Almanların Endüstri 4.0 diye adlandırdıkları bu yeni dönemi anlamaya, kavramaya çalışırken her gün yeni kavramlar ve içerikler önümüze çıkıyor. Bunun böyle olması, çağımızın kaçınılmaz bir gerçekliği. Yaklaşık 250 yıldır birbirilerinden görece bağımsız gelişen bilim disiplinleri şimdilerde farklı düzlemlerde yan yana geliyor ve yaratılan sinerji yeni boyutlar kazanıyor. Bir nevi çapraz ve disiplinler arası gelişen çalışmalar revaçta. Bunların saha uygulamaları da ilk örneklerini vermeye başladı. Dolayısıyla değişik disiplinlerin bir araya gelmesiyle karmaşıklaşan yeni bir sistemden bahsediyoruz. Bu sistemin karmaşık olması onun zor ve anlaşılmaz olduğu anlamına gelmiyor. Çünkü tüm bu sistemler pozitif bilime önayak olan rasyonel akıl tarafından üretiliyor. Yani, tanıdığımız, bildiğimiz bir şey.

Yaklaşık 60 yıldır yapay zekâ alanında çalışmalar yürütülüyor. Fütürist teknoloji ve hatta bilim kurgu özellikleri taşıyan bu çalışmalar, insanları sürekli olarak cezbetmeyi başardı. Her ne kadar adına yapay zekâ olarak adlandırılsa da, beklenti ve tahayyül tıpkı kendimize, insana benzer hatta buna daha fazla güç katacak bir şey kurgulamaktır. (Yapay zekâ ve gelişmiş makineler deyince aklıma daima Uzay Yolu -Star Trek- televizyon dizisi gelir. Bu dizi ABD’de de 1966 yılında gösterime girmiş ve o dönemin yapay zekâ çalışmalarından ilham alarak oldukça faydalanmış. Dizideki karakterler ve oluşturdukları sistem üzerine bu konu bağlamında yazılacak çok şey var.) Laboratuvar ortamlarındaki bu çalışmaların kendilerine koydukları ulvi hedefler konusunda epeyi sıkıntı çektikleri ve (arzu edilen hedefe ulaşma anlamında) bıkkınlık yaşadıkları biliniyor. Sadece bu konu hakkında Microsoft, Google, Facebook ve Elon Musk arasındaki tartışmalar bile durumu özetler nitelikte. Ama tüm bunlar fütürist bir özellik taşıyan teknolojinin bugün eriştiği noktadaki kazanımların hiçe sayılacağı anlamına gelmez. Endüstriyel uygulamalarda -ve artan önemde makine sektörü için- şimdilerde “yapay zekâ, makine öğrenmesi (machine learning) ve derinlemesine öğrenme (deep learning)” hep bir arada kullanılıyor. Bu kavramların içerikleri birbiriyle son derece yakından ilgili hatta içi içe geçmiş halde. Aralarında diyalektik bir bağ söz konusu ama değişik teknikler kullanıldığı ve farklı anlamlar içerdiği de bir gerçek. Yakın zamana kadar karmaşık -yapay zekâ- algoritmalarını kullanabileceğimiz kaynaklar ve bunun çerçevesi mevcut değildi. Şimdilerde en basitinden örneğin ucuz otel, ucuz uçak arama-bulma programları, platformları var. Bu platformlar önceden belirlenmiş bir kod bazlı olarak çalışıyor. Aynı işlemi defalarca yapabilen ama bunca fazla işlem yapmasına rağmen kendi kendine “akıllanan” sistemler değiller.

MAKİNE ÖĞRENMESİ

Makine öğrenmesi, algoritma ve kod bazlı bir yöntem. İşleyişi, mevcut verileri (data) öğrenmek ve karar vermek. Bu teknolojide veri kullanımı sadece bir kaynak üzerinden yürümez; değişik veri kanalları kullanılır ve bunlardan öğrenilerek seçim yapma ve bir öngörüde bulunma söz konusudur. Tabi ki, bu tekniğin de reel dünyamızda kullanımı sınırlı. Çünkü önceden tanımlanmış algoritmalar vasıtasıyla çalıştığı için dinamik bir yapısı maalesef bulunmaz. Şimdi, bir önceki satırda yazdıklarımızdan bu teknolojinin pek de işe yaramaz olduğu çıkarsaması yapılmasın. Bu teknikle bugüne kadar mekanik endüstriyel yaşamımızda birçok kolaylığı, verimliliği sağlamak mümkün. Makine öğrenmesi sistemini daha rafine hale getirmek için bunun bir alt dalı olarak derinlemesine öğrenme geliştirildi. Burada öğrenmek fiili, sisteme bir defa entegre edilen bir özellik değil, öğrenmek bir proses ve süreklilik olarak kurgulanıyor. Bu sistem, birbirine bağlı bilgi tabakalarından oluşuyor ve bir öncenin bilgisi diğer tabakaya, ağlara iletiliyor. Derinlemesine öğrenme, yapay zekâ sistemlerini ve eski bilindik sinir ağları (neural networks) kullanarak bir sistem oluşturmaya çalışıyor ki, bu sistemde enformasyonlar (bilgi verileri) katmanlı algoritma ve software üzerinden yeni “insani” kavrayış ve karar mekanizmaları taklit edilebilsin. Derinlemesine Öğrenme, büyük veri (big data) bazlı bir sistem. Dolayısıyla oldukça fazla ve değişik veriye ve bunun yanında da tüm bu büyük veri ve analizlerin yürüyebileceği güçlü bir enformasyon teknoloji-altyapısına ihtiyaç duymaktadır. Endüstride, derinlemesine öğrenme algoritmalarına talep her geçen gün artıyor. Çünkü birçok işletme rekabet baskısı altında. İşletmelerin böylesi şartlarda karar vermesi için daha fazla veri modellemesi ve simülasyon teknolojileriyle desteklenmiş bir sisteme ihtiyaç duydukları aşikar. Türk makine sektörü de veri toplama, analiz ve karar mekanizmaları için bir an evvel kolları sıvamalı. Kamu kurumları da bu alanda ihtiyaç duyulan/duyulacak olan enformasyon teknoloji-altyapı çalışmalarına hız vermelidir.