Üretimde Yapay Zeka — Endüstriyel AI Rehberi

Endüstriyel AI: Neden Şimdi?

Fabrika zemininde yapay zeka, 2010'ların ortasında "gelecek teknoloji" olarak tartışılırdı. 2026 itibarıyla ölçeklenmiş uygulamalar mevcut, ROI belgelenmiş, araçlar demokratikleşmiştir.

Bu dönüşümün arkasındaki dört etken:

1. Sensör maliyetleri dramatik düştü: 2015'te bir titreşim sensörü 2.000-5.000 TL'ye mal olurken bugün aynı kalitede sensör 300-800 TL aralığında. IIoT cihaz maliyetleri her yıl %10-20 düşüyor.

2. Bulut bilişim ve edge computing erişilebilir: Daha önce büyük veri merkezi gerektiren ML iş yükleri bugün bulut (Azure ML, AWS SageMaker, Google Vertex AI) veya edge cihazlarda çalıştırılabiliyor. KOBİ'ler dahi bu altyapıya erişebilir.

3. AutoML ve hazır modeller: Veri bilimci gerektirmeyen ML platformları (Azure AutoML, AWS Autopilot, Vertex AI AutoML) ve endüstriyele özel hazır modeller (NVIDIA Metropolis, Siemens Industrial Edge) başlangıç eşiğini düşürdü.

4. Baskı artıyor: Enerji maliyetleri, işgücü maliyetleri ve Avrupa tedarik zinciri kalite gereklilikleri tesisleri verimliliği zorunlu kılıyor.

Kullanım Senaryosu 1: Prediktif Bakım

Prediktif bakım, endüstriyel AI'ın en yaygın, en iyi belgelenmiş kullanım senaryosudur. Global ölçekte 10.000+ tesiste uygulanmış ve sonuçları yayımlanmıştır.

Nasıl Çalışır?

[Sensörler] → [Veri toplama] → [ML modeli] → [Anomali skoru] → [Bakım uyarısı]
   Titreşim     Edge veya          Eğitilmiş     0-100 arası    SMS/email/
   Sıcaklık     bulut              normal         risk puanı     CMMS ticket
   Akım         depolama           davranış
   Akustik                         modeli

Model "normal davranış" örüntüsünü öğrenir. Sensör değerleri bu örüntüden anlamlı ölçüde saptığında (anomali) erken uyarı verir — arıza gerçekleşmeden önce.

Hangi Sensörler Hangi Arızaları Tespit Eder?

Motor Akım İmzası Analizi (MCSA) özellikle dikkat çekicidir: mevcut motor sürücüsünün elektrik sinyalini analiz ederek ek fiziksel sensör gerektirmeden rulman ve rotor durumunu tespit edebilir. Bu, makineye fiziksel müdahale yapmadan izleme imkânı sağlar — OT güvenliği açısından da avantajlıdır.

Prediktif Bakım ROI Hesabı

Gerçek örnek — metal işleme tesisi (Kocaeli):

• Tesis: 3 adet CNC işleme merkezi, kritik aks
• Mevcut durum: Reaktif bakım — yılda 3-4 beklenmedik arıza, her biri ortalama 18 saat duruş
• Duruş maliyeti: 18 saat × 3.500 TL/saat = 63.000 TL/arıza
• Toplam yıllık arıza kaybı: 3,5 arıza × 63.000 TL = ~220.500 TL

Prediktif bakım yatırımı:

• 3 makineye titreşim sensörleri + edge analiz cihazı: 85.000 TL
• Yazılım yıllık abonelik: 24.000 TL
• Toplam yıl 1: 109.000 TL

Beklenen kazanım:

• Arıza sayısı %65 azalma: 1,2 arıza/yıl
• Kazanılan: (3,5 - 1,2) × 63.000 = 144.900 TL/yıl
• Ayrıca planlı bakım maliyetinde %20 azalma: ~30.000 TL/yıl

Geri ödeme süresi: ~8 ay

Prediktif Bakım Uygulama Yolu

Adım 1: En kritik ekipmanı seçin (arızası en pahalıya mal olan veya en sık arızalanan)

Adım 2: Sensör verisi toplayın — minimum 6 ay, tercihen normal çalışma ve bilinen arıza periyotlarını kapsayan

Adım 3: Arıza geçmişini etiketleyin (hangi tarihte hangi arıza oldu)

Adım 4: Model eğitimi — anomali detection (etiket gerektirmeyen) veya supervised classification (arıza tiplerini tahmin eden)

Adım 5: Uyarı entegrasyonu — CMMS sistemi, SMS veya bakım ekibi dashboard'u

Adım 6: Model performansını izleyin ve iyileştirin (yanlış alarm oranı kritik)

"Türkiye'deki prediktif bakım projelerinde en büyük engel sensör değil, geçmiş arıza verisidir. Çoğu tesis arıza tarihini kayıt altına almıyor — tamiri yapılıyor, devam ediliyor. Model eğitmek için bu etiketlere ihtiyaç var. İlk 6 ay sadece veri toplama ve etiketleme yapın; model daha sonra gelir ve çok daha güçlü olur."

Kullanım Senaryosu 2: AI Kalite Kontrolü (Görüntü İşleme)

Görüntü tabanlı kalite kontrolü, en hızlı büyüyen endüstriyel AI segmentidir. Üretim hatlarına yerleştirilen kameralar gerçek zamanlı hata tespiti yapar.

Teknik Altyapı

[Endüstriyel kamera] → [Aydınlatma birimi] → [Edge AI işlemci] → [Kalite kararı]
   Monokrom veya         Structured light,      NVIDIA Jetson,     PASS / FAIL +
   renkli, yüksek       backlight, ring,        Intel NUC,         hata sınıfı
   çözünürlük           coaxial                 Hailo chip

Kamera seçimi kritiktir: Yüzey hatası tespiti için monokrom yüksek kontrastlı kamera, renk sapması kontrolü için renkli kamera. Çözünürlük, tespit edilmesi gereken en küçük hatanın boyutuna göre hesaplanır.

Aydınlatma: Görüntü işlemede aydınlatma kameranın kendisi kadar kritiktir. Hatalı aydınlatma, iyi algoritmayı dahi geçersiz kılar. Yapılandırılmış ışık (structured light), arka aydınlatma (backlight), halka aydınlatma (ring light) farklı uygulama tipleri için optimize edilir.

Edge AI: Bulut yerine edge'de (kamera yanında) inference yapılması: gecikme minimuma iner (< 50ms), internet bağlantısı gerektirmez, veri gizliliği korunur.

Hangi Hataları Tespit Eder?

Doğruluk oranları:

İyi eğitilmiş bir model, uygulama tipine göre:

• Büyük yüzey hataları (>1 mm): %99,5+ doğruluk
• Orta boyut hatalar (0,3-1 mm): %96-99 doğruluk
• Mikro hatalar (0,3 mm altı): %90-96 doğruluk (kameranın çözünürlüğüne bağlı)

Kritik kısıtlama: Model yalnızca eğitildiği hata tiplerini tanır. Daha önce görülmemiş yeni bir hata tipi ortaya çıkınca ya gözden kaçar ya da yanlış sınıflandırılır. Süregelen model bakımı gereklidir.

Gerçek Uygulama Örneği

Fabrika: İzmir'de plastik enjeksiyon tesisi, otomotiv iç döşeme üreticisi

Problem: 100 çalışanın %18'i kalite kontrolde görev yapıyor. İnsan gözden kaçırma oranı %3-5.

Uygulama: Her kalıpçıktan çıkan parçayı 4 açıdan tarayan görüntü işleme sistemi. Model 12.000 etiketli görüntüyle eğitildi (8 farklı hata tipi).

Sonuç:

• Model doğruluğu: %97,3
• Çalışan sayısı: Kalite kontrolden 14 kişi üretim operatörlüğüne geçiş
• Müşteri şikayeti: %82 azalma
• Tespit süresi: insan kontrolü 15-20 saniye/parça → makine 0,8 saniye/parça altı

Kullanım Senaryosu 3: Üretim Çizelgeleme Optimizasyonu

Klasik çizelgeleme algoritmaları (Gantt, CPM) statik kısıtlarla iyi çalışır. Gerçek fabrika ortamı dinamiktir: acil siparişler, makine arızaları, malzeme gecikmesi, operatör yokluğu.

AI Çizelgeleme Nasıl Farklı?

Geleneksel yaklaşım: Planlama mühendisi sabah planı yapar → gün içinde değişiklikler olur → plan kısmen geçersiz → manuel güncelleme → akşam gerçekleşen plan ile sabahki plan arasında büyük fark.

AI tabanlı çizelgeleme:

• Gerçek zamanlı kısıt güncelleme (makine arızdaysa otomatik yeniden planlama)
• Multi-constraint optimizasyon (teslim tarihi + setup süresi + makine uygunluğu + sipariş önceliği aynı anda)
• "What-if" simülasyon (acil sipariş girerse mevcut plan nasıl etkilenir?)
• Sürekli öğrenme (geçmiş çizelgeleme kararlarından öğrenerek iyileşir)

Uygulama tipik kazanımları:

• Teslim tarihi uyumu: %5-15 iyileşme
• Setup kayıpları: %8-20 azalma (benzer ürünleri gruplandırma)
• Darboğaz kullanımı: %3-8 artış

Kullanım Senaryosu 4: Enerji Tüketimi Optimizasyonu

Fabrika enerji maliyetleri üretim maliyetinin %3-15'ini oluşturur. ML tabanlı enerji optimizasyonu bu maliyeti %5-15 düşürebilir.

Kullanım Alanları

Talep tahmini ve pik yönetimi: Fabrikalar elektrik tarifelerinde "pik saatler" ve "pik dışı saatler" arasında fiyat farkıyla karşı karşıyadır. ML ile enerji tüketimini tahmin ederek yüksek enerji gerektiren operasyonları düşük tarife dönemine kaydırmak mümkündür.

Yardımcı sistem optimizasyonu: Kompresör, pompa, fan, soğutma sistemleri fabrika enerjisinin %30-60'ını tüketir. Bu sistemler genellikle sabit hızda veya gereğinden yüksek basınçta çalışır. ML ile talep bazlı dinamik kontrol, %10-20 enerji tasarrufu sağlar.

Anormal tüketim tespiti: Bir makinenin tipik tüketimi ML modeli tarafından öğrenildiğinde, anormal tüketim anında tespit edilir. Anormal enerji tüketimi çoğunlukla mekanik bir sorunun ilk belirtisidir.

Gerçek örnek — gıda tesisi (Ankara):

• Soğutma kompresörleri sabit hızda çalışıyor
• ML modeli üretim yüküne ve dış sıcaklığa bağlı kompresör ihtiyacını tahmin etti
• Frekans invertörü ile dinamik kontrol uygulandı
• Sonuç: %14 enerji tasarrufu, yıllık 380.000 TL.

Kullanım Senaryosu 5: Dijital İkiz

Dijital ikiz, fiziksel varlığın sanal replikasıdır. Gerçek zamanlı sensör verisiyle beslenerek fiziksel sistemle eş zamanlı güncellenir.

Dijital İkiz Seviyeleri

Seviye 1 — Görselleştirme ikizi: Fiziksel sistemin 3D görsel modeli. Sensör verileri bu model üzerinde gösterilir. Operatör fabrika içindeki herhangi bir ekipmanın durumunu ofisten görebilir.

Seviye 2 — Simülasyon ikizi: Fiziksel sistemin matematiksel modeli. "Eğer şu parametreyi değiştirirsek ne olur?" sorusu fiziksel sistemde denemeden önce sanal ortamda yanıtlanır.

Seviye 3 — Prediktif ikiz: Makine öğrenmesiyle birleştirilen simülasyon modeli gelecek durumu tahmin eder. "Bu ekipman ne zaman bakıma ihtiyaç duyacak?"

Seviye 4 — Otonom ikiz: Kendi kendine optimizasyon yaparak fiziksel sisteme komut gönderir. En ileri seviye — henüz sınırlı uygulamada.

Dijital İkiz Nerede Değer Yaratıyor?

• Yeni ekipman devreye alma: Fiziksel kurulumdan önce sanal ortamda test, hata tespiti, optimizasyon
• Operatör eğitimi: Gerçek ekipmanı riske atmadan sanal ortamda eğitim
• Kapasite planlama: Yeni sipariş veya ürün karması değişikliğinin etkisini simüle et
• Uzaktan tanı: OEM mühendisi fabrikada olmadan dijital ikiz üzerinden sorun gider

Kullanım Senaryosu 6: Doğal Dil İşleme (NLP) — Yükselen Alan

Üretim belgelerinden (bakım kayıtları, kalite raporları, servis notları) değerli bilgilerin çıkarılması ve operatör soruların yanıtlanması LLM (büyük dil modelleri) ile mümkün hale gelmiştir.

Uygulamalar:

• Bakım kaydı analizi: "Son 6 ayda kompresör 5'e aynı hata neden kaydedilmiş?" sorusunu doğal dilde yanıtlama
• Operatör destek asistanı: "Bu alarm kodu ne anlama geliyor?" sorusunu makine kılavuzundan otomatik yanıtlama
• Kalite raporu analizi: Müşteri şikayet raporlarından kök neden örüntülerini otomatik çıkarma

Bu alan henüz erken aşamada olsa da 2024-2026 döneminde endüstriyel LLM uygulamaları hız kazanıyor.

AI Proje Başarı Faktörleri

Faktör 1: Veri Kalitesi

Veri hazırlığı (data preparation), tipik bir AI projesinin %60-80'ini oluşturur. Bu oranın farkında olmayan projeler "model kuralım, veri zaten var" diyerek başlar ve veri sorunlarıyla boğuşur.

Veri kalitesi değerlendirme kontrol listesi:

• Eksik değer oranı < %5 (kritik alanlar için < %1)
• Zaman serisi veri için kopukluk yok veya interpolasyon mümkün
• Etiketler doğru ve tutarlı (arıza zamanları gerçekten kayıt altında mı?)
• Veri birden fazla kaynaktan geliyor mu? Senkronizasyon sorunu var mı?

Faktör 2: Problem Tanımı Netliği

"AI ile verimlilik artıralım" bir proje tanımı değildir.

Başarılı tanım: "Hat 3'teki CNC tornalama merkezinin rulman arızasını, arızadan en az 72 saat önce %85+ doğrulukla tahmin etmek"

Bu tanım: hedef ekipman + tahmin edilmek istenen durum + önceden uyarı süresi + başarı kriteri içerir.

Faktör 3: Küçük Başlamak

Başarısız AI projelerinin ortak özelliği: kapsam fazla büyük.

Doğru yaklaşım:

1. Tek makine veya tek hat seç
2. 8-12 haftalık pilot
3. Sonucu ölç ve belgele
4. Başarı kanıtlandıktan sonra ölçekle

Bu yaklaşım hem yatırımı yönetilebilir kılar hem de organizasyonel öğrenmeyi artırır.

Faktör 4: Operasyonel Entegrasyon

Model güzel çalışıyor ama kimse kullanmıyorsa değer sıfırdır.

Entegrasyon gereklilikleri:

• Uyarılar doğru kişiye ulaşmalı (bakım ekibi, vardiya şefi)
• Uyarılar doğru formatta olmalı (SMS, email, CMMS ticket, HMI ekranı)
• Yanlış alarm oranı düşük tutulmalı (alarm yorgunluğu öldürücüdür)
• Geri bildirim döngüsü olmalı (operatör "bu alarm doğru muydu?" sorusunu sisteme bildirmeli)

Faktör 5: Yönetim Taahhüdü

AI projelerinin ilk 3-6 ayında somut sonuç gelmeyebilir — bu normaldir. Bu süreçte yönetim desteği proje devam ettirebilir veya öldürebilir.

Beklenti yönetimi: Projenin başında "ne zaman ne görürüz?" sorusunu netleştirin ve gerçekçi tarihler verin.

Türkiye'de Endüstriyel AI: Mevcut Durum

Mevcut tablo (2026):

• Otomotiv yan sanayi: En ileri segment. OEM baskısıyla kalite kontrolde görüntü işleme ve prediktif bakım projeleri var.
• Elektronik: PCB hata tespitinde AI kullanımı yaygınlaşıyor.
• Gıda-içecek: Enerji optimizasyonu ve ürün görselliği kontrolünde ilk projeler.
• Metal işleme: Prediktif bakım pilot projeleri başladı.
• Tekstil: Ağırlıklı olarak geleneksel otomasyon; AI henüz çok sınırlı.
• KOBİ'ler: Büyük çoğunluk temel dijitalleşme (MES/OEE) aşamasında.

Başlamak için minimum gereklilikler:

1. Tarihsel sensör verisi (minimum 6 ay)
2. Bir veri koordinatörü (teknik sorumlu)
3. Net problem tanımı
4. Pilot bütçe (50.000-200.000 TL, uygulamaya göre)
5. Yönetim desteği ve sabır (3-6 ay sonuç bekleme)

İlgili Rehberler

• MES Nedir? — AI için Veri Altyapısı
• OEE Nedir? — Makine Verimliliği ve AI
• Fabrika Dijitalleşmesi: Nereden Başlamalı?
• OT Güvenliği — AI Sistemlerini Koruma

Sözlük: Prediktif Bakım · Dijital İkiz · IIoT · Edge Computing · OPC-UA