Üretimde Yapay Zekâ: Kullanım Alanları ve Uygulama

Üretim ve operasyon süreçlerinde yapay zekâ ne anlama gelir?

Üretim tesisleri her gün makinelerden, sensörlerden, kalite kontrol sistemlerinden, ERP ve MES uygulamalarından, bakım kayıtlarından, siparişlerden ve tedarik zincirinden büyük miktarda veri üretir. Asıl sorun çoğu zaman verinin bulunmaması değil, bu verinin operasyonel kararlara yeterince hızlı dönüştürülememesidir.

Üretimde yapay zekâ; bu veriler içerisindeki örüntüleri öğrenerek tahmin, sınıflandırma, anomali tespiti, optimizasyon veya karar desteği sağlayan sistemlerin üretim süreçlerine uygulanmasıdır. NIST'in 2026 tarihli akıllı üretim yol haritası; endüstriyel büyük veri analitiği, gelişmiş algılama, otonom sistemler, dijital ikizler, robotik, tedarik zinciri ve lojistik optimizasyonunu yapay zekânın akıllı üretimdeki önemli uygulama alanları arasında değerlendiriyor [1].

Burada önemli bir ayrım vardır: üretimde yapay zekâ yalnızca üretken yapay zekâ veya büyük dil modelleri anlamına gelmez. Bir fabrikanın kritik kullanım alanlarının önemli bölümü makine öğrenmesi, zaman serisi analizi, optimizasyon algoritmaları, bilgisayarlı görü ve anomali tespiti gibi yöntemlere dayanabilir.

Örneğin bir bakım sisteminin sensör sinyallerinden rulman arızası ihtimalini belirlemesi ile bir çalışanın bakım dokümanlarında doğal dille arama yapmasını sağlayan yapay zekâ asistanı aynı teknoloji problemi değildir. Model, veri, hata maliyeti ve doğrulama yöntemi farklıdır.

Bu nedenle doğru soru "Fabrikamızda yapay zekâyı nerede kullanabiliriz?" değil, "Hangi operasyonel problem yeterli veriyle ölçülebilir ve yapay zekâ bu problemde mevcut yöntemden daha iyi bir karar mekanizması sağlayabilir?" olmalıdır.

Yapay zekâ üretimde nasıl çalışır?

Tipik bir endüstriyel yapay zekâ sistemi dört katmanda düşünülebilir:

Veri toplama: Sensörler, PLC/SCADA sistemleri, MES, ERP, kamera sistemleri, bakım kayıtları ve diğer operasyonel kaynaklardan veri alınır.
Veri işleme: Eksik, hatalı veya farklı sistemlerde dağılmış veriler temizlenir, zaman açısından eşleştirilir ve analiz için hazırlanır.
Modelleme: Makine öğrenmesi veya diğer analitik yöntemlerle tahmin, sınıflandırma, optimizasyon ya da anomali tespiti yapılır.
Operasyonel entegrasyon: Model çıktısı dashboard, alarm, bakım sistemi, MES, ERP veya kontrol sistemine aktarılır.

En kritik aşama genellikle üçüncü değil, ikinci ve dördüncü katmandır. NIST, endüstriyel yapay zekânın yaygınlaştırılmasındaki temel güçlükler arasında endüstriyel büyük verinin karmaşıklığını, veri yönetimini, heterojen sensör ve kontrol sistemleriyle entegrasyonu ve yüksek önem taşıyan endüstriyel ortamlarda güvenilir çalışmayı saymaktadır [1].

Dolayısıyla başarılı bir üretim yapay zekâ projesi yalnızca doğru modeli eğitmekten ibaret değildir. Modelin gerçek üretim hattındaki veri akışına, operasyon prosedürlerine ve insan karar mekanizmalarına entegre edilmesi gerekir.

Üretimde yapay zekânın başlıca kullanım alanları

OECD'nin 2026 tarihli AB imalat sektörü incelemesi; kestirimci bakım, kalite güvence ve kontrolü ile tedarik zinciri optimizasyonunu olgunluğu incelenebilen temel üretim kullanım alanları arasında ele almaktadır [2]. Bunun yanında üretim planlama, enerji tahmini, proses optimizasyonu, dijital ikizler ve robotik gibi alanlarda da yapay zekâ kullanılmaktadır.

Kullanım alanı	Kullanılan veri	Yapay zekânın görevi	Örnek başarı ölçütü
Kestirimci bakım	Titreşim, sıcaklık, basınç, akım, bakım kayıtları	Arıza/anomali tahmini	Plansız duruş süresi
Görsel kalite kontrol	Kamera görüntüleri	Kusur tespiti ve sınıflandırma	Hatalı kabul/red oranı
Proses optimizasyonu	Makine ve proses parametreleri	Parametre ilişkilerini modelleme	Hurda, çevrim süresi, enerji tüketimi
Talep tahmini	Sipariş ve satış geçmişi	Gelecek talebin tahmini	Tahmin hatası
Üretim planlama	Sipariş, kapasite, termin ve stok verileri	Çizelgeleme ve optimizasyon	Termin uyumu, kapasite kullanımı
Enerji yönetimi	Sayaç ve proses verileri	Tüketim tahmini ve anomali tespiti	Birim ürün başına enerji
Tedarik zinciri	Stok, sipariş, tedarikçi ve lojistik verileri	Tahmin ve optimizasyon	Stok seviyesi, servis seviyesi
Operasyon asistanı	Prosedür, kılavuz, bakım dokümanı	Bilgi erişimi ve karar desteği	Arama süresi, doğru yanıt oranı

1. Kestirimci bakım

Geleneksel bakım yaklaşımları genellikle arıza sonrasında müdahale etmeye veya belirli zaman aralıklarında önleyici bakım gerçekleştirmeye dayanır. Kestirimci bakım ise ekipmanın mevcut durumundan hareketle olası bozulmaları daha erken tespit etmeyi amaçlar.

Makine üzerindeki titreşim, sıcaklık, basınç, elektrik akımı ve benzeri sinyaller zaman içerisinde izlenebilir. Makine öğrenmesi modelleri normal çalışma davranışını öğrenerek olağan dışı örüntüleri belirleyebilir veya yeterli geçmiş veri varsa belirli arıza türlerini tahmin etmeye çalışabilir.

OECD, yapay zekâ tabanlı kestirimci bakım sistemlerinin sensör verilerinden anomalileri tespit etmek, arızaları teşhis etmek ve bileşen bozulmasını tahmin etmek amacıyla kullanılabildiğini belirtmektedir [2].

Ancak kestirimci bakım her makine için uygun değildir. Arızanın çok seyrek gerçekleştiği, arıza kayıtlarının bulunmadığı veya sensör verisinin güvenilir olmadığı bir ekipmanda karmaşık bir model geliştirmek yerine geleneksel bakım yöntemleri daha ekonomik olabilir.

2. Yapay zekâ ile kalite kontrol

Bilgisayarlı görü, üretimde yapay zekânın en somut kullanım alanlarından biridir.

Kamera sistemlerinden alınan görüntüler kullanılarak yüzey kusurları, eksik parçalar, montaj hataları, geometrik bozukluklar veya diğer görsel anomaliler tespit edilebilir. OECD'nin incelemesi, yapay zekâ tabanlı kalite sistemlerinin otomatik görsel inceleme, kusur sınıflandırma ve lokalizasyonu ile proses parametrelerinin optimizasyonunda kullanılabildiğini aktarmaktadır [2].

Burada yalnızca model doğruluğuna bakmak yeterli değildir.

Örneğin kritik bir parçadaki kusurlu ürünün "sağlam" olarak sınıflandırılması ile sağlam ürünün "kusurlu" olarak sınıflandırılmasının işletme açısından maliyetleri aynı olmayabilir. Bu nedenle precision, recall veya genel accuracy gibi teknik metriklerin yanında false negative ve false positive maliyetleri de değerlendirilmelidir.

3. Proses optimizasyonu

Üretim süreçlerinde sıcaklık, basınç, hız, hammadde özellikleri, ortam koşulları ve makine ayarları gibi çok sayıda değişken nihai kaliteyi etkileyebilir.

Makine öğrenmesi bu değişkenler arasındaki karmaşık ilişkileri modelleyerek operatöre karar desteği sağlayabilir. Amaç doğrudan makine kontrolünü yapay zekâya bırakmak zorunda değildir. İlk aşamada sistem yalnızca "mevcut koşullarda şu parametre aralığının incelenmesi gerekiyor" şeklinde öneri üretebilir.

Bu yaklaşım özellikle güvenlik açısından kritik proseslerde önemlidir. Yapay zekânın öneri üretmesi ile kapalı çevrim biçimde fiziksel sistemi kontrol etmesi aynı risk seviyesinde değildir.

4. Üretim planlama ve çizelgeleme

Bir fabrikanın hangi siparişi hangi makinede, hangi sırayla ve hangi kaynaklarla üreteceğini belirlemek karmaşık bir optimizasyon problemidir.

Sipariş öncelikleri, termin tarihleri, makine kapasiteleri, kalıp değişimleri, vardiyalar, bakım duruşları, malzeme bulunabilirliği ve enerji maliyetleri aynı anda dikkate alınabilir.

Yapay zekâ ve optimizasyon yöntemleri farklı üretim senaryolarını değerlendirerek planlamacılara alternatif çizelgeler sunabilir. Burada her problemi makine öğrenmesiyle çözmeye çalışmak doğru değildir. Bazı çizelgeleme problemlerinde matematiksel optimizasyon veya operasyon araştırması yöntemleri daha uygun olabilir.

5. Talep, stok ve tedarik zinciri optimizasyonu

Talep tahminleri doğrudan üretim planını ve stok seviyelerini etkiler.

Yapay zekâ sistemleri geçmiş talep, siparişler, stok hareketleri ve operasyonel değişkenleri kullanarak tahmin modelleri oluşturabilir. OECD, üretimde yapay zekânın talep tahmini, stok yönetimi, satın alma ve lojistik kararlarında kullanılabildiğini belirtmektedir [2].

Ancak tahmin modeli kararın kendisi değildir. Model "gelecek dönemde ne kadar talep olabilir?" sorusunu cevaplayabilir; güvenlik stoğu veya üretim miktarı gibi kararlar servis seviyesi, maliyet ve kapasite politikalarıyla birlikte değerlendirilmelidir.

6. Dijital ikizler

Dijital ikiz, fiziksel bir sistemin verilerle güncellenen dijital temsilidir.

Makine öğrenmesi modelleri dijital ikizlerle birleştirildiğinde farklı üretim koşulları fiziksel hatta uygulanmadan önce simüle edilebilir. NIST'in 2026 yol haritası dijital ikizleri akıllı üretimde yapay zekânın önemli gelişim alanlarından biri olarak ele almaktadır [1].

Bununla birlikte dijital ikiz oluşturmak başlı başına değer üretmez. Modelin hangi kararı iyileştireceği ve fiziksel sistemle ne sıklıkla senkronize edilmesi gerektiği önceden tanımlanmalıdır.

7. Üretken yapay zekâ ve operasyon asistanları

Büyük dil modelleri üretim hattındaki sensör analizinin yerine geçmekten çok, bilgiye erişim ve insan-makine etkileşimi katmanında yararlı olabilir.

Örneğin çalışanlar:

bakım prosedürlerinde doğal dille arama yapabilir,
arıza kayıtlarını özetletebilir,
teknik dokümanlardan ilgili prosedürü bulabilir,
vardiya notlarını yapılandırabilir,
operasyon raporlarının ilk taslağını oluşturabilir.

Ancak üretken yapay zekâ sistemleri yanlış veya kaynağı olmayan bilgiler üretebildiğinden kritik bakım, güvenlik veya proses kararlarında model çıktısının doğrulanmadan uygulanması uygun değildir. NIST'in Generative AI Profile dokümanı üretken yapay zekâya özgü risklerin yaşam döngüsü boyunca tanımlanması, ölçülmesi ve yönetilmesine yönelik bir çerçeve sunmaktadır [3].

Yapay zekâ üretimde ne kazandırabilir?

Yapay zekânın işletmeye sağlayabileceği değer kullanım alanına göre değişir. Potansiyel kazanımlar arasında şunlar bulunabilir:

plansız duruşların azaltılması,
kalite problemlerinin daha erken belirlenmesi,
hurda ve yeniden işleme miktarının azaltılması,
planlama kararlarının iyileştirilmesi,
operasyonel anomalilerin daha hızlı tespit edilmesi,
enerji ve kaynak kullanımının daha iyi izlenmesi,
çalışanların bilgiye erişiminin hızlandırılması.

Ancak bunların hiçbiri yapay zekânın otomatik sonucu değildir.

Bir model teknik olarak başarılı olduğu halde işletmeye değer sağlamayabilir. Örneğin bir arızayı birkaç dakika önce tahmin etmek bakım ekibine müdahale süresi bırakmıyorsa modelin yüksek doğruluğu operasyon açısından sınırlı değer taşıyabilir.

Bu nedenle iş metriği model metriğinden önce tanımlanmalıdır.

Üretimde yapay zekâ için gerekli veri altyapısı

Yapay zekâ projesinin kalitesini büyük ölçüde veri altyapısı belirler.

Bir kestirimci bakım sistemi için yalnızca sensör verisi değil, arızanın ne zaman gerçekleştiğini ve hangi bileşenin değiştirildiğini gösteren bakım kayıtları da gerekebilir. Kalite modeli için görüntüler kadar ürünün gerçekten hatalı olup olmadığını gösteren güvenilir etiketler gerekir.

Başlangıçta şu sorular cevaplanmalıdır:

Veri hangi sistemlerde tutuluyor?
Ölçüm sıklığı yeterli mi?
Sensörler kalibre edilmiş mi?
Zaman damgaları sistemler arasında eşleşiyor mu?
Arıza ve bakım kayıtları standart biçimde tutuluyor mu?
Kalite kayıtları üretim parametreleriyle ilişkilendirilebiliyor mu?
Veri kaybı veya sensör değişimi takip ediliyor mu?
Model eğitimi için yeterli geçmiş veri var mı?

"Çok veri" ile "kullanılabilir veri" aynı şey değildir.

Teknik mimari nasıl kurulmalı?

Endüstriyel yapay zekâ mimarisi kullanım alanına bağlı olmakla birlikte genel olarak şu bileşenleri içerebilir:

Bazı sistemlerde düşük gecikme veya bağlantı kısıtları nedeniyle modelin bulut yerine üretim sahasına yakın bir edge cihazında çalıştırılması gerekebilir.

Kritik nokta, model geliştirme ortamıyla üretim ortamının ayrılması ve model versiyonlarının izlenebilmesidir. Model güncellendiğinde hangi veriyle eğitildiği, hangi performans testlerinden geçtiği ve hangi tarihte devreye alındığı kayıt altında tutulmalıdır.

İnsan denetimi neden önemlidir?

Üretimde yapay zekânın amacı her durumda insanı süreçten çıkarmak değildir.

Avrupa Komisyonunun Industry 5.0 yaklaşımı, endüstriyel dönüşümün yalnızca verimlilik ve üretkenlik üzerinden değerlendirilmemesi; insan merkezlilik, sürdürülebilirlik ve dayanıklılığın da dikkate alınması gerektiğini vurgulamaktadır [4].

Pratikte üç farklı otomasyon seviyesi düşünülebilir:

Karar desteği: Yapay zekâ öneri üretir, insan karar verir.

Kontrollü otomasyon: Sistem belirli koşullarda işlem yapabilir ancak operatör müdahale edebilir.

Yüksek otomasyon: Model çıktısı fiziksel veya dijital süreci doğrudan etkiler.

Hata maliyeti yükseldikçe doğrulama, güvenlik mekanizmaları ve insan denetiminin önemi de artar.

Riskler ve sınırlamalar

Üretimde yapay zekâ uygulamalarının temel risklerinden bazıları şunlardır:

Veri dağılımının değişmesi

Makine, hammadde, sensör, proses veya çevre koşulları değiştiğinde modelin öğrendiği veri dağılımı da değişebilir. İlk kurulum sırasında iyi çalışan bir model zaman içerisinde performans kaybedebilir.

Yanlış alarm

Çok fazla yanlış alarm üreten kestirimci bakım sistemi operatörlerin uyarıları dikkate almamasına neden olabilir.

Kritik hataların kaçırılması

Özellikle kalite ve güvenlik uygulamalarında modelin kritik bir problemi tespit edememesi ciddi sonuçlara yol açabilir.

Eski sistemlerle entegrasyon

NIST, heterojen algılama ve kontrol sistemleriyle entegrasyonu akıllı üretimde yapay zekânın önemli teknik zorluklarından biri olarak tanımlamaktadır [1].

Siber güvenlik

Model, veri toplama altyapısı ve üretim sistemleri arasındaki yeni bağlantılar saldırı yüzeyini genişletebilir. Bu nedenle yapay zekâ projesi OT ve IT güvenliğinden bağımsız değerlendirilmemelidir.

Açıklanabilirlik

Operatörün nedenini anlayamadığı bir uyarıya güvenmesi zor olabilir. Özellikle yüksek maliyetli veya güvenlik açısından kritik kararlar için model çıktısının hangi sinyallere dayandığını gösterebilen mekanizmalar gerekebilir.

Veri güvenliği ve gizlilik

Üretim verileri kişisel veri içermese bile ticari açıdan hassas olabilir.

Üretim kapasitesi, reçeteler, proses parametreleri, ürün tasarımları, arıza kayıtları ve tedarikçi bilgileri şirketin operasyonel bilgi birikiminin parçasıdır.

Bu nedenle özellikle dışarıdan sağlanan bulut veya üretken yapay zekâ servislerinde şu sorular değerlendirilmelidir:

Veriler hangi ülkede ve altyapıda işleniyor?
Sağlayıcı girdileri model eğitimi için kullanıyor mu?
Veri saklama politikası nedir?
Yetkilendirme nasıl yapılıyor?
Log kayıtlarında hassas bilgiler bulunuyor mu?
Üçüncü taraf entegrasyonlarının hangi verilere erişimi var?
Kişisel veri işleniyorsa ilgili veri koruma yükümlülükleri karşılanıyor mu?

Teknik performans değerlendirmesi ile veri güvenliği değerlendirmesi ayrı yürütülmemelidir.

AB Yapay Zekâ Tüzüğü üretim sistemlerini etkiler mi?

Evet, kullanım senaryosuna bağlı olarak etkileyebilir.

AB Yapay Zekâ Tüzüğü risk temelli bir yaklaşım benimser. Avrupa Komisyonunun güncel açıklamasına göre belirli ürünlerin güvenlik bileşeni olarak kullanılan yapay zekâ sistemleri veya ilgili ürünün kendisini oluşturan yapay zekâ sistemleri belirli koşullarda yüksek riskli kabul edilebilir [5]. Komisyon ayrıca yüksek riskli sistemlerde risk yönetimi, veri kalitesi, dokümantasyon, izlenebilirlik, insan denetimi, doğruluk, siber güvenlik ve dayanıklılık gibi gereklilikler öngörüldüğünü belirtmektedir [5].

Bununla birlikte mevzuatın uygulama takvimi 2026'da değişmiştir. Avrupa Komisyonunun güncel uygulama çerçevesine göre Annex III kapsamındaki yüksek riskli sistemlere ilişkin kurallar 2 Aralık 2027'den, düzenlemeye tabi ürünlere gömülü yüksek riskli yapay zekâ sistemlerine ilişkin kurallar ise 2 Ağustos 2028'den itibaren uygulanacaktır [6].

Ayrıca 2026 yılında kabul edilen Digital Omnibus on AI düzenlemesi, yapay zekâ destekli makineler bakımından AI Act ile Machinery Regulation arasındaki düzenleyici ilişkiyi değiştirmiştir [7]. Bu nedenle AB pazarına ürün sunan üreticilerin kullanım senaryosunu güncel mevzuat ve ilgili sektörel ürün güvenliği düzenlemeleri üzerinden ayrıca değerlendirmesi gerekir.

Bu bölüm hukuki danışmanlık yerine genel bir çerçeve olarak değerlendirilmelidir.

Yapay zekâ yönetişimi nasıl kurulmalı?

Tek tek modeller geliştirmek yerine kurumsal bir yönetim mekanizması oluşturmak ölçek büyüdükçe önem kazanır.

ISO/IEC 42001:2023, yapay zekâ kullanan veya sağlayan kuruluşlar için yapay zekâ yönetim sistemi kurulmasına ilişkin gereksinimleri tanımlar [8]. ISO/IEC 23894:2023 ise yapay zekâya özgü risklerin kuruluşların mevcut risk yönetimi faaliyetlerine entegre edilmesine yönelik rehberlik sağlar [9].

Pratikte her yapay zekâ sistemi için en azından şu kayıtların tutulması yararlı olabilir:

sistem sahibi,
iş amacı,
kullanılan veri kaynakları,
model ve versiyon,
performans kriterleri,
hata senaryoları,
insan denetimi,
erişim yetkileri,
güvenlik kontrolleri,
yeniden eğitim koşulları,
devreden çıkarma kriterleri.

Üretimde yapay zekâ projesi nasıl başlatılır?

1. Teknolojiden değil problemden başlayın

"LLM kullanalım" veya "kameralara yapay zekâ ekleyelim" şeklindeki yaklaşım yerine ölçülebilir operasyonel problem tanımlanmalıdır.

Örneğin:

Kritik CNC tezgâhındaki plansız duruşları daha erken tespit edebilir miyiz?

Bu soru veri, başarı metriği ve operasyonel sonucu tanımlamayı kolaylaştırır.

2. Mevcut performansı ölçün

Yapay zekâ öncesindeki baseline belirlenmeden iyileşme ölçülemez.

Örneğin kestirimci bakım için:

plansız duruş süresi,
arıza sıklığı,
bakım maliyeti,
yanlış bakım müdahaleleri,
ortalama müdahale süresi

gibi metrikler kullanılabilir.

3. Veri fizibilitesi yapın

İş problemi değerli olsa bile gerekli veri bulunmuyorsa proje henüz yapay zekâ projesi olmaya hazır değildir.

Bu durumda ilk proje "model geliştirmek" değil, veri toplama altyapısını kurmak olabilir.

4. Dar kapsamlı pilot seçin

İlk aşamada tüm fabrikanın optimize edilmesi yerine tek makine grubu, tek kalite problemi veya tek üretim hattı seçilebilir.

Bu yaklaşım veri problemlerini ve entegrasyon maliyetlerini daha erken görünür hale getirir.

5. Teknik ve operasyonel metrikleri ayırın

Örneğin kalite kontrolünde:

Teknik metrikler: precision, recall, false negative, false positive.

Operasyonel metrikler: hurda, yeniden işleme, kontrol süresi, müşteri kalite problemi.

Model ancak operasyonel metriği anlamlı biçimde etkiliyorsa işletme açısından değerlidir.

6. İnsan denetimini tasarlayın

Şu sorular açık olmalıdır:

Model alarm verdiğinde kim inceleyecek?
Operatör modeli geçersiz kılabilir mi?
Kritik karar için ikinci kontrol gerekiyor mu?
Model çalışmadığında süreç nasıl devam edecek?

7. Pilot sonrası ölçekleme kararı verin

Pilot başarılı olduğunda doğrudan tüm tesise yayılmak yerine ölçekleme maliyeti hesaplanmalıdır.

Her makine için yeni sensör, kamera, edge cihazı, lisans veya veri entegrasyonu gerekiyorsa toplam sahip olma maliyeti pilot maliyetinden çok farklı olabilir.

Temsili senaryo: kestirimci bakım pilotu

Aşağıdaki senaryo yöntemi göstermek amacıyla oluşturulmuş temsili bir örnektir; gerçek bir şirket veya proje değildir.

Bir üretim tesisinde belirli motor gruplarındaki plansız duruşların üretim planını bozduğu düşünelim.

İlk aşamada bakım kayıtları incelenir. Arızaların hangi ekipmanlarda yoğunlaştığı belirlenir. Ardından bu makinelerde mevcut titreşim, sıcaklık ve elektrik akımı verilerinin yeterli olup olmadığı kontrol edilir.

Pilot için sınırlı sayıda ekipman seçilir.

Model doğrudan makineyi durdurmaz. İlk aşamada bakım ekibine anomali uyarısı üretir.

Her alarm için:

model skoru,
sensör değerleri,
bakım ekibinin değerlendirmesi,
gerçekten arıza oluşup oluşmadığı

kaydedilir.

Pilot sonunda yalnızca model doğruluğu değil, alarmın bakım ekibine kullanılabilir bir müdahale süresi sağlayıp sağlamadığı ve gereksiz müdahale üretip üretmediği incelenir.

Bu sonuçlar yeterli değilse proje ölçeklenmez. Veri kalitesi iyileştirilir, sensör altyapısı değiştirilir veya kullanım alanı tamamen bırakılabilir.

Bu yaklaşım, yapay zekâ projesini teknoloji gösterisinden operasyonel deneye dönüştürür.

Başarı nasıl ölçülmeli?

Başarı üç seviyede değerlendirilmelidir.

Model performansı

Precision
Recall
F1
Tahmin hatası
False positive / false negative
Gecikme süresi

Operasyon performansı

Plansız duruş
Hurda
Yeniden işleme
Çevrim süresi
Enerji tüketimi
Termin performansı
Stok seviyesi

Ekonomik performans

Basit bir değerlendirme şu mantıkla yapılabilir:

Net ekonomik etki = sağlanan operasyonel fayda − toplam sahip olma maliyeti

Toplam sahip olma maliyetine yalnızca model geliştirme değil; sensör, kamera, altyapı, veri mühendisliği, entegrasyon, lisans, izleme, bakım ve personel zamanı da dahil edilmelidir.

Sık yapılan hatalar

Üretimde yapay zekâ projelerinin önemli bir bölümü algoritmadan önce proje tasarımında sorun yaşar.

Yaygın hatalar şunlardır:

iş problemi tanımlanmadan teknoloji seçmek,
veri kalitesini kontrol etmeden model geliştirmek,
yalnızca accuracy metriğine bakmak,
pilotu gerçek üretim ortamından kopuk yürütmek,
operatörleri sürece dahil etmemek,
model performansını zaman içerisinde izlememek,
entegrasyon maliyetini hesaba katmamak,
yapay zekâyı mevcut basit otomasyonların yerine gereksiz yere kullanmak,
kritik kararları yeterli kontrol olmadan otomatikleştirmek.

Yapay zekâ hangi durumlarda kullanılmamalı?

Her operasyon problemi yapay zekâ problemi değildir.

Aşağıdaki durumlarda önce alternatif yöntemler değerlendirilmelidir:

Basit bir kural yeterliyorsa: Sabit eşik veya deterministik algoritma problemi güvenilir biçimde çözüyorsa makine öğrenmesi gereksiz olabilir.

Veri yoksa: Ölçülmeyen bir süreci modellemek mümkün değildir.

Hata maliyeti kabul edilemez ve güvenli kontrol mekanizması yoksa: Model çıktısının doğrudan uygulanması riskli olabilir.

Problem çok seyrek gerçekleşiyorsa: Yeterli örnek bulunmayabilir.

İş değeri düşükse: Teknik olarak yapılabilir olması yatırım yapılması gerektiği anlamına gelmez.

Süreç sürekli değişiyorsa: Modelin öğrendiği örüntüler kısa sürede geçersiz hale gelebilir.

Üretimde yapay zekâ için karar kontrol listesi

Bir projeyi başlatmadan önce aşağıdaki soruların cevaplanması yararlıdır:

Sonuç

Üretimde yapay zekâ, tek başına bir otomasyon teknolojisi değil; veriden tahmin, optimizasyon ve karar desteği üretmek için kullanılabilecek yöntemler bütünüdür.

Kestirimci bakım, kalite kontrol, proses optimizasyonu, üretim planlama, tedarik zinciri ve operasyonel bilgi erişimi gibi alanlarda anlamlı kullanım senaryoları bulunur. Ancak başarılı uygulamanın temel koşulu en gelişmiş modeli seçmek değildir.

Önce ölçülebilir bir operasyon problemi belirlenmeli, mevcut performans kaydedilmeli, veri yeterliliği doğrulanmalı ve sınırlı kapsamlı bir pilot yürütülmelidir. Model performansı teknik metriklerin yanında gerçek operasyon sonuçlarıyla değerlendirilmelidir.

Özellikle fiziksel üretim sistemlerini etkileyen uygulamalarda insan denetimi, siber güvenlik, veri yönetişimi, model izleme ve mevzuat gereksinimleri proje mimarisinin başından itibaren ele alınmalıdır.

Temel karar kriteri basittir: Yapay zekâ kullanmak mümkün olduğu için değil, ölçülebilir bir operasyon problemini mevcut alternatiflerden daha güvenilir ve ekonomik biçimde çözebildiği durumda kullanılmalıdır.

Sık Sorulan Sorular

Üretimde yapay zekâ en çok nerelerde kullanılır?

Kestirimci bakım, görsel kalite kontrol, proses optimizasyonu, talep tahmini, üretim planlama, tedarik zinciri optimizasyonu, enerji yönetimi ve operasyonel bilgiye erişim başlıca kullanım alanlarıdır.

Kestirimci bakım için hangi veriler gerekir?

Kullanım alanına göre titreşim, sıcaklık, basınç, akım ve çalışma süresi gibi sensör verilerinin yanında geçmiş arıza ve bakım kayıtları gerekebilir. Kritik nokta yalnızca veri miktarı değil, arıza olaylarıyla sensör verilerinin güvenilir biçimde ilişkilendirilebilmesidir.

Yapay zekâ ile kalite kontrol nasıl yapılır?

Kamera görüntülerinden eğitilen bilgisayarlı görü modelleri ürünlerdeki kusurları tespit veya sınıflandırabilir. Sistem tasarlanırken özellikle kusurlu ürünün yanlışlıkla sağlam kabul edilmesi gibi hata türlerinin operasyonel maliyeti değerlendirilmelidir.

Üretimde yapay zekâ kullanmak için büyük veri gerekli mi?

Her zaman değil. Gerekli veri miktarı probleme ve kullanılan yönteme bağlıdır. Ancak verinin yeterli miktarda olmasının yanında doğru, tutarlı ve temsil edici olması gerekir.

Küçük üretim şirketleri yapay zekâ kullanabilir mi?

Evet. Şirket büyüklüğünden çok kullanım alanının ekonomik değeri, veri bulunabilirliği ve uygulama maliyeti önemlidir. Dar kapsamlı ve ölçülebilir bir pilot, büyük ölçekli dönüşüm programından daha uygun bir başlangıç olabilir.

Yapay zekâ üretim çalışanlarının yerini alır mı?

Bazı görevler otomatikleşebilir; ancak üretim yapay zekâsının önemli kullanım alanlarından biri çalışanlara tahmin, uyarı ve karar desteği sağlamaktır. Otomasyon seviyesi kullanım alanının riskine ve süreç tasarımına göre belirlenmelidir.

Üretimde ChatGPT benzeri üretken yapay zekâ sistemleri kullanılabilir mi?

Teknik dokümanlarda arama, bakım kayıtlarının özetlenmesi, prosedürlere erişim ve raporlama gibi bilgi yoğun görevlerde kullanılabilir. Ancak kritik bakım veya güvenlik kararlarında doğrulanmamış model çıktısının doğrudan uygulanması uygun değildir.

Bir üretim yapay zekâ pilotu ne zaman başarısız sayılmalıdır?

Model belirlenen teknik performansı karşılamıyorsa, operasyonel metriği iyileştirmiyorsa, yanlış alarm maliyeti yüksekse, güvenilir veri sağlanamıyorsa veya ölçekleme maliyeti beklenen faydayı aşıyorsa pilotun yeniden tasarlanması ya da durdurulması değerlendirilmelidir.

Kaynaklar

[1] National Institute of Standards and Technology (NIST) — 2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing. 3 Temmuz 2026; güncelleme 6 Temmuz 2026.
URL: https://www.nist.gov/publications/2026-roadmap-artificial-intelligence-and-machine-learning-smart-manufacturing
Erişim tarihi: 28 Eylül 2026.
Desteklediği iddialar: Akıllı üretimde yapay zekânın kullanım alanları; endüstriyel veri yönetimi, heterojen sistem entegrasyonu ve güvenilirlik sorunları; dijital ikiz, robotik ve tedarik zinciri uygulamaları.

[2] OECD — AI in manufacturing: Progress in Implementing the European Union Coordinated Plan on Artificial Intelligence (Volume 2). 2026.
URL: https://www.oecd.org/en/publications/progress-in-implementing-the-european-union-coordinated-plan-on-artificial-intelligence-volume-2_3ac96d41-en/full-report/ai-in-manufacturing_5df4a60d.html
Erişim tarihi: 28 Eylül 2026.
Desteklediği iddialar: Kestirimci bakım, kalite kontrol, tedarik zinciri optimizasyonu, talep tahmini, proses optimizasyonu ve üretimde yapay zekânın kullanım biçimleri.

[3] National Institute of Standards and Technology (NIST) — Autio, C. ve diğerleri, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1). 26 Temmuz 2024; güncelleme 8 Nisan 2026.
URL: https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence
Erişim tarihi: 28 Eylül 2026.
Desteklediği iddialar: Üretken yapay zekâ sistemlerinin yaşam döngüsü boyunca risklerinin belirlenmesi, ölçülmesi ve yönetilmesi.

[4] European Commission, Directorate-General for Research and Innovation — Industry 5.0. Güncel Avrupa Komisyonu politika sayfası; temel Industry 5.0 raporu 5 Ocak 2021.
URL: https://research-and-innovation.ec.europa.eu/research-area/industrial-research-and-innovation/industry-50_en
Erişim tarihi: 28 Eylül 2026.
Desteklediği iddialar: Endüstriyel dönüşümde insan merkezlilik, sürdürülebilirlik ve dayanıklılık ilkeleri; yapay zekâ ve dijital teknolojilerin çalışanları destekleyen biçimde konumlandırılması.

[5] European Commission — Shaping Europe’s Digital Future — Navigating the AI Act. Güncel rehber sayfası.
URL: https://digital-strategy.ec.europa.eu/en/faqs/navigating-ai-act
Erişim tarihi: 28 Eylül 2026.
Desteklediği iddialar: AI Act yüksek risk sınıflandırması, ürünlerin güvenlik bileşeni olan yapay zekâ sistemleri ve yüksek riskli sistemlerde risk yönetimi, veri, dokümantasyon, insan denetimi, doğruluk, siber güvenlik ve dayanıklılık gereklilikleri.

[6] European Commission — Shaping Europe’s Digital Future — The enforcement framework of the AI Act. Güncel uygulama takvimi.
URL: https://digital-strategy.ec.europa.eu/en/policies/enforcement-ai-act
Erişim tarihi: 28 Eylül 2026.
Desteklediği iddialar: AI Act hükümlerinin güncel kademeli uygulama takvimi; Annex III yüksek riskli sistemler için 2 Aralık 2027 ve düzenlemeye tabi ürünlere gömülü yüksek riskli sistemler için 2 Ağustos 2028 uygulama tarihleri.

[7] European Union / EUR-Lex — Regulation (EU) 2026/1744 … amending Regulations (EU) 2024/1689, (EU) 2018/1139 and (EU) 2023/1230 as regards the simplification of the implementation of harmonised rules on artificial intelligence (Digital Omnibus on AI). 8 Temmuz 2026.
URL: https://eur-lex.europa.eu/legal-content/ENG/TXT/PDF/?uri=OJ:L_202601744
Erişim tarihi: 28 Eylül 2026.
Desteklediği iddialar: Yapay zekâ destekli makineler bakımından AI Act ile Machinery Regulation arasındaki 2026 tarihli düzenleyici değişiklikler.

[8] International Organization for Standardization (ISO) — ISO/IEC 42001:2023 — Information technology — Artificial intelligence — Management system. Aralık 2023.
URL: https://www.iso.org/standard/42001
Erişim tarihi: 28 Eylül 2026.
Desteklediği iddialar: Kuruluşlarda yapay zekâ yönetim sisteminin kurulması, uygulanması, sürdürülmesi ve sürekli iyileştirilmesine yönelik yönetim sistemi yaklaşımı.

[9] International Organization for Standardization (ISO) — ISO/IEC 23894:2023 — Information technology — Artificial intelligence — Guidance on risk management. Şubat 2023.
URL: https://www.iso.org/standard/77304.html
Erişim tarihi: 28 Eylül 2026.
Desteklediği iddialar: Yapay zekâya özgü risklerin kuruluşların risk yönetimi süreçlerine entegre edilmesine yönelik rehberlik.