21 Ekim 2017 Cumartesi

Toyota Üretim Sistemi - TPS



    Toyota üretim sistemi (TPS) Lean Manufacturing, Supply Management gibi konularda karşımıza çıkar. Aslında bu stratejilerin Toyota'dan geldiği söylenir. Doğru veya yanlış, günümüzde bile bu sistem çok yararlı görülmektedir. Bu sistem her organizasyon için bire bir aynı işlemez fakat düşüncenin ana mantığını kavramak her organizasyonun yararınadır.

   
       Toyota uzun vadeli( Long Term) düşünmeye önem verir.

Ana Düşünce : Şirketler, fabrikalar, bu gibi organizasyonlar sürekli değişir ve her gün farklı problemler ortaya çıkar. Bir problem sadece anlık olarak çözülür ve daha sonra tekrar ortaya çıkarsa iş büyür ve kayıp artar. Böylece bir iş yapılırken sadece şimdiyi değil gelecek 50 yılı düşünerek yapılmalıdır.

     Tek Parça Akışı (One-Piece Flow) ile birlikte az maliyet ile en iyi kalite üretilir. Bütün süreçler sıralıdır ve parçaları geri getirme, taşıma gibi bir gereklilik ortaya çıkmaz. Ve problemler her bir akışta tespit edilir, problem çözülür eğer çözülemezse sistem durdurulur böylece arıza anında çözülerek, problemler sonraya bırakılmaz.

  Sonuç: İşlemler sıralı olduğu için bir müdahale gerektirmeden işlemler devam eder. Parçaları üretim taşıma işleminden kurtulmuş olursunuz.


    Standarzation Toyota için önemli bir stratejidir. Henry Ford 'Yarının gelişimi, daha iyi olması için bugün standartlaşma gereklidir. Eğer daha iyi bir yarın için bugünün standartlaşmasını düşünüyorsan, biryere gelirsin. Fakat standartlaşmanın kısıtlı olduğunu düşünürsen proses duruyor.' der

   Ben aslında uzun vadeli düşünme hakkında çok şüpheciydim, aslında TPS i incelerseniz ana düşünce; işi yarına bırak değil, daha iyi bir yarın için şimdi çalış ve asla pes etmedir.

  Standartlaşma Kaizen kitabında şöyle açıklanır; eğer golf öğrenmek istiyorsanız bir öğretmen size golf'un temellerini öğretir fakat siz yaptığını işte standartlaşmak istiyorsanız pratik yapın, patik yapın, pratik yapın. Eğer sürekli bunu gerçekleştirecek beceriniz yoksa, gelişmek için umut yoktur.

  Toyota'yı ziyarete gittiğimde her bir yeni işçinin bir mentör tarafından 2 yıl eğitildiğini öğrenmiştim. Ve TPS den öğrendiklerim öğretiyor ki; işçi zor problemlerle baş başa bırakılır ve beklenen şey 80% düşünme 20% iştir fakat insanlar bunun tersini yapar.

Kaizen, Daha iyisi için değişim anlamına gelir ve limitleri zorlayacak bir değişim mantığı vardır. Yani sadece değişim değil, elinden gelenin en iyisi yapıp, limitleri kırmaktır.

Peki biz Kaizen'i hayatımızda nasıl uygulayabiliriz? Kaizen'in basamakları vardır, lütfen okurken kendi hayatıma nasıl geçiririm diye düşünün. Sadece bir fabrika için değil, dikkat edersek burada bahsedilenler; limitleri kırma, daha iyisi için çalışma... hayatımıza uygular isek bizi daha aktif yapar.

                                  Kaizen'in Basamakları

  1.  Üretimle ilgili bildiklerini gözden geçir. ( Hayatını gözden geçir)
  2.   Nasıl çözüleceğini( problemin) düşün, neden yapılamayacağını değil. ( Hayallerinin peşinde koş, mutlaka yorulacaktır.)
  3.   Bahane üretme, yaptıklarını sorgulayarak başla.
  4. Mükemmeliyet için koşma, %50 si bile olsa hiçten iyidir.
  5. Yanlışları tek seferde doğrula, sonraya bırakma.
  6. Kaizen için para harcama ( seni senden iyi bilen yok)
  7. Bilgelik zorluklarla karşılaştıkça ortaya çıkar.
  8. 5 kere 'niye' diye sor ve gerçek problemi algıla.
  9. Tek bir kişinin bilgisini sormaktansa 10 kişiye sor.
  10. Unutma, Kaizen( Daha iyi bir sen) için olanaklar sonsuzdur.

Birgün Kiichiro Toyoda fabrika için yürüyordu ve makine çalışmadığı için sıkıntıda gözüken bir işçiyle karşılaştı. Toyoda gidip işçinin ellerini yağ kutusuna sokmasını istedi ve 'ellerin kirlenmeden işini yapmayı nasıl umut edersin dedi.' Yani güzel bir şey elde etmek istiyorsak onun için çabalamak bazen ise başı şeylerden feragat etmek gerekir .
Toyota bu üretim stratejisinin yanında en büyük avantaj olarak 'Hızlı öğrenmesini görüyor.' Toyota uyguladığı stratejilerle üretime çok hızlı ayak uydurmayı başarıyor. Hatta rakiplenin tek korkması gereken şeyin bu olduğu söylenir.
Tainchi Onho ' Toyota'yı harika yapan herhangi bir element değil, bu elementlerin bir arada olmasıdır ve hergün ciddi bir şekilde uygulanmalıdır.'
Hatta eğer bir şirket TPS'e boş vakitte uygulanacak hoş bir şey gözüyle bakıyorsa, o şirket gelişemez. Stratejiler şirketleri büyütür. Birer gereksinimdir, boş vakitte göz atılan kurallar bütünü değillerdir.

 



   


    

28 Ağustos 2017 Pazartesi

Arthur Samuel Ve Dama Programı

Arthur Samuel Ve Dama Programı


Arthur Samuel, Yapay Zeka araştırmalarının öncülerindendir, bilgisayarların kendi deneyimlerinden öğrenmeleri üzerine çalışmalar yapmıştır. Yapay Zeka denemelerini dama üzerinde kurgulamıştır. Dama oyununu seçmesinin sebeplerinden biri, oyundaki iyi ve kötü hamlelerin not edilmesidir, böylece iyi ve kötü hamle arasında ayrım yapılabilinir.
1961 yılında Ed Feigenbaum ve Julian Feldman ilk Yapay Zeka anatolojisini oluştururken, Samuel Arthur'un dama araştırmasına ek olarak bilgi vermesini istediler. Dünya genelinde ün yapmış olan 4 dama oyuncusu ile karşı karşıya gelen dama programı kazandı.
   Dama Oyunu Kullanılarak Makine Öğrenimi Üzerine Bazı Çalışmalar
Özet: Dama oyunu kullanılarak 2 Makine öğrenimi prosedürü incelenmiştir. Elde edilen sonuç, oynamayı öğrenen bilgisayarın oyunu yazan kişiden kat ve kat daha iyi oynadığıdır. Ve daha fazlası, doğru yön, kurallar verildiğinde bilgisayar bu işlemi 8-10 saat aralığında öğrenir.
Kazanma ihtimaline  uygun olarak her bir tahta pozisyonu bir skora denk getirildi. Başlangıçta damaların ve her kenarda ki parçaların sayısına göre skorlar belirleniyordu. Her nekar bu yöntem çalışsa da oyunun  performansını geliştirmek için, programın kendi başına binlerce kere oynamasını sağladı ve elde ettiği sonuçları noktasal skorlama için kullandı.
Samuel kendi performansını kendi tecrübeleri ile geliştiren bir program yazmıştı. Program öğrendi ve makine öğrenimi doğdu.
Bir önceki leveldeki mümkün hareketleri kaydediyor.
Makine öğreniminin iki farklı metodu arasında ayrım yapalım. İlk metodumuz, Yapay Sinir ağlarıdır. Öğrenilmiş davranışın, rastgele birleşmiş ağa geçişidir, bilgisayar üzerinde bir simulasyondur. Başka bir tanımla
YAPAY SİNİR AĞI; İNSAN BEYNİNİN SİNİR HÜCRELERİNDEN OLUŞMUŞ KATMANLI VE PARALEL OLAN YAPISININ TÜM FONKSİYONLARIYLA BERABER SAYISAL DÜNYADA GERÇEKLENMEYE ÇALIŞILAN MODELLENMESİDİR.
Bir diğer, daha etkili olan metod ise; Sadece belirli şeyleri öğrenme amaçlı dizayn edilmiş gelişmiş ağların aynısının geliştirilmesidir.
İlk metod, genel amaçlı öğrenme makinelerinin gelişmesine itiyor. İkinci metod ise her uygulama için yazılım gerektiriyor.
Kazanmayı garanti edecek kural yoktur ve her doğru yol hesaplanmaya kalkınsa 1040 kadar ihtimal olurdu. Bilgisayar oynadıkça mümkün yolları bulur.
Bilgisayar sonuç pozisyonlarını göz önünde bulundurarak, bir kaç hareket öncesine bakar. Tahta pozisyonları makine kelimeleri şeklinde depo edilir ve 4 kelime herhangi bir posizyonu belirtmek için kullanılır. 32 bit pozisyon, 32 oyun karesine denk gelir. Her pozisyon yeni başlangıca ve deneyime katkıda bulunması için saklanır.
Modern programlar, 8*8 'lik oyunlarda için gerekli her mümkün hareket kombinasyonunu gösteriyor.
 
Nasıl programların zeki olduğunu belirleyen kurallar varsa, benzeri oyunlar içinde geçerlidir.
Çok Basit Çözülen : İçinde olduğu pozisyonu algılar.
Basit Çözülen:Bulunduğu pozisyonu algılamakla birlikte, oyunun başlangıcından itibaren bir stratejisi vardır.
Güçlü Çözüm: Mümkün olan bütün ihtimaller bilinir, sadece oyunun değil oyuncununda oynama taktiğini algılar ve buna göre hareket eder.
Kaynakça:
http://library.msri.org/books/Book29/files/schaeffer.pdf
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.368.2254&rep=rep1&type=pdf

Makine Öğrenimi #1

Makine Öğrenimi #1
İçerikler:
  • Makine Öğreniminin Doğuşu
  • Makineler Nasıl Öğrenir?
  • Makine Öğrenimi Teknikleri
Arthur Samuel,  dama oynayan bir program yazdı. Kazanma ihtimaline  uygun olarak her bir tahta pozisyonu bir skora denk getirildi. Başlangıçta damaların ve her kenardaki parçaların sayısına göre skorlar belirleniyordu. Her nekadar bu yöntem çalışsa da oyunun  performansını geliştirmek için, programın kendi başına binlerce kere oynamasını sağladı ve elde ettiği sonuçları noktasal skorlama için kullandı.
Samuel kendi performansını kendi tecrübeleri ile geliştiren bir program yazmıştı. Program öğrendi ve makine öğrenimi doğdu.

MAKİNELER NASIL ÖĞRENİR ?

Öğrenme kavramı insanlar için söz konusu olunca, ezbere dayalı öğrenme veya gerçek zeka
( memorization, and true intelligence) arasında ayrım yapabiliyoruz.
Telefon numarası ezberleme şüphesiz öğrenme olarak kabul ediliyor.
Çocuklar grup içesinde oynadığı zaman, diğer insanların ona nasıl davrandığını gözlemliyor. Onların gelecekteki sosyal hareketleri de bu deneyim sayesinde oluşur. Geriye dönüp aynı şeyleri tekrardan yaşamıyorlar. Çevrelerinde gördükleri onlara birer düşünce kazandırıyor. Bu öğrenmenin de ötesinde 'sezgiye'  sahip olmaktır.
Küçük bir çocuğa kedi ve köpek arasındaki farkı öğrettiğinizi düşünün. Flashcard ile çocuğa kedi ve köpek resmini gösteriyorsunuz, çocuk biliyor. Sonra kartı destenin içine katın, çocuk hepsinin arasından kedi resmini çıkarıyor. Peki nasıl? Kedi olmayan resim için beyninde 'yanlış bu değil' ve kedi olan için işte bu! diyor. Daha çok deneyim ile çocuk gelişiyor... İnsan beyni sınıflandırma mekanizmasına sahiptir, siz kedi ve köpeği ayırt etme tekniğini çocuğa göstermeseniz de o zaten çözer. Bu ise çevreden gördüklerini anlama ve sınıflandırma gücüdür.
Deneme ile öğrenme insan ve makine öğrenimi için ortak özelliktir. Tabi ki insan beyni en gelişmiş makine öğrenimi algoritmalarından kat ve kat üstündür. Fakat bilgisayarlar, ezberleme, geri çağırma ve işleme girdirmekte ilerdedirler. Bu bilgisayarların insan beyninden üstün olmasından değil bilgisayarların 'milyonlarca deneyim için sabrı olmasından ve hızlı öğrenmesindendir.'
İnsanlar öğrenmek için şekil, renk, yazı büyüklük gibi şeyleri dikkate alırken, makine öğrenimi elindeki probleme göre benzer yöntemleri uygulamaktadır.
Makine öğrenimi stratejileri, istatistik, bilgisayar bilimleri, robotik, matematik, dil çevirisi gibi temellerle meydana gelmiştir.
Algoritmaların bazıları, sınıflandırmayı ele alırken bazıları ise sayısal ölçümü ele alır. Bazıları benzerlik ve farklılık gibi özellikleri ölçer. ( örneğin: insan, makineler, kediler)
Bütün algoritmaların sahip olduğu ortak özellik ise örneklerden (deneyimlerden) öğrenmesi ve öğrendiklerini yeni durumlara aktarabilmeleridir.
Kaggle sitesinde düzenlenen bir yarışmada, yarışmacılara 25.000 resim örneği verildi. Her biri tarif edilmiş resimlerdi. Örneğin köpek yüzüyor, kedi mama yiyor şeklinde tanımlamalar verildi. Yarışmacılar algoritmalarını uyguladıktan sonra, 12.500 tane tarif edilmemiş, ne olduğu belirtilmemiş resimler test edildi.
Kedi ve köpek resim ayırt etme yarışmasında, yarışmacılar doğru sınıflandırmayı bulmak için binlerce algoritma denediler. Kazanan yarışmacı %98.914 oranla galip geldi.
Makine öğrenimi etiketli resimleri tanımlar ve bunun üzerinden bir model oluşturur ve sonuç olarak deneyimlerle öğrenen program etiketsiz resimleri de ayırt edebilir hale gelir.

Örnekte yanlış etiketlenmiş bir kedi vardır. Hatırlamak gerekir ki, burada kullanılan yöntem Makine Öğreniminin Supervised öğrenme şeklidir. Başka tür yöntemler de vardır
Dolandırıcılık tespiti, müşteri hedefi, ürün önerme, real- time endüstri gözetim, düşünce analizleri makine öğrenimi sayesinde yapılır.
Makine öğrenimi, bir nevi verilerin konuşturulup, algoritmalarla problemlere çözüm bulunmasıdır.
MAKİNE ÖĞRENİMİ TEKNİKLERİ 
Sınıflandırma ( Classification) : Girilen verileri analiz eder ve onları ayırt eden özelliğe göre sınıflandırır.
Kullanıldığı Yerler: Mesajların spam olarak belirlenmesi, düşünce analizi, içeri kişiselleştirme, kusurlu malların elenmesi, ilaç etkileri
Günlük hayattan örnek: Çocuğunuz, kardeşiniz legolarla oynuyordur. Kare, yuvarlak, üçgen şekilde legolar vardır ve bunları kendi arasında şekline göre sınıflandırır. İşte bu sınıflandırmaya basit bir çerçeveden bakıştır.
Bahsettiğim mesajların spam olarak belirlenmesi vs. gibi olaylar için 10 binlerce veya milyonlarca veri gerekir ama ana mantık hep aynıdır.
Tahmin ( Regression): Girilen veriye göre, her bir outputu öngörmektir.
Kullanıldığı Yerler: Market stok tahmini, rağbet öngörüsü, fiyat tahmini, hava tahmini, maç sonuçları tahmini gibi...
Tavsiye ( Recommendation) : Kullanıcının hangi alternatifi seçeceğini tahmin etmedir.
Kullanıldığı Yerler:  Ürün tavsiyesi, iş tavsiyesi, içerik tavsiyesi
Çıkarsama (Imputation) : Kaybolmuş verilerin değerini çıkarsamak
Kullanıldığı Yerler: Müşteri veri kayıpları, nufüs sayım kayıpları
Karar vermek için Veri Kullanılması
Küçük yatırımcılara şirket açmaları için fon sağlayan bir şirkette sorumlu olduğunuzu düşünün. Şirket, haftadan birkaç başvuru alıyor ve bütün bu başvuruları okumak ve kabul edip etmemek konusunda karar vereceksiniz. İşlem aşağıdaki şemada gösterilmiştir.
Başvuranlar sizin sağladığınız servisle mutlu, şirketiniz popüler oldukça, başvuran sayısı artıyor ve çok yakında haftalık olarak yüzlerce başvuru geliyor. İsteği karşılamak için işçi alıyor ve çalışma saatlerini artırıyorsunuz ama artan isteği karşılayamayınca beklemekten sıkılan insanlar, rakibinize başvuru yapmaya başlıyor.
Evet iş büyüdükçe daha çok işçi işe aldınız ama bu sizin için yeterli olmadı.
http://archive.ics.uci.edu/ml/datasets/Statlog+%28German+Credit+Data%29 linkine gidin.
Sitede göreceğiniz verilerden fark edilen,
  • 7,500$ üzeri kredi kartı alanların çoğu geri ödeme yapmamış
  • Denetleme hesabı olmayan kişiler kredilerini zamanında ödediler.
7,500$ üzeri kredi isteklerini silmek istiyorsunuz , 86 kullanıcıdan 44' ü ödemede sorun oluşturdu yani yüksek mebla kredi kartlarının %51 i geri ödemedi ama fark ediyorsunuz ki kullanıcılarınızın %8.6 sı yüksek mebla da kredi kartı almıştı. Bu demek oluyor ki, sınıflandırma yapmak için daha sağlam bir temelli karşılaştırmaya ihtiyacınız var.
İkinci seçeneğe göre; denetleme hesabı olmayan herkesin başvurusunu kabul etmek istiyorsunuz. Denetleme hesabı olmayan kullanıcıların %88 i geri ödediği için bu yöntemi doğru buluyorsunuz.
Denetleme hesabı olmayan her kullanıcıyı kabul etmek, otomatik olarak kabul edilenler oranını %45 e getiriyor. Böylece sadece yeni başvuruları analiz etmeniz gerekir.
Makine öğreniminde veri eldeki problem hakkında öngörü oluşturmayı sağlar. Eski veriler analiz edilip, en uygun sonuç bulunur. Makine öğrenimini kredi veren bir şirkete uygulamak istiyorsanız, elinizde verileri kullanmalısınız. Input ve outcome şeklinde, verilen kredi ve hangi kullanıcıların geri ödeme yaptığı göz önünde bulundurulmalıdır.
Tarihi veri kullanılarak makine öğrenimi modeli oluşturulur.  Yeni kredi kartı uygulamaları geldikçe, geri ödeme olasılık tahminleri verilerden elde edilmeye devam edilir.
Deneme setindeki örneklerin bulunması ile bir model oluşturulur. Modelleme kullanıcının verilerine bağlıdır.
Bir sonraki aşama ise bir Makine Öğrenimi algoritması seçmektir. İstatiksel iş modellemeleri outcome ve input arasında ki ilişkiyi açıklamak için denklemler kullanır
Kaynakça :https://www.manning.com/books/real-world-machine-learnings://www.manning.com/books/real-world-machine-learning

3 Ağustos 2017 Perşembe

Yazılım Nasıl Öğrenilir ?




                           
        

                 Yazılım Nasıl Öğrenilir ? 
      Ezberleme, Anla

       Yazılımda iyi olan kişilerin nasıl o kadar şeyi hatırladığını merak ederiz. Aslında burada ki anahtar nokta, hatırlamak değil işin mantığını kapmaktır. Her kod farklıdır, diyelim ki kodu ezberlediniz ama aynı kod farklı bir şekilde önünüze geldi bu durumda ne yapacağınızı bilemezsiniz.

    Aktif Öğrenici Olun

 Her öğrendiğinizi not alıp bir daha o nota geri dönmeyecekseniz, bu pasif bir öğrenme şeklidir, en azından yazılımcılar için.
 Öğrendiğiniz kodu ve bilgiyi pratiğe geçirmelisiniz eğer kullanamıyorsanız bununla ilgili araştırmalısınız.

   Kodlarla Oyna

 Her ne amaçla yaparsanız yapın, o işten zevk almazsanız olmaz. Yazılımın bir güzelliği kendiniz kullanabileceğiniz uygulamalar yapıyor olmanızdır. Örneğin, internette hazır paylaşılmış olan Youtube video indirme uygulaması ile birlikte reklamsız ve virüssüz video indirebilirsiniz.

  Aynı kod üzerinde oynamalar yapın.

  Hata Yapın 

Bir yazılımcı hata yapmıyor ise gelişmiyordur. Bugün dünyanın en iyi şirketleri her gün problem çözen şirketlerdir.

 İngilizce Öğrenin 
  
 İngilizceyi sevmeniz bunun için yeterli, bilmiyorsanız bile kelime çevire çevire iyi bir hale getirirsiniz. Yani ingilizce'nin bir bahane olmasından kurtulun.

Örnek Kodları İnceleyin, blogları inceleyin, bir satır bile olsa hergün kod yazın. Hergün yeni bir şey öğrenin ve teknolojiyi takip edin. Zor ve sıkıcı günler olabilir ama bu sevdiğiniz işi bırakmanız için bir bahane olmamalıdır. 

Stackoverflow, github gibi siteleri eğlenme mekanınız haline getirin.







  







27 Temmuz 2017 Perşembe

StajOkulu 2017 #StajOkulu #Bilişim




Ülkemiz şartlarında üniversitede öğrenmiş olduğumuz bilgileri aktif ve teknik olarak hayata geçirebileceğimiz ortamdır, staj. Bir yanda ülke gelişsin isteyip, bas bas bağırıp, kocaman firmalarında öğrenci toplumunun aktif rol almasını uygun görmeyenler varken, ne mutlu bize ki, bu işi gönlünden yapan bir ortam var, adı Stajokulu. Stajokulu, gönlü geniş insanların başlattığı bir gönüllülük projesidir. Stajokulu'na katılan her eğitimci kendi alanlarında uzman kişilerdir. Eğitimcilerin hepsi, ülke eğitim ve kalıplaşmış düşünce tarzı karşısında umutsuz düşen gençlere yol göstermek, onlara ilham vermek, alanlarını ve iş ortamını tanıtmak, velhasılıkelam ülkesine faydalı olmak amacı ile işlerini bırakıp, yoğun istanbul trafiğini ve sıcağını çekmeyi göze alarak bu yola çıktı. 


StajOkulu'nun Bize Kazandırdıkları 


  • Sektöre girme hikayeleri bize anlatan uzmanlar bizi umutlu ve aynı zamanda  azimli olmamız yolunda teşvik etti.
  • Bilişimin hangi alanında ilerlememiz gerektiği konusunda ikilemde kalırken, farklı programlama dillerini görmek ve gelişmiş firmaların hangi dillere önem verdiğini öğrenmek kesin bir fikre yaklaşmamızı sağladı.
  • Sektörde işlerin nasıl gerçekleştiğini, üniversite bittikten sonra bile kendimizi geliştirmemiz gerektiğini ve alanında uzman kişilerin işlerini ne derecede sevgi ile yaptıklarını görmüş olduk.
  • Okula bağlı kalmamamız, azimli olmamız gerektiğinin önemini tekrardan hatırladık.
  • Bir proje geliştirirken planlı olma ve görevleri gruplara ayırmanın önemini gördük.
  • Yazılımla kendimizi kısıtlamak zorunda olmadığımızı gördük.
  • Oyun, web, artırılmış gerçeklik, büyük-veri alanlarında projeler yapıldı. 
  • Veri tabanı ve Büyük Veri analizlerinin iş dünyasında ki önemini görürken, sağlık ve şehircilik alanlarında yazılımın kullanım yerini gördük.
  • Çok kısa bir süre içerisinde yazılım alanında ki her teknoloji hakkında bir fikre sahip olduk. Daha azimli çalışmamız gerektiğini gördük.
  • Staj boyunca, üniversite okurken tanışma imkanı bulamayacağımız çok sayıda uzman ile tanışma zevkini elde ettik.




“Sen varını-yoğunu, malını-mülkünü ver de bir gönül yap! Yap da o gönül; mezarda, o kapkara gecede sana ışık versin!.. demiştir Mevlana. 

Varımız yoğumuz para ise bir gün iflas ederiz, uçar gider, fakat Stajokulu'nda ; uzmanların kendilerini nasıl geliştirdiklerini görmek, üniversitede öğrenmediğimiz bilgileri edinmek, bir sürü teknoloji ile tanışmak, geleceğin nasıl inşa edildiğini görmek bizim ilim çantamızı doldurmuş taşırmıştır. 





11 Mayıs 2017 Perşembe

Endüstri 4.0 Üzerine Düşünmeye Değer Mi?


endüstri 4.0 gerçek mi

    2016 yılında Davosta gerçekleşen Dünya Ekonomik Toplantısının en büyük konuşma konularından birisi Endüstri 4.0 idi . Bu toplantı da günümüzde Robotlar, yapay zeka, 3D printing, biyoteknoloji, sürücüsüz araçlar, nesnelerin interneti gibi konuların bu güne kadar hiç görülmemiş bir şekilde bilgi ve gelişim bombardımanı içerisinde olduğunu belirtti.

   Ekonomist olan Robert Gordon1. endüstri devriminin kömür, buhar makineleri, demir yolları ve dokuma üzerine, ikinci endüstri devrimi elektrikte gelişimler, motorlar, hidrokarbon, petrol ve kimyasal gelişmeleri beraberinde getirdi. Üçüncü endüstri devrimi ise, bilgisayarlar ve telekomunikasyon üzerine olmuştur.
Uzun dönemli yaşanan yeniliklerin aktivitesi genel olarak; değişim kuantumuna, gelişim ve verimlilikteki etkisi ve uzun vadeli olmasına bağlıdır.

   Profesor Gordona göre ikinci endüstri devrimi verimlilik ve uzun vadeli olarak en etkili olandır. Elektrik ve motorlar değişimdeki büyüklüğü gösteriyor. O zamandan beridir 2. endüstri devriminde yaşanan etkiler, ulaşım, verimlilik, madde ulaştırmada esneklik gibi sonuçları doğurdu. Hayvanların ve insanların yerini değiştirmek, enerjiyi, hızı, iş güvenliğini artırırken maliyeti azalttı.

Üçüncü endüstri devrimi ise beklendiği gibi bir etki göstermemiştir. Dördüncü endüstri devrimi olarak adlandırılan kavram ise aslında üçüncü endüstri devriminin devamıdır. Neden mi ?

 Yapay zeka, biyoteknoloji, Robot teknolojileri yeni değil. Yıllar önce başlayan çalışmalar sonucunu şimdi vermeye başladı ve yeni bir endüstri devrimi olarak gösterilmeye başlandı. Hernekadar benim şahsi düşüncem, devrimler üzerinde odaklanmak yerine teknoloji ve gelişim üzerinde odaklanmak olsa da 3. endüstri devriminin bilgisayar üzerine olduğunu düşününce bugün yapay zeka, 3D printing gibi konularda ki gelişmelerin aslında 3. endüstri devriminin bir devamı ve aslında bir bilgisayardan farksız olduğunu görmek zor değil. Bugün dünyada ses çıkartan kişiler aslında her seminerlere gidip yeni devrim hakkında konuşanlar değil, teknolojinin ta kendisini sunan, geliştiren kişiler.


    Sanırım bundan sonra bize düşende teorilere takılı kalmak yerine dünyanın ileri gidenleri gibi pratiğe dökmektir.

Gelişmek İsteyen Şirketlerin Yapması Gereken


şirketlerin gelişim


    Gün geçtikçe yapay zeka hayatımıza daha çok giriyor. Asırlar içerisinde meydana gelen icatlar ve gelişimler bir çita hızı kazanmış gibi eskiye nazaran kat kat hızlı ilerliyor, teknoloji de gelişim bombardımanı yaşanıyor.
                Günümüzde nesnelerin interneti, Endüstri 4.0 ve Yapay Zeka alanlarında meydana gelen gelişmeler bu savaş içerisinde teknolojiye ayak uyduran şirketlerin ayakta duracağını gösteriyor. Çünkü popülasyonun gelişmesi daha çok madde ihtiyacını doğururken diğer bir yandan sosyal medya, telefon, oyun gibi şeylerle vakit geçiren insanlar tembelleşti bu ise kendi çalışan fabrikalar, makineler, kendi giden araçlar gibi hayatımızı bir anlamda kolaylaştıracak ihtiyaçlar doğdu.
                Peki Yapay Zeka bu kadar ilerlerken, dünyanın en iyi firmaları yatırımlarını bu konu üzerinde yaparken bizler bundan uzak mı  durmalıyız ?
                Asıl konumuza Yapay Zekanın günümüze etkisine gelecek olursak, makinelerin ve fabrikaların zeki hale gelmesi haricinde yapay zeka markanızı nasıl daha iyi yerlere getirebilir.

     İçeriğinizi En iyi Hale Getirin


                Yapay Zeka kullanılarak meydana getirilen pazarlama robotu ile birlikte, tüketicilerinize en hızlı şekilde ulaşabilir. Bunu sadece sosyal medya kullanıcılarının hangi konular üzerinde araştırdığını analiz ederek ve onlara sizin ürününüzü satmaya çalışarak yapabilir.
Boomtrain olarak adlandırılan bot sizin müşterilerinize kolayca ulaşmanızı sağlayabilir.

Şirket Bilgilerinizi Derleyin


                İş kurmanın ve işi yürütmenin en sıkıcı hallerinden birisi milyonlarca datayı derlemektir. Fakat artık buna gerek yok, Yapay zeka robotu ile artık bu da kolay.

Vaktinizi Koruyun


                Sizler ürününüzü daha iyi hale getirirken, müşterilere ulaşma işini robota bırakın ve zaman kazanın.

                Bunlar şirketinizi yönetirken sizlere zaman kazandıracak sadece birkaç yöntemdir. Yapay zeka bunun daha fazlasını yapıyor. Fabrikanızı teknolojiden mahrum etmeyin ve büyümeye geçin. Günümüzde öyle bir hal aldı ki, Facebook sahibi çıkıp akıllı telefonların yerini farklı şeylerin alacağını söylüyor, bir çok firma sürücüsüz giden araç üzerinde çalışıyor. Teknoloji ile bağını koparmayan devletler büyüyor, yeni pasta şekilleri üretmek yeri her yıl yeni çipler yapıyor, yeni ürün çıkarıyor ve geliştiriyor. Unutmamak gerek ki bugün süper güç olan şirketler bir gün küçük şirketlerdi