunluğa sahip olacak.

Lensin içinde ayrıca "bilgisayar görüşü için optimize edilmiş dünyanın en yüksek güç verimliliği sağlayan görüntü sensörü", bir radyo vericisi / alıcısı ve hem kullanıcının göz hareketlerini izleyen hem de MicroLED ekranı stabilize eden hareket sensörleri bulunacak. Mevcut prototip kablosuz olarak üretilirken, son haline gelecek sürümde şarjın bir tam günlük kullanımı için özel bir pil geliştiriliyor.

Peki, ne zaman kullanabiliriz?

Mojo Vision'ın Ürün ve Pazarlama Kıdemli Başkan Yardımcısı Steve Sinclair, "Mojo, hala Mojo Lens'i tasarlama, prototip oluşturma ve test etme aşamasındadır, " "Önümüzdeki birkaç yıl içinde ilk nesil Mojo Lens'in gelişimini tamamlamayı hedeflememize rağmen, FDA tarafından onaylara ve sertifikaya tabiyiz."

Kaynak

Tedarik Zinciri Süreçlerinde Blokzincir Kullanımı

Fri, 31 Jan 2020 14:00:00 GMT

Detaylar

Tedarik zinciri süreçlerinde blokzinciri altyapısının kullanımı
Veri yapıları, farklı ERP sistemlerinin birleştirilmesinde nasıl kullanıldığı
Blokzincirin geleceği

Kahve Molası
Networking
Soru/Cevap

Melih Birim kimdir?
https://www.linkedin.com/in/melihbirim/

İşletmeler Neden IoT Teknolojileri Kullanmalı?

Mon, 27 Jan 2020 13:04:01 GMT

IoT karşımıza ev ortamındaki etkisiyle çok sık bir şekilde çıkmaktadır. Akıllı ev yenilikleri ile, IoT ürünleri kullanma ve satın alma yönelimlerimiz tamamen değişti diyebiliriz.

Peki IoT teknolojisi, iş ortamında nasıl kullanılabilir?

IoT teknolojileri işletmelerin işleyişini ve verimliliklerini nasıl artırabilir ve daha da önemlisi iyileştirebilir?

Soruların cevabı basit, şirket genelinde bireylerin üretkenliği IoT cihazlar kullanarak ile belli bir oranda arttırılabilir. Öyleyse, işletmeler IoT'yi gelecek yıl ve on yıl içinde entegre etmek için hangi yollara başvurmalı? Bunları inceleyelim.

Ekibinizle Bağlantı Kurun

IoT bağlantı araçlarını kullanarak ekibinizi hiç olmadığı kadar yakınlaştırabilir örneğin tüm çalışanlarınızı aynı sayfada ortak bir çalışma alanında buluşturabilirsiniz. Günümüzde çalışma şartları değişiyor, uzaktan çalışma koşullarını iyileştirmek için IoT teknolojilerinden faydalanılabilir.

Bağlanırlık ve IoT teknolojileri, çalışanların birbirlerine, işlerine, iç görülerine, ayrıca bağlı bulundukları cihazlara ve veri kümelerine anında erişim anlamına gelir. Uygun IoT araçlarını kullanarak, uzaktan çalışanlar işlerini daha hızlı ve daha iyi bir şekilde tamamlayabilecektir.

IoT aracılığıyla bağlantıların kullanımı ofis çalışanları ile sınırlı değildir, birçok sektörde de kullanılabilir. Örneğin dağıtım şirketleri, akıllı gösterge panoları kullanarak dağıtıcı personeli ofis personeline bağlar, aktif kontrol sağlar.

Gelecekte, sürücüsüz araçlara yatırım yapmak yerine, sürücü sürecini otomatikleştirmek ön plana çıkacaktır. iCompario tarafından üretilen bir teknoloji sürücüye arıza ihtimalini önceden bildirecek ve ayrıca yakıt seviyesi konusunda ilgili birimleri önceden uyararak zaman tasarrufu sağlayacak. Bu da finans ekipleri için işleri kolaylaştıracak bir sistem haline gelecektir.

IoT'nin kullanımını entegre ederek tüm ekiplerin doğru ve belirli hedeflerle birlikte çalışmasını sağlar, bağlantılı bir ekip oluşturabilirsiniz.

Bir İş Gününün Düzenlenmesi

IoT, otomatikleştirme vaadiyle geldi ve süreçleri düzene sokma yetenekleri üzerine kuruldu. IoT teknolojisi 2020 yılında, iş dünyasında kendini sağlam bir şekilde konumlandırdı. Ofislerde IoT teknolojisi, işi inanılmaz derecede basitleştirme ve kolaylaştırma potansiyeline sahip.

Çalışanların tekrar eden görevlerini otomatikleştirmek için akıllı cihazları kullanmak onları bu rutinden kurtararak farklı görevlerde yer almasını sağlayabilir. Bu sadece personelinizin yaptıklarını verimli hale getirmekle kalmaz, gelecekte tamamlanması daha zor görevler için kolaylık sağlar.

Yine de tüm önemli görevleri makineler yapacak gibi bir durum olmayacak. IoT, otomatikleşmiş görevleri daha yönetilebilir hale getirmek için kullanılabilir. Akıllı asistanların yaygınlığı, personelin iş yüklerini daha verimli bir şekilde yönetmelerine olanak tanıyarak görevleri doğru zamanlamayla yapmalarını sağlayacaktır.

Enerji Maliyetlerini Düşürme

Ofisin iyi aydınlatılması ile ilgili ya da sıcaklığın nasıl olması gerektiği konusunda çok fazla tartışma var, bu tartışmalar verimliliği düşürüyor. İş verimliliği sadece bir görevin ne kadar çabuk gerçekleştirildiği ile ilgili değildir. Hedeflerinize ulaşmak için mükemmel bir çalışma ortamı yaratmak iş verimini arttıracaktır. IoT, bu unsurları işletmeler için uygun ve erişilebilir hale getirerek ve maliyetleri azaltacak şekilde ayarlayarak devrim yaratabilir.

Ofisteki veya depodaki aydınlatmadan sıcaklığa kadar birçok unsur akıllı IoT teknolojisi ile algılanabilir ve kontrol edilebilir. Örneğin, Phillips Hue gibi bir akıllı ampulü ofisinize entegre ederek sadece ampullere harcanan miktarı azaltmazsınız, çalışanlarınıza akıllı telefonlarıyla aydınlatmayı ihtiyaçlarına göre ayarlama fırsatı da verirsiniz.

Akıllı termostat kontrolü, farklı mikro iklimlere uyacak şekilde odanın içinde olan sıcaklığın anında ayarlanmasına da olanak tanır. Doğru çalışma koşulları olmadan, doğru verim elde edilemez bu da güzel bir masaya sahip olmaktan çok daha önemlidir.

Müşteri Taleplerine Hızlı Yanıt Verin

IoT teknolojisi, müşterilerin soruları hızlı yanıtlayıp, ses kontrolü sistemiyle satın alma süreci basite indirgeyebilir. IoT teknolojisi, işletmelerin müşteri alışkanlıklarını tahmin ve kontrol ederek verimliliği artırabilecektir.

Akıllı buzdolapları gibi yeni teknolojiler, tüketiciler arasında yeni bir ihtiyaç yarattı. Artık akıllı teknoloji sadece komutları yerine getirmekle kalmıyor, cihazlardan veride topluyor. Bu verilerde personelinize yol göstererek daha verimli bir şekilde doğru kişiliklere ulaşmasını, kişilerin satın alma alışkanlıklarının kontrolü sağlar. Satın alma sürecini düzene sokar ve bir sonraki satın almayı tahmin etmesine yardımcı olur.

İşletmenizin müşterinizin alışkanlıklarını kontrol etmesi daha verimli hizmet sunmaya olanak sağlar. Akıllı cihazlar tüketicilere düzenli satın alma işlemlerini hatırlattığı ve yenilerini önerdiğinde gelecek için düzenli bir satın alma talimatı haline gelebilir. Veri toplama, şirketlerin hedef müşterileri tutmasına, marka sadakatini artırmasına ve daha sağlıklı bir ilişki için etkileşimi kişiselleştirmesine olanak tanır. Güncel olmak, yeni teknoloji kullanmak rakiplere ayak uydurmak için önemli bir adımdır.

IoT'nin iş yerlerine uyarlanması verimliliği yüksek oranda artırabilir. Görevler kolaylaştırılabilir, otomatik hale getirilebilir ve müşterilere ulaşma, hizmet etme şekline göre, personel için mümkün olduğunca basitleştirilebilir.

Kaynak

Akıllı Üretim için 5G

Fri, 24 Jan 2020 14:00:00 GMT

Akıllı Üretim İçin 5G

Akademi 4.0 HUB'ta ücretsiz olarak gerçekleştireceğimiz etkinliğimize katılabilirsiniz.

Murat Bayazıt kimdir?

linkedin.com/muratbayazit

Ayhan Kapusuz kimdir?

linkedin.com/ayhankapusuz

Bu etkinlikte neler öğreneceksiniz?

Türkiye’de ilk defa WIN Eurasia’da hayata geçecek, i2i Systems’in yerli ve milli 5G frekansının kullanılacağı “Akıllı Üretim için 5G“ senaryoları ile 5G ve ötesini konuşacağız.

Etkinlik Detayları

Etkinliğimiz 14:00'da başlayacaktır.
Kahve Molası
Networking
Soru / Cevap

Detaylı bilgi: info@akademi40.org

6 Adımda Dijital Dönüşüm İçin BPM

Wed, 22 Jan 2020 09:39:30 GMT

İş dünyası, maliyet ve hedeflere ulaşma açısından daha verimli iş süreçleri bulmak için farklı yöntemleri sürekli olarak değerlendirmektedir. Performansı ölçmede kullanılan metrik oluşturma uygulaması, işletme sahiplerinin ve yöneticilerinin iş süreçleri için daha iyi bir yatırım getirisi elde etme yollarından biridir. İş performansı yönetimini, bir şirketin hedeflerine ulaşmada kullandığı yöntemleri izlemenin ve daha sonra daha iyi yöntemler bulmak için bu verileri kullanmaktır olarak özetleyebiliriz. Hedeflere ulaşmak ve etkili yöntemler geliştirmek için yönetim prosedürlerini izleme fikri, ilk çağlardan bu yana mevcuttur. İş performansı yönetimi, bu izleme sürecini kolaylaştırmak ve kurumsal hedeflere ulaşmanın daha verimli bir yolunu geliştirmek için geliştirilmiştir.

İş Performansı Yönetimi (BPM) Nedir?

İş performansı yönetimi, kurumsal hedefler belirleme, bu hedeflere ulaşmak için kullanılan yöntemleri izleme ve daha sonra yöneticilerin bu hedeflere daha etkin bir şekilde ulaşma yollarını oluşturma eylemidir. Bir şirket veri toplayarak, verileri analiz ederek, yönetimsel değişikliklerin performans üzerindeki etkilerini belirleyebilir ve daha etkili bir süreç oluşturmaya yardımcı olmak için bu değişiklikleri kullanabilir. İş performansı yönetimi fikri geniş bir kavramdır, ancak en iyi şekilde ifade etmek gerekirse; belirli hedefleri analiz etmek ve bir şirketin işletme maliyetlerinden tasarruf etmesine yardımcı olurken aynı zamanda daha fazla gelir elde etmek için kullanılır diyebiliriz. İş performansı yönetimi hakkında en önemlisi de, personelin ve yönetimin performansını artırmak için kullanılmasıdır. Metriklerin kullanımı sadece bir amaç için bir araçtır ve bu amaç daha yüksek karlılıktır.

İş Performansı Yönetimini Ana Faaliyetleri Nelerdir?

Her iş performansı yönetimi izleme programı üç ana faaliyetten yararlanır: hedeflerin seçimi, konsolidasyon ve müdahale. Bu 3 ana faaliyet daha verimli bir süreç oluşturmaya yardımcı olmak için diğeriyle birlikte çalışır. Her faaliyetin diğerini etkilediği gibi hepsinin birlikte çalışarak daha iyi iş süreçleri geliştirmesine katkısı olduğundan son derece dinamik bir sistemdir.

Hedef Seçimi Nasıl Yapılır?

Hedeflerin seçimi aslında müdahale yoluyla elde edilen sonuçlarla değiştirilebilen ve devam eden bir süreçtir. Herhangi bir iş performansı yönetimi programıyla yapmak gereken ilk şey, kurumsal hedefler belirlemek ve daha sonra bu hedeflere ulaşmak için kullanılacak politika ve yöntemleri belirlemektir. Program başladıktan sonra, değişikliklerin süreç üzerindeki etkileri hedefleri değiştirmeye başlayacaktır. Eğer yönetimsel kararlar üretkenliği arttırdıysa, hedefi geliştirmek gerekebilir. Hedefin amacı, başarıyı belirleme konusunda yönetime kullanılacak bir ölçme birimi vermektir.

Bilgiler Nasıl İzlenir?

İş performansı yönetiminde yer alan ikinci faaliyet, bilgi konsolidasyonu olarak da bilinen bilgi izlemedir. Bu, verilerin toplandığı ve ilgili verilerin analiz edildiği bu sürecin bir parçasıdır. Verileri oluşturmak için kullanılan metriklerin listesi şirkete ve projeye göre değişir ve veriler performans yönetimi sürecinin kritik bir parçası haline gelir.

Yönetim Ayarlamaları Nasıl Yapılır?

Veriler incelendikten sonra yönetim, verimliliği ve karlılığı artırmak için hangi önlemlerin alınacağına karar verir. Bu değişiklikler grafik haline getirilmiş ve etkileri bilgi izleme faaliyetine geri dönmüştür. Yapılan düzeltmelerin şirketin hedeflerini yansıtması çok önemlidir. Hedefleri yansıtmak zor olabilir çünkü hedefler her zaman finansal kaynaklı değildir. Örneğin, hedef çalışanların iş doyumunu yüzde 20 oranında artırmaksa, yönetim tarafından alınan önlemler finansal bir değerlendirme gerektirmez.

İş Performansı Yönetiminde Nelere Dikkat Etmeliyiz?

Bir şirket bir iş performansı yönetim programı tasarladığında dikkate alınması gereken birkaç husus vardır. İş Performans Yönetimi sadece şirket üretkenliğini baz almaz, aynı zamanda aşağıdaki hususlarla da ilgilidir:

Yatırımcılar
Satıcılar
Ortaklar
Rekabet

İş performansı yönetimi programının hedefleri şirketi zayıflatacak ve rekabetin daha fazla pazar payı almaya başlamasına izin verecek mi?

Şirket bu hedeflere ulaşmak için ne kadar risk almak istiyor?

Bir iş performansı yönetim planı uygulamadan önce şirket, yukarıdaki sorulara cevap vermeli ve böyle bir planın işinin her yönünü nasıl etkileyeceğini düşünmelidir.

Kaynak

Endüstriyel Nesnelerin İnterneti (IIoT)

Wed, 22 Jan 2020 09:21:10 GMT

Endüstriyel Nesnelerin İnterneti (IIoT), üretim ve endüstriyel süreçleri geliştirmek için akıllı sensörlerin ve aktüatörlerin kullanılmasıdır. Endüstriyel internet veya Endüstri 4.0 olarak da bilinen IIoT, akıllı makinelerin ve gerçek zamanlı analizlerin gücünü, makinelerin yıllardır endüstriyel ortamlarda ürettiği verilerden yararlanmak için kullanır. IIoT'nin arkasındaki temel felsefe, akıllı makinelerin verileri gerçek zamanlı olarak yakalama ve analiz etmede insanlardan daha iyi olmasının dışında, iş kararlarını daha hızlı ve daha doğru bir şekilde alabilmektir.

Birbirine bağlı sensörler ve aktüatörler, şirketlerin iş zekası (BI) çabalarını desteklemenin yanı sıra verimsizlikleri ve sorunların çözümünü daha çabuk bulması, zaman ve paradan tasarruf etmesini sağlar. Özellikle üretimde IIoT ile kalite kontrol, sürdürülebilir yeşil uygulamalar, tedarik zinciri izlenebilirliği ve genel tedarik zinciri verimliliği için büyük bir potansiyele sahiptir. Endüstriyel bir ortamda IIoT, kestirimci bakım (PDM), gelişmiş saha servisi, enerji yönetimi ve varlık takibi gibi süreçler için anahtardır.

IIoT nasıl çalışır?

IIoT, verileri izleyen, toplayan, paylaşan ve analiz eden form sistemlerine bağlı akıllı cihazlardan oluşan bir ağdır. Endüstriyel IoT ekosistemi aşağıdakilerden oluşur:

Kendileri hakkında bilgi algılayabilen, iletebilen ve depolayabilen akıllı varlıklar;

Genel ve / veya özel veri iletişim altyapısı,

Ham verilerden iş bilgisi üreten analizler ve uygulamalar

Ve insanlar.

Edge cihazları ve akıllı varlıklar, örneğin belirli bir makine parçasının nasıl çalıştığına dair bilgileri eyleme dönüştürerek veri iletişim altyapısına doğrudan bilgi iletir. Bu bilgiler daha sonra kestirimci bakım veya iş süreçlerini optimize etmek için kullanılabilir.

IIoT'nin Faydaları

IIoT'nin işletmelere sağladığı en büyük avantajlardan biri, kestirimci bakımdır. Bu da makinelerdeki kusurları tahmin etmek için IIoT sistemlerden gelen gerçek zamanlı verileri kullanmak demektir. Örneğin; bir hata oluşmadan önce ya da makine çökmeden önce gelen veriler analiz edilerek önceden harekete geçme imkanı sağlar.

Bir diğer ortak fayda da iyileştirilmiş saha servis hizmetidir. IIoT teknolojileri, saha servis teknisyenlerinin müşteri ekipmanlarında ki önemli sorunları büyük sorun haline gelmeden tanımlamalarına yardımcı olur, sorunların müşteriler fark etmeden önce çözülmelerini sağlar.

Varlık takibi başka bir IIoT yeteneğidir. Tedarikçiler, üreticiler ve müşteriler, tedarik zinciri boyunca ürünlerin konumunu, ve durumunu izlemek için varlık yönetim sistemlerini kullanabilirler. Ürünler hasar görürse veya hasar görme riski varsa, sistem paydaşlara anında uyarılar göndererek durumu düzeltmek için önlem alma şansı verir.

IIoT ayrıca müşteri memnuniyetini arttırır. Ürünler nesnelerin interneti ile bağlantı kurduğunda, üretici müşterilerin ürünlerini nasıl kullandığına dair verileri analiz edebilir, böylece üreticilerin ve ürün tasarımcılarının gelecekteki IoT cihazlarını uyarlamasına ve müşteri merkezli ürünlerin oluşumuna yol haritası çıkmış olur.

IIoT ayrıca tesis yönetimini de geliştirir. Üretim ekipmanı, aşınma, yıpranma ve ayrıca fabrika içindeki belirli koşullara duyarlı olduğundan, sensörle titreşimleri, sıcaklığı ve optimum koşullar dışında daha az çalışmaya neden olabilecek diğer faktörleri izleyebilir.

IIoT ve IoT Arasındaki Fark

Nesnelerin interneti (IoT) ve endüstriyel nesnelerin interneti (IIoT), bulut platformları, sensörler, bağlanabilirlik, makineden makineye iletişim ve veri analizi de dahil olmak üzere birçok teknolojiye sahip olsa da, farklı amaçlar için kullanılırlar.

IoT uygulamaları cihazları, tarım, sağlık, işletme, tüketici ve kamu hizmetlerinin yanı sıra hükumet ve şehirler de dahil olmak üzere birçok sektörde birbirine bağlar. IoT cihazları, bir şey yanlış giderse genellikle acil durumlar oluşturmayan akıllı cihazlar tıpkı fitness bantları gibi uygulamaları da içerir.

IIoT uygulamaları ise petrol, gaz, kamu hizmetleri ve imalat gibi sektörlerdeki makine ve cihazları birbirine bağlamaktadır. Sistem hataları, IIoT uygulamalarda, dağıtımlardaki sistem hataları, durma süresi, yüksek riskli durumlara ve hatta hayati durumlara neden olabilir. IIoT uygulamalarının IoT uygulamalarından farkı IoT’nin kullanıcı merkezli doğasına karşı verimliliği artırmak, sağlık veya güvenliği iyileştirmekle ilgilidir.

IIoT uygulamaları ve örnekler

Bir enerji ve otomasyon şirketi olan ABB akıllı robotların gerçek dünyadaki IIoT uygulamasını, parçaların kırılmadan önce onarımları yapmak ve robotlarının bakım ihtiyaçlarını izlemek için birbirine bağlı sensörler kullanıyor.

Aynı şekilde, ticari jetliner üreticisi Airbus, operasyonları kolaylaştırmak ve üretimi artırmak için dijital bir üretim girişimi olan "geleceğin fabrikası" adını verdiği yeni bir fabrika sistemine geçiş yaptı. Airbus, sensörleri atölyedeki makinelere ve araçlara entegre etti ve giyilebilir teknoloji ile örneğin endüstriyel akıllı gözlükler kullanarak hataları azaltmayı ve iş yeri güvenliğini artırmayı amaçlayan teknolojiler ile donattı.

Başka bir robot üreticisi Fanuc, robotlarındaki bileşenlerin olası arızalarını tahmin etmek için robotik sensörleri ve bulut tabanlı veri analizini kullanıyor. Bu teknoloji, tesis yöneticisinin bakımı uygun zamanlarda planlamasını, maliyetleri düşürmesini ve olası arıza sürelerini önlemesini sağlamakta.

Avusturyalı bir otomotiv üreticisi olan Magna Steyr, araçlar ve araç parçaları dahil ürünleri takip etmek ve gerektiğinde otomatik olarak daha fazla stok sipariş etmek için IIoT'den yararlanıyor. Şirket ayrıca depolarındaki ürünleri izlemek için Bluetooth ile geliştirilmiş "akıllı ambalajı" adı verdikleri bir sistemi kullanıyor.

IIoT Uygulamaları Sağlayıcıları

IIoT platformlarına sahip bir dizi sağlayıcı vardır bunlardan bazılarını sizler için sıraladık;

Bir enerji ve otomasyon şirketi ABB Ability,

Bir ağ şirketi olan Cisco'dan IoT Sistemi,

Endüstriyel otomasyon ekipmanı tedarikçisi Fanuc tarafından Field,

Bir enerji yönetim şirketi olan GE’den Predix,

Yazılım-sanayi şirketi Honeywell'in Connected Performance Services,

Connyun by Kuka, endüstriyel robot üreticisi (bir BT danışmanlık firması olan Infosys ile ortaklaşa yaratılmış);

Schneider Electric tarafından Wonderware bir enerji yönetim şirketi olan, ve

MindSphere, bir endüstriyel üretim şirketi olan Siemens'ten.

IIoT'nin geleceği

Bain & Company, endüstriyel IoT uygulamalarının 2020 yılına kadar tüketici IoT segmentinin (150 milyar $) iki katı olarak 300 milyar dolardan fazla olacağını tahmin etmektedir.

Benzer şekilde, IDC Research, 2018 yılında IIoT'ye yatırım yapan ilk üç endüstrinin üretim yönetimi (189 milyar $) olduğunu ve varlık yönetimine odaklandığını bildirdi; yük izleme ve filo yönetimine odaklanan taşımacılık (85 milyar dolar); ve akıllı şebekelere odaklanan kamu hizmetleri (73 milyar dolar), tüketici IoT harcamaları ise 62 milyar dolara ulaşacak.

Daha iyimser olarak Accenture, IIoT'nin aynı dönemde ekonomiye 14.2 trilyon dolar eklemesini ve 2020 yılına kadar% 7.3 bileşik yıllık büyüme hızında (CAGR) büyümesini bekliyor.

Kaynak

Dijital İkiz ve IoT Arayüzlerinin Geleceği

Mon, 20 Jan 2020 05:58:40 GMT

Dijital ikiz ve IoT Arayüzlerinin Geleceği

Dijital ikizleri IoT ile eşleştirmenin avantajları
Eşleştirme yoluyla IoT cihaz güvenliğini artırma
Üretim maliyetlerini azaltmak için bu teknolojiyi kullanma

Dijital İkiz Nedir?

Dijital İkiz konsepti oldukça yeni bir kavram olmasına rağmen, ana fikri yıllardır kullanılmaktadır.

IoT cihazları uzaktan güvence altına almak ve güncellemek için dijital ikiz kullanımı

Dijital İkiz ve IoT'yi entegre etmenin gelecekteki en büyük yararı, IoT cihazlarınızın güvenliğini sağlamak için cihazların kendisine fiziksel ihtiyaç duymayacaksınız. Başarılı bir dijital model, dijital ikiz platformlarını kullanarak ve doğrudan cihazlarınıza bağlanarak bu tehditi çözebilir. IoT cihazları ofislere, veri depolama birimlerine ve iş hayatımızın diğer yönlerine tam olarak dahil ettiğimizde güvenlik riski de bir o kadar artacaktır. Gelişmiş IoT cihazlarını ilk kez kullanacak olan işletmeler, cihazlarını tam olarak güvence altına almak için yapmaları gerekenler hakkında bilgi sahibi olmazlarsa, bilgisayar korsanları şirket verileri için büyük bir tehlike oluşturacaktır. Dijital İkiz teknolojisinin devreye gireceği nokta burasıdır.

İşte Dijital İkiz'in IoT cihazlarının güvenliğini nasıl sağlayacağına dair birkaç ipucu:

Dijital İkiz, çevrim içi arayüzlerini kullanarak IoT cihazlarını uzaktan güncelleme yeteneğine sahip olacaktır. Cihazların sanal modelleri ile hataları ve güvenlik açığının kaynağını saptamak mümkün olacaktır. IoT cihazları, bir ihlalin gerçekleşmesi potansiyelinin olduğu herhangi bir zamanda uzaktan kapatılabilecektir. Dijital İkiz, IoT cihazlarını sayısız olasılıklara maruz bırakacak ve iki teknoloji bir araya gelerek IoT cihazlarının güncel, tamamen kontrol edilebilir ve güvenli tutulması gibi konularda büyük faydalar yaratacaktır.

Dijital İkizin Gelişmesi IoT Cihazları da Geliştirecek

Dijital İkiz, teknolojinin güvenliği geliştirme yeteneğinin yanı sıra, hayati iş süreçlerini iyileştirmek için de IoT cihazlarla entegre olabilir.

Dijital İkiz Neden Önemli?

IoT Cihazların gelişim hızını artırmak ve üretim maliyetlerini azaltmak için.

Cihazlar hakkında daha fazla bilgi öğrenmeyi isteyen işletmeleri çeken dijital İkiz teknolojisinin en büyük avantajlarından biri, teknolojinin IoT cihaz geliştirme maliyetlerini azaltma yeteneğidir.

Bu teknoloji ile, Dijital İkizlerin sağladığı sanal platformu kullanarak herhangi bir IoT cihazın sanal bir versiyonunu yeniden oluşturmak mümkün olacaktır. Cihaz ne olursa olsun, tamamen yeniden inşa edilmiş bir prototip ile cihazın performansını test etmeyi, ısıtma ve soğutmayı izlemeyi, parçalarını, modelini ve yapısını tam olarak yeniden monte etmeyi sağlayacaktır. Bu sistem, bir IoT sisteminin temel bileşenlerini denemeyi ve herhangi bir değişiklik yapıldıktan hemen sonraki performansını kontrol edilmesine izin verecektir. Bu da maliyetten tasarruf etmeyi sağlayacaktır. Sadece maliyet verimliliği sağlamayacak ayrıca sağlam bir ilerleme sağlayacak kadar verimli bir sistem olup olmadığının kontrolünü yapacaktır.

IoT ve Dijital İkiz dünyasını daha uyumlu hale getirecek yeni yollar bulmaya çalışmak, yalnızca iş dünyası için değil, aynı zamanda insanların kişisel yaşamları, günlük işleri, güvenlikleri ve refahı üzerinde de derin etkileri olacaktır.

Kaynak

SCADA ve Uygulamaları

Fri, 17 Jan 2020 15:00:00 GMT

Program Detayları

ICC Dijital Endüstriyel Teknolojiler Kurucusu Tamer Yiğit SCADA ve Uygulamaları üzerine eğitim gerçekleştirilecek. Eğitime ücretsiz olarak katılabilirsiniz.

Networking
SCADA ve Uygulamaları
SCADA nedir? Nasıl seçilir? Uygulamalar
Kullanım amaçları
Bağlantı protokolleri
Modüler yapı ile konfigürasyon oluşturma.
Kahve Molası
Soru/Cevap

Eğitmen Hakkında

Tamer Yiğit

Salon Özellikleri

4K Projektör
Android TV Box
Özel Tasarım Lightboard

Hannover Messe 2020 Dijital Ekosistemlere Odaklanıyor

Thu, 16 Jan 2020 10:17:16 GMT

Hannover Messe, 14 ile 17 arasındaki salonlarda dijital ekosistemler çerçevesinde önemli endüstriyel dönüşüm teknolojilerini sunacak. Ekosistem, endüstriyel zincirdeki her bağlantı için oluşturulan tüm yazılım yelpazesinin kapsamıdır.

Hannover Messe 2020’de daha öncede olduğu gibi “süreçler ve teknolojiler” birbirlerine entegre olarak karışımıza çıkacaktır. Deutsche Messe Küresel Dijital Ekosistemler Direktörü Hubertus von Monschaw; "Endüstri 4.0’da şu anki çağda; esnek üretim, bağımsız ancak entegre makineler, sistemler ve süreç bilgisinin alışverişi üzerinde duruluyor " dedi.

Fuarda katılımcılar arasında Autodesk, Atos, Amazon Web Hizmetleri, Cisco, Dassault, EPLAN, Huawei, Kaspersky, MPDV, Microsoft, PSI, SAP, Siemens PLM, Software AG ve Telekom gibi büyük isimler yer alacak. Ayrıca Google, ProAlpha , McAfee ve Knapp gibi önde gelen markalarda yer alacak. Konular arasında gerçek zamanlı izleme (real-time monitoring), artırılmış/sanal gerçeklik (virtual/augmented reality), endüstriyel güvenlik, öngörücü bakım (predictive maintenance), makine öğrenme (ML), MES (üretim yürütme sistemleri), lojistik (WMS ve TMS), veri analizi, CAD (Bilgisayar Destekli Tasarım), PLM (ürün ömrü yönetimi), iş platformları, ERP (kurumsal kaynak planlama), KKP yer alacak.

Fuarda Dikkat Çeken Konular

Bu temalar Hannover Messe'de 100.000'den fazla ziyaretçi çekti ve çekecekte. Hepsi için ortak olan önemli bir husus, uygulamaların ve teknolojilerin günden güne hızlanmasıdır. MES ve veri analizi buna bir örnektir. Üretim yürütme sistemleri (MES), gelecekteki performanslarını geliştirmek için uygun iyileştirmeler, kontroller, uygun veri analizi kullanılarak analiz yeteneğinini geliştirebilir. Monschaw şöyle açıklıyor: "Bugünün MES sistemleri, makinelerin hata analizlerinden daha fazlasıdır. Optimizasyon kapsamını belirlemek ve hatta tamamen yeni iş modelleri geliştirmek için verileri bir araya getirmeyi içerir."

Kaynak

Airbnb, Müşterilerinin Güvenliği için Yapay Zekadan Faydalanacak

Thu, 16 Jan 2020 10:12:40 GMT

Airbnb rezervasyonunuzu iptal ettiyse bunun sebebi sizin bir psikopat olmanız olabilir.

İnternet üzerinden kiralama yapan Airbnb son zamanlarda gündeme gelen kiralık evlere zarar verme, yasa dışı partiler gibi olaylar yüzünden yeni bir yapay zeka uygulaması kullanmaya karar verdi.

Bu uygulama, Airbnb üzerinden kiralama yapmak isteyen kişileri tarayacak, kullandıkları zararlı yazılım, yasa dışı faaliyetleri tespit edecek, "nevrotiklik" "narsisizm veya psikopati" gibi özellikleri belirleyecek. Taranacak veriler arasında, sosyal ağlar, sabıka kayıtları ve bağımlılıklar gibi konularda yer alacak.

Kaynak

Yapay Zeka ve Makine Öğrenimi İçin En iyi 20 Python Kütüphanesi

Wed, 15 Jan 2020 12:47:18 GMT

En İyi 20 Python Kütüphane ve Açık Kaynak Projeleri

Makine öğrenimine (ML) ve Yapay Zeka (AI) alanına girmek kolay bir iş değildir, fakat veri bilimi programlarının, kritik bir parçasıdır. Sektör profesyonelleri ve meraklıları büyük miktarlardaki veriler için bir yol bulmak zorundalar. Alan sürekli gelişiyor ve bu hızlı gelişmenin hızına ayak uydurmak çok önemli. Evrim ve yeniliklerin hızlı gelişimi ile başa çıkmak önemli. Makine Öğrenimi gelişmeleri hakkında güncel ve bilgili kalmak için, gelişmiş profesyoneller tarafından günlük olarak kullanılan açık kaynak projeleri ve araçlarını inceleyeceğiz.

Aşağıdaki listede, Github'da en çok katkıda bulunulan projeleri görmekteyiz. Python ile Endüstri 4.0 kapsamında özellikle makine öğrenimi, derin öğrenme ve yapay zeka alanlarında geliştirme yapan veya yapmayı düşünenlerin, aşağıdaki açık kaynak projelerinden faydalanabileceklerine inanıyoruz.

TensorFlow başlangıçta Google’ın Makine İstihbarat araştırma organizasyonu içinde Google Beyin Takımı üzerine çalışan araştırmacılar ve mühendisler tarafından geliştirilmiştir. Sistem, makine öğreniminde araştırmayı kolaylaştırmak ve araştırma prototipinden üretim sistemine geçişi hızlı ve kolay hale getirmek için tasarlanmıştır.
Scikit - learn, NumPy, SciPy ve Matplotlib, açık kaynak ticari olarak kullanılabilir – BSD lisansı üzerine kurulu, veri madenciliği ve veri analizi için basit ve verimli araçlar, herkes için erişilebilir ve çeşitli bağlamda yeniden kullanılabilir.
Keras, TensorFlow, CNTK, veya Theano üzerinde çalışabilen çalışabilen yüksek neural network geliştirme modülüdür.
PyTorch, Torch kütüphanesine dayanan, bilgisayarla görme ve doğal dil işleme gibi uygulamalar için kullanılan açık kaynaklı bir makine öğrenim kütüphanesidir.
Theano, çok boyutlu dizileri verimli bir şekilde içeren matematiksel ifadeleri tanımlamanıza, optimize etmenize ve değerlendirmenize olanak tanır.
Gensim, ölçeklenebilir istatistiksel anlam bilim, anlamsal yapı için düz metin belgelerini analiz etme, anlamsal olarak benzer belgeleri alma gibi özelliklere sahip ücretsiz bir Python kütüphanesidir.
Caffe akılda ifade, hız ve modülerlik ile yapılan derin öğrenme frameworküdür. Berkeley vizyon ve Öğrenme Merkezi (BVLC) tarafından geliştirilmiştir.
Chainer, derin öğrenme modelleri için Python tabanlı, bağımsız bir açık kaynak modelidir. Chainer, tekrarlayan sinir ağları ve varyasyonel otomatik kodlayıcılar gibi son teknoloji modelleri de dahil olmak üzere, bir dizi derin öğrenme modelini uygulamak için esnek, sezgisel ve yüksek performanslı bir araç sağlar.
Statsmodels, kullanıcıların verileri keşfetmesine, istatistiksel modelleri tahmin etmesine ve istatistiksel testler yapmasına izin veren bir Python modülüdür. Tanımlayıcı istatistikler, istatistiksel testler, çizim fonksiyonları ve sonuç istatistiklerinin kapsamlı bir listesi, farklı veri türleri ve her tahminci için kullanılabilir.
Shogun, çok çeşitli birleşik ve verimli Makine Öğrenimi (ML) yöntemleri sağlayan Makine öğrenimi araç kutusudur. Araç kutusu, birden çok veri sunumunu, algoritma sınıfını ve genel amaçlı araçları kolayca birleştirmeyi sağlar.
Pylearn2 bir makine öğrenme kütüphanesidir. İşlevselliğinin çoğu Theano üstüne inşa edilmiştir. Bu, matematiksel ifadeleri kullanarak Pylearn2 eklentileri (yeni modeller, algoritmalar, vb.) yazabileceğiniz anlamına gelir ve Theano bu ifadeleri sizin için optimize eder ve stabilize eder. Bunları seçtiğiniz bir arka uçta (CPU veya GPU) derleyecektir.
NuPIC, hiyerarşik zamansal bellek (HTM) adı verilen bir neokorteks teorisine dayanan açık kaynaklı bir projedir. HTM teorisinin bölümleri uygulamalarda kullanıldı, test edildi ve kullanıldı. HTM teorisinin diğer bölümleri hâlâ geliştiriliyor.
Neon Nervana'nın Python tabanlı derin öğrenme kütüphanesidir. En yüksek performansı sunarken kullanım kolaylığı sağlar.
Nilearn NeuroImaging veri hızlı ve kolay istatistiksel öğrenme için bir Python modülüdür. Böyle prediktif modelleme, sınıflandırma, kod çözme veya bağlantı analizi gibi uygulamalarla çok değişkenli istatistikler için Scikit-öğrenin Python toolbox güçlendirir.
Orange3, acemi ve uzmanlar için açık kaynaklı makine öğrenimi ve veri görselleştirmesidir. Büyük bir araç kutusu ile etkileşimli veri analizi iş akışları.
Pymc, Markov zinciri Monte Carlo da dahil olmak üzere Bayes istatistiksel modelleri ve montaj algoritmalarını uygulayan bir python modülüdür. Esnekliği ve genişletilebilirliği ile, büyük problemler içinde geçerli olmasını sağlar.
Deap, hızlı prototipleme ve fikirlerin test edilmesi için yeni bir evrimsel hesaplama frameworküdür. Algoritmaları açık ve veri yapılarını şeffaf hale getirmeyi amaçlamaktadır. Multiprocessing ve SCOOP gibi paralellik mekanizması ile mükemmel bir uyum içinde çalışır.
Annoy, belirli bir sorgu noktasına yakın olan uzayda noktaları aramak için Python bağlarına sahip bir C ++ kütüphanesidir. Ayrıca, birçok işlemin aynı verileri paylaşabilmesi için belleğe eşlenen büyük ve salt okunur dosya tabanlı veri yapıları oluşturur.
PyBrain modüler bir makine ğğrenme kütüphanesidir. Amacı, makine öğrenimi görevleri için esnek, kullanımı kolay ancak hâlâ güçlü algoritmalarla algoritmalarınızı test etmek ve karşılaştırmak için çeşitli önceden tanımlanmış ortamlar sunmaktır.
Fuel, ihtiyaç duydukları veri ile makine öğrenme modelleri sağlayan bir veri hattı modelidir. Hem Blocks hem de Pylearn2 sinir ağı kütüphaneleri tarafından kullanılması planlanmaktadır.

Kaynak

E-CRM Nedir? Avantajları Nelerdir?

Tue, 14 Jan 2020 11:18:53 GMT

E-CRM (Elektronik Müşteri İlişkileri Yönetimi)

Elektronik müşteri ilişkileri yönetimi (E-CRM), CRM hedeflerine ulaşmak için e-postalar, web siteleri, sohbet odaları, forumlar ve diğer kanallar gibi İnternet tabanlı teknolojilerin uygulanmasıdır. Pazarlama, satış ve müşteri hizmetlerindeki süreçleri otomatikleştiren iyi yapılandırılmış ve koordine edilmiş bir CRM sürecidir.

Etkili bir E-CRM, süreçlerin verimliliğini arttırmanın yanı sıra müşterilerle etkileşimleri de geliştirir ve işletmelerin, müşterilerin bireysel ihtiyaçlarını karşılayan ürün ve hizmetleri özelleştirmesini sağlar.

E-CRM, kullanan şirketler web tabanlı teknolojiler aracılığıyla müşterileri ve çalışanları arasındaki etkileşimi sağlar. CRM ise işletme genelinde, iş stratejilerini desteklemeye yönelik yazılım ve donanım süreçlerini takip etmeyi eder.

Elektronik müşteri ilişkileri yönetimiyle, dizüstü bilgisayarlar, mobil cihazlar, masaüstü bilgisayarlar ve TV setleri gibi çeşitli platformlar kullanılır ve erişim kolaylığı sağlanır. E-CRM sadece bir yazılım değildir, E-CRM müşterilerle ile etkileşim kurmak, onları anlamak için web tabanlı teknolojilerin kullanılmasıdır.

Etkili bir E-CRM sistemi, müşterinin işlem geçmişini gerçek zamanlı olarak birden fazla kanaldan izler, analitik bir veri tabanı oluşturur

Tipik bir E-CRM stratejisi, müşteri bilgileri, işlem geçmişi ve ürün bilgileri, tıklama akışı ve içerik bilgilerinin toplanmasını içerir. E-CRM Müşterinin profilini, hareketini, alışveriş sepetini, alışveriş şeklini, işlem geçmişini ve daha fazlasını gösteren bir etkinlik analizi verir.

E-CRM'nin avantajları:

Geliştirilmiş müşteri ilişkileri yönetimi, servis ve destek
Müşterilerin davranışlarını analiz ederek onlara uygun yöntemler belirlemek
Artan müşteri memnuniyeti ve müşteri sadakati
Maliyet azaltma ve daha fazla verimlilik Artan iş geliri

E-CRM çözümü sağlayan işletmeler, tüm kanallarda sorunsuz, kaliteli müşteri deneyimi sağlamak için teknolojiden yararlanırlar. Müşterilerden, talep üzerine gelen kişiselleştirmeler ile daha güçlü bir iletişim kurabilirler. E-CRM, müşterilerine web sitelerinden bilgi alabileceği, ürün satın alabileceği ve forumları veya sohbet odaları kullanarak cevap bulabileceği basit ve ideal bir ortam sunar.

Kaynak

Dijital Üretim Nedir?

Tue, 14 Jan 2020 10:35:32 GMT

Dijitalleşme, sağlık, eğitim, hükumet, ulaşım, ticaret, imalat gibi alanlarda toplumsal zorlukların üstesinden gelmek için dijital yöntemlerim birden fazla kaynaktan ya da formattan uygulanmasıdır.

Dijital Üretim ise imalat ürünleri, süreçleri, tedarik zincirleri ve hizmetlerinin geliştirilmesi için dijital bilgilerin birden fazla kaynaktan ya da formattan uygulanmasıdır.

Başka bir deyişle Dijital Üretim; imalat ürünleri, süreçleri, tedarik zincirleri ve diğer hizmetlerin dijitalleştirilmesidir.

Dijital Üretim Yeni Bir Kavram mı?

Dijital teknolojiler 30 yılı aşkın bir süredir üretimde kullanılmaktadır:

1990'lar Üretim süreçlerinin iyileştirilmesi için dijital bilgilerin uygulanması.

2000'ler Üretim süreçlerinin ve tedarik zincirlerinin iyileştirilmesi için dijital bilgilerin uygulanması.

2010'lar Üretim süreçlerinin, tedarik zincirlerinin, ürünlerin ve hizmetlerin iyileştirilmesi için dijital bilginin [birden fazla kaynaktan, formattan,] uygulanması.

Dijitalleşme de yeni olan ise, uygulamanın kapsamı ve kişisel mobil bilgisayar, bulut tabanlı bilgisayar, her yerde internet ve diğerleri gibi temel teknolojilerin son gelişmeleridir.

Global Dijital Üretim Girişimleri

Akıllı Üretim

ABD: DoE, NIST geliştirme veya “akıllı, verimli ve duyarlı operasyonları mümkün kılmak için son kat seviyesinde ve üstünde bilgi teknolojisi, yoğun veri uygulama”.

Endüstri 4.0

Üretimin bilgisayarlaşmasını teşvik eden Alman hükumetinin yüksek teknoloji stratejisi. Diğer birçok ülkede deneniyor.

Kore'nin Akıllı Fabrikası

Proje amacı; bilgi teknolojisi, nesnelerin interneti (IoT) ve yapay zeka aracılığıyla rekabet üstünlüğünü sağlamak ve imalat sektöründe daha hızlı ilerleme sağlamak.

Endüstriyel Nesnelerin İnterneti (IIoT)

Endüstriyel internet, büyük verilerin, analitik araçların ve kablosuz ağların fiziksel ve endüstriyel ekipmanlarla entegrasyonu ve bağlantılandırılması.

Akıllı Üretim Sistemi

Japonlar 1990'larda ICT'deki yeni gelişmeleri takip etmeye başlayan küresel programlar dizisini başlattı.

Dijital Üretim ile ilgili daha detaylı bilgi almak için Konzek Teknoloji'nin Dijital Üretim yazısını da incelemenizi öneririz.

CES 2020’de En Dikkat Çeken Konular

Tue, 14 Jan 2020 10:25:46 GMT

CES 2020 biterken arkasında pek çok konuşulacak ürün bıraktı. Gelin hep beraber gelecekte nelerle karşılaşacağız bir bakalım.

Ev robotları

CES robotlarsız düşünülemez. Samsung’un yeni ürünü Ballie CES 2020’de tanıtıldı. Star Wars’ın BB-8’ine benzetilen Ballie sizin yeni asistanınız olacak. Evinize entegre olacak Ballie sizin için kahve talimatı verebilecek ve acil durumlarda acil iletişim numarasını arayabilecek. Bir diğer ilgi çekici robot ise Lovot. Lovot bir asistandan çok sevimli bir arkadaş. Size sevgisini göstermekten hiç çekinmeyecek olan Lovot’un sarılmak istediğinde hareket eden 2 mini kolu bulunuyor. Klasik tuvalet kağıdı üreticisi Charmin’den inanılmaz bir yenilik. Tuvalet kağıdı getiren robot Rollbut. Rollbut En acil ihtiyacınızı kolaylıkla size ulaştırabilecek. Üzücü bir haber vermem gerekirse, bu teknolojileri henüz evlerimizde kullanamayacağız.

Robokitties

Robotlar sadece bizim kişisel asistanlığımızı yapmayacak. Elephant Robotics’in tanıttığı MarsCat robotik evcil bir kedi. MarsCat yürüyebilir, konuşabilir ve oyuncaklarla oynayabilir. Yüz tanıyarak otur, buraya gel gibi 20 farklı komutu anlayabilir. Evcil hayvan sahibi olmak isteyen fakat çalışan ya da alerjisi olanlar için mükemmel bir robot.

Yeni Nesil Asistanınızla Tanışın

Samsung destekli StarLabs’ın Neon projesi uzun zamandır tartışma konusu olan “yapay insanları” tanıttı. Yapay insanlar Alexa ve Google gibi asistanlardan biraz daha farklı konumlandırılacak. Yapay insanlar bizim bir arkadaşımız gibi davranarak neyi beğenip neyi beğenmediğimizi öğrenecek ve bizlerle etkileşime girecek. Yapay İnsanlar büyük ekranlarda yer alacak ve müşteri temsilcisi, öğretmen ya da film yıldızı olup karşımıza çıkabilecek.

Dikey TV’ler

TV’lerde de bu yıl büyük yenilikler söz konusu Samsung’un akıllı telefon kullanıcılarının çok seveceği yeni ürün Sero, hem yatay hem de dikey olarak kullanılabilecek.

Gelenekselciler için Segway S-Pod

Karadan ulaşımı tercih edenler için geliştirilen Segway S-Pod garip görünümlü bir sandalyeyi andırıyor. Havaalanı ve alışveriş merkezi gibi kapalı alanları hedef alan S-Pod’u kullanmak oldukça kolay. Bu yılın ikinci yarısında S-Pod’u sahalarda görebileceğiz.

CES 2020’in Önemli Konularından Biri de: Gizlilik

Google’ın Asistan’a gelecek olan “Hey Google söylediğim her şeyi sil” özelliği ve Facbook’un yeni sürümünü tanıttığı “Gizlilik Kontrolü” ile gizlilik konusuna önem verilecek gibi duruyor.

Kaynak

Hyundai ve Uber’den Uçan Taksi

Mon, 13 Jan 2020 06:55:05 GMT

Uber ve Hyundai 2023 yılına kadar uçan taksi seferleri sunmayı planlıyor.

CES 2020'de Uber ve Hyundai, şehir trafiğinden kaçmak isteyenler için geliştirdikleri uçan taksiyi 2023 yılında piyasaya sürmeyi hedefliyor. Markalar, Uberdai adını verdikleri taksinin tam boyutlu bir prototipini CES 2020’de tanıttı.

Uberdai adı verilen elektrikli taksi, 180 km/s'ye kadar hıza ulaşabiliyor. Bir pilot dahilinde kullanılacak araç ve üç kilometreye kadar yolcu taşıyabilecek ve yolculuk sürelerini azaltacak. Bir sonraki hedef taksiyi pilotsuz hale getirebilmek.

Kaynak

2020'de Yükselişe Geçecek En İyi Sanal Ve Artırılmış Gerçeklik Trendleri

Mon, 13 Jan 2020 06:17:38 GMT

Son yıllarda artan teknolojik gelişmeler, müşterilerin Sanal Gerçeklik (VR) ve Artırılmış Gerçeklik (AR) aracılığıyla gerçek dünyadaki yaşamı, hayali bir ortamda uygulayabilecekleri yeni bir deneyim yolunu açtı. Yapay zeka ve Otomasyon ile birlikte bugünün teknoloji dünyasını harekete geçiren bu iki moda kelime, kuruluşların operasyonlarında izledikleri stratejileri yeniden tanımladı.

VR, tamamen bilgisayar tabanlı, dijital bir dünyayı insan zihnine getiren, simüle edilmiş bir ortam yaratırken AR normal bir ortamda görüntülenebilen bilgisayar grafikleri ile farklı bir boyut getirir. Son yıllarda hem AR hem de VR, sağlık hizmetlerinden perakendeciliğe ve eğlenceye kadar farklı endüstrilerde kullanılmaya başlamıştır.

AR ve VR şirketler tarafından hızla kullanılırken, her iki teknolojinin de dünya ekonomilerinde bir değişikliğe neden olacağı ve önümüzdeki yıllarda dijital dönüşüme yeni bir değişiklik getireceği tahmin edilmektedir. Bu artan gelişmelerle birlikte, 2020 için yükselişe geçecek olan en iyi 10 Sanal Gerçeklik (VR) ve Artırılmış Gerçeklik (AR) eğilimlerini aşağıda sizin için derledik;

Yapay Zekanın AR ve VR ile Entegrasyonu

Önümüzdeki yıllarda, birçok geliştirici ve lider şirket yapay zekanın AR ve VR ile entegrasyonunu inşa edecek. Gelişmiş yapay zeka teknolojisi, bilgisayarların bir kamera üzerinden işleri görselleştirmesini ve anlamasını sağlayarak yaşamları daha iyi hale getirmek için önemli bir teknoloji haline gelecek. Bu entegrasyonla, işletmeler de dijitale yönelik daha fazla çalışma yapabilecekler. Yapay zeka entegrasyonuna izin veren makine öğrenme algoritmalarının daha sofistike ve yetenekli hale gelmesi beklenmektedir.

Eğitim ve Öğretimde VR ve AR

AR ve VR teknolojilerinin eğitim sektöründe kullanımının faydalı olacağı söylenmektedir. Ayrıca her iki teknolojinin de eğitim ve öğretimin geleceği için faydalı olacağı öngörülmektedir. Sanal gerçeklik sayesinde, öğrenciler normal dünyada risk taşıyan örneğin, ameliyat veya inşaat yapmak gibi şeyleri herhangi bir risk olmaksızın sanal gerçeklik ile gerçekleştirebilecekler. Öte yandan, artırılmış gerçeklikle; öğrencilere tehlikeler, hedefler veya en iyi uygulamalar hakkında gerçek zamanlı olarak bilgi göndermek mümkün olabilecek. AR ve VR teknolojisini önümüzdeki yıllarda eğitim uygulamalarında görebilmemiz mümkün olacak.

Yeni VR Destekli Eğlence

Geçtiğimiz yıllarda VR'nin eğlence sektöründe kullanılması öngörülüyordu. Ve şimdi VR'nin evlerde kullanımı yaygınlaşıyor. Ayrıca, yazılım geliştiriciler ve donanım geliştirme şirketleri, kullanıcılar için mükemmel uygulamaları oluşturmak için çalışıyor. Uygulamalar ve kullanıcılar mobil ortama geçtiğinden, VR headsetler, göz küresi izleme ve artırılmış görüş alanı gibi sanal deneyimi geliştirmek için çalışmalar devam ediliyor.

AR Alışverişi Kolaylaştırıyor

AR, 2019'da en önemli terimdir ve yaklaşık 100 milyon kullanıcının bu yıl AR destekli alışveriş teknolojilerinden yararlanması beklenmektedir. AR özellikli mobil cihazların çıkması, endüstrinin gelişmiş teknolojilerin kullanımı açısından olanak sağlar. Bu teknolojinin geliştiriciler, perakendeciler ve müşteriler arasında günlük deneyimlerinin bir parçası olarak kullanılması ile alışveriş kolaylaşacaktır.

AR Araçlar Giderek Yaygınlaşıyor

Otonom araçlarla ilgili tartışmalar bugün hâlâ devam etmekte. Otonom araçların günlük yaşamımızın ayrılmaz bir parçası haline gelmesi hâlâ birkaç yıl alabilir. Bu arada AR, insanların hareket etme ve seyahat etme şeklini yeniden tanımlamak için geliştikçe, birçok otomobil üreticisi diğer yapay zeka tabanlı teknolojilere yüksek ilgi göstermekte. Ayrıca, önümüzdeki yıllarda yeni araçlarda uygulanacak trendlerinden ikisi, akıllı asistanların ve araç içi AR'nin kullanımı olarak ön görülmektedir.

AR İç Mekan Navigasyon Sistemlerine Giden Yolu Buluyor

İç Mekan Navigasyonu, AR teknolojilerinin kullanıldığı durumlarından biridir. Ortalama bir tüketicinin bu yıl iç mekan navigasyonu potansiyelini keşfetmesi bekleniyor. Bireyler dışarıda dolaşmak için Google ve Apple'ın harita hizmetlerini yoğun bir şekilde kullandığı için, iç mekan navigasyonu kullanıcılar arasında tercih edilebilecektir.

Şirketler için AR Teknolojisi

AR’ın tıbbi, askeri ve kurumsal çözümler gibi bazı sektörlerde kullanımı, AR'yi kulaklıklarla ve akıllı gözlüklerle entegre etmenin değerini arttırdı. Pil ömrü, AR teknolojisi için en önemli konulardan biridir. 2019 yılı için Microsoft HoloLens 2'nin bu alanda en çok beklenen ürün olması bu teknolojideki gelişmeyi göstermektedir. Şirket, ham işleme gücü, pil ömrü ve giyilebilirlikte sağladığı teknolojik ilerlemeleri göstererek yeni bir bakış açısı yakalıyor. Diğer üreticiler de, AR’ın geleceğinin işletme sektöründe artacağını öngörüyor.

İş birliği ve Uzaktan Yardım

Konferans görüşmeleri gibi görüşmeler, genellikle kişilerin fiziki anlamda bir arada bulunmamasından kaynaklanır. Fakat AR’ın karma gerçeklik ayarları ile yapılacak konferans görüşmelerindeki herkes daha sosyal bir ortamda birbirini görebilecekler. Microsoft, bu görüşmelere gerçekçi bir dokunuş katmak için, AR'yi geliştiren katılımcıların holografik tarzdaki sunumlarını görüntülü arama sisteminin beta sürümüyle gerçekleştiriyor.

VR Özellikli Reklamcılık

Sanal formatlarda, tüketicilere sunulan eğlenceler büyük dikkat çekiyor. Örneğin, Oculus Quest'in piyasaya sürülmesinin sebebi, tamamen sanal gerçeklikte öngörülen yeni bir Star Wars serisini içermek. VR için uygun içerikler geldikçe, yerel reklamcılıkta genişletilmiş kullanım örnekleri göreceğiz. VR deneyimleri kullanıcı arayüzünün tamamen sorunsuz bir parçası olacak ve bu deneyimler paylaşılabilecek.

VR'den Etkilenen Pazar Gelişmeleri

Başarı bir pazarlama için özellikle ilaçlarda, otomobillerde, endüstriyel ekipmanlarda ve diğer sektörlerde ürün ve hizmetlerin doğru anlaşılması çok önemlidir. Şirketler artık entegre iş akışları yaratmak, önlerindeki engelleri azaltmak için VR destekli ürün tasarımı yapıyorlar. VR ile geliştirilen ürünler sanal olarak simüle edilmiş bir ortamda paylaşılarak ürün kullanımı hakkında bilgi edinilecektir.

Kaynak

2020'de Yeni Özellikleri ile Google Asistan

Mon, 13 Jan 2020 06:02:43 GMT

CES 2020 tüm hızıyla devam ediyor. Google Asistan’a 2020 hangi özellikler eklenecek?

Son birkaç yıldır Google, Google Asistan’da yaptığı yenilikleri CES üzerinden tanıtıyor. Bu sene tanıttığı özellikler ise çok daha gelişmiş. Google Asistan artık sadece hava durumunu bildiren klasik bir uygulama olmak yerine yeni güncellemeleri ile evinizdeki ışıkları bile kontrol edebilecek.

Yeni özelliklere kısaca bir bakalım;

Google Asistan’ınız akıllı evinize daha hızlı giriş yapmanızı sağlayacak. Artık akıllı evinize bağlanmak için tekrardan hesap bilgilerinizi girmenize gerek kalmayacak.

Google Asistan sizin için suyunuzu ısıtamayacak ama önceden komut verdiğinizde kahve makinenizi sizin için sabah 06.00’da çalıştırabilecek. Google Asistan IoT tabanlı zamanlanmış işlemlerini önceden gerçekleştirebilecek.

Daha akıllı evler, Google Home ile 20’den fazla cihazı rahatlıkla kontrol edebileceksiniz.

Google Asistan ile ailenize not bırakabileceksiniz. Post-it’ler devre dışı... Evinizde bulunan Google Asistan uyumlu herhangi bir ekrana yapışkan notlardan bırakabileceksiniz.

Hızlı arama özelliği evlerimize geliyor. Tıpkı telefonlardaki gibi evlerimizdeki akıllı ekran ve hoparlörleri kullanarak aramaya yapabileceğiz. Yapmamız gereken sadece “Hey Google Beliz’i Ara” demek.

Google Asistan’a bir diğer gelecek özellikte “uzun metinleri okuma”. Artık Android kullanıcılarının uzun metinleri okuması için "Hey Google, bu sayfayı oku" demesi yeterli.

Google gizliliği önemsiyor. Akıllı asistana "Hey Google, bu hafta söylediğim her şeyi sil" gibi basit bir komut ile kullanıcı geçmişini temizleyecektir.

Google Asistan bu sene Android TV desteğini genişletiyor.

Kaynak

Google'ın Makine Öğrenimi ile Çalışan Yeni Ses Kaydedicisi: Recorder

Thu, 09 Jan 2020 17:08:15 GMT

Google'ın Makine Öğrenimi ile Çalışan Yeni Ses Kaydedicisi: Recorder:

Dünyadaki çoğu bilgi konuşma yoluyla aktarılmaktadır. Birçok kişi konuşmalarda, röportajlarda, konferanslarda ve önemli bilgileri yakalamak için ses kayıt cihazlarını kullanmakta. Ses kayıt cihazları kullanımı kolay olsa da kaydedilen sesleri deşifre etmek oldukça zor ve saatler süren bir işlem. Google bu sorunu Pixel 4 telefonlara dahil olarak gelecek Recorder isimli uygulama ile çözecek.

Google Recorder; konuşmaları kopyalamak, kaydedilen ses türünü (müzik gibi geniş kategorilerden) tespit etmek ve tanımlamak için makine öğrenmesi kullanan Pixel telefonlara dahil olacak. Alkış, kahkaha ve ıslık gibi belirli sesleri konuşmadan ayıracak ve ayrıca anahtar kelime olarak söylenen sözleri kayıtın içinde yazı veya ses yoluyla bulup çekebilecek. Recorder tüm bu işlemleri yaparken internete ihtiyaç duymayacak.

Recorder uygulaması şu an sadece Pixel telefonların içinde kullanılacak. Android ve iOS marketlere ne zaman geleceği merakla bekleniyor...

Kaynak

2020'deki Dijital Dönüşüm Trendleri

Tue, 07 Jan 2020 09:39:48 GMT

Geleceğe bakış: 2020'de Bizi Hangi Dijital Dönüşüm Trendleri Bekliyor?

Bugüne kadar birbirini tekrar eden teknolojiler 2020 yılı itibariyle yerini gerçek bir devrime bırakacak. 5G, yapay zeka ve gelişmiş veri analizi ve birçok yeni trendi sizler için sıraladık.

2020 İçin En İyi 10 Dijital Dönüşüm Trendleri

Hepimiz için 5G: 2020, 5G’nin yılı olacak. Qualcomm, AT&T, Verizon, Nokia, Ericsson ve Huawei gibi telekomünikasyondaki büyük isimler küresel 5G dağıtımlarının hızını genişleterek, 5G uyumlu telefonlarını piyasaya sürmeye başladılar. 5G daha geniş bant hızları ve daha güvenilir mobil ağlar sunmanın yanı sıra, yaygınlaşması ile, akıllı şehirler, akıllı araçlar, akıllı üretim ve IoT teknolojilerindeki ilerlemeyi hızlandıracak. Başka bir deyişle 5G’nin gerçek değeri telefonlarla sınırlı kalmayarak her endüstriye hatta günlük hayatımızın her anına dokunacak. 2020 teknoloji evrimine dönüşecek.

Daha hızlı bir dünya için daha hızlı bir WiFi: WiFi 6 ve 5G tamamen farklı teknolojiler olsa da, her ikisi de bize çok daha hızlı işleme ve kablosuz bağlantı hızları getirecek. 5G kesintisiz erişim sağlarken WiFi 6 uçtan uça mükemmel kombinasyonu yaratarak ultra hızlı bağlantı sağlayacak. WiFi 6’ya geçilmesinin bir sebebi de WiFi ağları üzerinden tüketilen verilerin kalitesi ve hacminin de artması ve WiFi 5'in bu kadar yükü iyi idare edememesi olarak gösterilmekte. WiFi 6, WiFi 5’in yönetebildiği cihaz sayısını arttıracak. WiFi 6 ile birlikte bu sorunlar ortadan kalkacak.

Analiz, Rekabet Avantajıdır: 2020 yılında analize yatırım yapmaya devam etmeyen şirketler muhtemelen 2021'de işe kazanım sağlayamayacak. 2020’de modern veri analizi ön plana çıkacak. Fırsatları ve çözümleri belirleyerek gelişmiş analiz araçlarından yararlanan işletmeler bu dönemden fayda sağlayarak çıkacak. Verinin öneminin farkına varan büyük markalar örneğin; Microsoft kendi Power Platformu’nu oluşturarak, Salesforce'da Tableau'yu satın alarak veriye yaptıkları yatırımı ortaya koydular. Bu demek oluyor ki büyük teknoloji şirketleri geleceğin veride olduğunu ve özellikle de gerçek zamanlı olarak işlenmesi gerektiği kanaatinde. 2020’de hangi sektörde olursanız olun analizin yükselişine tanık olacaksınız.

Bonus: Salesforce'un Tableau ile yaptığı gibi büyük oyuncuların yaptığı satın alma, ortak girişimler ve / veya yapacağı anlaşmalar, stratejik ortaklıklar (Alteryx, Splunk, SAS ve Qlik ve Tibco) veri analizine yapılan yatırımın ve bu alanın büyümenin devamlılığını gösteriyor.

Yapay Zeka Ve Makine Öğrenimi: Analizlere yatırım yapmayı hedeflediyseniz bu veriye ulaşmak için yapay zeka ve makine öğrenimine de yatırım yapmanız gereklidir. Veri analizinin yapay zeka ve makine öğrenimine 3 önemli katma değeri vardır.

Hız
Ölçek
Kolaylık

Hız ve ölçek, insan gücü ile yapılan veri analizlerini büyük veri kümeleri ile otomatikleştirmeden bahseder. Yapay zeka ve makine öğrenimi sayesinde, karmaşık veri setleri kısa bir sürede analiz edilebilir. Bunun nedeni, sadece bilgisayarların daha hızlı veya daha iyi hale gelmesi değil, yapay zeka ve makine öğrenimi algoritmalarının veri analizinde son derece iyi olmasından kaynaklanmaktadır. Veri analiz araçları dışında, yapay zeka ve makine öğreniminin araçlara eklenmesi onları sezgisel, kullanımı kolay ve çok daha güvenilir hale getirdi. 2019’da sağlanan bu gelişme 2020’de katlanarak artacaktır.

Blockchain’in Yükselişi: Geçtiğimiz yıllarda kritpto para ile özdeşleşen Blockchain 2020’de nihayet bunun ötesine geçecek. Blockchain’i teknoloji ödemeleri ve kripto para birimleri dışında gerçek kullanımlarda da görmeye başlayacağız. Amazon’un Web Services’nin blockchain kullanmasıyla beraber bu teknolojinin gelişeceğine inanıyoruz. Amazon dışında Samsung, Microsoft, IBM ve Çin’in devi Alibaba dahil küresel markalar blockchain tabanlı hizmetler sunacak. Blockchain, gıda güvenliği, fikri mülkiyet ve telif haklarında kullanılmaya başlanacak. 2020 yılı blockchan’in yükseliş yılı olacaktır.

RPA’da (Robotik Süreç Otomasyon) İkinci Rüzgar: Robotik Süreç Otomasyonu yapay zekanın en alt kollarından biri ve son yıllarda yükselişte olan bir konu. 2020’de RPA yatırımları artmaya devam edecek. Automation Anywhere, UiPath, Blue Prism gibi şirketler ve Cisco gibi kurumsal şirketler mevcut iş gücünün değerini yükseltmek ve değer artırmak için RPA'yı kullanıyor. Bu model hızla yayılacak. Not alın: Akıllı Şirketler.

Akıllı Asistanların Yükselişi: 2020’de konuşma yapay zekası kullanan akıllı asistan uygulaması Siri gibi uygulamalar daha fazla gelişecek. Microsoft Conversational AI gibi projeler, doğrudan duyduğunu anlamak dışında, karmaşık konuşmaları takip eden ve anlayan yeni nesil platformlar oluşturmak için çalışmalarına devam ediyor. Akıllı asistanlar 2020’de, insan seslerini gürültülü arka planlardan izole edecek ve dili gerçek zamanlı olarak doğru bir şekilde işleyerek kullanacaklar.

ACPC’ler Dizüstü Bilgisayar Pazarını Sonsuza Kadar Değiştirecek: Her zaman çevrim içiyiz ve çevrim içi olmak içinde bilgisayarlara ihtiyacımız var. 2020’de ACPC’ler yani dahil 5G ve LTE bağlantılı yeni nesil PC’ler işimizi kolaylaştıracak.

Bonus: 2020’de ACPC'ler tam güne yakın pil ömürleri ile daha uzun süre taşınabilir hale gelecekler.

İnternet Bağlantılı Araçlar, Otonom İnsansız Hava Araçları ve Akıllı Şehirler Yeni Gerçekliğimiz olacak: Yıllardır konuşulan internet bağlantılı araçlar, insansız hava araçları ve akıllı şehirlere 5G kombinasyonu ile birlikte bir adım daha yaklaşılacak. Tesla bu gelişmelerde ipi göğüslemekte fakat Intel, Nvidia, Qualcomm, BMW, Volvo, Ford gibi şirketler Uber ile ortak stratejiyle filolar inşa etmekteler. Amazon ise drone'lar ile kargolarımızı kapıya göndermeyi hedefliyor.

XaaS, UX / CX ve Gizlilik, Dijital Dönüşüm Trendleri 2020'de Merkezi Aşamaya Geçecek:

Ne kadar teknolojiye odaklansak da 2020’de dijital dönüşümün tamamlanması için XaaS (hizmet olarak her şey), UX / CX (Kullanıcı / Müşteri Deneyimi) ve dijital gizlilik konularına da yer vermek gerekir. 2020’de bu konular dahada yükselişe geçecek.

Kaynak

Derin Öğrenme Neden Önemlidir?

Fri, 03 Jan 2020 08:19:34 GMT

Derin Öğrenme Neden Önemlidir?

Neden yapay sinir ağları değil de derin öğrenme?

Geoffrey Hinton, yapay sinir ağları alanında öncü ve çok katmanlı algılayıcı ağlarını eğitmek için geri yayılım algoritmaları üzerine yayınlanan ilk makalenin de ortak yazarı.

Geniş yapay sinir ağlarının gelişimini tanımlamak için kullandığı “derin” tabirini de o tanıtmış olabilir.

2006’da, ortak yazarlığını yaptığı “Derin İnanç Ağları için Bir Hızlı Öğrenme Algoritması” başlıklı makalede, kısıtlı Boltzmann makinelerinin “derinliklerini” (çok katmanlı ağdaki gibi) eğitmek için bir yaklaşım tanımladılar.

Tamamlayıcı öncelleri kullanarak, en üstteki iki katmanın yönlendirilmemiş bir çağrışımlı bellek oluşturması kaydıyla, derin, yönlendirilmiş inanç ağlarını her seferinde bir katman olacak şekilde öğrenen hızlı, açgözlü bir algoritma türettik.

Bu makale ve yönlendirilmemiş derin ağlar üzerine Geoff’un ortak yazarlığını yaptığı “Derin Boltzman Makineleri” başlıklı ilişkili makale topluluk tarafından çok güzel karşılandı (şimdilerde yüzlerce kez alıntılanmış durumda) çünkü ağların açgözlü katman-bilgini eğitimi için başarılı birer örneklerdi ve beslemeli ağlarda daha birçok katmana izin veriyordu.

Science’taki ortak yazım “Verinin Boyutluluğunu Sinir Ağlarıyla Azaltmak” başlıklı makalelerinde “derin” tabirinin aynı tanımına sadık kalıyor ve önceki tipik örneklerden çok daha fazla katman geliştirmeye dair yaklaşımlarını tarif ederken kullanıyorlar.

Derin otokodlayıcı ağlarının, bir verinin boyutsallığını düşürecek bir araç olarak temel bileşenler analizinden çok daha iyi çalışan düşük boyutlu kodları öğrenebilmesini sağlayan ağırlıkları başlatacak etkin bir yöntem tarif ediyoruz.

Aynı makalede, Andrew Ng’nin, hesaplama gücünün son zamanlardaki artışına ve daha geniş ölçeklerde kullanıldığında sinir ağlarının daha önce kullanılmamış kapasitesini serbest bırakan geniş veri setlerine erişim üzerine yaptığı yorumla uyuşan enteresan bir yorum da yapıyorlar.

1980'lerden bu yana, derin otokodlayıcılar aracılığıyla geri yayılımın, bilgisayarların yeterince hızlı olması, veri kümelerinin yeterince büyük olması ve başlangıç ağırlıklarının iyi bir çözüme yeterince yakın olması koşuluyla, doğrusal olmayan boyutsallığın azaltılması için çok etkili olacağı aşikardı. Artık üç koşul da sağlandı.

Royal Society’deki 2016 tarihli “Derin Öğrenme” konuşmasında, Geoff, Derin İnanç Ağlarının 2006’da derin öğrenmenin başlangıcı olduğunu ve bu yeni derin öğrenme akımının ilk başarılı uygulamasının da 2009’da yapılan “Derin İnanç Ağlarını kullanarak Akustik Öğrenme” başlıklı bir teknoloji harikası olan konuşma tanıma olduğunu söylüyor. Alınan sonuçlar, konuşma tanıma ve sinir ağları topluluklarının dikkatini çekti ve “derin” kelimesinin, bunun önceki sinir ağları sistemlerinden farkını anlatmak için kullanılması büyük ihtimalle isim değişikliğine sebep oldu.

Royal Society konuşmalarındaki derin öğrenme tanımları son derece geri yayılım odaklı, tahmin edileceği üzere. Enteresan bir şekilde, geri yayılımın (“derin öğrenme” olarak okuyun) geçen sefer, 1990'larda neden yükselişe geçmediğine dair 4 sebep sunuyor. İlk iki nokta Andrew Ng’nin yukarıda bahsettiğimiz veri setlerinin fazla küçük olması ve bilgisayarların fazla yavaş olması yorumuyla örtüşüyor.

Etki Alanları Arası Ölçülebilir Öğrenme olarak Derin Öğrenme

Derin öğrenme, girdilerin (ve hatta çıktıların) analog olduğu problem etki alanlarında sivriliyor. Yani, çizelge formatındaki birkaç nicelik değil de piksel verilerin görselleri, yazılı verilerin belgeleri ya da ses verilerinin dosyaları.

Yann LeCun Facebook Araştırma’nın yöneticisi ve Evrişimli Sinir Ağı (CNN) olarak adlandırılan, görüntü verilerinde nesne tanımada mükemmelleşmiş ağ mimarisinin babasıdır. Bu teknik büyük başarı sergiliyor çünkü tıpkı çok katmanlı algılayıcı beslemeli sinir ağları gibi, bu teknik de veri ve model boyutuyla ölçekleniyor ve geri yayılımla eğitilebiliyor.

Bu da, fotoğraflarda nesne tanıma konusunda büyük başarılar sergilemiş olan çok geniş CNNlerin gelişimi olarak verdiği derin öğrenme tanımı konusundaki fikirlerinin tarafsızlığını etkiliyor.

Lawrence Livermore Ulusal Laboratuvarı’nda 2016’da verdiği “Hızlanan Anlayış: Derin Öğrenme, Akıllı Uygulamalar ve GPUlar” başlıklı konuşmasında, derin öğrenmeyi genel olarak hiyerarşik temsilleri öğrenmek olarak açıklıyor ve tanımını, nesne tanıma sistemleri inşa etmede ölçülebilir bir yaklaşım olarak veriyor:

derin öğrenme […] hepsi eğitilebilir olan modüllerden bir boru hattı. […] derin, çünkü bir nesneyi tanıma sürecinde birçok aşaması var ve bütün o aşamalar eğitimin bir parçası.

Jurgen Schmidhuber, MLP'ler ve CNN'ler gibi model boyutu ve veri seti boyutu ile ölçeklenen ve geri yayılım ile eğitilebilen ama bunun yerine öğrenme sırası verilerine uyarlanan, Uzun Kısa Süreli Bellek Ağı (LSTM) olarak adlandırılan başka bir popüler algoritmanın, bir tür tekrarlayan sinir ağının babasıdır.

Alanın “derin öğrenme” olarak ifade edilmesinde birtakım karışıklıklar gördüğümüz doğru. 2014’te yayınladığı “Sinir Ağlarında Derin Öğrenme: Kısa bir Bakış” başlıklı yazısında o da alanın problematik adlandırması ve derin öğrenmenin yüzeysel olandan farkı üzerine yorumda bulunuyor. Ayrıca ilginç bir biçimde derinliği, problemi çözmek için kullanılan modelden ziyade problemin karmaşıklığı üzerinden tanımlıyor.

Problemin hangi derinliğinde Yüzeysel Öğrenme biter ve Derin Öğrenme başlar? DL uzmanlarıyla yapılan tartışmalar henüz bu soruya ikna edici bir cevap vermiş değil. … izin verin bu kısa bakışın amacı için tanımlayalım: derinlik > 10 olan problemler Çok Derin Öğrenme gerektirir.

Demis Hassabis, sonradan Google tarafından alınan DeepMind’ın kurucusu. DeepMind, Atari oyunları oynarken ya da Alpha Go ile Go oynarken gösterildiği üzere, oyun oynamak gibi karmaşık öğrenme problemlerinin altından kalkabilmek için derin öğrenme teknikleriyle takviyeli öğrenmeyi birleştiren atılımı yaptı.

Adlandırmaya sadık kalarak, Derin Öğrenmeyle Q-öğrenmeyi birleştirip yeni tekniklerine Derin Q-Ağı dediler. Ayrıca çalışmanın daha geniş bir alanını da adlandırdılar, “Derin Takviyeli Öğrenme”.

2015 tarihli, Nature’da yayınlanan “Derin takviyeli öğrenmeyle insan-seviyesinde kontrol” makalelerinde, yaptıkları atılımda derin sinir ağlarının önemli rolü üzerine konuşuyor ve hiyerarşik soyutlama gereksinimini vurguluyorlar.

Bunu başarmak için, takviye öğrenimini derin sinir ağları olarak bilinen bir yapay sinir ağı sınıfı ile birleştirebilen yeni bir birim, bir derin Q-ağı (DQN) geliştirdik. Özellikle, verilerin giderek daha soyut temsillerini oluşturmak için birkaç düğüm katmanının kullanıldığı derin sinir ağlarındaki son gelişmeler, yapay sinir ağlarının nesne kategorileri gibi kavramları doğrudan ham duyusal verilerden öğrenmesini mümkün kıldı.

Son olarak, Yann LeCun, Yoshua Bengio ve Geoffrey Hinton, Nature’da basitçe “Derin Öğrenme” başlığı altında basılan, alan için tanımlayıcı olarak görülecek olan makaleyi yazdılar. Burada, çok katmanlı yaklaşımı vurgulayan temiz bir derin öğrenme tanımıyla başlıyorlar.

Derin öğrenme, çoklu işleme katmanlarından oluşan hesaplama modellerinin, birden fazla soyutlama seviyesine sahip verilerin temsillerini öğrenebilmesini sağlar.

Daha sonra çok katmanlı yaklaşım, temsil öğrenimi ve soyutlama üzerinden tanımlandı.

Derin öğrenme yöntemleri, her biri temsili bir seviyeden alıp (ham girdiyle başlayarak) daha yüksek, biraz daha soyut bir seviyedeki bir temsile dönüştüren basit ama doğrusal olmayan modüller oluşturarak elde edilen çok seviyeli temsillere sahip temsil öğrenme yöntemleridir. […] Derin öğrenmenin kilit noktası, bu özellik katmanlarının insan mühendisler tarafından tasarlanmamış olmasıdır: genel-amaç öğrenimi prosedürü kullanarak verilerden öğreniliyorlar.

Bu güzel ve genelgeçer bir tanım ve çoğu yapay sinir ağı algoritmasını kolayca tarif edebilir. Ayrıca kapanışı yapmak için de güzel bir not.

Özet

Bu yazıda, derin öğrenmenin sadece daha büyük bilgisayarlar gerektiren, daha çok veri üzerinde çalışan çok büyük sinir ağları olduğunu keşfettiniz.

Her ne kadar Hinton ve ortakları tarafından yayınlanan erken dönem yaklaşımlar açgözlü katman-bilgini eğitime ve otokodlayıcılar gibi gözetimsiz yöntemlere odaklansalar da, günümüzün modern ve gelişmiş derin öğrenmesi, geri yayılım algoritmaları kullanarak derin (çok katmanlı) sinir ağı modellerinin eğitilmesine odaklanıyor. En popüler teknikler ise şöyle:

Çok katmanlı Algılayıcı Ağları
Evrişimli Sinir Ağları
Uzun Kısa Süreli Bellek Tekrarlı Sinir Ağları

Umarım bu yazı, derin öğrenmenin ne olduğu ve farklı tanımlamaların tek bir çatı altında nasıl toplandığı konusuna açıklama getirmiştir.

Kaynak

Derin Öğrenme Nedir ?

Fri, 03 Jan 2020 08:16:04 GMT

Derin Öğrenme Nedir?

Derin Öğrenme, makine öğreniminin beynin yapısı ve fonksiyonundan alınan ilhamla geliştirilen ve yapay sinir ağları adı verilen algoritmaları içeren bir alt dalıdır.

Eğer derin öğrenme alanında yeniyseniz ya da uzun zaman önce biraz deneyiminiz olduysa kafanız karışabilir. Biliyorum, çünkü 1990'larda ve 2000lerin başında sinir ağlarını öğrenip kullanan birçok iş arkadaşım gibi benim de başlarda kafam karışmıştı.

Alanın liderleri ve uzmanları derin öğrenmenin ne olduğu konusunda birtakım fikirlere sahipler ve bu spesifik ve incelikli bakış açıları, derin öğrenmenin ne olduğu konusuna bir hayli ışık tutuyor.

Bu yazıda, alandaki çeşitli uzmanlar ve liderlerden duyarak derin öğrenmenin aslında tam olarak ne olduğunu keşfedeceksiniz.

Derin Öğrenme, Geniş Sinir Ağlarıdır

Coursera’nın kurucu ortağı ve Baidu Araştırma’da Başmühendis olan Andrew Ng, derin öğrenme teknolojilerinin çok sayıdaki Google hizmetlerinde ürünleştirilmesiyle sonuçlanan Google Brain’i de resmi olarak kuran kişi.

Derin öğrenme hakkında birçok şey söyleyip yazdı ve başlamak için güzel bir nokta.

Derin öğrenmeye dair yapılan ilk konuşmalarda, Andrew derin öğrenmeyi geleneksel yapay sinir ağları bağlamında tanımlamıştı. 2013’te yaptığı “Derin Öğrenme, Kendine-Öğreterek Öğrenme ve Gözetimsiz Öğrenme” başlıklı konuşmasında derin öğrenme fikrini şöyle tarif etti:

Beyin simülasyonlarını kullanarak, umuyorum ki:

-Öğrenme algoritmaları çok daha iyi ve kolay kullanılabilir olacak

-Makine öğrenimi ve AI alanında devrimci ilerlemeler yaşanacak

İnanıyorum ki, bu bizim gerçek AI’a doğru ilerleyişimiz için elimizdeki en iyi fırsat.

Sonrasında yorumları daha incelikli hale geldi.

Andrew’a göre derin öğrenmenin temeli, geniş sinir ağlarını eğitmek için yeterince hızlı bilgisayarlara ve yeterli veriye sahip olmamız. ExtractConf 2015’te “Veri bilimcilerinin derin öğrenme hakkında bilmesi gerekenler” başlıklı konuşmasında derin öğrenmenin neden şimdi şaha kalktığını tartışırken şöyle diyor:

şimdi sahip olabileceğimiz çok geniş sinir ağları ve… erişimimiz olan devasa boyutlarda veri var

Ayrıca her şeyin ölçekle ilgili olduğuna dair önemli bir noktaya da vurgu yaptı. Yani biz daha geniş sinir ağları inşa ettikçe ve onları gittikçe daha da çok veriyle eğittikçe, performansları da artmaya devam ediyor. Bu da performans konusunda bir noktada yatay seyre ulaşan diğer makine öğrenimi tekniklerinden genel olarak farklı.

eski jenerasyon öğrenme algoritmalarının büyük bir kısmı… yatay seyirde performans gösterecek… derin öğrenme… ölçeklenebilen… ilk algoritma sınıfı, … onu daha çok veriyle besledikçe performans da iyileşmeye devam ediyor

Yaptığı sunumda da bununla ilgili güzel bir çizim veriyor:

Sonunda da şu an pratikte kullanılan derin öğrenmenin faydalarının gözetimli öğrenimden geldiğine işaret ediyor. 2015’teki ExtractConf konuşmasında diyor ki:

bugün derin öğrenmenin değerinin neredeyse tamamı gözetimli öğrenim ya da etiketli verinin öğreniminden geliyor

Öncesinde Stanford Üniversitesi’ne yaptığı “Derin Öğrenme” başlıklı 2014 konuşmasında da benzer bir yorum yapıyor:

derin öğrenmenin delicesine yükselişe geçmiş olmasının sebebi gözetimli öğrenim konusunda muazzam olması

Andrew sıklıkla, alanın kullanılabilir etiketlenmemiş veri bolluğuyla uğraşabilecek kadar olgunlaşmasıyla yolun gözetimsiz yanından gelen faydaları daha çok göreceğimizden, görmemiz gerektiğinden bahsediyor.

Jeff Dean, Google’da Sistem ve Altyapı Grubu’nda Kıdemli Araştırmacı ve bir Sihirbaz; Google içindeki derin öğrenmenin uyumu ve ölçeklendirmesiyle ilgileniyordu ve hatta belki de bunun bir kısmi sorumlusuydu. Jeff, Google Brain projesiyle, geniş ölçekli derin öğrenme yazılımı olan DistBelief’in geliştirilmesiyle ve sonra da TensorFlow ile ilgilendi.

“Akıllı Bilgisayar Sistemleri Kurmak için Derin Öğrenme” başlıklı 2016 senesindeki konuşmasında o da benzer minvalde bir yorumda bulunarak derin öğrenmenin gerçekten de tamamen geniş sinir ağlarıyla ilgili olduğunu söyledi.

Derin öğrenme terimini duyduğunuzda sadece geniş derin bir sinir ağı düşünün. Derin, tipik bir şekilde katmanların sayısını ima ediyor ve bu da basın tarafından kullanılan popüler bir terim. Ben onları genel olarak derin sinir ağları olarak düşünüyorum.

Bu konuşmayı birkaç kez yaptı ve aynı konuşma için slaytları değiştirerek kullandı. Sinir ağlarının ölçeklenebilirliğini vurgulayarak daha fazla veri ve daha geniş modellerle sonuçların iyileşeceğini, bunun da karşılığında eğitilmek için daha fazla hesap gerektireceğini gösterdi.

Derin Öğrenme Hiyerarşik Özellik Öğrenimidir

Ölçeklenebilirliğe ek olarak, derin öğrenme modelinin bahsi geçen bir diğer faydası da ham veriden özellik çıkartmayı otomatik olarak gerçekleştirebilme yetisidir, buna da özellik öğrenimi denir.

Yoshua Bengio da geniş sinir ağlarının sahip olduğu otomatik özellik öğrenimi kapasitesine karşı güçlü bir ilgiyle başlamış olsa da derin öğrenme alanındaki bir başka liderdir. Derin öğrenmeyi, özellik öğrenimi kullanarak iyi temsiller öğrenme ve keşfetme yetisine sahip algoritmalar üzerinden tanımlıyor. 2012 yılında yayınladığı “Gözetimsiz ve Transfer Öğrenim için Temsillerin Derin Öğrenmesi” başlıklı makalesi şöyle diyor:

Derin öğrenme algoritmaları, alt düzey özellikler açısından tanımlanan daha üst düzey öğrenilmiş özelliklerle, genellikle birden çok düzeyde iyi temsiller keşfetmek için girdi dağılımındaki bilinmeyen yapıdan yararlanmaya çalışır.

Bu satırlar arasındaki incelikli işlenmiş derin öğrenme perspektifi, özellik öğrenimindeki hiyerarşinin önemine vurgu yaptığı 2009 tarihli teknik raporu “AI için derin mimarileri öğrenme” içinde de karşımıza çıkar.

Derin öğrenme yöntemleri, düşük seviye özelliklerin kompozisyonuyla biçimlendirilen yüksek seviye özelliklere sahip özellik hiyerarşilerini öğrenmeyi hedefler. Çoklu soyutlama seviyelerindeki otomatik öğrenme özellikleri, bir sistemin karmaşık fonksiyonları tamamen insan elinden çıkma özelliklere girdiden çıktıya kadar doğrudan veri üzerinden haritalandırarak öğrenmesini sağlar.

Yakında yayınlanacak olan, Ian Goodfellow ve Aaron Courville ile birlikte yazdıkları “Derin Öğrenme” kitabında derin öğrenmeyi modellerin mimari derinliği üzerinden tanımlıyorlar.

Konseptlerin hiyerarşisi, bilgisayarın karmaşık konseptleri basit olanlar üzerine inşa ederek öğrenebilmesini sağlıyor. Eğer bu konseptlerin birbiri üzerine nasıl inşa edildiğini gösteren bir grafik çizecek olursak, grafik derin olur, birçok katmanı olur. O yüzden bu yaklaşıma AI derin öğrenme diyoruz.

Bu önemli bir kitap ve büyük ihtimalle bu alanda bir süre belirleyici kaynak olarak kullanılacak. Kitap, derin öğrenme alanında kullanılan çok katmanlı algılayıcıları tanımlayarak devam ederek, derin öğrenmenin yapay sinir ağlarını da kapsadığı fikrini uyandırıyor.

Derin öğrenme modelinin en tipik örneği, beslemeli derin ağ ya da çok katmanlı algılayıcıdır (MLP).

Peter Norvig, Google’da Araştırma Yöneticisi ve AI üzerine yazdığı “Yapay Zeka: Modern Bir Yaklaşım” kitabıyla ünlü.

2016’de verdiği “Derin Öğrenme ve Anlaşılabilirliğe karşı Yazılım Mühendisliği ve Teyit” başlıklı konuşmasında, derin öğrenmeyi Yoshua’yla benzer bir şekilde tanımlayıp, daha derin ağ yapıları kullanarak izin verilen soyutlamanın gücüne odaklanıyor.

biçimlendirdiğiniz temsilin, çıktıya yönelik doğrudan girdi yerine muhtelif soyutlama katmanlarına sahip olduğu bir öğrenme biçimi

Kaynak

Veri Nedir?

Fri, 03 Jan 2020 08:16:04 GMT

Veri, bilgisayarların işleyebileceği bir forma dönüştürülmüş gerçekler (sayılar, kelimeler, ölçümler, gözlemler, vb.) topluluğudur. Hangi sektörde çalışırsanız çalışın, ya da ilgi alanlarınız ne olursa olsun, “verinin” dünyamızın yüzünü nasıl değiştirdiğine dair bir hikayeyle karşılaşacaksınız. Veri bir hastalığı iyileştirmeye, bir şirketin gelirini artırmaya, bir binayı daha verimli hale getirmeye veya görmeye devam ettiğiniz hedefli reklamlardan sorumlu olmaya yönelik bir çalışmanın parçası olabilir. Ancak bilgi işlem ve iş dünyasında (veri söz konusu olduğunda haberlerde okuduklarınızın çoğu özellikle de Büyük Veri ile ilgili ise) veriler, insanların okuyabileceğinin aksine, makine tarafından okunabilir olan bilgileri ifade eder.

İnsanlar ve Makineler

İnsan tarafından okunabilir veriler (yapılandırılmamış veriler olarak da bilinir), bir görüntü veya bir metin blogunun anlamı gibi yalnızca insanların yorumlayabileceği ve çalışabileceği bilgileri ifade eder. Bir kişinin onu yorumlaması gerekiyorsa, bu bilgi insan tarafından okunabilir.

Makine tarafından okunabilir veriler (veya yapılandırılmış veriler), bilgisayar programlarının işleyebileceği bilgileri ifade eder. Program, verileri işlemek için bir dizi talimattır. Veri alınması ve bu verilerin bir dizi programa uygulanması yazılımdır . Bir programın veriler hakkında talimatlar verebilmesi için, bu verilerin bir tür üniform yapıya sahip olması gerekir.

Örneğin, ABD Deniz Subayı Matthew Maury, yıllardır elle yazılmış eski nakliye günlüklerini (insan tarafından okunabilir) geniş bir koordinat rotası koleksiyonuna (makine tarafından okunabilir) dönüştürmüştür. Daha sonra ortalama Deniz yolculuğunu %33 oranında azaltmak için bu rotaları toplu olarak işledi.
Forbes makalelerinde ve McKinsey raporlarında yer alan yapılandırılmış veri türleri söz konusu olduğunda, çok dikkat çeken birkaç farklı tür vardır. Bu türler aşağıda yer almaktadır:

Kişisel Veri

Kişisel veri, kimliği belirli veya belirlenebilir gerçek kişiye ilişkin her türlü bilgiyi ifade eder yani kişinin belirlenmesini sağlayan tüm halleri kapsar. İsim, telefon numarası, motorlu taşıt plakası, sosyal güvenlik numarası, pasaport numarası, özgeçmiş, resim, görüntü ve ses kayıtları, parmak izleri, genetik bilgiler gibi veriler dolaylı da olsa kişiyi belirlenebilir kılabilme özellikleri nedeniyle kişisel verilerdir. Pek çok farklı şirket kişisel verilerinizi (özellikle sosyal medya siteleri) toplar, e-posta adresinizi veya kredi kartı bilgilerinizi genel olarak kişisel verilerinize vermek zorunda kalırsınız.
Şirketler genellikle bu verileri, kişiselleştirilmiş öneriler sunmak için kullanırlar. Örneğin Facebook, kişisel bilgilerinizi, sizin gibi başkalarının beğenisine göre görmek isteyebileceğiniz içerikleri önermek için kullanır. Buna ek olarak, kişisel veriler toplanır ve daha sonra çoğunlukla reklam ve rekabetçi araştırma amacıyla diğer şirketlere satılır.
Daha önce hiç duymadığınız şirketlerden hedefli reklamlar ve içerik almanın yollarından biri de budur.

İşlem Verileri

Veri işleme (işlem verisi) genellikle anlamlı bilgiler üretmek için veri öğelerinin toplanması ve manipüle edilmesidir. Örneğin işlem verisi ile; bir reklama tıklayabilir, satın alma yapabilir, belirli bir web sayfasını ziyaret edebilirsiniz vb.

Ziyaret ettiğiniz hemen hemen her web sitesi Google Analytics, başka bir 3. taraf sistemi veya kendi dahili veri yakalama sistemi aracılığıyla bir tür işlem verilerini toplar.
İşlem verileri işletmeler için inanılmaz derecede önemlidir, çünkü değişkenliği ortaya koymalarına ve işlemlerini en yüksek kalitede sonuçlar için optimize etmelerine yardımcı olur. Büyük miktarda veriyi inceleyerek gizli kalıpları ve korelasyonları ortaya çıkarmak mümkündür. Bu modeller rekabetçi avantajlar yaratabilir ve daha etkili pazarlama ve artan gelir gibi iş avantajlarına olanak sağlayabilir.

Web Verileri;

Web verileri, ister araştırma amaçlı isterse başka türlü çalışsın, internetten çekebileceğiniz her türlü veriyi ifade eden toplu bir terim olup web’de herkese açık olan geniş kapsamlı bir veri türüdür. Bunlar, rakiplerinizin ne sattığı, yayınlanan hükümet verileri, futbol skorları vb. veriler olabilir. Bu verilerin incelenmesi, özellikle yönetime iyi iletildiğinde çok bilgilendirici olabilir. Web verileri önemlidir, çünkü işletmelerin kendileri tarafından oluşturulmayan bilgilere erişebilmelerinin başlıca yollarından biridir. Kaliteli iş modelleri oluştururken ve önemli BI kararları alırken, işletmeler kuruluş içinde veya dışında ve daha geniş pazarda neler olduğu hakkında bilgiye ihtiyaç duyarlar. Web verileri rakipleri izlemek, potansiyel müşterileri izlemek, kanal ortaklarını takip etmek, potansiyel müşteriler oluşturmak, uygulamalar oluşturmak ve çok daha fazlasını yapmak için kullanılabilir. Yapılandırılmamış verileri yapılandırılmış verilere dönüştüren teknoloji geliştikçe, web verilerinin kullanım alanları hala keşfedilmektedir. Web verilerini toplamak için web scrapers’lara ihtiyaç duyulur. En basit ifadeyle, web scrapers bazen web hasadı olarak adlandırılır ve web sitelerinden veri çıkarma işlemidir. Web scrapers, web üzerinde genel verilerin toplanmasını otomatikleştirir. Veriyi çıkardıktan ve sakladıktan sonra, çeşitli şekillerde kullanılabilir. Örneğin, iletişim bilgilerini bulmak veya web’deki fiyatları karşılaştırmak gibi.

Sensör Verileri

Sensör verileri nesneler tarafından üretilir ve genellikle “Nesnelerin İnterneti” olarak adlandırılır. Akıllı saatinizden kalp atış hızınızı ölçen, hava durumunu ölçen harici sensörlere sahip bir binaya kadar her şeyi kapsar.
Şimdiye kadar, sensör verileri çoğunlukla süreçlerin optimize edilmesine yardımcı olmak için kullanılmıştır. Örneğin AirAsia, işletme maliyetlerini düşürmek ve uçak kullanımını artırmak için GE sensörleri ve teknolojisini kullanarak 30-50 milyon dolar tasarruf etti. Sensörler etraflarında neler olduğunu ölçerek, makineler üretkenliği artırmak ve bakım ihtiyacı olduğunda insanları uyarmak için akıllı değişiklikler yapabilir.

Veriler ne zaman Büyük Veri olur?

Teknik olarak yukarıdaki tüm veri türleri büyük verilere katkıda bulunur.
Verileri “büyük” yapan resmi bir boyut yoktur. Büyük veri, artan miktarı ve şu anda veri toplamanın bir parçası olarak toplanmakta olan çeşitli veri türlerini temsil eder. Dünyadaki bilgiler dijitalleştikçe ve gittikçe daha fazla çevrim içi olduğunda, analistler bunu veri olarak kullanmaya başlayabilir. Sosyal medya, çevrim içi kitaplar, müzik, videolar ve artan sensör miktarı gibi şeylerin hepsi, analiz için kullanılabilir hale gelen veri miktarındaki şaşırtıcı artışa katkıda bulunur. Büyük verileri daha önce analiz ettiğimiz “düzenli verilerden” ayıran şey; toplamak, saklamak ve analiz etmek için kullandığımız araçların boyut ve karmaşıklıktaki artışı karşılamak için değişmesi gerektiğidir.
Artık piyasadaki en yeni araçlarla örneklemeye güvenmemiz gerekmiyor.
Bunun yerine, veri kümelerini bütünüyle işleyebilir ve çevremizdeki dünyanın çok daha eksiksiz bir resmini elde edebiliriz.

Veri Toplamanın Önemi

Veri toplandıktan sonra, tüm bu bilgilerin kullanılmadan önce birileri tarafından işlenmesi, araştırılması ve yorumlanması gerekir. Ne tür verilerden bahsediyor olursanız olun, bu verileri yorumlamak veri bilimcisinin işidir. Günümüzde veri bilimciliği en çok aranan mesleklerden biri haline gelmiştir. Bir veri bilimcisi olabilmek için bilgisayar bilimi, modelleme, istatistik, analitik ve matematik alanlarında sağlam bir temele ihtiyaç vardır. Veri bilimcilerini geleneksel iş unvanlarından ayıran şey; iş süreçlerinin anlaması, kalite bulgularını kontrolü, iş yönetimi ve bilişim sektörüne ait şirketlerin sorunlarına çözüm bulmasıdır.

Kaynak

Endüstriyel Bilgisayarlar Nelerdir?

Fri, 03 Jan 2020 14:00:00 GMT

Program Detayları

ICC Dijital Endüstriyel Teknolojiler Kurucusu Tamer Yiğit Endüstriyel Bilgisayar üzerinden uygulamalı eğitim gerçekleştirilecek. Eğitime ücretsiz olarak katılabilirsiniz.

Networking
Endüstriyel bilgisayarlar nelerdir?
Normal bilgisayarlardan farkları nelerdir?
Kahve Molası
Nasıl çalışırlar?
Ürün seçiminde nelere dikkat edilmeli?
Kahve Molası
Soru/Cevap

Eğitmen Hakkında

Tamer Yiğit

Salon Özellikleri

4K Projektör
Android TV Box
Özel Tasarım Lightboard

Veri Madenciliği

Mon, 30 Dec 2019 14:39:48 GMT

Veri Madenciliği

Veri madenciliği dijital çağ ile beraber ortaya çıkan yeni bir kavram gibi görünse de 1930’lu yıllarda tüm dünyanın odaklandığı popüler bir kavramdı. Hacker Bit'e göre, veri madenciliğinin ilk modern fikirlerinden biri 1936'da yılında Alan Turing'in günümüz bilgisayarlarına benzer hesaplamalar yapabilen evrensel bir makine fikri ortaya atmasıyla çıkmıştır.

Veri Madenciliği ve Makine Öğrenmesi Arasındaki Fark Nedir?

Forbes Dergisi 1950 yılında bilgisayarların zekalarının olup olmadığını belirlemek için Alan Turing’in geliştirdiği Turing Testi’ni yayınladı. Turing Testi: makineler düşünebilir mi sorusunun cevabını arar.

İki yıl sonra Arthur Samuel, dünyanın ilk kendi kendine öğrenme programı olan Samuel Dama Oynama Programını yarattı. Bu programdaki makinenin en iyi hamleyi çalışarak bulduğunu ve bu sayede kazandığı açıklandı. Bu o dönem için bir mucizeydi. O zamandan günümüze dünya çok yol kat etti, işletmeler artık satış süreçlerinden tutun yatırım amaçlı finans konularını yorumlamaya kadar her şeyi geliştirmek için veri madenciliği ve makine öğreniminden yararlanıyor.

Günümüz şirketleri büyük hedeflerine ulaşmak için veri bilimine ve veri bilimcilere yatırım yapıyor.

Veri Madenciliği, Makine Öğrenmesi ve Veri Bilimi

İş dünyasında büyük verilerin yaygınlaşması ile beraber çoğunun ne anlama geldiği anlaşılmamış pek çok terim ortaya çıktı.

Veri madenciliği nedir? Makine öğrenimi ile veri bilimi arasında bir fark var mıdır? Birbirlerine nasıl bağlanırlar?

Makine öğrenmesi sadece yapay zeka mı?

İşte tüm bu soruların cevapları şirketlere veri bilimi ve analizi hakkında faydalı bir anlayış sağlayacaktır. Hem veri madenciliği hem de makine öğrenmesi veri biliminin konusudur. Fakat ikisini de birbirinden ayıran birkaç özellik vardır.

Bu özellikler aşağıdaki gibidir

Makine öğrenimi ve veri madenciliği arasındaki önemli farklardan biri günlük yaşamda nasıl kullanıldığı ve uygulandığıdır.

Makine öğrenmesi, veri madenciliğini genellikle ilişkiler arasındaki bağlantıları görmek için kullanır.

Uber firması, UberEATS’in yolculuk, öğün teslimat sürelerini hesaplamada makine öğrenmesini kullanıyor. Bunun dışında veri madenciliği, finansal araştırma da dahil olmak üzere çeşitli amaçlar için kullanılabilir. Yatırımcılar bir start-up girişimini değerlendirmek ve finansman sağladıklarında doğru verimi alıp almayacaklarını değerlendirmek için veri madenciliğini kullanabilirler.

Şirketler ayrıca pazarlamadan envanter ihtiyaçlarına kadar her şeyi daha iyi bilgilendirmek ve yeni müşteri adaylarını güvence altına almak için veri madenciliğini kullanabilirler.

Örneğin veri madenciliği; Bir şirketin sosyal yardım kampanyası başlatması için sosyal medya profilleri, web siteleri ve dijital varlıklar incelenerek yani veri madenciliği yapılarak doğru bir sonuç elde edilebilir.

Veri madenciliği ile 10 dakika içinde 10.000 müşteriye ulaşılabilir. Bu kadar bilgiyle bir veri bilimcisi, şirketin gelecek aylarda ve yıllardaki müşterilerin taleplerini ve eğilimlerini tahmin ederek müşterilerine en doğru hizmeti verebilir. Makine öğrenmesi veri madenciliğinin ilkelerini içerir, ancak aynı zamanda otomatik korelasyonlar yapabilir ve onlardan yeni algoritmalar oluşturabilir. Makine öğrenmesi otomobil sürerken hızla yeni koşullara uyum sağlayabilen, kendi kendini süren otomobillerin arkasındaki teknolojidir. Makine öğrenmesi ayrıca bir alıcının Amazon'dan bir ürün satın aldığında anında öneriler sunan teknolojidir. Bu algoritmalar ve analizler sürekli olarak geliştirilmeye yöneliktir, bu nedenle sonuç sadece zamanla (makine öğrenimi ile) daha doğru olacaktır. Makine öğrenmesi bir yapay zeka değildir, ancak öğrenme ve iyileştirme yeteneği ile hala kitleleri etkilemektedir. Günümüzde hala bankalar sahte ödeme işlemlerini tanımlamak ve finansal sektördeki risklerini en aza indirmek için makine öğrenimine yatırım yapmaktadır. Geçtiğimiz dönemlerde CitiBank, çevrim içi ve şahsi bankacılık işlemlerinde gerçek zamanlı olarak mali dolandırıcılığı belirlemek ve ortadan kaldırmak için küresel veri bilimi kuruluşu Feedzai'ye yatırım yapmıştır. Bu teknoloji, sahtekarlığı hızla tespit etmeye ve perakendecilerin finansal faaliyetlerini korumalarına yardımcı olmaktadır.

Öğrenmenin Temelleri

Hem veri madenciliği hem de makine öğrenmesi aynı temelde fakat farklı şekillerde gerçekleştirilir. Bir veri bilimcisi, veri madenciliğini kullanarak karar verme süreçlerini şekillendirmeye yardımcı olabilecek yeni kalıplar aramak için mevcut bilgilerden yararlanır.

Örneğin, giyim markası Free People, sezon görünümlerini şekillendirmek için milyonlarca müşteri kaydını tarama da veri madenciliğini kullanıyor. Veriler ile; en çok satan ürünleri, en çok iade edilen ürünleri ve daha fazla giysi satmaya ve ürün önerilerini geliştirmeye yardımcı olmak için müşteri geri bildirimleri araştırılıyor. Veri analizinin bu şekilde kullanılması, genel olarak daha iyi bir müşteri deneyimine yol açar. Zebra Medical Vision, her yıl 500.000'den fazla Amerikalı'nın ölümüne yol açan kardiyovasküler koşulları ve olayları tahmin etmek için bir makine öğrenme algoritması geliştirdi. Makine öğrenmesi, gelecekteki olaylara yönelik davranışları uyarlar ve veri madenciliği de tipik olarak makine öğrenmesi için alınacak bir bilgi kaynağı olarak kullanılır. Veri bilimcileri belirli veri ve parametreleri otomatik olarak arayacak veri madenciliğini kurabilseler de, insan etkileşimi olmadan bilgiyi kendi başlarına öğrenemez ve uygulayamazlar. Veri madenciliği mevcut veri parçaları arasındaki ilişkiyi, makine öğrenmesi ile aynı derinlikte göremez.

Desen Tanıma

Veri toplama kısmı işin en zor kısmıdır, diğer kısım ise her veriyi anlamlandırmaktır. Bilimcilerin topladığı ve bulabildiği büyük miktardaki bilgiyi analiz edebilmek ve yorumlayabilmek için doğru yazılım ve araçlara ihtiyaç vardır. Aksi takdirde, veri bilimcileri kendi başlarına bu karmaşık, genellikle ince ve görünüşte rastgele kalıpları aramak için zamanlarını ayıramazlarsa, veriler büyük ölçüde kullanılamaz hale gelecektir. Veri bilimciler, veri bilimine, analize aşina bile olsalar, bu işin zor, zaman bir iş olduğunu bilirler. İşletmeler, satış tahminlerini şekillendirmek veya müşterilerinin gerçekten ne tür ürünler almak istediklerini belirlemek için verileri kullanırlar. Örneğin; Walmart, veri ambarı için 3.000'den fazla mağaza satış noktasından veri toplar. Satıcılar bu bilgileri görebilir ve satın alma modellerini belirlemek, gelecek için envanter tahminlerini ve süreçlerini yönlendirmek için kullanabilir. Veri madenciliği, bazı kalıpları sınıflandırmalarda ve dizi analizi yapmada kullanılabilir. Bununla birlikte makine öğrenmesi, veri madenciliğinin toplanan verilerden otomatik olarak öğrenmek ve bunlara adapte olmak için kullandığı aynı algoritmaları kullanarak bu kavramı bir adım öteye taşımaktadır. Makine öğrenmesi ile, giderek daha yaygın bir sorun haline gelen kötü amaçlı yazılımların sistemlerdeki veya buluttaki verilere nasıl erişildiği konusunda çözüm arayabilir. Makine öğrenmesi ayrıca hangi dosyaların gerçekten zararlı olduğunu tespit etmeye yardımcı olmak için yüksek doğruluk düzeyine sahip kalıplara da bakar. Bütün bunlar, bir insan tarafından sürekli izlemeye gerek kalmadan yapılır. Anormal kalıplar tespit edilip, kötü amaçlı yazılımın yayılmasını önlemek için önlem alınması için bir uyarı oluşturulabilir.

Geliştirilmiş Doğruluk

Hem veri madenciliği hem de makine öğrenmesi toplanan verilerin doğruluğunu artırmaya yardımcı olabilir. Veri madenciliği, verinin nasıl analiz edildiği genellikle verilerin nasıl organize edildiği ve toplandığı ile ilgili çalışır. Veri madenciliği, verileri binlerce kaynaktan çekip çıkarmak ve eleme yapmak için yazılımları kullanır ve araştırmacıların, veri bilim adamlarının, yatırımcıların ve işletmelerin, sonuçlarının artmasına yardımcı olacak kalıpları bulur. Sonuç olarak makine öğreniminin temel dayanaklarından biri veri madenciliğidir.

Veri madenciliği, daha doğru veri elde etmek için kullanılabilir. Daha iyi sonuçlar elde etmek için makine öğrenimini hassaslaştırmaya yardımcı olur. Kişi veriler arasındaki çoklu bağlantıları ve ilişkileri kaçırabilirken, makine öğrenme teknolojisi bu parçaların hepsini doğru bir sonuç çıkarmak için belirleyebilir. Makine öğrenimi, satış ekiplerinin müşterilerini daha iyi anlamalarına ve onlarla bağlantı kurmalarına yardımcı olmak için CRM sistemlerinde ilişki zekasını artırabilir. Makine öğrenimi ile bir şirketin CRM'i, dönüşüm veya müşteri memnuniyeti geri bildirimi sağlayan geçmiş işlemleri analiz edebilir. Ayrıca, hangi ürün ve hizmetlerin daha çok satılacağını tahmin ederek müşterilere nasıl bir pazarlama mesajı ile gidileceğini ön görebilir.

Veri Madenciliğinin Geleceği ve Makine Öğrenmesi

Önümüzdeki yıllarda veri miktarı artacağından dolayı veri bilimi için gelecek parlak gibi gözüküyor... 2020 yılına kadar, birikmiş dijital veri evrenimiz, Forbes’a göre 4.4 zettabayttan 44 zettabayta büyüyecek. Gezegendeki her insan için her saniye 1.7 megabayt yeni bilgi yaratacağız. Daha fazla veri topladığımızda, gelişmiş veri madenciliği ve makine öğrenimi tekniklerine olan talep, sanayiyi ayakta tutmaya devam edecek. Analiz amaçlı olarak büyük miktarlarda veri toplanmasını ve kullanılabilirliğini geliştirmek için veri madenciliği ile makine öğrenmesi arasında daha fazla rekabet olduğunu göreceğiz. Bio IT World'den gelen haberlere göre, veri madenciliğinin geleceği, tıbbi araştırma gibi endüstrilerde gelişmiş analizlerle devam edecek.

Ancak bazı uzmanların veri madenciliği ve makine öğrenimi hakkında farklı fikirleri de var. Bazı uzmanlar farklılıklarına odaklanmak yerine, her ikisi kullanarak: “Verilerden nasıl ne öğrenebiliriz? sorusuna odaklanmamız gerektiğini savunuyor.

Kaynak

İki Bilgisayar Çipi Arasında Veri Aktarımı Gerçekleştirildi

Mon, 30 Dec 2019 14:39:48 GMT

İki Bilgisayar Çipi Arasında Veri Aktarımı Gerçekleştirildi

Bristol Üniversitesi ve Danimarka Teknik Üniversitesi'ndeki bilim insanları, ilk kez iki bilgisayar çipi arasında kuantum ışınlanmayı gerçekleştirdiler. Ekip iki bilgisayar çipi arasında sağladığı veri aktarımı ile kuantum bilgisayarların dışında kuantum interneti gündeme taşıdı.

Kaynak: https://newatlas.com/quantum-computing/quantum-teleportation-computer-chips/

Nesnelerin Yapay Zekâsı

Wed, 25 Dec 2019 06:00:00 GMT

Nesnelerin Yapay Zekası (AIoT)

Nesnelerin Yapay Zekası (AIoT) Yerleşik Yapay Zeka ile Nesnelerin İnternetinin birleşimidir. Gartner’a göre 2022'ye kadar, kurumsal IoT projelerinin yüzde 80'inden fazlasının bir Yapay Zeka bileşenine sahip olacağı ön görülüyor. Günümüzde IoT'nin genişlemesi ve işlevlerinin artması için, gelişmiş bir yapay zekaya sahip olması gerekecektir.

Farklı teknolojilerin birbiri ile olan ilişkileri her ne kadar bir trend olsa da daha iyi sonuçlar elde etmek için geliştirilen bir stratejidir. Yapay Zeka ve IoT birleşimi: birbirine pasif sensörlerle bağlı nesneler, verileri anlayıp analiz eden makinelere dönüşür. IoT Yapay Zekanın gelişmiş veri analizi özelliklerinden yararlanırken, Yapay zeka uygulamaları geniş ağlardan gerçek zamanlı bilgi alır. Yapay Zeka olmadan, IoT’de dolaşan veriler tam anlamıyla potansiyeline ulaşamaz. Yapay zeka IoT verilerini zengin veri haline getirir.

AIoT yani Nesnelerin Yapay Zekası kullanımına örnek vermek gerekirse akıllı hoparlörler, kullanıcı gereksinimlerini ve ortamlarındaki değişiklikleri aktif olarak dinler ve buna uyum sağlar. Giyilebilir cihazlarda akıllı ev aletlerinin aynısını yapar.

IIoT yani Endüstriyel Nesnelerin İnterneti ile birlikte düşünüldüğünde, birbirine bağlı ağlarda yapay zekanın önemi daha da belirginleşmektedir. IIoT, makineden makineye ve insandan makineye iletişimlerini geliştirerek, ağların daha verimli çalışmasını sağlamak için sensör verilerini kullanan endüstriyel sistemlerdir. Yapay zeka kullanan sistemlerde tedarik zincirleri daha sağlıklı çalışacak ve hata payı en aza indirgenecektir.

IoT nesneleri tarafından toplanan veriler yapay zeka uygulamaları ile daha verimli çalışacaktır. AIoT ile nesnelerin işlevsellik görevleri artarak hem ağlardaki verim hem de tekil verimleri potansiyellerin üzerine çıkacaktır.

Kaynak

MES Nedir?

Tue, 24 Dec 2019 06:00:00 GMT

Bir Üretim Yürütme Sistemi olan MES, karmaşık üretim sistemlerini ve fabrikalardaki veri akışlarını birbirine bağlayan, izleyen ve kontrol eden bir bilgi sistemidir. MES'in temel amacı, üretim süreçlerinin etkin bir şekilde yürütülmesini sağlamak ve üretim çıktısını iyileştirmektir.

MES, gerçek zamanlı verileri izleyerek ve toplayarak, ürünün sipariş verilmesinden teslim aşamasına kadar ki tüm üretim yaşam döngüsünün doğru amaca ulaşmasına yardımcı olur.

MES, ürün tipi, performans, izlenebilirlik, malzeme yönetimi ve devam eden işlerin durumları ile ortaya çıkan tesis/fabrika faaliyetleri hakkında veri toplar. Bu veriler, karar vericilerin fabrikanın mevcut işleyişini anlamalarını ve üretim süreçlerini daha iyi optimize etmelerini sağlar.

MES’in Avantajları

MES genellikle ERP, tedarik zinciri yönetimi, ürün yaşam döngüsü yönetimi ve diğer kilit BT sistemleri ile entegredir. MES kullanmanın en önemli avantajları:

Artan müşteri memnuniyeti
Geliştirilmiş yasal uyumluluk
Daha iyi çeviklik ve pazara çıkış zamanı
Gelişmiş tedarik zinciri görünürlüğü
Üretim çevrim sürelerinin azalması
Dokümantasyon ve manuel veri girişi işlemlerinin ortadan kaldırılması
Sipariş teslim sürelerinde iyileşme
Düşük işçilik maliyetleri
Üretimdeki işlerde proses iyileşmesi
Artan makine kullanımı

MES ve Yapay Zeka

ERP'deki tüm bu dijitalleşme sürecinde verilerin toplanıp Yapay Zekâ Algoritmaları ve makine öğrenimi ile analiz ve tahminlemeler yapılmasıyla endüstri 4.0 kapsamında doğru üretim stratejileri oluşturmak mümkün.

Kaynak

Süreçlerin Dijital Yönetimi

Fri, 20 Dec 2019 14:00:00 GMT

Program Detayları

Süreçlerin Dijital Dönüşümü
Paperwork ECM Çözümleri
SAP/ERP Engtegrasyonu
Kahve Molası
Networking
Soru/Cevap

Eğitmen Hakkında

Linkedin - Tolga Eşiz

Salon Özellikleri

4K Projektör
Android TV Box
Özel Tasarım Lightboard

Akıllı Fabrikalar ve Agile Üretim Stratejileri

Wed, 11 Dec 2019 14:00:00 GMT

Program Detayları

Akıllı Fabrikalar (Smart Manufacturing)
Nesneleri İnterneti (IoT)
Dijital Dönüşüm Yol Haritası
Kahve Molası
Networking
Soru/Cevap

Eğitmen Hakkında

Linkedin - Dr. Lütfi Apilioğulları

Salon Özellikleri

4K Projektör
Android TV Box
Özel Tasarım Lightboard

Dijital Dönüşüm'de Doğru Adım Nedir?

Fri, 06 Dec 2019 08:00:00 GMT

Dijital Dönüşüm; iş süreçlerini yeniden yapılandırmak ve müşteri deneyimlerini iyileştirmek için dijital teknolojiyi kullanan her ölçekteki şirkette köklü değişiklik yaratıyor. Bizler bu dijital dönüşümün sadece bir kısmını (tercihlerinize göre değişen akıllı dijital tabelalar, yapay zekâ ile çalışan müşteri hizmetleri sohbetleri, BI tabanlı karar alma için verilerin analizi) tanıyoruz. Aslında, dijital dönüşüm, günümüzün süper rekabetçi pazarında bir zorunluluk haline gelmiştir. Dijital dönüşümü doğru kullanan şirketler; rakip firmalara oranla daha fazla müşteriye ulaşıyor.

Bu sonucu;

Bir rakip daha iyi bir ürüne veya fiyata sahip olsa bile onlardan iki kat daha fazla satın alma olasılığının olması,
Ortalama müşteriden yılda üç kat daha fazla satın alma talebinin oluşması gibi örneklerle açıklayabiliriz.

Dijital Dönüşüm Zordur

Dijital dönüşüm günümüz ekonomisinde başarı için kritik öneme sahip olmasına rağmen, birçok teknoloji tedarikçileri ve teknoloji kullanıcıları dijital dönüşümü başarıyla yapmak için gereken kaynak veya bilgiden yoksundur.

Kaynak

Makine Öğrenimi ve Derin Öğrenmenin Tarihi

Fri, 06 Dec 2019 08:00:00 GMT

Bugünler de makine öğrenimi (ya da ML) ve yapay zekâ (ya da AI) hakkında kaynağınıza bağlı olarak iyi ya da kötü, çok şey duymuşsunuzdur.

Çoğumuz konu yapay zekaya gelince anında 2001:Bir Uzay Macerası’ndaki HAL’ı, Terminatör robotları, C-3PO'yu, Star Trek’teki Data’yı ya da (ülkemizde Aşk adıyla gösterime giren) Her’deki Samantha'yı canlandırıyoruz zihnimizde. Ve birçokları da ayrı bir konu olarak makine öğrenimine aşina bile değil.

Bu tabirler sık sık birbirlerinin yerine kullanılabilecek şekilde ortaya atılıyorlar ama aslında aynı şey değiller. En genel anlamıyla, makine öğrenimi AI’dan evrildi diyebiliriz.

Google Trend grafiklerinde, AI’ın Eylül 2015 civarında makine öğrenimi tarafından geçilene kadar daha popüler bir arama olduğunu görebilirsiniz. Makine öğrenimi yapay zekanın -tek olmasa bile- ana uygulamalarından biri oldu. Makine öğrenimini bir alt dal ya da AI’ı elde etmenin yolu olarak tanımlayanlar da mevcut.

Eğer hala gelecekten gönderilmiş katil robotlar hayal ediyorsanız ayıp ediyorsunuz. AI da makine öğrenimi de “sadece” insanlığın kaderiyle ilgili olmaktan çok daha büyük şeyler.

Derin Öğrenme

Eğer makine öğrenimi yapay zekanın bir alt dalıysa, derin öğrenme de makine öğreniminin bir alt dalı olarak görüşebilir. Konunun evrimi yapay zekâ > makine öğrenimi > derin öğrenme şeklinde ilerledi.

“Derin öğrenme” tabiri ilk kez 2000’lerde ya da civarında, Igor Aizenberg ve meslektaşları tarafından Yapay Sinir Ağları (ANNs) hakkında konuşurken kullanıldı.

O zamandan beri, terim gerçekten de tüm yapay zekâ sohbetlerini ele geçirmeye başladı, hem de çalışmanın yer aldığı doğal dil işleme (ya da NLP) gibi başka dallar da olmasına rağmen.

Özetlemek gerekirse, derin öğrenme, makine öğrenimini sağlamak için bir yol. Yapay Sinir Ağları daha güçlü ve karmaşık hale geldikçe- ve birçok katman ve nöronla kelimenin tam manasıyla derinleştikçe -derin öğrenmenin sağlam makine öğrenimini kolaylaştırma ve yapay zekâ üretme kabiliyeti de arttı. 2017’de bu katmanların derinliği 1000 olabiliyordu.

Derin Öğrenme “gözetimli öğrenme” denen –sinir ağının etiketlenmiş verileri kullanarak alıştırma yaptığı- ya da “gözetimsiz öğrenme” denen -ağın etiketlenmemiş verileri kullandığı ve tekrar eden desenlere baktığı- yöntemleri kullanıyor. Her seviyedeki nöronlar “tahmin” yapıyor ve en olası görülerini belirliyor, ardından da bu bilgiyi bir sonraki seviyeye geçiriyorlar, nihai sonuca kadar. Kafanız karıştı mı? Yalnız değilsiniz. Kafayı bulandıran bir konu. Yapay zekâ dünyasında şu zamana kadarki en heyecan verici gelişme bu. Ama alanın çetrefilini kavramaya çalışmak yerine –ki bu başlı başına konu üzerine sürekli ve kapsamlı bir makale dizisi olurdu- makine öğreniminin tarihindeki büyük gelişmelerden bazılarına şöyle bir bakalım (ve konunun uzantısı olarak, derin öğrenme ve AI’a). Görece kısa zaman içinde uzun bir yol kat etti.

1943 – Sinir Ağının ilk matematiksel modeli

Walter Pitts ve Warren McCulloch

Makine öğrenimi ve derin öğrenmenin çalışabilmesi için, tabii ki, insan beynindeki sinir ağlarına dair bir anlayış geliştirmiş olmamız gerekiyordu.

Bir mantıkçı olan Walter Pitts ve nörobilimci Warren McCulloch, 1943’te sinir ağının ilk matematiksel modelini yarattıklarında bize yapbozun o parçasını vermiş oldular. Çığır açıcı çalışmaları “Sinirsel Aktivitelere İçkin Fikirlerin Mantıksal Bir Hesaplaması (A Logical Calculus of Ideas Immanent in Nervous Activity)”, insanın düşünsel sürecini taklit etmeyi amaçlayan matematik algoritmaları sunar.

Modelleri –genelde McCulloch-Pitts nöronları diye bilinir- yıllar içinde evrilmiş olsa da bugün hala standart kabul edilir.

1950 – Makine Öğrenimi Öngörüsü

Alan Turing

İngiliz matematikçi Turing, belki de en çok II. Dünya Savaşı’ndaki şifre kırıcılığıyla tanınıyor.

Ama matematiğe ve bilime yaptığı katkılar bununla sınırlı değil. 1947’de makine öğrenimi gelişimini öngörmekle kalmayıp meslekler üzerindeki etkisini tarif etmeye kadar gitti.

1950’de kaleme aldığı makalesi “Makinelerin İşleyişi ve Zekâ”da da tam böyle bir makine tarif ediyor bize, hatta genetik algoritmalara dair ipuçları veriyor. Burada Turing Testi olarak bilinen –oysa kendisinin Taklit Oyunu diye adlandırdığı-, bir bilgisayarı “düşünüp düşünemeyeceğini” anlamaya yarayan testi ortaya atıyor.

En basit haliyle bu test bir makinenin bir insanla metin yoluyla bir sohbet sürdürmesini gerektiriyor. Eğer beş dakika sonra insan başka bir insanla konuştuğuna ikna olursa, makine testi geçmiş oluyor. Sonuçların geçerliliği hala birçokları tarafından tartışılsa da testin geçilmesi 60 yıl aldı.

1952 - İlk Makine Öğrenimi Programları

Arthur Samuel

Arthur Samuel 1952'de makine öğrenimi icat etti ve "makine öğrenimi" tabirini adlandırdı. Makine öğreniminin babası olarak anılıyor. IBM’deki Poughkeepsie Laboratuvarına katılmasının üzerine Arthur Samuel ilk bilgisayar öğrenimi programlarını yarattı. Programlar dama oynamaları için tasarlanmıştı. Arthur Samuel’in programı, her dama oynayışında daha iyiye gitmesi, hatalarını düzeltmesi ve o verilerle kazanmanın daha iyi yollarını bulmasıyla diğerlerinden ayrılıyordu. Bu otomatik öğrenme, makine öğreniminin ilk örneklerinden biri olacaktı.

1957 – Derin Sinir Ağlarının temellerini atmak

Frank Rosenblatt

Bir psikolog olan Rosenblatt, Cornell Havacılık Laboratuvarı için 1957’de “Perceptron: Algılayan ve Tanıyan bir Otomaton (The Perceptron: A Perceiving and Recognizing Automaton)” başlıklı yazısını yayınladı. Burada “optik bir beynin algısal süreçlerine yakın bir şekilde, optik, elektriksel veya sese dair bilgi kalıpları arasındaki benzerlikleri veya kimlikleri tanımayı öğrenecek elektronik veya elektromekanik bir sistem inşa edeceğini” belirtiyordu. Vay canına. Fikri yazılım ya da algoritmadan ziyade donanımdı ama bu şekilde sıfırdan öğrenmenin tohumlarını ekmiş oldu ve geniş çevrelerce derin sinir ağlarının (DNN) kurucusu olarak tanındı.

1959 – Yalın hücrelerin ve karmaşık hücrelerin keşfi

David H. Hubel ve Torsten Wiesel

1959’da nörofizyolojist ve Nobel ödüllü David H. Hubel ve Torsten Wiesel birincil görme korteksinde iki tip hücre olduğunu keşfetti: yalın hücreler ve karmaşık hücreler. Birçok yapay sinir ağları (ANNs) o veya bu şekilde bu biyolojik gözlemlerden ilham almıştır. Derin öğrenmeye özgü bir dönüm noktası olmasa da alan üzerinde çok büyük etkisi olduğu kesindi.

1960 – Kontrol Kuramı

Henry J. Kelley Kelley, Virginia Teknik Enstitüsü’nde hava-uzay ve okyanus mühendisliği profesörüydü. 1960’ta alanında herkesçe tanınan, büyük “Optimal Uçuş Rotaları için İrtifa Kuramı” makalesini yayınladı. Kontrol Kuramı konusundaki birçok fikri -girdili sistemlerin davranışları ve o davranışların geri bildirim ile nasıl değiştirilebileceği- yıllar içinde doğrudan AI ve ANNs alanlarında uygulanır oldu. Bunlar sinir ağlarını eğitmede kullanılan sürekli geri yayılım modellerinin (ya da diğer adıyla hataların geriye doğru yayılımının) temellerini geliştirmede kullanıldılar.

1965 – Çalışan ilk derin öğrenme ağları

Alexey Ivakhnenko ve V.G. Lapa

Matematikçi Ivakhnenko ve Lapa’nın da dahil olduğu ortakları, 1965’te o zamana dek sadece teoride ve fikirde kalmış olan ilk çalışan derin öğrenme ağlarını yarattılar. Ivakhnenko, “modellerin tam otomatik yapısal ve parametrik optimizasyonunu içeren çok-parametrik veri kümelerinin bilgisayar tabanlı matematiksel modelleri için tümevarım algoritmaları ailesi” olarak tanımlanan Veri İşlemede Grup Metodu’nu (GMDH) geliştirdi ve bunu sinir ağlarına uyguladı. Sırf bu sebepten bile, birçokları Ivakhnenko’yu modern derin öğrenmenin babası olarak görür. Öğrenme algoritmaları, en iyi nitelikleri bulup onları sistem içinde öne çıkartmak için her katmanda istatistiksel yöntemler kullanan derin ileri beslemeli çok katmanlı algılayıcılar kullanır. Ivakhnenko 1971’de GMDH’yi kullanarak 8 katmanlı bir derin ağ yaratabilmiş ve Alpha denen bilgisayar tanımlama sistemindeki öğrenme sürecini başarılı bir şekilde gösterebilmişti.

1979-80 -Bir ANN görsel örüntüleri nasıl tanıyacağını öğreniyor

Kunihiko Fukushima

Sinir ağları konusunda tanınan bir mucit olan Fukushima belki de en çok görsel kalıpları nasıl tanıyacağını öğrenen yapay sinir ağı Neocognitron’u yaratışıyla biliniyor. Bu, el yazısı karakterleri ve diğer örüntü tanıma görevlerinde, öneri sistemlerinde ve hatta doğal dil işlemede kullanıldı. Yaptığı iş -ki büyük oranda Hubel ve Wiesel’den etkilenmişti- hayvanlarda bulunan görsel korteks düzenlemesine dayanan evrişimli sinir ağlarının gelişimine yol açtı. Bunlar en az miktarda önişlem kullanmak üzere tasarlanmış çok katmanlı algılayıcı varyasyonlarıydı.

1982 – Hopfield Ağlarının yaratılışı

John Hopfield

1982’de Hopfield, artık onun adını taşıyan bir sistemi yarattı ve yaydı. Hopfield Ağları, ilişkilendirilebilir bellek sistemleri olarak çalışan tekrarlayan sinir ağlarıdır ve 21. yüzyılda hala derin öğrenme için popüler bir uygulama gerecidir.

1985 – Bir program İngilizce kelimeleri telaffuz etmeyi öğreniyor

Terry Sejnowski

Hesaplamalı nörobilimci Terry Sejnowski öğrenme sürecine dair bildiklerini 1985’te NETtalk’ı yaratmak için kullandı. Program İngilizce kelimeleri hemen hemen bir çocuğun yapacağı şekilde öğrendi ve metni konuşmaya çevirme süreci boyunca kendini geliştirmeye devam etti.

1986 – Şekil tanıma ve kelime tahmininde ilerlemeler

David Rumelhart, Geoffrey Hinton ve Ronald J. Williams

1986 tarihli “Geri-yayılımlı Hatalarla Öğrenme Temsilleri (Learning Representations by Back-propagating Errors)” makalesinde Rumelhart, Hinton ve Williams geri yayılım sürecini ince detaylarına kadar tarif ettiler. Bunun şekil tanıma, kelime tahmin etme ve bunun gibi birçok görevde, var olan sinir ağlarını ne kadar çok geliştirebileceğini gösterdiler. İlk başarının ardından gelen birkaç talihsizliğe rağmen, Hinton yeni başarılara ve övgülere ulaşmak için İkinci AI Kışı boyunca araştırmalarına devam etti. Alandaki birçok insan tarafından derin öğrenmenin manevi babası kabul edilir.

1989 – El yazması rakamları okuyan makineler

Yann LeCun

LeCun -AI ve DL evrenindeki bir başka rock yıldızı- elle yazılmış rakamları okuyabilmek için 1989’da evrişimli sinir ağlarını (ki geliştirilmelerinde kendisi de aracıydı) yakın zamandaki geri yayılım kuramlarıyla birleştirdi. Yarattığı sistem sonunda elle yazılmış çekleri ve NCR ya da diğer şirketler tarafından yazılmış posta kodlarını okumak için kullanıldı, 90’ların sonları ve 2000’lerin başında Amerika Birleşik Devletleri’nde kesilmiş çeklerin %10-20 kadarı bu işlemden geçiyordu.

1989 – Q Öğrenme

Christopher Watkins

Watkins doktora tezini –“Geciken Ödüllerden Öğrenmek (Learning from Delayed Rewards)”- 1989 yılında yayınladı. Tezinde, makinelerdeki takviyeli öğrenmenin hem pratikliğini hem de fizibilitesini artıran Q-Öğrenme kavramını tanıttı. Bu yeni algoritma, Markov Karar Süreci’nin geçiş olasılıklarını veya beklenen ödüllerini modellemeden, optimal kontrolü doğrudan öğrenmenin mümkün olduğunu ileri sürüyordu.

1993 -Bir “çok derin öğrenme” görevi çözüldü

Jürgen Schmidhuber

Alman bilgisayar bilimci Schmidhuber 1993’te, tekrarlayan sinir ağında 1000’den fazla katman gerektiren bir “çok derin öğrenme” görevini tamamladı. Bu sinir ağlarının karmaşıklığı ve yetenekleri konusunda kocaman bir adımdı.

1995 – Destek Vektör Makineleri

Corinna Cortes ve Vladimir Vapnik

Destek Vektör Makineleri (Support Vector Machines) -ya da SVMs- 1960’lardan beri vardı ve onyıllar içinde ince ayarlar yapılıp düzeltildi. Günümüzdeki standart model Cortes ve Vapnik tarafından 1993 yılında tasarlandı ve 1995’te de sunuldu. Bir SVM temel olarak benzer verileri tanıyıp haritalamak için kullanılan bir sistemdir ve makine öğrenimi ve derin öğrenmeyle bağlantılı olduğu sürece metin sınıflandırması, el yazısı tanıma ve görsel sınıflandırma gibi alanlarda kullanılabilir.

1997 – Uzun Kısa-Süreli Hafıza öne sürüldü

Jürgen Schmidhuber ve Sepp Hochreiter

Bir tekrarlayan sinir ağı yapısı olan uzun kısa-süreli hafıza (LSTM) Schmidhuber ve Hochreiter tarafından 1997 yılında ortaya atıldı. Gereken bilginin RNN’de uzağa, çok “arkalara” bir yere konumlanıp “kaybolduğu” uzun-süreli bağımlılık problemini çözerek tekrarlayan sinir ağlarının verimliliğini ve pratikliğini artırdılar. Zamanla geliştirilerek LSTM ağları DL halkalarında sık kullanılır oldu ve Google yakın zamanda bunu Android destekli akıllı telefonları için konuşma-tanıma yazılımına entegre etti.

1998 – Gradyan tabanlı öğrenim

Yann LeCun

LeCun, 1998’de “Gradyan Tabanlı Öğrenimin Belge Tanımaya Uygulanması (Gradient-based Learning Applied to Document Recognition)” başlıklı yazısını yayınladığında derin öğrenme alanındaki bir başka gelişmenin daha önemli ismi olmuştu. Stokastik gradyan iniş algoritmasının (gradyan tabanlı öğrenim olarak da bilinir) geri yayılım algoritmasıyla birleştirilmesi derin öğrenmeye dair tercih edilen ve giderek daha başarılı olan bir yaklaşımdır.

2009 – Launch of ImageNet

Fei-Fei Li

Stanford Üniversitesindeki Yapay Zeka Laboratuvarının başı ve profesörü olan Fei-Fei Li, 2009’da ImageNet’i başlattı. 2019 itibariyle, 14 milyondan fazla (son sayıma göre 14,197,122) etiketli görselin araştırmacılar, eğitimciler ve öğrencilerin erişimine açık olduğu çok büyük ve ücretsiz bir veri tabanı. Etiketli veri -bu görseller gibi- gözetimli öğrenmede sinir ağlarına “alıştırma yaptırmak” için gerekli. Görseller, İngilizce kelimelerin -isimlerin, yüklemlerin, zarfların ve sıfatların- eş küme denen eş anlamlı gruplara göre sıralandığı sözcüksel bir veri tabanı olan Wordnet’e göre etiketleniyor ve düzenleniyor.

2011 – AlexNet’in yaratılışı

Alex Krizhevsky

2011 ve 2012 yılları arasında Alex Krixhevsky, kendi yaratımı olan evrişimli sinir ağı AlexNet ile birçok makine öğrenimi ve derin öğrenme yarışması kazandı. AlexNet yıllar önce Yann LeCun tarafından yapılan LeNet5’ın üzerine kurulmuş ve geliştirilmişti. Başta yalnızca sekiz katmanı vardı -üç tane tamamen bağlı katman tarafından takip edilen beş evrişimli katman- ve düzeltilmiş doğrusal birimler kullanarak hızı ve düşmeyi güçlendirdi. Getirdiği başarı, derin öğrenme topluluğu içinde bir evrişimli sinir ağı rönesansını tetikledi.

2012 – Kedi Deneyi

Kulağa şirin ve önemsiz gelebilir ama “Kedi Deneyi” denen şey çok büyük bir adımdı. Binlerce bilgisayara yayılmış sinir ağını kullanarak, takım sisteme -YouTube’dan rastgele alınmış- 10,000,000 etiketlenmemiş görsel sundu ve veriler üzerinde analiz yapmasına izin verdi. Bu gözetimsiz öğrenme seansı tamamlandığında program kendine kedileri belirlemeyi ve tanımayı öğretmişti, hem de o zamana kadar yapılmış tüm gözetimsiz öğrenmelerden %70 oranında daha iyi bir performans göstererek. Mükemmel değildi ama. Ağ sunulan objelerden yalnızca %15’ini tanıdı. Yine de, bu hakiki AI’a doğru atılmış bir başka ufak adımdı.

2014 – DeepFace

Devasa platformlar sıklıkla sınırların dışındaki ilk düşünmelerdir ve bunlardan hiçbiri de Facebook’tan büyük değildir. Bu sosyal medya yaratığının 2014 yılında geliştirip dünyaya sunduğu derin öğrenme sistemi -takma adıyla DeepFace- yüzleri %97.35 isabetle tanımak için sinir ağlarını kullanıyor. Bu önceki çabaların %27 daha fazlasına tekabül ediyor ve %97.5 olduğu söylenen insan becerisine de rakip bir figür olmuş oluyor.

2014 – Üretken Çekişmeli Ağlar (Generative Adversarial Networks) GAN

Ian Goodfellow’un liderlik ettiği bir araştırma ekibi tarafından 2014 yılında tanıtıldığında Yann LeCun’dan aşağı kalır yanı olmayan bir otorite GANlar hakkında şunu söyledi: Bu epey büyük bir mesele. Üretken çekişmeli ağlar, modellerin gözetimsiz eğitimle mücadele edebilmesini sağlıyor ki bu da aşağı yukarı yapay zeka topluluğunun nihai hedefi diyebiliriz. Özünde, bir GAN iki rakip ağ kullanır: ilki veriyi alır ve ayırt edilemez örnekler yaratmaya çalışırken ikincisi ise veriyi de yaratılan örnekleri de alır ve her bir verinin hakiki mi yoksa üretilmiş mi olduğuna karar verir. Simultane olarak öğrenerek, ağlar birbirlerine karşı yarışır ve birbirlerini daha hızlı “akıllanmaya” iterler.

2016 – Güçlü Makine Öğrenimi Ürünleri

Cray Inc. ve onun gibi daha başka birçok şirket artık güçlü makine öğrenimi ve derin öğrenme ürünleri ve çözümleri sunabiliyorlar. Microsoft’un sinir ağı yazılımını kendi XC50 süperbilgisayarında 1000 tane Nvidia Tesla P100 grafik işleme birimiyle kullanarak verilere öncekine kıyasla çok küçük bir zamanda derin öğrenme uygulayabiliyorlar.

Eğlence ve Oyun

Dünyayı kurtaracak olmayabilir ama yıllar içinde oyunlara ve insanlara karşı yarışmalara dair elde edilen başarılardan bahsedilmeyen bir makine öğrenimi ve derin öğrenme tarihçesi kesinlikle eksik kalır:

1992: Gerald Tesauro, tavla oynamayı öğrenmek için yapay sinir ağı kullanan bir bilgisayar programı olan TD-Gammon’ı geliştirdi.
1997: IBM tarafından tasarlanan Deep Blue satranç büyük ustası Garry Kasparov’u altı maçlık seride yendi.
2011: IBM tarafından geliştirilen bir soru cevaplama sistemi olan Watson, Jeopardy! Adlı yarışma programında Ken Jennings ve Brad Rutter’a karşı yarıştı. Makine öğrenimi, doğal dil işleme ve bilgi çekme tekniklerinin bir kombinasyonunu kullanarak Watson üç maç boyunca yarışmayı kazandı.
2016: Google’ın AlphaGo programı en iyi uluslararası Go oyuncularından biri olan Koreli Lee Sedol’u yendi. DeepMind tarafından geliştirilen AlphaGo makine öğrenimi ve ağaç araması tekniklerini kullanıyor. Mayıs 2017’de ise dünya birincisi Çinli oyuncu Ke Jie’yi üç maçtan ikisini kazanarak yendi.

Kabaca Bir Zaman Çizelgesi

Geçtiğimiz 60 yıl içinde AI, ML ve DL alanlarında pek çok gelişme ve ilerleme oldu. Her birini tek tek tartışmak bir blog yazısından ziyade koca bir kitap gerektirirdi. Kısa bir zaman cetveline sıkıştıracak olursak derin öğrenme şöyle görünürdü:

1960lar: Yüzeysel sinir ağları
1960-70ler: Geri yayılımın ortaya çıkışı
1974-80: İlk AI Kışı
1980ler: Evrişimin ortaya çıkışı
1987-93: İkinci AI Kışı
1990lar: Gözetimsiz derin öğrenme
1990lar-2000ler: Gözetimli derin öğrenme yeniden moda
2006’dan Günümüze: Modern derin öğrenme

Bugün, derin öğrenme farkında bile olmadığımız kadar hayatlarımızın içinde: Google’ın ses ve yüz tanıması, Netflix ve Amazon’un öneri mekanizmaları, Apple’ın Siri’si, otomatik e-posta ve mesaj cevapları, sohbet botları ve daha bir sürü şey. Her yanımızı saran veriyle, bu programların analiz edip gelişim göstereceği daha da çok bilgi var. Her tarafta. Derin öğrenme buradan nereye gidecek? Bizi nereye götürecek? Söylemesi zor. Alan evrilmeye devam ediyor ve bir sonraki büyük atılım azıcık ileride olabilir. Böylesine karmaşık bir şey için sabit bir zaman çizelgesi yok. Ama kesin olan bir şey var. Hayatta olmak çok heyecan verici zamanlar… ve gerçek zekayla makinelerin iç içe geçişine tanık olmak için. Makine öğreniminin tarihi bize gösteriyor ki, gelecek, birçok açıdan, zaten burada.

Kaynak

En iyi 10 Yapay Zekâ Uygulaması

Fri, 29 Nov 2019 00:00:00 GMT

2019'un en iyi yapay zeka ve makine öğrenimi uygulamalarını karşılaştırmalar ve incelemelerle araştırdık. Öncelikle;

Yapay Zekâ (AI) Uygulaması Nedir?

Yapay Zekâ(Al) yazılımı bir çok veri görüşü ve şeklini kullanarak insan hareketlerini taklit eden bir bilgisayar programıdır.

Yapay zekâ’nın en önemli özellikleri makine öğrenimi, ses ve konuşma tanımlaması ve sanal asistan içermesidir. Makine öğrenimini ile bütünleşen Al, kullanıcılara gerekli olan işlevi sağlamakta kullanılır ve iş sürecini daha basit bir hale getirir. Al yazılımı, makine öğrenimi ve derin öğrenme kapasitesi sayesinde sıfırdan akıllı bir uygulama oluşturmak ve geliştirmek için kullanılır.

Yapay Zekâ (AI) Uygulama Çeşitleri

Akıllı yazılım platformları:Sıfırdan bir yazılım geliştirmek için bir platform sağlar. Bir çok yerleşik algoritma içeriğinde sağlanmıştır. Sürükle ve Bırak özelliği ise kullanımını kolaylaştırır.
Chatbots:Bu yazılım bir insan veya kişinin konuşmasında yaptığı etkiyi verecektir.
Derin Öğrenme Yazılımı:Ses tanıma, görüntü tanıma ve benzer özellikler içerir.
Makine Öğrenim Yazılımı:Makine öğrenim tekniği, bilgisayarın veri yoluyla öğrenim sağlayacağı bir tekniktir.

Yapay Zekâ (AI) Ne Yapar?

Al sayesinde, sadece işimizde veya ofisimizde değil evimizde de akıllı sistemlerimizi geliştirebiliriz. Akıllı sistemler, alarm ayarlamadan ışıkları açıp kapamaya kadar bir çok görevi yerine getirebilir. Al sayesinde, farklı portallardan verileri bir araya getirmek ve toplamak çok daha basit bir hale gelmektedir. ML sayesinde ,verilerimize istenen şekilde ulaşmak için farklı algoritmalar uygulayabiliriz. Online alışveriş yaparken, gördüklerimize veya satın alımlarımıza dayanarak tavsiyeler alabiliriz. Bu, daha fazla iş elde etmemize olanak sağlayacaktır. Tüm bunlar yalnızca Al(Derin öğrenme ve Makine öğrenimiyle) gerçekleşmektedir.

Bazı ürün veya hizmetleri satın almak istediğinizde, muhtemelen her zaman uygun olan çevrim içi iletişim veya chat penceresiyle yardım alabileceğiniz siteleri ziyaret edersiniz. Bu yardım ise sadece Al (Chatbot) sayesinde mümkün olmaktadır. Robotik Otomasyon Aşamaları vs. Yapay Zeka, RBA yazılımı insan hareketlerini kopyalar ve Al, insan zekasını kopyalar veya taklit eder. Al, bir uygulama yeteneği hakkında düşünme ve öğrenmedir.

1) Google Cloud Machine Learning Engine

Google Cloud Öğrenme Motoru model eğitimlerinde işinze yarar. İçerikleri, Google Bulut Platformu, Gcloud ve Rest Konsolu içeren Bulut ML Motoruyla ile sağlanmıştır.

Özellikleri

Google Cloud size, modelinizi eğitmede, analiz etmede ve ayarlamada yardımcı olacaktır. Bu eğitilmiş model, daha sonrasında dağıtılacaktır. Sonrasında, tahminler alabilecek, tahmin ekranına ulaşabilecek, ve aynı zamanda modellerinizi ve sürümlerinizi yönetebileceksiniz. Google Bulut ML 3 bileşime sahiptir; Google Bulut Platform Konsolu , modelleri dağıtmada , bu modelleri , sürümleri işleri yönetmede kullanılan bir UI ara birimidir; GCloud ise, sürümleri ve modelleri yönetmek için bir Komut Satırı aracıdır ve REST API çevrimiçi tahminler içindir.

Artıları

İyi bir destek sağlar
Platform iyidir

Eksileri

Belgelerde gelişime ihtiyaç duyulması
Öğrenmesi zordur

Maliyet ve Ücretler

Eğitim maliyeti Amerika'da, Avrupa'da ve Asya'da farklılık göstermektedir.

Güncel ücretlendirme için tıklayın

2) Azure Machine Learning Studio

Bu araç, modelinizin bir web servis olarak dağılmanızda yardımcı olacaktır. Bu web servisi, bağımsız bir platform olacak ve aynı zamanda herhangi bir veri kaynağını kullanabilmeniz de yardımcı olacaktır.

Özellikler:

Modellerinizi bulutta, şirket içi ve kenarda dağıtabilir.
Kullanıcı bazlı çözümler üretir
Kaydır ve bırak özelliğiyle kullanımı kolaydır
Ölçeklendirilebilir

Artıları

-Programlama becerilerine ihtiyaç yoktur -Açık kaynak teknolojisiyle bütünleştirilebilir (entegre edilebilir) Eksikleri Ücretli özellikler için fiyatlandırma detaylarında şeffaflık eksikliği.

Araç Maliyeti/Planlama Detayları

Size ücretsiz bir hesap sunar. Bu hesapla birlikte, 25’ten fazla servisten yararlanabilmenizi sağlayacak. Gerektiğinde, herhangi bir zamanda ekstra ücret ödeyerek yükseltme yapabilirsiniz.

Güncel ücretlendirme için tıklayın

3) TensorFlow

Bir sayısal hesaplama aracı ve açık kaynaklı sistemidir. Bu ML kütüphanesi genellikle araştırma ve üretim içindir.

Özellikleri

Çözüm bunlar üzerine dağıtılabilir

CPUs, GPUs, TPUs.
Masaüstü
Kümeler
elefon
Kenar Cihazları
Yeni başlayanlar ve uzmanlar TensorFlow tarafından geliştirmek için sağlanan APIs’ı kullanabilirler.

Artılar:

İyi topluluk desteği
Özelliklerinin ve fonksiyonlarının iyi olması
Araç Maliyeti/Planlama Detayları
Ücretsizdir

4) H2O.Al

H2O Al bankacılıkta, sigortacılıkta, sağlıkta, pazarlamada ve telekomünikasyonda kullanılır. Bu araç, modeller oluşturmak için size R ve Python gibi program dillerini kullanmanıza izin vermektedir. Bu açık kaynak makine öğrenme aracı herkese yardımcı olabilmektedir.

Özellikler:

AutoML işlevselliği dahildir
Gradient boosted machines, genelleştirilmiş doğrusal model, derin öğrenim vb. Gibi bir çok algoritmayı destekler.
Doğrusal ölçekli platform
Dağınık bellek- içi bir yapı izler

Artıları:

Kullanımı kolaydır
İyi bir destek sağlar
Ücretsiz

Eksileri:

Dokümanların iyileştirilmesi gerekmektedir

5) Cortana

Cortana, sanal asistan, hatırlatıcıları ayarlama, sorularınızı yanıtlama gibi bir çok görevi yerine getirecektir. Desteklenmiş işletim sistemi, Windows, İOS, Android, X box Os içerir.

Özellikleri:

Pizza için sipariş vermeden evinizdeki ışığı yakmaya kadar bir çok görevi yerine getirebilir
Bing arama motorunu kullanır
İngilizce, Portekizce, Fransızca, Almanca, İtalyanca, İspanyolca, Çince ve Japonca gibi dilleri desteklemektedir.
Ses girişi alınabilir

Artıları:

Ses tanıma zamandan tasarruf sağlar
Bir çok özellikli beceriler sağlar
Ücretsizdir

Eksileri:

Bazı FitBit senaryo gibi özellikli beceriler ve OpenTable sadece Amerika için kullanıma uygundur.

6) IBM Watson

IBM WATSON bir soru yanıtlama sistemidir. Apache Hadoop sistemi yardımıyla Suse Linux Girişim Yardımcısı 11Osna destek sağlamaktadır. Modelinizi Watsonla eğittiğiniz zaman, gerçek kavramları daha derinlemesine kavrayacaktır.

Özellikler:

Dağılmış hesaplama sistemini destekler
Mevcut olan araçlarla çalışabilir
Uygulama gelişimi için bir API sağlar
Küçük verilerden de öğrenim gerçekleştirebilir
Ücretsizdir

Artıları:

Sağlam sistemdir
İş süreçlerin daha kolay gerçekleştirmede yardımcı olur Eksileri:
Merkezi olmayan raporlama

7) Salesforce Einstein

Salesforce Einstein bir CRM sistemidir. Bu akıllı CRM sistemi Satış, Pazarlama, Topluluk, Analitik süreçler ve ticaret içindir.

Özellikler:

Satış:

Fırsatlar hakkında daha fazla farkındalık sağlar
Verileri yakalar ve yeni kişiler ekleyerek veri girişini kolaylaştırır
Tarihe dayalı olarak, fırsatları önceliklemede yardımcı olur

Pazarlama:

En iyi üretim için tavsiye vermede yardımcı olur
Görüntü tanıma, belirli bir ürünün nerede daha fazla kullanılacağına dair daha derin bilgiler ve bakış açısı sağlar.
Katılım Puanlaması en önemli özelliklerinden biridir

Artıları:

Modeli yönetmenize gerek yoktur
Veri hazırlama gerekliliği yoktur

Eksileri:

Öğrenmesi zordur
Pahalıdır

Araç Maliyeti/Planlama Detayları

Güncel ücretlendirme için tıklayın

8) Infosys Nia

Infosys Nia karışık görevleri basit düzeye indirerek işletmelere yardımcı olmaktadır. İçeriği üç bölümden oluşmaktadır; Veri platformu, Bilgi Platformu ve Otomasyon Platformu.

Özellikler:

İşletmeyi güçlendirmek adına sistemlerin ve süreçlerin iyileştirilmesine ve geliştirilmesine yardımcı olmaktadır
Konuşma arayüzüne sahiptir
Tekrarlayan ve programatik görevler için otomasyon sağlar
Otomasyon programı RPA, tahmini otomasyon ve bilişsel otomasyonu bir araya getirir
Bilgi platformu, bilgiyi yakalama, anlamlandırma ve yeniden kullanma ile alakalıdır
Data platformu gelişmiş veri analizleri ve makine öğrenme platformu sağlar

Artıları:

Infosys Nia, Chatbox, Gelişmiş makine öğrenimi, ve işletme uygulamaları sağlamaktadır
Farklı sistemlerdeki ve süreçlerdeki bilgileri yakalamada yardımcı olur

Eksileri:

Öğrenmesi zordur

Araç Maliyeti/Planlama Detayları

Güncel ücretlendirme için tıklayın

9) Amazon Alexa

Cortana gibi bir sanal asistandır. İngilizce, Fransızca, Almanca, Japonca, İtalyanca ve İspanyolca dillerini anlayabilmektedir.

Özellikler:

API, gelişimi desteklemede sağlanmaktadır
Avs’yi kullanarak mevcut olan ürünlerle entegre edilebilir.
Bulut sistemine dayalı bir hizmettir
Kameralarla, ışıklarla ve gösteri sistemleriyle bağlanabilir

Artıları:

Milyonlarca cihazda kullanılabilir
Daha çok Alexa cihazı oluşturmada destek sağlar

10) Google Asistan

Google tarafından gerçekleştirilen bir sanal asistandır. Telefonlarda ve akıllı ev aletlerinde kullanılabilir. Desteklenmiş işletim sistemi Android, İOS, KaiOS içerir. Google asistan tarafından desteklenen diller, İngilizce, Hintçe, Endonezya dili, Fransızca, Almanca, İtalyanca, Japonca, Korece, Portekizce, İspanyolca, Felemenkçe, Rusça ve İsveççedir.

Özellikler:

Google asistanın yapabileceği işlevler :

İki-yönlü konuşmayı destekler
İnternette bilgi araması
Etkinlik Planlama
Alarm Kurma
Cihazınızda donanım ayarları yapabilir
Google hesap bilgilerini gösterebilir
Objeleri, şarkıları tanıyabilir ve görsel bilgileri okuyabilir

Artıları

Bilgisayarınızda,hoparlörünüzde, dizüstü bilgisayarınızda, saatinizde, arabanızda ve televizyonunuzda olabilir
Önceki konuşmalarınızı silebilirsiniz.

Eksileri:

Hoparlörde kullanmak için, Google asistan özellikli bir hoparlöre sahip olmanız gerekmektedir.

Araç Maliyeti/Planlama Detayları

Detaylı bilgi için tıklayın

Kaynak

Endüstri 4.0, Gerçeklik 4.0'ı da Getiriyor

Tue, 19 Nov 2019 00:00:00 GMT

Günümüzdeki cep telefonu uygulamaları bile (Snapchat gibi) gerçeklik deneyimleri yaratmaya çalışıyor. Şu anda artırılmış ve sanal gerçeklik endüstrisinin, 2023 yılına kadar toplam 160 milyar dolarlık piyasa büyüklüğüne ulaşacağı tahmin edilmektedir.

Artırılmış gerçeklik teknolojisi, gittikçe yaygın hale geldi.

Bununla birlikte, genişletilmiş gerçeklik uygulaması, geleneksel tüketici tabanlı işlevselliğinin ötesine de yayılmış durumda. Sağlık sektörü ve enerji sektörü de bu teknolojiden faydalanıyor. Eğilim giderek popülerleştikçe, daha fazla kullanım durumunun ortaya çıktığını görüyoruz.

Mevcut sanayi devrimi Endüstri 4.0, kendi karar verme süreçleri ve tüm üretim hatlarını görselleştirebilecek sensörler ile kablosuz bağlantı ile güçlendirilmiş makineler yaratmaya odaklanıyor. Artırılmış gerçeklik teknolojisi hem Yapay Zekâ hem de makine öğrenimi ve geliştirme süreçlerinin entegrasyonu ile birlikte imalat üretimindeki artan gelişmelerle birleştirmek, makinelerin arızalanmasını ve maliyetli aksama sürelerini ortadan kaldırarak sorunların ortaya çıkmadan evvel ele alınmasını sağlıyor.

Kaynak

No title

Fri, 15 Nov 2019 00:00:00 GMT

Gizlilik Politikası

Fri, 15 Nov 2019 00:00:00 GMT

KİŞİSEL VERİLERİN İŞLENMESİ VE KORUNMASI POLİTİKAMIZ VE AYDINLATMA METNİ

GİRİŞ

Akademi 4.0 bir Konzek Teknoloji A.Ş. markasıdır. Bu politika ile Akademi 4.0 | Dijital Dönüşüm, Eğitim ve İnovasyon Merkezi (metin içeriğinde AKADEMİ 4.0 olarak anılacaktır); müşterilerinin, ziyaretçilerinin ve personeli dahil gerçek kişilerin, kişisel verilerinin Türkiye Cumhuriyeti Anayasası, insan haklarına ilişkin ülkemizin tarafı olduğu uluslararası sözleşmeler ile 6698 sayılı Kişisel Verilerin Korunması Kanunu başta olmak üzere ilgili mevzuata uygun olarak işlenmesi ve verisi işlenen ilgili kişilerin haklarının etkin şekilde kullanılması ve korunmasının sağlanmasına ilişkin temel ilkeler belirlenmektedir.

Bu doğrultuda AKADEMİ 4.0, verisi işlenen gerçek kişilerin tüm kişisel verilere ilişkin; verinin işlenmesi, saklanması ve aktarılmasına ilişkin işlemleri KVKK, diğer ilgili mevzuatlara ve AKADEMİ 4.0 Kişisel Verilerin İşlenmesi ve Korunması Politikası’na (Politika) göre gerçekleştirmektedir.

AKADEMİ 4.0, kişisel verilerin korunması için ilgili mevzuat ve teknolojiye uygun şekilde verinin niteliğinin gerektirdiği idari ve teknik koruma tedbirlerini almaktadır.

Kanun kapsamında kişisel verileri işlenen gerçek kişiler, aşağıdaki metni inceleyerek, AKADEMİ 4.0 tarafından veri sorumlusu sıfatıyla işlenebilecek olan kişisel veriler ve bunların işlenme amaçları, aktarılabileceği alıcı grupları, toplanma yöntemi, silinmesi ya da anonim hale getirilmesi ve kişilerin hakları hakkında bilgi edinebilir.

1. KAPSAM

Kişisel verilerin korunması sadece gerçek kişiler ile ilgili olup; tüzel kişilere ait ve gerçek kişilere ilişkin bilgi içermeyen veriler Politika kapsamında değildir. Personelin, ziyaretçilerin, müşterilerin, muhtemel müşterilerin, tedarikçilerin, internet sitesi ziyaretçilerinin ve kişisel verisi işlenen diğer gerçek kişilerin AKADEMİ 4.0 faaliyetleri sırasında edinilen ve işlenen tüm kişisel veriler bu Politika’nın kapsamındadır.

2. TANIMLAR

Açık rıza; belirli bir konuya ilişkin, bilgilendirilmeye dayanan ve özgür iradeyle açıklanan rızayı, Anonim hâle getirme; kişisel verilerin, başka verilerle eşleştirilerek dahi hiçbir surette kimliği belirli veya belirlenebilir bir gerçek kişiyle ilişkilendirilemeyecek hâle getirilmesini, İlgili kişi; kişisel verisi işlenen gerçek kişiyi, Kişisel veri; kimliği belirli veya belirlenebilir gerçek kişiye ilişkin her türlü bilgiyi, Veri işleyen; veri sorumlusunun verdiği yetkiye dayanarak onun adına kişisel verileri işleyen gerçek veya tüzel kişiyi, Veri kayıt sistemi; kişisel verilerin belirli kriterlere göre yapılandırılarak işlendiği kayıt sistemini, Veri sorumlusu; kişisel verilerin işleme amaçlarını ve vasıtalarını belirleyen, veri kayıt sisteminin kurulmasından ve yönetilmesinden sorumlu olan gerçek veya tüzel kişiyi, KVKK; 6698 sayılı Kişisel Verilerin Korunması Kanunu’nu, Politika; AKADEMİ 4.0’ın Kişisel Verilerin İşlenmesi ve Korunması Politikası’nı Kayıtlı Elektronik Posta (KEP); Gönderici ve alıcı kimliklerinin belli olduğu, gönderi zamanının ve içeriğin değiştirilemediği, uyuşmazlık durumunda hukuki geçerliliği olan güvenli elektronik posta hizmetini ifade eder.

3. KİŞİSEL VERİLERİN İŞLENMESİNE İLİŞKİN İLKELER

AKADEMİ 4.0, kişisel verilerin işlenmesinde mevzuatta öngörülen genel ilkelere, Anayasa ve KVKK’ya uygun olarak kişisel verilerin işlenmesinde aşağıda sıralanan ilkelere uygun hareket etmektedir. a) Hukuka ve dürüstlük kurallarına uygun olma: AKADEMİ 4.0, kişisel verilerin işlenmesi faaliyetleri kapsamında hukuka ve dürüstlük kurallarına uygun hareket etmekte; kişisel verilerin işlenmesinde orantılılık ve gereklilik prensiplerini uygulamaya koyarak sadece gerektiği kadar kişisel veriyi, veri işleme amaçlarına uygun olacak seviyede işlemektedir. b) Doğru ve gerektiğinde güncel olma: AKADEMİ 4.0, işlemekte oldukları kişisel verilerin doğru ve güncel olması için gerekli tedbirleri almaktadır. c) Belirli, açık ve meşru amaçlar için işlenme: AKADEMİ 4.0, kişisel verileri belirli, açık ve hukuka uygun sebeplerle işlemektedir. AKADEMİ 4.0 kişisel verilerin hangi amaçla işleneceğini belirlemekte ve bu amaçları kişisel verileri işlenmeden önce veri sahiplerinin bilgisine sunmaktadır. Meşru ve hukuka uygun olmayan kişisel verileri işlememektedir. d) İşlendikleri amaçla bağlantılı, sınırlı ve ölçülü olma: AKADEMİ 4.0, işlenme amacıyla ilgili olmayan veya ihtiyaç duyulmayan kişisel verilerin işlenmesinden kaçınmaktadır. e) İlgili mevzuatta öngörülen veya işlendikleri amaç için gerekli olan süre kadar muhafaza edilme: AKADEMİ 4.0, yalnızca kanunlarda öngörülen süreler ile veya işlendikleri amaç ile sınırlı olarak muhafaza etmektedir.

4. KİŞİSEL VERİLERİ İŞLEME AMACI

AKADEMİ 4.0, KVKK’nın 5. ve 6. maddelerinde belirtilen kişisel veri işleme şartları dâhilinde kişisel verileri; KVKK 5’inci maddesindeki; Kanunlarda açıkça öngörülmesi, veri sorumlusunun hukuki yükümlülüklerini yerine getirebilmesi için zorunlu olması, bir sözleşmenin kurulması veya ifasıyla doğrudan doğruya ilgili olması kaydıyla sözleşmenin taraflarına ait kişisel verilerin işlenmesinin gerekli olması, temel hak ve özgürlüklerinize zarar vermemek kaydıyla, veri sorumlusunun meşru menfaatleri için veri işlemenin zorunlu olması hukuki sebepleri kapsamında işlemektedir.

a) İş ilişkisi için verilerin işlenmesi : KVKK 5’inci maddesindeki Kanunlarda açıkça öngörülmesi, veri sorumlusunun hukuki yükümlülüklerini yerine getirebilmesi için zorunlu olması, bir sözleşmenin kurulması veya ifasıyla doğrudan doğruya ilgili olması kaydıyla sözleşmenin taraflarına ait kişisel verilerin işlenmesinin gerekli olması, temel hak ve özgürlüklerinize zarar vermemek kaydıyla, veri sorumlusunun meşru menfaatleri için veri işlemenin zorunlu olması hukuki sebepleri doğrultusunda personele ait kişisel veriler toplanmakta ve işlenmektedir.

Personelle iş sözleşmelerinin kurulması, düzenlenmesi, ifası, insan kaynakları sürecinin planlanması, işe giriş çıkışların belgelenmesi, yasal yükümlülüklerin yerine getirilmesi, kâğıt üzerinde veya elektronik ortamda gerçekleştirilecek iş ve işlemlere dayanak olacak bilgi ve belgelerin düzenlenmesi, hukuken yapılması gerekli görülen raporlama ve incelemelerin yapılabilmesi, işyerinde düzenin ve güvenliğin sağlanabilmesi amaçları kapsamında kişisel veriler işlenmektedir.

Personel tarafından verilen bilgiler (kimlik bilgileri, ad, soyad, TC kimlik numarası, cinsiyet, doğum tarihi başta olmak üzere, iletişim verileri, e-mail adresi, adres ve telefon bilgileri, imzalanan belgelerdeki imza ve benzeri bilgiler) iş sözleşmeleriyle özlük dosyalarında otomatik olmayan yöntemle ve bilgisayarlarda otomatik olan yöntem ile toplanmakta ve işlenmekte; işyerindeki güvenlik nedeniyle ve giriş çıkışların tespiti için parmak izi okuma sistemi kapsamında veri toplanması ile bunlara ilişkin gerekli işlemlerin icrası doğrultusunda kayıt ve bilgiler kısmen tamamen otomatik yöntemlerle toplanmakta ve işlenmektedir.

b) Müşteri, muhtemel müşterileri, müşteri olan tüzel kişilerin temsilcileri, yetkilileri ve irtibat kurulacak kişileri, tedarikçiler ve ziyaretçilerin, web sitesi ziyaretçilerinin kişisel verilerinin işlenmesi : Kişisel verileriniz KVKK 5. Maddesinde belirtilen Kanunlarda açıkça öngörülmesi, veri sorumlusunun hukuki yükümlülüklerini yerine getirebilmesi için zorunlu olması, bir sözleşmenin kurulması veya ifasıyla doğrudan doğruya ilgili olması kaydıyla sözleşmenin taraflarına ait kişisel verilerin işlenmesinin gerekli olması, temel hak ve özgürlüklerinize zarar vermemek kaydıyla, veri sorumlusunun meşru menfaatleri için veri işlemenin zorunlu olması hukuki sebepleri doğrultusunda, şirket faaliyetleri kapsamında müşteriler, muhtemel müşteriler, müşterileri olan tüzel kişilerin temsilcileri, yetkilileri ve irtibat kurulacak kişileri, tedarikçiler, ziyaretçilerimiz bakımından ticari faaliyetler kapsamında sözleşmelerin kurulması, düzenlenmesi, ifası, yasal yükümlülüklerin yerine getirilmesi amaçlarıyla sınırlı olmak kaydıyla, kâğıt üzerinde veya elektronik ortamda gerçekleştirilecek iş ve işlemlere dayanak olacak bilgi ve belgelerin düzenlenmesi, faturaların düzenlenmesi, fiyat tekliflerinin hazırlanarak sunulması, işyerinde düzenin ve güvenliğin sağlanabilmesi amaçları kapsamında kişisel veriler işlenmektedir.

KVKK’nın 5. ve 6. maddelerinde belirtilen kişisel veri işleme şartları dâhilinde kişisel veriler; web sitesini ziyaret, şirket merkezini ziyaret, telefon, e-posta yazışmalarındaki paylaşımlar, kişisel verilerin teklif talebi ile elektronik olarak gönderilmesi, posta yoluyla basılı olarak teslim edilmesi, teklif metninde kişisel bilgilere yer verilmesi ve ayrıca ilgili kişilerce bilgi aktarılmasıyla; ayrıca AKADEMİ 4.0 ile ticari veya hukuki ilişkiye girilmesi durumunda bu verilerden, kimlik bilgileri (ad, soyad, TC kimlik numarası, cinsiyet, doğum tarihi) başta olmak üzere, iletişim verileri (e-mail adresi, adres ve telefon bilgileri, IP adresi), imza sirkülerinde yer alan imza ve diğer bilgiler AKADEMİ 4.0’ın faaliyet alanı kapsamında AKADEMİ 4.0tarafından kısmen veya tamamen otomatik yöntemlerle toplanmakta ve işlenmektedir.

AKADEMİ 4.0 tarafından işlenen kişisel veriler, hukuki sorumlulukların yerine getirilebilmesi ve sözleşmenin ifasının sağlanabilmesi amacıyla, talep edilen ürün ve/veya hizmetin sağlanabilmesi, ürün ve/veya fiyat teklifi verilebilmesi amacıyla mevzuatın izin verdiği ve iş süreçlerinin gerektirdiği faaliyet kapsamında birlikte çalışılan gerçek ve tüzel kişilerle, iş ortaklarıyla, tedarikçilerle, bu verileri talep etmeye yetkili olan kamu kurum ve kuruluşları, yargı organları ile paylaşılabilecektir.

5. KİŞİSEL VERİLERİN SINIFLANDIRILMASI

5.1. Kişisel veriler# Kişisel veriler; kimliği belirli veya belirlenebilir gerçek kişiye ilişkin her türlü bilgilerdir. Kişisel veriler ilgili kişinin açık rızası olmadan işlenemez.

Ancak aşağıdaki şartlardan birinin varlığı hâlinde, ilgili kişinin açık rızası aranmaksızın kişisel verilerinin işlenmesi mümkün olup; bu durumlar dışında açık rıza alınmaksızın kişisel verilerin işlenmesi mümkün görünmemektedir: a) Kanunlarda açıkça öngörülmesi, b) Fiili imkânsızlık nedeniyle rızasını açıklayamayacak durumda bulunan veya rızasına hukuki geçerlilik tanınmayan kişinin kendisinin ya da bir başkasının hayatı veya beden bütünlüğünün korunması için zorunlu olması, c) Bir sözleşmenin kurulması veya ifasıyla doğrudan doğruya ilgili olması kaydıyla, sözleşmenin taraflarına ait kişisel verilerin işlenmesinin gerekli olması, d) Veri sorumlusunun hukuki yükümlülüğünü yerine getirebilmesi için zorunlu olması, e) İlgili kişinin kendisi tarafından alenileştirilmiş olması, f) Bir hakkın tesisi, kullanılması veya korunması için veri işlemenin zorunlu olması, g) İlgili kişinin temel hak ve özgürlüklerine zarar vermemek kaydıyla, veri sorumlusunun meşru menfaatleri için veri işlenmesinin zorunlu olması.

5.2. Özel nitelikli kişisel veriler Kişilerin, ırkı, etnik kökeni, siyasi düşüncesi, felsefi inancı, dini, mezhebi veya diğer inançları ile kılık ve kıyafeti, dernek, vakıf ya da sendika üyelikleri, sağlığı, cinsel hayatı, ceza mahkumiyeti ve güvenlik tedbirleriyle ilgili verileri ile biyometrik ve genetik verileri özel nitelikli kişisel verilerdir.

6. AKADEMİ 4.0’IN YÜKÜMLÜLÜKLERİ

6.1.Kişisel Veri Sahibini Aydınlatma Yükümlülüğü AKADEMİ 4.0, kişisel verilerin elde edilmesi sırasında verileri işlenecek kişileri, verilerinin ne şekilde işleneceği konusunda aydınlatmaktadır. Aydınlatma metninde a) Veri sorumlusunun ve varsa temsilcisinin kimliği, b) Kişisel verilerin hangi amaçla işleneceği, c) İşlenen kişisel verilerin kimlere ve hangi amaçla aktarılabileceği, d) Kişisel veri toplamanın yöntemi ve hukuki sebebi, e) Kanunun 11’inci maddesindeki, ilgili kişinin hakları yer almalıdır. 6.2.Veri güvenliğini sağlama yükümlülüğü AKADEMİ 4.0, Kişisel verilerin hukuka aykırı ifşasına engellenmesi amacıyla idari ve teknik tedbirler almakta ve tedbirlerini güncellemektedir. Kişisel verilerin yetkisiz olarak ifşa edildiğini tespit etmesi halinde, bu durumu İlgili Kişi’ye ve Kişisel Verilerin Korunması Kurulu’na bildirmek için alt yapılar oluşturmaktadır. AKADEMİ 4.0 tarafından, verilerin hukuka aykırı işlenmesini ve erişimini önlemek, hukuka uygun olarak saklanmasını sağlamak için teknolojik, idari ve teknik tedbirler alınmaktadır.

AKADEMİ 4.0,

Kişisel verilerin hukuka uygun olarak işlenmesi hakkında personelini eğitmekte ve denetlemekte,
Gerçekleştirdiği ticari faaliyetlerle sınırlı kişisel verileri işlemekte,
Kişisel verilerin hukuka aykırı olarak açıklanması/veri sızıntısı olması halinde Kişisel Verilerin Korunması Kurulu’na durumu bildirecek tedbirleri almaktadır.

Kişisel verilerin hukuka aykırı erişimini engellemek için;

Güvenlik sistemleri kurmakta,
Teknik tedbirleri alarak, güncellemekte ve yenilemekte,
Veri kayıt sistemlerini mevzuata uygun şekilde oluşturmakta ve denetimlerini yapmakta,
Olası riskleri saptayarak bunlara karşı sistemler geliştirmektedir.

7. AÇIK RIZA

Belirli bir konuya ilişkin olan, bilgilendirilmeye dayanan ve özgür iradeyle hakkında veri işlenmesine ilişkin iradeyi ortaya koyan, yazılı veya sözlü açıklanan rıza, açık rızadır. Açık rıza veri sahibi tarafından her zaman geri alınabilir.

Açık rıza, açık rıza formu veri sahibine imzalatılarak veya veri sahibiyle yapılacak sözleşme veya elektronik formda bu gerekli unsurlara yer verilmesi suretiyle alınabilir.

8. KİŞİSEL VERİ SAHİPLERİNİN HAKLARI VE BAŞVURULARIN CEVAPLANMASI

Kişisel veri sahipleri, yazılı olarak veya Kurul’un belirleyeceği diğer yöntemlerle başvuruda bulunarak kendi verilerine ilişkin KVKK’da yer alan haklarını kullanabilirler. Bu kapsamda, AKADEMİ 4.0, KVKK’nın 13. maddesi kapsamındaki yükümlülüklerini yerine getirmek için gereken idari ve teknik önlemleri almalıdır. KVKK kapsamında kişisel veri sahipleri aşağıdaki haklara sahiptir: • Kişisel veri işlenip işlenmediğini öğrenme, • Kişisel verileri işlenmişse buna ilişkin bilgi talep etme, • Kişisel verilerin işlenme amacını ve bunların amacına uygun kullanılıp kullanılmadığını öğrenme, • Yurt içinde veya yurt dışında kişisel verilerin aktarıldığı üçüncü kişileri bilme, • Kişisel verilerin eksik veya yanlış işlenmiş olması hâlinde bunların düzeltilmesini isteme, • KVKK ve ilgili diğer kanun hükümlerine uygun olarak işlenmiş olmasına rağmen, işlenmesini gerektiren sebeplerin ortadan kalkması hâlinde silinmesini veya yok edilmesini isteme, • Kişisel verilerin düzeltilmesi, silinmesi ya da yok edilmesi halinde bu işlemlerin kişisel verilerin aktarıldığı üçüncü kişilere bildirilmesini isteme, • İşlenen verilerin münhasıran otomatik sistemler vasıtasıyla analiz edilmesi suretiyle kişinin kendisi aleyhine bir sonucun ortaya çıkmasına itiraz etme, • Kişisel verilerin kanuna aykırı olarak işlenmesi sebebiyle zarara uğraması hâlinde zararın giderilmesini talep etme haklarınız bulunmaktadır.

Kişisel veri sahiplerinin yalnızca yazılı olarak AKADEMİ 4.0’a iletilen talepleri işleme alınmaktadır. Talebin niteliğine göre ilgili talebi en kısa sürede ve en geç 30 (otuz) gün içinde yanıtlandırılmalıdır. Başvurunun reddedilmesi, başvuruya verilen cevabın yetersiz bulunması veya süresinde cevap verilmemesi hallerinde; başvuru sahibinin cevabı öğrendiği tarihten itibaren 30 (otuz) gün ve her halde başvuru tarihinden itibaren 60 (altmış) gün içerisinde Kişisel Verileri Koruma Kurulu’na şikayette bulunma hakkı bulunmaktadır.

9. KİŞİSEL VERİ SAHİPLERİNİN BAŞVURUSUNUN DEĞERLENDİRME USULÜ

Politika’nın 8. maddesinde belirtilen cevaplandırma süresinin başlayabilmesi için yapılan taleplerin, yazılı ve ıslak imzalı olarak, Zümrütevler Mah. Nazmi İlker Sokak. No:3/A Maltepe, İstanbul adresine bizzat elden veya noter kanalıyla veya Kişisel Verileri Koruma Kurulu’nun belirlediği diğer yöntemlerle, başvuranın kimliğini tevsik edici bilgi ve belgelerle birlikte gönderilmesi gerekmektedir. Talep kabul edilir ise ilgili işlem uygulanır ve yazılı veya elektronik ortamda bildirim yapılır. Talebin reddi halinde ise, gerekçesi açıklanarak yazılı veya elektronik ortamda başvuru sahibine bildirilir.

10. KİŞİSEL VERİLERİN SAKLANMASI

AKADEMİ 4.0, mevzuat tarafından öngörülmüş süreler hariç olmak kaydıyla kişisel verilerin işleme amacının gerektirdiği süre boyunca saklamaktadır.

Kişisel verilerin işlenme amaçları 4. maddede açıklanmış olup; aynı amaçlarla saklanmaktadır.

KVKK ve ilgili diğer kanun hükümlerine uygun olarak işlenmiş olmasına rağmen, işlenmesini gerektiren sebeplerin ortadan kalkması hâlinde kişisel veriler re’sen veya ilgili kişinin talebi üzerine veri sorumlusu tarafından silinir, yok edilir veya anonim hâle getirilir. Kişisel verilerin silinmesi, yok edilmesi veya anonim hâle getirilmesine ilişkin diğer kanunlarda yer alan hükümler saklıdır. AKADEMİ 4.0 tarafından teknik altyapı sistemleri kurulmakta ve kullanılmakta; yok etme, silme veya anonimleştirme hususlarında mevzuat hükümleri ile Kişisel Verilerin Korunması Kurulu kararlarına uyulmaktadır.

11. VERİ PAYLAŞIM KOŞULLARI

Kişisel verilerin paylaşılabilmesi için aşağıdaki koşullardan birinin bulunması aranır: a) Veri sahibin açık rızasının alınmış olması, b) Kanunlarda açıkça öngörülmesi, c) Fiili imkânsızlık nedeniyle rızasını açıklayamayacak durumda bulunan veya rızasına hukuki geçerlilik tanınmayan kişinin kendisinin ya da bir başkasının hayatı veya beden bütünlüğünün korunması için zorunlu olması, d) Bir sözleşmenin kurulması veya ifasıyla doğrudan doğruya ilgili olması kaydıyla, sözleşmenin taraflarına ait kişisel verilerin işlenmesinin gerekli olması, e) Veri sorumlusunun hukuki yükümlülüğünü yerine getirebilmesi için zorunlu olması, f) İlgili kişinin kendisi tarafından alenileştirilmiş olması, g) Bir hakkın tesisi, kullanılması veya korunması için veri işlemenin zorunlu olması, h) İlgili kişinin temel hak ve özgürlüklerine zarar vermemek kaydıyla, veri sorumlusunun meşru menfaatleri için veri işlenmesinin zorunlu olması.

AKADEMİ 4.0 kişisel verileri, Kanunlarda açıkça öngörülmesi, veri sorumlusunun hukuki yükümlülüklerini yerine getirebilmesi için zorunlu olması, bir sözleşmenin kurulması veya ifasıyla doğrudan doğruya ilgili olması kaydıyla sözleşmenin taraflarına ait kişisel verilerin işlenmesinin gerekli olması, temel hak ve özgürlüklerinize zarar vermemek kaydıyla, veri sorumlusunun meşru menfaatleri için veri işlemenin zorunlu olması hukuki sebeplerine dayalı olarak aktarabilir. Bu doğrultuda kanuna uygun davranmak, hukuki yükümlülükleri yerine getirmek, bir sözleşmenin kurulmasını veya ifasını sağlamak ve temel hak ve özgürlüklere zarar vermemek kaydıyla meşru menfaatlerini sağlamak, iş sözleşmelerinin gereklerinin yerine getirilmesi, yasal yükümlülüklerin yerine getirilmesi, hukuken yapılması gerekli görülen raporlama ve incelemelerin yapılabilmesi, faturaların beyan edilmesi, fiyat tekliflerinin verilebilmesi, vergisel yükümlülüklerin yerine getirilmesi, işyerinde düzenin ve güvenliğin sağlanabilmesi amaçları kapsamında sınırlı ve orantılı bir şekilde aktarabilir.

AKADEMİ 4.0 sayılanlarla sınırlı olmayacak şekilde teknik tedbirler almaktadır: • Kişisel verilerin mevzuata uygun olarak işlenmesi ve saklanması için şirket içi teknik önlemleri almakta, güvenliği sağlayacak teknik altyapı oluşturmakta, • Teknik tedbirleri periyodik olarak güncellemekte ve yenilemekte, • Virüs koruma sistemleri, güvenlik duvarı ve benzeri güvenlik uygulamalarını yapmaktadır.

AKADEMİ 4.0 sayılanlarla sınırlı olmayacak şekilde idari tedbirler almaktadır: • Şirket içerisinde kişisel verilere erişim politikası ve prosedürlerini oluşturmakta, • Personelini kişisel verilerin hukuka uygun bir şekilde işlenmesi, saklanması ve korunmasına ilişkin bilgilendirmekte ve eğitmekte, • Kişisel verilerin hukuka aykırı olarak işlenmesi durumlarında alınacak tedbirleri belirlemektedir.

12. GÜNCELLEME

AKADEMİ 4.0, gerektiği zamanlarda ve mevzuat değişikliklerinin gerektirmesi halinde, yılda en az bir defa bu Politika ’yı gözden geçirip günceller.

No title

Fri, 15 Nov 2019 00:00:00 GMT

Akademi 4.0 Hakkında

Akademi 4.0 ile Endüstri 4.0, Dijital DÖnüşüm ve Yapay Zekâ alanındaki nitelikli bilgi ve işgücü eksikliğine karşı Konzek Teknoloji sponsorluğunda başlatılan projede, endüstri 4.0 ve dijital dönüşüm alanında faaliyet gösteren tüm şirket ve çalışanlarına networking olanağı sağlamak amacıyla Akademi 4.0 HUB etkinlik alanını oluşturduk. Akademi 4.0, ücretsiz etkinlikler gerçekleştirmeyi amaçladığımız, kâr amacı gütmeyen Dijital Dönüşüm, Eğitim ve İnovasyon bir platformudur.

Akademi 4.0 HUB

Akademi 4.0 HUB’ta etkinlikler gerçekleştirebilir, toplantılar düzenleyebilir ve düzenlenen ücretsiz eğitimlere katılabilirsiniz. Yapay zekâ ve makine öğrenimi gibi konularda etkinlikler düzenleyebilir, network alanınızı genişletebilirsiniz.

Ücretsiz eğitim, toplantı ve workshoplar gerçekleştirebileceğiniz Akademi 4.0 HUB, İstanbul Maltepe'de merkezi bir konumdadır. Metro, otobüs ve minibüs gibi toplu taşıma araçlarını kullanabilir, şahsî aracınızla da D-100 (E-5) kara yolunu takip ederek kolayca ulaşabilirsiniz.

50 kişiye kadar sosyal mesafe kurallarına uygun, ferah tasarımı, içerisinde bulunan 4K projeksiyon, ses sistemi, sınırsız çay/kahve ikramları ile etkinliklerinizi gerçekleştirin.

Akademi 4.0 HUB Açıldı

Fri, 15 Nov 2019 00:00:00 GMT

Konzek Teknoloji sponsorluğunda dijital dönüşüm eğitim ve inovasyon merkezi Akademi 4.0, yoğun katılımla Tuzla’da açılışını gerçekleştirdi.

Akademi 4.0, tüm teknik altyapısıyla Konzek Teknoloji sponsorluğunda, endüstri 4.0 uygulamaları alanında faaliyet gösteren tüm şirket ve çalışanlarına ücretsiz networking olanağı sağlamak amacıyla “Dijital Dönüşüm, Eğitim ve İnovasyon Merkezi” olarak kuruldu.

Konzek Teknoloji Genel Müdürü Yunus Altunbıçak, açılış konuşmasını yaparken, şunları ekledi: “Bu organizasyonun kurulmasındaki temel hedef, sektördeki kısıtlı bilgi ve networking kaynağını organizasyonel yapıyla genişletmek. Genel hatlarıyla akademi 4.0, endüstri 4.0 ile ilişkili tüm konularda ziyaretçilere eğitim ve networking imkanı sunar. Özellikle yapay zekâ, büyük veri, endüstriyel nesnelerin interneti gibi alanlardaki kısıtlı bilgi kaynağının genişletilmesine hep beraber katkı sağlayabileceğimize inanıyoruz.”

Aynı zamanda, akademi40.org adresinden ücretsiz olarak kayıt olunarak, endüstri 4.0 alanında içerik üretilebilecek. Akademi | HUB’da çok yakında duyurusu yapılacak olan eğitim webinarları ve podcast programlarına, endüstri 4.0 ekosistemine katkı sağlamak isteyen tüm şirket ve çalışanları dahil olabilecekler.

Sanayi bölgesine yakınlığı dolayısıyla, networking ve sektörel toplantılar için cazibeli hale gelen Maltepe lokasyonundaki Akademi | HUB, tüm çalışma günlerinde ziyaretçilere açık olacak. Toplantılar ve paneller organize edilerek, özellikle yapay zeka ve makine öğreniminin sanayide kullanımı ve dijitalleşmenin önü açılabilecek.

Endüstri 4.0 Yol Haritası

Thu, 07 Nov 2019 00:00:00 GMT

Akademi 4.0 Ekibi olarak, 7 başlıktan oluşan kapsamlı bir endüstri 4.0 için örnek teşkil edecek çalışmayı derledik. Keyifli incelemeler.

1-Endüstri 4.0 için Yol Haritası Çizmek

2-Senaryoyu Kurmak

3-Yeni Bir İş Stratejisi Geliştirmek

4-Ekipleri Güçlendirmek

5-Süreçleri Düzene Sokmak

6-Bağlayıcı Teknolojileri Kalkındırmak

7-IoT Cihazları Entegre Etmek

Kaynaklar:

MESA

Endüstri 4.0 için Yol Haritası Çizmek

Thu, 07 Nov 2019 00:00:00 GMT

Dünyanın her yerindeki şirketler, müşterilerin hızla değişen, gittikçe artan ve karmaşıklaşan taleplerinin yanı sıra azılı bir küresel rekabetin içinde eşi benzeri görülmemiş bir mücadele veriyorlar. Tarihin gördüğü en güçlü teknoloji çözümlerine erişebiliyor olmalarına rağmen, seçenek yelpazesinin sersemleticiliğiyle yüz yüzeler. Şirketlerin, pazar taleplerini karşılamalarına ve küresel rekabette avantaj sağlamlarına yardımcı olabilecek dijital bir dönüşüm içinde ilerlemesinin pek çok yolu varken nereden başlanacağını bilmek zor.

MESA International bu sebeple geçtiğimiz Eylül ayında Berlin’deki Things of Industry World’de bir Akıllı Üretim atölyesine ev sahipliği yaptı. MESA, atölye için, bir Endüstri 4.0 yolculuğunu beyin fırtınasından itibaren nasıl başlatacaklarının ve geliştireceklerinin stratejilerini kuran, geniş bir yelpazeden üretim liderlerini bir araya getirdi. Beyin fırtınası her ne kadar gerçek hayattaki profesyonellerin, kurgusal bir şirketin dijital dönüşümünü planlayıp hayata geçirmeleri üzerine olsa da yaşanan durum aslında her gün dünyanın dört bir yanındaki toplantı odaları ve konferans salonlarında gerçekleşen senaryoydu. Öncelikle, atölye çalışması, şirketlerin bu yolculuğu planlamak için MESA Endüstri 4.0 Yol Haritası’nı nasıl temel bir araç olarak kullandıklarını gösterdi. İkinci olarak, atölye katılımcılarının kurgusal şirket için yarattığı misyonlar, hedefler, stratejiler ve taktikler bir Endüstri 4.0 yolculuğundaki her bir bileşen için gerçek dünyaya yönelik yaklaşımlar sundu. Hem süreç hem de sonuçlar, şirketiniz için oluşturacağınız yol haritasını çizmenizde yardımcı olmak için kullanılabilir, hatta kullanılmalıdır. Başlangıç için katılımcılara, bu zorluklarla yüzleşen bir CEO’nun ağzından anlatılan bir şirket senaryosu, yanında ilgili SWOT analizi (Güçlü Yönler, Zayıf Yönler, Fırsatlar ve Tehditler), Endüstri

4.0’a ufak bir bakış sağlayan bir özet ve MESA’nın Endüstri 4.0 Yol Haritası verildi. Ardından katılımcılardan MESA Yol Haritasına dayanarak bir MOST analizi (Misyon, Hedefler, Stratejiler, Taktikler) tamamlamayıp şirketin yeni misyonunu, hedeflerini, stratejilerini ve taktiklerini belirlemeleri istendi. Sonra katılımcılar beş gruba ayrıldı ve her biri, MESA Yol Haritası’ndaki beş bileşene bağlı, eyleme geçirilebilir fikirler üzerine beyin fırtınası yapmakla görevlendirildiler: İş Stratejisi, Güçlü Ekipler, Düzene Konmuş Süreçler, Bağlayıcı Teknolojiler ve IIoT Cihazlar. Amaçları, bir şirketin, yol haritasını kullanarak güçlü yönlerini en üst düzeye çıkarıp zayıf yönlerini düzeltirken, fırsatları yakalama ve tehditleri etkisiz hale getirme konusundaki yeteneğini de geliştirecek bir Endüstri 4.0 stratejik planı oluşturabileceğini göstermekti.

Endüstri 4.0'da Senaryo Kurmak

Thu, 07 Nov 2019 00:00:00 GMT

Senaryo Kurmak

CEO’nun paylaştığı durum birçok şirket için tanıdıktı: büyümeye ve yeniliğe odaklı bakış açısına sahip, güçlü ve başarılı bir şirket, iyi seviyede otomasyon sistemi ve iyi eğitimli iş gücüyle, eşsiz bir değişim ve rekabete maruz kalıyor: “35 senedir, küresel pazar için ürün üretiyoruz. Şirket her cephede daha da büyük bir küresel rekabetle karşı karşıya. Bundan bir yıl sonra hala burada olacağımızdan bile emin değilim. Rakiplerimiz daha ucuza daha iyi mallar üretiyorlar ve müşterilerimiz gemiyi terk etmeye başladı. Ne verirsek verelim, daha fazlasını istiyorlar -standart tekliflerimizde daha fazla çeşitlilik, daha fazla özellik, daha kısa üretim ön süreleri, daha büyük indirim, bir de sunuyor olduğumuz her şeyin isteğe göre özelleştirilebilir olmasını talep ediyorlar. Pazar talebini karşılayabilmek için iş modelimizi değiştirmemiz gerekiyor, yoksa oyunun dışında kalacağız. Her birinizin bu Endüstri 4.0 denen şeye bir bakmasını ve bunu, sadece elimizdeki müşterileri tutmak için değil, rakiplerimize kaptırdıklarımızı da telafi edecek şekilde, mevcut ve gelecek süreçlerimizi geliştirmekte ve yeni pazar payı kazanmakta sürdürülebilir bir şekilde nasıl kullanabileceğimizi bulmasını istiyorum.”

-Helen Hendricks, Sterling Ltd CEO’su SWOT analizi de benzer şekilde tanıdık. Şirket güçlü yanları arasında, büyüme ve yenilikçilik kültürünün, tarihinin yanı sıra, iyi eğitimli ve teknoloji meraklısı bir iş gücü kadrosunun olduğu, önemli ölçüde otomatikleştirilmiş bir işletme olmasını sayıyor. Şirket zayıf yönlerinin de farkında. Dört kuşaklık bir teknoloji kullanıyor, bu da devamlı iş sürecinin olmayışı ve iş gücü zorluklarıyla (emeklilikler, yaşlı çalışanları işten çıkartma, yeni işe alınanları eğitme) birleşince verimsizliğe ve israfa sebep oluyor. Dahası, şirket fazlasıyla kâğıt tabanlı sistemlere bağımlı. Şirket, büyüyen pazarlardaki ve güvenilir iş ortağı arayan müşterilerdeki fırsatı görüyor. Süreç standardizasyonu uygulayarak ve kağıt tabanlı sistemler yerine dijitale geçerek, toplam ürün maliyetini önemli ölçüde azaltma, verimliliği artırma ve kaliteyi yükseltmenin yanı sıra, yeniden işleme ve atığı en aza indirgeyecek şekilde konum alıyor. Bir yandan da şirket kayda değer tehditlerle karşı karşıya: kıyasıya rekabet ve özelleştirilmiş ürün tekliflerinin daha hızlı ve daha yüksek kalitede sunulmasını talep eden müşteriler. Aynı zamanda iş gücü hızlı bir şekilde alabora oluyor ki bu da yeni teknolojilere adaptasyon ve yeni süreçlerin yaratımıyla bir araya geldiğinde yıkıcı bir hal alarak şirketin hata yapma ve baştan alma riskini artırıyor. Şirket, net bir vizyon ve yön olmadan yeni teknolojiler eklemek konusundaki mevcut yaklaşımının insanlar, süreçler ve prosedürler ve hatta eğitimle ilgili alanlarda daha büyük konularda süreç değişikliklerine yol açtığının farkında.

Bu arka planla, gruplar, çözümler üzerine beyin fırtınası yapmak ve MESA Endüstri 4.0 Yol Haritası'nı temel alan bir MOST analizini tamamlamak için yola çıktılar; bu, imalatçı firmalara dijital dönüşümü başarmak hususunda ayrıntılı planlar oluşturmak için bir rehber ve bir çerçeve sunacaktı.

Yeni Strateji Geliştirmek

Thu, 07 Nov 2019 00:00:00 GMT

Yeni Bir İş Stratejisi Geliştirmek

MESA Endüstri 4.0 Yol Haritası, atölye katılımcılarına dijital teknolojilerin kullanımı konusunda dört adet iş güçlendirme stratejisi sağladı: Temel yetkinlik olarak üretim yapmak, Kitle özelleştirme, Hizmet olarak ürün ve Hizmet olarak üretim. Atölye grubu, misyonunu geliştirirken temel yetkinlik olarak üretimi ve kitle özelleştirmelerini vurgulayan bir strateji ile ilerlemeyi tercih eden yeni bir iş stratejisi geliştirmekle görevlendirildi. Misyon: Grup, üç aşamalı bir misyon beyan etti:

Ürün ve maliyet verimliliğini artırmanın yanı sıra müşteri edinme sistemlerini otomatikleştirerek satışları ve dolayısıyla da pazar payını (kaybedilen pazar payını yeniden kazanma dahil) artırmak.
Gelişmiş ekipmanların güvenilirliği ve artan ürün kalitesi ile üretim verimliliğini ve güvenliğini artırarak kâra geçmek ve daha hızlı bir büyüme elde etmek ̶ ki bu da daha düşük maliyette daha kaliteli mallara yol açacaktır.
Yüksek vasıflara sahip bir işgücü bulup geliştirmek ve onu teknolojinin sunduğu en iyi zekayla güçlendirmek. Hedefler: Bu misyonu elde edebilmek için, grup şunları belirledi:
Özelleştirilmiş ürünler de dahil olmak üzere, yeni ve geliştirilmiş ürünler sunarak, daha iyi müşteri deneyimleri yaratarak ve şirketin yeni yetilerini pazarlayarak ciroyu (gelirleri) artırmak.
Üretim bölümünün verimliliğini artırmak için iş ve iş süreçlerini standartlaştırarak ve süreç ve operasyonlardaki şeffaflığı geliştirerek operasyonel mükemmelliği kovalamak.
İşgücünün teknoloji becerilerini geliştirmek, özellikle de satış ekibinin teknoloji kullanımını artırmak. Stratejiler: Şirket liderleri (atölye katılımcıları) senaryoda ilerlerken, IoT ve Bulut çözümlerini kullanarak, çeviklik kazanmak ve otomasyonu artırmak amacıyla misyon ve hedefleri gerçekleştirme planları yaptılar. Ayrıca şunları da yapacaklardı:
Kaybedilen pazar payının nedenlerini araştırma ve geri kazanmak adına planlar yapmanın yanı sıra, satış teşviklerini ve tazminat planlarını iyileştirmek.
Temel iş sürecini gözden geçirip geliştirmeler ve değişiklikler yapmak. Kaliteyi artırmak ve hurdayı azaltmak adına bir kalite yönetimi sistemi kurmak.
Yeni eğitim programları oluşturup uygulamak ve işletmelerin, müşteriyle kurulan birebir iletişimlerin ve satış personellerinin bu yeni strateji ve teknolojileri benimsemesine yardımcı olacak şekilde değişim yönetimi stratejileri kullanmak.

Taktikler: Şirketin uygulayacağı taktikler aşağıdadır:

Zekayı ve öğrenimi yakalamak, çevresindeki yazılım ve donanımlarla uyumlu olmayan işlevsel sistemlerden firma çapında birleşik bir çözüme geçmek için bir bulut/saha-dışı depolama ile birlikte IoT bağlantı çözümleri uygulamak.
Otomasyon başlatmak ve operasyonel teknolojiyi entegre etmek, daha sonra da üretim bölümü işlemleri (kalite, hurda, yeniden çalıştırma) için anahtar performans göstergeleri (KPI) oluşturarak operasyonlarda kesinlik elde etmek.
Aşağıdakiler aracılığıyla bir öğrenme ortamı yaratmak:
Yeniden öğrenimi teşvik etmek
Uzun zamandır çalışanlarla yeni gelenler arasında bilgi alışverişini ve yetenek paylaşımını teşvik etmek
Eğitim için odalar tahsis etmek

Endüstri 4.0'a Geçerken Ekibinizi Güçlendirin

Thu, 07 Nov 2019 00:00:00 GMT

MESA Endüstri 4.0 Yol Haritası’nda, güçlendirilmiş ekipleri destekleyen teknolojiler arasında İşleve-Özgü Uygulamalar, Çözümleyiciler, Kullanıcı Arayüzleri, Üretim Zekası ve İş Zekası bulunmakta. Bu teknolojilerin uyarlanmasının altında yatan felsefe, veriyi ve bilgiyi ulaşılması kolay hale getirerek, çalışanları, geçmişte bir uzman ya da teftiş gerektiren bir kararı kendi başlarına alabilmelerini sağlayacak kadar güçlendirmek. Güçlenen operatörler daha hızlı, daha isabetli kararlar alabilecekler ve bu da üretimi ivmelendirirken kaliteyi de artıracak. Dahası, üzerlerine eklenen sorumlulukla, çalışanlar daha ilgili ve işlerine bağlı hale gelecekler. Grup, ekipleri güçlendirme çabasında aşağıdaki MOST planında karar kıldı:

Buradaki misyon, her çalışanın değişim sürecini başarıyla atlatabileceği ve yeni teknolojik ortamda gelişebileceği konusunda güven verici bir mesajla teknolojik geçişten duyulan korkuyu ortadan kaldırmak.
Hedeflerse, hangi teknolojilere, neden ihtiyaç duyulduğunu açıklamak. Bilgi ve veri şeffaflığının çalışanlara yeni beklentileri karşılayacak gücü vereceğine inanılıyor. Bilgi eksikliği ve veri şeffaflığından yoksunluk korkuya sebep olacak, başarılı bir geçişi yavaşlatacak ya da durduracaktır.
Güçlü ekipler yaratmakta üreticilerin strateji ve taktikleri ayrılmaz bir bütündür. Geleneksel örgütlenmedeki uyumsuzluğu bir kenara bırakıp tüm firma içerisinde ortak bir dil yaratılmalıdır.

IoT Cihazları Entegre Etmek

Thu, 07 Nov 2019 00:00:00 GMT

IoT Cihazları Entegre Etmek

MESA Endüstri 4.0 Yol Haritası’nın parçası olan bağlayıcı teknolojiler (Mobil Cihazlar), Bulut hizmetleri, Nesnelerin İnterneti (IoT) cihazları, Akıllı Fabrika Makineleri, Müşteri-Tedarikçi Platformları ve Otomatik-Tanımlanan Bileşenlerdir. Her ne kadar atölyenin en kısa ve öz MOST analizi de olsa, bağlayıcı teknolojilerin Endüstri 4.0’a geçişteki rolü bir o kadar esaslı. Misyon için atölye katılımcıları, süreçlerin ve ilgili bilgilerin dijitalleştirilmesine dair açık ve basit bir amaç ilan ettiler. Bunun bir parçası olarak, hedef, dijital belgeleme için kâğıdı ortadan kaldırmak ve gerçek zamanlı veri elde etmeye önem vermek olarak belirlendi. Nihai amaç, fikir aşamasından geliştirmeye, satıştan pazarlamaya, üretimden teslimata, tüm tedarik zinciri boyunca baştan sona şeffaflığı sağlamaktı. Amaçları yerine getirecek stratejilerse, Kalite, Risk, Güvenlik vb. içeren ticari işlevler için ortak bir teknoloji çerçevesi ve kurumsal uyum yaratmaktı. Bunun yanı sıra, her rolü yeni teknolojileri etkili bir biçimde kullanacak şekilde uyarlamak da önemliydi. Taktiksel yaklaşım basitti: Bağlayıcı teknolojilere öncelik ver, karşılaştırmalı değerlendir, seç ve uygula; sonuçlarını incele ve sonra bunu yinele.

İlerlemek

Eğer atölye katılımcılarının Endüstri 4.0 stratejisi yaratım ve uygulama sürecini hızlandırmak için yaptıkları MOST analizinin, herhangi bir işletme için tasarlanana çok benzediğini düşünüyorsanız, haklısınız. Dijital dönüşümün en mühim noktalarından biri, iş strateji ve hedeflerinin önce geldiğini, onları elde etmeye yarayacak teknolojinin de onu takip ettiğini anlamak. Dahili iş ihtiyaçlarına -olumsuz sonuçları (yeniden işleme, atık, yüksek maliyetler, vb.) azaltacak sorunları çözmek veya küresel rekabette avantajınızı artırmanıza yardımcı olacak bir yeteneği uygulamaya koymak gibi- odaklanarak, çok fazla teknolojik seçeneğin neden olduğu karmaşayı çözebilirsiniz. Atölye çalışmaları iş ve dijital stratejilerin ne kadar iç içe geçtiğini gösteriyor -birbirinden ayırılamayacak kadar. Aynı zamanda şirketlerin, MESA Endüstri 4.0 Yol Haritasını, kendi Endüstri 4.0 hedeflerine ulaşmak için yaptıkları yolculuğun ayrıntılı planlarını tasarlamaya yönelik bir ana plan oluşturma kılavuzu olarak nasıl kullanabileceklerini gösterdi. Çoğu teknoloji yol haritalarının aksine, MESA Endüstri 4.0 Yol Haritası işle başlar; üreticilere, küresel rekabette onlara avantaj sağlayacak son teknolojiler tarafından desteklenen stratejileri seçmelerinde yol gösterir. Sonra üreticileri, o stratejileri uygulayacak güçlendirilmiş ekipler oluşturacak ve o ekiplerin işlerini kolaylaştıracak teknolojilerin kullanımı konusunda destekler. Ardından, yol haritası, süreçleri düzene sokma, bağlayıcı teknolojiler ve bağlı nesnelerden oluşan üç aşamalı bir üretim teknolojisi platformu yaratmak konusunda rehberlik eder. İş ve teknoloji stratejilerini entegre eden kapsamlı yaklaşımıyla, MESA Endüstri 4.0 Yol Haritası, Endüstri 4.0 yolculuğunun herhangi bir aşamasındaki herhangi birini desteklemek için temel bir araçtır.

Bağlayıcı Teknolojileri Kalkındırmak

Thu, 07 Nov 2019 00:00:00 GMT

Bağlayıcı Teknolojileri Kalkındırmak

MESA Endüstri 4.0 Yol Haritası’nın iş bağlantılarını öne çıkaran teknolojileri arasında Entegrasyon Hizmetleri, Makineden Makineye (M2M), IoT Standartları ve Akıllı Bağlayıcılar bulunmaktadır. Misyon: Şirketin bağlayıcı teknolojilere dair misyonu beş katmanlıdır.

Daha iyi sonuçlar elde etmek için cihazları bağlamak.
Her birinin bir diğeriyle veri alışverişi yapabilmesini sağlayabilmek adına diğer değer zinciri üyelerinin bağlanılabilirliğini desteklemek.
Sık karşılaşılan problemlerin maliyetini düşürmek.
Esnekliği artırmak, pazara çıkma süresini hızlandırmak ve üretkenliği artırmak.
Bilgi işçilerinin yeni iş gücünü desteklemek.

Hedefler

Misyonu gerçekleştirmek için, şirketin ilk hedefi optimize edilmesi gereken “küçük” bir uçtan uca süreç seçip onu süreçteki her bir adımı dijital olarak bağlayarak geliştirmek. İkinci hedef, operatörlerin ve diğerlerinin gerçek zamanlı veriye dayanarak kararları için temel oluşturmalarına izin verecek bir akıllı sistem oluşturmak ve onu karar-destekleme sistemleriyle desteklemek. Üçüncüsü ise üreticisine bakmadan, herhangi bir makineden gelecek veriler için standart bir tanım belirlemek. Stratejiler: Hedefleri ve misyonu gerçekleştirmek için şirket öncelikle diğer ortamlarda nelerin işe yaradığını anlamak adına var olan IoT projelerini çalışıp karşılaştırmalı bir değerlendirme yapacak ve dijital teknolojilerin neler yapabileceği konusunda daha çok şey öğrenecek. İkinci olarak, risklerin ödüllerden daha büyük olduğu yerleri belirlemek için ilk önce dakika başına maliyet/kapsam daraltma tatbikatı uygulayarak hangi projelerin sürdürüleceğine öncelik verileceğini kararlaştıracak. Üçüncü olarak, şirket, departmanları birbirine bağlayarak veri paylaşabilmelerini ve işlevler arası iş birliği yapabilmelerini sağlayacak. Artan bağlantı, bağlı değer akışındaki personelin ele alınması ve çözülmesi gereken sorunları tanımlaması için yardımcı olacak. Sonunda şirket, makineleri, insanları ve ürünleri otomasyon ve standardize edilmiş süreç yoluyla bağlamış olacak.

Taktikler

Bağlayıcı teknolojileri uygulamaya sokmayı kolaylaştıracak taktikler, bir fabrika sahibi ve bir müşteri olmanın ne demek olduğunu yeniden tanımlamakla başlar. İlk prensip, işin sahibinin müşteriler olduğudur -siz onlar için çalışırsınız- ama aynı zamanda her bir çalışan son müşteriye hizmet eden, odaklı birer fabrika yönetir. En yüksek öncelik, son müşteriye faydaları gösterebilecek projeleri belirlemektir. Seçim sürecini kolaylaştırmak adına, şirket son müşteriler için iletişim kurup şirketten gereksinimlerini senkronize edebilecekleri forumlar kuracak. Ek olarak, şirket mevcut ve yeni teknolojileri içinde Ana İşletme Yetenekleri (POCs) etrafında toplanan çalışma grupları oluşturacak. Öğrenme ve adaptasyonu hızlandırmak adına şirket, 100 dolarlık bir bütçeyle test edilebilecek daha küçük, odaklı çabalar olan “git ve gör” projelere fon sağlamak için kenara para ayıracak. Nihayetinde, taktikler standartlaştırılmış iş akışları ve karar desteği için raporlama içeren uçtan uca bağlantıya geçecek ve bu da yeni, daha iyi eğitimli, teknoloji odaklı iş gücünün kapasitesini güçlendirecektir.

Endüstri 4.0'da Süreç Yönetimi

Thu, 07 Nov 2019 00:00:00 GMT

MESA Endüstri 4.0 Yol Haritası’na göre, süreçleri düzene koymaya yardımcı olacak teknolojiler Uygulamadan Uygulamaya (A2A) ve İşletmeden İşletmeye (B2B) Standartları; İş Süreci Akışı; Digital Thread ve Güvenlik Sistemleridir. Organizasyon içinde süreçleri düzene sokarken şirketin misyonu, kavramsal bir çerçeve yaratmak ve iş sürecinin tamamen anlaşılmasını sağlayan ve tüm organizasyonu bir araya getirecek ortak bir karar alma yaklaşımı benimsemektir. Hedefler, ilk olarak Endüstri 4.0 uygulamalarının ölçeklendirilmesi için bir dayanak ve teknolojilerin dağıtımı için standart bir yaklaşım üzerinde anlaşılmasıdır. Sonrasında şirket, kritik verileri ve iş üzerinde en kayda değer etkiye sebep olacak iş akışlarını belirleyerek projeleri bir öncelik sırasına koyacaktır. Stratejiler, bu değişimlerin şampiyonlarını -onlara tutkuyla inananları- belirlemekten ve onları birer ekip oluşturup değişime öncülük etmeye itmekten de geçiyor. Ayrıca şirket, değişikliklerden etkilenecek arıza, kalite vb. temel unsurların ortak tanımlarını oluşturacaktır. Şirketin süreçleri düzene sokmak için kullanacağı taktikler, ilk olarak her bir sürecin iş değerini analiz etmek ve karşılaştırmalı değerlendirmeye sokmak, tarihsel verileri ve performansı gözden geçirmek ve ardından süregelecek bir süreç analizi ve karşılaştırmalı değerlendirme oluşturmaktır.

No title

Tue, 29 Jan 2019 00:00:00 GMT

A

Açık Uygulamalar Grubu

(OAG ya da OAGi) (Open Applications Group)

Kar amacı gütmeyen bir endüstri konsorsiyumu olan OAG, iş uygulamaları arasında işbirliğini teşvik eder ve bu amacı desteklemek için kurumsal dil standartları oluşturur. OAG, hem B2B hem de A2A entegrasyonu için uygulamaya hazır, süreç tabanlı kurumsal dil standartları oluşturur.

Alan

(Area)

Bir ISA-95 terimidir. İşletmenin en üst seviye, alanın da en alt seviye olduğu işletme, saha ve alan hiyerarşisinin mantıksal bir alt gruplandırmasıdır. Bir alan, bir veya daha fazla ISA-95 iş merkezi, işlem hücresi, üretim hattı veya üretim birimi içerebildiği gibi diğer alan örneklerini de tekrarlı olarak içerebilir. 4. seviye fonksiyonlar genellikle işletme ve saha seviyeleri ile ilgilidir. Ancak, işletme planlaması ve çizelgeleme alanları içerebilir.

Amerikan Ulusal Standartlar Enstitüsü

(ANSI) (American National Standards Institute)

ABD elektronik veri değişimi ve yazılım dili standartlarına dair bir kliring dairesidir. Enstitü, akustik cihazlardan inşaat ekipmanlarına, et ve süt ürünleri üretiminden enerji dağıtımına kadar birçok alanda, işletmeler üzerinde doğrudan etkiye sahip binlerce norm ve rehberin oluşturulması, ilan edilmesi ve kullanılmasını denetlemektedir.

ANSI ayrıca, ISO 9000 (kalite) ve ISO 14000 (çevre) yönetim sistemleri gibi dünyaca tanınmış sektörler arası programlar da dahil olmak üzere, standartlara uygunluğu ölçen programların akreditasyonuyla da aktif olarak ilgilenmektedir.

Amerikan Üretim ve Envanter Kontrolü Topluluğu

(APICS) (American Production and Inventory Control Society)

Kurumsal performansı artırmak için sertifika programları, eğitim araçları ve ağ fırsatlarını kâr amacı gütmeden sunan bir uluslararası eğitim organizasyonudur.

Amerikan Verimlilik ve Kalite Merkezi

APQC (American Productivity and Quality Center)

Kuruluşların, var olan en iyi uygulamaları keşfederek kendi süreçlerine uyarlamalarına ve ölçülebilir sonuçlar elde etmelerine yardımcı olacak ürün ve hizmetleri sağlayan bir organizasyondur.

Ana Veri

(Master Data)

Ürünler, müşteriler ve tedarikçilerin işletmeleriyle ilgili önemli verileri içerir.

Ana Veri Yönetimi

(MDM) (Master Data Management)

Bir kurumun alım satımı olmayan veri varlıklarını, sürekli olarak tanımlayan ve yöneten işlemler ile araçlar kümesidir. Bu bilgilerin kullanıldığı alanlarda tutarlılık ve kontrol sağlamak için; bir kuruluşta toplama, eşleştirme, birleştirme, kalite güvencesi, sürdürme ve dağıtma süreçlerinin yürütülmesini amaçlamaktadır.

Temel seviyede MDM; bir kurum veya operasyonun farklı bölümlerinde, aynı ana verinin farklı (ve büyük ihtimalle tutarsız) versiyonlarının kullanılmasının önüne geçer ve iş süreçlerinde sıkça karşılaşılan farklılıkların ortadan kaldırılmasına yardımcı olur.

Analiz Sertifikası (CoA)

(Certificate of Analysis)

Bir ürün için, belirli test sonuçlarını raporlayıp tasdikleyen belge.

ANSI/ISA-88

Parti kontrol sistemlerinin tasarımları ve şartlarına dair ilkeleri belirleyen uluslararası standarttır.

ANSI/ISA-95

İşletme, operasyon ve kontrol sistemlerinin entegrasyonu için kullanılan uluslararası standarttır ve bu sistemler arasında bilgi alışverişi için nesne modelleri sağlar. Finans ve lojistik sistemlerinin yanı sıra üretim, bakım, envanter ve kalite sistemleri arasında hangi bilgilerin paylaşılacağını belirlemek için de kullanılabilmektedir. Daha fazlası için Üretim Operasyonu Yönetimi maddesini inceleyebilirsiniz.

ARC Danışma Grubu

(ARC Advisory Group)

Sanayi, altyapı ve şehirler için, teknoloji araştırması ve danışmanlık süreçlerini yürüten bir firmadır.

Artırılmış Gerçeklik

(Augmented Reality)

Sanal bir bağlamsal bilgi katmanını, doğru zamanda doğru yere ekleyerek (örn. Google Glass gibi cihazlar aracılığıyla), tekrarlı olmayan birtakım işlerin (montaj, ayıklama, bakım vb.) daha hızlı yapılmasına yardımcı olabilmektedir.

B

B2M

(Business to Manufacturing)

B2M, "İşletmeden Üretime" olarak ifade edilmektedir. Üretim entegrasyonu alanı ISA-95, 5. Bölüm kapsamındadır.

B2MML Şeması

(B2MML Schema)

İşletmeden Üretime Biçimlendirme Dili Şeması (Business to Manufacturing Markup Language Schema) olarak açıklanmaktadır.

Daha fazla detay için İşletmeden Üretime Biçimlendirme Dili maddesine bakabilirsiniz.

Bakım İşlemleri Yönetimi

(MnOM) (Maintenance Operations Management)

Ekipman, araç ve bağlantılı varlıkların; üretim için uygun hale getirilmesi adına bakımlarının yapılmasını ve reaktif, periyodik, önleyici ve proaktif bakımların çizelgelemelerini sağlayan faaliyetleri koordine eden, yöneten ve takip eden fonksiyonlar bütünüdür.

Bakım İşlemleri Yönetimi Faaliyet Modeli

(Maintenance Operations Management Activity Model)

Belirli bir bakım departmanının, departmanlar arasındaki bakım aktiviteleri ile otomasyon sistemlerini ya da manuel geçici veri alışverişlerini (kağıt araçlar) nasıl desteklediğine dair fikirler ortaya koymaktadır.

Her faaliyet için, veri değişimi ve sistem kullanıcıları/sahipleri tanımlanmaktadır. Ayrıca, hangi bölümlerin veya kişilerin faaliyetlerden sorumlu olduğu belirtilmektedir. Bu uygulamalar, verimlilik sorunları ve optimizasyon olanaklarının analiz edilmesini sağlamaktadır.

Bakım Yönetimi

(Maintenance Management)

Tesis içerisindeki ekipman ve diğer sermaye varlıklarını, amaçlarına uygun tutmak için gereken faaliyetlerin planlanması ve yürütülmesi anlamına gelir.

Üretim için uygunluklarının sağlanması ve periyodik ya da önleyici bakımlarının takibi süreçlerini yürütür. Ayrıca, acil sorunlara verilen yanıtları (alarmları) planlamak adına, ekipman ve araçları koruma faaliyetlerini de izler ve yönlendirir. Bakım yönetimi, sorunların teşhisine yardımcı olmak için geçmiş olayların veya sorunların kaydını da tutar.

BCPS

(Batch Process Control System)

Toplu İşlem Kontrol Sistemi

BCS

(Batch Control System)

Toplu Kontrol Sistemi (Batch Control System). Ayrıca bkz. ISA 88.

Belge Kontrolü

(Document Control)

Ürünlerin, işlemlerin, tasarımların ya da siparişlerin yönetimi ve dağıtım bilgisinin yanı sıra, çalışma koşullarının ruhsat beyannamelerinin toplanmasıdır. “Planlandığı gibi” ve “yapıldığı gibi” bilgilerini düzenleyebilme yetisiyle beraber, çalışma talimatları, tarifler, çizimler, standart operasyon prosedürleri, bölüm programları, toplu kayıtlar, mühendislik değişim bildirimleri, vardiyadan vardiyaya iletişim gibi üretim biriminde bulunması gereken kayıtları/formları kontrol eder.

Belge Kontrolü, talimatları işlemlere gönderir ve operatörlere gerekli verileri ya da cihaz kontrolü için gereken tarifleri sağlar. Ayrıca çevre, sağlık ve güvenlik yönetmeliklerinin ve düzeltici eylem prosedürleri gibi ISO bilgilerinin kontrolünü ve bütünlüğünü de içermekle birlikte, tarihsel verileri de depolar.

Bilgisayarlı Bakım Yönetim Yazılımı

(CMMS) (Computerized Maintenance Management Software)

Bilgisayarlı Bakım Yönetim Sistemi (Computerized Maintenance Management System) olarak da adlandırılmaktadır. Varlıkları yönetmeye, bakımlarını planlamaya ve iş emirlerini izlemeye yardımcı olan bir yazılımdır.

Bilgisayar Destekli Mühendislik

(CAE) (Computer-aided Engineering)

Tasarım unsurlarına ve mühendislik sürecine uygulanan bilgi teknolojileridir. Isı transferi, yapı, elektromanyetik, havacılık ve akustik analizi vb. her türlü performans sistemini kapsar.

Bilgisayar Destekli Proses Mühendisi

(CAPE) (Computer-aided Process Engineer)

Üretim ekipmanlarının ve belirli bir ürün veya ürün hattına ait üretim süreçlerinin (proseslerinin) tasarımına ve geliştirilmesine yardımcı olmak için oluşturulmuş yazılım sistemleridir.

Bilgisayar Destekli Süreç Planlaması

(CAPP) (Computer-aided Process Planing)

Bilgisayar entegrasyonlu üretim (CIM) ortamında, tasarım ve üretim arasındaki bağlantıdır. Sıklıkla üretim mühendisleri tarafından kullanılan CAPP; maliyet, teslimat süresi, ekipman elverişliliği, üretim hacmi, potansiyel malzeme değişikliği ataması ve test gereklilikleri gibi tahmini değişkenlere dayanarak, ürün imalatı planı geliştirilmesini sağlar.

Bilgisayar Destekli Tasarım

(CAD) (Computer-aided Design)

Parça listeleri ve diğer ilgili veriler de dahil olmak üzere; 2B ve 3B mühendislik spesifikasyonları, şablonlar vb. oluşturmak için kullanılan, son derece özelleşmiş grafik yazılımıdır.

Bilgisayar Destekli Üretim (CAM)

(Computer-aided Manufacturing)

Üretim sürecini otomatikleştirmek için kullanılan, son derece özelleşmiş bir yazılımdır. CAD/CAM sistemleri; ürünün tasarımını, üretim fazları boyunca entegre ve otomatize eder.

Bilgisayarla Tümleşik Üretim (CIM)

(Computer-integrated Manufacturing)

Üretim sürecinin kontrolü için bilgisayarların kullanması anlamına gelmektedir.

Bilgisayarlı Sayısal Denetimciler

(CNC) (Computerized Numeric Controllers)

CNC makineleri; makine araçları kullanım talimatlarını içeren programları okuyabilen, bilgisayar tabanlı araç denetleyicileridir. Bu sistemler, ham maddeleri belirli bir parçaya frezeler, keser veya cilalarken insan aksiyonu gerektiren adımların en aza indirilmesini sağlar.

Bilişsel Bileşenler

(Cognizant Components)

Parça numarası, revizyon numarası, seri numarası, satıcısı ve akıllı makineler tarafından uygun programları yükleyip parametrelerini ayarlamak için otomatik olarak tetiklenen yapılandırma bilgisi dahil olmak üzere, tanımlama bilgilerini yayınlayan RFID gibi akıllı etiketlere sahip materyal ve bileşenlerdir.

Birlikte Çalışılabilirlik

(Interoperability)

Birlikte Çalışılabilirlik ya da Birlikte İşlerlik, farklı sistem ve organizasyonların bir arada çalışabilme yeteneğine atıfta bulunan bir özelliktir.

Bitmiş Mallar

(FG) (Finished Goods)

Müşteriye gönderilmeye hazır olan ürünleri ifade eder.

BOE

(Bill of Equipment)

Donanım listesi.

BOL

(Bill of Lading)

Taşıma senedi.

BPR

(Business Process Reengineering)

İş Sürecinin Yeniden Yapılanması.

BTO

(Build to Order)

Sipariş geldikçe yapılan üretimi ifade eder.

Bulut Bilişim

(Cloud Computing)

Bu teknoloji, değer zinciri katılımcıları arasında çoklu iletişim hatları açıp, iş süreçlerinin entegrasyonunu sağlayarak; dağınık, uzamış, istikrarsız ve öngörülemeyen tedarik zincirlerini basitleştirme ihtiyacına cevap vermektedir.

Bulut Üretim

(Cloud Manufacturing)

IoT, SOA, Bulut Bilişim ve sanallaştırmayı kullanarak; üretimin, paylaşılması ve üzerinden gelir elde etmesini kolaylaştırmaktadır.

Büyük Veri

(Big Data)

Geleneksel veri tabanı yönetimi sistemleri ile masaüstü istatistik ve görselleştirme araçlarının kapasitesini aşan miktarlardaki veri koleksiyonu olarak ifade edilmektedir. Büyük veri; toplanan ve onaylanan, gösterge panoları ve varlık / ürün / süreç analitikleri için kullanılabilecek çok sayıda geçmiş ya da türetilmiş veri ve referansla ilişkili teknolojiyi tanımladığı için, üretim sistemlerinde önemli bir kavramdır.

Büyük veri analizi; tedarik zincirlerinde, fiziki varlıklarda ve tesis çalışanlarında operasyonel verimliliği, görünürlüğü ve kontrolü desteklemek adına üretimde kritik bir öneme sahiptir. Büyük veri analitiğinin gücünden yararlanmak, üreticilerin sadece trendleri analiz etmelerini değil, aynı zamanda gelecekteki satın alma döngüleri, ekipman ömrü ve kapasite dalgalanması gibi olayları tahmin etmelerini de sağlayacaktır.

C

CAS Numarası

(Chemical Abstracts Service Number)

Kimyasal Özetler Hizmetinin belli kimyasallara atadığı numaralardır.

CCOM

(Common Conceptual Object Model)

MIMOSA’nın Ortak Kavramsal Nesne Modelidir.

CCOM-ML

Ortak Kavramsal Nesne Modeli için gerekliliklerdir. Biçimlendirme dili olarak ifade edilmektedir.

CCR

(Capacity Constrained Resource)

Kapasitesi Kısıtlı Kaynak.

CPAS

(Collaborative Process Automation Systems)

İşbirlikçi Süreç Otomasyonu Sistemleri

CPFR

(Collaborative Planning, Forecasting and Replenishment)

İşbirlikçi Planlama, Öngörü ve İkmal olarak açıklanmaktadır. CPFR, envanterin müşterek görünürlükle yönetilmesini ve tedarik zinciri boyunca, ürün ikmallerinin iş birliğiyle yapılmasını hedefler.

Tedarikçiler ve perakendeciler arasındaki bilgi paylaşımı ve planlamaya yardımcı olmakla birlikte, destekleyici bir sistem sayesinde müşteri taleplerini daha kolay karşılar. Envanterin ve gelecek gerekliliklerin mütemadiyen güncellenmesini sağlayarak, uçtan uca tedarik zinciri sürecini daha verimli kılar.

CPG

(Consumer Packaged Goods)

Paketli Tüketim Malları, Hızlı Tüketim Malları (Fast-Moving Consumer Goods) olarak da bilinir. Hızlıca satılan ve görece ucuza mâl olan ürünlerdir. Ambalajlı yiyecekler, içecekler, sabun ya da diş macunu gibi kişisel bakım malzemeleri, reçetesiz ilaçlar ve raf ömrü uzun olmayan diğer ürünler örnek olarak sayılabilmektedir.

CPM

(Collaborative Production Management)

İşbirlikçi Ürün Yönetimi (Collaborative Production Management), Operasyonel Mükemmellik adına farklı sistemleri tek çatı altında birleştirme yöntemidir.

CRIS

(Common Relational Info Schema)

Ortak İlişkisel Bilgi Şeması (Common Relational Info Schema).

CSR

(Customer Service Representative)

Müşteri Hizmetleri Temsilcisi (Customer Service Representative).

CTP

(Capable-to-Promise)

Söz Vermeye Müsait (Capable-to-Promise), şirketlerin talebi önceden kestirip, maksimum üretim ve kapasitelerine eşlemelerine yardımcı olan bir sistemdir. CTP kullanmak bir işin üretebilecekleriyle, müşterilerin talepleri arasında bir denge kurmasını sağlar.

Cihaz Geçmişi Kaydı

(DHR) (Device History Record)

21CFR820’den çıkan bir terimdir. Cihaz geçmişi kayıtları, spesifik bir ürünün ya da cihazın tüm üretim ve hizmet geçmişini içeren raporlardır.

DHR; cihazın, cihaz ana kaydına (asıl ürün ve proses tasarımı kaydı) göre üretildiğini gösteren kabul kayıtlarını da içermelidir.

D

DaaS

(Desktop as a Service)

Hizmet Olarak Masaüstü (DaaS), bir hizmet sağlayıcının kullanıcı başına abonelikle lisanslanan sanal masaüstlerini internet üzerinden son kullanıcılara sunduğu bir bulut bilgi işlemidir.

Dağıtım Kaynakları Planlaması

(DRP) (Distribution Resource Planning)

Tedarik Zinciri Yönetiminin öncülüdür.

Dağıtımlı Kontrol Sistemi

(DCS) (Distributed Control System)

Denetim unsurlarının; merkezi olmayan (beyindeki gibi), her bileşen alt-sisteminin bir ya da daha fazla kontrolör tarafından denetlendiği, sistemin içine dağılmış bir kontrol sistemi, işlemi ya da herhangi bir dinamik sistemdir. Ağlar bütün sistemi iletişim ve gözlem için bağlamaktadır.

DCS, birçok farklı endüstride gözlem ya da kontrol ekipmanları için kullanılan geniş bir terimdir.

Dağıtımlı Sayısal Kontrol

(DNC) (Distributed Numerical Control)

bkz. Doğrudan Sayısal Kontrol

DBR

(Drum-Buffer-Rope)

Davul-Tampon-İp (Drum-Buffer-Rope), Kısıtlar Teorisinden (Theory of Constrainst, ToC) alınan bir planlama ve çizelgeleme çözümü terimidir.

DBR’nin temel varsayımı, herhangi bir tesiste, tesisin genel üretimini kontrol eden bir adet ya da sınırlı sayıda kaynak bulunur. Bu, diğer tüm kaynakların hızını belirleyen “davul”dur. Sistemin üretimini maksimize etmek için, planlama ve yürütme adımları, ipe benzer bir mekanizmayla davulu işletmeye, onu “zaman tamponları”nın kullanımı sırasında doğabilecek bozulmalara karşı korumaya ve diğer tüm kaynak ve kararları davulun aktivitelerine göre senkronize etmeye ya da ikincilleştirmeye odaklanır.

DCOR

(Design Chain Operations Reference)

Tasarım Zinciri İşlemleri Referansı (Design Chain Operations Reference) modelidir.

DDSN

(Demand-driven Supply Network)

Talep Odaklı Tedarik Ağı (Demand-driven Supply Network). Küresel dağıtımlı tedarik zincirleri için kullanılan bir Gartner Group açıklamasıdır.

Değişim Yönetimi

(CM) (Change Management)

Bireylere, ekiplere, üretime, yazılıma ve organizasyonlara uygulanacak değişimlere dair yapısal yaklaşımdır.

Dijital İkiz

(Digital Twin)

Belirli bir varlığın, tasarım detayları ve mühendislik modelleri de dahil olmak üzere, geometrisini, malzemesini, bileşenlerini ve davranışlarını açıklayan dijital modelidir. Daha da önemlisi, temsil ettiği spesifik fiziksel varlığa özgü olan yerleşik ve operasyonel veriyi de içerir.

Örneğin, bir uçak için dijital ikiz, uçağın kuyruk numarasına karşılık gelen fiziksel ürün birimi tanımlayıcısıyla tanımlanacaktıdır. Uçağın dijital ikizindeki veriler, uçağın 3B modellerinden çıkarılan kuyruk numarasına özgü geometri, üretim döngüsü sırasında yapılan mühendislik değişiklikleri, malzeme özellikleri, muayene, işletme ve bakım verileri, aerodinamik modeller ve herhangi bir sorun nedeniyle orijinal tasarımdan farklılaşması onaylanmış ya da geçici çözüm üretilmiş spesifik ürün birimlerini de içerir.

Dijital İmza

(Digital Signature)

Bir kişinin kimliğinin, kullanıcı doğrulama işlemleri yapmak için bir forma eklenmiş, şifreli halidir.

Dijital İş Parçacığı

(Digital Thread)

Modern tasarımı, üretimi ve ürün destek süreçlerini entegre eden ve çalıştıran dijital iletişimler bütünüdür. Dijital iş parçacığı, tasarım mühendisliğinde başlayan ve ürün değer zincirindeki çokça departmandan ve tedarikçiden geçen ürün ve süreç tanımlarını da içerir. Gelişen standartlar, anlamsal olarak zengin ve makine tarafından okunabilen ürün üretim bilgileriyle geliştirilmiş 3B geometrik modeller sunmaktadır. Ancak, tedarik zincirini daha yüksek seviyeli montajlara ve ürünlere taşıyacak bileşen bilgisine sahip, çift yönlü bir Dijital İş Parçacığı talebi de vardır.

Dijital Üretim

(Digital Manufacturing)

Daha fazla görünürlük, verimlilik, kalite ve müşteri hizmeti için, üretim değer zincirinden dijital iş parçacığı sistem ve işlemlerine, tasarımdan kaynak kullanımı, üretim ve sürdürülebilirliğe kadar dijital teknolojilerin uygulanmasıdır.

Dinamik Sonlu Çizelgeleme

(Dynamic Finite Scheduling)

Sürekli olarak güncellenen üretim katı çizelgesi ve olayların ne zaman, nerede gerçekleşmesi gerektiğinin gerçek zamanlı gönderimi. Bkz. Sonlu Kapasite Çizelgelemesi

DM

(Dimension Models)

Boyut Modelleri (Dimension Models). Çevrimiçi sorgulamalar ve Veri Ambarı araçları için optimize edilmiş bir veri tabanı yapısıdır ve bulgular (fact) ile boyutlardan (dimension) oluşur. Bulgular, her zaman olmasa da genellikle toplanan sayısal değerlerdir. Boyutlar da bulguları tanımlayan hiyerarşiler ve tanımlar grubudur. Örneğin satış miktarı bir bulgudur; zaman damgası, ürün, kayıt, dükkan vb. boyutun unsurlarıdır.

DMAIC

(Define, Measure, Analyze, Improvement, Control)

Altı Sigma Kavramı; Tanımla, Ölç, Analiz et, Geliştir, Kontrol et. İş süreçlerini ve tasarımlarını geliştirmek, optimize etmek ve stabilize etmek için kullanılan, veri tabanlı bir iyileştirme döngüsüdür.

DMS

(Document Management System)

Belge Yönetimi Sistemi (Document Management System), belgeleri takip etmek, yönetmek, depolamak ve aynı zamanda da kağıt kullanımını azaltmak için kullanılan bir sistemdir. Büyük bir kısmı, yaratılan farklı versiyonları ve kullanıcılar tarafından yapılan değişikliklerin kaydını da tutar (geçmiş takibi). Dijital belgelerin yönetimi söz konusu olduğunda, bu tür sistemler bilgisayar programı tabanlı olmaktadır.

Doğrudan Sayısal Kontrol

(DNC) (Direct Numerical Control)

Dağıtılmış Sayısal Kontrol olarak da bilinen DNC, CNC makine aygıtlarını ağla bağlamak için kullanılan yaygın bir üretim terimidir. Bazı CNC makine kontrolörlerinde, kullanılabilir hafıza, şekillendirme programları için fazla küçüktür (mesela karmaşık yüzeyleri şekillendirmek için), bu durumda program ayrı bir bilgisayarda depolanır ve her seferinde bir blok olacak şekilde doğrudan makineye gönderilir. Eğer bilgisayar birden fazla makineye bağlıysa, programları makinelere istenen şekilde dağıtabilmektedir.

Döngü Süresi

(Cycle Time)

Bir üretim hattında başarılı birimler üretmek için gereken süredir. Şirket ve müşterisi tarafından tanımlanan, bir işlemin başından sonuna kadar geçen toplam süre olarak da tanımlanabilmektedir.

Döngü süresi, bir birimin sonuca yaklaşırken geçirdiği işlem süresini ve bir sonraki eylem için beklerken harcanan süreyi de kapsar.

DRP

Bkz. Dağıtım Kaynakları Planlaması

DSS

(Decision Support System)

Karar Destek Sistemi (Decision Support System), işyerlerine özgü karar alma aktivitelerini destekleyen bir bilgi sistemidir. DSS, (genelde orta ya da daha yüksek yönetimi olan) bir şirketin; yönetim, operasyon ve planlama kısımlarına hizmet eder. Bununla birlikte, yapılandırılmamış ya da yarı-yapılandırılmış karar problemleri gibi durumlarda, insanların önceden kolay kolay tespit edilemeyen ya da hızla değişen sorunlar karşısında karar almalarına yardımcı olur. Karar destek sistemleri tamamen bilgisayar tabanlı ya da insan gücüyle çalışabildiği gibi, ikisinin bir kombinasyonuyla da çalışması mümkündür.

Duruma Dayalı Gözlemleme

(CBM) (Condition-based Monitoring)

Gözlemlenen duruma dayanarak bir arızanın gelişip gelişmeyeceğini belirlemek için, ekipman parametrelerini gözlemleme sürecidir.

Duruma Dayalı İşleyişler

(CBO) (Condition-based Operations)

Varlık ve süreç parametrelerini gözlemleyerek işleyişi geliştirme anlamına gelmektedir.

Düzeltici ve Önleyici Eylemler

(CAPA) (Corrective and Preventive Actions)

Düzeltici Eylem Önleyici Eylem olarak da bilinmektedir ve İyi Üretim Uygulamaları (GMP) içindeki bir kavramdır. CAPA, meydana gelmelerini (önleyici eylem) ya da tekrarlanmalarını önlemek için (düzeltici eylem) aykırılıkların (hataların ve/veya sapmaların) sistematik incelemesine odaklanır. Düzeltici ve koruyucu eylemlerin etkili olduğundan emin olmak için, gerçekleştirilecek eylemleri tanımlamada hatalı durumun sistematik olarak araştırması esastır.

CAPA, genel kalite yönetimi sisteminin (QMS) bir parçasıdır. Sorun tespiti, düzeltici eylem talebi, temel neden analizi ve sonlandırma/çözümlemenin yanı sıra eylemin etkililiğinin ölçümüyle de ilgili bir iş sürecidir. CAPA, var olan uyumsuzluğun, hatanın ya da diğer istenmeyen durumların tekrar yaşanmasını önlemek amacıyla yapılan eylemler bütünüdür.

E

E-CRM

Elektronik-CRM, yani Müşteri İlişkileri Yönetimidir.

E/E/PES

Elektrik / Elektronik / Programlanabilir Elektronik Güvenlikle İlgili Sistemlerdir. IEC 61508 adıyla da bilinmektedir ve Uluslararası Elektroteknik Komisyonu tarafından yayınlanan ve güvenlikle ilgili sistemler olarak adlandırılan otomatik koruma sistemlerinin nasıl uygulanacağı, tasarlanacağı, yerleştirileceği ve sürdürüleceğiyle ilgili yöntemlerden oluşan uluslararası bir standarttır.

EAI

(Enterprise Data Warehouse)

bkz. Kurumsal Uygulama Entegrasyonu.

EAM

(Enterprise Asset Management)

bkz. Kurumsal Portföy Yönetimi.

ECO

(Engineering Change Order)

bkz. Teknik Değişiklik Sırası.

EDDL

(Electronic Device Description Language)

Elektronik Cihaz Tanımı Dili (Electronic Device Description Language). Bir işletim sisteminde, cihaz durumu, teşhis verileri ve yapılandırma ayarları gibi ekipman parametrelerinin ve akıllı saha yerleştirmesinin, dijital iletişim özelliklerini tanımlamakta kullanılan metin tabanlı bir dildir.

EDI

(Electronic Data Interchange)

Elektronik Veri Değişimi (Electronic Data Interchange), işyerlerinde eskiden kağıt üzerinde yapılan sipariş formu ve faturalama gibi işlemlerin, elektronik olarak yapılmasıdır. EDI için getirilen teknik standartlar, tarafların bu tarz işlemleri özel ayarlamalar yapmalarına gerek kalmadan gerçekleştirebilmesini kolaylaştırmaktadır.

EDMS

(Electronic Document Management System/Software)

Kurumsal Belge Yönetimi Sistemi ya da Elektronik Belge Yönetimi Sistemidir (EBYS).

EDW

(Enterprise Data Warehouse)

Kurumsal Veri Ambarı (Enterprise Data Warehouse), veri analizi ve raporlama için kullanılan bir sistemdir. İş zekasının ana bileşenlerinden biri olarak kabul edilir. EDW (ya da DW), bir ya da daha fazla farklı kaynaktan gelen entegre verilerin merkezi havuzudur. İşletme genelindeki çalışanlar için analitik rapor yaratmada kullanılan güncel ve geçmiş veriyi tek bir yerde depolar.

EH&S

(Environmental Health and Safety)

Kurumların yürüttüğü çevre sağlığı ve güvenliği çalışmalarıdır.

Ekonomik Sipariş Miktarı

(EOQ) (Economic Order Quantity)

Bireysel sipariş kaynaklı maliyetleri, envanter taşıma maliyetleri ile dengelemeye çalışan çok boyutlu bir modeldir. Yıllık talebin kök iki katının sipariş maliyetiyle çarpımını, envanter taşıma maliyetinin (yüzde olarak) birim maliyetle çarpımına bölerek elde edilmektedir.

Elektronik Çalışma Talimatları

(EWI) (Electronic Work Instructions)

Kağıt tabanlı yöntemin aksine, öğrenmeyi daha etkileşimli ve keyifli hale getirmek için; videolar, görüntüler ve 3D görselleştirme ve simülasyon yazılımı şeklindeki görsel araçlardır.

Elektronik Tasarım Otomasyonu

(EDA) (Electronic Design Automation)

Elektronik Bilgisayar Destekli Tasarım olarak da adlandırılmaktadır. Baskılı devre kartları ve entegre devreler gibi sistemleri tasarlamak için kullanılan bir yazılım aracıdır.

Elektronik Toplu Kayıt

(EBR) (Electronic Batch Record)

Üretilen her partiye mahsus üretim verisini ortak bir belgede toplama yöntemi. Belge; kullanıcı tarafından elle girilen veriyle, önceden tanımlı veri kaynaklarından kurtarılan verilerin, otomatik olarak girilmesiyle tamamlanır.

Elektronik Veri Takası

(EDI) (Electronic Data Exchange)

Yapılandırılmış verinin, anlaşmaya varılmış bir mesaj standartı vasıtasıyla, bir bilgisayar sisteminden diğerine insan müdahalesi olmaksızın aktarımıdır.

En İyi Uygulamalar

(Best Practices)

Tekrar eden prosedürler yoluyla zaman içinde çok sayıda insana kendini kanıtlamış, bir görevi en verimli (en az çabayla) ve en etkili (en iyi sonuçlarla) şekilde tamamlayacak yol olarak ifade edilmektedir.

Endüstri 4.0

(Industry 4.0)

Nam-ı diğer Industrie 4.0, Alman üretiminde verimliliği ve rekabeti geliştirme hedefiyle Almanya’da ortaya çıkmıştır. Ancak, o zamandan beri tüm dünyada üretimde otomasyon ve veri takasının güncel trendlerini temsilen kullanılmaktadır.

Endüstriyel Haberleşme Protokolleri

(Fieldbus)

Gözden geçirilmiş, istisnai veya yoklamalı olay temelinde, endüstriyel ekipmanı hem denetleyicilerle hem de eş düzeydeki cihazlarla bağlamaya yarayan dijital bir ağ olarak nitelendirilmektedir.

Endüstriyel Nesnelerin İnterneti

(IIoT) (Industrial Internet of Things)

Nesnelerin İnterneti, olay odaklıdır ve kendi kendini iyileştiren bir sistemin aktif katılımcısı olmak adına, her cihaza -akıllı telefonlardan, akıllı raflara ya da sensörlü otomasyon kontrollerine- yetki verir .

Envanter Operasyonları Yönetim Modeli

(Inventory Operations Management Model)

Bu model, spesifik bir ambarın faaliyetlerini ve o ambarın otomasyon sistemleri ve manuel veri takasları (yani kağıt üzerinden) tarafından nasıl desteklendiğini analiz eder. Her bir faaliyetten hangi departmanların ya da kişilerin sorumlu olduğunu tanımlar, veri takasını nitelendirir ve sistem kullanıcılarını/sahiplerini listeler.

EPCM

(Engineering Procurement & Construction Management)

Mühendislik, Tedarik ve İnşaat Yönetimi (Engineering Procurement & Construction Management).

EPE

(Equipment Procedural Elements)

Ekipmanların Prosedür Unsurları (Equipment Procedural Elements).

Esnek Üretim Sistemi

(Flexible Manufacturing System)

İsteğe özel üretim gerekliliklerine (örneğin sipariş büyüklüğü 1 olan üretim için), tedarik ve taleplerdeki değişikliklere hızlıca tepki verebilen, esnek olabilen bir üretim sistemidir.

F

FAT

Fabrika Kabul Testi (Factory Acceptance Testing), montaj işlemi sırasında ve sonrasında ekipmanın tasarım özelliklerine uygun olarak yapıldığını ve çalıştığını doğrulayarak ekipmanları değerlendiren bir süreçtir.

FIFO

İlk Giren İlk Çıkar (First In Fırst Out) için bir kısaltma olan FIFO, en eski (ilk) girdinin ya da sıranın “baş”ındakinin ilk olarak işlendiği, veri arabelleğini organize etmek ve yönlendirmek için kullanılan bir yöntemdir.

FMEA

bkz. Hata Türleri ve Etkileri Analizi.

FMECA

FMEA’nın Hata Türleri, Etkileri ve Kritiklik Analizi (Failure Mode, Effects and Criticality Analysis) olarak adlandırılan uzantısı.

G

Geriye Doğru Çizelgeleme

Bir üretim çizelgesi oluşturmak için; gereken teslim zamanından geriye dönülerek, belirlenen zamanı karşılayacak şekilde başlangıç zamanına doğru gidilmesi yöntemidir .

Gıda ve İlaç İdaresi

(FDA) (Food and Drug Administration)

Amerika Birleşik Devletleri Sağlık ve İnsani Hizmetler Bakanlığı tarafından; ABD’de üretilen ya da satılan gıdaların, besin takviyelerinin, ilaçların, aşıların, biyolojik tıbbi ürünlerin, kan ürünlerinin, tıbbi cihazların, radyasyon yayan cihazların, veterinerlik ürünlerinin ve kozmetik ürünlerinin güvenliğini düzenlemek ve denetlemekten sorumlu bir devlet kurumudur.

H

HAACP

Tehlike Analizi ve Kritik Kontrol Noktaları (Hazard Analysis and Critical Control Points).

Hata Türleri ve Etkileri Analizi

(FMEA) (Failure Modes and Effects Analysis)

Olası sorunları hafifletmenin ve ürünün ya da sistemin kalitesini artırmanın daha kolay olduğu erken aşamalarda, kalite ve güvenilirlik problemlerini analiz etmek için kullanılan bir metodolojidir.

FMEA olası hata türlerini tanımlar ve ürün ya da sistem operasyonu üzerindeki etkilerini belirler. Daha sonra da hataları azaltmak için eylemler tanımlar. İlk ve en önemli adım neyin yanlış gidebileceğini öngörmektir, ardından da hataları ciddiyetine ve olma ihtimaline göre sınıflandırmaktadır. Hata türlerini tespit etmek, geliştirme takımının minimum çaba ve kaynak tüketimiyle o hataları dışarıda bırakarak tasarım yapabilmesini sağlar (böylece geliştirme zamanı ve masrafı düşmüş olur). FMEA, üretim endüstrilerinde ürün yaşam döngüsünün farklı aşamalarında sıkça kullanılmaktadır.

HAZOP

Tehlike ve İşletilebilirlik Çalışması (Hazard and Operability Study).

HCS

Karma Kontrol Sistemleri (Hybrid Control Systems).

HMI

İnsan Makine Arayüzü (Human Machine Interface). Ayrıca Adam-Makine Arayüzü (Man-Machine Interface, MMI) ya da Kullanıcı Arayüzü (User Interface, UI) olarak da bilinmektedir.

HSE

Sağlık, Güvenlik ve Çevre (Health, Safety and Environment).

I

IaaS

(Infrastructure as a Service )

Hizmet Olarak Altyapı (IaaS), internet üzerinden sanallaştırılmış bilgi işlem kaynakları sağlayan bir bulut bilişim biçimidir. IaaS, hizmet olarak yazılım (SaaS) ve hizmet olarak platform (PaaS) ile birlikte bulut bilişim hizmetlerinin üç ana kategorisinden biridir.

IDEFO

İşlev Modellemesi için Entegrasyon Tanımı (Integration Definition for Function Modeling). Analiz, geliştirme, yeniden yapılandırma ve bilgi sistemlerinin entegrasyonu, iş süreçleri ya da yazılım mühendisliği analizleri için işlevsel bir modelleme dili sunan üretim fonksiyonlarını tanımlamak adına kullanılan işlev modellemesi metodolojisidir.

IDEF0 da yazılım mühendisliği alanında IDEF modelleme dilleri ailesinin bir parçasıdır ve işlevsel modelleme dili Yapısal Çözümleme ve Tasarım Tekniği (Structured Analysis and Design Technique, SADT) üzerine kuruludur.

IEC

Uluslararası Mühendislik Konsorsiyumu (International Engineering Consortium) ya da Uluslararası Elektroteknik Komisyonu (International Electrotechnic Commission).

IEC 61131-3

Programlama dilleriyle ilgilenen ve iki grafik, iki de metin bazlı PLC programlama dili standardı tanımlayan IEC 61131’in 3. bölümüdür.

IEC 61508

Elektrikli ve/veya elektronik elemanlardan oluşan sistemlerin, işlevsel güvenliği için oluşturulmuş standarttır.

IEC 61511

Endüstriyel bir sürecin güvenliğini, cihazlar aracılığıyla sağlayan sistem mühendisliği uygulamalarını ortaya koyan teknik bir standarttır.

IEC 62443

ISA/IEC 62443, endüstriyel otomasyon ve kontrol sistemleri için güvenliği kapsayan ISA’in yeni bir standart serisidir.

IHS

Endüstriyel Sağlık ve Güvenlik (Industrial Health and Safety).

IL

Talimat Listesi (Instruction List), IEC 61131-3 standardı tarafından desteklenen beş dilden biri.

IMS

Envanter Yönetimi Yazılımı (Inventory Management Software).

INV

Envanter (Inventory).

IOM

Envanter Operasyonları Yönetimi (Inventory Operations Management)

IPEC

Başlat, Planla, Yürüt, Kontrol Et (Initiate, Plan, Execute and Control). Bir proje yönetiminin ana faaliyetleridir.

IQ

Kurulum Yeterliliği (Installation Qualification) testidir.

ISA-5.5

ISA-5.5-1985 İşlem Ekranları için Grafik Semboller (Graphic Symbols for Process Displays).

ISA-84

Proses endüstrileri için güvenlik cihazlı sistemlerin uygulanışını konu alan uluslararası standarttır.

ISA-88

bkz. ANSI/ISA-88.

ISA-95

bkz. ANSI/ISA-95 ISA Standartları Projesi 95. İşletme ve üretim entegrasyonu için standartları tanımlayan bir Enstrümantasyon, Sistem ve Otomasyon Topluluğu Fikir Birliği Komitesidir.

ISO

Uluslararası Standartlaştırma Organizasyonu (International Organization for Standardization).

ISO 14000

ISO Çevre Yönetimi Standartları. Şirketlerin işlemlerinin doğaya verdiği zararı en aza indirgemeye yardımcı olan bir çevre yönetimi standardıdır.

ISO 15926

Bilgisayarlar ve sistemler arasında veri entegrasyonu, paylaşımı, takası ve el değiştirmesi standardıdır.

ISO 9000

ISO Kalite Yönetimi Standartları (Quality Management Standarts). Kalite yönetimi sistemleri için bir standartlar ailesidir.

ISPE

Uluslararası İlaç Mühendisliği Topluluğu (International Society for Pharmaceutical Engineering).

İ

İleri Planlama ve Çizelgeleme

(APS) (Advanced Planning and Scheduling)

Talebi en iyi şekilde karşılamak adına verilen kısıtlamalar içinde, hammadde ve üretim kapasitesini tahsis eden üretim yönetimi sürecidir. APS özellikle, daha basit planlama yöntemlerinin çakışan öncelikler arasındaki karmaşık ödünlerin üstesinden gelemediği ortamlar için uygundur.

İleri Robotik

(Advanced Robotics)

Geliştirilmiş duyular, beceriler ve zekayla donatılmış yeni bir robot sınıfıdır. Bu robotlar deneyimlerinden öğrenebildikleri için, görevlerini önceden programlama yapmadan gerçekleştirebilirler. Sensörleri, çevrelerinden haberdar olmalarını sağlar ve bu etraflarındaki insanlar için daha güvenlidir.

İleri Süreç Denetimi

(APC) (Advanced Process Control)

Endüstriyel süreç denetimi sistemlerinde kullanılan çok çeşitli teknik ve teknolojiler bütünüdür.

İleri Üretim Araştırması

(AMR) (Advanced Manufacturing Research)

AMR artık Gartner’ın bir parçasıdır.

İlk Geçiş Verimi

(First Pass Yield)

Önceki işlere göre, incelemeleri iyi bir sonuçla geçen işlemin sonuç yüzdesi. Bireysel işlem bölgelerinin verimliliğinin bir ürünüdür.

İnsan Makine Arayüzü

(HMI) (Human Machine Interface)

Bir üretim ya da proses kontrol sisteminde kullanıcı arayüzü olarak davranan bir yazılım/donanım sistemi. Endüstriyel kontrol ve gözlem sisteminin grafik tabanlı bir görselleştirmesini sunabilir. Ayrıca adam-makine arayüzü (MMI) ya da kullanıcı arayüzü (UI) olarak da bilinmektedir.

İrsaliye

(Dispatch List)

Bir iş merkezi için, teslim tarihi, kritik oranı ve diğer birtakım hususları baz alarak, siparişleri üretilme sıralarına göre dizen üretim önceliği çizelgesidir.

İş Etmenleri

(Business drivers)

İşletmenin, stratejisinin başarılı olması için iyi olması gereken unsurlardır (kritik başarı faktörleri olarak da adlandırılır).

İş Gereksinimleri Belgesi

(BRD) (Business Requirements Document)

Bir uygulamayı veya sistemi işletme faydası açısından tanımlayan bir gereksinim beyannamesidir. Ayrıca bir kullanıcı gereksinim beyannamesine (URS) alternatif veya ek olarak kullanılır.

İş Hizmetleri

(SOA Katmanı) (Business Services, SOA Layer)

SOA mimarisinin bir unsurudur. Bu, temel IT sistemlerine “öncülük” eden hizmetleri içeren, entegrasyon katmanının üstündeki soyutlama katmanıdır. Bu hizmetler SOA içinde çalışmakta ve iş uygulamalarını saran Web Hizmeti Tanımlama Dili (WSDL) kullanarak temsil etmektedir. İş hizmetleri, İş Süreci Şablonları tanımında açıklanan bileşik üretim uygulamalarının birleşimi için yapı taşları olduğundan, üretim sistemleri entegrasyonu için önemlidir.

İş Nesnesi Belgeleri

(BOD) (Business Object Documents)

AGIS tarafından sağlanan genel XML mesaj yapısı, aşağıdaki yeniden kullanılabilir bileşenlere dayanan bir mesaj mimarisi sağlar:

İsimler, ortak bir iş nesnesini tanımlar ve tüm isimler tarafından paylaşılan, temel yapı taşları olan bileşenlerden oluşur.
Fiiller, isme uygulanan işlemi tarif eder.

İş Performansı Yönetimi

(BPM) (Business Performance Management)

İşletmelerin stratejik hedefleri tanımlamasına ve sonrasında bu hedeflere göre performansı ölçmesine ve yönetmesine yardımcı olan, teknoloji destekli bir dizi yönetimsel ve analitik süreç. Temel BPM süreçleri, stratejiyle bağlantılı temel performans göstergelerinin finansal ve operasyonel planlamasını, konsolidasyon ve raporlamasını, iş modellemesini, analizini ve izlenmesini içerir.

BPM, çeşitli kaynaklardan gelen verilerin birleştirilmesini, sorgulanmasını ve analiz edilmesini, ardından da sonuçlarını uygulamaya geçirilmesini içerir. Daha iyi geri bildirim döngüleri oluşturarak, süreçlerin iyileştirilmesini sağlar. Sürekli ve gerçek zamanlı incelemeler, sorunları büyümeden önce tanımlamaya ve gidermeye yardımcı olabilir.BPM, şirketlerin, proje ve çalışanlarının operasyonel hedeflere karşı verimliliğini izlemelerine yardımcı olan temel performans göstergeleri (KPI'lar) sunar. MESA, üretim süreçleri için performansı ölçmek adına “MESA Fark Yaratan Ölçüler” adıyla bir ölçü seti oluşturmuştur.

İş Süreci Modelleme Formülü

(BPMN) (Business Process Modeling Notation)

Üretimde uygulanabilir iş süreçlerini temsil eden bir İş Süreci Modellemesi standardıdır. Aynı zamanda endüstri standartları içindeki iş süreçlerini de temsil etmektedir.

İş Süreci Modellemesi

(BPM) (Business Process Modeling)

Bir şirketin iş süreçlerinin analizi ve şematik çizimi olan BPM; genellikle süreç verimliliğini ve kalitesini artırmak isteyen, iş analistleri ve yöneticileri tarafından gerçekleştirilir.

BPM tarafından belirlenen süreç iyileştirmeleri, bilgi işlem teknolojisinin dahil edilmesini gerektirebilir veya gerektirmeyebilir, ancak bu durum bir süreç yöneticisi yaratarak iş sürecinin modellenmesi ihtiyacına dair yaygın bir çözümdür. Üretim sistemlerinde, BPM modele de üretim sürecinin kendisine de uygulanabilir, böylece hem analizi hem de süreç kontrolü desteklenmiş olur.

İş Süreci Şablonları

(SOA Katmanı) (Business Process Templates, SOA Layer)

SOA mimarisinin bir unsurudur. İş süreci katmanı, bileşik uygulamalar yaratmak için iş hizmetleri katmanındaki hizmetleri bir araya getirerek, yaratılan iş süreçlerini içerir.

Bileşik uygulamalar, SOA içinde uygulama geliştirmesi yapmanın yeni bir yoludur. Bileşik uygulamalar, üretim sistemlerinde ve “Üretim 2.0” bakış açısından önemlidir, çünkü hem üretim tesislerinde hem de işletme uygulamalarındaki kapasiteleri, kullanım senaryoları uygulamak için yaratılabilirler.

İş Zekâsı

(BI) (Business Intelligence)

Veriye erişim sağlamak, veriyi analiz etmek, depolamak ve toplamak için kullanılan uygulama ve teknolojiler kategorisidir.

İşbirlikçi ya da Güncel İyi Üretim Uygulamaları

(cGMP) (Collaborative, or Currently, Good Manufacturing Practices)

Gıda ve eczacılık ürünlerinin kalite kontrol testleri ve üretiminin yönetimi ve devlet kontrollerine dair dünya çapında kullanılan bir terimdir.

İşbirlikçi Üretim

(Collaborative Manufacturing)

Bir üretim şirketinin içinden; tedarikçilerine, müşterilerine ve ortaklarına uzanan, uçtan uca işi ve tedarik zinciri sürecini düzene sokup, alınacak kararlar için daha kapsamlı ve tutarlı bir bilgi sunan, bireyler ve organizasyonlar için ortak faydaya dayalı bir stratejidir.

İşgücü Yönetimi

(Labor Management)

Kalifiyelerine, çalışma biçimlerine ve iş ihtiyaçlarını baz alarak, personel kullanımını vardiya sırasında takip etme ve yönetme olarak açıklanmaktadır.

Personelin en yeni zaman dilimindeki durumunu verebilir. Zaman ve katılım rapor ile sertifika takibini içermekle birlikte, malzeme hazırlığı ya da araç gereç odasındaki işler gibi dolaylı aktivitelerin takibini de yapabilir. Optimal atamaları belirlemek için kaynak tahsisiyle etkileşim de kurabilmektedir.

İşletmeden Tüketiciye

(B2C) (Business to Consumer)

İnternette, e-ticaretin perakende kısmını anlatmak için kullanılan en yaygın terimdir. Ancak, B2C aynı zamanda toptancılarla birlikte, üretimin ve nakliyenin doğrudan tüketiciye gitmesini sağlayan fabrikadan halka satış sözleşmelerine katılmış üreticiler için de geçerlidir.

İşletmeden Üretime Biçimlendirme Dili

(B2MML) (Business to Manufacturing Markup Language)

Dünya genelinde IEC/ISO 62264 olarak bilinen ANSI/ISA-95 standart ailesinin bir XML uygulamasıdır. B2MML, veri modellerini ISA-95 standartlarında uygulayan Dünya Çapında Web Konsorsiyumu’nun (World Wide Web Consortium) XML şemasını kullanarak yazılan XML şemaları setidir. B2MML, ANSI/ISA-95.00.02-2001’in eksiksiz bir uygulamasını sağlar.

Bölüm 1 ve Bölüm 2’deki tüm nesne modelleri ve nesneler B2MML’de uygulanmıştır. B2MML, ANSI/ISA-95.00.02-2001 ile aşağıdaki şekilde uyum sağlar;

tB2MMl, ANSI/ISA-95.00.01-2000 Madde 7’de tanımlanan terminolojiyi kullanır.
tB2MML, ANSI/ISA-95.00.02-2001 Madde 4’te tanımlanan özellikleri kullanır.
tB2MML’in hiyerarşik yapısı, unsur isimleri ve özellik isimleri kısmen ANSI/ISA-95.00.02-2001’deki nesne modelleri, nesneler ve özelliklerle uyumludur. Kısmi uyumluluk, WBF şemalarında kullanılan önerilerin yanı sıra, Dünya Çapında Web Konsorsiyumu’nun XML şema önerileri tarafından getirilen kısıtlamalardan kaynaklanmaktadır.

İşletmeden İşletmeye

(B2B) (Business to Business)

İşletmeden tüketiciye (Bkz. B2C) veya işletmeden hükümete (B2G) yapılan elektronik ticaretin aksine, işletmeler arasındaki elektronik ticaret işlemlerini tanımlamak için yaygın olarak kullanılan bir terimdir.

İşlevsel Dağılım Yapısı

(FBS) (Functional Breakdown Structure)

Kapsamlı bir görevi yerine getirmesi için ele alınan her bir işlevin, yapılandırılmış ve modüler şekilde dağıtılmasıdır. Ayrıca görevin herhangi bir altkümesi için de kullanılmaktadır. İş dağılımı yapısının (WBS) aksine, FBS işlev odaklı bir ağaçtır, ürün odaklı değil.

İyi Üretim Uygulamaları

(GMP) (Good Manufacturing Practices)

Gıdaların, ilaçların ve tıbbi cihazların, üretim ve kalite kontrol yönetimi ile denetimi için dünya çapında kullanılan terimdir. GMP'ler, üretimin bir ürünün kalitesini hangi açılardan etkileyeceğini özetleyen rehberlerdir.

J

K

Kaizen

Gelişim anlamındaki Japonca terim; herkesi -yöneticileri ve çalışanları- kapsayan sürekli gelişimi ifade eder.

Üretimde Kaizen ise; makinelerde, işgücünde ve üretim yöntemlerinde fazlalığı bulup çıkartmakla ilişkilendirilir.

Kanban

Yalın ve tam vaktinde üretimle alakalı bir kavramdır. Kanban bir aksiyonu tetiklemek için kullanılan sinyal sistemidir. Tarihsel olarak bir nesneye olan ihtiyacın sinyalini vermek için kartlar kullanılmaktadır. Ancak, plastik işaretleyiciler (Kanban kareleri), toplar (çoğunlukla golf topları), boş el arabası gibi araçlar ya da zemindeki bir konum; hareketi, üretimi ya da fabrikadaki bir birimin tedariğini tetikleyebilir.

Kanonik Model

(Canonical Model)

İyi tanımlanmış bir standart tanımını, bu durumda takas edilen verileri temsil eden standart tanımı izler. Üretime uygulanabilirlikte, operasyonel veri depoları için ya da işletme içindeki sistemler arasında depolanan veya değiştirilen üretim bilgilerinin temsilini normalleştirmek adına, bilgi entegrasyonu için genellikle kanonik bir model tanımlamak istenir. ISA-95 gibi standartlar bu tarz bilgi modelleri için temel olarak kullanılmaktadır.

Kapasite Planlaması

(Capacity Planning)

Kapasite Gereklilikleri Planlaması olarak da adlandırılmaktadır. Bir organizasyon için, verilen talep ölçüleri içinde (üretim çizelgesi gibi) üretim gerekliliklerini belirleme sürecidir.

Karma İşlem

(Hybrid Process)

Sürekli, parti halinde ve kesikli üretimin bir kombinasyonu olarak tanımlanmaktadır (örneğin; bir meyve suyu üretmek ve satış için ambalajlamak).

Katmanlı Üretim

(Additive Manufacturing)

3B yazıcılar. Tek bir üretim adımında, özellikle karmaşık geometrilerden veya ürünleri birden fazla malzemeden oluşan üreticilere destek sağlamaktadır. Bununla birlikte, yüksek düzeyde özelleştirilmiş ürünler için de daha verimli üretim süreçleri vaat etmektedir.

Kaynak Listesi

(BOR) (Bill of Resources)

Satılabilir bir ürünü tamamlamak için gereken kaynakların (iş gücü gibi) bir listesidir. BOR, kritik kaynakları vurgulayarak üretim kaynak planlamasında (MRP II) ve kurumsal kaynak planlamasında (ERP) işleri öncelik sıralamasına koymak ve çizelgeye oturtmak için yapılan kapasite planlamasında kullanılmaktadır.

Kesikli Süreç

(Discrete Process)

Üretilen münferit ürünlerin, kolayca tanımlanabildiği bir üretim sürecidir (örneğin; bir cep telefonu, pil, tıbbi aygıt).

Kesikli Üretim

(Discrete Manufacturing)

Genellikle münferit, ayrı birim üretimi, düşük birim hacmi, yüksek ürün karmaşıklığı, değişken teslim süreleri olan ve stoktan ziyade siparişe göre üretim ile karakterize edilen üretim ortamıdır.

Kesinti

(Downtime)

Ekipmanların tamire ihtiyaç duymasından dolayı makinenin çalışmadığı zaman dilimidir.

Kimya Endüstrisi Veri Takası

(CIDX) (Chemical Industry Data Exchange)

Geçmiş yıllarda kimya endüstrisinde, elektronik ortamda güvenli bir şekilde iş yapmanın kolaylığını, hızını ve maliyetini düzeltmeye yönelik kurulmuş olan ve kâr amacı gütmeyen bir endüstri odak grubudur. 2008’de CIDX, IP’sini ve standartlarını OAGi’ye aktararak kuruluşun varlığını sonlandırmştır.

Knoop

Özellikle mekanik sertlik testi amacıyla, sadece küçük bir girinti yapılabilen kırılgan malzemeler veya ince tabakalar için kullanılan bir mikro sertlik testidir.

Konsept Teslimat

(Concept-to-Delivery)

Yeni bir ürün sunmak için, yeni üretim süreçlerinin oluşturulmasıdır.

Kontrol Planı

(Control Plan)

Kalite yönetimi sürecinin bir parçasıdır. Kontrol planı, gözlemlenen parametreleri, örnek boyutlarını ve frekansları tanımlamaktadır.

Kontroller

(Controls)

Genellikle, Dağıtılmış Kontrol Sistemleri (DCS), Programlanabilir Akıllı Kontrol Cihazları (PLC), Dağıtılmış Sayısal Denetim (DNC), Merkezi Denetim ve Veri Toplama (SCADA) sistemleri ile üretimi kontrol etmek için tasarlanmış diğer bilgisayarlı süreç denetimlerinden oluşan, karma donanım/yazılım sistemleridir.

Koordinat Ölçme Makinesi

(CMM) (Coordinate Measuring Machine)

Bir operatör tarafından manuel olarak ya da bilgisayarla kontrol edilen, bir nesnenin fiziksel geometrik özelliklerini ölçmeye yarayan aygıttır. Makinenin üçüncü hareketli eksenine takılan bir sonda, ölçümleri tanımlar. Sondalar mekanik, optik, lazer ya da beyaz ışıklı olabilmektedir.

Kritik Başarı Faktörü

(CSF) (Critical Success Factor)

Bir kuruluşun ya da projenin misyonunu gerçekleştirmesi için gerekli olan unsurlardır. Bir işin başarıya ulaşmasını garantilemek için kritik faktörler ya da eylemler önem arz etmektedir.

Kritik Kalite Karakteristikleri

(CTQ) (Critical-to-Quality)

Müşteriyi tatmin etmek için, performans standartları ya da şartname kısıtları karşılanması gereken bir ürünün ya da işlemin temel ölçülebilir özellikleridir.

Kurumsal Belge Yönetimi Sistemi

(EDMS) (Enterprise Document Management System)

Kurumsal Belge Yönetimi Sistemi (EDMS) (Enterprise Document Management System).

Kurumsal Kalite Yönetimi Sistemi

(EQMS) (Enterprise Quality Management System)

QMS için gereken birçok fonksiyonu otomatize eden bir kurumsal yazılım kategorisidir. Üretim ve değer zinciri boyunca, kalite ve uyum için veri süreçleri ile iş süreçlerini yönetir.

EQMS fonksiyonları, olumsuz kalite durumları ve uygunsuz ürünlerin araştırılmasını sağlar. Aynı zamanda, bağlantılı düzeltme eylemlerinin ve risk azaltmanın kontrolünü kolaylaştırır.

Kurumsal Karne

(Balanced Scorecard)

Robert S. Kaplan ve David P. Norton tarafından geliştirilmiştir. Muhasebe, müşteri, şirketin dahili iş süreci ve çalışanların öğrenme ve büyüme perspektiflerinin kombinasyonuna bakarak, kurumsal başarıyı analiz eden bir iş performansı ölçüm ve yönetim sistemidir.

Kurumsal Kaynak Planlaması

(ERP) (Enterprise Resource Planning)

Üretim, sipariş girdisi, alacak ve borç hesapları, genel muhasebe, satın alım, depolama, nakliye ve insan kaynakları için bir planlama sistemidir. İşin tüm kaynaklarını, bilgilerini ve işlevlerini koordine etmek ve yönetmek için, organizasyon genelinde bir bilgisayar yazılımı sistemi (SAP vb.) kullanılması yöntemidir.

Kurumsal Portföy Yönetimi

(EAM) (Enterprise Asset Management)

Değeri en üst düzeye çıkartmak için, bir kuruluşun fiziksel varlıklarının ömrü boyunca optimal şekilde yönetilmesi uygulamasıdır. EAM; tasarımı, yapımı, hizmete sokmayı, operasyonları, bakımı ve bir atölyenin, ekipmanın ya da tesisin hizmetten çıkarılmasını veya değiştirilmesini kapsar. “Kurumsal” ifadesi ile departmanlar, mekanlar, tesisler ve bazı durumlarda iş birimleri arası portföy yönetimi anlatılmaktadır. Varlıkları, tesisler arası yöneterek; organizasyonel faydayı ve performansı artırırken sermaye maliyetini düşürür. Aynı zamanda portföyle alakalı işlem masraflarını azaltır, portföy ömrünü uzatır ve düzenli olarak ROA’yı (aktif karlılık) geliştirir.

Kurumsal Uygulama Entegrasyonu

(EAI) (Enterprise Application Integration)

Yazılım ve bilgisayar sistemlerinin mimari prensiplerini kullanarak oluşturulmuş olan, bir grup kurumsal bilgisayar uygulamasının entegrasyonudur. “Topla ve dağıt (hub and spoke)” entegrasyon yöntemi, yani iletişimin nihai hedefine varmadan önce tek bir merkezi noktadan geçmesidir. Merkez (hub), mesajı nihai hedefine göndermeden önce yönlendirme, dil çevirisi, sıralama işlemleri ve mesajın içeriğiyle protokolüne aracılık etmekten sorumludur.

Kurumsal Veri Ambarı

(EDW) (Enterprise Data Warehouse)

Konsolide veri analizi için birden fazla operasyonel veri kaynağından entegre edilmiş, işletme geneli bilgileri içeren veri havuzudur. DEW genellikle müşteriler, ürünler ve satışlar gibi birkaç konunun birleşiminden oluşur ve 50 GB ile 1 TB arası boyutlarda değişebilmektedir.

Kurumsal Veri Yolu

(ESB) (Enterprise Service Bus)

Entegrasyon mesajlarını takas etmek için kullanılan standart modeldir. ESB, farklı dillerde yazılmış ve farklı platformlarda çalışan yazılımların bağlanmasını sağlar.

Üretim ortamlarında ESB üzerinden iletilen hizmetler; veri takası yapabilir, metrik ve iş akışı ya da iş proses motoru sağlayabilir.

Kurumsal Üretim Zekası

(EMI) (Enterprise Manufacturing Intelligence)

Endüstriyel dünyaya uyarlanmış bir iş zekası uzmanlığıdır. Bazen sadece “Üretim Zekası (Manufacturing Intelligence)” ya da “MI” olarak da ifade edilir.

Kurumsal İşlev

(Enterprise Function)

Bir kurumu diğerinden ayıran ve kuruma piyasadaki katma değerini veren iş pratiğini içeren sektördür (örneğin; petrol ve gaz, üretim sanayi ya da havacılık).

L

Laboratuvar Bilgi Yönetimi Sistemi

(LIMS) (Laboratory Information Management System)

Örneklerin, laboratuvar kullanıcılarının, cihazların, standartların ve faturalama, levha yönetimi ya da iş akışı otomasyonu gibi diğer laboratuvar fonksiyonlarının yönetimi için, laboratuvarlarda kullanılan bir yazılım sistemidir.

LIFO

Son Giren İlk Çıkar (Last in First out).

LISI Modeli; Bilgi Sistemlerinin Birlikte Çalışabilirlik Seviyeleri

(LISI Model)

"Levels of Information Systems Interoperability" Referans Modeli, bilgi sistemleri arasında birlikte çalışabilirliği aşama aşama artırmak için sunulan bir mantıksal yapı ve disiplin ya da “vade modeli (maturity model)”dir.

LLC

Toplam Maliyet (Life-Cycle Cost) Analizi, her birinin teknik uygulamalarının eşit derecede uygun olduğu; satın alım, sahip olma, çalıştırma, bakım ve son olarak bir nesne ya da işlemden kurtulmak konularındaki farklı alternatiflerin arasından en düşük maliyetli olanı belirlemek için kullanılan bir araçtır.

Lojistik Yönetimi

(Logistics Management)

Ürünlerin akışını üretim kaynağından pazara kadar takip ve kontrol etme sürecidir.

M

Makine Bilgi Yönetimi Açık Sistemler İttifakı

(MIMOSA) (Machinery Information Management Open Systems Alliance)

Üretim, filo ve tesis ortamlarındaki işlemler ve bakım için açık bilgi standartlarının benimsenmesini geliştirmeye ve teşvik etmeye yönelik, kar amacı gütmeyen bir ticaret birliğidir.

MIMOSA'nın açık standartları, hem ticari hem de askeri uygulamalarda ortak varlık yaşam döngüsü yönetimini mümkün kılar. MIMOSA, Kurumsal Uygulama Entegrasyonu (EAI) ve Koşul Tabanlı Bakım (CBM) için, varlık ve ekipmana dair detaylı modeller de dahil olmak üzere, XML tabanlı teknik özellikler yayınlamaktadır.

Malzeme Gereklilikleri Planlaması

(MRP) (Material Requirements Planning)

Üretim Kaynakları Planlaması (MRPII) sisteminin öncülüdür.

Malzeme Güvenlik Bilgi Formu

(MSDS) (Material Safety Data Sheet)

Tehlikeli malzemelerin ithalatında kullanılan ve maddenin içeriğini, özelliklerini ve ilgili sağlık ve güvenlik risklerini belirten bir belgedir. MSDS, denetim ve güvenli idare yöntemleri, son kullanma tarihi ve diğer zamansal kısıtlamalar gibi detayları da içermektedir.

Malzeme İnceleme Kurulu

(MRB) (Material Review Board)

Kullanılabilirlik endişeleri nedeniyle, bekletilen ürünü ya da satın alınan malları inceleyen ve yeniden işleme, hurda ya da iade gibi elden çıkarma yöntemlerini değerlendiren çok fonksiyonlu ekiptir.

MAP

Üretim Otomasyon Protokolü (Manufacturing Automation Protocol).

Merdiven Şeması

(Ladder Diagram)

Merdiven mantığında çalışan bir programın temsilidir.

Mesaj Odaklı Aracı Yazılım

(MOM) (Message Oriented Middleware)

İstemci / sunucu mimarisinin her iki bölümünde de bulunan ve genellikle istemci ile sunucu uygulamaları arasındaki eşzamansız çağrıları destekleyen yazılımdır.

Metcalfe Yasası

(Metcalfe’s Law)

Ağdaki bilgisayar sayısının karesi arttıkça büyüyen, ağdaki olası çapraz bağlantıların sayısından türetilmiştir.

MESA

Üretim İşletmeleri Çözümleri Derneği (Manufacturing Enterprise Solutions Association).

MFG

Üretim (Manufacturing).

MHI(A)

American Malzeme Taşıma Sanayisi (Material Handling Industry (of America)), ABD’nin malzeme taşıma ve lojistik endüstrisini temsil eden bir ticaret birliğidir.

MM

SAP ERP sistemi için bir Malzeme Yönetimi (Material Management) modülüdür.

MO&C

Üretim Operasyonları ve Denetimi (Manufacturing Operations & Control).

MOC

Üretim Operasyonları Kategorileri (Manufacturing Operation Categories).

Model Bazlı Kurum

(Model-based Enterprise)

İşletme genelinde ayrıntılı ve paylaşılan 3B ürün tanımlaması üzerine kurulu, tamamen entegre ve işbirliğine dayalı bir ortam vizyonudur. Amaç, konseptinden imhasına kadar ürünlerin; hızlı, kesintisiz ve uygun maliyetli yayılımını sağlamaktır.

Bir MBE'nin temel unsurları, 3D modelini içeren tek bir dijital ana veri kümesi olması ve gerekli tüm ürün verilerinin edinme, bakım ve işlemlerin tüm yönlerinde maksimum yeniden kullanımını destekleyen güvenli ve kontrollü bir ortamda bulunmasıdır.

Model Bazlı Tanım

(Dijital Ürün Tanımı) (Model-based Definiton (Digital Product Definition))

Tek tek bileşenleri ve ürün montajlarını tanımlamak (spesifikasyonlarını sağlamak) için, 3D CAD yazılımı içinde 3D modeller (katı modeller, 3D PMI ve ilgili meta veriler gibi) kullanma pratiğidir.

Model Bazlı Üretim

(Model-based Manufacturing)

Ürün tasarımını tanımlayan, 3D modellerin içeriğini inceleme ve üretim süreçlerini esas alıp değerlendirme pratiğidir.

Montaj

(Assembly)

Bir üretim süreci yöntemi.

MOMS

Üretim Operasyonları Yönetimi Sistemi. (Manufacturing Operations Management System).

MPI

Üretim Verimliliği İndeksi (Manufacturing Productivity Index).

MPI

Üretim Karlılığı İndeksi (Manufacturing Profitability Index).

MPM

Üretim Süreci Yönetimi (Manufacturing Process Management).

MPS

Ana Üretim Programı (Master Production Schedule).

MRO

Bakım Tamir ve Operasyonları (Maintenance Repair and Operations).

MTA

Üretim Dönüşüm Değerlendirmesi (Manufacturing Transformation Assessment).

MTBF

Bozulmalar Arası Ortalama Zaman (Mean Time Between Failures).

MTS

Üretim Dönüşüm Stratejisi (Manufacturing Transformation Strategy).

MTTR

Tamir için Ortalama Zaman (Mean Time to Repair).

MTU

Ana Terminal Birimi (Master Terminal Unit).

Müşteri İlişkileri Yönetimi

(CRM) (Customer Relationship Management)

Bir şirketin müşterileri ve satış olanakları ile olan etkileşimlerini yönetmek ve büyütmek için kullandığı, geniş çapta bilinen ve yaygın olarak uygulanan bir stratejidir. develop CRM; başta satış aktiviteleri olmak üzere, pazarlama, müşteri hizmetleri ve teknik servis bölümlerini; organize, otomatize ve senkronize etmek için teknolojiyi kullanır. Genel hedefler; yeni müşterileri bulmak, çekmek ve kazanmak, şirketin hâlihazırda sahip olduklarını beslemek ve korumak, eski müşterileri yeniden saflarına çekmek, pazarlama ve müşteri hizmetleri maliyetlerini düşürmektir.

N

Nakit Döngüsü Süresi

(Cash-to-Cash Cycle Time)

Bekleyen alacakların gün sayısına, envanter günü sayısını ekleyip; ödenmemiş borçların günlerinin çıkarılmasıyla tanımlanan sürekli bir ölçümdür. Sonuç, kuruluşun tedarik zincirini yönetmeye bağladığı işletme sermayesi gün sayısını verir.

NEMA

Ulusal Elektrikli Malzeme Üreticileri Birliği (National Electrical Manufacturers Association).

Nesnelerin Interneti

(IoT) (Internet of Things)

Nesnelerin İnterneti olay odaklı, kendi kendini iyileştiren bir sistemin aktif katılımcısı olmak adına, her cihaza -akıllı telefonlardan akıllı raflara ya da sensörlü otomasyon kontrollerine- yetki verir. Endüstriyel ya da üretim bağlamında daha yaygın olarak kullanılan terim “Endüstriyel Nesnelerin İnterneti” ya da “IIoT”dir.

Nesnelerin Yapay Zekası

(AIoT) (Artificial Internet of Things)

Nesnelerin Yapay Zekası hakkında yazdığımız içerikten detaylı bilgi edinebilirsiniz.

NIIIP

Ulusal Endüstriyel Bilgi Altyapısı Protokolleri Konsorsiyumu (The National Industrial Information Infrastructure Protocols Consortium). Ulusal üretim bazında, heterojen bilgi ortamlarının birlikte çalışılabilirliğini sağlamak adına açık endüstri yazılım protokolleri geliştirilmiştir. NIIIP, Temmuz 2015’ten itibaren aktif değildir.

NIST

Birleşik Devletler Ulusal Standartlar ve Teknoloji Enstitüsü (United States National Institute of Standards and Technology).

NPD

Yeni Ürün Geliştirme (New Product Development).

NPI

bkz. Yeni Ürün Tanıtımı.

NSF

Birleşik Devletler Ulusal Bilim Vakfı (Amerika Birleşik Devletleri Ulusal Bilim Vakfı).

O

O&G

(Oil & Gas)

Petrol ve Gaz

O&M

Operasyonlar ve Bakım

(Operations & Maintenance)

OAGSIS; Açık Uygulamalar Grubu Entegrasyon Şartnamesi

The Open Applications Group Integration Specification)

İş mesajlarını tanımlamak için ortak bir alfabe olarak XML kullanan, bilgi entegrasyonu ile işletme ve iş uygulamalarının iletişim kurmasına izin veren iş süreçlerini (senaryolarını) belirlemek için standart bir kurumsal dil sağlama çabasıdır.

OEM

Orijinal Ekipman Üreticisi (Original Equipment Manufacturer)

OEM, bir ürünü aslen üreten şirkettir.

OMAC

(Organization for Machine Automation and Control)

Makine Otomasyon ve Denetim Organizasyonu.

OMG

(Object Management Group)

Nesne Yönetim Grubu.

OMS

Operasyon Yönetimi Sistemi (Operations Management System)

Operasyonel Yönetim Sistemi, şu operasyonel yönetim kavramlarına odaklanır;

Liderlik
Risk Yönetimi
Sürekli Gelişim
OMS genelde petrol ve gaz endüstrisinde kullanılır.

OOS

(Out of Stock)

Stokta yok anlamına gelen bir endüstriyel terimdir.

OPC

Açık Platform İletişimleri (Open Platform Communications)

Önceden “Süreç Denetimi İçin Nesne Bağlama ve Gömme (Object Linking and Embedding for Process Control)” olarak bilinen OPC, 1996’da kontrol cihazlarıyla farklı üreticiler arasında, gerçek zamanlı atölye verilerinin iletişiminde uzmanlaşmış bir endüstriyel otomasyon endüstrisi çalışma kolu tarafından geliştirilmiştir. İlk piyasaya sürülüşünden sonra, OPC Derneği standardını korumak için kurulmuştur.

OPC Derneğinin resmi duruşu, OPC'nin artık bir kısaltma olmadığı ve teknolojinin sadece OPC olarak bilindiğidir. OPC teknolojileri artık, bilgilerin farklı sistemler ve platformlar arasında değiş tokuş edilmesine izin vermektedir. Bu bağlamda bir satıcı, platform ya da uygulamaya taraf değildir. İki sistem arasında bilgi alışverişinde bulunmak, masraflı ve ısmarlama yazılım geliştirmeyi ortadan kaldırmaktadır.

OPC A&E

(OPC Alarms & Events)

OPC Uyarıları ve Olayları.

OPC DA

OPC Veri Erişimi (OPC Data Access)

OPC DA, birlikte çalışılabilirlik için COM/DCOM protokollerine ihtiyaç duyması sebebiyle, Windows işletim sistemine özeldir.

OPC HDA

(OPC Histroical Data Access)

OPC Tarihsel Veri Erişimi.

OPC UA ya da OPC Tümleşik Mimari

(OPC UA or OPC Unified Architecture)

OPC Derneğinin yeni önerdiği standartlardır. OPC UA’nın odağı kurum veri entegrasyonudur.

OPC XMLDA

(OPC XML Data Access)

OPC XML Veri Erişimi.

Ortalama Bozulma Zamanı

(MTTF) (Mean Time to Failure)

Genellikle bir ürünün güvenilirlik ve performans ölçüsü olarak kullanılan bu değer; çoğunlukla test edilen birimlerin toplam çalışma saatlerini, karşılaşılan toplam hata sayısına bölerek bulunur. Yalnızca katlanarak (üssel) dağıtıldığında geçerli olan (hata oranının sabit olacağını öngören zayıf bir tahmin) bu metrik, o zaman bir ürünün güvenilirliği için yegane ölçüt olarak kullanılmaktadır.

Otomatik Tanıma

(Auto ID)

Otomatik tanıma -mesela barkodlar- genellikle etiketlere bastırılıp tanımlanacak ürünlerin üzerine yapıştırılan, değişen çubuklar ve boşluklar dizisidir. Bu teknoloji, otomatik tarayıcıyla birlikte kullanıldığında bilgisayar sistemine veri girişini hızlandırabilmektedir. Günümüzde Otomatik Tanıma artık RFID ya da Kare Kod (QR) gibi daha yeni teknolojileri de içeriyor

Otomotiv Endüstrisi Eylem Grubu

(AIAG) (Automotive Industry Action Group)

Michigan/Southfield merkezli, başlangıçta Kuzey Amerika Otomotiv Endüstrisinde kalitenin iyileştirilmesine yönelik öneriler ve bir çerçeve geliştirmek için kurulan, kâr amacı gütmeyen bir dernektir. En büyük üç Kuzey Amerika otomotiv üreticisinden (Ford, General Motors ve Chrysler) ileri görüşlü bir grup, tarafından 1982 yılında kurulmuştur.

Üye sayısı Toyota, Honda ve Nissan gibi Japon şirketlerini, Caterpillar Inc. ve Navistar International gibi hafriyat ve ağır kamyon üreticilerini ve onların parça tedarikçilerinin ve servis sağlayıcılarının çoğunu da kapsayacak şekilde zamanla artmıştır. Üye şirketler, bireyin zamanını, endüstrinin genel yararına yönelik tavsiyeler ve en iyi uygulamaları geliştirmek amacıyla, AIAG'deki rekabetçi olmayan açık bir foruma bağışlamıştır.

Ö

P

PaaS

(Platform as a Service )

Hizmet Olarak Platform (PaaS), üçüncü taraf bir sağlayıcının internet üzerinden kullanıcılara donanım ve yazılım araçları sunduğu bir bulut bilişim modelidir. Genellikle bu araçlar uygulama geliştirme için gereklidir. Bir PaaS sağlayıcısı, donanımı ve yazılımı kendi altyapısında barındırır.

Parti

(Batch)

Bir üretim usulüdür.

Parti Biçimlendirme Dili

(BatchML) (Batch Markup Language)

ISA-88’in bir XML uygulamasıdır.

Parti Yönetimi

(Batch Management)

Partiler halinde işlenen bir malzemenin kısmi miktarlarının, stokta ayrı olarak yönetilmesine izin veren bir üretim fonksiyonudur.

Portföy Yaşam Döngüsü Yönetimi

(ALM) (Asset Lifecycle Management)

Portföy Yaşam Döngüsü Yönetimi (ALM), varlıklarınız tarafından yaratılan kârı, kullanım ömürleri boyunca optimize etme işlemidir. Kapsamlı varlık portföy yönetimi, titiz proje yürütme, etkili ve verimli varlık yönetimi uygulamaları, istenen sonuçların elde edilmesini sağlamaktadır.

Q

R

Robotik Süreç Otomasyonu

(Robotic Process Automation) RPA

Robotik süreç otomasyonu (RPA), yapay zeka ile yazılımın kullanımı ve daha önce insanlar için gerekli olan yüksek hacimli, tekrarlanabilir görevleri ele alan makine öğrenme yetenekleridir. Bu görevler sorguları, hesaplamaları içerebilir. Kayıt ve işlemlerin bakımı, yazılım robotu veya botu olarak adlandırılan RPA teknolojisi tarafından bir çalışanı taklit ederek, uygulamalara girer, veri girer, görevleri hesaplar, tamamlar ve çıkış yapar.

RPA yazılımı bir kuruluşun BT altyapısının bir parçası değildir. Bunun yerine, bir şirketin teknolojiyi hızlı ve verimli bir şekilde uygulamaya koymasını mümkün kılarak, mevcut altyapı ve sistemleri değiştirmeden uygulanır.

S

SaaS

(Software as a Service )

Hizmet Olarak Yazılım (SaaS), bulut tabanlı yazılım olarak da bilinir. Genel kullanıma uygundur. Büyük şirketlerden küçük şirketlere, mağazalara kadar tüm işletmelerde kullanılabilir.

Sanal gerçeklik

(Virtual Reality)

Sanal gerçeklik, insanların hem keşfedip hem de etkileşime girebildiği, üç boyutlu bilgisayar teknolojileri ile oluşturulmuş ortama verilen isimdir. Çoğu sanal gerçeklik ortamı bir bilgisayar ekranı yoluyla edinilen görsel tecrübelerden ibarettir.

Satılan Malın Maliyeti

(COGS) (Cost of Goods Sold)

Şirket tarafından satılan malların üretimindeki doğrudan maliyettir. Bu tutar, malların yapılışı sırasındaki malzeme maliyetinin yanı sıra, malları üretmek için kullanılan doğrudan işgücü maliyetini de kapsar. Dağıtım masrafları ya da satış ekibi gibi dolaylı masrafları kapsamaz. COGS, gelir beyannamesinde görünür ve şirketin brüt marjını hesaplarken hasılattan düşülebilir. Ayrıca Satış Maliyeti olarak da bilinmektedir.

Sevk

(Dispatch)

Bir iş merkezinde, üretim hattı vb. işler için öncelik atamanın mantıksal sürecidir.

Siber Fiziksel Sistemler

(CPS) (Cyber Physical Systems)

Durum bilgisini ve fiziksel sistemin özelliklerini, diğer siber fiziksel sistemlere ve Akıllı Fabrikadaki diğer uygulamalara iletmek için kullanılan fiziksel sistemlerin dijital gösterimleridir. Aynı zamanda denetim boyutu da olabilmekte ve fiziksel sistemlerin eylemlerini yönetmede rol oynamaktadırlar (örneğin; AGV’nin malzemeleri alıp taşımak için kendi mantığı olabilmektedir).

Siparişe Dayalı Montaj

(ATO) (Assemble-to-Order)

Ürünlerin, müşteri tarafından sipariş edilip hızlıca üretildiği ve belli bir raddeye kadar özelleştirilebildiği bir iş üretim stratejisidir. Bu strateji, ürün için gereken temel parçaların halihazırda üretilmiş ama birleştirilmemiş olmasını gerektirir. Sipariş alındığında parçalar hızlıca bir araya getirilir ve müşteriye gönderimi yapılır.

Siparişe Göre Tasarım

(ETO) (Engineer to Order)

Bitmiş ürünlerin, müşteri koşullarına göre yapıldığı bir üretim felsefesi. Montaj parçaları ve ham ürünler stoklanabilir ama müşteri siparişi gelene ve parça tasarlanana kadar bitmiş ürüne monte edilmezler.

Siparişe Göre Yapım

(MTO) (Make to Order)

Yaygın olarak kullanılan hammadde ve bileşenlerin, geçmiş taleplere göre stoklanabileceği bir üretim yöntemidir. Ancak, daha yüksek seviyeli ürünlere doğru olan işlemler müşteri siparişi alınana dek yapılmaz.

Son Kullanıcı

(End User)

Bir yazılım uygulamasını ya da sistemini pratikte kullanan kişidir.

Sonlu Kapasite Planlaması

(Finite Capacity Planning)

Kaynaklara karşılık, önerilen üretim çizelgelerine göre tanımlanmış kapasite limitlerinin içinde kalarak yapılan kapasite planlaması sistemleridir. Sonlu sistemler, önceden planlanan tarihleri yeniden ayarlar ve var olan kapasiteyi aşmamak adına ürün siparişlerini zamanda gerektiği kadar ileri ya da geri kaydırır.

Sonlu Kapasite Çizelgelemesi

(FCS) (Finite Capacity Scheduling)

Farklı farklı kaynakları göz önünde bulundurarak belirlenen limitlerle, belli bir zaman diliminde ne kadar iş üretilebileceğini anlamaya yarayan bir yaklaşımdır. Bu yaklaşımın hedefi, işin üretim boyunca eşit ve verimli bir tempoda ilerlemesini garantilemektir.

Sonsuz Kapasite Planlaması

(Infinite Capacity Planning)

Siparişleri, halihazırda bulundukları tarihlerde bırakan ve herhangi bir kaynağın tükenip tükenmediğini ya da tanımlanmış kapasitesinin altında olup olmadığını nadiren gösteren, bunlara cevaben herhangi bir değişiklik de önermeyen kapasite planlaması sistemleridir.

Stoğa Göre Yapım

(MTS) (Make to Stock)

Bitmiş ürünlerin, müşteri siparişi alınmadan önce üretilip stoklandığı bir üretim metodu. MTS, envanter istenen seviyelerin altına düştüğünde son kalemlerin üretimini başlatmak için, müşteri siparişinin nihai miktar ve konfigürasyonları tanımlanıncaya kadar beklemek yerine, talep geçmişine dayanan bir tahmin kullanmaktadır.

Söz Verilebilir Stok

(ATP) (Available to Promise)

Müşteri sipariş sorgulamasına, gerçek kaynak uygunluğuna dayanarak verilen yanıttır. Bu yanıt, istenen üründen kaç adet ve ne zaman gönderilebileceğinin cevabını üretir.

Sürekli Gelişim Süreci

(CIP) (Continuous Improvement Process)

Ürünleri, hizmetleri ve süreçleri geliştirmek adına yapılan çalışmalardır. Bu çalışmalar, zaman içinde “kademeli” bir gelişimi ya da bir kerede “çıkış yapan” gelişimi hedefleyebilir. Teslimat süreçleri, sürekli olarak verimlilikleri, ne kadar etkin oldukları ve esneklikleri ışığında değerlendirilir ve geliştirilir.

Sürekli İşlem

(Continuous Process)

Sürekli üretim olarak da bilinen işlem, üretim sırasında malzeme akışının kesintisiz olduğunu belirtir. Bu durum genelde, kazancın metre ya da feet ile ölçüldüğü sürekli haddelemelerde üretilen gaz, likit ya da boru hattı katılarının üretiminde, işlemin nadiren değiştiğini ima eder. Bu ürünlerin münferit birimleri kolay kolay ayırt edilemez (gaz, yağ, kimyasal gibi).

Ş

T

Talebe Göre Yapım

(MTD) (Make to Demand)

Üretim faaliyetlerini, devinim olduğu sürece taleple senkronize tutmayı hedefleyen üretim ya da montaj sürecidir.

Talep Odaklı İmalat

(Demand-Driven Manufacturing)

Ürünü, talebe göre ayarlama stratejisidir.

Talep Odaklı Strateji

(Demand-Driven Strategy)

Müşteriye tam olarak istediği şeyi, istediği zaman ve istediği yerde vermeye odaklı iş yaklaşımıdır.

Talep Yönetimi

(Demand Management)

Müşteri talebini karşılamak için, üretim sürecini kontrol etme sürecidir.

Tam-Vaktinde (JIT)

(Just-In-Time)

Bir şirketin işlem sırasındaki envanteri ve buna bağlı taşıma maliyetlerini azaltarak, yatırım karını artırmaya odaklanan envanter stratejisidir. JIT envanter sistemi, envanter emniyet ağı olmadan, doğru malzemenin, doğru zamanda, doğru yerde ve tam miktarda olmasına dikkat eder.

Tasarımda Değişim

(CID) (Change in Design)

Müşteriden ya da mühendislikten gelen tasarımın, bir şekilde değişmesi gerektiğinin resmi bildirimidir.

Teknik Değişiklik Sırası

(ECO) (Engineering Change Order)

Bileşenlerdeki, montajdaki veya işlemler ve çalışma talimatları gibi belgelerdeki değişiklikleri iletmek için kullanılır ve teknik özelliklerdeki değişiklikler için de kullanılabilir.

ECO diye bahsi geçen son dakika tasarım değişiklikleri, tamamen ya da kısmen tamamlanmış tasarımının işlevselliğini etkileyebilir. ECO'lar hata ayıklama sırasında karşılaşılan tasarım yanlışlarını telafi edebilir ya da sistem tasarımının diğer alanlarındaki tasarım problemlerini telafi etmek için tasarım tanımlamalarını değiştirebilir.

Temel Ölçüler

(Baseline Metrics)

Üretim tesisinin temel performans ölçümleridir.

Temel Performans Göstergesi

(Key Performance Indicator) (KPI)

Performans göstergesi ya da temel performans göstergesi olan KPI, bir performans ölçümüdür. Bu tarz ölçümler, bir şirketin uzun vadeli kurumsal hedeflerine ulaşmada ne kadar başarılı olduğunu tanımlamasına ve değerlendirmesine yardımcı olması için yaygın olarak kullanılır.

Teslim Süresi

(Lead Time)

Gereken bir görevin, operasyonun ya da işlemin teşhisiyle tamamlanışı arasında geçen süredir. Teslim süresinin unsurları arasında; sipariş girdisi, malzeme toplanması, makine kurulumu, kuyruk (queue), işlem, taşıma ve diğer öğeler yer alır. Bu durum, bir katma değeri olan (müşteri tarafından algılandığı sürece aktif olarak değer ekleyen süreç) ya da olmayan atığı aradan çıkaran sistemler olarak sınıflandırılabilmektedir.

Toplu İşlem

(Batch Process)

Bir birim olarak üretilen üründür (kurabiye hamuru ya da salata sosu gibi).

Toplu Kayıt

(Batch Record)

Hammadde tüketimini, ürün üretimini, işlem detaylarını, ilgili insan kaynaklarını, bakımı, kazaları ve elden çıkarma işlemlerini içeren bir seri veya işlem için tutulan kayıtlardır.

Toplu Özelleştirme

(Mass Customization)

Bir müşterinin talebine tamamen uyan bir hizmeti ya da ürünü alabiliyor olması.

U

Uluslararası Mühendislik Konsorsiyumu

(IEC) (International Engineering Consortium)

1944’te kurulan derneğin merkezi Illinois, Şikago’dadır. Telekomünikasyon, eğitim ve araştırma hizmetleri sağlayan, kâr amacı gütmeyen bir kuruluştur. IEC, çevrimiçi eğitim programları, çevrimiçi seminerler ve eğitici içerikler sunnmaktadır.

Uluslararası Otomasyon Topluluğu

(ISA) (International Society of Automation)

Endüstriyel otomasyon ve alakalı konularda çalışan, eğitim gören ya da bu konulara ilgi duyan mühendisler, teknisyenler, iş insanları, eğitmenler ve öğrenciler için kâr amacı gütmeyen bir teknik topluluktur. 1945’te kurulan ISA, bir yandan dünyanın dört bir yanındaki 30.000 üyesine ve diğer profesyonellere zor teknik problemleri çözmelerinde yardımcı olurken, bir yandan da liderlik ve kişisel kariyer kapasitelerini geliştirerek otomasyon için standardı belirleyen bir kuruluştur.

Kuzey Carolina’daki Research Triangle Parkı’nda konuşlanan ISA, standartları geliştiriyor, endüstri profesyonellerini tasdikliyor, eğitim ve öğrenim sağlıyor, kitaplar ve teknik makaleler yayınlayıp konferans ve sergiler düzenliyor. Aynı zamanda ISA, Otomasyon Federasyonu’nun da kurucu sponsorudur.

Uluslararası Ticaret ve İş Süreçleri Grubu

(TBG) (International Trade and Business Process Group)

TBG, Birleşmiş Milletler Ticareti Kolaylaştırma ve Elektronik Ticaret Merkezi (United Nations Centre for Trade Facilitation and Electronic Business), UN/CEFACT’ın bir parçasıdır. TBG, süreç analizi, en iyi uygulamalar ve uluslararası ticaret prosedürleri alanındaki gelişmeleri başlatmak yoluyla, işletme ve kamu işi gereksinimleri ve içeriğinden sorumludur. Uygun olduğu yerlerde, UN/CEFACT Modelleme Metodolojisi de ticaret kolaylaştırması ve elektronik ticaret çözümlerinin geliştirilmesinde destekleyici olarak kullanılır.

Uyarlanabilir Üretim

(Adaptive Manufacturing)

Talebe yönelik ürünleri esnek bir şekilde geliştirir, üretir ve sunarken mevcut kaynakları da en iyi şekilde kullanır. Ancak, uyarlanabilir üretimin gerçekleşebilmesi için üreticilerin, işletme sistemleri ile atölye sistemleri arasında ürün tanımlama, programlama ve üretme bilgilerini sorunsuz bir şekilde aktarabilmeleri gerekmektedir.

Uygulama

(Application)

ERP, MES, envanter gibi belirli amaçlar için tasarlanan bilgisayar programıdır. Üretim 2.0 ve Akıllı Üretim gibi kavramların altında açıklandığı üzere, günümüzde üretim çözümlerindeki trend, yeni çözümler oluşturmak için ERP ve MES gibi uygulamaların yapabileceklerini birleştirerek üretim sistemlerinin veri ve neticeleriyle bir araya getiren bileşik uygulamalara doğru bir yön izliyor.

Uygulama Programlama Arayüzü

(API) (Application Programming Interface)

API, tıpkı insanlar ve bilgisayarlar arasındaki etkileşimi kolaylaştıran bir kullanıcı arayüzü gibi, bir yazılım tarafından diğer yazılımlarla etkileşimi sağlamak için uygulanan bir arayüzdür. Uygulamalar, kütüphaneler ve işletim sistemleri, kelime dağarcığını ve programcıların hizmetlerden yararlanmak için kullanmaları gereken çağrı kurallarını belirlemek için API'leri uygular. Bu, rutinler için özellikleri, veri yapılarını, nesne sınıflarını ve tüketici ile API'nın uygulayıcısı arasında iletişim kurmak için kullanılan protokolleri içerebilir.

API'ler, uygulamanın “talep/yanıt” entegrasyonu için kullanılan arayüzler oldukları için, üretim sistemi entegrasyonu için önemlidirler (gününümüzde bu terminoloji güncellenmiş olup; muhtemelen API değil, hizmet uygulamaları olarak ifade edilmektedir).

Uygunsuzluk Yönetimi

(Non-conformance Management)

Müşteri tarafında ortaya çıkan sorunlar da dahil olmak üzere, ürünün yaşam döngüsünün herhangi bir yerinde meydana gelen kusur ve sorunlara ilişkin uyarıları izleme, analiz etme ve sağlama sürecidir.

Ü

Üretim 1.0

(Manufacturing 1.0)

İş süreci modellemesini, noktadan noktaya arayüzler ve uygulamalar arasında özel veri dönüşümü yoluyla temsil etmeye çalışan, bağımsız istemci/sunucu veri tabanı uygulamalarına dayanan mimarilerdir.

Üretim 2.0

(Manufacturing 2.0)

Üretim tesisleri içinde ve arasında üretim operasyonları yapılabilmesini sağlayan detaylı unsurları ve ilişkilerini verir. Üretim ana veri yönetiminin (Mfg MDM), kurumsal iş süreçleri için ESB'deki MDM'den farklı olduğunu açıklar. Var olan yatırımları, monolitik uygulamalarla söküp değiştirmek yerine SOA imalatını kullanarak onlardan yararlanır, imalat hizmetleri için ISA ISA-95 / OAGIS modellerini geliştirir ve imalat hizmetleri veri yolu mimarilerinden yararlanır.

Üretim Birimlerinin Sevki

(Dispatch Production Units)

Bir sürece ya da adıma başlamak için, malzemeleri ve siparişleri atölyenin belli bölümlerine yollama komutu ve üretim birimlerinin akışının işler, emirler, partiler ve iş emirleri şeklindeki takibi. Sevk bilgileri, işin yapılması gereken sırayla sunulur ve fabrika katında gerçekleşen olaylara göre, gerçek zamanlı olarak değişir. Bu komut, fabrika katındaki önceden belirlenmiş çizelgeyi değiştirme kabiliyetine sahiptir. Ara bellek sayesinde, sürecin herhangi bir anındaki iş sayısını kontrol etmenin yanı sıra, yeniden işleme ve mal kurtarma işlemleri de mevcuttur.

Üretim Dizilimi Ortamı

(MCE) (Manufacturing Composition Environment)

Bir üretim hizmetleri “paletinden”, çeşitli üretim süreçleri dizilimlerini destekleyen bilgisayarlı ortamlar (tezgahlar) için kullanılan bir Üretim 2.0 kavramıdır.

Üretim Döngüsü Süresi

(Manufacturing Cycle Time)

Parçaların bazı süreç basamaklarındaki tamamlanma oranlarıdır.

Üretim İşlemleri Yönetimi

(MOM) (Manufacturing Operations Management)

Uçtan uca bir üretim sürecini, verimliliği optimize etmek adına gören bir metodoloji. Üretimde personeli, ekipmanı ve malzemeyi koordine eden, üretim tesisinin 3 seviye faaliyetleridir.

Üretim İşletmeleri Çözümleri

(Manufacturing Enterprise Solutions)

Üretim işletmelerini desteklemek için tasarlanmış yazılım programlarıdır.

Üretim Kaynakları Planlaması

(MRPII) Manufacturing Resource Planning)

Üretim sürecini yönetmek için kullanılan, yazılım tabanlı bir üretim planlama ve envanter denetim sistemi; ERP’nin öncülüdür.

Üretim Kontrol Sistemi

(MCS) (Manufacturing Control System)

Üretimi, insanları, ürünleri ve süreçleri ölçmek, gözlemlemek ve yönlendirmekten sorumlu sistemlerdir. FDA'nin bildirisine göre; her üretici, bir cihazın teknik özelliklerine uygunluğundan emin olmak adına üretim sürecini geliştirmeli, yürütmeli, denetlemeli ve gözlemlemelidir. Üretim sürecinden dolayı cihaz özelliklerinde sapmaların ortaya çıkabileceği durumlarda, üretici şartnamelere uygunluğu sağlamak için gerekli tüm işlem denetimlerini tanımlayan işlem kontrol prosedürleri oluşturmalı ve sürdürmelidir. Daha fazlası için bkz. Dağıtımlı Kontrol Sistemi

Üretim Servis Sürücüsü

(MSB) (Manufacturing Service Bus)

Hizmetler ve entegrasyon standartları desteği gibi üretim içerikleriyle genişletilmiş ESB'dir.

Üretim Toplam Süresi

(Manufacturing Lead Time)

Bir üretim işleminin, bir siparişi bitirme zamanıdır.

Üretim Yürütme Sistemi

(MES) (Manufacturing Execution System)

Siparişten, son ürüne dek gerçekleşen üretim faaliyetlerinin optimizasyonunu mümkün kılan bilgileri ileten sistemlerdir. Güncel ve geçerli verileri kullanan MES, tesis faaliyetlerine rehberlik eder, başlatır, yanıt verir ve gerçekleştiği gibi raporlar. Sonucunda gerçekleşen; değişen koşulara hızlı yanıt sistemi ve katma değeri olmayan faaliyetlerin azaltılmasına odaklanılmasıyla birleştiğinde, işletmeyi verimli tesis işlemlerine ve süreçlerine götürür.

MES; operasyonel varlıkların getirisinin yanı sıra zamanında teslimat, stok dönüşleri, brüt kâr marjı ve nakit akışı performansını da iyileştirir. MES, çift yönlü iletişimler yoluyla işletme ve tedarik zincirindeki üretim faaliyetleri hakkında kritik bilgiler sağlar.

Üründe Değişim

(CIP) (Change in Product)

Müşteriden ya da mühendislikten gelen, ürünün bir şekilde değişmesi gerektiğinin resmi bildirimidir. Bu, müşteri tercihlerindeki değişimlerinin, adet değişimlerinin ya da yasal baskılara dayalı değişimlerin (ürünü toplatma gibi) bir sonucu olabilmektedir.

V

Veri Tarihçisi (Data Historian)

Üretim süreci zaman dizisi verilerini, yüksek hızlarda yakalayabilen ve saklayabilen özel veri tabanı sistemi. Ayrıca “operasyonel tarihçi” ya da kısaca “tarihçi” olarak da bilinir.

W

WIP-Work In Process

Proses adımları arasında biriken iş miktarına Work in Process (WIP) adı verilir. Bir prosesi sağlıklı olarak yürütmek ve sürekli akışı sağlamak için, uygun WIP’nin düzgün bir şekilde ayarlaması gerekir. "Yalın Üretim"de, WIP miktarı proses adımları ve proses içindeki miktarı da içerecek şekilde standartlaştırılmıştır. Yalın Düşünce, WIP değerinin çok olması ile ilgilenmez.

WIP, bir problem değil bir semptomdur. Problemlerin olduğu bölgeyi işaret ederek, Kaizen faaliyetlerinin nereye yönlendirilmesi gerektigini saptamaya yarar. Prosesler arasındaki is yükü dengesizlikleri, arızalar,setup’lar veya planlama ile ilgili zaafların yarattığı birçok problem, WIP ile kendini gösterir.

X

XaaS

(Anything as a Service )

Hizmet Olarak Her Şey (XaaS), bulut bilgi işlem ve uzaktan erişimle ilgili genel bir hizmet kategorisini tanımlar. Kullanıcılara artık internet üzerinden bir hizmet olarak sunulan çok sayıda ürünü, aracı ve teknolojiyi tanır. Esasen herhangi bir BT işlevi, kurumsal tüketim için bir hizmete dönüştürülebilir. Hizmet, önceden satın alma veya lisans yerine esnek bir modelde yapılabilir.

Y

Yeni Ürün Tanıtımı

(NPI) (New Product Introduction)

Yeni ürünleri pazara tanıtmak için uygulanan çok fonksiyonlu bir süreçtir.

Yerinde Temizlik

(CIP) (Clean-In Place)

Boruların, kazanların, proses ekipmanlarının ve ilgili bağlantı parçalarının sökülmeden temizlenmesi yöntemidir.

Yönetim Bilgi Sistemi

(MIS) (Management Information System)

Yöneticilerin, kurumsal işleri planlamalarına ve yönetmelerine yardımcı olmak için tasarlanmış bir bilgisayar sistemidir.

Yürütmeye Dayalı Ortam

(Execution-driven Environment)

İş emirlerini çizelgelemeye, destek işlevlerini koordine etmeye, atölye yürütmesini yönetmeye, iş durumu ve problemleri hakkında iletişim kurmaya olanak sağlayan üretim ortamıdır. Güncel atölye aktivitelerine dayanarak, iş emirlerini takip ve analiz eder, önerilen çizelgedeki değişikliklerin anında bildirimini sağlar.