Elektrik Mühendisliği ve Yapay Zeka Bölüm-4

Elektrik Mühendisliği ve Yapay Zeka
Bölüm-4
Veri Kalitesi, Sensörler ve Ölçme Zinciri: Kötü Veriyle İyi AI Olmaz

ETP Yapay Zeka Çalışma Grubu
Sabri Günaydın

[Yayım Tarihi: 14 Ağustos 2026)

Giriş

Yapay Zekâ (AI) sistemlerinin performansı ve güvenilirliği, büyük ölçüde beslendikleri Veri Kalitesi’ne bağlıdır. Elektrik mühendisliği uygulamalarında, akıllı şebekelerden endüstriyel otomasyona kadar birçok alanda AI, sensörlerden gelen gerçek zamanlı verilere dayanır. Bu verilerin doğruluğu, tutarlılığı, eksiksizliği ve güncelliği, AI modellerinin doğru tahminler yapması, güvenilir kararlar alması ve emniyetli bir şekilde çalışması için hayati öneme sahiptir. “Kötü veriyle iyi AI olmaz” prensibi, bu alandaki her mühendisin benimsemesi gereken temel bir gerçektir. Bu makale, elektrik mühendisliğinde Veri Kalitesi’nin önemini, Sensörler’in rolünü, Ölçme Zinciri’ni ve ISO/IEC 5259 serisi gibi standartların bu süreçteki katkılarını inceleyecektir.

Yapay Zekâ ve Veri Kalitesi İlişkisi

AI modelleri, öğrenme süreçlerini veriler üzerinden gerçekleştirir. Eğer eğitim verileri hatalı, eksik, gürültülü veya önyargılı ise, model bu kusurları öğrenir ve gerçek dünya uygulamalarında yanlış veya güvenilmez sonuçlar üretir. Elektrik mühendisliği sistemlerinde, bu durum ciddi operasyonel aksaklıklara, ekipman hasarlarına, enerji kayıplarına ve hatta güvenlik risklerine yol açabilir. Örneğin, bir güç trafosunun kestirimci bakım modeli, hatalı sıcaklık sensörü verileriyle eğitildiğinde, trafonun aşırı ısınma riskini doğru bir şekilde tahmin edemeyebilir ve bu da beklenmedik bir arızaya neden olabilir.

Veri kalitesini etkileyen başlıca faktörler şunlardır:

•   Doğruluk: Verinin gerçek değeri ne kadar yansıttığı.
•   Tutarlılık: Verinin farklı kaynaklarda veya zaman içinde aynı olması.
•   Eksiksizlik: Veri setinde eksik değerlerin olmaması.
•   Güncellik: Verinin güncel durumu yansıtması.
•   Geçerlilik: Verinin belirlenen format ve kurallara uygun olması.

Sensörler ve Ölçme Zinciri

Elektrik mühendisliği sistemlerinde AI için veri, genellikle çeşitli sensörler aracılığıyla toplanır. Akım, gerilim, sıcaklık, basınç, titreşim, nem gibi fiziksel büyüklükleri elektriksel sinyallere dönüştüren sensörler, AI sistemlerinin “gözleri ve kulakları” gibidir. Bir Sensör’den AI modeline ulaşan verinin yolculuğu, bir “Ölçme Zinciri” oluşturur. (**Sensör: Fiziksel büyüklükleri elektriksel sinyallere dönüştüren ve AI sistemleri için veri toplayan cihaz.)

Bu zincir genellikle şu adımları içerir:

1.   Sinyal Koşullandırma: Analog sinyali güçlendirir, filtreler ve gürültüyü azaltır.
2.   Analog-Dijital Dönüştürücü (ADC): Analog sinyali dijital verilere çevirir.
3.   Veri İletimi: Dijital veriyi kontrol sistemlerine veya veri toplama merkezlerine iletir (örneğin, SCADA, PLC, bulut platformları).
4.   Veri Depolama ve İşleme: Veri tabanlarında depolanır ve ön işleme tabi tutulur (temizleme, normalleştirme, özellik çıkarma).
5.   AI Modeli: İşlenmiş veriyi kullanarak öğrenir ve tahminler/kararlar üretir.

Ölçme zincirinin her aşamasında oluşabilecek hatalar veya belirsizlikler, nihai veri kalitesini doğrudan etkiler. Sensör kalibrasyonu, sinyal gürültüsü, iletim hataları ve veri işleme algoritmalarındaki kusurlar, AI modelinin performansını düşürebilir.

Veri Kalitesi Standartları: ISO/IEC 5259 Serisi

Analitik ve makine öğrenmesi (ML) için veri kalitesi, ISO/IEC JTC 1/SC 42 tarafından geliştirilen **ISO/IEC 5259 serisi standartlarla ele alınmaktadır [4]. Bu seri, veri kalitesinin farklı yönlerini kapsayan çok parçalı bir standarttır:

•   ISO/IEC 5259-1:2024 - Bilgi Teknolojisi — Yapay Zekâ — Analitik ve Makine Öğrenmesi (ML) için Veri Kalitesi — Bölüm 1: Genel Bakış, Terminoloji ve Örnekler [4]: Bu standart, veri kalitesi kavramlarına genel bir bakış sunar, ilgili terminolojiyi tanımlar ve veri kalitesi sorunlarına örnekler verir. Elektrik mühendisleri için, AI projelerinde veri kalitesinin neden önemli olduğunu ve hangi terimlerin kullanıldığını anlamak için bir temel oluşturur.

•   ISO/IEC 5259-2:2024 - Bilgi Teknolojisi — Yapay Zekâ — Analitik ve Makine Öğrenmesi (ML) için Veri Kalitesi — Bölüm 2: Veri Kalitesi Ölçütleri [5]: Bu bölüm, veri kalitesini değerlendirmek için kullanılabilecek ölçütleri ve metrikleri belirler. Doğruluk, eksiksizlik, tutarlılık gibi veri kalitesi boyutlarının nasıl ölçüleceği konusunda rehberlik sağlar. Elektrik mühendisliği uygulamalarında, sensör verilerinin veya SCADA loglarının kalitesini nicel olarak değerlendirmek için bu ölçütler kullanılabilir.

•   ISO/IEC 5259-3:2024 - Bilgi Teknolojisi — Yapay Zekâ — Analitik ve Makine Öğrenmesi (ML) için Veri Kalitesi — Bölüm 3: Veri Kalitesi Yönetimi Gereksinimleri ve Kılavuzları [6]: Bu standart, veri kalitesi yönetim sistemlerinin kurulması ve sürdürülmesi için gereksinimler ve kılavuzlar sunar. Veri toplama, depolama, işleme ve kullanım süreçlerinde veri kalitesini sağlamak için organizasyonel ve teknik önlemleri kapsar. Elektrik mühendisliği firmaları, bu kılavuzları kullanarak AI projeleri için sağlam bir veri yönetimi altyapısı oluşturabilirler.

•   ISO/IEC 5259-4:2024 - Bilgi Teknolojisi — Yapay Zekâ — Analitik ve Makine Öğrenmesi (ML) için Veri Kalitesi — Bölüm 4: Veri Kalitesi Süreç Çerçevesi [7]: Bu bölüm, veri kalitesi süreçlerini tanımlayan bir çerçeve sunar. Veri kalitesi planlaması, güvencesi, kontrolü ve iyileştirilmesi gibi süreç adımlarını detaylandırır. Bu çerçeve, elektrik mühendisliği projelerinde veri kalitesini sistematik bir şekilde yönetmek için bir metodoloji sağlar.

Bu standartlar, AI sistemlerinin temelini oluşturan verinin güvenilirliğini sağlamak için kritik bir rol oynar. Elektrik mühendisleri, bu standartları uygulayarak AI modellerinin daha doğru ve güvenilir sonuçlar üretmesini sağlayabilirler.

Mühendislik Notu

Elektrik mühendisliğinde AI uygulamaları için veri kalitesi, sadece teknik bir sorun değil, aynı zamanda operasyonel bir zorunluluktur. Sensörlerin doğru kalibre edilmesi, ölçme belirsizliklerinin anlaşılması ve veri toplama sistemlerinin güvenilirliği, AI modelinin performansını doğrudan etkiler. Özellikle kritik altyapılarda, hatalı veri nedeniyle AI sisteminin yanlış karar vermesi, ciddi sonuçlara yol açabilir. Bu nedenle, AI projelerinin başlangıcından itibaren veri kalitesi planlaması yapılmalı, sensörlerden AI modeline kadar tüm ölçme zinciri boyunca veri bütünlüğü ve doğruluğu sağlanmalıdır. Veri temizleme ve ön işleme adımları, model geliştirme sürecinin ayrılmaz bir parçası olmalıdır.

Standart Odak Noktası

ISO/IEC 5259 serisi, elektrik mühendisliği alanında AI projeleri yürütenler için veri kalitesi konusunda kapsamlı bir rehberlik sunar. Bu standartlar, veri kalitesinin farklı boyutlarını tanımlayarak, ölçütler belirleyerek ve yönetim süreçleri sunarak, AI modellerinin daha güvenilir verilerle eğitilmesini ve çalışmasını sağlar. Özellikle, SCADA sistemlerinden, akıllı sayaçlardan veya IoT cihazlarından gelen büyük veri setleriyle çalışırken, bu standartlar veri kalitesi sorunlarını proaktif olarak ele almak için bir çerçeve sunar.

Saha Uygulaması

Bir rüzgar enerjisi santralinde, türbinlerin performansını optimize etmek ve arızaları tahmin etmek için bir AI sistemi kullanıldığını düşünelim. Bu sistem, rüzgar hızı, türbin devri, sıcaklık ve güç çıkışı gibi verileri yüzlerce sensörden toplar. Bu projede veri kalitesi yönetimi şu adımları içerebilir:

1.   Sensör Kalibrasyonu ve Bakımı: Tüm sensörlerin düzenli olarak kalibre edilmesi ve bakımlarının yapılması, ölçüm doğruluğunu sağlar.
2.   Veri Toplama Sistemi Doğrulaması: SCADA sisteminin ve veri toplama ağının, sensör verilerini eksiksiz ve hatasız bir şekilde ilettiğinden emin olunması.
3.   Veri Kalitesi Metrikleri (ISO/IEC 5259-2): Toplanan veriler üzerinde eksik değer oranı, aykırı değer tespiti, tutarsızlık analizi gibi metrikler uygulanarak veri kalitesi düzenli olarak değerlendirilir.
4.   Veri Temizleme ve Ön İşleme: Eksik değerlerin doldurulması, aykırı değerlerin düzeltilmesi veya çıkarılması, gürültünün filtrelenmesi gibi ön işleme adımları uygulanır.
5.   Veri Kalitesi Yönetim Süreçleri (ISO/IEC 5259-3): Veri sahipliği, veri sorumluluğu, veri erişim kontrolü ve veri kalitesi iyileştirme planları oluşturulur.
6.   Model Doğrulaması: AI modeli, temizlenmiş ve yüksek kaliteli verilerle eğitildikten sonra, gerçek dünya verileriyle test edilerek performansı doğrulanır. Hatalı veya düşük kaliteli verilerin model üzerindeki etkisi analiz edilir.

Bu yaklaşım, rüzgar enerjisi santralinin hem operasyonel verimliliğini artırmasına hem de AI sisteminin güvenilir ve doğru tahminler yapmasını sağlamasına yardımcı olur.

Sonuç

Yapay zekâ sistemlerinin başarısı, büyük ölçüde beslendikleri verinin kalitesine bağlıdır. Elektrik mühendisliği uygulamalarında, sensörlerden AI modeline kadar uzanan ölçme zincirinin her aşamasında veri kalitesinin sağlanması kritik öneme sahiptir. ISO/IEC 5259 serisi standartlar, Veri Kalitesi kavramlarını tanımlayarak, ölçütler belirleyerek ve yönetim süreçleri sunarak, bu alanda çalışan mühendislere değerli bir rehberlik sağlar. Bu standartları benimseyerek, elektrik mühendisleri AI destekli sistemlerin daha güvenilir, doğru ve emniyetli bir şekilde çalışmasını sağlayabilir, böylece “kötü veriyle iyi AI olmaz” ilkesini başarılı bir şekilde hayata geçirebilirler.

Bundan sonraki bölümde "Akıllı Şebekelerde AI: IEC 61850, IEC 62351 ve Şebeke Siber Güvenliği" anlatılacaktır.

Referanslar

[1] IEC. (n.d.). Artificial intelligence. Retrieved from https://iec.ch/ai
[2] ISO/IEC. (2022). ISO/IEC 22989:2022 - Information technology — Artificial intelligence — Artificial intelligence concepts and terminology. Retrieved from https://www.iso.org/standard/74521.html
[3] ISO/IEC. (2022). ISO/IEC 23053:2022 - Information technology — Artificial intelligence — Framework for Artificial Intelligence (AI) systems. Retrieved from https://www.iso.org/standard/74522.html
[4] ISO/IEC. (2024). ISO/IEC 5259-1:2024 - Information technology — Artificial intelligence — Data quality for analytics and machine learning (ML) — Part 1: Overview, terminology and examples. Retrieved from https://www.iso.org/standard/83013.html
[5] ISO/IEC. (2024). ISO/IEC 5259-2:2024 - Information technology — Artificial intelligence — Data quality for analytics and machine learning (ML) — Part 2: Data quality measures. Retrieved from https://www.iso.org/standard/83014.html
[6] ISO/IEC. (2024). ISO/IEC 5259-3:2024 - Information technology — Artificial intelligence — Data quality for analytics and machine learning (ML) — Part 3: Data quality management requirements and guidelines. Retrieved from https://www.iso.org/standard/83015.html
[7] ISO/IEC. (2024). ISO/IEC 5259-4:2024 - Information technology — Artificial intelligence — Data quality for analytics and machine learning (ML) — Part 4: Data quality process framework. Retrieved from https://www.iso.org/standard/83016.html

ETP Not: Bu yazı dizisinin hazırlanması sürecinde üretken yapay zekâ araçlarından araştırma desteği, içerik organizasyonu, taslak oluşturma, dil düzenleme ve editoryal destek amacıyla yararlanılmıştır. Tüm teknik değerlendirmeler, yorumlar, kaynak doğrulamaları ve nihai editoryal kararlar yazar tarafından gerçekleştirilmiştir. Makaledeki görüş ve sonuçların sorumluluğu tamamen yazara aittir.

Önceki Yazı Sonraki Yazı

Paylaş: