Kısa cevap: Fabrikada yapay zekâ en çok, bol veri üreten ve tekrar eden işlerde kazandırıyor: kameralı kalite kontrol, kestirimci bakım, enerji tüketiminin izlenmesi ve üretim planlama. BMW, makine verisini okuyan bir yapay zekâ sistemiyle yalnızca bir fabrikada yılda ortalama 500 dakika duruşu önlediğini açıklıyor. Ama veri yoksa, süreç kararsızsa, yapay zekâ da bir şey çözemez.
Her fuarda, her sunumda “yapay zekâ destekli” yazıyor. Bir fabrika sahibi için ise soru basit: Hangi problemi çözüyor, ne kadar kazandırıyor, ne gerektiriyor? Bu yazıda abartıyı bir kenara bırakıp yapay zekânın fabrikada gerçekte nerede işe yaradığına, belgelenmiş örneklerle bakıyoruz.
Bu yazıda (9 başlık)
Neden herkes yapay zekâ konuşuyor?
WEF’in Future of Jobs 2025 raporuna göre işverenlerin yüzde 86’sı yapay zekâ ve bilgi işleme teknolojilerinin 2030’a kadar işlerini dönüştüreceğini bekliyor; bu oran robotlar için yüzde 58. Yani beklenti çok yüksek. Ama beklenti ile sahadaki fayda aynı şey değil.
Fabrikada yapay zekânın işe yaradığı yerlerin ortak noktası şu: Ölçülebilir bir sorun, bol ve düzenli veri, net bir karar. Bu üçü bir aradaysa yapay zekâ gerçekten fark yaratır.
1. Kameralı kalite kontrol
Kalite kontrol, yapay zekânın fabrikadaki en olgun kullanım alanı. Kural tabanlı klasik görüntü işleme; ölçü, varlık-yokluk, konum gibi net tanımlı kontrollerde zaten çok iyi çalışır. Yapay zekâ (derin öğrenme) ise çizik, leke, doku bozukluğu gibi tarif etmesi zor hatalarda devreye girer.
Belgelenmiş örnek: BMW, AIQX (Artificial Intelligence Quality Next) adlı kendi platformunda konveyör hattı boyunca yerleştirilen kamera ve sensörlerle varyant tanıma, eksik parça kontrolü ve montaj hatalarının tespiti gibi kontrolleri otomatikleştiriyor. Dingolfing’de sistemin akustik bölümü, koltuklara takılan mikrofonlarla sürüş seslerini kaydediyor ve yapay zekâ bu sesleri sınıflandırıyor (BMW Group).
Kendi hattınızda ne zaman mantıklı? Hata tipleri çeşitliyse, elle kontrol yorucu ve tutarsızsa, ve elinizde yüzlerce iyi-kötü parça örneği toplama imkânı varsa. Ayrıntılar için endüstriyel görüntü işleme sayfamıza bakabilirsiniz.
2. Kestirimci bakım
İkinci olgun alan, makinenin arızalanmadan önce “sinyal vermesini” yakalamak. Akım, titreşim ve sıcaklık gibi veriler izlenir; yapay zekâ normalden sapmayı fark eder.
Belgelenmiş örnek: BMW, Regensburg fabrikasında montaj hattındaki konveyörleri izleyen yapay zekâ destekli bir sistem kullanıyor. Sistem enerji tüketimindeki dalgalanmaları, konveyör hareketlerindeki anormallikleri ve yeterince okunamayan barkodları arıyor. En dikkat çekici kısmı: Ek sensör ya da donanım gerektirmiyor, mevcut bileşenlerin ve konveyör kontrolünün verisini kullanıyor. BMW’ye göre bu sistem yalnızca Regensburg’daki araç montajında yılda ortalama yaklaşık 500 dakikalık aksamayı önlüyor; ana montaj hatlarının yaklaşık yüzde 80’i bu şekilde izleniyor (BMW Group basın bülteni). BMW aynı bültende her arızanın önceden tespit edilemeyeceğini de açıkça yazıyor.
Siemens’in 2024 tarihli “True Cost of Downtime” raporuna göre büyük üreticilerin yüzde 87’si kestirimci bakımı mümkün kılan veriyi topluyor ve neredeyse yarısının kestirimci bakım ekibi var (Siemens). Raporda Siemens’in kendi yazılımını kullanan müşterilerde plansız duruşlarda yüzde 50 azalma görüldüğü belirtiliyor; bu rakamın bir üreticinin kendi ürünü için verdiği sonuç olduğunu not edelim.
Daha fazlası için: kestirimci bakım ve titreşim analizi.
3. Enerji
Kompresör, fırın, chiller ve büyük motorlar fabrikanın enerji faturasını belirler. Yapay zekâ burada iki işe yarar: Tüketimdeki anormalliği (kaçak, boşta çalışma, bozulan verim) erken yakalamak ve üretim planına göre tüketimi tahmin etmek. Ama önce ölçüm gerekir; sayaç verisi olmayan bir tesiste ilk adım yapay zekâ değil, enerji izleme sistemi kurmaktır.
4. Üretim planlama ve çizelgeleme
Çok sayıda sipariş, makine, kalıp değişimi ve teslim tarihi olan tesislerde çizelgeleme bir optimizasyon problemidir. Yapay zekâ ve optimizasyon algoritmaları burada iyi sonuç verebilir, ama yalnızca ERP ve MES verisi güvenilirse. Gerçek çevrim süreleri ve duruşlar bilinmiyorsa, en akıllı algoritma da yanlış plan üretir.
Abartı nerede başlıyor?
| İddia | Gerçek |
|---|---|
| “Yapay zekâ her hatayı yakalar” | Eğitildiği hata tiplerini iyi yakalar; hiç görmediği hatada şaşırabilir |
| “Veri olmadan da çalışır” | Çalışmaz. Önce veri toplama altyapısı gerekir |
| “Kur, unut” | Model ürün, ışık ve malzeme değiştikçe yeniden eğitilmelidir |
| “Bakımcıya gerek kalmaz” | Sistem uyarı verir; parçayı yine bakımcı değiştirir |
| “Her fabrikaya uyar” | Az adetli, sık değişen üretimde fayda sınırlı olabilir |
Nereden başlamalı?
- Sorunu seçin. “Yapay zekâ kullanalım” değil, “şu hattaki hata oranını düşürelim” ya da “şu presin plansız duruşlarını azaltalım”.
- Veriyi kontrol edin. Makine, PLC ve sensör verisi toplanıyor mu? Değilse önce üretimden veri toplama.
- Basit yöntemi deneyin. Bazen bir eşik değer alarmı ya da kural tabanlı kamera kontrolü, yapay zekâya gerek bırakmadan işi çözer.
- Küçük başlayın. Tek istasyon, tek makine. Sonuç ölçüldükten sonra yaygınlaştırın.
Yapay zekânın endüstrideki temel yöntemleri için makine öğrenimi ve yapay zekâ sayfamıza, sık sorulanlar için üretim hattında yapay zekâ SSS sayfamıza bakabilirsiniz.
Sıkça Sorulan Sorular
Fabrikada yapay zekâ ne işe yarar?
En çok kameralı kalite kontrol, kestirimci bakım, enerji izleme ve üretim planlamada işe yarar. Ortak şart, düzenli veri ve net tanımlı bir sorundur.
Yapay zekâ ile kalite kontrol nasıl yapılır?
Kameralar ürün görüntüsünü alır, iyi ve hatalı parça örnekleriyle eğitilmiş bir model hatayı sınıflandırır. Hatalı parça otomatik ayrılır, görüntü kayda geçer.
Kestirimci bakım için yapay zekâ şart mı?
Değil. Titreşim, sıcaklık ve akım için eşik değer alarmları çoğu arızayı önceden haber verebilir. Yapay zekâ, çok sayıda veriyi birlikte değerlendirmek gerektiğinde fark yaratır.
Küçük fabrikada yapay zekâ kullanılır mı?
Kullanılır, ama tek bir iyi tanımlanmış problemle başlamak gerekir. Örneğin elle yapılan görsel kontrolü kameraya devretmek.
Yapay zekâ projesi için ne kadar veri gerekir?
Uygulamaya göre değişir. Görsel kontrolde her hata tipinden yeterli sayıda örnek görüntü, bakımda ise arıza öncesi ve sonrası dönemleri kapsayan makine verisi gerekir.
Eskişehir’de yapay zekâ ve görüntü işleme desteği
Yapay zekâ projesi çoğu zaman bir kamerayla ya da bir makinenin verisini toplamakla başlar. Hattınızdaki elle kontrolü kameralı sisteme devretmek veya kritik bir makinenin duruşlarını önceden görmek için mevcut durumu birlikte değerlendirip uygun yöntemi, gerekirse yapay zekâ olmadan, seçebiliriz. Bize 0533 454 52 32 numarasından ulaşabilirsiniz; mesai dışında da arayabilirsiniz.
