Yapay zeka, makine öğrenimi, büyük veri. Bunlar, yeni teknoloji çağından bahsettiğimizde karşılaştığımız bazı yaygın terimlerdir. Çoğumuz makine öğreniminin yetenekleri hakkında bir fikir sahibi olsa da ve gelecekteki gelişmelerle neler bekleyebileceğimizi bilsek de, bunun zaten endüstrilerin çalışma şekillerini dönüştürdüğünü biliyor muydunuz? Bu makalede, makine öğreniminin ne olduğunu ve endüstriyel nesnelerin interneti veya endüstriyel IoT için neden bu kadar dönüştürücü olduğunu tartışacağız!
Makine Öğrenimi Nedir?
Makine öğrenimi, son yıllarda büyük ilerleme kaydeden geniş bir çalışma alanıdır. Bu, bir bilgisayarın verilerden öğrenerek belirli bir görevde kendi performansını otonom ve algoritmik olarak geliştirebileceği temel ilkesine dayanan bir tekniktir – bazen insan yeteneklerini bile aşar.
Bu, geleneksel otonom işlemden farklıdır; bu işlem basit kural tabanlı sınıflandırma ile sınırlıydı. Kural tabanlı sınıflandırma, basit görevler için işe yarar, ancak karmaşık gerçek dünya bağlamlarına uygulandığında başarısız olur – bunun nedeni, gerçekliğin karmaşıklığının tüm olası sonuçları kapsayıp programlamayı neredeyse imkansız hale getirmesidir!
Bu nedenle, makine öğrenimi, görüntü sınıflandırma, ses tanıma, tahmin ve anomali tespiti gibi gelişmiş görevlerde çok fazla gürültü veya varyasyon olan durumları ele almakta özellikle iyidir!
Makine öğreniminin 3 ana türü vardır.
- Denetimli Öğrenme – Model, etiketlenmiş verilerle eğitilir. Girdiler doğrudan çıktılara uyarlanır.
- Denetimsiz Öğrenme – Model, etiketlenmemiş verilerle eğitilir. Model, farklı veri türleri arasındaki ilişkileri bulmakla bırakılır.
- Güçlendirme Öğrenimi – Model, farklı eylemleri keşfeder. Pozitif sonuçlar ‘güçlendirilir’, negatif sonuçlar ise ‘cezalandırılır’.
Makine öğrenimi yöntemimizi seçmemiz, büyük ölçüde mevcut veri türüne ve elindeki göreve bağlıdır. Çoğu durumda, denetimli öğrenme tercih edilir çünkü kullanımı daha kolaydır, ancak yalnızca iyi etiketlenmiş veriler mevcutsa etkilidir. Bu nedenle, denetimsiz ve güçlendirme makine öğrenimi yöntemleri, gerçek uygulamalar için vazgeçilmez hale gelmiş ve birçok yetenekli araştırmacının odak noktası olmuştur.
IoT’de Makine Öğrenimi Kullanımı
Tahmin edebileceğiniz gibi, veri makine öğreniminin ayrılmaz bir parçasıdır. Bu bağlamda, IoT genellikle ML ile yakından anılır!
Aslında, IoT, verileri toplayan ve bunları merkezi bir bulut platformuna gönderen birbirine bağlı cihazlar veya sensörler ağını tanımlar; burada veriler bir araya getirilir. IoT bağlı cihazlarının toplam sayısının 2025 yılına kadar 30 milyara yükselebileceği tahmin edildiğinden, toplanan verilerin ölçeği inanılmaz derecede büyük olacak ve makine öğrenimi modellerinin entegrasyonu için mükemmel bir ortam sağlayacaktır!
Ancak, bu tür merkezi, bulut tabanlı makine öğrenimi, verilerimiz üzerinde daha geniş bir ölçekte içgörüler geliştirmemizi sağlar. IoT’deki bireysel şeyleri daha akıllı hale getirmenin bir yolu olsaydı? İşte tam da burada edge ML ve TinyML devreye giriyor.
Edge ML ve TinyML Nedir?
En basit terimlerle, Edge ML, kenar cihazlarında doğrudan çalışan makine öğrenimi algoritmalarının kullanımını ifade eder. Bu, etrafımızdaki cihazlara güçlü makine öğrenimi yetenekleri kazandırır ve birçok yeni uygulamanın geliştirilmesine yol açar!
TinyML, küçük makine öğrenimi anlamına gelir ve edge ML’yi bir adım daha ileri götürerek makine öğrenimi modellerini küçük, uygun fiyatlı ve düşük güç tüketen mikrodenetleyicilerde çalışacak şekilde optimize eder. Çoğu edge cihazının mikrodenetleyici olduğu göz önüne alındığında, endüstriyel IoT’de bir makine öğrenimi devrimi yaşamakta olduğumuzdan hiç şüphe yok!
Edge ML’yi daha derinlemesine tartıştığım önceki makalemi buradan bulabilirsiniz.
Makine Öğrenimi ile Endüstriyel IoT’yi Dönüştürmek
Büyük Veri Analitiği
Endüstriyel IoT’nin en büyük faydası, artık büyük veri ile çalışma yeteneğimizin gelişmiş olmasıdır. IoT’nin veri toplama ölçeğinde, geleneksel yöntemler yalnızca temel içgörüler ve eğilimler elde etmemizi sağlar. Ancak makine öğrenimi, ağır yükü bilgisayarlarımıza bırakmamıza izin verir; artık en ayrıntılı verilerden bile içgörüler çıkarabiliriz, bu da insanların sezgisel olarak gözlemlemesi neredeyse imkansız olan faktörler arasındaki ilişkileri bulmamıza olanak tanır.
Sanayilerde, bu içgörüler endüstriyel süreçleri daha iyi anlamak ve veri odaklı iş kararları ve optimizasyonları yapmak için kullanılabilir. Aslında, bunlar zaten üretim ve tarım gibi birçok endüstriyi iyileştirmek için kullanılmaktadır! Ancak en önemli faktör, makine öğreniminin IoT ile birleşiminin, zaten mevcut olan bir altyapıyı yalnızca değerlendirmesidir – bu, zaten sahip olduğumuz verilerin daha iyi kullanılmasını sağlar ve çok az ek maliyetle gerçekleşir!
Elbette, bu geleneksel yöntemlerin artık geçersiz olduğu anlamına gelmiyor. Bugün, bu artık keşif veri analizi olarak biliniyor ve veri analistleri ve makine öğrenimi mühendislerinin etkili makine öğrenimi modelleri oluşturmadan önce attıkları kritik bir adımdır.
Önleyici Bakımdan Tahmine Dayalı Bakıma
Daha önce, sanayide önleyici bakım, genellikle istatistiksel olarak tanımlanmış bir zaman diliminde, makinelerin arıza olasılığının daha yüksek olduğu belirli aralıklarla bakım çalışmaları yürütmeyi içeriyordu. Bu, ortalama olarak makinelerimizin ömrünü korusa da, iki nedenle etkisiz olarak kabul edilebilir:
“`html
- Güvenlik marjı sağlamak için, bakım genellikle henüz gerekli olmadığında israf bir şekilde yapılır
- İstisnai koşullar nedeniyle, makineler düzenli bakım ile hafifletilmeyen nedenlerden dolayı arızalanmaya devam eder
Ancak bugün, makine öğrenimi sayesinde mümkün olan yeni bir yöntem var – öngörücü bakım!
Gözetimsiz makine öğrenimi algoritmaları, örneğin kümeleme sayesinde, IoT cihazlarımız anormallikleri yakalamak için doğrudan uçta ML modellerini çalıştırabiliyor. Örneğin, makineler alışılmış desenlerden farklı bir frekansta titreşmeye başladığında, IoT cihazı artık bunu makine öğrenimi yardımıyla tespit edebilecek. Ardından, bakım ekiplerini uyarabilir veya güvenlik için makineleri doğrudan kapatabilir.
Otomatik Kalite Kontrol
Kalite kontrolü zordur. Üretim süreçlerini ne kadar geliştirirsek geliştirelim, hatalar her zaman meydana gelecektir. Geleneksel olarak, bu kalite kontrol kontrolleri atölye çalışanları tarafından yapılabilir – ancak insanların hatalar yaptığını, özellikle tekrarlayan görevler ve yorgunlukla karşılaştıklarında biliyoruz. Neyse ki, bu durum da makine öğrenimindeki bilgisayarla görme sayesinde değişmek üzere.
Görüntü sınıflandırma veya nesne tespiti, makine öğrenimi derin sinir ağları algoritmaları tarafından sağlanan yeteneklerdir. Sadece bir kamera ile, ML destekli üretim hatları artık üretilen her birimi hatalar için otomatik olarak kontrol edebilir, yorulmadan ve tutarlı bir şekilde! Kalite kontrol verilerini üretim makinelerinden gelen verilerle birleştirerek, üretim süreçlerinizin verimliliğini optimize edebilir ve geliştirebilirsiniz!
Daha Tatmin Edici İşler
İş güvenliği, makine öğrenimi ve yapay zeka tartışıldığında büyük bir endişe kaynağıdır. Sayısız rol artık ML tabanlı platformlar tarafından otomatikleştiriliyor ve bu değişim, küresel pandeminin etkisiyle daha da hızlandı.
Bu geçiş birçok kişi için zorlayıcı olsa da, makine öğreniminin mevcut durumunun hala büyük ölçüde tekrarlayan görevleri değiştirdiğini anlamak önemlidir. İlerledikçe, basit görevlerin otomatikleştirilmesi, zihinlerimizin yaratıcı işler ve tasarım gibi daha yüksek seviyeli düşüncelere katılmasına olanak tanır. Araştırmalar, bu tür işlerin aslında daha tatmin edici olduğunu ve insanların daha mutlu yaşamalarına yardımcı olduğunu göstermektedir!
Makine Öğrenimine Başlayın
TinyML’nin yükselişi ile, IoT uygulamanızda herhangi bir tür makine öğrenimi modelini uygulamak daha erişilebilir ve uygun fiyatlı hale geldi. Bugün, Seeed’den bu popüler ML platformlarından biri ile makine öğrenimi yolculuğunuza başlayın!
Wio Terminal
Wio Terminal, ATSAMD51 tabanlı, kablosuz bağlantıya sahip, tamamen Arduino uyumlu bir AI platformudur. Hepsi bir arada bir mikrodenetleyici olarak, üzerinde 2.4” LCD Ekran, IMU, mikrofon, buzzer, microSD kart yuvası, ışık sensörü ve kızılötesi verici bulunmaktadır. Wio Terminal, Edge Impulse tarafından resmi olarak desteklenmektedir, bu da verileri toplamak, makine öğrenimi modelinizi eğitmek ve nihayetinde optimize edilmiş bir ML uygulaması dağıtmak için kolayca kullanabileceğiniz anlamına geliyor!
Ürün Özellikleri:
- Güçlü MCU: ARM Cortex-M4F çekirdeği ile 120MHz’de çalışan Microchip ATSAMD51P19
- Güvenilir Kablosuz Bağlantı: Realtek RTL8720DN ile donatılmış, çift bantlı 2.4GHz / 5GHz Wi-Fi (sadece Arduino tarafından desteklenir)
- Yüksek Entegre Tasarım: 2.4” LCD Ekran, entegre mıknatıslar ve montaj delikleri ile kompakt bir kasada IMU
- Raspberry Pi 40-pin Uyumlu GPIO
- IoT ile keşfetmek için 300’den fazla tak ve çalıştır Grove modülü ile uyumlu
- USB OTG Desteği, TELEC Sertifikalı
- Arduino, CircuitPython, Micropython, ArduPy, AT Firmware, Visual Studio Code desteği
Wio Terminal almakla ilgileniyorsanız, lütfen Seeed Online Mağazası’ndaki ürün sayfasını ziyaret edin!
Seeeduino XIAO
Seeeduino XIAO, Seeeduino Ailesi’ndeki en küçük Arduino uyumlu karttır. Küçük boyutuna rağmen, Seeeduino XIAO güçlü SAMD21 mikroçipi ve çeşitli donanım arayüzleri ile donatılmıştır. Gerçekten de TinyML’de küçüklüğü temsil ediyor!
Ürün Özellikleri:
- ARM Cortex-M0+ 32bit 48MHz mikrodenetleyici (SAMD21G18) ile 256KB Flash, 32KB SRAM
- Arduino IDE & MicroPython ile uyumlu
- Kolay Proje İşlemi: Breadboard dostu
- Küçük Boyut: Giyilebilir cihazlar ve küçük projeler için parmak büyüklüğünde (20×17.5mm)
- Birden fazla geliştirme arayüzü: 11 dijital/analog pin, 10 PWM Pin, 1 DAC çıkışı, 1 SWD Bağlantı noktası arayüzü, 1 I2C arayüzü, 1 UART arayüzü, 1 SPI arayüzü.
Seeeduino XIAO hakkında daha fazla bilgi edinmek ister misiniz? Şimdi Seeed Online Mağazası’ndaki ürün sayfasını ziyaret edin!
ODYSSEY x86J4125800
Genel amaçlı bilgisayarlara gelince, ODYSSEY x86J4125800’den daha iyisini bulmakta zorlanacaksınız. Güçlü x86 CPU mimarisi üzerinde çalışan bu SBC, herhangi bir uç makine öğrenimi ihtiyacını karşılayacak kadar yeterlidir veya bir masaüstü mini PC olarak hizmet edebilir!
“`
Ürün Özellikleri:
- Intel® Celeron® J4125, Dört Çekirdekli 2.0-2.7GHz
- Çift Bant Frekansı 2.4GHz/5GHz WiFi
- Intel® UHD Graphics 600
- Çift Gigabit Ethernet
- Entegre Arduino Ko-işlemci ATSAMD21 ARM® Cortex®-M0+
- Raspberry Pi 40-Pin Uyumluluğu
- 2 x M.2 PCIe (B Anahtarı ve M Anahtarı)
- Windows 10 & Linux OS desteği
- Grove Ekosistemi ile uyumlu
Daha fazla bilgi almak ister misiniz? ODYSSEY x86J4125800 hakkında daha fazla bilgi için Seeed Online Store‘u şimdi ziyaret edin!
Jetson Mate & Jetson SoM’ler ile GPU Kümeleme
Yüksek performanslı, gerçek zamanlı makine öğrenimi işleri için Jetson Mate ile güçlü bir GPU kümesi oluşturmayı düşünün. Kenar bilişimde kümeleme, ölçeklenebilirlik ve güvenilirlik ile yüksek performans sunarken, gerçek zamanlı uygulamalar için düşük gecikme sağlar. Jetson Sistem Modülleri (SoM’ler) ile bir GPU kümesi, ona attığınız en zorlu makine öğrenimi iş yüklerini rahatlıkla karşılayacaktır!
Jetson Mate, kenar bilişimde muazzam hesaplama gücü sağlamak için Nano / NX SoM’leri barındırabilir. Kolayca kurulabilen tasarımıyla, adım adım kılavuzumuzla kolayca kurabilirsiniz. Jetson Mate, GPU kümeleriniz için yüksek esneklik ve performans sunar.
Jetson Mate hakkında daha fazla bilgi almak için, lütfen ürün sayfasını Seeed Online Store’da ziyaret edin!
Makine Öğrenimi IoT Projelerine Başlayın
Aşağıdaki projeler, makine öğreniminin IoT ile çalışma şeklimizi nasıl geliştirebileceğini göstermektedir. Kendi makine öğrenimi IoT projenize başlayın ve bugün endüstrinizi dönüştürmeye başlayın!
Wio Terminal’da TFLite ile Akıllı Hava Durumu İstasyonu
Hava durumu istasyonları, maker topluluğu arasında popüler bir projedir. Neden bir adım daha ileri gitmeyip yerel hava tahminleri sağlamak için Edge AI yetenekleri eklemiyorsunuz? Dimitry Maslov’un bu projesi tam olarak bunu yapıyor – tüm detaylar için tam makaleye buradan ulaşabilirsiniz!
Gerekli Malzemeler:
Bu eğitim, Wio Terminal ve Arduino IDE kullanarak TinyML Öğrenin serimizin bir parçasıdır. Her birini kontrol etmeyi unutmayın!
- Wio Terminal ve Arduino IDE kullanarak TinyML Öğrenin #1 Giriş
- Wio Terminal ve Arduino IDE kullanarak TinyML Öğrenin #2 Ses Ortamı Tanıma ve Mobil Bildirimler
- Wio Terminal ve Arduino IDE kullanarak TinyML #3 İnsan Sayma ve Azure IoT Central Entegrasyonu
- Wio Terminal ve Arduino IDE kullanarak TinyML Öğrenin #4 Hava tahmini Tensorflow Lite ile Mikrodenetleyiciler için a.k.a. Ben verileri seviyorum
Raspberry Pi ile Makine Öğrenimi Destekli Envanter Takibi
Bu proje, bir fotoğraftaki nesneleri saymak için makine öğrenimi destekli nesne tespiti kullanır! Envanter sayıları daha sonra Azure IoT Central’a yüklenir, böylece envanter her zaman, her yerde izlenebilir.
Gerekli Malzemeler:
- Raspberry Pi 4
- Raspberry Pi Kamera Modülü V2, VEYA
- Herhangi bir USB Web Kamerası
Bunu kendiniz denemek ister misiniz? Tam adım adım eğitimime buradan ulaşabilirsiniz!
Özet & Daha Fazla Kaynak
Makine öğrenimi, artık birçok süreci dönüştürmeye başlayan güçlü bir araçtır. Ayrıca, toplanan büyük miktarda veri sayesinde endüstriyel IoT sistemleri ile entegrasyona mükemmel bir şekilde hazırdır. Araştırma ve geliştirme çabaları, daha fazla ML uygulamasını kenar cihazlarına getirmeye devam ettikçe, makine öğreniminin IoT’deki rolü yalnızca büyümeye devam edecektir.
Makine öğrenimi ve kenar bilişim hakkında daha fazla bilgi almak için lütfen bu kaynakları ziyaret edin!