Endüstriyel Yapay Zekada Belirsizlik Analizi: Neutrosophic Ensemble Yöntemi Rulman Arıza Tespitinde Test Edildi

Endüstriyel yapay zekâ uygulamalarında makine öğrenmesi modellerinin ürettiği skorların belirsizlik durumunu ele almak amacıyla yeni bir yaklaşım geliştirildi. Maikel Leyva-Vazquez, Dayron Rumbaut Rangel, Lorenzo Cevallos-Torres ve Alexis Matheu Perez tarafından kaleme alınan çalışmada, rulman arıza tespiti süreçlerinde belirsizlik farkındalığı sunan Neutrosophic Ensemble Classification yöntemi tanıtıldı.

Neutrosophic Ayrıştırma ve Endüstriyel Veri Setleri

Geleneksel makine öğrenmesi sınıflandırıcıları, doğru ve yanlış ikilisini cebirsel olarak gereksiz kılan skaler güven skorları üretirken, bu skorlar aşırı özgüvenli hatalar ile gerçekten belirsiz tahminleri karıştırabiliyor. Araştırmacılar; Random Forest, XGBoost ve Logistic Regression modellerinden oluşan bir ensemble yapısını nötrosofik bir ayrıştırmaya tabi tutarak dört temel gösterge tanımladı: Üst sınıf kanıtı (T-hat), en iyi rakip kanıtı (F-hat), öngörüsel entropi (I1-hat) ve karar uyuşmazlığı (I2-hat).

Bu göstergeler, 600-1000 rpm aralığındaki CWRU ve JNU olmak üzere iki farklı rulman veri setinde, koşul dışı bırakma protokolü kullanılarak değerlendirildi. CWRU veri setinde, dosya-sınıf eşleme hatasının düzeltilmesinin ardından ensemble modeli dördüncü yükün haricindeki üç yükte yüzde 100 doğruluk oranına ulaştı (dördüncü yükte yüzde 92.27). Ancak bu durum, belirsizlik analizi için yeterince hata bırakmadı.

Buna karşılık JNU veri setinde, 1000 rpm koşulu dışarıda bırakıldığında model doğruluğu yüzde 40.64'e kadar gerileyerek çoğunluk sınıfı taban çizgisinin altına düştü. Bu senaryoda Logistic Regression, yüzde 57.91 doğruluk oranıyla ağaç tabanlı ensemble modellerinden daha iyi bir genelleme performansı sergiledi. Çalışma, standart Logistic Regression güven skorunun tam ayrıştırma yönteminden daha iyi performans gösterdiği sınır koşullarını da açıkça raporladı.

Model Füzyonu ve Alternatif Gelişmeler

Araştırmanın bir diğer önemli bulgusu, aynı sinyalin zaman ve frekans alanı modellerinin bir araya getirilerek Jensen-Shannon sapmasının hesaplanmasının, modelin kendi entropisinden daha üstün sonuçlar vermesi oldu (standart bölünmede 0.29'a karşı 0.36; daha sert tek koşullu reprodüksiyonda 0.54'e karşı 0.73). Bu gösterge, CWRU ile JNU arasındaki dağılımsal kayma kontrastı altında doğru yönde hareket eden tek metrik olarak kayıtlara geçti. Ayrıca CWRU üzerinde literatür doğrulanmış arıza frekansları, zarf spektrumu üzerinden demodüle edildiğinde, üç yorumlanabilir özellik kullanarak arıza sınıflarının çoğunu yüzde 99.57 oranında doğrulukla ayırmayı başardı.

Araştırma ekibi, çalışmanın bağımsız olarak doğrulanabilmesi amacıyla kodları, logları ve figürleri kamuoyuna açık şekilde paylaştı.

LLM Sunumu ve Robotik Alanındaki Eş Zamanlı Gelişmeler

Eylül ve Ekim 2026 döneminde yapay zekâ ve makine öğrenmesi literatüründe öne çıkan diğer teknik gelişmeler arasında, büyük dil modeli sunum altyapılarına yönelik yenilikler de yer alıyor. Araştırmacılar tarafından sunulan FluidPD sistemi, prefill-decode ayrıştırmasına sahip sunum mimarilerinde hizmet düzeyi hedefi ihlallerini önlemek için in-place esneklik mekanizmaları getiriyor. Sistem, geçici dengesizlikleri yönetmek için hesaplamanın bir kısmını decode işçilerine aktarırken, kalıcı dengesizliklerde model yeniden yüklemesine gerek kalmadan çalışan işçilerin rollerini dinamik olarak yeniden atayabiliyor.

Öte yandan endüstri tarafında, insansı robotların eğitimi için insan hareket verisi toplayan robotik veri girişimi Mecka AI, Sequoia Capital'den 60 milyon dolar tutarında yatırım alarak alandaki ticarileşme ve veri toplama faaliyetlerini hızlandırdığını duyurdu. Federated öğrenme alanında ise Robust Async-Fed-Q algoritması, kötü niyetli ajanların bulunduğu dağıtık sistemlerde güvenli ve istikrarlı bilgi aktarımını teorik olarak güvence altına alarak literatürdeki yerini aldı.