Uzamsal-zamansal dikkat mekanizmasına dayalı elektrik hizmeti süreçleri için akıllı izleme ve anomali tespiti

Neden daha akıllı elektrik hizmeti önemli

Yeni bir elektrik bağlantısı başvurusu yaptığınızda veya şebeke yükseltimleri talep ettiğinizde yaşadığınız deneyim, perde arkasında yürüyen uzun bir adımlar zincirine bağlıdır: evrak işleri, teknik kontroller, inşaat ve sayaç montajı. Bu zincirdeki herhangi bir gecikme ya da hata, günler veya haftalar süren ek beklemeler ve artan hayal kırıklığı demektir. Bu makale, bu karmaşık hizmet süreçlerini gerçek zamanlı izleyen, sorunları erken fark eden ve arızaya veya müşteri şikayetine dönüşmeden önce hizmet sağlayıcıların müdahale etmesine yardımcı olan yeni bir yapay zeka tabanlı izleme sistemini inceliyor.

Bir elektrik hizmet talebinin gizli yolculuğu

Elektrik hizmet süreçleri basit tek seferlik görevlerden ziyade bir bayrak yarışı gibidir. Tek bir talep, başvurunun alınmasından belgelerin kontrolüne, teknik fizibilitenin değerlendirilmesine, inşaatın planlanmasına, şebekeye bağlanmaya ve sayaç montajına kadar birden çok aşamadan geçer. Her aşama, müşteri türüne, yerel iş yüküne ve bölgesel kapasiteye bağlı olarak farklı süreler alır. Buna ek olarak, şehirlerde, banliyölerde ve kırsal alanlarda dağılan onlarca veya yüzlerce hizmet merkezi kaynakları paylaşır ve birbirlerinin performansını etkiler. Geleneksel izleme araçları çoğunlukla her aşama için basit ortalamalara ve sabit sınırlara bakar; bu da yavaş gelişen sorunları veya konumlar arasındaki karmaşık etkileşimleri çoğunlukla gözden kaçırmalarına yol açar.

Makinelere uzay ve zamanda neye odaklanacağını öğretmek

Yazarlar, modern dil ve görsel yapay zekâdan bir ana fikri ödünç alan akıllı bir izleme sistemi öneriyor: dikkat (attention). Tüm olayları ve tüm hizmet merkezlerini eşit önemliymiş gibi ele almak yerine, sistem zaman ve mekânda en bilgi verici noktalara "dikkat etmeyi" öğreniyor. Modelin bir bölümü adımların sırasına ve her birinin ne kadar sürdüğüne odaklanarak tipik süreler ve faaliyet sıraları gibi kalıpları öğreniyor. Diğer bir bölüm ise olayların nerede gerçekleştiğine odaklanıyor; aynı ilçe veya bölgedeki, personel ve kaynak paylaşan merkezler gibi hizmet merkezlerinin ağını ve ilişkilerini modelliyor. Özel bir füzyon modülü bu iki bakışı dengeliyor ve sistemin birlikte bir şeylerin yanlış gittiğini işaret eden anları ve konumları öne çıkarmasını sağlıyor.

Sıradışı gecikmeleri ve hataları otomatik olarak tespit etme

Uzay ve zamanın bu ortak bakışını kullanarak sistem her bir hizmet süreci için genel bir "tuhaflık" skoru hesaplıyor. Bazı anomaliler tek bir aşamanın normalden çok daha uzun sürmesiyle ortaya çıkarken, bazıları adımların yanlış sırada gerçekleşmesi veya atlanmasıyla, bazıları ise komşu merkezler arasında iş dağılımının dengesiz olmasıyla oluşuyor. Model birden çok ipucunu birleştiriyor: mevcut davranışın öğrenilmiş normlardan ne kadar saptığı, yakın merkezlerin ne kadar benzer ya da farklı göründüğü ve zamansal ile mekânsal etkilerin nasıl etkileştiği. Tek tip bir kurala dayanmak yerine, yazarlar yerel koşullara ve yazın klima yoğunluğu veya tatil yavaşlamaları gibi mevsimsel talep dalgalanmalarına uyum sağlayan adaptif eşik sınırları getiriyor. Bu eşikler düzenli olarak güncellenerek sistemin değişen operasyonlarla uyumlu kalması sağlanıyor.

Sistemi gerçek dünyada test etmek

Bu yaklaşımın pratikte işe yarayıp yaramadığını görmek için ekip, sistemi Çin'deki üç il elektrik dağıtım şirketinin gerçek verileri üzerinde eğitti ve değerlendirdi; üç yıl boyunca 156 merkezdeki yaklaşık 300.000 hizmet vakasını kapsadı. Sistemlerini klasik istatistik ve makine öğrenmesi araçlarından zaman serisi ve ağ verileri için tasarlanmış modern derin öğrenme modellere kadar geniş bir mevcut teknik yelpazesiyle karşılaştırdılar. Uzamsal-zamansal dikkat sistemi tutarlı şekilde öne çıktı; yanlış alarmları düşük tutarken daha fazla anomalinin doğru tespitini sağladı. 32 merkezde yapılan altı aylık saha denemesinde, uzmanlarca doğrulanmış anomalilerin %96'sını yakaladı ve yüksek kesinlik sağladı. Belki de en önemlisi, sonuçlar sadece akademik kalmadı: ortalama tamamlama süreleri yaklaşık beşte bir azaldı, hizmet düzeyi hedefleri daha sık karşılandı ve gecikmelere bağlı müşteri şikayetleri neredeyse üçte bir azaldı.

Günlük müşteriler için bunun anlamı

Uzman olmayanlar için temel çıkarım basit: daha akıllı, yapay zekâ destekli izleme, elektrik hizmetleriyle günlük etkileşimleri daha hızlı, daha güvenilir ve daha az stresli hale getirebilir. Geçmiş davranışlardan sürekli öğrenerek, zaman ve mekânda en belirleyici kalıplara odaklanarak ve küçük sorunlar büyümeden önce personele uyarı vererek önerilen sistem, hizmet sağlayıcıların sorunlar oluşup tepki vermekten ziyade onları önlemesine yardımcı oluyor. Çalışma elektrik hizmetlerini hedeflese de aynı fikirler, uzun ve birbirine bağlı süreçlerin insanların ihtiyaçlarını ne kadar hızlı ve sorunsuz aldığı üzerinde belirleyici olduğu sağlık randevuları, lojistik veya kamu hizmetleri gibi birçok başka karmaşık hizmet sistemine de uygulanabilir.

Atıf: Lin, N., Wen, X., Wu, J. et al. Intelligent monitoring and anomaly detection for power service processes based on spatiotemporal attention mechanism. Sci Rep 16, 12479 (2026). https://doi.org/10.1038/s41598-026-42189-5

Anahtar kelimeler: elektrik hizmeti izleme, anormallik tespiti, uzamsal-zamansal dikkat, akıllı şebeke operasyonları, derin öğrenme sistemleri