Yapay zekâ tanımı neden bu kadar bulanık?
Yapay zekâ kavramını duymamış insan kalmadı. Ancak çoğu zaman tanımı yapan kişi bile ne kastettigini tam bilmiyor. Bunun sebebi basit: “yapay zekâ” tek bir teknoloji değil, bir şemsiye kavram. Altında makine öğrenimi var, derin öğrenme var, doğal dil işleme var, bilgisayarlı görü var. Her birinin farklı güçlü ve zayıf tarafları, farklı uygulama alanları var.
İmalat sektöründe bu kafa karışıklığı özellikle pahalıya mal oluyor. Bir fabrika müdürü “bize AI lazım” dediğinde, hangi sorunu çözmek istediğini, hangi veriyle başlayacağını ve sonuçta neyi ölçeceğini bilmiyorsa, proje başlamadan başarısız olmuş demektir.
İstatistiksel bir tahmin makinesi — ne eksik, ne fazla
En yalın haliyle yapay zekâ, veriden örüntü çıkaran ve bu örüntülere dayanarak tahmin yapan bir sistemdir. Bir örnek üzerinden somutlaştıralım:
Bir CNC tezgâhında son 18 ayda 40 bin parça işlenmiş. Bu parçaların yüzde 3’ü hurdaya çıkmış. Eğer her parçanın işlenme esnasındaki tezgâh sıcaklığı, ilerleme hızı, takım yaşı, malzeme sertliği ve operatör bilgisi kaydedilmişse, bir makine öğrenimi modeli bu değişkenlerin hurda ile ilişkisini bulabilir.
Sonra yeni bir parça işlenirken, “bu kombinasyonla hurda olasılığı yüzde 12” diyebilir. Burada olan şey mucize değil. Geçmiş veriden istatistiksel bir ilişki çıkarılıyor. Modelin gücü, verinin temizliğine ve doğru değişkenlerin seçilmesine bağlı.
AI ne yapmaz?
Bu kısım önemli, çünkü beklenti yönetimi projeler için teknik yetenekler kadar kritik.
-
Sıfırdan bilgi üretmez. Eğitim verisi yoksa veya yetersizse, model tahmin yapamaz. 50 satırlık bir veri setiyle üretim optimizasyonu yapmayı beklemek, bir sayfalık özgeçmişle birini tanıdığını iddia etmeye benzer.
-
Neden–sonuç ilişkisi kurmaz. Makine öğrenimi korelasyon bulur, kozalite değil. “Nem arttığında hurda artmış” der ama “nem neden hurdaya sebep olur” sorusunu yanıtlamaz. Bu yorumu yapacak olan üretim mühendisidir.
-
Tek başına karar almaz (almamalı). Karar destek sistemi ile otonom karar verme sistemi arasında büyük fark var. Endüstriyel ortamda ikincisine geçmek için uzun bir olgunluk yolculuğu gerekir.
-
Organizasyonel sorunları çözmez. Eğer üretim planlama departmanı ile satış departmanı birbirleriyle konuşmuyorsa, araya bir AI modeli koymak sorunu çözmez. Veri akışını düzeltmeden model kurmak, temeli çürük bir binaya kat çıkmaya benzer.
Fabrikada yapay zekâ ne iş yapar?
İmalat tarafında AI’ın gerçekten değer ürettiği alanları somut örneklerle açmak gerekir:
Kalite kontrol
Görüntü işleme modelleri, üretim hattından geçen parçaları milisaniyeler içinde tarar. İnsan gözünün kaçırdığı yüzey çizikleri, renk tonlama farkları, geometri sapmaları otomatik tespit edilir. Bir otomotiv yan sanayi firmasında bu sistemin uygulanması, müşteri iade oranını yüzde 40 düşürüyor. Bu somut bir ROI.
Teklif ve maliyet hesabı
Talaşlı imalatta bir parçanın teklif fiyatını hesaplamak, deneyimli bir mühendis için bile saatler alır. 3D CAD dosyasından geometrik özellikleri çıkaran, malzeme ve işleme parametrelerini analiz eden bir AI sistemi bu süreci dakikalara indirir. Kolektif360’ın MQ_V3 platformu tam da bunu yapar: STEP/IGES dosyasından otomatik teklif üretir ve tüm veri fabrika içinde kalır.
Bakım tahmini
Titreşim sensörü verilerinden rulman arızasını 7–14 gün önceden tahmin eden bir model, planlı bakım yerine koşula dayalı bakıma geçişi mümkün kılar. Sonuç: Planlanmamış duruşlar azalır, bakım maliyetleri düşer.
Sürec optimizasyonu
Enjeksiyon kalıplama hattında, basınç, sıcaklık ve soğutma süresi parametrelerini optimize eden bir model, hurda oranını yüzde 2’den yüzde 0.8’e düşürebilir. Yeterince veri varsa bu tahmin modeli haftalar içinde kurulabilir.
Sık yapılan hatalar
| Hata | Sonuç |
|---|---|
| “Veri zaten var, hemen başlayalım.” | Fabrikaların çoğundaki veri analiz için değil kayıt için tutulmuştur. “Verimiz var” demekle “verimiz hazır” demek arasında çoğu zaman aylar var. |
| “AI’ı IT projesi olarak yürütelim.” | En başarısız AI projeleri, saha ekibiyle iletişim kurulmadan başlatılanlardır. Model doğru bile olsa, kullanıcı benimsemezse sahada ölü doğar. |
| “Bir proje her şeyi çözsün.” | AI projeleri küçük, ölçülebilir adımlarla yürür. Her şeyi kapsama çabası, hiçbirini düzgün yapmamak demektir. |
ROI bakış açısı
Yapay zekâ yatırımının geri dönüşü sektöre, projeye ve veri olgunluğuna göre değişir. Ancak imalat sektöründeki somut örneklerde ortalama 8–12 aylık amortisman süresi görülüyor.
Kritik olan, projeye başlamadan önce başarı kriterini tanımlamaktır. “Hurda oranını yüzde 30 azaltmak” ölçülebilir bir hedef. “Üretimi iyileştirmek” değil.
Sonraki adım
Yapay zekânın ne olduğunu ve ne olmadığını anlamak, doğru projeyi doğru şekilde başlatmanın ön koşuludur. Bu temeli oturtmadan atılan her adım risk taşır.
Eğer “bizim verimizle ne yapılabilir” sorusuna somut cevap arıyorsanız, 30 dakikalık ücretsiz ön görüşmede mevcut süreçlerinizi birlikte değerlendirebiliriz.
