Endüstriyel Otomasyonda Yapay Zeka: Donanım Katmanından Başlayarak Zeka Oluşturma

Endüstriyel Yapay Zekanın Fiziksel Gerçekliği

Endüstriyel ortam şu anda yapay zeka, IoT ve uç bilişimin yakınsaması tarafından yönlendirilen “otonom, esnek ve sıfır hatalı” üretime doğru sismik bir değişim geçiriyor. Son piyasa analizlerine göre, bu ivme yadsınamaz: Precedence Research, küresel YZ pazarının 2030 yılına kadar $2,46 trilyona ulaşacağını ve sadece imalat sektörünün 27,8%'lik bir YBBO ile genişleyeceğini öngörüyor (Kaynak: Öncelik Araştırması). Bu artış sadece spekülatif değil; somut verimlilik kazanımlarıyla besleniyor. IoT Analytics, kestirimci bakımın (PdM) şu anda endüstriyel yapay zeka yatırımlarının 32%'sini oluşturduğunu ve ekipman arıza süresini 20-50% azaltabildiğini bildirmektedir (Kaynak IoT Analytics). Ayrıca, yapay zeka odaklı görsel kalite kontrolünün benimsenmesi, kusur tespit oranlarını 95%'nin üzerine çıkarırken, Üretken Yapay Zeka tasarım iş akışlarında devrim yaratıyor ve bazı durumlarda geliştirme döngülerini haftalardan sadece günlere sıkıştırıyor.

Fabrikalar tek noktalı pilotlardan kapsamlı “Yapay Zeka + Dijital İkiz” ekosistemlerine geçiş yaptıkça, kendi kendini optimize eden bir üretim hattı vaadi ulaşılabilir görünüyor. Her ne kadar bu durum giderek daha otomatik hale gelen bir geleceğe işaret etse de, endüstriyel otomasyona yönelik mevcut yapay zeka tartışmalarında genellikle göz ardı edilen çok basit ve temel bir gerçek var: yazılım ve donanım karşılıklı olarak birbirine bağımlıdır.

Yapay zekanın endüstriyel alandaki kullanım alanlarını ve gelişim durumunu öğrenmek için aşağıdaki bloglara başvurabilirsiniz:

Yazılım Zorunluluğu

İşin özüne inmeden önce, yazılım katmanının dönüştürücü gücünü kabul etmeliyiz. Modern akıllı fabrikada yazılım, merkezi sinir sistemi olarak görev yapar ve bilgisayar görüşünü yönlendiren yapay zeka ve makine öğrenimi modellerinden ekipman arızasını tahmin eden öngörücü bakım algoritmalarına kadar her şeyi kapsar. İş akışlarını simüle etmek için kullanılan Dijital İkizlere ve gerçek zamanlı karar verme için gereken karmaşık uç bilişim mantığına kadar uzanır. Bu dijital ekosistem, karmaşık veri akışlarının işlenmesinden ve tüm üretim hattının hassas mantık akışının yürütülmesinden sorumludur.

Ancak yazılım tanımlı bir fabrikaya geçiş nadiren sorunsuz olur. Üreticiler genellikle derin bir kültürel ve teknik çatışmayla karşı karşıya kalmaktadır: “donanım zihniyeti” uzun vadeye öncelik verirken yazılım tanımlı fabrikaya geçiş nadiren sorunsuz olmaktadır. Üreticiler genellikle derin bir kültürel ve teknik çatışmayla karşı karşıya kalmaktadır: “donanım zihniyeti” uzun vadeli istikrar ve nihai ürünlere öncelik verirken, “yazılım zihniyeti” hızlı yineleme ve sürekli teslimat talep etmektedir. Bu temel farklılık, geleneksel PLC mühendislerinin bulut geliştiricileriyle işbirliği yapması gerektiğinde sürtüşme yaratarak önemli bir beceri açığını ortaya çıkarıyor. Ayrıca, şirketler karmaşık veri egemenliği ve güvenlik yükümlülüklerini yerine getirirken yazılım yatırımının uzun vadeli yatırım getirisi döngülerine uyum sağlamakta zorlanmaktadır.

Hem endüstriyel kontrol protokollerine hem de bulut tabanlı geliştirmeye hakim hibrit yetenekleri işe almanın büyük zorluğu göz önüne alındığında, üreticiler bu yolu tek başlarına yürümeye çalışmamalıdır. Bunun yerine en pragmatik yaklaşım, uzman Endüstriyel Yazılım Çözüm Sağlayıcıları ile ortaklık kurmaktır. Sıfırdan bir dahili ekip kurmak yerine, BT ve OT arasındaki boşluğu doldurabilecek yerleşik entegratörlerin uzmanlığından yararlanın.

Ancak yapay zeka bir sihir değildir. Yalnızca muazzam hacimlerde veriye dayanan bir mantık sistemidir. Üretim hatlarınızdaki sensörlerin doğru olmaması veya güç kaynağının stabil olmaması durumunda akıllı otomasyon başarısız olacaktır. Akıllı bir fabrika yaratmak için hemen bir bilgisayar bilimcisini işe almak gerekmez, ancak hattın çalışmasını sağlayan somunların, cıvataların, sensörlerin ve anahtarların dikkatli bir şekilde incelenmesiyle işe başlamak gerekir.

Algoritmalar Hassas Girdiler Olmadan Neden Başarısız Olur?

Bilgisayar biliminin temel bir aksiyomu vardır: GIGO prensibi: Garbage In, Garbage Out. Bu fikir bilgisayar tarihi kadar eski olsa da, hiçbir zaman makine öğrenimi ve yapay zeka yeteneklerinin harmanlanması çağında olduğu kadar uygulanabilir olmamıştır. Klasik deterministik programlama ile mevcut olasılıksal YZ arasındaki temel ayrım, verilerin hassasiyetidir. Geleneksel bir programlanabilir mantık denetleyicisi (PLC) programı katı bir mantık yoluna dayanır; ikili, dayanıklı ve oldukça toleranslıdır.

İster derin takviyeli öğrenme, ister derin etkileşimli takviyeli öğrenme veya bayes optimizasyonuna dayansın, bir yapay zeka modeli, özellikle dinamik ortamlarda, karmaşık ve genellikle yüksek boyutlu verilerde ince korelasyonlar ve modeller arar. Bu da veri saflığı ve esnek sistemler gerektirir. Veri toplama süreci zayıf sensör verileri nedeniyle kusurluysa, en gelişmiş dijital ikizler bile gerçeği temsil etmekte başarısız olacaktır.

Sinyal Gürültüsünün Gizli Maliyeti

Sinyal gürültüsü, yapay zeka güvenilirliğinin ilk ve en tehlikeli düşmanıdır. Mevcut endüstriyel sistemlerdeki elektrik atmosferi düzensizdir ve kademeli iyileştirmeye karşı dirençlidir. Ağır motorlar açılıp kapatılır ve büyük ani akımlar çekilir; Değişken Frekanslı Sürücüler (VFD'ler) hızı düzenlemek için dalga formlarını keser; ve kaynak ekipmanı ark üretir. Tüm bu işlemler çok fazla Elektromanyetik Girişime (EMI) ve Radyo Frekansı Girişimine (RFI) neden olur.

Sistemde kullanılan sensörler ve güç kaynakları yeterince korumalı, topraklanmış veya kararlı dahili devrelere sahip değilse, bu gürültü sinyal kablosu boyunca yayılır. Yüksek bir sinyal eşiği, eski endüstriyel kontrol sistemleri tarafından gürültüdeki ani yükselişin gözden kaçmasına neden olabilir. Bununla birlikte, sağlam endüstriyel kablosuz ağların geliştirilmesini destekleyen teknolojinin, rulman arızasını tahmin etmek için bir motorun akımının dalga biçimini inceleyen bir yapay zeka modeline entegrasyonu ile bu güç kaynağı dalgalanması veridir.

Gürültülü veriler üzerinde eğitilen bir yapay zeka modelinin genellemesi zayıftır. Daha da kötüsü, çıkarım yapıldığında, elektriksel paraziti bir makine anormalliği ile karıştırabilir. Bu da yanlış pozitif sonuçlara, yani ortada bir arıza yokken arızanın öngörülmesine neden olur. Bu sensör doğruluğu sorunu, donanım bozulması ve titreşim etkileriyle daha da artar; termal genleşmenin neden olduğu sensör sapması, veri analizini daha da çarpıtarak otonom navigasyon gibi yetenekleri etkileyebilir. Bir yapay zeka sistemi çok sık alarm verdiğinde, kapatılacak ve yatırım işe yaramayacaktır.

Veri Kayması Olgusu

İkinci, daha kötü niyetli sorun ise bileşenlerin bozulmasıyla ilişkili veri kaymasıdır. Yapay zeka modelleri, ortamın eğitim verilerine kıyasla nispeten sabit olduğu varsayımına dayanmaktadır. Ancak donanım zamanla fiziksel olarak değişime uğrar.

Bir robotik kolun konumunu izlemek için kullanılan ve robotik sistemlerin yeteneklerini sergilerken aynı zamanda hesaplama zorluklarıyla da karşılaşan bir yakınlık sensörünü ele alalım. Termal genleşme döngüleri, montajı gevşeten titreşim veya dahili bileşenlerin eskimesi nedeniyle sensör yeni haline göre birkaç milisaniye daha geç tetiklenmeye başlar. Sinyal sonunda zaman sınırı içinde kontrolöre ulaşacağından, anahtar tipik bir otomasyon kontrolörü için hala işlevsel olacaktır. Bu sapma, operasyonel verimliliği analiz eden veya yüksek hızlı robotlarla eşleşen bir yapay zekaya, proses hızında veya malzeme davranışında temel bir değişiklik olarak görünür.

Fiziksel parçalar, sensörler, anahtarlar ve röleler, yüksek tekrarlanabilirliğe ve çevresel dirence sahip olmadıklarında, bir belirsizlik değişkenidirler. Bu nedenle, bir kuruluş algoritmalarla ilgili kritik sorulardan bahsetmeden önce verilerinin saflığından bahsetmelidir. Bu saflık, sinyalin fiziksel üretimini mümkün olduğunca temiz, doğru ve tekrarlanabilir hale getirirken aynı zamanda otomasyon vurgusunun etik kullanımını da akılda tutarak elde edilir.

Yapay Zeka Veri Toplama için Kritik Donanım

Endüstriyel yapay zeka ve donanım arasındaki derin bağlantıyı anlamak için biyolojik bir analoji kullanabiliriz. Endüstriyel parçalar, YZ algoritmasının sinir ve dolaşım sistemleridir. Parlak bir zihin, başarısız bir vücutla işe yaramaz, tıpkı etik standartlara bağlı kalarak güvenilir fiziksel girdiler olmadan sofistike bir yapay zeka modelinin işe yaramayacağı gibi. Sonuç olarak, bu temel unsurların değerlendirilmesi, herhangi bir dijital dönüşüm planının ilk aşaması olmalıdır. Güçlü YZ altyapısı, yüksek doğrulukta veri sağlayan üç donanım sütununa dayanmaktadır:

1. “Gözler”: Hassas Sensörler

Sensör ağı, endüktif, kapasitif veya fotoelektrik sensörler olsun, ana veri kaynağıdır. Bu hassas sensörler fiziksel dünyayı 1'lere ve 0'lara dönüştürür. Yapay zeka söz konusu olduğunda, Tekrarlanabilirlik temel ölçüdür. Yakınlık sensörleri bugün 10 mm'de çalışırken yarın 12 mm'ye geçtiğinde, yapay zeka bunu bir anormallik olarak görecektir. Otonom mobil robotları ve karmaşık görevleri desteklemek için sensörler bir temel gerçek sağlamalıdır.

2. “Kalp”: Kararlı Güç Kaynakları

Geleneksel motorlarla karşılaştırıldığında, uç bilişim ağ geçitleri ve yapay zeka işlemcileri çok daha kırılgandır. Düşük mantık gerilimlerinde çalışırlar ve kirli gücü tolere edemezler. Voltajdaki geçici bir düşüş veya düşük kaliteli bir anahtarlama güç kaynağından gelen gürültü bile veri paketlerini bozabilir. Kararlı güç kaynakları, şebekenin kontrol edilemeyen enerjisi ile YZ'nin kırılgan muhakemesi arasında bir bariyer görevi görür.

3. “Dokunuş”: Mekanik Doğrulama

Optik sensörler hızlı olmalarına rağmen yağ buharı veya buhara karşı hassastırlar. Limit Anahtarları ve Mikro Anahtarlar, Yer Gerçeğini veren mekanik bileşenlerdir. Bir şeyin ait olduğu yerde olduğuna dair fiziksel, dokunsal bir güvence sağlarlar. Bu anahtarlar, dijital modelin fiziksel gerçeklikle aynı olduğundan emin olmak amacıyla sensör verilerini çapraz referanslamak için yapay zeka sistemleri tarafından sıklıkla kullanılır.

OMCH gibi üreticiler, 38 yıllık üretim mirasıyla bu fiziksel katmanın bütünsel kalitesine odaklanmaktadır. Otomatik üretim hatlarını kullanarak ve katı ISO 9001 standartlarına bağlı kalarak, her Güç Kaynağının Edge bilişim için gereken sabit voltajı sağlamasını ve her Yakınlık Sensörünün eğitim algoritmaları için gereken temiz, tutarlı verileri sunmasını sağlıyoruz. OMCH bileşenlerini entegre etmek, donanım farklılığını denkleminizden çıkarmak anlamına gelir ve yapay zekanıza güvenilir bir şekilde çalışması için gereken sağlam, endüstriyel sınıf temeli sağlar.

Gerçek Zamanlı Yapay Zeka Kararları için Gecikmeyi Azaltma

Bulut bilişime aşırı bağımlılık mevcut pazarda bir efsanedir. Bulut, uzun vadeli trend analizi, geçmiş veri ambarı ve model eğitimi söz konusu olduğunda harika olsa da, yüksek hızlı bir üretim hattında alınması gereken anlık, taktiksel, gerçek zamanlı kararlar için genellikle uygun değildir.

Dakikada binlerce birimle çalışan bir şişeleme tesisi örneğini ele alalım. Bir görüş sistemi cam şişede bir çatlak tespit ettiğinde, reddetme mekanizması derhal tetiklenmelidir. Mimari, durumun fiziği tarafından belirlenir. Bu görüntü verilerinin kilometrelerce uzaktaki bir sunucuya iletilmesi, işlenmesi ve komutun geri gönderilmesi fiziksel olarak kabul edilemez bir gecikme yaratır. Dahası, yüksek çözünürlüklü video veya yüksek frekanslı sensör verilerini 7/24 buluta aktarmanın bant genişliği masrafı, maliyeti engelleyici niteliktedir. Komut buluta geri geldiğinde şişe çoktan fırlatma noktasını geçmiştir.

Bu durum, yapay zeka kararlarının makine düzeyinde yerel olarak verildiği uç bilişimi gerekli kılmaktadır. Ancak, gecikmeyi azaltmak için işlem gücünü uca kaydırmak yeni bir darboğazı ortaya çıkarır: donanımın kendisinin yanıt süresi.

Tepki Süresinin Fiziği

Uç bilgisayar bir kararı 2 milisaniyede işliyorsa, ancak şişeyi algılayan sensörün yanıt gecikmesi 10 milisaniye ise, sistem tekrarlayan görevleri verimli bir şekilde yerine getiremediği için verimsizdir. Yüksek hızlı otomasyon, tüm zincir boyunca hızın senkronize edilmesini gerektirir.

• Anahtarlama Frekansı: Endüktif ve kapasitif sensörlerin anahtarlama frekansı, yüksek hızlı hareketleri kaçırmadan algılamak için yüksek olmalıdır. Bir dişli 3000 RPM'de dönerken, sensör tüm dişleri saymak için kısa bir süre içinde açılıp kapanabilmelidir.
• Elektriksel tepki: Elektrik güç kaynağı dinamik yüklere (hızlı yük değişiklikleri) yanıt verebilmelidir. Bir red aktüatörü ateşlenir ve bir ani akım çeker. AI sensörlerinin devre dışı kalmasını önlemek için bu ani yükselme güç kaynağı tarafından sağlanan voltajda sabit olmalıdır.

Burada, genellikle yazılım özellikleri lehine göz ardı edilen bileşenin teknik özellikleri kritik öneme sahiptir. Gerçek zamanlı yapay zekanın hızı, en yavaş fiziksel unsurla sınırlıdır.

Görme için Fiziksel Tetikleyici

Ayrıca, görüş sistemlerinin ve bilgisayarla görüş uygulamalarının hayata geçirilmesinde “Tetikleyici” hayati önem taşımaktadır. Pahalı bir yapay zeka kamerası yanlış zamanda fotoğraf çekerse işe yaramaz ve daha geniş bir uygulama yelpazesi elde etmek için işlevselliği geliştirilebilir. Ne zaman bakacağını söylemek için bir kamera tetikleyicisi olarak mütevazı bir fotoelektrik sensöre veya mikro anahtara güvenir. Bu tetikleyici sensörde birkaç milisaniyelik bir tetikleme titreşimi bile varsa, nesne çerçevede ortalanmayacak ve yapay zeka kusuru tanımlayamayacaktır. Dolayısıyla, görüş sistemi zamanlaması tamamen basit tetikleme anahtarının doğruluğuna bağlıdır.

Eski Sistemlerin Güçlendirilmesi: Brownfield Fabrikalarında Yapay Zekanın Uygulanması

Akıllı Fabrika'nın (Endüstri 4.0) ütopik hayali, modern standartlar aracılığıyla iletişim kuran temiz ve parlak yeni bir dizi birbirine bağlı ekipmana sahip yeşil alan konumunu tasvir etme eğilimindedir. Bu, ekonomik açıdan gerçeklikle bağdaşmamaktadır. Dünyadaki üretimin çoğu brownfield lokasyonlarda ya da 10, 20, hatta 30 yıllık makinelerle donatılmış fabrikalarda yapılmaktadır. Bunlar, güçlü mekanik iş gücü olan, ancak genellikle dijital olarak sessiz olan eski makinelerdir. PLC'leri eski protokollere dayanıyor ve iç mantıkları donmuş durumda, bu da çağdaş üretim iş akışlarına entegre olma potansiyellerini sınırlıyor.

Yapay zekayı tanıtmak için bu makineleri değiştirmek ve sökmek pek uygun maliyetli değildir; sermaye harcaması (CapEx) marjı öldürecektir. Dahası, verileri dışa aktarmak için eski bir PLC'yi yeniden yazmaya çalışmak tehlikeli bir girişimdir, çünkü bu işlem tüm sistemin kapsamlı bir görünümünü gerektirir. Yanlış yerleştirilmiş tek bir kod satırı, hattı haftalarca bekletebilir.

Pratik olanı ise Yerleşim Sensör Ağı'dır. Bu, eski bir mekanik saatin üzerine çağdaş bir dijital yüz yerleştirme yöntemidir. Mühendisler, eski bir PLC'nin karmaşık ve tehlikeli kodunu yeniden yazmaya çalışmak yerine, makinenin kontrol döngüsüne bağlı olmayan ikinci bir sensör ve anahtar katmanı ekleyebilirler.

Bu plan, verimi saymak için konveyöre yeni fotoelektrik sensörlerin veya döngü süresini ölçmek için silindirlere manyetik sensörlerin eklenmesi ve bunların modern bir IoT ağ geçidine bağlanması dahil olmak üzere invazif olmayan algılamayı içerir. Bu, paralel bir veri akışı oluşturur. Eski makine her zaman olduğu gibi çalışmaya devam ediyor, ancak yeni kaplama ağı yapay zeka ile analiz etmek için gereken verileri alıyor. Bu strateji, yapay zekanın giriş engelini önemli ölçüde azaltıyor. Bununla birlikte, bileşen form faktörlerine ve dayanıklılığa değer verir. Ek parçalar, başlangıçta kendileri tarafından işgal edilmesi amaçlanmayan küçük, yağlı veya titreşimli alanlara monte edilmelidir. İşte bu noktada kaliteli parçaların güvenilirliği ve küçük boyutları devreye giriyor ve mühendisler zekayı üretime müdahale etmeden dar eski alanlara sığdırabiliyor.

Bileşen Sinyallerini Eyleme Geçirilebilir Yatırım Getirisine Dönüştürme

Herhangi bir endüstriyel yükseltme için son soru Yatırım Getirisidir (ROI). Daha iyi sensörlerin ve yapay zekanın eklenmesi neden para tasarrufu sağlasın? Çözüm, kestirimci bakıma geçmektir (bozulmadan önce tamir etmek). Bu, bakım maliyetlerinin artmasını önler ve operasyonel verimlilik sağlar.

Kestirimci bakım, temelde bileşen davranışının zamanla değişim oranının türevini inceleyen bir uygulamadır.

Basit bir röle veya bir Limit Anahtarı tarafından kontrol edilen bir pnömatik silindir örneğini ele alalım. Sağlıklı bir durumda bir vuruş yapmak yalnızca 500 milisaniye sürebilir. Contalar aşınabilir veya yağlama kuruyabilir ve bu süre 510 ms'ye, ardından 520 ms'ye çıkabilir. Bu, bir insan operatör için görünmezdir. Yine de tipik bir otomasyon sisteminin kabul edilebilir zaman aşımı aralığındadır ve bu nedenle alarm verilmez.

Bununla birlikte, bu eğilim, yüksek hassasiyetli bir limit anahtarının veri akışını işleyen bir yapay zeka modeli tarafından tanımlanabilir. Mikro sapmaları görür. ROI iki farklı şekilde gerçekleşir:

1. Katastrofik Arızanın Önlenmesi: Sistem, beklenmedik bir duruşu önlemek için bakım personeline planlanmış bir mola sırasında silindiri değiştirmesini hatırlatır. Otomotiv veya yarı iletken endüstrisinde, bir saatlik plansız duruş süresi 50.000 dolardan fazlaya mal olabilir. Yüksek kaliteli sensörlerle desteklenen bir yapay zeka sisteminin yılda bu tür olaylardan yalnızca birini önlediği varsayılırsa, donanım yüz kez telafi edilecektir.
2. Envanter Optimizasyon: Fabrikaların çoğu, bir şeylerin ne zaman ters gideceğini bilmedikleri için çok fazla yedek parça envanterine sahiptir. Her ihtimale karşı motorları ve şalterleri depolayarak sermaye biriktiriyorlar. Tahmine dayalı yapay zeka kapsamında, gerçek bozulma verileri kullanılarak tam zamanında parça siparişi verilebilir ve işletme sermayesi serbest bırakılabilir.

Bu ayrıntı düzeyinde sinyal kararlılığı gereklidir. Limit anahtarının kendisinin ucuz ve güvenilmez olması durumunda, mekanik değişkenliği ölçtüğü makinenin değişkenliğini maskeleyecektir. Kaliteli bileşenler, makinenin sağlığının ölçüldüğü istikrarlı bir ölçüt görevi görür.

Altyapınızı Yapay Zeka Çağına Hazırlama

Geleceğin giderek karmaşıklaşan görevlerine doğru baktığımızda, Yapay Zekanın merkezi bir rol oynayacağı açıktır. Bununla birlikte, teknolojik devrimler nadiren tek bir aracın benimsenmesiyle ilgilidir; bunlar temel bileşenlerin ve sistemlerin entegrasyonuyla ilgilidir.

Üretimin geleceğini düşündüğümüzde, Yapay Zekanın merkez sahnede olacağı açıktır. Bununla birlikte, teknolojik devrimler nadiren tek bir aracın kullanımıyla ilgilidir; bunlar sistem entegrasyonuyla ilgilidir.

En gelişmiş yapay zeka modeli veri olmadan işe yaramaz ve veri fiziksel dünyanın bir yaratımıdır. Günümüzde YZ endüstriyel otomasyonunun önündeki kısıt algoritma değil, altyapıdır. İleriye baktığımızda, gelecekteki araştırmalar bu geçişte başarılı olacak fabrikaların en büyük bulut sözleşmelerine sahip olanlar değil, en temiz veriye sahip olanlar olduğunu ortaya koyacaktır.

Karar vericiler için ileriye giden yol, bir bulut analitik platformuna abonelikle başlamamalıdır. Bilinçli kararlar almak için titiz bir fabrika sahası denetimi ile başlamalıdır.

• Güç kaynakları uç bilişimi mümkün kılmak için yeterli kararlılığa sahip mi?
• Sensörler gürültüsüz eğitim verisi sağlayacak hassasiyete sahip mi?
• Mekanik şalterler gelecek yıllar için bir zemin doğruluğu sağlamak üzere deterministik güvenilirlik sağlıyor mu?

“Donanım Katmanına” yatırım yapmak, zeka oluşturmak için gerekli ön koşuldur. Şirketler, kalite kontrolüne, uluslararası standartlara ve tedarik zinciri güvenilirliğine öncelik veren OMCH gibi köklü üreticilerle ortaklık kurarak geleceğin dijital yapılarının güvenle inşa edilebileceği somut temeli atmış olurlar. Yapay zekanın stokastik dünyasında, donanımın deterministik güvenilirliği sistemi gerçekliğe bağlı tutan tek şeydir.