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

Ali Asmari, PhD, ULC Technologies’te yapay zeka ve makine öğrenimi bölüm 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.

Sizce robotics ve AI’ye ilk olarak neler sizi çekmiştir?

Lisede matematik ve fizikte çok iyiydim, bu nedenle üniversitede makine mühendisliği okumaya karar verdim. Üniversitedeki en sevdiğim konular Makine Dinamikleri ve Doğrusal Olmayan Kontrol’dü, her ikisi de robotik sistemlerin kontrolü için gerekliydi. Bu konular, robotik hayal gücünüzü gerçeğe dönüştürmek için gerekli tüm araçları sağlar. Üniversitede kendi robotlarımı inşa ettim ve dünya çapındaki uluslararası robotik yarışmalara katıldım. Ayrıca bu alanda daha fazla eğitim almak için yüksek lisans yapmaya karar verdim ve bir robotikçi olmak için çalıştım.

Yapay zeka, 2010’un başlarında uygulama açısından çok popüler bir kavram haline geldi. Makine öğrenimi ve sinir ağları hakkında birkaç temel ders aldıktan sonra, hemen araştırma ve çalışmalarıma bu yöntemleri uygulamaya başladım. Ben persönlich olarak yapay zeka kavramlarının insan beyninin öğrenme ve işleyiş şekline benzerliğine şaşıyorum. Robotikte yapay zeka kullanımı nispeten yeni ve uzun bir yol kat etmek zorunda, ancak bu hareketin bir parçası olmak benim için çok şanslıyım.

ULC Technologies’in birçok robotu, zorlu arazilerde yer altına inmek üzere tasarlanmıştır. Bu tür robotlar için tam otomatik engel kaçınma ve yol planlaması inşa etmenin arkasındaki bazı zorluklar nelerdir?

Çalışmalarımızın çoğu, şehir bölgelerindeki ve bu borulardaki older boru hatlarının muayenesi ve dahili rehabilitasyonu üzerine odaklanmıştır ve bu borularda genellikle moloz bulunur, bu da tam otomatik çözümleri zorlaştırır. Bir çözüm olarak, ULC, ticari boru robotik sistemleri geliştirdi, bu sistemler elle kontrol edilen gaz borularıdır. Son 20 yıl içinde, boru robotik alanındaki uzmanlığımız, daha fazla otomasyon ve yapay zeka unsurlarını entegre etmemizi sağlar.

Bunlardan biri, UK gaz ağı SGN ile birlikte yürütülen Dağıtım Ağ Bilgisi Haritalama (DNIM) projesidir. Bu proje, boru hatlarını ve boru içindeki özellikleri verimli bir şekilde tanımlamak ve haritalamak için makine öğrenimini boru hatlarına uygulamayı amaçlar. Bu veriler, sonunda bu karmaşık boru ortamlarında engel kaçınma ve yol planlamasına açık yollar sağlayacaktır.

Şu anda hangi robotik çözümler sunulmaktadır?

ULC, kamu hizmetleri ve enerji şirketleriyle birlikte, altyapının muayenesi, onarımı ve bakımı için robotik çözümler geliştirir ve uygular. Örneğin, CISBOT adlı bir robot geliştirdik, bu robot canlı dökme demir gaz borularına girer ve boru içinde joint’leri内部 olarak mühürler, bu da gaz ağlarının sızıntılarını önler ve borunun ömrünü 50 yıla kadar uzatabilir, tüm bunlar müşterilere gaz kesintisi yapmadan gerçekleştirilir. ULC ayrıca, kamu hizmetlerini risklerini azaltmaya, verimliliği artırmaya ve operasyonel zorlukları çözmeye yardımcı olan canlı gaz boru muayene kamerası ve crawler sistemleri için bir dizi robotik çözümü de geliştirdi.

Yer altı robotik sistemlerimiz dışında, diğer endüstriler için robotik çözümler geliştirmek üzere bir iç AR-GE ekibimiz vardır. Örneğin, UK şirket SGN ile birlikte geliştirdiğimiz Robotic Roadworks & Excavation System (RRES) projesi, geleneksel kazı yöntemlerini değiştirmek üzere tasarlanmış bir tüm elektrikli robotik sistemdir. RRES, yer altı algılama, delme ve kesme, otomatik yumuşak kazı, boru montajı ve yolun yeniden inşa edilmesi gibi yeteneklere sahiptir. Gelecekte RRES’in operasyon aralığını genişletmeyi umuyoruz.

Bu, sunduğumuz robotik çözümlerden sadece birkaçı, ancak teknolojilerimiz hakkında daha fazla bilgi web sitemizde bulunabilir. Ayrıca, kamu hizmetleri, enerji ve endüstriyel sektörlerdeki şirketlerle ortaklık kurmak ve yenilikçi çözümlerin geliştirilmesine katkıda bulunmak için çalışıyoruz.

Hangi tür veriler toplanmaktadır?

ULC Technologies, endüstriyel farklı teknik zorlukları çözmek için özel robotik çözümler geliştirir. Uygulama türüne bağlı olarak, her robot ortamından farklı türde veriler toplar. İşte topladığımız bazı popüler veri türleri:

1. Yüksek Çözünürlüklü Renkli Görüntüler. Örneğin, Unmanned Aerial Vehicles (UAV) işleri sırasında 40MPixel görüntüler yakalar.
2. 3B nokta bulutları. Boru içi crawler robotlarımızın topladığı 3B nokta bulutlarına bir örnek.
3. Bazı yerüstü robotlarımız, navigasyon için LIDAR verilerini işler.
4. İnfra-red Görüntüler. UAV’lerimiz ve Asset Identification and Mapping (AIM) çözümü, varlık durum değerlendirmesi için işleri sırasında infra-red görüntüler yakalar.
5. Yüksek Frekanslı Radar. Robotic Roadworks and Excavation System (RRES), yer altı varlıklarının konumunu haritalamak için Yer Penetrasyon Radarını kullanır.

Bu listede yer almayan, ancak belirli endüstrilere özgü amaçlar için topladığımız diğer veri türleri de vardır.

Bu görüntülerin nasıl coğrafi olarak etiketlendiğini açıklayabilir misiniz?

Her robotik platformda, görüntülerin coğrafi olarak etiketlenmesi benzersizdir ve ortamda bulunan bilgilere bağlıdır.

AİM sistemimiz, survey aracımızın yolunu haritalamak için bir GPS kullanır. Diğer sensörler, bilgisayar vizyonu algoritmaları ve hedef takibi kullanarak, her tanımlanan varlığın konumunu ölçer ve görüntülerini coğrafi olarak etiketler. Yer altı boru içi gibi GPS’den yoksun ortamlarda, robotlarımız boru içindeki verileri coğrafi olarak etiketlemek için yerüstü survey araçlarıyla iletişim kurmak için diğer yöntemleri kullanır.

Verileri işlemek için şu anda hangi makine öğrenimi teknolojileri kullanılmaktadır?

ULC Technologies’te farklı uygulamalarda kullanılan üç ana makine öğrenimi yöntemi vardır:

1. Gözetimli Öğrenme, modeli eğitmek için temel gerçeklik gerektirir. Bu modeller, veri işlemede daha yüksek doğruluğa sahiptir. ULC’nin AİM çözümü, yüksek doğruluk ve tekrarlanabilirlik ile yerüstü elektrik altyapısı varlıklarını tanımlamak için bu modeli kullanır.
2. Denetimsiz Öğrenme, modelin veri中的 benzerlik ve anormallikleri tanımlamasını sağlar. Boru içi crawler’larımızın kamera görüntülerini işlemek ve boru boyunca konumlarını haritalamak için bu yöntemi kullanıyoruz.
3. Pekiştirme Öğrenimi, karmaşık cihazları eğitmek için 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 sektörlerindeki liderlerle ortaklık kurmak ve yenilikçi çözümlerin geliştirilmesine katkıda bulunmak için her zaman çalışıyoruz. Çalışmalarımız ve saha testlerimiz aracılığıyla, yapay zeka ve makine öğrenimi yeteneklerimizi sürekli olarak geliştiriyoruz ve müşterilerimiz için gelecekte yeni zorlukları çözmeye devam edeceğiz.

Harika röportaj için teşekkür ederiz, daha fazla bilgi öğrenmek isteyen okuyucular ULC Technologies‘i ziyaret edebilirler.