Bu yılın parlayan yıldızı üretken yapay zeka. Üretken yapay zeka IoT (Nesnelerin İnterneti) tarafında sektörleri nasıl etkileyecek?
Üretken yapay zeka dönüştürücü bir teknoloji, bunu sorgulayamayız. Pek çok müşterimiz de bize “bunu nasıl uygulayabilirim? AWS bu alanda fikir liderliğini eline alabilir mi? Çünkü potansiyel olduğunu görüyoruz ama bunu henüz endüstriyele ve imalata nasıl uygulayacağımızı bilmiyoruz” diyordu. Ekibimiz buna zaman ayırarak probleme ve teknolojinin çözüme nasıl yardımcı olabileceğine baktı. Sonuç olarak insan odaklı bir yaklaşım izleyerek, imalatta nerelerde hızlı karar vermek için yüksek seviyede uzmanlık ihtiyacı olduğuna bakmaya karar verdik. Mesela, bozulan bir şeye nasıl servis sunarım, bu seviyede bir uzmanlığa nasıl her zaman sahip olurum, bu uzmanlığa sahip olan kişi bozulma anında orada olmasa bile nasıl sahip olurum… İnsanlar tatile çıkıyor; bunu yapmaya hakları var. O yüzden nasıl görev bazlı yardım sağlayabiliriz diye düşündük. Bulduğumuz çözümlerden biri bir üretim bölümü asistanı oluşturmaktı. Böylece operatörlerden biri bir alarm alırsa hemen “dijital ikizimde bir alarm görüyorum, bunun sebebi ne olabilir?” yazabiliyor. Burada geçmişte bu alarma yol açan şeyler de göz önünde bulunduruluyor; sadece “hatta duraksama var, hatta bozulan bir şey var” değil. Alarma sebep olabilecek başka neler olabileceğine bakılıyor.
Üretken yapay zeka da temel sebep analizi dokümanlarına bakabiliyor. Üretken yapay zekayı yalın yönetim sistemlerimizin, temel sebep analiz dokümanlarımızın, kendi yazdığımız operasyon prosedürlerimizin, hatta imalatçı dokümanlarının büyük dil modellerini kullanarak eğitebiliriz. Sonrasında üretken yapay zeka buna bakarak böyle bir alarma neden olacak üç sebebi sıralayabilir. Bunun peşine ise üretken yapay zekaya sahip olduğumuz için “bir sonraki adım olarak ne önerirsin?” diye sorabiliriz ve o da bize “önce bunu bir incelemen lazım çünkü bu en sık görülen sorunlardan biri ve bir de buyurun, burada nasıl inceleme yapacağına yönelik olarak standart operasyon prosedürleri dokümanı var” diyebilir. Dokümanı açtıktan sonra “önce soğutucuyu incelemem gerekiyorsa önce şunu sonra şunu halletmem gerekiyor” diyebilirsiniz. Üretken yapay zeka ise “ikinci bir opsiyonun var; eğer sorun soğutucu değilse, ikinci mümkün sorun şu olabilir” der.
Belki ikmaliniz çok hızlıdır ve bunu kontrol edip normal hızının ne olması gerektiğine bakmalısınız. Eğer öyle değilse, yiyecek ve içecek üretimi, fırıncılık gibi bir şey yapıyorsak, ürünün yukarı akış tutarlılığı çok ince veya çok hafif olabilir. Belki karıştırma kısmında veya hamur üretiminde bir sorun olabilir. Bilemiyorum. Ancak üretken yapay zeka size, bu şeyleri düzeltmek için standart işletim prosedürünü sağlarken, bu şeyleri en iyi nasıl araştıracağınızı görmeniz ve anlamanız için öneriler verebilir. Bunların hepsini de elinde iPad olan biri AI asistan sayesinde hızlıca yapabilir.
Bu nedenle bence imalat alanında üretken yapay zekayı kullanarak, dijital ikizlere çok fazla IoT verisi geldiğini de göz önünde bulundurursak, kesinti sorunlarını hızlıca çözebiliriz ve bunun da çok büyük etkisi olacaktır. İmalatın devam etmesi için çok hızlı bir şekilde yeniden çalışır olmak önemli. Aynı zamanda bu sorunları hızlıca çözebilmek için, yüzlerce şeyi incelemenize gerek kalmadan en sık görülen sebeplerin çok hızlı ve eksiksiz bir listesine sahip olmak da bir o kadar önemli. Bence bu, oyunu değiştiren bir şey olacak.
Yolun henüz başındayız.
Hem de çok başındayız ve bu sadece bir fikir, bizim oluşturduğumuz bir konsept. Bu konu hakkında bir blog yazısı yazdık ve bir açık kaynak proje oluşturduk. Müşterilerimizden biri de bunu halihazırda uyguluyor. Yani daha şimdiden değerini görüyoruz. Başka konular da var; bence endüstriyel süreçlerin konuşlandırılması da oldukça zor. Bu nedenle üretken yapay zekayı konfigürasyon zamanında nasıl kullanabileceğimize bakıyoruz. Örneğin, varlık hiyerarşisi ve ekipman modelini kullanarak verimizi modellemeye çalışıyoruz. Ona sunduğumuz girdilerle üretken yapay zekanın bu varlık hiyerarşisini oluşturmasını bekleyebilir miyiz?
Bundan mesela beş yıl sonra bu dönüşümün geleceğini nasıl görüyorsunuz?
Sanırım hem biraz yaygın hem de biraz saklı olacak. Üretken yapay zekanın bize yardımcı olduğunun farkında bile olmayacağımızı düşünüyorum. Yalnızca öneriler ve içeriksel bağlantılar göreceğiz ve bize “böyle bir şey olmuş gibi görünüyor, tamir için ihtiyacın olan standart operasyon prosedürü burada” diyecek. Bu noktaya geldiğimizde hiç kimsenin AI asistanlardan bahsedeceğini düşünmüyorum. Yalnızca standart insan makine arayüzleri (HMI) işlemde olacak ve orada “gidip bunu tamir etmen lazım” gibi bir ipucu belirecek. Bu sayede biraz daha görevli odaklı olabileceğimizi düşünüyorum.
Amazon Q büyük bir şirkete bağlandığında hangi fırsatlar görülebilir? Bunun şirkete faydaları nelerdir?
Az önce bahsettiğime benzer bir durum olacağını düşünüyorum. Fayda, kendi dokümantasyonunuzu kullanarak büyük dil modellerini eğitebilmenizden sağlanacak. Üretken yapay zekanın nereden geldiğini göz önünde bulundurursak büyük kısmının tüm internet tarihini temel alan bir anlık görüntü olduğunu görüyoruz, değil mi? Amazon Q gibi bir ürünü alıp eğittiğinizde bu da anlık bir görüntü olacak tabii ki ama oldukça ilgili, oldukça filtrelenmiş, özenle seçilmiş verilerin anlık görüntüsü olacak. Bu görüntü de kusursuz öneriler sunacak büyük dil modellerini oluşturmamızı sağlayacak. Bence bu, oyunu değiştiren bir şey olacak.
Edge (uç) cihazlarda çalışan yapay zekadan sıkça bahsediliyor. Yapay zekanın edge’de çalışmasına yönelik planlarınızı bana anlatabilir misiniz?
Evet, halihazırda edge’deki çıkarımları destekliyoruz. SageMaker model eğitiminden faydalanmak için fabrika bilgilerini buluta bağlama gibi işler yapıyoruz. Bu modelleri bulutta oluşturabiliyor, tüm eğitimleri yapabiliyor, sonrasında da bu çıkarımların edge üzerinde çok küçük ve çok yerel bir şekilde işlenmesini sağlayabiliyoruz. Bunu halihazırda başarılı bir şekilde yapıyoruz. Kendi oturumum için sahnedeyken iki müşteri referansım vardı; NSG ve Toyota. Her iki firma da Lookout for Equipment’ı IoT SiteWise’a entegre ederek kullanıyor. Fabrikalarındaki tüm verileri SiteWise üzerinde topluyor, sonrasında anormallikleri, aykırı koşulları tespit etmek için Lookout for Equipment’tan faydalanıyorlar. Bunlar insanların veride normalde fark edemeyeceği şeyler oluyor çünkü çok incelikliler ve zaman içinde değişiyorlar. Lookout for Equipment ile entegrasyon yaparak edge üzerinde yerel tüketim için kullanılabilecek modelleri oluşturup eğitebiliyorlar. NSG ise fırınlarından birinde fazla gaz tüketimini tespit etmeyi başardı. NSG cam kablo üretiyor ve bir kopma yaşadılar. Fırındaki fazla gaz tüketimi alarm vermek için yeterli değildi ama kalite problemi oluşmasına yetti. Teşhis etmeleri zor olan bir problemdi ve uygunsuz gaz tüketimini bulmak için AI kullandılar. Bunun üretim hattında sorun yarattığını gördüler. Bunu bularak ve en fazla görülen sorunlara bakarak 12 haftada 100.000 pound’dan fazla tasarruf ettiler; ki bu yalnızca üretim kayıplarını kapsıyor. Toyota da benzer bir şey yapıyor. AI’yı tahmini bakım senaryolarını tespit etmek için kullanıyorlar. AI modelini Lookout for Equipment üzerinde eğiterek “Yakın zamanda bozulacaklar. Yedek parçamız var mı? Yoksa hemen yedek parça sipariş etmemiz lazım” demelerini sağlayacak anormal durumlar keşfettiler. Yedek parça ellerinde halihazırda varsa, “parçayı değiştirmek için hafta sonu çalışalım ki üretim hattımız kesintiye uğramasın” diyebildiler. Bu, büyük AI modellerini kullanarak çalışırken edge’de de yerel olarak çalışmanın en iyi yöntemlerinden biri.
IoT cihazlar ve birbirlerine bağlı olmaları güvenlik riskleri doğuruyor mu?
İlk önceliğimiz her zaman güvenlik oldu. Bu cihazların birbirine nasıl bağlandığı konusunda hep temkinli davranıyoruz. Bizde her cihaz kendi özel sertifikasını ve özel kimliğini alıyor. Hesaplar arası içerik kirliliği olmasının yolu yok. Cihazlar hem kullanılırken hem de dinlenirken şifreliler. Veri her zaman şifreli. Sunduğumuz güvenli sertifika yönetimi, bunların oldukça iyi olmasını sağlıyor. Ancak tabii her zaman müşterilerimiz ve cihaz üreticilerimizle aramızda kullandığımız paylaşılan sorumluluk modelimiz var. Daha da güvenli olduğundan emin olmak için kendi taraflarında yapabilecekleri ek şeyler de var. Örneğin, cihazın kimlik yönetimi için donanım güvenliği kullanılması gibi. Bunlar çok ama çok önemli. Bu uygulamaları gördüğümüzde bu cihazların oldukça güvenli olduğunu ve güvenliğin çok iyi bilinen ancak çözdüğümüz bir problem olduğunu görüyoruz.
Evet, dediğiniz gibi cihazların birbiriyle konuşması alanına geçiyoruz. Bunun hala ilgi çekici bir alan olduğunu düşünüyorum ama aynı zamanda cihazların birbiriyle konuşma yöntemi hala güvenli, oldukça standart bir yöntem. Tüketici cihazları tarafında THREAD ve Matter gibi şeylere bakmaya başlıyoruz. Bu standartların devreye girmesiyle, PII (kişisel olarak tanımlanabilir bilgi) olmayan hassasiyetteki verileri açıyoruz. Daha çok cihazın çalışma şekli ve ekosistemiyle ilgili verileri açıyoruz. Örneğin, “Televizyon açıksa ve hareket sensörü bir insanın varlığını fark ederse, robot süpürgeyi başlatma.” Olan etkileşimler bu şekilde. Bence, bu her zaman tedbirli olmamız, güvenliği sağlamak ve daha iyisini yapmak için fırsat aramamız gereken bir alan. Ancak, şu ana kadar bu verilerin açığa çıkarılmasının güvenli ve sorumlu bir şekilde yapıldığını düşünüyorum.
Eklemek istediğiniz bir şey var mı?
Re:Invent’teki oturumumda Siemens ile yaptığımız bir entegrasyonu duyurduk. Endüstriyel dünyada bahsettiğim verileri toplamak konusunda zorluklar var. IT/OT yakınsamasından bahsettik. OT, operasyonel teknoloji. Yani işleyen ve otomasyon yapan makineler, hatlar, programlanabilir mantık bilgisayarları (PLC). IT ise kurumsal kaynak planlama (ERP), malzeme ihtiyaç planlaması (MRP) gibi veriler, ağ trafiği ve benzeri şeyler. IT ve OT şimdiye kadar birbirleriyle pek konuşmadı; genelde ayrı tutulan teknolojilerdi. Siemens ile yaptığımız entegrasyon genellikle OT tarafına ait olan Siemens Industrial Edge ve buluta veri aktarılmasını sağlayan IoT SiteWise Edge’i bir araya getiriyor. Bunları bir araya getirerek IT ve OT arasındaki boşluğu kusursuz bir şekilde kapattık. Eğer bir fabrikayı yönetmek için Siemens Industrial Edge kullanıyorsanız buradaki veriyi artık çok hızlı bir şekilde IoT SiteWise ile buluta atabiliyoruz ve AI, ML, büyük dil modelleri ve diğer görselleştirme araçları gibi uygulamalardan faydalanabiliyoruz. Ayrıca bunu, uygulama ekosisteminin farklı alanlarında, SaaS modellerinde ve buna benzer konularda uzmanlık sağlayan uzman ISV'lerimizin (bağımsız yazılım sağlayıcıları) bulunduğu her yerde sunabiliyoruz. Bu bizim için çok iyi bir duyuruydu.
Servislerimiz arasına aynı zamanda Computer Vision for Automotive ekledik, böylece otomotiv imalatçıları tüm bu video verisini toplayabilir ve FleetWise servisimizin bir parçası olarak video verilerini yakalayabilir ve işleyebilir. Endüstriyel alanın başka bir tarafı için de IoT SiteWise ürünümüz için de buluttaki verilerle etkileşimi kolaylaştırmak için birkaç yeni özellik kullanıma sunduk. Örneğin, yeni olarak, uyarlanabilir veri alımı ile büyük endüstriyel veri setlerinden buluta veri transferi giderlerini yüzde 70 azalttık. Aynı zamanda, ekipman ve varlık model veri alımıyla da hizmetlerin kullanıma sunulma süresini haftalardan saatlere kadar kısalttık. Artık Historian gibi eski bir sistemden aldığımız verileri hızlı bir şekilde, otomatik olarak yeni sisteme aktarabiliyoruz. Yani müşterilerimize önemli ölçüde zaman ve maliyet tasarrufu sunuyoruz.
