Makine Öğrenmesi ve PDCA

Deming cycle ya da PDCA çevrimi olarak tanımladığımız problem çözme metodolojisini insan zekâsı üzerinden epeydir kullanıyoruz. Plan fazında problemin tanımını yapıyor, parçalara ayırıyor, kök neden analizlerini yapıyor, karşı önlem geliştiriyor ve hedeflerimizi belirliyoruz. Do kısmında planlananları sahada deniyor, Check kısmında sonuçları hedefler ile karşılaştırıyor ve Act kısmında sonuçlar beklenen gibiyse süreci standarda bağlıyoruz. Bu süreci güçlü yapan en önemli faz iki kere ölçüp, bir kere kesme stratejisine dayanan planlama fazının oldukça uzun tutulmasıdır. PDCA ‘de ana tema ‘yavaş yavaş acele etmektir. Çünkü planlama fazında hata yapılırsa; planlarda hata olur.

Şimdilerde PDCA çevrimini yapay zekâ (AI) ya da makine öğrenmesi (ML) süreçlerinde kullanıyoruz. AI/ML ile problemleri tanımlıyor, kök nedenlerini analiz ediyor, aksiyon planları geliştirebiliyor, geliştirilen aksiyonları uygulayabiliyor, sonuçları karşılaştırabiliyor ve standardı belirleyebiliyoruz. Aradaki en önemli fark ise AI/ML PDCA sürecinde ‘yavaş yavaş acele’ etmiyor! Hemen sonuca gidiyor.

Akıllı fabrikalar için akıllı sistemlere; akıllı sistemler için öğrenen akıllı algoritmalara oldukça fazla ihtiyacımız var. Gelecek yazılım üzerine şekilleniyor ve gidişat tasarımdan kaliteye; üretimden bakıma kadar tüm süreçlerde artık ML destekli PDCA yapılmadan süreçlerin artık yönetilemeyeceğini işaret ediyor. İki seçeneğimiz var: Ya süreç sorumlularına veri analizi tekniklerini öğreteceğiz ya da veri analistlerine süreç. Yeni dönem T tipi değil tarak tipi yetkinlik gerektirmektedir. Bilgiyi bilmenin değil, kullanmanın fark oluşturduğu günümüz rekabet koşullarında yeni teknolojileri hızla öğrenen/uygulayan insanlara her zamankinden daha fazla ihtiyacımız var gibi gözüküyor.