Çözümü göster
Modelin süreç koşulları ile sonuç arasındaki örüntüyü incelemesi amaçlanır. Koşullar girdi, tanımlı ürün miktarı için ölçülen enerji hedef olabilir. Öğretim verisinin ölçüm ve tahmin kaynakları ayrı tutulmalıdır.
Bugün 2 test hakkın kaldı ve sonuçların kaydedilmez. Giriş yaparsan günde 5 test çözer, sonuçlarını saklarsın. Sınırsız çalışmak için Plus.
Kimya laboratuvarlarında ve fabrikalarda yapay zekâ, geçmiş deneylerden öğrenerek hangi koşulun daha az enerji ya da hammadde gerektireceğini tahmin etmeye yardımcı olabilir. Ancak bir tahmin, deneyle doğrulanmadığı sürece bir kanıt değildir. Bu bölümde yapay zekâ destekli süreç iyileştirmelerinin yeşil kimya ve sürdürülebilirlik ölçütleriyle nasıl değerlendirileceği ele alınır.
Yeşil kimya, kimyasal ürün ve süreçlerin tasarımında atığı önlemeyi, daha az zararlı maddeler kullanmayı ve enerjiyi verimli kullanmayı hedefler. Önemli ilkeler: atık oluşumunu başlangıçta önlemek, ham maddeyi verimli kullanmak, mümkün olduğunda yenilenebilir kaynak kullanmak ve enerji tüketimini azaltmaktır. Bir iyileştirmenin başarısı, tek bir ölçütle değil, enerji, hammadde, atık ve tehlike gibi birden çok ölçütle değerlendirilir.
Yapay zekâ modeli, girdi (örneğin sıcaklık, süre, katalizör türü) ile hedef (örneğin enerji tüketimi, atık miktarı) arasındaki örüntüyü geçmiş verilerden öğrenir ve yeni koşullar için tahmin üretir. Modelin çıktısı bir tahmindir; ölçülmüş bir sonuç değildir. Girdilerin karar anında bilinebilir olması gerekir: işlem bittikten sonra ölçülen bir değer, işlemden önce öneri yaparken girdi olarak kullanılamaz. Hedef de gerçek amacı yansıtmalıdır: yalnızca ürün miktarını artırmayı hedefleyen model, çözücü tüketimini artıran koşulları seçebilir.
Modelin başarısı verinin niteliğine bağlıdır:
• Eksik ölçümler (örneğin sensörün çalışmadığı saatler) sıfır değer gibi gösterilmemeli, eksik olarak işaretlenip belgelenmelidir.
• Birimler uyumlu olmalıdır; g/L ile mg/L karışık verilirse model yanlış öğrenir.
• Veri seçilirken gerekçesiz ayıklama yapılmamalı; yüksek atıklı üretimleri silmek modeli gerçeği temsil etmez hâle getirir.
• Zaman uyumu gözetilmelidir: bir reaktörde koşul ile çıkıştaki analiz arasında gecikme varsa bunlar aynı zaman damgasıyla eşleştirilmemelidir.
• Ölçüm cihazları kalibre edilmeli; kalibrasyon kayması çevresel iyileşme gibi yorumlanmamalıdır.
Yapay zekâ önerisi, aday belirlemeyi kolaylaştırabilir, fakat öneri deneyle sınanmadıkça kanıt sayılmaz. Güvenilir değerlendirme için:
• Model, geliştirilirken kullanılmayan, hedef kullanımı temsil eden bağımsız deneylerle sınanmalıdır.
• Modelin eğitildiği koşulların dışındaki durumlar (yeni çözücü, farklı ölçek, farklı sıcaklık aralığı) için model güvenilir kabul edilmemelidir.
• Nokta tahminlerin hata payı bilinmelidir; aralarındaki fark hata payından küçükse gerçek üstünlük kesinleşmez.
• Birden çok model aynı veriyi kullanıyorsa uyuşmaları bağımsız doğrulama sayılmaz.
• Modelin kendi tahminlerini ölçülmüş veri gibi veri dosyasına yazıp doğruluğu onaylamak döngüsel doğrulamadır.
• Korelasyon nedensellik değildir: bir katalizör kullanılan günlerde atık azsa, aynı günlerde başka bir etken de değişmiş olabilir.
Bir yapay zekâ uygulamasının enerji ya da hammadde tasarrufu iddiası, uygulamanın kendi enerjisi dahil toplam etkiyle değerlendirilmelidir. Örneğin süreçte 25 kWh tasarruf sağlayan bir uygulamanın modeli eğitmek için 20 kWh harcadığı varsa net kazanç 5 kWh tir. Alt sayaç bilgisi ana toplama dahilse ikinci kez eklenmemelidir. Ayrıca birim ürün başına tüketim ile toplam tüketim farklı göstergelerdir; birbirinin yerine kullanılmamalıdır. Başarı ölçütü seçilirken ölçümün tüm süreci kapsadığına ve ölçüm yapılmayan dönemlerin dışarıda bırakılmadığına dikkat edilir. Genel doğruluk yüksek olsa bile nadir ve kritik olayları yakalama başarısı ayrıca incelenmelidir.
Örnek 1. Bir süreçte yapay zekâ önerisi 25 kWh tasarruf sağlıyor. Modelin eğitimi için 12 kWh, çalıştırılması için 8 kWh harcanıyor. Net enerji kazancı nedir?
Yapay zekânın toplam harcaması 12 + 8 = 20 kWh tir. Net kazanç 25 − 20 = 5 kWh dir. Yani tasarruf iddiası, uygulamanın kendi enerjisi düşüldükten sonra 5 kWh a iner.
Örnek 2. Bir model 100 gözlemin tamamına olağan durum etiketi veriyor; gerçekte 99 gözlem olağan, 1 gözlem kritik aşımdır. Genel doğruluk %99 dur. Bu model kritik olayları izlemek için uygun mudur?
Hayır. Genel doğruluk %99 olsa da kritik aşım yakalanamamıştır; kritik olayı yakalama başarısı 0/1 dir. Genel doğruluk, nadir ama önemli olayların performansını göstermez; bu tür modellerde kritik olaylar için ayrı başarı ölçütü incelenmelidir.
Örnek 3. Bir yapay zekâ modeli, yalnız su temelli karışımlarla geliştirilmiş olmasına rağmen yeni bir çözücü için çok yüksek çözünürlük tahmin ediyor. Bu tahmin nasıl değerlendirilmelidir?
Model, bu tür çözücüyle hiç sınanmadığı için tahmin doğrulanmış kapsamın dışındadır. Tahminin güvenilirliği varsayılmamalı, yeni çözücüde bağımsız deneylerle ölçüm yapılmalıdır.
Bu konudaki soru bankasından seçilmiş örneklerdir. Cevabı ve çözümü görmek için “Çözümü göster”e tıklayın.