‘Makine tahsili her vakit inovasyonlarımızın merkezinde’

Geçen yılki re:Invent etkinliğinde makine tahsili ile ilgilenen çok sayıda şirket olduğunu, şirketlerin makine tahsiline adım atmaya başladığını söylemiştiniz. Geçtiğimiz yıl bu alanda ne üzere gelişmeler gördünüz? 

Makine tahsili teknolojisi aslında on yıllardır var, fakat ana akım bir teknoloji değildi ve yakın vakitte geliştiriciler ve bilgi bilimcileri için erişilebilir bir hale geldi. Bunun birincil sebebi, makine tahsili teşebbüslerinin tesirli olabilmesi için çok fazla bilgi süreç gücü, depolama ve uzmanlık gerektirmesi. Bu nedenle geçmişte makine tahsili uygulamaları gerekli finansal kaynakları ve kurum içi uzmanlığı sağlayabilen büyük şirketler ve devlet kuruluşlarıyla sonluydu. Fakat bugün bulut teknolojisi sayesinde, makine tahsili alanı, bu teknoloji ile ilgilenen herkes için açık bir hale geldi. Ayrıyeten, müşteriler ve kuruluşlar artık dijital ortamlarda çok daha fazla bulunduklarından, toplanan bilgi hacmi de arttı. Bu nedenle şirketler bu bilgilere mana kazandırabilmek için de makine tahsili teknolojisine yönelmeye başladı. 

Makine tahsili her vakit Amazon’un inovasyonlarının merkezinde yer aldı. Geriye dönüp bakarsak, ister perakende web sitemizde, ister eserleri optimize etmede ve sürece merkezlerimizin marifetlerini güzelleştirmede olsun, operasyonlarımızın başlangıcından beri makine tahsili kullanıyoruz. Sesli asistanımız Alexa ve robotik merkezlerimiz üzere daha yeni teşebbüslerimiz için de bu teknolojiden faydalanıyoruz. 

Makine tahsilinin, bu teknolojinin potansiyelinden tam manasıyla yararlanabilen her kuruluş için yıkıcı ve son derece güçlü bir teknoloji olduğunu biliyoruz. Bilgi süreç ve depolama yeteneklerine erişimi demokratikleştirdiğimiz üzere, birebirini makine tahsili için de yapmak istiyoruz. Maksadımız makine tahsili ile ilgilenen her geliştiriciye tek bir tık ile bu teknolojiye ulaşma imkanı sunabilmek. 

Hepimiz günlük hayatımızda farkında olarak ya da olmayarak makine tahsili ile geliştirilmiş araç ve hizmetler kullanıyoruz.

Makine tahsili hizmetlerimize üç farklı katman olarak yaklaşıyoruz. Yani, sahip olduğumuz çok güçlü bilgi süreç, depolama ve bilgi analitiği platformlarının üzerinde makine tahsili için katmanlı bir yaklaşım geliştirdik. Bunu yapmamızın sebebi de, birçok kuruluşun makine tahsilini kendi başlarına benimsemeye hazır olmadıklarının şuurunda olmamız. 

En alt katmanda, makine tahsili uygulamaları uzmanları için geliştirdiğimiz maksada yönelik altyapı hizmetlerimiz bulunuyor. Örneğin bunlar, birçok bilim adamımızın üzerinde çalıştığı özelleştirilmiş ve optimize edilmiş makine tahsili framework’leri olabilir. Bu framework’ler, AWS altyapısında çalışacak biçimde tasarlanıyor. Böylelikle uzman pratisyenler, makine tahsili modellerini oluşturmak, eğitmek, düzenlemek ve dağıtmak için kendi araçlarını ve iş akışlarını tasarlayabiliyorlar. 

Orta katmanda, geliştiricilerin ve bilgi bilimcilerin her ölçekte makine tahsili modellerini süratli ve kolay bir biçimde oluşturmasına, eğitmesine ve dağıtmasına imkan tanıyan Amazon SageMaker üzere platform hizmetlerimiz bulunuyor.  SageMaker, geliştiricilere bilgi kümelerini gerçek bir formda etiketlemek, hazırlamak yahut ETL (çıkarma, dönüştürme, yükleme), yani özellik çıkarmak, niteliklerini belirlemek ve sonunda bu modelleri dağıtmak üzere birçok kademede yardımcı olan uçtan uca kapsamlı bir makine tahsili platformu. Bunu ister bulutta yapın, ister modelleri paketleyip uç aygıtlara dağıtın, Amazon SageMaker, müşterilere makine tahsili benimseme seyahatlerinde kapsamlı yönetilen özellikler sunuyor. 

Son re:Invent etkinliğinde duyurduğunuz yeni makine tahsili hizmetlerinden bahseder misiniz? 

Bu yılki re:Invent etkinliğinde bir dizi yeni özellik duyurduk. Kimilerinden bahsetmek gerekirse; makine tahsili uzmanlarının makine tahsili modellerinde şu anda mevcut olan çiplerden çok daha düzgün bir fiyat ve performans ile eğitim yapmasına imkan tanıyan, AWS Trainium ismini verdiğimiz,  gayeye yönelik bir çip ekledik. SageMaker eser yelpazemizin altına bir dizi yeni özellik kazandırdık. Örneğin SageMaker Feature Store ile bilgi bilimciler bilgilere bakarken ve bilgileri makine tahsili için hazırlarken kıymetli özellikleri tanımladıkça bunları depolayabiliyorlar ve öbür takım üyeleri ile paylaşabiliyorlar. Amazon SageMaker Clarify, SageMaker eğitim datalarında oluşturulan modeli etkileyecek bir önyargının tespit edilmesine imkan tanıyor. Böylelikle, bilgilerdeki önyargıyı tespit ettiğinizde modellerinizi tarafsız hale getirmenizi sağlayacak değişiklikler yapabiliyorsunuz. SageMaker Edge Manager ismini verdiğimiz yeni bir eser de duyurduk. Bu eser ile bulutta geliştirdiğiniz modelleri bulut dışında rastgele bir yerde gerçek vakitli data işlemeniz gereken, örneğin fabrikalar ya da sondaj kuleleri üzere, pozisyonlarda kullanabiliyorsunuz. Amazon Connect ismi müşteri bağlantı merkezimiz için yeni özellikler geliştirdik. Connect, artık müşteri takviye temsilcilerinizin, takviye için arayan bir müşteri ile ilgili tüm datalara gerçek vakitli olarak erişmesine imkan tanıyacak. Ayrıyeten müşteriyi tanımak için ses tanıma teknolojisini de kullanabilecekler. 

İmalat bölümü üzere, makinelerin işin içinde olduğu tüm bölümleri kapsayan müşterilerimizi destekleyen yeni bir hizmet alanı duyurduk. AWS Monitron ismini verdiğimiz bu özellik, öngörücü bakım yapılabilmesine imkan sağlıyor. Bu özellik ile, makineler üzerine sensör yerleştirebiliyor, buradan alınan titreşim ve ısı bilgilerini buluta aktarabiliyor ve bilgiler üzerinde makine tahsili modelleri uygulayabiliyorsunuz. Böylelikle makul bir makinenin ne vakit arızalanacağına dair varsayımlarda bulunabiliyor ve arızalanmadan evvel bakım yapmak için devreye girebiliyorsunuz, bu da arıza müddetini ve bir makinenin arızalanması ile bağlı maliyetleri maliyetleri en aza indirmenize yardımcı oluyor. Ayrıyeten Panorama isminde bir aygıt da duyurduk. Fabrikanızdaki görüntü kameraları bu aygıta bağlayabilir akabinde Panorama’ya aktarılan bu imajlar üzerine makine tahsili modelleri uygulayabilirsiniz. Böylelikle yanılgı kontrolü üzere süreçleri gerçekleştirebilir yahut üretim çizgilerinizde neler olduğunu anlayabilir ve akabinde duruma uygun otomatik adımlar atabilirsiniz. Bu saydıklarımdan çok daha fazlası var ve müşterilerimizin ellerindeki tüm bu yeni maharetler ile ne yapacaklarını görmek bizi çok heyecanlandırıyor.

Makine tahsilinin yaygın kullanım örneklerinden birkaç adedini paylaşabilir misiniz?

Çok daha fazla müşterinin makine tahsili tabanlı tahliller uyguladığını ve makine tahsilini kendi eser ve tahlillerine dahil ettiğini görmeye başladık. Müşterilerimizin neler yaptığına ve makine tahsili kullandıkları değişik alanlara göz atabilmeniz için size farklı kesimlerden kullanım örnekleri vereceğim.

Mesken aletleri alanında en büyük üreticilerden biri olan Arçelik ile başlayalım. Çok fazla üretim tesisine sahipler ve ellerinde eserlerle, nasıl üretildikleriyle, üretimde kullanılan çeşitli bileşenlerle ve eser satıldıktan sonra verilen servis ve bakım hizmetleriyle alakalı çok fazla data var. Arçelik’in gelişmiş analitik ve ellerindeki bu datalar üzerinde makine tahsili uygulamak için AWS üzerinde bir platform oluşturmasının birinci adımı bir veri lake oluşturmaktı. Bir veri lake, müşterilerin olağan operasyonları için kullanılan çeşitli sistemlerden dataların taşımasına ve bunları AWS’de merkezi bir pozisyona getirmesine imkan tanır. Bilgiler lake’e getirildikten sonra onların üzerine artık yenilikçi birtakım özellikler sağlamak için Amazon SageMaker kullanılarak geliştirilen makine tahsili modelleri uygulayabilirsiniz. Örneğin, üretim süreçleri ile alakalı olan bilgilere bakarak, bu süreçlerin nasıl geliştirileceği ile ilgili alanları ortaya çıkarmak için makine tahsili modelleri uygulayabiliyorlar. Ayrıyeten perakendecilerinin satış bilgilerini getirip anlayarak, daha sonra bunları üretim tarafının bilgileri ile eşleştirerek ne vakit üretime geçilmesi gerektiğini ya da eserlerin ne vakit kalite denetime gitmesi gerektiğini belirleyebiliyorlar.  Böylelikle eserleri evvelce üretip depolamak ve satış gerçekleşmesini ummak yerine, eserler gerektiği vakitte gerektiği ölçüde satışa hazır oluyor. Yani üretimden satışa kadar olan döngünün tamamını optimize edebiliyorlar. Ayrıyeten, SageMaker’ı kullanarak bir maharet geliştirdiler. Anonim bir formda müşteri hizmetlerine gelen davetlerin bilgilerini kullanarak hangi eserlerin ve hangi kesimlerin bakıma gitmesi gerektiğini anlayabiliyorlar. Böylelikle tam olarak hangi modüllerin üretilmesi gerektiğini belirleyebiliyor ve bir müşteri takviye daveti geldiğinde harekete geçmek yerine, gelen davetlere evvelce hazırlıklı olduklarından çok daha yeterli bir halde karşılık verebiliyorlar. Yani, makine tahsili Arçelik’e uçtan uca süreçlerini güzelleştirme fırsatı sağlıyor, biz de onlarla iş birliği yapmaktan heyecan duyuyoruz. 

İkinci örnek ise Domino’s. Onlar, bir müşterinin pizza siparişi vermesinden pizzanın müşteriye ulaştırılmasına kadar geçen müddetin nasıl kısaltılabileceği ile ilgileniyorlar. Yani gayeleri, makine tahsili kullanarak tüm bu sürecin nasıl 10 dakikanın altına indirilebileceğini bulmaya çalışmak. Bu konsepte öngörücü sipariş ismi veriliyor. Hangi siparişin geleceğini evvelden varsayım edebiliyorsanız, siparişleri hazırlamaya başlamak için müşterinin aramasını beklemiyorsunuz. Domino’s bunu yapabilmek için daha evvelki siparişler, müşteri tercihleri, teslimat yerleri üzere datalar üzerine makine tahsili uyguluyor ve ne vakit, nereye, ne kadar sipariş geleceğini kestirim edebiliyor. Böylelikle sipariş geldiğinde tüm hazırlık etapları tamamlanmış olduğundan pizzayı çabucak fırına verip 10 dakikadan kısa bir müddette teslim edebiliyor.    

Diğer bir müşteri ise en büyük sıhhat BT şirketlerinden biri olan Cerner. Onların sıhhat sistemleri birçok hastane tarafından kullanıldığı için çok sayıda anonimleştirilmiş hasta verisine erişebiliyorlar. Makine tahsilinin bu bilgiler üzerinde nasıl bir paha yaratabileceğini anlamayı amaçlıyorlar. Bu nedenle, hastalarda yavaş yavaş ve giderek berbatlaşan bir durum olan konjestif kalp yetmezliği hakkında bir varsayım yapmak için makine tahsili modelleri geliştirdiler.  Makine tahsili ile, muhakkak bir hastada muhtemel bir konjestif kalp yetmezliği durumunu, gerçek klinik testlerde ortaya çıkmadan 15 ay evvel tespit edebiliyorlar. Böylelikle o hastaya ve hastayı tedavi eden doktora bu türlü bir risk olduğunu 15 ay daha erken görme ve riski azaltmak ya da ortadan kaldırmak için gerekli adımları erkenden atabilme imkanı sağlıyorlar. 

Sonuncu örnek ise Zomato. Dünya çapında on binlerce restoranın menülerini alıp taşınabilir uygulaması üzerinden dijital olarak kullanıma sunuyor. Yani yemek sipariş etmek istiyorsam Zomato’ya giriyorum, pozisyon, mutfak üzere tercihlerimi belirliyorum, Zomato da bana tercihlerime uygun seçenekleri listeliyor. Sonra siparişimi veriyorum, Zomato dağıtım grubu de siparişimi restorandan alıp bana teslim ediyor. Münasebetiyle Zomato dünya çapında birçok müşteri ile çalışıyor ve aylık olarak dünya çapında 100 milyon müşteriye hizmet veriyor. Burada karşılaştıkları zorluklardan biri, yeni restoranların sisteme nasıl ekleneği hakkında. Çoklukla kağıt formatında olan, farklı tarzlardaki, farklı fontlardaki, yani tutarlılığı olmayan farklı menüleri dijital ortama nasıl aktarabilirsiniz? Tüm bunları müşteriler Zomato üzerinde arama yaptıklarında karşılarına çıkacak bir online sisteme nasıl süratli bir formda optimize edersiniz? Burada o menülerden bilgi çıkarmak için Amazon Textract ile bilgisayar vizyonu kullanıyorlar ve daha sonra bu dataların üzerine iş kuralları ekleyebilmek için doğal lisan sürece (NLP) yeteneğinden faydalanıyorlar. Böylelikle menüdeki bir öğenin tarifine bakıp onun meze mi ana yemek mi ya da tatlı mı olduğuna karar verebiliyor ya da öğeyi fiyatı ile eşleştirebiliyorlar. Bunların hepsini NLP aracılığı ile yapıyorlar. Daha sonra bu bilgiler Zomato’nun sisteminde dengeli bir biçimde saklanıyor ve bu da müşteri tecrübesini çok daha düzgün hale getiriyor. Zomato için de operasyon maliyetleri değerli ölçüde azalıyor.

Bunlar dikkatinizi çekmek istediğim örneklerden kimileri. Lakin şunu da söylemek istiyorum, makine tahsilinin yarar sağlamayacağı bir bölüm yok ve artık neredeyse her dalın makine tahsili kullanarak dönüşüme uğradığını görüyoruz. Bunun bir modülü olmaktan da heyecan duyuyoruz.

Makine tahsilinin geleceğini nasıl görüyorsunuz, sizce nasıl bir değişim geçirecek? 

Makine tahsilinin her yerde kullanılmaya başlayacağını düşünüyoruz. Artık makine tahsili hakkında çok daha fazla heyecan ve makine tahsili kullanarak geliştirilmiş uygulamalar görmeye başlıyoruz. Bu nedene uzun vadede makine tahsilinin her uygulamada, her online sistemde, üretim sınırından sıhhat bölümüne ve ulaşım ağlarına kadar her yerde olmasını bekliyoruz.

Makine tahsili evvelden yalnızca satış bilgileri ya da finansal süreç bilgileri üzere tablosal datalara uygulanıyordu. Yani bu datalar üzerinde diyelim dolandırıcılık tespiti yapmak ya da öteki data sürece tekniklerini anlamak için makine tahsili modelleri uyguluyordunuz. Lakin artık görüntü, ses, manzara yahut metin dataları üzere büsbütün yapılandırılmamış datalar üzerinde makine tahsili uygulandığını ve bunların daha sonra tablosal datalar ile birleştirildiğini görüyoruz. Tablo işlemeyle hudutlu olmanın tersine, doğal lisan sürece ve bilgisayar vizyonu alanında da daha fazla faaliyet görmeye başladık. Makine tahsilinin, bu teknolojinin potansiyelinden tam manasıyla yararlanabilen her kuruluş için dönüştürücü  ve son derece güçlü bir teknoloji olduğunu biliyoruz. Kuruluşlar, makine tahsilinin kendilerine sağlayabileceği yararların farkına varıyor ve bu çeşit teknolojilere daha fazla yatırım yapmaya başlıyorlar. Makine tahsili tahlillerini kullanmaya ve bunları operasyonlarının çeşitli taraflarında uygulamaya çok daha fazla açık olmaya başladılar. Bu trendi görüyoruz ve giderek hızlanacağını düşünüyoruz.  

Şirketler, makine tahsili kullanarak insanların hayatlarını nasıl düzgünleştiriyor? 

Hepimiz günlük hayatımızda farkında olarak ya da olmayarak makine tahsili kullanıyoruz. Uber ya da Lyft üzere bir araç paylaşım hizmeti kullanıyorsanız, bu sistemlerin birçoklarının art planında makine tahsili bulunuyor. Ya da Amazon Alexa üzere bir dijital asistan kullanıyorsanız, akıllı termostatlar yahut akıllı mesken teknolojisinden faydalanıyorsanız, bunların birçoklarının gerisinde makine tahsili var. Sonuç olarak son kullanıcılar yahut tüketiciler işlerini daha kolay, rahat ve kullanışlı hale getiren daha yenilikçi eserler ile karşılaşacaklar. Sıhhat, hayat bilimleri yahut eczacılık üzere alanları düşünürsek, örneğin ilaçların pazara daha süratli getirilmesi sağlanıyor, sıhhat sistemine yahut ulaşım ağlarına daha fazla iddia gücü getiriliyor böylelikle bu sistemler daha güzel optimize edilebiliyor. Sonuç olarak bunların hepsi son kullanıcıların tükettikleri hizmetler ile ilgili tecrübelerinin güzelleştirilmesine yardımcı oluyor. Daha az maliyet, daha güçlü ve genel olarak daha düzgün tecrübeler sağlıyor. Bu trendi görmeye de devam edeceğiz.