Veri çokluğu yanıltıcıdır
Fabrikalar veri üretir. MES sistemleri, ERP kayıtları, SCADA logları, kalite kontrol formları, bakım raporları — hepsi her gün megabaytlarca veri üretir. Ancak verinin varlığı ile kullanılabilirliği arasında ciddi bir uçurum var.
Bir tekstil fabrikasında bakım ekibinin tuttuğu arıza kayıtlarını inceleyelim. “Motor arızası”, “motor bozuk”, “mtr. arıza”, “Motor” — bu dört kayıt aynı arıza tipini mi ifade ediyor? Belki. Belki de biri mekanik arıza, diğeri elektrik arızası.
Standart isimlendirme yoksa, hiçbir model bu veriden anlamlı örüntü çıkaramaz. Bu durum üretim sektöründe çok yaygın. “Çöp girer, çöp çıkar” kuralı (garbage in, garbage out) yapay zekâda en temel gerçektir.
Kaliteli verinin dört bileşeni
1. Tutarlılık
Aynı olayın aynı şekilde kaydedilmesi. Bir CNC tezgâhının çevrim süresi bir kaynakta saniye, diğerinde dakika, üçüncüsünde “ortalama” olarak tutuluyorsa, bu üç veriyi birleştirmek kâbus haline gelir.
Çözüm: Veri sözlüğü oluşturmak. Her değişkenin adı, birimi, kaynağı ve güncelleme sıklığı tek bir belgede tanımlanmalı.
2. Tamlık
Eksik verinin yönetilmesi. Bir kalite kontrol formunda 100 kayıttan 30’unda “sertlik değeri” boşsa, bu alan modelin dışında mı bırakılmalı, yoksa istatistiksel olarak mı doldurulmalı? Bu kararlar projenin başında, alan uzmanlarıyla birlikte verilmeli.
Eksik veri her zaman sorun değildir ama ne kadar eksik olduğu ve nedeninin bilinmesi zorunludur.
3. Güncellik
Üç yıl önceki üretim verileriyle model kurarsak, o zamandan beri değişen malzeme tedariği, yeni tezgâhlar, değişen ürün karması modelin performansını etkiler. Model, gerçekliğin geçmişteki bir fotoğrafı üzerinden tahmin yapar. Fotoğraf ne kadar eskiyse, tahmin o kadar güvenilmezdir.
4. İş bağlamıyla ilişkisi
Veri tek başına değersizdir. Değerini bağlam verir. “Makine 7 saatte 340 parça üretti” bilgisi, hedef üretim, planlanan duruş süresi, hurda adedi ve vardiya bilgisiyle birleştiğinde anlamlı hale gelir.
Etiketleme: AI projelerinin sessiz kahramanları
Görüntü işleme projelerinde en çok zaman alan iş, model kurmak değil, veri etiketlemektir. “Bu görüntüde kusur var mı? Varsa nerede? Ne tür bir kusur?” sorularına binlerce görüntü için tutarlı cevap vermek gerekir.
Pratik örnek: Bir metal işleme fabrikasında yüzey kusur tespiti projesi başlatıldı. İlk 3 hafta sadece etiketlemeye harcandı. Kalite ekibinden 2 kişi, 4 binden fazla görüntüyü tek tek işaretledi. Sonucu: Model yüzde 96 doğrulukla çalıştı. Etiketleme kalitesi düşük olsaydı, aynı model yüzde 70’te kalırdı.
Bu iş “sıkıcı” görülebilir ama modelin gücünün yüzde 80’i bu aşamada belirleniyor.
Sık yapılan hatalar
| Hata | Açıklama |
|---|---|
| “Bütün veriyi toplayalım, sonra düşünürüz.” | Amaçsız veri toplama, depolama maliyeti dışında bir şey üretmez. Önce iş sorusu, sonra veri. |
| “Excel’den alıp modele verelim.” | Manuel girişli tablolar tutarlılık açısından en riskli kaynaktır. |
| “Veri temizleme IT’nin işi.” | Neyin doğru neyin yanlış olduğunu bilmek alan uzmanlığı gerektirir. |
Veri kalitesinin maliyet etkisi
Düşük veri kalitesi organizasyonlara yılda ortalama milyonlarca dolar maliyet yaratıyor. İmalat sektöründe bu maliyet farklı şekillerde ortaya çıkar:
-
Yanlış teklif fiyatları — eksik maliyet verisi
-
Gereksiz bakım duruşları — güvenilmez sensör verisi
-
Müşteri iadeleri — kaçırılan kalite sapması
-
Planlama hataları — tutarsız stok ve üretim verisi
Veri kalitesine yapılan yatırım, genellikle görünür bir “ürün” üretmez. Ama üzerine inşa edilecek her AI projesinin temelini güçlendirir. Temeli sağlam olan projeler daha hızlı sonuç verir, daha az iterasyona ihtiyaç duyar ve daha uzun ömürlü olur.
Nereden başlanır?
-
Mümkünse tek bir sürece odaklanarak başlayın.
-
O sürece ait verilerin kaynaklarını listeleyin (ERP, SCADA, Excel, kağıt form).
-
Bir veri sözlüğü oluşturun: Değişken adı, birimi, kaynağı, güncelleme sıklığı.
-
Eksik ve tutarsız alanları tespit edin, alan uzmanıyla birlikte karar verin.
-
Temiz bir alt küme oluşturun ve ilk modeli bu alt küme üzerinde test edin.
Bu 5 adım, büyük bütçe veya sofistike altyapı gerektirmez. Gerektiren tek şey disiplin ve sürec bilgisidir.
Eğer veri kalitenizin AI projesine hazır olup olmadığını değerlendirmek istiyorsanız, 30 dakikalık ücretsiz ön görüşmemizde mevcut veri kaynaklarınızı birlikte inceleyelim.
