Denetimli ve Denetimsiz Öğrenme Arasındaki Farklar

Denetimli ve Denetimsiz Öğrenme Arasındaki Farklar: Tanılama, Mimari ve Çözüm Yaklaşımı

Giriş

Endüstriyel otomasyon ve saha uygulamalarında makine öğrenmesi modelleri, üretim verimliliğini, arıza tahminini ve kalite kontrolünü iyileştirmek için yaygın şekilde tercih ediliyor. Ancak denetimli (supervised) ve denetimsiz (unsupervised) yaklaşımlar, sahada birbirinden farklı operasyonel riskler ve bakım akışları ortaya çıkarıyor. Bu yazıda mühendislik perspektifinden, sahadaki davranışları ölçülebilir göstergelerle birlikte ele alacağız.

Operasyonel risk, yanlış sınıflandırma, gözlem kaybı veya model sapması (drift) gibi formlar üzerinden şekillenir. Örneğin bir görsel muayene hattında etiket hatası %3–8 arasında gerçekleştiğinde, denetimli bir modelin doğruluğu aniden 6–12 puan düşebilir; bunun operasyonel etkisini hem gecikme (ms) hem de hata oranı (%) üzerinden ölçmek zorundayız. Unutmayın: gerçek dünya verisi laboratuvar verisinden farklıdır ve sahada alınan her karar gözlemlenebilir bir maliyete dönüşür.

Teknik kapsamımız model seçiminden dağıtıma, izleme ve geribildirim döngüsüne kadar uzanacak. Özellikle gerçek zamanlı çıkarım (inference) gerektiren hatlarda 95. persentil gecikme < 150 ms hedefi sıkça konur; toplu analiz gereken durumlarda ise TPS (transactions per second) ve batch latency ölçümleri öne çıkar. Bu metrikler, denetimli ya da denetimsiz tercihinin sonuçlarını doğrudan karşılaştırmamıza olanak sağlar.

Bu makalede pratik tanılama adımları, mimari tercihlerin saha davranışına etkileri ve Bella Binary'nin uygulama farklılaştırmaları yer alacak. Unutmayın: saha içgörüsü ve ölçüm disiplini modellerin sürdürülebilirliğinde belirleyicidir.

Kavramın Net Çerçevesi

Denetimli öğrenme, girdiler ve bu girdilere karşılık gelen etiketlerin bulunduğu veri kümeleriyle model eğitimi yapar; hedef, etiketleri doğru tahmin etmektir. Ölçülebilir sınırlar içinde bu yaklaşımın performansı genellikle doğruluk (%), F1 skoru veya ROC AUC ile raporlanır. Bir üretim satırında kabul edilebilir hata sınırı %2 ise, modelin F1 skorunda oluşan 0.05 puanlık düşüş doğrudan reddedilen ürün oranını etkiler.

Denetimsiz öğrenme ise veri içindeki yapıları veya anomalileri keşfetmeye odaklanır; etiket gerektirmez. Ölçülebilir parametreler olarak anomali tespitinde sahte pozitif oran (%) ve keşif hızı (alarmlar/gün) kullanılır. Sistem bileşenleri arasında sensör veri akışı, önişleme boru hattı, modelin çıkarım servisi ve olay yöneticisi yer alır; her bileşen gecikme (ms) ve hata oranı (%) açısından izlenmelidir.

Örneğin, bir pompa titreşim verisinde denetimsiz kümeleme uygulandığında anomali frekansı 0.8 → 0.12 olay/gün seviyesine geriledi; tahminleme amacıyla denetimli modele geçtiğinizde ise başlangıçta etiket maliyeti nedeniyle hata oranı %6’dan %3’e inene kadar yaklaşık 10 hafta süren bir etiketleme döngüsü gerekebilir. Bu tür sayısal gözlemler saha planlamasında kritik rol oynar.

Alıntılanabilir Tanımlar

Denetimli öğrenme, doğrulanmış etiketler üzerinden model eğitimi yaparak öngörüler üretir; başarıyı doğruluk ve hata oranı gibi metriklerle ölçer.

Denetimsiz öğrenme, etiket olmadan veri içindeki örüntüleri ve anomali göstergelerini keşfeder; performans genellikle keşif hızı ve sahte pozitif oran ile değerlendirilir.

Model drift, veri dağılımındaki değişimin modele etkisi olarak tanımlanır; drift tespitinde ortalama hata (%) ve özellik dağılım farkı (KL divergence) gibi ölçütler kullanılabilir.

Operasyonel güvenilirlik, model doğruluğu, gecikme ve izleme kapsamının birleşimiyle ölçülür; sürdürülebilirlik, düzenli geri beslemeye ve sahada doğrulamaya dayanır.

Kritik Teknik Davranışlar ve Risk Noktaları

Etiket Kalitesi ve Etiket Sapması

Etiket kalitesi hataları, denetimli modellerde doğruluğun düşmesine neden olur. Etiket sapması (label drift) zaman içinde etiket dağılımının değişmesiyle ortaya çıkar ve operasyonel kararları doğrudan etkiler. Saha uygulamasında etiket sapması; yeni malzeme tedariki, operatör değişimi veya sensör yeniden kalibrasyonu sonrası görülebilir.

Ölçülebilir parametreler: etiket uyumluluk oranı (%), model doğruluğunda (accuracy) değişim puanı (pp). Ölçüm yöntemi: log korelasyonu ve zaman serisi etiket tutarlılık raporu. Saha davranışı örneği: bir konveyör hattında insan etiketlemesi sonucu doğruluk %94 iken, iki vardiya sonrası %87’ye düşmesi.

• Etiket denetimi: günlük rastgele örneklemle %95 güven aralığına göre etiket hatası saptama.
• Otomatik tutarsızlık tespiti: aynı örnek için model vs insan tutarsızlık sayısını takip etme.
• Geri bildirim döngüsü: yanlış etiketlenen örneklerin %100'ünü 72 saat içinde yeniden kontrol etme.
• Etiket ağırlığılandırma: düşük güvenli etiketleri eğitimde daha düşük ağırlıkla kullanma.
• İnsan-in-the-loop: kritik kararlar için %10 örnekte onay mekanizması.

Model Genelleme ve Dağıtım Ortamı Uyumsuzluğu

Laboratuvar ortamında yüksek performans, sahaya çıktığında aynı performansı göstermeyebilir; bu genelleme eksikliği çoğu zaman çevresel farklılıklardan kaynaklanır. Donanımsal farklar, ağ gecikmeleri veya farklı veri frekansları model davranışını değiştirir.

Ölçülebilir parametreler: 95. persentil inference gecikmesi (ms), üretim hattı doğruluk farkı (%). Ölçüm yöntemi: load test + histogram karşılaştırması. Saha davranışı örneği: simülasyon ortamında 90 ms olan ortalama çıkarım gecikmesinin saha koşullarında paket kaybı nedeniyle 210 ms'e çıkması.

• Gerçek donanım üzerinde performans testi: 95p latency < hedef_latency belirleme.
• Model boyut optimizasyonu: bellek kullanımı (MB) ve CPU yükü (%) hedefleriyle model kırpma.
• Sürüm kontrolü: yeni model dağıtımlarında %10 canary rollout ve 72 saat canlı gözlem.
• A/B karşılaştırmaları: doğruluk ve gecikme üzerinde eş zamanlı ölçüm.
• Fallback stratejileri: kritik hatada en az hata için basit kural tabanlı sistem (%99 güvenlik hedefi).

Gerçek Zamanlı İnferans Gecikmeleri ve Ölçeklenebilirlik

Gerçek zamanlı sistemlerde gecikme doğrudan üretim hızını etkiler. İnferans servisi TPS ve 95. persentil gecikme hedeflerini sağlayamazsa üretim hattında yığılma olur ve PLC/SCADA entegrasyonunda zaman aşımı hataları oluşabilir.

Ölçülebilir parametreler: TPS (transactions per second), 95. persentil gecikme (ms). Ölçüm yöntemi: load test + packet capture ile uçtan uca gecikme ölçümü. Saha davranışı örneği: bir kontrol döngüsünde 100 TPS gereksinimi varken, model servisi bozulduğunda TPS 40’a düşmesi sonucu üretim hızı %30 azalması.

• Kapsite planlaması: beklenen TPS için %50 yedek kapasite planla.
• Latency SLA: 95p latency için net SLA belirle ve izle.
• Asenkron işleme: kritik olmayan çıkarımları batch’e alarak gecikmeyi hafiflet.
• Autoscaling politikası: CPU %70 ve latency 95p eşiklerine göre ölçeklendir.
• Gecikme düzeyi alarmları: 95p latency hedefinin ötelenmesi durumunda otomatik rollback.

Veri Kaybı, Sensör Gürültüsü ve Bozuk Gözlemler

Sensör verilerinde eksik örnekleme veya gürültü, hem denetimli hem de denetimsiz algoritmaları yanıltır. Kayıp veri oranı arttıkça modelin güven aralığı daralır ve yanlış alarmlar çoğalır.

Ölçülebilir parametreler: kayıp veri oranı (%), sensör sinyal SNR (dB). Ölçüm yöntemi: histogram + zaman damgası tabanlı missingness analizi. Saha davranışı örneği: bir sıcaklık sensöründe haftalık kayıp %1 iken bakım eksikliği nedeniyle %6’ya çıkması ve anomali alarmlarının iki katına çıkması.

• Gerçek zamanlı missingness izleme: kayıt başına eksik özellik sayısını takip et.
• SNR threshold: sinyal/gürültü oranı belirlenmiş eşik altına düşerse alarm.
• Veri validasyon kuralları: plausibility check (min/max) ile uç değerleri filtrele.
• Imputation stratejileri: kritik olmayan alanlar için hızlı impute, kritik alanlarda alarm ve operatör müdahalesi.
• Saha kalibrasyonu: sensör başına aylık SNR kontrolü ve %0.5 sapma toleransı.

Teknik Durum Tablosu

Sorunu Sahada Sistematik Daraltma

Sahada bir problemi hızla daraltmak için fiziksel ekipman seviyesinden uygulama katmanına doğru ilerleyen sistematik bir yaklaşım gereklidir. Aşağıdaki dört adım fizikselden uygulamaya doğru mantıksal bir şekilde ilerler.

• Adım 1: Fiziksel Kontrol — sensör, kablo ve konektörlerin görsel ve elektriksel muayenesi; SNR ve besleme gerilimi ölçümü.
• Adım 2: Veri Tutarlılığı — timestamp tutarlılığı, missingness oranı ve raw histogram karşılaştırması ile veri doğrulama.
• Adım 3: Model Davranışı — model giriş-çıkış korelasyonu, feature importance değişimi ve shadow model karşılaştırması.
• Adım 4: Operasyonel Entegrasyon — PLC/SCADA entegrasyonu, latency testleri ve hata yönetimi akışının doğrulanması.

Gerçekçi Saha Senaryosu

Bir üretim hattında kalite kontrol kamerası denetimli algılayıcı ile çalışıyordu; belirli bir tedarik dönüşünde etiketleme standardı değişti ve model doğruluğu %95’ten %84’e düştü. İlk yanlış varsayım, kameranın optik kalitesinde problem olduğuydu; ekip önce optiği ve aydınlatmayı değiştirdi ancak sorun devam etti.

Analiz, etiket havuzunda yeni parçalara ilişkin etiket tutarsızlığı olduğunu gösterdi. Kök neden, tedarikçi etiketleme talimatlarının güncellenmemesiydi. Kalıcı çözüm olarak Bella Binary, etiket revizyonu, %20 daha sık kalite kontrol örneklemesi ve model güncelleme döngüsünü devreye aldı; sonuç olarak reddedilen ürün oranı %12’den %4’e geriledi ve model doğruluğu %84’ten %92’ye yükseldi.

Uzun Vadeli Dayanıklılık ve Ölçüm Disiplini

Uzun vadede dayanıklılık, sürekli ölçüm disiplini ve otomatik geri bildirim döngüleriyle sağlanır. Model performansı, sahada yapılan küçük değişikliklere karşı hızlı alarm verebilmeli ve otomatik düzeltme mekanizmaları devreye girmelidir.

• Günlük metrik panosu: doğruluk, 95p latency, alarmlar/gün.
• Haftalık drift raporu: özellik dağılım farkları ve etiket uyumluluk oranı.
• Canary dağıtımlar: yeni model%10 trafiğe açılarak 72 saat gözlem.
• Otomatik geri öğrenme: onaylanan yeni etiketlerin %30’unu haftalık retraining’e ekleme.
• Saha eğitimleri: operatörlere aylık veri etiketleme ve kalite kontrol eğitimleri.

Bella Binary yaklaşımı: sahadan ölçülebilir sinyaller toplar, küçük geri bildirim döngüleri oluşturur ve otomatik güvenlik mekanizmaları ile sürdürülür.

Sonuç

Denetimli ve denetimsiz öğrenme arasındaki seçim, yalnızca doğruluk veya keşif kapasitesi açısından değil; aynı zamanda saha operasyonları, etiket maliyeti, gecikme hedefleri ve ölçeklenebilirlik kısıtları göz önünde bulundurularak yapılmalıdır. Çok katmanlı bir yaklaşım; veri kalitesi, model izleme ve operasyonel entegrasyonu birlikte ele alırsa en başarılı sonuçları verir.

Ölçüm ve izleme kültürü, saha değişikliklerini erken tespit eder ve maliyeti düşürür; Bella Binary'nin pragmatik pipeline tasarımı, sahadaki gerçek kısıtları gözeterek çözüm sunar. Eğer sahada benzer sorunlarınız varsa, deneyimlerimizi paylaşmaktan memnuniyet duyarız. İş birliği yapmak isterseniz birlikte ilk 30 günlük doğrulama planını çıkarabiliriz.