İçeriğe geç

Sektör Vakası: Üretim Hattı Görsel Kalite Kontrolü

Üretim hattındaki ürünlerin görsel kalite kontrolü. Defekt tespiti, anomali yakalama, OK/NG sınıflandırması.

Şükrü Yusuf KAYA
11 dakikalık okuma
İleri

Vaka: Üretim Vision QC

Senaryo: Türk otomotiv parça üreticisi. Ürün defekt oranı %2.3 — manuel QC yetersiz. Hedef: %0.5 + maliyet ↓
text
# QC Prompt
 
Sen bir otomotiv parça kalite kontrol uzmanısın. Verilen parça görselini değerlendir.
 
Defekt türleri:
- crack: çatlak
- dent: ezik
- discoloration: renk bozukluğu
- missing_component: eksik bileşen
- alignment: hizalama sorunu
 
Çıktı (JSON):
{
  "verdict": "OK | NG | UNCERTAIN",
  "confidence": 0-1,
  "defects": [
    {"type": "...", "location": "...", "severity": "minor|major|critical"}
  ],
  "notes": "..."
}
 
UNCERTAIN ise insan inceler. Confidence < 0.85 → UNCERTAIN.
Üretim QC prompt
Hibrit yaklaşım: Vision LLM + klasik CV (OpenCV defect detection). LLM nüansı yakalar, klasik CV hızlı/ucuz. Birinci LLM = SCREEN, ikincisi VERIFY.
Production not: Vision LLM gerçek-zamanlı (saniyede 100+ parça) için bazen yavaş. On-prem fine-tuned vision model + bulut LLM second opinion = denenmiş kombinasyon.

Yorumlar & Soru-Cevap

(0)
Yorum yazmak için giriş yap.
Yorumlar yükleniyor...

İlgili İçerikler

1. Temeller — Yapay Zekâ ve LLM'lere Giriş

Bu Eğitim Hakkında ve Verimli Çalışma Yöntemi

Öğrenmeye Başla
1. Temeller — Yapay Zekâ ve LLM'lere Giriş

Yapay Zekâ → Üretken AI → LLM: Bağlamsal Harita

Öğrenmeye Başla
1. Temeller — Yapay Zekâ ve LLM'lere Giriş

LLM'ler Aslında Nasıl Düşünür? (Token, Embedding, Attention)

Öğrenmeye Başla

Bağlantılı Pillar Konular

Bu yazının bağlandığı pillar konular

Pillar Konusu

Sektör Bazlı AI Kullanım Senaryoları

AI kullanım senaryoları; bankacılıktan sağlığa, perakendeden kamuya kadar her sektörde yapay zekanın yarattığı somut iş değerini, başarı ölçütlerini ve referans mimari kararlarını derleyen pratik bir karar kılavuzudur.