Otomasyon, Endüstri. 3.0’ın devamı olarak dijital dönüşüm sürecinde işimize çok yaramadı mı? İnsanların gerçekleştirdiği, ancak bunun zaman ve maliyet bakımından artık pahalı hale geldiği üretim ve iş süreçlerinde, girdilerini bildiğimiz ve çıktılarının ne olacağından emin olduğumuz süreçleri yazılımlar, yani daha somut olarak makineler veya botlar şimdiye kadar çok iyi işler başarmadılar mı?
Ancak Endüstri 4.0 kavramının beklentisi, bunun bir adım ötesi… Yani makinelere, özellikle de merkeziyetsiz verilerle ne yapacağını, nasıl anlamlandıracağını öğretmek ve bu verilerden analitik bir tablo çıkarmak… Böylece hem elimizdeki verilerin neye yarayabileceğini görmek hem de geleceğe dönük tahminleme yapabilmeyi istiyoruz. İşte bu noktada bir yapay zeka teknolojisi olarak tanımlayabileceğimiz makine öğrenmesinin, süregelen dönüşümün en önemli mimarlarından biri olduğunu görüyoruz.
Kora Analitik, faaliyet alanı itibariyle Robotik Süreç Otomasyonu (RPA) ve makine öğrenmesi arasındaki ayrımı anlatan, 2015 yılından itibaren karar destek istemlerine makine öğrenmesi yöntemini dahil eden bir girişim. İş zekası, yapay zeka, RPA ve dijital ikiz alanlarında faaliyet gösterem Kora Analitik’in Yönetici Ortağı Mevlüt Serdar, bize bu ayrımın neden önemli olduğunu şöyle ifade ediyor: “RPA teknolojisinin temel felsefesi, geleneksel otomasyon teknolojilerinin süreçlere uygulanmasındaki zaman ve maliyet kısımlarını oluşturan derin teknik analiz ve entegrasyon gibi bağımlılıkları minimal seviyede tutması. Bunu sağlayan yaklaşımı; elle ve tekrarlı gerçekleştirilen işlemlerde kullanılan arayüzleri ve uygulamaları bir insanın kullandığı şekilde otomatize etmesi. Makine öğrenmesi otomasyon, optimizasyon, öngörü gibi birçok problemin çözümünde kullanılabilen bir teknoloji. RPA temelde makine öğrenmesinin otomasyona uygulanmış hali değil. Bu konuda çeşitli anlam kargaşaları olduğunu görüyoruz.
RPA, iş kuralları insan tarafından tam anlamıyla tanımlanabilen girdi ve çıktıların net ifadelerle eşleştirilebildiği işlemlerin otomasyonu ile ilgilenir.
Makine öğrenmesi ise kuralları insan tarafından tam olarak belirlenemeyen ya da belirlenmesi pratikte mümkün olmayan problemlerde girdi-çıktı ilişkisini öğrenerek analitik bir model oluşturmaya çalışır. Bu sayede yeni gelecek girdiler için tahmini çıktılar üretir.”
İŞLERİNİZİN DURMAMASI İÇİN…
Mevlüt Serdar’ın bahsettiği, makine öğrenmesinin işe yaradığı süreçler hangileri? Serdar’ın cevabı şöyle: “Örneğin bir e-mail içeriğini algılama, bir evrakta ıslak imza kontrolu veya fotoğrafı çekilmiş bir aracın hasarlı yerlerinin tespiti… Bunlar insan becerisiyle yapılabilen işler. Bu gibi beceriler insanlar için oldukça kolay fakat yazılımsal olarak kurallarını tanımlayamadığımız için makine öğrenmesine ihtiyaç duyuyoruz. Öte yandan fotoğrafın açılması ve kontrol sonrası yapılacak işlemler, kurallarla tanımlayabildiğimiz RPA ihtiyacı içeren işlemler.
Ancak burada başka bir noktanın altını çizmek gerek; birden fazla robotunuz birçok iş sürecini devraldığında artık robotlarınız sağlıklı çalışması çok daha kritik hale geliyor. Robotlarınızın sağlıklı şekilde çalışabilmesi ve sorunların erken tespit edilerek iş süreçlerinizin minimum aksama ile sürebilmesi makine öğrenmesi ile mümkün.
Makine öğrenmesinin anomalileri tespit edebilen teknikleri sayesinde robotlarınızın yaptığı her işlemi izleyerek normalin dışında çalışma davranışı gösterdiğinde alarm vermesi, sorunun kaynağını işaret etmesi sağlanabilir.”
SİGORTACILIK TAMAMEN DİJİTALLEŞEBİLİR
Sigortacılık sektörü için 23 yıldır önce otomasyon, sonra da yapay zeka çözümleri sunan Kora Analitik, diğer yandan finans, perakende ve üretim sektörlerine de hizmet ve ürün geliştiriyor. Kora Analitik Yönetici Ortağı Mevlüt Serdar, “Kendine has dinamikleri olan sigorta sektörünün tabiatı gereği tamamen dijitalleşebilmesi mümkün. Bu durum bizi inovasyona daha çok teşvik ediyor” diyor.
MAKİNE ÖĞRENMESİNDE FAYDA İÇİN: ÖNCELİĞİM NE?
Dijitalleşen bir şirketin makine öğrenmesi zorunluluğu elbette yok ama eğer kullanacaksa bu yatırımın çıktısı doğru planlanmalı. Kora Analitik Yönetici Ortağı Mevlüt Serdar, tam olarak bu noktanın altını çizerek şöyle konuşuyor: ”Sağlıklı veri olmadıkça makine öğrenmesi, hatta herhangi bir analitik yazılımdan söz edemeyiz. Makine öğrenimi açısından bakarsak esasen çoğu problem için iş bilgisinin en kritik kısım. Yani problemi ve metriklerini doğru tanımlamak, makine öğrenmesinin getireceği faydayı doğru ölçebilmek ve tüm paydaşların bu sistemden nasıl etkileneceğini planlayabilmek. Her problemi makine öğrenimi ile çözmeye çalışmak yapılacak yatırıma göre mantıklı olmayabilir. Bu nedenle önce müşterimizde ön analiz çalışmalarını yapıyoruz. Ardından öncelik-yapılabilirlik düzleminde problemleri konumlandırıyoruz.”
