Gelecek Trendler - e

Yorumlar

Transkript

Gelecek Trendler - e
265_CP_04
3/27/12
12:56 PM
Page 1
&
Gelecek Trendler
Yenilikçilik ve gelecek araşt›rmalar› dergisi
l
Nisan 2012
www.siemens.com.tr
Uçan denetçiler
Siemens öğrenme
kapasitesinin yanı sıra
etrafında gördüğü
dünyayı kendi başına
yorumlayabilen video
sistemleri geliştiriyor.
İş üzerinde
optimizasyon
Gelişmiş tıbbi cihazlardan
enerji nakil sistemlerine
kadar pek çok sistem,
bakım maliyetlerini en
aza indirecek, çıktısını
kendi kendine artıracak
şekilde tasarlanıyor.
Geleceğin makineleri
Gelişmiş teknolojiler sayesinde makineler giderek
daha akıllı hale geliyor. Geleceğin makineleri
kendi kendine öğrenebilen, öğrendiğini
insanoğlunun yararına kullanan robotlar olacak.
205x275_Electromobility_magazine_GD.indd���1
23/09/2011���4:35�PM
266_CP_04
3/26/12
5:58 PM
Page 2
2
GELECEK&TRENDLER
Akıllı
makinelerin
getirdikleri
Editör - İçindekiler
değişik film ve dizilerde, birbirinden farklı gelecek
Ç ocukluğumuzda
senaryolarına dayalı fantastik maceralar seyrettik. Uzay Yolu’ndaki
ışınlamadan Transformers filmindeki kontrolden çıkmış robotlara kadar o
dönemde inanılmaz gelen senaryolar, son yıllarda hayatın içine girdi. “Nasıl
olur” diye itiraz ettiğimiz onlarca yeniliği yaşıyor ya da gelecekteki etkileri
üzerine tartışıyoruz.
Bunlardan bence en etkililerinden biri “Akıllı makineler” olacak.
Öğrenebilen ve öğrendiğini başarıyla uygulayan bu makinelerin hayatımızı
nasıl değiştireceğine yönelik tahmin ve gerçekleşmeleri ilerleyen sayfalarda
okuyacaksınız… Ben özellikle enerji alanında olacakları ilginç buldum.
Biliyorsunuz, bütün dünya son yıllarda enerjiyle kalkıyor, enerjiyle
oturuyor. 120 doların üzerine çıkan petrol fiyatları ve hızla artan talep,
“enerji verimliliğini” giderek daha fazla öne çıkarıyor. Böyle bir ortamda
müşterilerin davranışlarını öğrenip o yönde çalışabilen makineler, enerjiyi
daha etkin kullanabilmemize olanak sağlayacak.
Princeton’daki Bilgi Karar Sistemleri Programı Yöneticisi Amit
Chakraborty’nin anlattıkları bile bu öğrenen makinelerin milyonlarca
müşteriyi izleyip, onların davranışlarını öğrenip, şebekeyi
yönlendirebileceğini ortaya koyuyor.
Gerçekten de heyecan verici… Üstelik Uzay Yolu’ndaki kadar uzak ve
sadece bir kurgudan ibaret değil. Hayatın içinde ve yayılmaya hazır bir
teknolojiden söz ediyoruz.
Bence ilerleyen sayfaları bir de bu gözle okuyun…
Saygılarımla
M. Rauf Ateş
İÇİNDEKİLER
İş üzerinde optimizasyon ........................................3
Uçan denetçiler ..................................................................6
Sizi çok net okuyabiliyoruz ..................................9
Yay›nc›
Do-an Burda Dergi Yay›nc›l›k ve
Pazarlama A.*
,cra Kurulu Ba+kanı
Mehmet Y. Y›lmaz
Yay›n Direktörü (Sorumlu)
M. Rauf AteH
Yayın Yönetmeni Sedef Seçkin Büyük
Yaz›i+leri Müdürü Ebru F›rat
Haber Müdürü Hande Demirel
Yaz›i+leri Müdür Yardımcısı Geyma Öncel BayDksel
Görsel Yönetmen A. BertuE Pat›r
Yayın Kurulu (Alfabetik sDrayla)
M. Rauf AteH, Hande Demirel, Hüseyin Gelis,
Sedef Seçkin
Marka Müdürü Gökçe Aykaç
Ankara Temsilcisi Erdal FpekeHen
Tel: 0 312 467 14 37-38-39
Yönetim
Genel Yayın Koordinatörü YeHim Denizel
Tüzel Ki+i Temsilcisi Murat Köksal
Sat›+ Direktörü Orhan TaHkDn
Finans Direktörü Didem Kurucu
Üretim Direktörü Servet KavasoElu
Yönetim yeri
Hürriyet Medya Towers 34212 GüneHli-‹STANBUL
Tel 0 212 410 32 28 Faks 0 212 410 32 27
DB Okur Hizmetleri hatt› Tel: 0212 478 03 00
[email protected]
DB Abone Hizmetleri hatt›
Tel: 0212 478 03 00 Faks: 0212 410 35 12-13
[email protected]
Pazar hariç her gün saat 09.00-18.00
aras›nda hizmet verilmektedir.
Reklam Grup Ba+kan›
Vicky Habif
Grup Ba+kan Yard›mc›s› Nil Ertan
Satı+ Koordinatörü Emel Sönmez
Teknik Müdür Nusret K›r›ml›oElu
Tel: 0 212 336 53 60 (3 hat) Faks: 0 212 336 53 90
Rezervasyon
Tel: 0 212 336 53 00-57-59 Faks: 0 212 336 53 92-93
Ankara Reklam Tel: 0 312 207 00 72-73
[email protected]
Maya Akar Center, Kat: 7 Büyükdere Cad.
No: 100-102 34394 Esentepe/FSTANBUL
267_268_269_270_271_272_273_274_CP_04
ÖĞRENEN MAKİNELER
3/26/12
5:55 PM
Page 3
Endüstri yel uygula mal ar
CT’den Amit Chakraborty, enerji
gereksinimlerini öngörebilen bir
öğrenen yazılım geliştirdi. Öğrenen
makineler, Almanya Allgau’daki
akıllı bir şebekenin büyütülmesinde
önemli bir rol oynadı. (sağda)
İş üzerinde optimizasyon
Günümüzde öğrenme algoritmalarıyla yüklü herhangi bir sistem, bakım
maliyetlerini en aza indirecek ve çıktısını kendi kendine artıracak şekilde
tasarlanabilir. Örnekleri arasında gelişmiş tıbbi cihazları, enerji nakil sistemlerini,
gaz türbinlerini ve rüzgar parklarını saymak mümkün.
H
ollywood zeki robotlar fikri üzerinden iş
yapmaya bayılır. “Transformers” filmindeki kontrolden çıkmış ve tahribat verici makineleri gözünüzün önüne getirin. Oysa gerçek hayat çok farklı. Araştırmacılar günümüzde makinelere öğrenme yeteneği ve bu
öğrendiklerini her zaman insanoğlunun yararına kullanma özelliği kazandırmak konusunda önemli bir ilerleme kaydetmiş durumda. Büyük ihtimalle sinema severlerin çoğu bu
ilerlemelerden habersiz.
New Jersey, Princeton’daki Siemens Kurumsal Teknolojiler (CT) tam da bu konu üzerinde çalışıyor. Bilgi Karar Sistemleri Programı Yöneticisi Amit Chakraborty ile birlikte çalışan bir ekip, enerji şirketleri için yeni tür bir
yazılım geliştiriyor. Bu yazılım milyonlarca veri kaydını analiz ederek elektrik müşterilerinin alışkanlıklarını öğrenebilecek. Sistem nihai aşamasına geldiğinde kendi kendine enerji talebi tahminleri yapabilecek. Geleceğin
“akıllı şebekeleri”nde temel hedef, enerji tüketimi ile güneş ve rüzgar tesisleri gibi öngörülemez kaynakların çıktılarını eşitlemek.
Chakraborty, “Sürdürülebilir enerji sistemleri
işte o zaman mevcut tüketici yükünün akımını, sürdürülebilir enerji kaynakları tarafından
üretilen inişli çıkışlı akım ile dengeleyebilecek.
Biz işte bu yüzden enerji şirketlerinin kusursuz planlar yapmasına olanak sağlayacak yöntemler geliştirmek zorundayız” diyor.
Bu yazılım 2011 yılı bitmeden gerçek dünyadan gelen enerji tüketimi verilerini kullanan pilot bir projede test edildi. Burada temel
hedef, her şeyden önce tüketicilerin enerji
kullanımı profillerini ortaya çıkarmak. Bu
amaçla akıllı elektrik sayaçları kullanan milyonlarca müşteriden veriler toplandı. Bu veriler ise tüketilen enerji miktarları ile ne zaman kullanıldıkları hakkında bilgiler sundu.
Siemens araştırmacıları bu pilot projeden öğrendiklerini, meteorolojik veriler ve beyzbol
finalleri gibi özel etkinlikler hakkındaki bilgilerle birleştirecek. Bu ham veri hazinesinden
kendi yazılımları için eğitici veriler geliştirmek
için faydalanacaklar. Ardından bu yazılımın
algoritmaları da kısa vadeli yük tahminleri yapabilir hale gelecek.
Yük tahmini yapmak yeni bir icat değil.
Milyonlarca hindinin elektrikli fırınlarda kızartıldığı tatil günlerinde oluşan aşırı yüklenmelerden herkesin haberi vardır. Ancak bu
basit alışkanlıklarla sürdürülebilir bir enerji
sisteminin gereksinimlerini karşılamak müm-
kün değildir. ABD’de enerji şirketleri yük yönetiminde yıllardır piyasa prensiplerine bel
bağlıyor. Eğer mevcut enerji miktarı çoksa o
zaman maliyet düşürülüyor. Aksi durumda
tersi geçerli ancak tüketiciler arzın az ve fiyatın yüksek olduğu dönemlerde bu yüksek bedele katlanmak istemiyorsa sözleşmeye dayanan taahhütlere girebiliyorlar. Ancak bu tür
“talep tepkili” sistemler her zaman mükemmel çalışmıyor. Şayet tüketiciler kendilerinden
beklendiği gibi davranmazlarsa enerji şirketlerinin derhal ekstra enerji üretmesi veya satınalması gerekiyor ki bu durum sıklıkla verimsizlik anlamına geliyor ve sera gazı salımının da artmasına neden oluyor. Chakraborty,
“Böylesi durumlardan kaçınmak için tüketicilerin herhangi bir zamanda oluşacak koşullarda nasıl davranacaklarını önceden tahmin
edebilecek durumda olmalıyız” diyor.
Öğrenen makineler ayrıca elektrik şebekesinin genişletilmesinin maliyetinin düşürülmesine de yardımcı olabilir. Örneğin Münih
Siemens’de, gelişmiş bir “akıllı şebeke” projesi için enerji şebekelerinin otomasyonu üzerine araştırmalar yapan Dr. Michael Metzger,
sensörlerle yapılan ölçümler sayesinde bir şebekenin yapısını hesaplayabilen, öğrenen bir
Gelecek&Trendler
3
267_268_269_270_271_272_273_274_CP_04
3/26/12
5:55 PM
Page 4
4
ÖĞRENEN MAKİNELER
algoritma geliştirdi.
Dr. Metzger, “Son kullanıcılara enerji sunmak için 10 yıllar önce döşenmiş bakır kabloların miktarı veya konumları hakkında genellikle hiçbir bilgi yoktur” diyor. Elektrik şebekesinin bu gizli kısımları hakkında bu türden
temel bilgiler edinmek için kablo ağlarının içine sensörler yerleştirilebilir. Bunlar kendi bölgelerindeki elektrik akımı ve voltajıyla ilgili
veriler sunar. Bu bilgilerle donanmış olarak
şebekenin yapısı hakkında bir fikir sahibi olunabilir. Metzger, “Bu bilgiler sayesinde bir şebeke işleticisi kendi ağında ne kadar voltaj olduğunu ve bu voltajın nerelerde saklı bulunduğunu öğrenebilir“ diyor. Siemens şu anda
Güney Almanya Kempten’deki Allgäuer Überlandwerke isimli enerji şirketinin elektrik şebekesinin bir kısmında kendi tahmin algoritmasını test ediyor.
Arıza sinyallerini farketmek. Hizmet sektöründe, öğrenen makinelerde yapılacak değişiklikler devrimci nitelikte olabilir. Siemens
araştırmacıları tıbbi teşhis sistemleri gibi pahalı cihazların arızaya geçmelerini beklemek
yerine ileriye yönelik devasa bir adım atıyor.
Siemens’in Princeton’daki araştırma üssünde
karar ve bilgi sistemleri alanında öğrenen sistemler geliştiren Dr. Fabian Mörchen, “Bir
manyetik rezonans görüntüleme cihazının
(MRI) veya nükleer bir tıp sisteminin ne zaman arızaya geçeceğini önceden güvenilir bir
şekilde tahmin edebilen bir program geliştirdik” diyor. Bu yaklaşım aslında, makinelerin
çoğunda bir arızanın eli kulağında olduğunu
gösteren işaretler verdiği gerçeğinden yola çıkıyor. Mörchen, “Burada ustalık o sinyalleri
tanımlamakta ve onları gözle görülür hale getirmekte yatıyor” diyor. Bu gibi sinyallerin
içinde elektrik akımları, voltajlar, sesler, titreşimler, basınçlar ve sıcaklıklarda görülebilecek değişiklikler bulunuyor.
Bu makinelerin normal işleyişlerinden sapmalar kendi içlerindeki sensörler aracılığyla
Endüstri yel uygulamal ar
Bir gaz türbininin yatay kesiti.
Öğrenen sistemler sinirsel
ağlardan faydalanarak türbinler
ve onların salınım seviyeleri
için optimum kriterleri
önceden tahmin
edebiliyor.
ölçülüyor. Araştırmacılar ve onların öğrenme
sistemleri, bir makine için nelerin normal sayıldığına dair bilgilere dayanarak, anormallikleri yakalamak için veri madenciliğine başvuruyor. Arızayla ilişkili bir dizi şablon yaratıldıktan sonra da Mörchen’le birlikte çalışan
bu ekip, daha önce hiç görmediği verileri işlerken bu şablonları tanımlayan bir bilgisayar
programı için algoritmalar geliştirebiliyor. Mesela bir MRI tarayıcısı kriyojenik helyum gazı
kaçırmaya başladığında onun sıcaklığında ve
basıncında hissedilmeyecek kadar küçük değişiklikler olur. Önceden ikaz eden algoritmalar sayesinde Siemens Sağlık sektörüne hizmet veren teknisyenler bütün gayretlerini bu
soruna odaklayıp makine arızaya geçmeden
önce soğutma sistemini onarabilir. Bugün Siemens servis ekipleri bu yazılımı sadece 3 bin
500 tane MRI tarayıcısını gözlemlemekte kullanmakla kalmıyor, aynı zamanda önleyici bakım amacıyla da ondan faydalanıyor. Bu stra-
teji sayesinde üç yılı aşkın bir dönemde bakım
ve onarım maliyetlerinde 5,8 milyon dolarlık
tasarruf yapılabildi.
Bu araştırma projelerinin ilklerinden biri
de köprüleri izlemek için tasarlanmış ve Princeton’daki CT Araştırmacısı Ciprian Raileanu
liderliğinde geliştirilmiş bir program. O zamanlar ABD Ulaştırma Bakanlığı, ABD’deki
yaklaşık 650 bin adet köprünün bakım ve onarımını optimumlaştırmanın bir yolunu arıyordu. Raileanu’nun ekibi derhal kolları sıvadı ve
Princeton yakınlarındaki Rutgers Üniversitesi’nin Gelişmiş Altyapılar Merkezi’yle işbirliği
yaparak kısa sürede bir çözümle ortaya çıktı.
Railelanu, “Bu sistem köprülerdeki sensörler, teftiş raporları, hava durumu verileri,
inşaat planlarındaki geçmişe ait veriler, polis
tutanaklarındaki kaza sıklıkları ve fotoğraflardan edindiği verilerden faydalanarak kendi kendine köprünün durumu hakkında bir
sonuç çıkarıyor. Biz bu heterojen verileri şablonların çıkarılmasında kullandık” diye konuşuyor. Algoritmalar ise bu şablonlardan birtakım faktörlerin bir araya gelmesinin ne gibi sonuçları olabileceğini öğreniyor. Örneğin
şayet bir köprü 1974 yılında çok yoğun yağış
alan bir bölgede inşa edilmiş ve kirişleri de demirden yapılmışsa, 30 yıl sonra ayaklarında
çatlaklar oluşması çok büyük bir ihtimal. ABD
267_268_269_270_271_272_273_274_CP_04
3/26/12
5:55 PM
Page 5
Gelecekte tüketicilerle enerji şirketleri arasındaki enerji ticaretini, öğrenen yazılımların yüklü olduğu özel bir kutucuk (solda)
aracılığıyla ‘kişisel enerji ajansları’ yapacak. Siemens araştırmacıları şu anda bu sistemi test ediyor (en sağda).
Ulaştırma Bakanlığı bu köprü takip programını 2008 yılından bu yana sürekli kullanıyor.
Bu program ayrıca İngiltere ile Rusya’da
kendi tren filolarını gözlemleyen demiryolu
şirketleri için baştan aşağıya yeni bir sistem
kurulmasında örnek bir model olma işlevi görmüş. Bu öğrenen yazılım için gerekli veriler
ise frenleri ve kapıları izleyenlerin yanı sıra
tren tarifeleri ve arıza raporları gibi trenin
içindeki çeşitli alt sistemlere yerleştirilmiş sensörlerden geliyor. Demiryolu Uzaktan Hizmet
Masası (RRSD) olarak bilinen bu sistem bütün
bu verileri bir araya getiriyor ve her bir tren
için bakım ve onarıma gerek olup olmadığını
ve zamanını hesaplıyor. RRSD şu anda 175 treni takip ediyor ve Siemens de sadece yazılımın değil, otomasyon bileşenlerininin de tedariğini sağlıyor.
Karmaşıklığı yönetmek. Gaz türbinleri de
öğrenen sistemler için önemli bir uygulama
alanı. Bu sistemler saniyeler içerisinde salınımlar ve türbinin çalışmasıyla ilgili tahminler üretiyor. Türbinler araştırmacıların sadece
pek çok değeri yalnızca kabaca tahmin eden
istatistiksel yöntemlerle değerlendirebildikleri haddi hesabı olmayacak kadar karışık içsel
ilişkilerle yönetiliyor. Bu araştırmalarda tam
olarak doğru rakamlar gerektiren geleneksel
matematik formülleri hiçbir işe yaramıyor. Oysa bir türbinin yaşam ömrünü maksimum hale getirip performansını artırırken salınımlarını da azaltmak için binlerce ayarının çok
düzgün yapılması ve öngörülebilir olması gerekiyor.
Volkmar Sterzing ve Munich’de, Siemens
Akıllı Sistemler ve Kontrol Global Teknoloji
Alanı’nda çalışan CT ekibi işte bu yüzden yukarıda söylediklerimizi mümkün kılan yeni bir
yöntem geliştirdi. Yineleyen sinirsel ağlar denilen bir teknikten faydalanarak bir türbinin
bütün süreçlerini tanımlayıp çıktısıyla ilgili
Seslerden öğrenmek ve yığınla
enerji tasarrufu yapmak
Bir elektrikli ark fırınında hurda metallerin
eritilerek çeliğe dönüştürülmesi fevkalade kaotik
bir süreçtir. Bazıları bir araba kadar büyük olabilen
çeşitli ağırlıklardaki metal parçaları üç adet güçlü
elektrikli arkın içinde erirken, birbirlerinin üzerinde
kayarlar. Ancak içindeki ısı seviyesi 10,000
santigrad dereceye kadar çıkabilen bu fırınlar,
bazen erimiş hurdayı transfer edemeyip kendi
enerjilerini fırının iç duvarlarına yönlendirir. Bu
fırınlarda ortaya çıkan gürültü seviyesi insanı sağır
edecek boyutlardadır. Üç fazlı AC elektrodlarla
üretilen enerjiyle çalışan bu fırınlar, yaklaşık 120
desibellik bir ses çıkartır ki bu seviye bir jet
uçağının çıkardığı gürültüden bile fazladır.
Munich’deki Siemens Kurumsal Teknolojiler’in
Zararsız Testler Global Teknoloji bölümünde çalışan
bir proje müdürü olan Dr. Detlef Rieger ile
Erlamgen’deki Metal Teknolojileri’nde çalışan Dr.
Thomas Matschullat, bu gürültü konusunu çözmek
üzere kolları sıvadı. Hedefleri eritme sürecinin
enerji tüketimi azaltılarak nasıl izlenip kontrol edilebileceğini bulmaktı.
Fırının içinden çıkan ses dalgalarını ölçebilmek için fırının dış yüzeyine sensörler monte
ettiler. Ayrıca elektrodlardaki elektrik akımını da sürekli izlediler. Rieger, “Elektrodlardan gelen
verileri, ses dalgası ölçümleriyle birleştirdik. Böylece bizim algoritmamız elektikli arklarla
fırınların duvarları arasında ne tür ses osilasyonları yaratıldığını hesaplayabilecekti ve buradan
yola çıkarak herhangi bir anda fırının içinde neler olup bittiğini anlayabilecektik” diyor. Sistem
ilk eritme aşamasında hurdanın yüzeyde nasıl dağıldığını tesbit etmek için gerekli yeterince
bilgiyi zaten öğrenmişti bile. Bu sayede hangi elektrodların çıktısının artırılması hangilerinin
düşürülmesi gerektiğiyle ilgili bilgiler sunabiliyordu. Eritme sürecinin ikinci aşamasında ise
hurdanın içindeki yabancı maddelerden kaynaklanan cürufun erimiş metal yüzeyde mümkün
olduğunca eşit oranda dağılmasını sağlamak çok önemliydi. Bu aşamada fırının içine kömür tozu
püskürtülerek bu cüruhun içinde bir karbon monoksit köpüğü katmanının oluşması sağlandı. Bu
katman ile arklar ve erimiş metal izole edilmiş oldu ve fırın duvarlarının aşırı ısınmasının önüne
geçildi. Bu sayede enerji ihtiyacı da azaldı. Yazılım ses dalgası verilerini yorumlayarak köpüklü
cüruhun yeterince kalın olup olmadığını ve eşit oranda dağılıp dağılmadığını sürekli olarak
ölçtü. “SIMELT yani Köpüklü Cürüh Yönetimi” adı verilen bu sistem, şu anda biri Almanya diğeri
Belarus’da olan iki çelik fabrikasında kullanılıyor. Her iki fabrikanın da enerji tüketimleri sistem
sayesinde yüzde 2,3 oranında düşmüş durumda. Rieger, “100 tonluk tipik bir çelik yüklemesini
dikkate aldığımızda bu her saat başı yaklaşık 920 kilowat-saatlik bir enerji tasarrufu anlamına
geliyor” diyor. Üstelik bu fabrikalar yüzde 25 oranında daha az kömür tüketiyor ve yıllık CO2
salınımları da 12 bin ton kadar azalmış durumda.
Katrin Nikolaus
Gelecek&Trendler
5
267_268_269_270_271_272_273_274_CP_04
3/26/12
5:55 PM
Page 6
6
Güvenlik uygulamaları
ÖĞRENEN MAKİNELER
doğru tahminlerde bulunabiliyorlar. Sterzing, “Eskiden bu süreçlere ancak şöyle bir
göz atabiliyordunuz. Halbuki yeni yöntemimizle göz atmadan önce ve sonra o süreçlerin fotoğrafını çekebiliyoruz” diyor.
Sterzing’e göre bu yöntem sayesinde araştırmacılar sadece geçmişte ne olduğunu
değil, gelecekte neler olabileceğini de öğrenmiş oluyor. Bu dinamik görüntüyle bir
yandan olumlu yönde olabilecek değişiklikler tanımlanıp çoğu uygulanırken diğer
yandan olumsuzlukların negatif etkilerini
azaltmak için gerekli bakım onarım planlarını yapmak mümkün hale geliyor.
CT araştırmacıları, gaz türbinlerinden
öğrendiklerini ilgili bir alan olan rüzgar
türbinleri ile rüzgar parklarının tamamının optimizasyonu için uyguladı. Sterzing
coşkulu bir yat tutkunu olarak bir yarışta
kendi teknesini yönlendirmenin olası en
iyi yolunun gözünü dalgalardan, rüzgarın
hızından ve diğer yarışçılardan bir an bile
ayırmamak olduğunu çok iyi biliyor. Aksi
halde ne gelecekteki gelişmeleri öngörebilmek ne de uygun bir plan yapmak
mümkün. O bu yaklaşımdan ilham alarak
rüzgar türbinleri için, içinde rüzgar hızı,
çalkantı seviyeleri, sıcaklık ve hava basıncına ait verilerin olduğu yaklaşık 10 faktörü ölçen sensörlere dayalı bir yazılım sistemi yarattı. Bu verileri bir rüzgar türbinin
çıktısıyla ilişkilendiren algoritmalar sayesinde yazılım, binlerce içsel ilişkiden dersler çıkarıp öğrenebiliyor ve tuhaf durumlarda kendi bilgisine başvurabiliyor.
Bu sistem farklı farklı durumları öğrendikçe, bir rüzgar türbininin mevcut rüzgar şartlarında olası en yüksek çıktıyı üretebilmesi için pervane kanatlarının dönüş
açısı veya jeneratör hızı gibi ayarları kendi kendine öngörebilmekte giderek daha
da ustalaşacak. Bu yöntemin bir rüzgar türbininin çıktısını yüzde 0,5 kadar artırdığı
ispatlanmış. Bu oran pek de yüksek değilmiş gibi gelebilir ama büyük bir rüzgar
parkında etkisi olağanüstü boyutlardadır.
İsveç’teki Lillgrund rüzgar çiftliğinde son
6 aydır sürdürülen deneme çalışmaları,
otonom öğrenme denilen ve kendi eylemlerinden kendi kendine öğrenme anlamına gelen bu yetenek sayesinde parkın
kendi toplam çıktısını ekstra bir türbin daha eklenmiş kadar artırdığını gösteriyor.
Katrin Nikolaus
Uçan denetçiler
Çok az sayıda araştırma alanı öğrenen makineler
kadar karmaşıktır. Bu alanda araştırmacıların
yüzleştiği en karmaşık sorunlardan biri ise görebilme
yeteneğidir. Siemens ilerleme kaydedilmesine
katkıda bulunmak için öğrenme kapasitesinin yanı
sıra, etrafında gördüğü dünyayı kendi başına
yorumlayabilen video sistemleri geliştiriyor.
N
ew Jersey, Princeton’daki Siemens Kurumsal Araştırmalar laboratuvarlarının
üstünde bir Astrange uçağı havada uğultular
çıkartarak uçmakta. Temel olarak telden yapılmış dört köşe bir kafes şeklinde olan bu
uçağın tepesinde dört tane helikopter pervanesi olan minicik bir motoru var. Lazerleriyle
pencereleri, duvarları ve makineleri tarıyor.
Optik sensörleri ve video kameralarıyla mimari ayrıntıları kaydediyor. Önceden planlanmış rotasında havada manevralar yaparak
ilerliyor ve rotasında karşısına çıkabilecek engelleri algılayarak yön değiştirmeye hazır bir
halde yoluna devam ediyor. Topladığı verilerden de içinde bulunduğu ortamın 3B modellerini çıkarmakta faydalanıyor.
Aynı zamanda “Fly & Inspect” (Uç ve Denetle) olarak da bilinen bu kuadrokopter, aslında Princeton’daki Siemens Kurumsal Teknolojiler’de çalışan bilgisayar bilimcisi Yakup
Genç ile Boston’daki Massachusetts Teknoloji Enstitüsü çalışanı robot bilimleri araştırmacısı Nicholas Roy arasındaki ortak bir geliştirme programının bir ürünü. Bu proje genel
olarak bagaj taşıma tesisleri, işleme ve depo-
lama tesisleri ve fabrika üretim alanları gibi
karmaşık ortamlar hakkında kendi kendine
veri toplayabilecek ve onların dijital modellerini çıkarabilecek bir sistem ortaya çıkarabilmek için tasarlanmış. Bu gibi dijital modellerden daha sonra servis gereksinimlerini değerlendirmek veya ciddi boyutlardaki restorasyonların simülasyonunu yapmak amacıyla
faydalanılabilir. Genç ile Roy bu sürecin etkin
ve güvenilir kılınmasında Fly&Inspect teknolojisine güveniyor. Kuadrokopter aynı zamanda binalardaki veya malzemelerdeki çatlakları da farkedebilecek şekilde eğitilebildiğinden, rüzgar parkları ve enerji kuleleri gibi
erişilmesi zor yerlerdeki aşınmaları veya hasarları da kontrol edebilir. Genç, “Geldiğimiz
aşamada bu cihazın halen elinde uzaktan kumanda tutan bir insana gereksinimi var. Ancak kısa süre içinde kendi optik sensörlerinden faydalanarak kendi kendine bağımsız çalışabilir hale geleceğini ümit ediyoruz” diyor.
Öğrenen makineler alanında karşılaşılan
en önemli sorunlardan biri de bir ortamdaki
görüntü bilgilerini işleyebilecek sistemlerin
geliştirilmesidir. 2011 Şubat ayında “Watson”
267_268_269_270_271_272_273_274_CP_04
3/26/12
5:55 PM
Page 7
Kuadrokopter, karmaşık ortamların 3B haritalarını
çıkarabilmek için video kameralarıyla lazer
tarayıcılarından faydalanan bir uçan platform. Bu
cihazın çeşitli modelleme ve denetleme etkinliklerinde
çok faydalı olabileceği düşünülüyor.
isminde IBM marka bir süper bilgisayar, “Jeopardy” adında bir televizyon bilgi yarışmasında en iyi yarışmacıların hepsini geride bırakmıştı. Ancak Watson sadece veri tabanlarından ve internet sorgulamalarından aldığı
bilgileri derlemekle yükümlü karmaşık bir sistemdi. Gerçek dünyada bilgisayarlar halen çok
beceriksiz. Küçücük bir çocuk bile önünde bir
ağaç olup olmadığını anlayabilirken aynı süreçte bilgisayarlar fazlasıyla zorlanır. Ancak
günümüzde üniversiteler ve şirketlerde araştırma grupları tarafından gerçekleştirilmekte
olan araştırmalar sayesinde bilgisayarların
görmelerini sağlayan bileşenler artık ticari birer uygulama haline geliyor.
Siemens Princeton, New Jersey, Avusturya
Graz ve Almanya Münih’deki araştırma ve geliştirme tesislerinde endüstriyel siteler, binalar, kara yolları ve altyapılar gibi karmaşık şe-
killerin uydu görüntülerini araştırabilecek ve
konteynerlerin ve ambalajların X ışını görüntülerini çıkartarak içinde şüpheli nesne olup
olmadığını anlayabilecek, yol işaretlerini okuyabilecek, trafik sıkışıklıklarını engelleyebilecek sistemler geliştiriyor. Kuadrokopter’in
yaptığı gibi erişilmesi zor olan yerlerin haritasını çıkartıp denetlemesini yapabilecek diğer sistemleri analiz ediyor. Bu uygulamaların hepsinde ortak olan, tıpkı küçük bir çocuğun etrafındaki nesneleri algılama ve birbirinden ayırt etme yeteneğini geliştirmesine
benzer bir öğrenme yeteneği. Bilgisayar bilimcileri “denetimli öğrenme” denilen bir süreç aracılığıyla bilgisayar programlarının içine yüzbinlerce görüntü yüklüyor. Ardından
da algoritmalar aracılığıyla nesnelerdeki ortak yanların özellikleri tanımlanıyor. Örneğin
sokaktaki insanlar genellikle bacakları ve kol-
larıyla dimdik yürür ve başları da diktir. Diğer
taraftan bir masanın, üzerine eşyaların konulacağı düz bir yüzeyi ve altında onu destekleyen dört tane bacağı vardır. İşte bu gibi nesne sınıflamaları yapılabilmesi için bilgisayar
programları dijital tanımlamalar yapar. Ardından bu sayede özel görüntü verileri için semantik bir sorgulama yapılması veya örneğin
bir sürücü destek sisteminin trafik ışıklarını
otomatik olarak algılaması mümkün olur.
Farklılıkları algılamak. Ancak araştırmacılar büyük sıklıkla görme sistemlerinin bir metro istasyonundaki insanların sayısını saymak
gibi çok daha karmaşık işleri yapabilmelerini
ister. Örneğin gelin bir görme sisteminin insan kafalarını algılayabildiğini ama bedenlerini kalabalık yüzünden algılayamadığını varsayalım. Yine de bir insan gördüğünü anlayabilecektir. Çünkü bir insanın veya nesnenin
herhangi bir insanın önünde durarak onu nasıl görünemez hale getirdiğini bilmektedir ve
bu gibi engellemelerden fiziksel sonuçlar çıkartmak konusunda mantıklı düşünebilir.
Princeton’da bir bilgisayar bilimcisi olan
Vinay Shet, “Gelecekte bilgisayarlar arşivlenmiş çok daha karmaşık video verilerinden,
özellikle de adli sistemlerin verilerinden karmaşık şablonlar çıkartabilecek” diyor. Bu gibi bir karmaşık şablon çıkartılmasına yönelik
adli bir soruşturma örneği olarak havalimanı
gibi büyük bir tesise boydan boya kameralar
yerleştirerek bir insanın davranışlarının takip
edilmesi gösterilebilir. Shet, bu görsel şablon
çıkartma soruşturmasını “görsel dilbilgisi” arama işine benzetiyor. “Görüntüler ve video verilerinin de tıpkı bir lisandaki cümleler gibi
formülleştirilebilecek ve görsel dilbilgisi olarak yorumlanılabilecek belirli yapıları vardır”
diyor. Bu iş belirli özellikleri görsel verilerle
ifade ederek yapılıyor. Ardından bu özelliklerin kombinasyonuyla aynı insanın farklı ka-
Gelecek&Trendler
7
267_268_269_270_271_272_273_274_CP_04
3/26/12
5:55 PM
Page 8
8
ÖĞRENEN MAKİNELER
meraların görüntülerinde görülüp görülmediğinin anlaşılması sağlanıyor.
Aynı görsel dilbilgisi teknolojisi, aslında
Siemens Altyapı ve Şehirler Bölümü’nün ilgilendiği bir proje olan kargo ve bagajların güvenlik taramasında da kullanılabilir. Örneğin
görsel şablon algılama ile içinde bir fünye,
patlayıcı ve tetikleyicinin olduğu bir bombanın karakteristik dizilimi algılanabilir. Bugün
bu iş, dünyanın her yerinde halen havalimanlarında çalışan insanlar tarafından yapılıyor.
Şu anda görsel sorgulamaları yapan otomatik algılama algoritmaları kusursuz çalışmıyor. Hem insanın hassaslığını hem makinelerin hızını birleştirmeyi hedefleyen inovasyoncu bir proje, New York Columbia Üniversitesi’nde bir ansefolagram uzmanı (EEG) olan
Paul Sajda liderliğindeki ekip tarafından yürütülüyor. Fonlamasını ise Birleşik Devletler
Savunma Bakanlığı yapıyor. Bu projeye Princeton’daki Siemens Kurumsal Teknolojiler’den
gören makineler konusunda uzman biliminsanları da destek veriyor. Burada ana fikir en-
Güvenlik uygulamaları
dört köşe görüntülere ya da çiplere bölünüyor ve bir sinyal analizi bilgisayarına bağlı çoklu elektro, elektro ansefolagram sensörü olan
bir görüntü analistine gönderiliyor. Bu çipler,
analistin bilinçli olarak analiz edip tepki vermesinden çok daha çabuk (saniyede 5 ila 10
arasında) olacak şekilde birbirlerinin ardısıra
gösteriliyor. Ancak EEG sistemi bir çipin içinde hedef ilgi alanı olduğunda, bir beyin sinyali
yaratmayı öğrenebilir. Üçüncü olarak da bu
analiste EEG tarafından algılanmış çiplerin olduğu bölgeler gösteriliyor ve o da nihai hedef belirleme kararını veriyor. Princeton’da
bir Siemens araştırmacısı olan Claus Bahlmann, “Bu kombine yaklaşımla analizlerimizin hızı dörde katlandı” diyor.
Sürücüsüz forkliftler. Akıllı görüntü analizleri endüstriyel ortamlardaki taşıma işleri
için de gerekli. Burada örnek bir vaka Siemens
tarafından Almanya, Münih ve Stuttgart’ta
forklift gibi ticari araçlar için geliştirilmiş bir
proje olan “Otonom Yol Destek Sistemi”. Bu
cinsine göre gelecekte diğer nesneleri de algılamayı öğrenecek. Hatta içinde bulundukları alanı bile algılamayı öğrenebilecekler” diyor. Bu gibi sistemler için potansiyel uygulamalar yelpazesinin içinde güvenlik robotları,
müzelerde robotik rehberlik ve alışveriş merkezlerinde robotik yardımcılar bulunuyor.
Harita okuyan robotlar. Princeton’dan bir
başka araştırmacı Maneesh Singh de mobil robotlar üzerine çalışıyor. Singh kısa süre önce,
aslında tekerlekli bir düdüklü tencereye benzeyen ve kullanıcının el ile kol hareketlerini
algılayıp yorumlayabilen Microsoft ürünü “Kinect” kamera sistemiyle donatılmış bir robot
almıştı. Başlangıçta Xbox 360 oyun konsolu
için geliştirilmiş bu kamerada bir adet 3B sensör vardı. Bu sensör robotun sadece önündeki engelleri algılayıp onların etrafından dolaşmasını sağlamakla kalmıyor, aynı zamanda
etrafındakilerin gerçek zamanlı bir modelini
de sunarak kendi konumunu kendi kendine
tesbit etmesini de sağlıyordu.
Bir forklift lazerleri aracılığıyla otomatikman içinde bulunduğu ortamı tarayabilir ve hafızasına yerleştirebilir (ortada). Maneesh
Singh’in robotu (sağda), kendi yönünü bulmak için 3B sensörlerine güveniyor.
düstriyel siteler, binalar, kara yolları, helikopter iniş pistleri gibi yüksek öneme sahip
nesnelerin algılanabilmesi için çok büyük uydu görüntülerinin çabucak taranabilmesi.
Araştırmacılar bugüne kadar gören makineleri, toplam görüntü analizi sürecini ciddi derecede hızlandıran bir sistemde, elektronik olarak takviyelendirilmiş insani görüşle birleştirmeyi başarabildi. İlk olarak Siemens
tarafından geliştirilmiş bir gören makine yazılımıyla çöller, yoğun ormanlar veya bozkırlar gibi hiçbir ayırdedici özelliği olmayan homojen alanlara sahip bölgeler gizleniyor. İkinci iş olarak görüntünün geriye kalan potansiyel anlamda enteresan olan bölümleri, küçük
araç kendi rotasını yanında yürüyen bir işçinin yol göstermesiyle öğreniyor. Yeri nadiren
değişen alanları böylece ezberlemiş oluyor.
Bu sayede defalarca aynı rotada güvenli bir
şekilde kendi kendini yönlendirebiliyor.
Münih Siemens’de bir robot bilimleri uzmanı olan Gisbert Lawitzky, “Bu sistem aynı
zamanda belirli bir noktaya kadar nesne algılaması yapabilme kapasitesine de sahip. Paletler ve kasalar gibi bir depodaki önemli nesneleri kendiliğinden algılayabiliyor” diyor.
Otonom Yol Destek Sistemleri şu anda Daimler’de, özellikle paletlerin yükleme rampalarına taşınmasında ve tekrar geri getirilmelerinde kullanılıyor. Lawitzky, “Bu araçlar işin
Singh, “Tıpkı insanlar gibi bu mobil cihazlar da bir binanın girişindeki kat planına
bakabilecek, onu anlayabilecek ve binanın
herhangi bir yerine gitmek için onu kullanabilecek. Aynı zamanda içinden geçtiği yerlerin
görsel bir haritasını da çıkarabilecek” diyor.
Ancak Singh’in kendi robotu hakkında
çok daha ihtiraslı bir planı daha var. Yakın gelecekte öğrenen makineleri sadece insanları
ve onların davranışlarını farketmeyi öğrenmekte değil, aynı zamanda onlarla iletişim
kurmakta ve doğal etkileşim kurmak yoluyla
bir şeyler öğrenmekte de kullanmak istiyor.
“Çok yakında nesneleri göstererek ve onlarla
konuşarak robotları tıpkı kendi çocuklarımızı
267_268_269_270_271_272_273_274_CP_04
3/26/12
5:55 PM
Page 9
Optik karakt er algılama
eğittiğimiz gibi eğitebileceğiz” diyor.
Singh’in öğrenen robotu da tıpkı
Genç’in Fly&Inspect’i gibi henüz geliştirilme aşamasında. Siemens’in Araştırma ve
Geliştirme Departmanı’nda bu gibi fikirler
hakkında bir karar verilmeden önce genellikle piyasalara uygun olup olmadıklarının belirlenmesi için diğer ilgili iş birimleriyle birlikte belirli bir süreliğine test edilir. Bu da Siemens mühendislerine yeni şeyler üzerinde deneyler yapma özgürlüğü tanır. Bu çabalardan biri de öğrenme etkinliğini kutunun dışına çıkartan “Outlier (Aykırılık)“ girişimidir.
Sizi çok net
okuyabiliyoruz
Anormallikleri yakalayan sistemler.
Uyarlanabilir görüntü algılama algoritmalarının çoğu bir sistem devreye alınmadan
önce eğitimden geçirilir. “Outlier”, çalışırken öğrenebilen akıllı bir izleme sistemi.
Bugüne kadar sadece labaratuvarlarda
kullanılan bu sistem, video verilerini kaydederken kendi görüş alanında nelerin
normal olarak değerlendirilebileceği hakkında istatistiksel modeller geliştiriyor.
Eğer bir caddede herhangi bir aracın patinaj yapıp savrulması gibi olağan dışı bir
olay gerçekleşirse, bunun sıra dışı bir olay
olduğunu algılıyor ve derhal bu vakayı denetçisine bildiriyor. Ardından bu olayın
kendisinin karar vermesi gereken bir vaka
olup olmadığını, mevcut geri beslemelerden faydalanarak öğrenebiliyor ve sonrasında böylesi bir olayı rapor edip etmemesi
gerektiğine karar veriyor.
Graz, Siemens’de bir araştırmacı olan
Josef Birchbauer, “Outlier kesinlikle bir paradigma kaymasıdır” diyor. Birchbauer ısrarla altını çizerek bu sistemin eşi benzeri
bulunmayan özelliğinin, ister Times Square’de ister bir havalimanında olsun, önceden tahmin edilmesi imkansız olayların yaşandığı karmakarışık bir dünyada olmazsa
olmaz bir özellik olan yeni koşullara uyum
sağlamak olduğunu söylüyor. Birchbauer,
“Bu yaklaşım büyük ihtimalle bu alanla sınırlı kalmayacak” diye uyarıyor ve ekliyor:
“Gelecekte video güvenlik sistemleri muhtemelen binlerce görüntüden faydalanılmaksızın kullanıma alınmadan önce adamakıllı eğitilecek. Ancak ondan sonra gerçek zamanlı olarak faaliyete geçmek için
tam anlamıyla öğrenebilir hale gelecekler”
diyor.
Hubertus Breuer
Otomatik bir metin algılama
sistemi sayesinde Siemens
posta tasnif sistemlerinde
global pazar lideri oldu.
Siemens’in geliştirdiği yazılım,
elle yazılmış Arapça, Çince
karakterleri ve Kiril harflerini
güvenilir bir şekilde
okuyabiliyor.
Optik karakter algılama sistemleri uluslararası
posta trafiğinde inanılmaz bir devrim yaptı. Ancak
bu teknolojinin başka pek çok alanda da müthiş bir
potansiyeli var. Ortaya çıkan uygulamalar arasında
ulaştırma ve güvenlik sistemlerinden görme
özürlüler için okuma destek cihazlarına kadar
her şeyi bulmak mümkün.
P
osta taşıyıcılarıyla ilaç şirketlerinde ortak
olan bir şey vardır. Her iki grupta da en
kötü el yazısının bile şifrelerini çözebilmelerini sağlayan kriptografik becerilere rastlanır.
Ancak günümüzde inanılmaz yeni öğrenme
süreçlerinin geliştirilmesi sayesinde en değişik yazı türlerini bile otomatik olarak algılayabilen makineler var.
Bunu mümkün kılan teknoloji ise optik
karakter algılama ya da OCR olarak biliniyor.
Siemens’de ürün müdürü olan Peter Schindler büyük bir gururla, “İş algılama sorununun
çözümüne geldiğinde biz küresel pazarın lideriyiz” diyor. Burada bahsedilen becerilerin
makineyle yazılmış metinlerin okunmasıyla
hiçbir alakası yok çünkü bunu zaten herhangi sıradan bir tarayıcı da yapabiliyor. Onların
asıl başarısı, elyazısının şifresini çözmeleri.
Schindler Siemens’in OCR teknolojisinin bu-
gün dünyanın dört bir yerindeki posta tasnif
tesislerinin neredeyse yarısında kullanılmakta olduğunu tahmin ediyor. Bu algılama sistemlerinin global pazar hacmi bugün yaklaşık bir milyar dolar civarında ve bu birimleri
üreten Siemens’in Mobilite Bölümü’nün pazar payı da yüzde 35 düzeyinde.
Siemens’deki OCR geliştiricileri sürekli
kendi teknolojilerini iyileştirmeye çalışıyor. Almanya, Konstanz’daki Siemens Mobilite’de
görüntü ön işleme ve nesne algılamadan sorumlu ekibin teknik müdürü olan Matthias
Schulte Austum, “En yeni ürün hattımız olan
ARTread, el yazısıyla yazılmış adresleri yüzde
90-95 arasında bir oranla doğru okuyabiliyor”
diyor. Ancak bu sistemin kötü bir el yazısı ile
yazılmış adresleri okuyabilmekten çok daha
fazlasını yapması gerekiyor. Örneğin zarfın
üzerindeki adres değişikliklerini, gönderici taGelecek&Trendler
9
267_268_269_270_271_272_273_274_CP_04
3/26/12
5:55 PM
Page 10
10
ÖĞRENEN MAKİNELER
rafından yazılmış notları ve hatta pulun değeri gibi gerekli bilgilerin tamamını otomatik
olarak tanımlayabilmesi şart. Burada genel
hedef otomasyon seviyesini maksimumlaştırmak. Schulte Austum, “Elle yapılan işleri
mümkün olduğunca en aza indirgemek için
bir gönderiyle ilgili bütün bilgileri otomatikman algılamak istiyoruz” diyor.
Bu sistemler için özellikle Rusya, Hindistan, Çin ve Arap dünyasında devasa gelişme
potansiyeli var. Konstanz’daki Siemens inovasyon merkezinde bir uzman olarak çalışan
Ingolf Rauh, “İster Kiril ister Çin isterse de
Arap alfabelerinden olsun, her türlü elle yazılmış metni okuyabilecek algoritmalar geliştiriyoruz. Hatta geçenlerde Arapça el yazısının okunmasıyla ilgili bir yarışmayı kazanmış-
Optik karak ter algılama
Kara yollarının taranması. Bu gibi potansiyel pazarlardan biri de paralı karayollarında kullanılan ücretlendirme sistemleri için
otomatik plaka okuma işi.
Örneğin Siemens’in Sicore sistemleri, otomobiller caddelerde ve otobanlarda çok hızlı
giderlerken bile onların plakalarını çabucak
okuyabilecek görüntü işleme yazılımı yüklü
kameralardan faydalanıyor.
Bu gibi sistemler örneğin İngiltere’de kullanılıyor ve hatta Londra gibi şehirlerde araçlardan trafik sıkışıklığı ücreti alınıyor. Trafiğin
sıkışık olduğu bölgelere giren arabalar kameralarla otomatik olarak kaydediliyor ve
sonra sürücülerinin ödeme yapma sistemindeki veri tabanında kayıtl olup olmadığı kontrol ediliyor.
Tünel güvenliği. Safezone sisteminin daha
kapsamlı bir sürümü şu anda Alman Eğitim ve
Araştırma Bakanlığı’nca yürütülen bir proje
çerçevesinde değerlendirilme aşamasında. Burada temel hedef, üzerinde tehlikeli madde
işaretleri olan kamyonların otomatik olarak
tanımlanması. Bu işaretler turuncu renkte ve
iki adet rakam içeriyor. İlk rakam tehlikeli
maddenin sınıfını belirlerken ikincisi tehlikeli maddenin bizzat kendisini tanımlıyor.
Von der Nüll, “Bu işaretlerin otomatik
olarak algılanmasıyla tüneller ve köprüler artık daha güvenli hale gelecek“ diyor. Yapılan
planlara göre bu sistem örneğin hidrojen taşıyan bir kamyonun oksijen taşıyan başka bir
kamyona çok yaklaşması gibi bir durumda tüneli otomatik olarak kapatacak. Ayrıca içinde
Gerek gıda ürünlerinin son kullanma tarihlerinin okunmasında olsun gerek ücretli yolların fiyatlandırılmasında (ortada) ya da araba
plakalarının okunarak tünellerde araçların hız sınırlarına riayet etmelerini sağlamakta olsun, optik karakter algılama geniş bir kullanım
yelpazesi için ideal bir çözüm.
tık” diyor. Bu rekabette karşılaşılan en önemli meydan okumalardan biri de Tunus’daki şehirlerin isimlerini hiç yanlışsız tanımlayabilmekte yatıyor.
Optik karakter algılamanın prensipleri
daima aynı kurallara dayanır. Çok işe yaradığı ispatlanmış yöntemlerden birinde sistemler, el yazısı ile yazılmış binlerce mektubu veya diğer türden gönderiyi birbirleriyle kıyaslayacak şekilde eğitilir ve ardından öğrenme
süreci boyunca onları titizlikle tasnif eder.
Rauh, “Biz bu gibi bir teknik için muazzam çeşitlilikte bir potansiyel uygulamalar havuzu olduğunu fark ettik. Bu yüzden de OCR
teknolojisinin kullanımında içinde yepyeni pazarların da olduğu tüm olasılıkları keşfetmeye karar verdik” diyor.
Daha gelişmiş bir uygulamada ise hız sınırının olduğu yerlerde arabaların plakalarını otomatik olarak kaydeden kameralar kullanılıyor. Bu kameralar hız radarlarının aksine araçların karayolunda aldıkları mesafe boyunca ortalama hızını ölçüyor. Bu sayede bu
sistem, bir sürücünün örneğin bir tünelden
geçerken aşırı hız yapıp yapmadığını anlayabiliyor. Konstanz’daki Siemens’de yeni ürünler ve teknolojiler geliştirmekten sorumlu
Stephan von der Nüll, “Biz İngiltere’de Siemens ITS ile işbirliği kurarak Safezone (Güvenli bölge) denilen bir sistemi geliştirirken
kendi kamera teknolojimizi kullanmıştık. Bu
türden hız takibini şehir içinde mümkün kılan
ilk sistemdi” diyor. Safezone’un piyasaya lansmanı hemen hemen hazır gibi.
bir kazanın olduğu bir tünele girmek üzere
olan tehlikeli madde taşıyan bir kamyon olup
olmadığını çabucak görebilmek de mümkün
olacak.
Gelecekte OCR teknolojisinin uygulamada her yerde kullanılacak kadar geliştirilmesi
olası görünüyor. Burada ilk akla gelenler arasında gıda ürünlerinin üzerindeki son kullanma tarihlerinin otomatik algılanması ve otomotiv ile elektronik endüstrilerinde kullanılan baskılı devre kartlarının seri numaralarının ve üretim tarihlerinin tanımlanması bulunuyor. Görme özürlü insanlar da bu işten kazançlı çıkabilir çünkü OCR sistemleri, harfleri,
kitapları veya süpermarketlerdeki gıda etiketlerini onlara yüksek sesle okuyabilir.
Rolf Froböse
205x275_Early_Detection_Europe_magazine_GD.indd���1
09/12/2011���10:32�AM

Benzer belgeler