Çalışan Yapay

6 Ay Önce Mükemmel Çalışan Yapay Zeka Neden Çöktü? Fabrikada MLOps ve Aktif Öğrenme

Sahaya canlıya alınan derin öğrenme modellerinin zamanla yaşlanan LED'ler, kirlenen lensler ve hammadde lot değişimleri nedeniyle çömesini engelleyen MLOps stratejileri. Veri kayması (Data Drift) tespiti, insanı döngüde tutan Aktif Öğrenme (Active Learning) mimarisi ve kesintisiz model güncelleme boru hatları.

6 Ay Önce Mükemmel Çalışan Yapay Zeka Neden Çöktü? Fabrikada MLOps ve Aktif Öğrenme

Otomasyon projelerinde sıklıkla yaşanan bir kabus vardır:

Derin öğrenme tabanlı görüntü işleme sistemini sahada canlıya alırsınız. İlk 3 ay model %99.5 doğrulukla çalışır, hatalı parçaları sıfır kaçakla yakalar. Ancak 6. aya gelindiğinde sistem aniden "yalancı alarm" (false positive) üretmeye başlar. Sağlam parçalar hatalı diye ayrılmaya, hat sürekli durmaya başlar.

Yazılımcılar koda bakar: Kod aynıdır. Model dosyası aynıdır. Peki ne değişmiştir?

Değişen şey fiziksel dünyadır. LED aydınlatmanın parlaklığı azalmış, kamera merceği mikro seviyede tozlanmış veya hammadde tedarikçisi değiştiği için parçanın yüzey yansıma rengi hafifçe kaymıştır.

Yapay zekayı bir kez eğitip sahaya bırakmak ölümcül bir mühendislik hatasıdır. Sürdürülebilir bir sistem için MLOps (Machine Learning Operations) ve Aktif Öğrenme (Active Learning) mimarisi zorunludur.

Modeli Sessizce Öldüren İki Düşman: Data Drift ve Concept Drift

Sahadaki model performansının düşmesi iki temel kavramla açıklanır:

  1. Veri Kayması (Data Drift): Girdi verisinin istatistiksel dağılımının değişmesidir. Örneğin, kamera lensinin kirlenmesi veya ortam ışığının değişmesi nedeniyle görsellerin ortalama parlaklık ve piksel gürültü değerlerinin kaymasıdır. Model nesneyi tanır ama girdi verisi eğitim setinden uzaklaştığı için bocalayabilir.

  2. Konsept Kayması (Concept Drift): Girdi verisi ile hedef değişken arasındaki ilişkinin değişmesidir. Örneğin, fabrikada yeni bir parça revizyonuna geçilmiş ve eski tasarımda "hata" kabul edilen bir çentik, yeni tasarımda standart bir montaj deliği haline gelmiştir. Model doğru çalışsa da iş kuralı değişmiştir.

Çözüm: Aktif Öğrenme (Active Learning) ve İnsan Döngüsü (Human-in-the-Loop)

Sahadaki 50 adet Edge AI kamerasından akan milyonlarca görüntüyü yeniden etiketlemek ve sunucuya taşımak imkânsızdır. Bunun yerine sistemin kendi kendini geliştirmesini sağlayan Aktif Öğrenme (Active Learning) mimarisi kurulur.

Aktif Öğrenme sürecinde Edge AI kamerası her görüntüyü merkeze göndermez; sadece güven skoru düşük olan görüntüleri filtreler:

  • Model bir parçayı kontrol ederken tahmini %98 kesinlikte ise görüntü silinir/arşivlenir.

  • Ancak model %60 - \%80 güven aralığında kalmışsa (yani kararsızsa), bu görüntü otomatik olarak bir "İnceleme Havuzuna" düşer.

  • Kalite kontrol mühendisi (Human-in-the-Loop) günde sadece birkaç dakika harcayarak bu kararsız görselleri doğrular.

Bu sayede devasa veri çöplükleri oluşmaz; model sadece kendisini zorlayan ve bilmediği uç vakaları öğrenmek üzere hedeflenmiş veriyle beslenir.

Kesintisiz Güncelleme: CI/CD/CT ve Fleet Management

Aktif öğrenmeyle doğrulanan yeni veriler belirli sayıya ulaştığında, arka plandaki MLOps boru hattı (Kubeflow, MLflow vb.) otomatik olarak Sürekli Eğitim (Continuous Training - CT) sürecini başlatır.

Yeni model eğitilir, doğruluk testlerinden geçer ve onaylandığında Docker konteynerleri ve OTA (Over-The-Air) teknolojisiyle sahada çalışan tüm kameralara bant akışını 1 saniye bile durdurmadan dağıtılır.

Sonuç

Endüstriyel yapay zeka projelerinde gerçek başarı, bir modeli ilk gün canlıya almaktan ziyade onun fabrikanın değişen fiziki şartlarına yıllarca adapte olabilmesidir. MLOps ve Aktif Öğrenme boru hatları; hatta duruş yaşatmadan, uzman bilgisini sürecin merkezine alarak modeli sürekli güncel tutar ve sistemin zamanla yüksek bir kararlılığa ulaşmasını sağlar. Endüstriyel MLOps, model yönetimi ve sürdürülebilir yapay zeka mimarileri için Pro Sicht Blog'u takip etmeye devam edin!