Toprak nemini ölçen bir sensörün karar vermek için kilometrelerce uzaktaki bulut sunucusunu beklediğini düşünün. Bu sırada bağlantı kesilir, yanıt gecikir ve susuz kalan domatesler sessizce dram yaşar! Edge computing, sensör verisini doğrudan tarladaki ağ geçidi, mikrodenetleyici veya mini bilgisayar üzerinde işleyerek bu sorunu çözer. Böylece tarımsal sistemler daha hızlı, dayanıklı ve ekonomik hâle gelir.

``

Edge computing nedir?

Geleneksel IoT mimarisinde sensörlerden alınan ham veriler internete aktarılır, bulutta analiz edilir ve sonuç tekrar sahadaki cihaza gönderilir. Edge computing yaklaşımında ise hesaplama, verinin üretildiği noktaya mümkün olduğunca yaklaştırılır. Bir Raspberry Pi, endüstriyel ağ geçidi veya yapay zekâ destekli kamera bu “kenar” görevini üstlenebilir.

Bir sulama kararının toplam gecikmesini basitçe şöyle gösterebiliriz:

Bulut tabanlı yapıda iletim ve yanıt süreleri internet kalitesine bağlıdır. Edge cihazında ise veri yerel işlendiği için $T_{iletim}$ büyük ölçüde azalır. Milisaniyelerin kritik olduğu don, yangın veya hayvan hareketi tespiti gibi senaryolarda bu fark oldukça önemlidir.

Tarlada veri nasıl işlenir?

Bir akıllı sulama sisteminde nem, sıcaklık ve yağış sensörleri belirli aralıklarla ölçüm yapar. Edge cihazı önce hatalı okumaları filtreler, ardından eşik veya makine öğrenmesi modeline göre karar verir. Yalnızca günlük ortalamalar, uyarılar ve cihaz sağlık bilgileri buluta gönderilir.

Örneğin, nem sensöründeki ani sıçramaları yumuşatmak için hareketli ortalama kullanılabilir:

Burada $n$, dikkate alınan son ölçüm sayısıdır. Bu yöntem, tek bir hatalı değerin sulama pompasını gereksiz yere çalıştırmasını önler.

Aşağıdaki Python kodu, beş nem ölçümünün ortalamasını hesaplayıp yerel bir sulama kararı üretir:

from statistics import mean

NEM_ESIGI = 35


def sulama_karari(olcumler, yagmur_bekleniyor=False):
    filtrelenmis_nem = mean(olcumler[-5:])

    if filtrelenmis_nem < NEM_ESIGI and not yagmur_bekleniyor:
        return "Pompayı çalıştır"
    return "Sulama gerekmiyor"

nem_verileri = [37, 34, 33, 32, 31]
print(sulama_karari(nem_verileri))

Kod, son beş değeri kullanarak sensör gürültüsünün etkisini azaltır. Gerçek sistemde sonuç bir röle üzerinden pompayı kontrol edebilir. Yağış tahmini önceden edge cihazına aktarılmışsa gereksiz sulama da engellenir.

Yapay zekâ tarlanın kenarına taşınırsa

Edge cihazları yalnızca eşik kontrolü yapmaz. Sıkıştırılmış görüntü sınıflandırma modelleriyle yaprak hastalıkları, yabancı otlar veya zararlılar kameradan tespit edilebilir. Kamera görüntüsünün tamamını buluta göndermek yerine yalnızca “üç bitkide hastalık şüphesi var” sonucu iletilir. Bu yaklaşım hem bant genişliğini hem de depolama maliyetini düşürür.

Ancak edge donanımının enerji, bellek ve işlem gücü sınırlıdır. Model küçültme, niceleme ve uyku modları bu nedenle önem kazanır. Güneş paneliyle çalışan bir cihazda doğruluk kadar enerji tüketimi de başarı ölçütüdür:

Hibrit yaklaşım en güçlü seçenek

Edge computing bulutun rakibi değil, tamamlayıcısıdır. Anlık sulama ve alarm kararları sahada alınırken uzun dönemli verim analizi, model eğitimi ve filo yönetimi bulutta gerçekleştirilebilir. Sonuçta çiftçi bağlantı kesilse bile çalışan, kritik veriye hızlı tepki veren ve internet faturasını kabartmayan bir sisteme sahip olur. Kısacası tarla yalnızca ürün değil, karar da üretmeye başlar.

``

X-ışınları bize ne söyler?

X-ışını demeti vücuttan geçerken kemik, kas, yağ ve hava tarafından farklı oranlarda soğurulur. Bu davranış yaklaşık olarak Beer–Lambert yasasıyla açıklanır:

Burada $I_0$ başlangıçtaki, $I$ dedektöre ulaşan ışın şiddetidir. $\mu(x,y)$ ise dokunun X-ışınını ne kadar zayıflattığını gösteren doğrusal soğurma katsayısıdır. İntegral, ışının izlediği $L$ yolu boyunca karşılaştığı bütün dokuların etkisini toplar.

Denklemin logaritmasını aldığımızda daha kullanışlı bir ölçüm elde ederiz:

Yani dedektör, ışının geçtiği çizgi üzerindeki piksel değerlerinin toplamına benzer bir bilgi sağlar. Ancak tek bir toplamla hangi dokunun nerede olduğunu bilemeyiz. Bir alışveriş fişinin yalnızca toplam tutarını görüp sepetteki ürünleri tahmin etmeye çalışmak gibi!

Radon dönüşümü: Gölgelerin kataloğu

Cihaz, X-ışını tüpünü hastanın çevresinde döndürerek farklı açılardan ölçümler toplar. Bir nesnenin belirli açılardaki çizgisel integrallerini hesaplayan matematiksel işleme Radon dönüşümü denir:

Burada $\theta$ tarama açısını, $s$ ise ışının merkezden uzaklığını belirtir. Bütün açılardan gelen ölçümler yan yana dizildiğinde sinogram adı verilen dalgalı bir görüntü oluşur. Noktasal bir nesne sinogramda sinüs eğrisi çizdiği için bu isim oldukça yerindedir.

Geri projeksiyon neden tek başına yetmez?

Basit geri projeksiyonda her ölçüm, geldiği doğrultu boyunca görüntüye geri yayılır. Çok sayıda açı birleştirildiğinde nesne ortaya çıkar; fakat sonuç bulanıktır. Çünkü tek bir ölçüm, ait olduğu çizginin tamamına eşit biçimde dağıtılmıştır.

Filtrelenmiş geri projeksiyon bu sorunu azaltır. Önce projeksiyonlara yüksek frekansları güçlendiren bir rampa filtresi uygulanır, ardından veriler görüntü düzlemine geri taşınır:

Buradaki $\widetilde{p}_\theta$, filtrelenmiş projeksiyondur. Filtre keskinliği artırırken gürültüyü de büyütebilir; dolayısıyla görüntü kalitesi ile radyasyon dozu arasında dikkatli bir denge kurulur.

Küçük bir Python deneyi

Aşağıdaki örnek, yapay bir kesitin projeksiyonlarını üretir ve filtrelenmiş geri projeksiyonla görüntüyü yeniden oluşturur:

from skimage.data import shepp_logan_phantom
from skimage.transform import radon, iradon, resize
import numpy as np

# İnsan başına benzeyen standart test kesiti
kesit = resize(shepp_logan_phantom(), (256, 256))

# Cihazın çevrede dolaştığı açıları temsil eder
acilar = np.linspace(0, 180, 256, endpoint=False)
sinogram = radon(kesit, theta=acilar)

# Ölçümlerden kesiti yeniden oluşturur
sonuc = iradon(sinogram, theta=acilar, filter_name="ramp")

Bu kodda radon ileri ölçüm sürecini, iradon ise rekonstrüksiyonu taklit eder. Açı sayısını azaltmak görüntüde çizgisel artefaktlar oluşturur; gerçek cihazlarda da yetersiz veri benzer sorunlara yol açar.

Piksel değerlerinden doku bilgisine

Rekonstrüksiyon sonunda elde edilen soğurma katsayıları genellikle Hounsfield birimine dönüştürülür:

Su yaklaşık $0$ HU, hava $-1000$ HU, yoğun kemik ise yüzlerce veya binlerce HU değerine sahiptir. Böylece matematiksel bir yoğunluk haritası, doktorun yorumlayabileceği anatomik bir kesite dönüşür. Modern sistemler ayrıca iteratif yöntemler ve yapay zekâ kullanarak ölçüm ile tahmin arasındaki hatayı tekrar tekrar azaltır. Sonuçta tomografi, dönen bir X-ışını kaynağıyla başlayan ve ters problem çözümüyle tamamlanan etkileyici bir matematik mühendisliğidir.

``

Yapı (struct) nedir?

Bir yapı, birbiriyle ilişkili değişkenleri tek bir veri modeli içinde saklar. Yapının her üyesi bellekte kendisine ait bir alana sahiptir. Dolayısıyla bütün üyeler aynı anda geçerli değerler taşıyabilir.

#include <stdio.h>
#include <string.h>

struct Ogrenci {
    char ad[30];
    int numara;
    float notOrtalamasi;
};

int main(void) {
    struct Ogrenci ogrenci;

    strcpy(ogrenci.ad, "Ada");
    ogrenci.numara = 1024;
    ogrenci.notOrtalamasi = 91.5f;

    printf("%s - %d - %.1f\n",
           ogrenci.ad,
           ogrenci.numara,
           ogrenci.notOrtalamasi);

    return 0;
}

Burada ogrenci tek bir değişkendir; fakat . operatörüyle erişilen üç farklı üyeyi taşır. Bir yapı işaretçisi kullanıldığında ise üyelere -> operatörüyle erişilir: ogrenciPtr->numara.

Birlik (union) nedir?

Birlik de farklı türleri aynı referans altında toplar, ancak üyelerin tamamı aynı bellek alanını paylaşır. Bir üyeye yeni değer yazıldığında diğer üyenin eski değeri güvenilirliğini kaybeder. Yani birlik, “hepsini aynı anda sakla” değil, “bunlardan birini sakla” yaklaşımıdır.

#include <stdio.h>

union Deger {
    int tamSayi;
    float ondalik;
    char karakter;
};

int main(void) {
    union Deger veri;

    veri.tamSayi = 42;
    printf("Tam sayı: %d\n", veri.tamSayi);

    veri.ondalik = 3.14f;
    printf("Ondalık: %.2f\n", veri.ondalik);

    return 0;
}

İkinci atamadan sonra tamSayi üyesini okumak anlamlı değildir; çünkü aynı bitler artık float biçiminde yorumlanmaktadır.

Bellek hesabı

Bir yapının teorik boyutu üyelerin boyutları toplamına yakındır:

Eşitsizliğin nedeni padding adı verilen hizalama boşluklarıdır. Derleyici, işlemcinin verilere daha verimli erişebilmesi için üyeler arasına kullanılmayan baytlar ekleyebilir.

Bir birlik için temel ilişki şöyledir:

Birliğin boyutu genellikle en büyük üyenin boyutudur; hizalama gereksinimleri sonucu küçük farklılıklar görülebilir. Kesin sonucu öğrenmenin doğru yolu sizeof kullanmaktır.

Güvenli birlik kullanımı: etiketli birlik

Birliğin hangi üyesinin geçerli olduğunu kendiliğinden bilmesi mümkün değildir. Bu nedenle bir enum etiketiyle birlik kullanımını güvenli hâle getirebiliriz:

enum DegerTuru {
    TAM_SAYI,
    ONDALIK
};

struct EtiketliDeger {
    enum DegerTuru tur;
    union {
        int tamSayi;
        float ondalik;
    } veri;
};

void yazdir(struct EtiketliDeger deger) {
    if (deger.tur == TAM_SAYI) {
        printf("%d\n", deger.veri.tamSayi);
    } else {
        printf("%.2f\n", deger.veri.ondalik);
    }
}

Bu desen, modern dillerdeki variant veya sum type yapılarına benzer. tur alanı hangi üyenin okunacağını söyler; union ise gereksiz bellek tüketimini azaltır.

Kısacası, bir varlığın bütün özelliklerine aynı anda ihtiyacınız varsa struct; seçeneklerden yalnızca biri tutulacaksa union uygundur. İkisini birlikte kullanmak ise hem düzenli hem de bellek açısından ekonomik veri modelleri kurmanın etkili bir yoludur.

``

Evrişimli sinir ağı neyi öğrenir?

Evrişimli sinir ağları, yani CNN’ler, görüntülerdeki uzamsal ilişkileri öğrenmek için geliştirilmiştir. İlk katmanlar kenar, köşe ve doku gibi basit özellikleri yakalarken daha derin katmanlar kitle biçimi, düzensiz sınır veya doku yoğunluğu gibi karmaşık örüntülere odaklanır.

Bir evrişim işlemi kabaca şöyle ifade edilir:

Burada $x$ giriş görüntüsünü, $w$ öğrenilebilir filtreyi, $b$ sapma değerini ve $y$ üretilen özellik haritasını temsil eder. Filtre görüntü üzerinde dolaşır; önemli bölgelerde yüksek aktivasyonlar oluşturur. Model, eğitim sırasında hatasını azaltacak filtreleri kendisi öğrenir.

Kanser tespitinde süreç genellikle görüntü sınıflandırma, tümör konumlandırma veya piksel düzeyinde segmentasyon biçiminde tasarlanır. Örneğin bir model yalnızca “şüpheli” sonucunu verebilirken başka bir model kitlenin sınırlarını da işaretleyebilir.

İnsan ve CNN karşılaştırması

Bir sistemi yalnızca doğruluk oranıyla değerlendirmek yanıltıcıdır. Tıbbi taramalarda duyarlılık ve özgüllük özellikle önemlidir:

Duyarlılığın düşük olması gerçek kanserlerin kaçırılması, özgüllüğün düşük olması ise çok sayıda sağlıklı hastanın gereksiz incelemeye yönlendirilmesi anlamına gelebilir.

Araştırmalarda bazı CNN’ler belirli veri kümelerinde uzmanlarla benzer, hatta daha yüksek sonuçlar elde edebilir. Ancak bu, modelin her hastanede aynı başarıyı göstereceği anlamına gelmez. Cihaz markası, çekim protokolü, hasta popülasyonu ve görüntü kalitesi değiştiğinde veri dağılımı kayması ortaya çıkabilir.

Basitleştirilmiş bir CNN örneği

Aşağıdaki TensorFlow modeli, görüntüleri iki sınıfa ayırabilecek temel bir mimari gösterir:

import tensorflow as tf

model = tf.keras.Sequential([
    tf.keras.layers.Input(shape=(224, 224, 3)),
    tf.keras.layers.Conv2D(32, 3, activation='relu'),
    tf.keras.layers.MaxPooling2D(),
    tf.keras.layers.Conv2D(64, 3, activation='relu'),
    tf.keras.layers.MaxPooling2D(),
    tf.keras.layers.GlobalAveragePooling2D(),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

model.compile(
    optimizer='adam',
    loss='binary_crossentropy',
    metrics=['accuracy']
)

Evrişim katmanları görüntü özelliklerini çıkarır, havuzlama katmanları boyutu küçültür, sigmoid çıkışı ise görüntünün şüpheli sınıfa ait olma olasılığını üretir. Gerçek bir klinik sistemde veri artırma, hasta bazlı veri ayrımı, harici doğrulama ve kalibrasyon gibi ek adımlar zorunludur.

Rakip değil, ekip arkadaşı

CNN’lerin en güçlü kullanım biçimi radyologların yerini almak değil, önceliklendirme ve karar desteği sağlamaktır. Model şüpheli görüntüleri sıranın başına taşıyabilir, gözden kaçabilecek bölgeleri işaretleyebilir ve ikinci okuma sunabilir. Buna karşılık nihai karar; biyopsi, hasta geçmişi ve diğer klinik bulgularla birlikte uzman tarafından verilmelidir.

Ayrıca eğitim verilerindeki demografik dengesizlikler adaletsiz sonuçlara yol açabilir. Bu nedenle başarı ölçümleri yaş, cinsiyet, cihaz ve merkez gibi alt gruplarda ayrı ayrı incelenmelidir. Güvenli gelecek, “yapay zekâ mı insan mı?” sorusundan çok, ikisini nasıl denetimli ve şeffaf biçimde birleştiririz? sorusuna bağlıdır.

``

Klinik notları anlamak neden zordur?

Gündelik NLP uygulamalarında bir kelimenin olumlu veya olumsuz duygu taşıması önemli olabilir. Klinik alandaysa tek bir olumsuzluk eki hastanın durumunu tamamen değiştirir: “pnömoni var” ile “pnömoni saptanmadı” aynı kavramı içerir ama zıt sonuçlar bildirir.

Notlarda kısaltmalar, yazım hataları, özel terminoloji ve bağlama bağlı ifadeler de bulunur. “MI” miyokart enfarktüsü anlamına gelebilirken farklı bir bölümde başka bir kısaltmayı temsil edebilir. Türkçenin eklemeli yapısı da “hipertansiyonu”, “hipertansiyondan” ve “hipertansiyonsuz” biçimlerinin aynı kökle ilişkilendirilmesini gerektirir.

Tipik bilgi çıkarım hattı

Sistem önce metni cümlelere ve sözcüklere ayırır. Ardından normalizasyon yaparak yazım çeşitlerini azaltır. Adlandırılmış Varlık Tanıma modeli hastalık, ilaç, anatomik bölge ve laboratuvar değeri gibi ifadeleri etiketler. Sonraki aşamada olumsuzluk, belirsizlik, deneyimleyen kişi ve zaman belirlenir.

Örneğin “Hastanın annesinde meme kanseri vardı” cümlesinde hastalık gerçektir; fakat deneyimleyen kişi hasta değildir. Bu ayrım yapılmazsa hastaya yanlış tanı atanabilir. Son aşamada bulunan ifadeler ICD-10, LOINC veya SNOMED CT gibi kontrollü terminolojilerle eşleştirilir.

Modern sistemler BERT benzeri dönüştürücü modeller kullanır. Bir ifadenin bağlamsal gösterimi kabaca şöyle düşünülebilir:

Burada $x_i$ sözcük veya alt sözcük birimini, $h_i$ ise çevresindeki kelimeleri dikkate alan bağlamsal temsili gösterir. Sınıflandırıcı bu temsilden “ilaç”, “belirti” veya “varlık değil” gibi bir etiket üretir.

Basitleştirilmiş Python örneği

Aşağıdaki örnek, eğitilmiş bir spaCy modelinin klinik varlıkları nasıl çıkarabileceğini gösterir. Gerçek kullanımda genel amaçlı model yerine kuruma ve dile uygun klinik veriyle eğitilmiş bir model gerekir.

import spacy

nlp = spacy.load("tr_clinical_ner_model")
text = "Hasta metformin 500 mg kullanıyor, ateş gözlenmedi."
doc = nlp(text)

records = []
for entity in doc.ents:
    records.append({
        "text": entity.text,
        "type": entity.label_,
        "start": entity.start_char,
        "end": entity.end_char
    })

print(records)

Kod, metni modele gönderir ve tespit edilen ifadeleri türleriyle birlikte sözlük listesine dönüştürür. Ancak “gözlenmedi” bilgisinin ateşi olumsuzladığını anlamak için ayrıca kural tabanlı veya öğrenilmiş bir olumsuzluk modülü kullanılmalıdır.

Başarı nasıl ölçülür?

Klinik sistemlerde yalnızca doğruluk oranına bakmak yanıltıcıdır. Kesinlik ve duyarlılık daha açıklayıcıdır:

Yüksek kesinlik, üretilen kayıtların çoğunun doğru olduğunu; yüksek duyarlılık ise gerçek klinik ifadelerin çok azının kaçırıldığını gösterir. Dengeli değerlendirme için $F_1$ skoru kullanılır.

Güvenlik ve insan denetimi

Klinik notlar son derece hassas kişisel veriler içerir. Bu nedenle kimliksizleştirme, erişim kontrolü, şifreleme ve ayrıntılı denetim kayıtları zorunludur. Model çıktıları doğrudan tanı yerine geçmemeli; doktor onayına sunulan yardımcı öneriler olarak değerlendirilmelidir. Kısacası başarılı klinik NLP, yalnızca iyi bir model değil, güvenilir veri, tıbbi terminoloji, mahremiyet ve insan denetiminin birlikte çalıştığı bir sistemdir.

``

Fizik motoru neyi hesaplar?

Fizik motoru, sanal dünyadaki nesnelerin kuvvetler karşısında nasıl hareket edeceğini belirleyen sistemdir. Her fizik adımında nesnelerin konumları, hızları ve çarpışmaları yeniden hesaplanır. Temel doğrusal hareket Newton’un ikinci yasasına dayanır:

Burada $F$ toplam kuvveti, $m$ kütleyi ve $a$ ivmeyi temsil eder. Yerçekimi altında duran bir beden parçasına yaklaşık olarak $F_g = m \cdot g$ kuvveti uygulanır. Motor, bu ivmeyi küçük zaman aralıklarıyla hıza ve konuma dönüştürür:

$\Delta t$ küçüldükçe simülasyon genellikle daha kararlı olur; ancak işlemci yükü artar. Yani gerçekçilik menüsünde ücretsiz öğle yemeği yoktur.

Ragdoll bedeninin anatomisi

Ragdoll, tek parça karmaşık bir model olarak değil, birbirine eklemlerle bağlanan katı cisimler olarak ele alınır. Baş, gövde, üst kol, ön kol, uyluk ve baldır gibi parçaların her biri kendi kütlesine ve çarpışma hacmine sahiptir.

Karakterin görsel ağı çok ayrıntılı olabilir; fakat fizik hesaplarında basit kapsüller kullanılır. Çünkü binlerce üçgenle çarpışma aramak yerine birkaç geometrik şekli test etmek çok daha hızlıdır.

Çökme, çarpışma ve sekme

İki cisim temas ettiğinde fizik motoru iç içe geçmeyi önlemek için bir çarpışma normali belirler ve karşı yönde itki uygular. Sekme miktarı, esneklik katsayısı $e$ ile özetlenebilir:

$e=0$ olduğunda parça zemine yapışmaya yakın davranır; $e=1$ ise enerjiyi büyük ölçüde koruyarak seker. İnsan bedeni benzeri bir ragdoll için düşük esneklik ve orta-yüksek sürtünme daha inandırıcıdır. Aksi hâlde karakter, trajik bir düşüşten çok lastik top seçmelerine katılmış gibi görünür.

Unity’de basit etkinleştirme

Aşağıdaki C# örneği, animasyon sistemini kapatıp çocuk nesnelerdeki fizik bileşenlerini etkinleştirir. Böylece karakter kontrollü animasyondan fizik tabanlı ragdoll durumuna geçer:

using UnityEngine;

public class RagdollController : MonoBehaviour
{
    [SerializeField] private Animator animator;
    private Rigidbody[] bodyParts;

    void Awake()
    {
        bodyParts = GetComponentsInChildren<Rigidbody>();
        SetRagdoll(false);
    }

    public void SetRagdoll(bool enabled)
    {
        animator.enabled = !enabled;

        foreach (Rigidbody part in bodyParts)
        {
            part.isKinematic = !enabled;
            part.detectCollisions = enabled;
        }
    }
}

isKinematic açıkken parçaları fizik değil animasyon yönetir. Ragdoll etkinleştirildiğinde bu özellik kapanır ve yerçekimi, darbeler ile eklem kısıtları kontrolü devralır. Geçiş sırasında karakterin mevcut hızını beden parçalarına aktarmak, özellikle koşarken vurulan karakterlerde sürekliliği güçlendirir.

Gerçekçilik ile kararlılık arasındaki denge

İyi bir ragdoll yalnızca doğru denklemlerden oluşmaz. Kütle dağılımı, eklem limitleri, sabit fizik zaman adımı ve çözücü yineleme sayısı birlikte ayarlanmalıdır. Gövde genellikle uzuvlardan ağır tutulmalı, komşu parçaların çarpıştırıcıları gereksiz yere birbirine çarpmamalıdır. Ayrıca yüksek hızlarda tünelleme yaşanmaması için sürekli çarpışma algılama kullanılabilir.

Sonuçta gerçekçi çökme hareketi; kuvvetlerin, itkinin, sürtünmenin ve anatomik kısıtların ortak ürünüdür. Başarılı bir ragdoll, oyuncuya matematiği göstermez; yalnızca düşüşün ağırlığını hissettirir.

``

HFT tam olarak ne yapar?

HFT sistemleri piyasa verilerini gerçek zamanlı olarak alır, algoritmik stratejilerle değerlendirir ve saniyenin çok küçük bir bölümünde emir üretir. Piyasa yapıcılığı, farklı platformlar arasındaki fiyat uyuşmazlıklarını izleme ve portföy riskini dengeleme yaygın kullanım alanlarıdır.

Bir işlemin basitleştirilmiş beklenen değeri şöyle ifade edilebilir:

Burada $p_f$ emrin istenen koşullarda gerçekleşme olasılığı, $G$ beklenen kazanç, $Z$ olumsuz fiyat hareketinden doğan zarar ve $C$ komisyon ile altyapı maliyetidir. Gecikme arttığında emir sırasındaki konum kötüleşebilir; dolayısıyla $p_f$ düşerken zarar ihtimali büyüyebilir.

Temel mimari katmanları

Tipik bir HFT hattı aşağıdaki bileşenlerden oluşur:

1. Piyasa veri alıcısı: Borsanın gönderdiği ham paketleri yakalar.
2. Feed handler: Paketleri çözer ve dahili fiyat defteri modelini günceller.
3. Strateji motoru: Fiyat, hacim ve risk sinyallerinden işlem kararı üretir.
4. Risk katmanı: Pozisyon, emir büyüklüğü ve kayıp limitlerini denetler.
5. Emir geçidi: Kararı borsanın protokolüne çevirerek iletir.
6. Telemetri sistemi: Gecikme dağılımlarını ve hataları kaydeder.

Bu yolun toplam gecikmesi kabaca

şeklindedir. Her katmanda kazanılan birkaç mikrosaniye, toplamda ciddi bir avantaj oluşturabilir.

Mikrosaniyeler neden önemlidir?

Borsalarda aynı fiyat seviyesindeki emirler çoğunlukla zaman önceliğine göre sıralanır. İki şirket aynı alış emrini gönderirse birkaç mikrosaniye önce ulaşan emir kuyruğun önüne geçebilir. Bu nedenle gecikme yalnızca kararın hızını değil, gerçekleşme olasılığını da etkiler.

Ayrıca ortalama gecikme tek başına yeterli değildir. Sistem çoğu zaman 10 mikrosaniyede yanıt verip nadiren 2 milisaniyeye sıçrıyorsa kritik anlarda geride kalabilir. Bu değişkenliğe jitter denir. HFT ekipleri ortalama yerine $p99$, $p99.9$ ve maksimum gecikme değerlerini özellikle takip eder.

Sıcak yol üzerinde kod tasarımı

Aşağıdaki C++ örneği, alış ve satış fiyatından orta noktayı hesaplayan küçük bir sıcak yol fonksiyonudur:

struct Quote {
    double bid;
    double ask;
};

inline double midpoint(const Quote& quote) noexcept {
    return (quote.bid + quote.ask) * 0.5;
}

bool shouldBuy(const Quote& quote, double reference) noexcept {
    return midpoint(quote) < reference;
}

const referans gereksiz kopyayı önler, noexcept fonksiyonun istisna üretmeyeceğini bildirir ve inline çağrı maliyetinin azaltılmasına yardımcı olabilir. Gerçek sistemlerde kayan nokta yerine sabit noktalı tamsayılar tercih edilebilir; böylece fiyatlar örneğin kuruş cinsinden kesin biçimde saklanır.

Donanım da mimarinin parçasıdır

Borsaya fiziksel olarak yakın veri merkezlerinde sunucu barındırmak, fiber üzerindeki yayılma süresini azaltır. Optimize ağ kartları, FPGA’ler, yüksek saat hızlı CPU’lar ve NUMA farkındalığı da gecikme bütçesine katkıda bulunur. Ancak hız uğruna risk kontrollerini kaldırmak doğru değildir. İyi bir mimari, kontrolleri atlamak yerine onları tahmin edilebilir ve düşük gecikmeli hâle getirir.

Sonuç olarak HFT, yalnızca hızlı kod yazma sanatı değildir. Ağ, işletim sistemi, işlemci önbelleği, algoritma, risk yönetimi ve fiziksel mesafenin birlikte optimize edildiği uçtan uca bir mühendislik disiplinidir. Mikrosaniyeler önemlidir; çünkü elektronik piyasalarda küçük bir zaman farkı, kuyrukta ilk veya son olmak arasındaki fark olabilir.

``

EMG sinyali nedir?

Elektromiyografi, kas lifleri etkinleştiğinde oluşan elektriksel potansiyellerin ölçülmesidir. Yüzey EMG sistemlerinde elektrotlar deri üzerine yerleştirilir. Kullanıcı elini kapatmayı düşündüğünde ön koldaki ilgili kaslar kasılır ve elektrotlarda mikrovolt ile milivolt seviyeleri arasında değişen bir sinyal oluşur.

Ham EMG genellikle düzensiz, çift yönlü ve gürültülüdür. Bu nedenle sinyal doğrudan motora gönderilemez. Ölçülen veri basitleştirilmiş biçimde

olarak düşünülebilir. Burada $s(t)$ istenen kas etkinliği, $n(t)$ ise hareket artefaktı, elektronik gürültü ve şebeke paraziti gibi istenmeyen bileşenlerdir.

Sinyal işleme hattı

Tipik bir protez kontrol sistemi aşağıdaki aşamalardan oluşur:

EMG enerjisinin önemli bölümü yaklaşık 20–450 Hz aralığındadır. Bant geçiren filtre bu aralığın dışındaki bileşenleri bastırırken, 50 Hz veya 60 Hz çentik filtresi elektrik şebekesinden gelen uğultuyu azaltır.

Kasılmayı sayıya dönüştürmek

Filtrelenmiş sinyal kısa zaman pencerelerine ayrılır. Her pencere için hesaplanan RMS değeri kasılma şiddetini özetleyebilir:

Benzer şekilde ortalama mutlak değer, yani MAV,

ile hesaplanır. RMS büyükse güçlü, küçükse zayıf kasılma olduğu yorumlanabilir. Ancak farklı hareketler benzer enerji üretebildiği için birden fazla elektrot kanalı ve özellik birlikte kullanılır.

Aşağıdaki Python örneği, örnek bir EMG dizisini filtreler ve pencerelerden RMS özellikleri çıkarır:

import numpy as np
from scipy.signal import butter, filtfilt

def bandpass_emg(signal, fs=1000):
    # 20-450 Hz arasındaki kas etkinliğini korur.
    b, a = butter(4, [20, 450], btype="bandpass", fs=fs)
    return filtfilt(b, a, signal)

def rms_features(signal, window_size=200, step=100):
    features = []
    for start in range(0, len(signal) - window_size + 1, step):
        window = signal[start:start + window_size]
        features.append(np.sqrt(np.mean(window ** 2)))
    return np.array(features)

filtered = bandpass_emg(raw_emg)
rms_values = rms_features(filtered)

Buradaki 200 örneklik pencere, 1000 Hz örnekleme hızında 200 ms sürer. Pencerelerin örtüşmesi daha sık karar üretilmesini sağlar; ancak çok küçük pencereler kararsız tahminlere, çok büyük pencereler ise hissedilir gecikmeye yol açabilir.

Karardan harekete

Basit bir sistem RMS eşiğini aşınca eli kapatabilir. Daha gelişmiş sistemlerde farklı hareketlerden toplanmış özelliklerle bir sınıflandırıcı eğitilir. Model; eli açma, kapatma, işaret etme veya bileği döndürme sınıflarından birini seçer. Tahmin güveni düşükse protezin hareket etmemesi güvenli bir seçenek olabilir.

Son aşamada sınıf etiketi motor sürücüsüne gönderilir. Kuvvet sensörleri de bardağın ezilmesini veya elden kaymasını önleyen geri besleme sağlar. Böylece sistem yalnızca “kapat” demez; ne kadar hızlı ve güçlü kapanacağını da ayarlayabilir.

Başarılı bir protez kontrolünde doğruluk tek hedef değildir. Gecikme, enerji tüketimi, kullanıcı konforu ve elektrotların terleme nedeniyle değişen teması da önemlidir. En iyi sistem, laboratuvarda en yüksek skoru alan değil, günlük yaşamda kullanıcının niyetini hızlı, güvenli ve doğal biçimde harekete dönüştürendir.

Crunch neden ortaya çıkıyor?

Oyun geliştirmek; yazılım, sanat, müzik, hikâye ve pazarlama gibi birçok alanın birbirine bağımlı olduğu karmaşık bir üretim sürecidir. Bir bölüm tasarımındaki gecikme test ekibini, motor değişikliği ise neredeyse herkesi etkileyebilir. Buna rağmen çıkış tarihleri yatırımcı toplantıları, tatil sezonları veya reklam anlaşmaları nedeniyle erkenden sabitlenir.

Basitçe proje baskısını şöyle düşünebiliriz:

Burada $K$ kapsamı, $D$ teknik belirsizliği, $Y$ yönetim kaynaklı değişiklikleri, $Z$ ise kullanılabilir zamanı temsil eder. Zaman azalırken kapsam aynı kalırsa baskı hızla büyür. Fakat bu matematiksel görüntünün arkasında sosyal bir seçim vardır: Takvim korunurken bedeli kim ödeyecektir?

Tutku mu, görünmez zorunluluk mu?

Crunch her zaman açık bir emirle başlamaz. “Biz burada bir aileyiz”, “Oyuncuları hayal kırıklığına uğratamayız” veya “Herkes elini taşın altına koyuyor” gibi söylemler fazla mesaiyi ahlaki göreve dönüştürebilir. Çalışan resmen özgürdür; ancak erken ayrıldığında takımını yarı yolda bıraktığını hisseder. Sosyolojide bu, normların davranışı doğrudan cezadan daha sessiz biçimde düzenlemesine örnektir.

Ruh sağlığına yazılan teknik borç

Uzun çalışma saatleri uyku düzenini bozabilir; kaygı, depresif belirtiler, öfke ve tükenmişlik riskini artırabilir. Üstelik bilişsel performans düştüğünde daha çok hata üretilir. Bu da yeni mesai ihtiyacı doğurarak bir geri besleme döngüsü yaratır:

Aşağıdaki küçük Python örneği, haftalık çalışma koşullarına göre basit bir risk göstergesi üretir. Bu bir tıbbi teşhis aracı değil, ekip içi değerlendirmeyi görünür kılan öğretici bir modeldir:

def crunch_riski(saat, ardisik_hafta, gece_mesaisi):
    normal_fazlasi = max(0, saat - 40)
    risk = normal_fazlasi * 0.08
    risk += ardisik_hafta * 0.6

    if gece_mesaisi:
        risk *= 1.25

    return round(min(risk, 10), 1)

print(crunch_riski(65, 5, True))  # 5.8

Kod, çalışma süresi ile crunch’ın devamlılığını ayrı değerlendirir. Çünkü tek bir yoğun hafta ile aylar süren sistematik baskı aynı değildir. Gerçek hayatta rol güvencesi, bakım sorumlulukları ve yönetici desteği gibi değişkenler de hesaba katılmalıdır.

Döngü nasıl kırılır?

Çözüm, çalışanlara yalnızca meditasyon uygulaması üyeliği vermek değildir. Kapsam küçültme, ücretli fazla mesai, telafi izni, anonim geri bildirim, psikolojik destek ve gerçekçi kilometre taşları kurumsal düzeyde uygulanmalıdır. Yöneticiler “Kim fedakârlık yapacak?” yerine “Hangi özelliği sonraki sürüme taşıyabiliriz?” diye sormalıdır.

Sendikalaşma ve çalışan dayanışması da güç dengesini değiştirebilir. Çünkü bireysel olarak “hayır” demek kariyer riski yaratırken kolektif sınırlar daha koruyucudur. İyi oyunlar tükenmiş insanlardan çıkmak zorunda değildir. Sürdürülebilir geliştirme, yalnızca etik bir tercih değil; daha az hata, daha düşük personel kaybı ve daha güçlü kurumsal hafıza sağlayan teknik bir stratejidir.

``

Robot meyveyi nasıl görür?

Sistem genellikle RGB, derinlik veya multispektral kamera kullanır. RGB kamera renk ve doku bilgisi sağlarken derinlik kamerası meyvenin robota uzaklığını ölçer. Multispektral kameralar ise insan gözünün göremediği yakın kızılötesi bantları inceleyerek meyvenin kimyasal yapısı hakkında ipuçları yakalayabilir.

İlk aşama nesne tespitidir. Görüntü içindeki elma, domates veya çilek gibi hedefler sınırlayıcı kutu ya da piksel maskesiyle belirlenir. YOLO gibi tek aşamalı modeller hızlı çalıştıkları için hareketli robotlarda sık kullanılır. Mask R-CNN gibi bölütleme modelleri ise meyvenin sınırlarını daha hassas çıkarır; ancak daha fazla hesaplama gücü ister.

Olgunluk yalnızca renk değildir

Kırmızı bir elmanın olgun olduğu düşünülebilir; fakat güneş ışığı, kamera pozlaması ve meyvenin çeşidi bu varsayımı bozabilir. Bu nedenle sistemler renk, doku, boyut ve spektral yansıma gibi birden fazla özelliği birlikte değerlendirir.

RGB yerine HSV renk uzayı kullanıldığında renk tonu, parlaklıktan kısmen ayrılır. Burada H renk tonunu, S doygunluğu, V ise parlaklığı temsil eder. Basit bir olgunluk skoru şöyle tanımlanabilir:

Bu denklemde $T$ doku özelliğini, $D$ tahmin edilen çapı, $w$ değerleri ise her özelliğin önem katsayısını gösterir. Makine öğrenmesi kullanıldığında bu ağırlıklar elle seçilmek yerine veriden öğrenilir. İkili sınıflandırmada modelin olgunluk olasılığı lojistik fonksiyonla hesaplanabilir:

Olasılık belirlenen eşiği, örneğin $0.80$ değerini aşarsa robot toplama kararı verir.

Basit bir renk analizi

Aşağıdaki Python kodu, görüntüdeki kırmızı bölgeleri HSV eşikleme ile ayırır. Bu yaklaşım tek başına endüstriyel çözüm değildir; ancak olgun domates adaylarını hızlıca belirleyen faydalı bir ön işleme adımıdır.

import cv2
import numpy as np

image = cv2.imread('domatesler.jpg')
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

# Kırmızı, HSV çemberinin iki ucunda bulunduğu için iki aralık kullanılır.
mask1 = cv2.inRange(hsv, np.array([0, 90, 70]), np.array([10, 255, 255]))
mask2 = cv2.inRange(hsv, np.array([170, 90, 70]), np.array([180, 255, 255]))
mask = cv2.bitwise_or(mask1, mask2)

# Küçük gürültüleri temizleyerek daha kararlı bölgeler oluştururuz.
kernel = np.ones((5, 5), np.uint8)
mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)

ratio = cv2.countNonZero(mask) / mask.size
print(f'Kırmızı piksel oranı: {ratio:.2%}')

Kod, kırmızı piksel oranını verir; fakat yaprak, gölge veya kırmızı bir ekipman yanlış pozitif üretebilir. Bu nedenle pratik sistemlerde sonuç, eğitilmiş bir sinir ağı ve derinlik ölçümüyle doğrulanır.

Tarladaki gerçek zorluklar

Değişken güneş ışığı, üst üste gelen meyveler, rüzgârla sallanan dallar ve kamera üzerindeki toz model başarımını düşürür. Eğitim veri kümesinde farklı saatler, hava koşulları, çeşitler ve olgunluk seviyeleri bulunmalıdır. Döndürme, parlaklık değiştirme ve yapay gölge ekleme gibi veri artırma teknikleri de modeli dayanıklı hâle getirir.

Son aşamada meyvenin 3B konumu robot koluna aktarılır. Kol, yaklaşma açısını hesaplar; kuvvet sensörüyle sıkma basıncını sınırlar ve meyveyi nazikçe koparır. Böylece nesne tanıma yalnızca “Bu bir meyve mi?” sorusunu değil, “Olgun mu, nerede ve güvenle toplanabilir mi?” sorularını da yanıtlayan bütüncül bir karar mekanizmasına dönüşür.