Gelecek Trendler - e
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