Yılmaz Ç. M. (Yürütücü), Ulu A., Hatipoğlu Yılmaz B., Köse C., Gazioğlu S.
TÜBİTAK Projesi, 2024 - 2026
Günümüze kadar birçok araştırma alanında makine öğrenimi yöntemleri kullanılmış ve teorik bilginin de giderek artmasıyla iyi deneysel sonuçlar alınmıştır. Makine öğrenme yöntemlerinin model oluşturma ve tahmin performansını arttırmak için yoğun çaba vardır. Kaslar ve motor sistem kullanılmadan eylemlerin sadece zihinde düşünülerek yürütüldüğü motor hareket hayali (MHH) görevlerinin tanınması çabanın yoğun olduğu bir çalışma alanıdır. Çünkü MHH birçok disipline hizmet verir ve potansiyeli oldukça yüksektir. Örneğin, beyin-bilgisayar arayüzleri, hastalıkların tanı ve tedavisi, inme sonrası rehabilitasyon gibi temel alanların yanında İHA'lar, sanal gerçeklik ve uzuvları kontrol eden dış iskeletlerin kontrolünde de MHH yoğun bir biçimde araştırılmaktadır. Ancak, birçok problem mevcuttur ve klasik makine öğrenmesi bu zorluklarla baş edememektedir. Günümüzde, derin öğrenme ile birleştirilmiş sinyal işleme teknikleri, yüksek boyutluluk, oturumdan oturuma ve denekten deneğe sinyal değişkenliği gibi zorlukları aşma potansiyeli içerir. Uygulama düzeyinde ise makine öğrenimini otomatikleştirip sürekli başarılı hizmet veren modeller oluşturmak zordur. Makine öğrenmesi işlerinin dağıtım, yönetim, izleme ve kontrol edilmesini sağlayan MLOps bu sorunlara çözüm sunmaktadır.
Projenin ana hipotezi MHH-EEG sinyallerine ait kodlama/dönüşüm yöntemleri ile beslenen derin sinir ağları (DSA) ile uçtan uca başarılı yapay zekâ sistemleri oluşturulup bu sistemler MLOps ile otomatikleştirilebilir mi? sorusu üzerine kurulmuştur. Araştırmanın ilk kısımda MHH-EEG sinyallerini DSA'larda işlemek için dönüşüm/kodlama yöntemleri önerilip öznitelik çıkarma ve sınıflandırmanın otomatik yürütüleceği uçtan uca ağlar tasarlanacaktır. İkinci kısımda ise önceki kısımda geliştirilecek yapay zekâ sisteminin iş hattı MLOps ile otomatikleştirilecektir. Araştırma önerisinin özgün değeri şu şekildedir: (i) literatürdeki temel kodlama/dönüşüm yaklaşımları da kullanılarak derin sinir ağı girdileri oluşturulacak ve DSA'lara daha zengin MHH-EEG bilgisi sunulacak; (ii) DSA ile birleştirilmiş sinyal işleme teknikleri ile öznitelik çıkarma ve sınıflandırmanın otomatik yürütüleceği uçtan uca ağlar tasarlanacak; (iii) MHH-EEG görevlerine yönelik bir sınıflandırma sistemi literatürde ilk defa MLOps'la operasyonelleştirilecek; (iv) yapay zekâ modellerinin iş hattının otomasyonu ile bilimsel çabaların teknolojik üretime dönüştürülecektir.
Proje konusu 12. kalkınma planının hedef ve politikalarından biri olan dijital dönüşümde rekabetçi üretimin hedeflendiği bilim, teknoloji ve yenilik ekosistemlerinin oluşturulması kapsamındadır. Proje yapay zekâ uzmanlığının ve istihdamının arttırılması; üniversitelerin akademik ve teknik kapasitelerinin geliştirilmesi; araştırma, girişimcilik ve yenilikçiliğin desteklenmesinin önemli öncelikli stratejiler olduğu 2021-2025 Ulusal Yapay Zekâ Stratejisi'nin de kapsamındadır. Proje konusu ayrıca, TÜBİTAK 2022-2023 öncelikli Ar-Ge ve yenilik konu başlıklarından yapay zekâ teknolojilerinde öncelikli Ar-Ge ve yenilik konuları kapsamındaki alan bilgisine sahip, verimli, güvenilir modeller ve yerli AutoML başlıklarında öncelikli ve kilit teknolojiler olarak nitelendirilmektedir. Yürütücü bu araştırma projesi ile hem yapay zekâ hem de makine öğrenmesi işlemlerini operasyonel hale getiren MLOps konularında yeni yetenekler kazanacaktır. MLOps ve dolayısıyla DevOps alanında elde edecek yetkinlik akademik, eğitim-öğretim ve proje geliştirme açısından oldukça faydalı olacaktır. Bu çıktılar Ulusal Yapay Zekâ Stratejisinin yapay zekâ uzmanlığının ve istihdamının arttırılması hedefli birinci önceliğidir.