Ali Asmari, PhD, ULC Technologies’te Yapay Zeka ve Makine Öğrenimi Başkanı – Röportaj Serisi

Ali Asmari, PhD, ULC Technologies‘te yapay zeka ve makine öğrenimi başkanıdır. ULC Technologies, enerji, kamu hizmetleri ve endüstriyel pazarlar için robotik mühendisliği ve teknoloji geliştirme alanında öncü olarak kabul edilmektedir. 2001’de kurulduğundan beri, ULC’nin odak noktası her zaman kamu hizmetleri operasyonlarını iyileştirmek ve altyapı geliştirmesini desteklemek olmuştur.

İlk olarak sizi robotik ve yapay zeka neler çekti?

Lisede matematik ve fizikte çok iyiydim, bu nedenle üniversitede makine mühendisliği okumaya karar verdim. Üniversitedeki en sevdiğim konular Makine Dinamiği ve Doğrusal Olmayan Kontrol idi, her ikisi de robotik sistemlerin kontrolü için gerekli olan konulardır. Bu konular, robotik hayal gücünüzü gerçeğe dönüştürmek için gerekli tüm araçları sağlar. Sadece üniversitede kendi robotlarımı inşa etmedim, aynı zamanda dünyanın dört bir yanındaki uluslararası robotik yarışmalarına da katıldım. Ayrıca bu alanı daha derinlemesine incelemek için yüksek lisans yapmaya karar verdim ve bir robotikçi olmaya çalıştım.

Makine öğrenimi, 2010’un başlarında uygulama açısından çok popüler bir kavram haline geldi. Makine öğrenimi ve Sinir Ağı ile ilgili birkaç temel kurs aldıktan sonra, hemen araştırma ve çalışmalarıma bu yöntemleri uygulamaya başladım. Kişisel olarak, makine öğrenimi kavramlarının insan beyninin nasıl öğrendiği ve işlediğiyle ne kadar benzer olduğunu görmek beni şaşırttı. Robotikte makine öğrenimi kullanımı nispeten yeni ve uzun bir yol kat etmesi gerekiyor ve bu hareketin bir parçası olmak benim için çok şanslı bir durum.

ULC Technologies, bazı zorlu arazilerde yer altına inmek üzere tasarlanmış birçok robota sahiptir. Bu tür robotlar için tam otonom engel kaçınma ve yol planlaması inşa etmenin arkasındaki bazı zorluklar nelerdir?

Çalışmalarımızın büyük bir kısmı, kentsel alanlardaki eski boru hatlarının muayenesi ve dahili rehabilitasyonu üzerine odaklanmıştır ve bu boru hatlarında, tam otonom çözümleri zorlaştıran enkaz genellikle bulunur. Bir çözüm olarak, ULC, gaz boru hatları boyunca manuel olarak sürülen ticari boru hatları robotik sistemleri geliştirdi. Son 20 yıl içinde, boru hatları robotiği konusundaki uzmanlığımız, şimdi daha fazla otomasyon ve makine öğrenimi unsurunu entegre etmemize olanak tanıdı.

Bu girişimlerden biri, UK gaz ağı SGN ile birlikte yürütülen ve boru hatları ağlarına makine öğrenimi uygulayarak boru hatlarını ve boru içindeki özellikleri verimli bir şekilde tanımlamak ve haritalamak amacıyla yürütülen Dağıtım Ağı Bilgisi Haritalama (DNIM) projesidir. Bu veriler, sonunda bu karmaşık boru hatları ortamlarında engel kaçınma ve yol planlamasına açık yollar sağlayacaktır.

Şu anda hangi robotik çözümler sunulmaktadır?

ULC, enerji ve kamu hizmetleri şirketleriyle birlikte, boru hatları, LNG tesisleri, şalt sahaları ve diğer karmaşık ortamlar gibi yer üstü ve yer altı altyapısını muayene etmek, onarmak ve bakımını yapmak için robotik çözümler geliştirmektedir.

CISBOT adlı bir robot geliştirdik, bu robot canlı dökme demir gaz boru hatlarına girer ve boru içinde seyahat ederek, gaz ağlarının sızıntıları önlenmesine yardımcı olur ve boru ömrünü 50 yıla kadar uzatabilir, tüm bunlar müşterilere gaz verilmesini durdurmadan yapılır. ULC ayrıca, kamu hizmetleri şirketlerinin risklerini azaltmasına, verimliliğini artırmasına ve operasyonel zorlukları çözmesine yardımcı olan canlı gaz boru hatlarını muayene etmek için bir dizi robotik kamera ve crawler sistemi geliştirdi.

Mevcut yer altı robotik sistemlerimizin dışında, diğer endüstriler için robotik çözümler üzerinde çalışan bir iç AR-GE ekibimiz vardır. Bir örnek, UK şirketi SGN ile birlikte geliştirdiğimiz Robotic Roadworks & Excavation System (RRES) projesidir. RRES, geleneksel kazı yöntemlerini değiştirmek için tasarlanmış bir tüm elektrikli robotik sistemdir ve aşağıdaki yerlerde algılama, delme ve kesme, otomatik yumuşak dokunuşlu kazı, boru montajı ve daha sonra yolun yeniden kurulması gibi kabiliyetlere sahiptir. Daha fazla geliştirme yoluyla, gelecekte RRES’nin gerçekleştirebileceği operasyonların kapsamını genişletmeyi umuyoruz.

Bu, şu anda sunduğumuz robotik çözümlerden sadece bir örnek, ancak teknolojilerimiz hakkında daha fazla bilgi web sitemizde bulunabilir. Geliştirme aşamasında birçok başka projemiz var ve kamu hizmetleri, enerji ve endüstriyel endüstrilerde otomatik çözümler arayan şirketlerle işbirliği yapmak için her zaman istekliyiz.

Hangi tür veriler toplanmaktadır?

ULC Technologies, farklı teknik zorlukları adreslemek için özel robotik çözümler oluşturur. Uygulama türüne bağlı olarak, her robot ortamından farklı türde veri toplar. Aşağıdakiler, muayene operasyonumuz sırasında topladığımız bazı popüler veri türleridir:

1. Yüksek Çözünürlüklü Renkli Görüntüler. Örneğin, Insansız Hava Araçları (UAV) muayene işleri sırasında 40MPixel görüntüler yakalar
2. 3D nokta bulutları. Bir örnek, bazı boru içi crawler robotlarımızın topladığı 3D nokta bulutlarıdır.
3. Bazı yerüstü robotlarımız, navigasyon için LIDAR verilerini işler
4. İnfra-red Görüntüleri. UAV’lerimiz ve Varlık Tanıma ve Haritalama (AIM) çözümümüz, muayene işleri sırasında varlık durum değerlendirmesi için infrared görüntüler yakalar.
5. Yüksek Frekanslı Radar. RRES (Robotic Roadworks and Excavation System), yeraltındaki gömülü varlıkların yerini belirlemek için Yeraltı Penetrasyon Radarını kullanır.

Farklı amaçlar için topladığımız ve bu listede yer almayan daha birçok farklı veri türü vardır.

Bu görüntüler nasıl coğrafi olarak etiketlenmektedir?

Her robotik platformda, coğrafi etiketleme, sistem ve çevresindeki mevcut bilgiler doğrultusunda benzersiz bir şekilde gerçekleşir.

AIM sistemimiz, survey aracımızın yolunu haritalamak için bir yerleşik GPS kullanır. Diğer yerleşik sensörler, bilgisayar görüntüsü algoritmaları ve hedef takibi kullanarak, her tanımlanan varlığın konumunu ölçen özel yazılımlarımız, görüntülerini coğrafi olarak etiketler. GPS’den yoksun ortamlarda, örneğin bir yer altı boru hattı içinde, robotlarımız boru içindeki yakalanan verilerin coğrafi olarak etiketlenmesi için yerüstü survey araçlarıyla iletişim kurmak için diğer yöntemleri kullanır.

Verileri işlemek için şu anda hangi makine öğrenimi teknolojileri kullanılmaktadır?

Robotik ve otonom veri işlemede kullanılan üç ana makine öğrenimi yöntemi vardır, tümü ULC Technologies’te farklı uygulamalarda kullanılmaktadır.

1. Gözetimli Öğrenme, modeli eğitmek için yerleşik gerçeklik gerektirir. Bu modeller, veri işlemede daha yüksek doğruluklara sahiptir. ULC’nin AIM çözümü, yerüstü elektrik altyapısı varlıklarını yüksek doğruluk ve tekrarlanabilirlik ile tanımlamak için bu modeli kullanmaktadır.
2. Gözetimsiz Öğrenme, modelin veride benzerlik ve anormallikleri tanımlamasını sağlar. Boru içi crawler’larımızın kamera görüntülerini işlemek ve boru boyunca konumlarını haritalamak için bu yöntemi kullanıyoruz.
3. Pekiştirmeli Öğrenme, karmaşık cihazları eğitmek için geri dönüşlü kinematik hesaplamaları gerektirmeyen bir ödül tabanlı sistemdir. RRES platformundaki robotik kolu, farklı kazı operasyonlarını gerçekleştirmek için bu yöntemi kullanıyoruz.

ULC Technologies hakkında paylaşmak istediğiniz başka bir şey var mı?

Endüstriyel, enerji ve inşaat endüstrilerindeki liderlerle, yenilikçi çözümlerin geliştirilmesi ve işbirliği konusunda her zaman işbirliği yapmak istiyoruz. Çalışma ve saha testlerimiz yoluyla, AI ve makine öğrenimi yeteneklerimizi sürekli olarak geliştiriyoruz ve müşterilerimiz için gelecekte yeni zorlukları çözmeye devam etmeyi dört gözle bekliyoruz.

Harika bir röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular ULC Technologies web sitesini ziyaret edebilirler.