Federe öğrenme kullanılarak nesnelerin interneti (IOT) verileri analizi

Endüstri 4.0 ve dijital dönüşüm süreçlerinin etkisiyle birlikte, üretim sektöründe veri temelli karar alma mekanizmalarına olan ihtiyaç önemli ölçüde artmıştır. Özellikle üretim hatlarında meydana gelen arızaların önceden tahmin edilmesi, kalite sapmalarının zamanında tespit edilerek müdahale edilmesi ve süreç verimliliğinin artırılması, modern endüstriyel sistemlerin en temel hedefleri arasında yer almaktadır. Bu bağlamda, büyük veri analitiği ve yapay zekâ tabanlı karar destek sistemleri, üretim süreçlerinin daha öngörülebilir ve esnek hale gelmesine önemli katkılar sunmaktadır. Ancak bu teknolojik kazanımlar, aynı zamanda veri güvenliği, gizlilik ve yasal düzenlemelere uyum gibi çeşitli kısıtlamaları da beraberinde getirmektedir. Geleneksel makine öğrenimi yaklaşımları, büyük veri kümelerinin merkezi sunucularda toplanarak işlenmesini gerektirirken, bu yöntemler özellikle hassas verilerin işlendiği üretim ortamlarında güvenlik risklerini artırmakta, iletişim maliyetlerini yükseltmekte ve hesaplama yükünü yoğunlaştırmaktadır. Bu sorunlara çözüm olarak ortaya çıkan FL (Federe Öğrenme), merkezi veri aktarımına ihtiyaç duymadan, verilerin yerel cihazlar üzerinde işlenmesini sağlayan dağıtık bir öğrenme yaklaşımı sunmaktadır. Bu tez çalışmasında, üretim hatlarında OPC (Süreç Kontrolü için Nesne Bağlantısı) protokolü kullanılarak toplanan sensör verilerinin FL mimarisi ile analiz edilmesi hedeflenmiştir. Önerilen sistemde, istemcilerden elde edilen sıcaklık, basınç ve hız gibi üretim parametrelerine ait veriler, merkezi sunucuya iletilmeden istemci tarafında işlenmiş; her istemcide eğitilen yerel modellerin parametreleri merkezi bir sunucuda birleştirilerek küresel model oluşturulmuştur. Bu süreçte veri gizliliğini artırmak amacıyla diferansiyel gizlilik ve güvenli model toplama protokolleri sisteme entegre edilmiştir. Ayrıca iletişim maliyetlerini azaltmak adına gradyan sıkıştırma ve seyrek güncelleme gibi optimizasyon teknikleri kullanılmıştır. Modelin başarımı; doğruluk, hassasiyet, hatırlama ve F1 skoru gibi klasik sınıflandırma metriklerinin yanı sıra, sistem gecikmesi, ağ trafiği, hesaplama verimliliği ve veri heterojenliğine karşı genelleştirme kabiliyeti gibi kriterler üzerinden de değerlendirilmiştir. Uygulama sonuçları, FL mimarisinin küçük ve büyük ölçekli istemci senaryolarında dahi tutarlı ve güvenilir performans gösterdiğini ortaya koymuştur. Asenkron haberleşme yapısı sayesinde düşük donanımlı istemcilerde bile başarılı model eğitimi gerçekleştirilmiştir. Ayrıca, sistemin veri ön işleme bileşeninde; eksik veri tamamlama, zaman damgası senkronizasyonu, anomali tespiti gibi gelişmiş teknikler kullanılmış ve bu sayede sensör verilerinin modellemeye uygun hale getirilmesi sağlanmıştır. Geliştirilen yapı, üretim süreçlerinin çeşitliliğine uyum sağlayabilecek esnek bir mimari sunmakta, aynı zamanda gerçek zamanlı ve güvenli analiz altyapısı oluşturmaktadır. Dolayısıyla, bu tez çalışması FL mimarisinin üretim sektörüne entegrasyonunu ele alarak, veri gizliliğini ihlal etmeden, dağıtık yapay zekâ çözümlerinin nasıl uygulanabileceğini detaylı bir şekilde ortaya koymuştur. Geliştirilen sistem, merkezi veri toplamaya gerek duymadan, çok lokasyonlu üretim ortamlarında çalışabilecek, ölçeklenebilir, güvenli ve yüksek performanslı bir analiz platformu sunmaktadır. Bu yönüyle FL, yalnızca akademik düzeyde değil, sanayi uygulamaları açısından da geleceğin dijital dönüşüm bileşenlerinden biri olmaya adaydır. İlerleyen çalışmalarda sistemin daha büyük veri kümeleriyle ve gerçek saha koşulları altında test edilmesi, uygulama kapsamını daha da genişletecektir.