Amii, Yapay Zekâ Kullanımını Yaygınlaştırma Ortaklığını 25 İşletmeyi Daha Destekleyecek Şekilde Genişletiyor

Amii, Alberta Makine Zekâsı Enstitüsü, 25 küçük ve orta ölçekli işletmenin daha pratik yapay zekâ yetkinlikleri geliştirmesine yardımcı olmak için Kanada’nın bölgesel ekonomik kalkınma ajansı PrairiesCan ile ortaklığını genişletiyor. 27 Ekim’de yapılan duyuruyla federal destek 2,5 milyon Kanada dolarına çıkarılırken girişime sağlanan toplam federal yatırım 5,6 milyon Kanada dolarına ulaşıyor.

Genişleme Alberta, Saskatchewan ve Manitoba’yı kapsıyor; enerji, tarım ve imalat sektörlerinde ilk çalışmalar başladı. Amii, programın 2024’te başlatılmasından bu yana bölgedeki 30 işletmeyle çalıştığını belirtiyor. Program kapsamında şirketler, kendi operasyonel verileri üzerinden sistemler geliştirmeleri için makine öğrenimi uzmanlarıyla eşleştiriliyor ve bu sistemlerin bakımını sürdürebilmeleri için gereken uzmanlık şirketlere kazandırılıyor.

Uygulamayı Merkeze Alan Bir Araştırma Ortaklığı

Edmonton merkezli Amii, bağımsız bir kâr amacı gütmeyen kuruluş ve Kanada Pan-Kanada Yapay Zekâ Stratejisi kapsamındaki üç ulusal yapay zekâ enstitüsünden biridir. Geçmişi, 2002’de kurulan Alberta Makine Öğrenimi Mükemmeliyet Merkezi’ne uzanıyor; kuruluş, 2017’de Amii adıyla bağımsız bir kâr amacı gütmeyen kuruluş hâline geldi. Çalışmaları araştırma, yetenek geliştirme ve ticari uygulamaları bir araya getiriyor.

Kanada Prairies Ekonomik Kalkınma Ajansı olarak bilinen PrairiesCan, programa katılan üç eyalette ekonomik kalkınmayı destekleyen federal kurumdur. Uluslararası okurlar açısından bu ortaklık, kamu yatırımlarının küçük şirketlerin kendi başlarına oluşturmakta zorlanacağı uzman teknik kapasiteye erişmesine nasıl yardımcı olabileceğini gösteriyor.

Amii’nin yapay zekâ geliştirme modeli, tam zamanlı bir makine öğrenimi uzmanını, kurumun bilim insanlarının gözetiminde bir şirketin projesinde görevlendiriyor. Uzman, model geliştirme ve test süreçlerinde şirketin ekibiyle birlikte çalışıyor; şirketin proje sonrasında bu kişiyi işe alma seçeneği de bulunuyor. Genel program 12 ila 15 aylık bir taahhüt öngörüyor; ancak projelerin kapsamı ve maliyeti değişiklik gösteriyor.

Şirketler, çalışma kapsamında geliştirilen fikrî mülkiyet haklarını elinde tutuyor ve belgelendirme ile bilgi aktarımından yararlanıyor. Böylece ortaklığın amacı, dışarıdan hizmet alarak yalnızca bir prototip teslim etmekten farklılaşıyor: dış araştırma ekibi ayrıldıktan sonra işletmenin sistemi uyarlayabilmesi hedefleniyor.

Croptimistic: Gerçek Tarlalarda Çalışabilen Bilgisayarlı Görü

Croptimistic Technology, tarla yönetimine yön vermek için toprak, su ve topoğrafya bilgilerini bir araya getiren hassas tarım ekosistemi SWAT MAPS’i geliştiriyor. SWAT CAM ürünü, olağan ilaçlama faaliyetleri sırasında görüntüler topluyor ve ürünleri ile yabani otları analiz etmek için makine öğreniminden yararlanıyor.

Amii ile yapılan iş birliği, buğday ve yulaf gibi mevsimin erken dönemlerinde yetişen tahıllara odaklandı. Bu bitkilerin dar ve üst üste binen yaprakları, tek tek bitkileri ayırt etmeyi zorlaştırıyor. Ekip; yoğun bitki örtüsü ve toz, parlama ve rüzgâr gibi zorlu görüntüleme koşullarında çalışabilen özel görsel algılama modelleri geliştirdi.

Croptimistic’in ürün bilgileri, püskürtme sistemine monte edilen kameraların yoğun tarla görüntülerini yönetim bölgeleriyle nasıl ilişkilendirdiğini açıklıyor. Ürünleri daha iyi tespit etmenin pratik faydası, sağladığı mekânsal ayrıntıdır: üreticiler, yalnızca birkaç manuel gözleme dayanmak yerine bir tarladaki düzensiz çıkışı ve yabani ot yoğunluğunu inceleyebilir.

Carson Integrated: Çevresel Kayıtları Tahminlere Dönüştürmek

Carson Integrated, doğal kaynak projelerine yönelik coğrafi bilgileri de içeren çalışmalara imza atan bir çevre ve ormancılık danışmanlık şirketidir. Şirketin karşılaştığı sorun, su yollarının sınıflandırılmasıydı; bu sınıflandırma, su yollarının çevresindeki koruma tampon bölgelerinin belirlenmesine yardımcı oluyor.

Amii’nin Carson vaka incelemesi, saha ölçümleri ve uzaktan algılama verileri de dâhil olmak üzere yaklaşık yirmi yıllık birikmiş verilerle oluşturulan bir modeli anlatıyor. Özellik geliştirme sürecinde arazi yapısı ve çevresel özellikler incelendi; havza çıkışının büyüklüğünün özellikle yararlı olduğu görüldü. İncelemeye göre, uygun veriler mevcut olduğunda ortalama sınıflandırma doğruluğu yaklaşık %75 oluyor.

Bu uygulama, alan uzmanlığının yararlı makine öğrenimi çözümlerini nasıl şekillendirdiğini gösteriyor. Görüntülerde bir su yolunu belirlemek, o su yolunun mevzuattaki sınıflandırmasını tahmin etmekten farklı bir görevdir. Tahminler, uzak bölgelerdeki değerlendirme çalışmalarına öncelik verilmesine yardımcı olabilir; ancak destekledikleri kararlar açısından doğruluklarının ve uygunluklarının yine de değerlendirilmesi gerekir.

Visionstate: Kısıtlı Bir Optimizasyon Problemi Olarak Planlama

Visionstate, tesis operasyonları, denetimler ve iş doğrulama süreçlerine yönelik yazılımlar geliştiriyor. Şirketin mevcut web sitesi; raporları, denetimleri, iş emirlerini ve gözetimi bir araya getiren MIRA platformunu öne çıkarıyor. Amii ile yürütülen çalışma, şirketin WANDA tesis yönetimi platformuna odaklandı.

Ayrıntılı vaka incelemesi, temizlik rotaları ile programlarının kısıtlı bir optimizasyon problemi olarak formüle edildiğini açıklıyor. Sistem, saha düzenlerine, hizmet gerekliliklerine ve uyum kurallarına bağlı kalırken sabit sayıdaki iş gücünü görevlendirmeli; verimlilik ile adaleti dengelemelidir.

Bu çalışmalar ayrıca bir kaynak planlama ürünü olan TidyLogic’i ve sağlık sektörüne yönelik bir temizlik maliyeti tahmin aracını da destekledi. Vaka çalışmasında, yazının kaleme alındığı sırada TidyLogic’in beta aşamasında olduğu ve modelin entegrasyona doğru ilerlediği belirtiliyordu. Bu ayrımlar önemlidir: ticari ürün geliştirme ile tamamen devreye alınmış bir optimizasyon sistemi, birbirinden ayrı kilometre taşlarıdır.

Ambyint: Pekiştirmeli Öğrenme Uzmanlığı Geliştirmek

Ambyint, petrol ve gaz işletmecilerine üretim optimizasyonu yazılımı sunuyor. Mevcut platformu, endüstriyel izleme altyapısı üzerinden ekipman ayar noktalarının değiştirilmesi de dâhil olmak üzere, fizik bilgisiyle desteklenen modelleri otomatik kontrolle birleştiriyor.

Amii projesi, biriken sıvıların nasıl tahliye edildiğini değiştiren basınç eşiklerinin kullanıldığı pistonlu kaldırma kuyularında pekiştirmeli öğrenme yöntemlerini araştırdı. Yer altında derinlerdeki koşullara ilişkin bilginin sınırlı olması, simülasyonu ve kontrolü zorlaştırıyor. Ekip, kararları iyileştirmek için geçmiş verilere dayalı yaklaşımları ve fizik bilgisiyle desteklenen yöntemleri test etti.

Vaka çalışması sonucu açıkça ortaya koyuyor: Deneysel modeller, Ambyint’in mevcut otomasyonuna kıyasla verimliliği artırmadı ve üretimde kullanılabilecek kadar güvenilir ya da hızlı tepki verir durumda değildi. Çalışmanın faydası, şirket içindeki ekibin yetkinliğinin artması ve hangi alanlarda daha fazla araştırma gerektiğinin daha net anlaşılması oldu. Hemen devreye alınabilecek bir model ortaya çıkarmasa bile bu, yapay zekâ benimsemesi açısından değerli bir sonuçtur.

Riva: Kurumsal Verileri Yapay Zekâ İçin Kullanışlı Hâle Getirmek

Amii, Edmonton merkezli Riva’yı da ilk dönemde fayda sağlayan şirketlerden biri olarak gösteriyor ve belirli model mimarisini açıklamadan, üretime hazır çözümler geliştirme yolunda kaydedilen ilerlemeye dikkat çekiyor.

Riva’nın platformu, e-posta, takvim, kişi ve toplantı bilgilerini müşteri ilişkileri yönetimi sistemleriyle bir araya getiriyor. Platformun sunduğu özellikler arasında yapay zekâyla oluşturulan konuşma özetleri ve ekiplerin inceleyip CRM kayıtlarıyla ilişkilendirebildiği yapılandırılmış toplantı çıktıları da bulunuyor. Bu, saha görüntüleme veya endüstriyel kontrolden farklı bir benimseme bağlamı sunuyor: Buradaki zorluk, yönetişimi ve insan incelemesini korurken iş etkileşimlerini kullanılabilir hâle getirmek.

Model Kanada’nın Ötesinde Neden Önem Taşıyor?

Programa katılan işletmeler, yapay zekâ benimsemesinin bilgisayarlı görü, tahmine dayalı modelleme, kısıtlı optimizasyon, pekiştirmeli öğrenme ve kurumsal bilgi iş akışları gibi farklı alanları kapsadığını gösteriyor. Bu alanların her biri farklı veriler, değerlendirme yöntemleri ve operasyonel uzmanlık gerektiriyor.

Ortaklığın daha geniş kapsamlı önemi, sahiplenmeye ve teknik kapasiteye verdiği önemden kaynaklanıyor. Bir şirketin kendi çalışanları modelin nasıl geliştirildiğini, nasıl test edileceğini ve tahminlerine ne zaman güvenilmesi gerektiğini öğrendiğinde, şirket yalnızca bir modelden fazlasını kazanır. Bu yetkinliklerin aktarılması, küçük işletmeler için ilk yazılım teslimatı kadar önemli sonuçlar doğurabilir.