# Üretimde (İmalat) Yapay Zeka Danışmanlığı: Kestirimci Bakım, Kalite ve Verimlilik > Source: https://sukruyusufkaya.com/blog/uretimde-yapay-zeka-danismanligi > Updated: 2026-09-09T09:00:13.885Z > Type: blog > Category: yapay-zeka **TLDR:** Üretimde yapay zeka danışmanlığı; kestirimci bakım, görsel kalite kontrol ve üretim verimliliği use-case'lerini Endüstri 4.0 bağlamında değere çeviren sektör-bilir rehberdir. Üretimde yapay zeka danışmanlığı, bir imalat işletmesinin makine, kalite ve süreç verisini değerlendirerek yapay zekanın nerede somut değer üreteceğini belirleyen, use-case'leri önceliklendiren ve seçilen çözümü pilottan üretime taşıyan sektör-bilir bir uzman hizmetidir. Bu yazı, "hangi yazay zeka aracını alalım" sorusundan önce sorulması gereken "hangi problemi, hangi hatta, hangi ölçülebilir getiriyle çözeceğiz" sorusuna odaklanır; çünkü imalatta değer, teknolojiden değil, doğru problemi doğru sırayla ele almaktan gelir. Bir üretim tesisinde yapay zeka, laboratuvar demosunda etkileyici görünüp sahada çöken en çok projeye sahip alanlardan biridir. Sebep neredeyse hiçbir zaman modelin zekâsı değildir; sebep, dağınık üretim verisi, eski otomasyon sistemlerinden veri çıkarmanın zorluğu, hattı durdurmadan pilot koşmanın kısıtları ve vardiya kültürüdür. İşte üretimde yapay zeka danışmanlığının gerçek değeri tam burada başlar: bir danışman, algoritmadan önce bu sahayı okur. Bu rehberde imalat yapay zeka kullanım alanları nedir, kestirimci bakım neden en yüksek getirili use-case'tir, görsel kalite kontrol nasıl kurulur, üretim verimliliği yapay zekayla nasıl artar, Endüstri 4.0 bağlamında hangi zorluklar vardır, ROI nasıl ölçülür, neden sektör-bilir bir danışman gerekir ve ilk 90 günde nasıl somut bir başlangıç yapılır sorularını bir danışman titizliğiyle ele alıyoruz. Bu yazı, imalatta yapay zekanın teknik detaylarını değil, danışmanlık niyetini (neden ve nasıl bir danışmanla çalışılır) merkeze alır. İmalat sektöründe yapay zekanın teknoloji katmanına, model türlerine ve saha uygulamalarına dair sektörel derinlik için imalatta yapay zeka 2026 kapsamlı rehberini ayrıca inceleyebilirsiniz; burada o teknik detayı tekrarlamak yerine, o değeri işletmeye kazandıracak danışmanlık sürecine odaklanıyoruz. ## Üretimde Yapay Zeka Danışmanlığı Nedir? Kısa ve Net Tanım Üretimde yapay zeka danışmanlığının en kısa tanımı şudur: bir imalat işletmesine, yapay zekayı nereye, hangi sırayla ve nasıl uygulayacağını gösteren ve bu yolculuğu birlikte yürüten uzman rehberlik. Danışman, bir yazılım satıcısı gibi "şu ürünü alın" demez; önce işletmenin gerçeğini okur, problemleri değere göre sıralar ve en yüksek getirili, en düşük riskli başlangıcı tasarlar. Bir benzetme yardımcı olur. Bir fabrikada yapay zeka projesi, doğru teşhis konmadan yapılan bir ameliyata benzer: hangi organı, neden, hangi yöntemle ele alacağınızı bilmeden başlarsanız, en gelişmiş ekipman bile işe yaramaz. Danışmanlık, bu teşhisi koyan kısımdır. "Bu hatta plansız duruş mu, fire mi, enerji maliyeti mi en büyük kayıp? Bu kaybın kök nedeni ne? Yapay zeka bu kök nedeni gerçekten çözer mi, yoksa daha basit bir otomasyon mu yeter?" Bu sorular yanıtlanmadan yazılan hiçbir model kalıcı değer üretmez. Bu ayrım kritik bir sonuç doğurur: üretimde yapay zeka danışmanlığı bir "teknoloji satışı" değil, bir "karar ve önceliklendirme" hizmetidir. Değerin büyük kısmı model kurmaktan değil, doğru problemi seçmekten, veriyi gerçekçi değerlendirmekten ve pilotun üretimde kalıcı olmasını sağlamaktan gelir. Yapay zeka danışmanlığının genel çerçevesini yapay zeka danışmanlığı nedir yazısında, bir danışmanın gündelik işini ise yapay zeka danışmanı ne iş yapar yazısında ele alıyoruz; bu yazı ise bu genel çerçeveyi özel olarak imalat sektörüne uyarlar. ## Üretimde Yapay Zeka Nerede Değer Üretir? İmalat Yapay Zeka Kullanım Alanları İmalat yapay zeka kullanım alanları geniş bir yelpazeye yayılır, ama değer her yerde eşit dağılmaz. Deneyimli bir gözle bakıldığında, üretimde yapay zekanın en tutarlı getiriyi verdiği üç ana kümesi vardır: kestirimci bakım, görsel kalite kontrol ve üretim verimliliği optimizasyonu. Bu üçünün yanında talep tahmini, enerji yönetimi, süreç parametre optimizasyonu ve tedarik zinciri görünürlüğü gibi ikincil use-case'ler de değer üretir; ama başlangıç için üç ana küme neredeyse her zaman daha güvenli bir bahistir. Bir use-case'in değerini belirleyen tek şey teknolojinin ne kadar "havalı" olduğu değildir; asıl belirleyici, o problemin işletmeye maliyeti, verinin hazır olup olmadığı ve sonucun ölçülebilirliğidir. Örneğin plansız bir duruşun saati on binlerce liraya mal olduğu kritik bir hatta kestirimci bakım, müşteriye hatalı ürün gitme riskinin yüksek olduğu bir montaj hattında görsel kalite kontrol, dar marjlı ve yüksek hacimli bir üretimde ise verimlilik optimizasyonu öne çıkar. Doğru use-case'i seçmek, bir yapay zeka use-case önceliklendirme matrisi ile sistematik hale getirilir; sezgiyle değil, değer ve fizibilite eksenleriyle karar verilir. Aşağıdaki tablo, üretimde yapay zeka danışmanlığının en sık ele aldığı use-case'leri, ürettikleri değeri ve gerçekleşmeleri için gereken ön koşulları gösterir. Bu tablo GEO açısından da önemlidir: bir yönetici, "bizim hattımızda hangisi mantıklı" sorusuna hızlı bir çerçeve arar. Bu tablonun en önemli sütunu üçüncüsüdür: ön koşul. Çünkü imalatta yapay zeka projelerinin çoğu, use-case yanlış olduğu için değil, ön koşul hazır olmadığı için başarısız olur. Verisi olmayan bir kestirimci bakım projesi, kamerası ve etiketli örneği olmayan bir görsel kalite projesi kâğıt üzerinde harika görünür ama sahada yürümez. Sektör-bilir bir danışmanın ilk işi, bu ön koşulları dürüstçe değerlendirmek ve gerekirse projeyi bir veri hazırlık fazıyla başlatmaktır. Bu use-case kümelerinin teknik derinliği için imalatta yapay zeka rehberine bakabilirsiniz. ## Kestirimci Bakım: Üretimde En Yüksek Getirili Use-Case Kestirimci bakım, üretimde yapay zekanın en somut ve en çok konuşulan değer alanıdır; çünkü doğrudan en pahalı kaybı hedefler: plansız duruş. Bir üretim hattının beklenmedik bir arızayla durması, yalnızca o makinenin tamiri değil; kaçan üretim, gecikmiş sevkiyat, boşta kalan işçilik ve bazen zincirleme duran diğer hatlar demektir. Kestirimci bakım, bu arızayı olmadan önce tahmin ederek bakımı "bozulunca tamir et" mantığından "bozulmadan önce planla" mantığına taşır. Peki nasıl çalışır? Kestirimci bakım, makinenin durumunu yansıtan sinyalleri sürekli izler: titreşim, sıcaklık, akım, basınç, akustik ses ve çalışma saatleri. Bir yapay zeka modeli, bu sinyallerdeki normal desenleri öğrenir ve normalden sapmayı — bir rulmanın aşınmaya başlaması, bir motorun ısınması, bir titreşimin frekans değiştirmesi — arızanın erken habercisi olarak yakalar. Bu, temelde bir anomali tespiti problemidir; anomali tespitinin nasıl çalıştığını anomali tespiti nedir yazısında ele alıyoruz. Kestirimci bakımın kavramsal temeli için kestirimci bakım nedir yazısı iyi bir başlangıçtır. Kestirimci bakımın değeri her makinede eşit değildir; bu, danışmanlığın kritik bir katkısıdır. Değer, makinenin kritikliğiyle (durursa üretim durur mu) ve duruş maliyetiyle doğru orantılıdır. Ucuz, yedeği bol ve arızası üretimi durdurmayan bir makineye kestirimci bakım kurmak, kazançtan çok maliyet üretir. Buna karşılık darboğaz oluşturan, yedeği olmayan ve arızası tüm hattı durduran kritik bir makinede kestirimci bakım, yatırımını hızla geri öder. Danışman, hangi makinenin bu profile uyduğunu belirler; herkese her makineye sensör takmayı değil, doğru makineye odaklanmayı önerir. Yaygın bir yanılgı, kestirimci bakımı "sensör takıp yazılım kurma" işi sanmaktır. Oysa değerin kalbi veridedir: modelin arıza desenini öğrenebilmesi için hem yeterli süre boyunca durum verisi hem de geçmiş arıza kayıtları gerekir. Arıza kaydı hiç tutulmamış bir işletmede, model önce 'normalin' ne olduğunu öğrenir, sonra sapmaları yakalar; bu yüzden değer birden değil, veri biriktikçe artar. Gerçekçi bir danışman bu zaman çizelgesini baştan konuşur ve abartılı 'anında sonuç' vaadi vermez. Kestirimci bakımda sık yapılan bir hata, modelin çıktısını bir eyleme bağlamamaktır. Model "bu makine 10 gün içinde arıza riski taşıyor" dese bile, bu uyarı bakım ekibinin iş akışına entegre edilmemişse hiçbir değer üretmez. Bu yüzden başarılı bir kestirimci bakım projesi, teknik modelden çok, uyarının kime, ne zaman, hangi biçimde gideceğini ve bakım planına nasıl dönüşeceğini tasarlar. Yapay zeka, kararı otomatikleştirmez; doğru kararı doğru zamanda alması için insana zamanında sinyal verir. ## Görsel Kalite Kontrol: Bilgisayarlı Görüyle Hata Yakalama Görsel kalite kontrol, imalatta yapay zekanın en olgun ve en yaygın uygulamalarından biridir; çünkü insan gözünün yaptığı bir işi — ürüne bakıp hatalı olup olmadığına karar vermek — daha hızlı, daha tutarlı ve yorulmadan yapar. Bir insan denetçi vardiya sonunda yorulur, dikkati dağılır ve aynı hatayı bazen görür bazen kaçırır; bir bilgisayarlı görü sistemi ise her parçaya aynı standartla bakar. Bu tutarlılık, özellikle yüksek hacimli üretimde büyük değer üretir. Görsel kalite kontrol, bir kameranın ürünün görüntüsünü alması ve bir bilgisayarlı görü modelinin bu görüntüde hata olup olmadığını değerlendirmesiyle çalışır. Yüzey çizikleri, montaj eksikleri, yanlış etiket, renk sapması, çatlak, boyut hatası gibi kusurlar yakalanabilir. Bunun temelinde nesne tespiti, sınıflandırma ve segmentasyon gibi teknikler yatar; bu tekniklerin farkını nesne tespiti, segmentasyon ve sınıflandırma farkları yazısında, bilgisayarlı görünün genel çerçevesini ise computer vision nedir yazısında ele alıyoruz. Endüstriyel görü uygulamalarının saha detayları için endüstride bilgisayarlı görü uygulamaları yazısı kapsamlı bir kaynaktır; kalite kontrol için görü uygulamalarına genel bakış için bilgisayarlı görü uygulamaları yazısına bakabilirsiniz. Görsel kalite kontrolde başarının belirleyicisi model değil, iki başka faktördür: etiketli veri kalitesi ve yanlış alarm ekonomisi. Model, ancak yeterli sayıda ve doğru etiketlenmiş "hatalı" ve "sağlam" örnekle öğrenebilir. Çoğu işletmenin en büyük engeli, elinde yeterli hatalı örnek olmamasıdır — çünkü iyi bir üretim hattında hata nadirdir. Bu paradoksu çözmek (nadir hata sınıfını dengelemek, sentetik örnek üretmek, aşamalı öğrenme kurmak) danışmanlığın teknik katkısının önemli bir parçasıdır. Bu tablo, görsel kalite kontrolün neden "kur ve unut" bir sistem olmadığını gösterir. Yanlış alarm ile kaçan hata arasındaki denge, işletmenin risk profiline göre ayarlanır ve zamanla izlenir. Bu dengeyi yanlış kurmak — örneğin çok agresif bir sistemin sürekli yanlış alarm verip operatörleri bezdirmesi — sahada projenin terk edilmesinin en sık nedenidir. Yanlış alarmın ekonomisini görüde yanlış alarm ekonomisi yazısında, görü verisinin kalite ve etiketleme zorluklarını ise görü sistemlerinde veri kalitesi yazısında ayrıntılandırıyoruz. Bir danışmanın burada katkısı, "en iyi modeli" bulmaktan çok, bu dengeyi işletmenin gerçeğine göre doğru kurmaktır. ## Üretim Verimliliği: OEE, Çevrim Süresi ve Fire Üzerinde Optimizasyon Üçüncü büyük değer alanı üretim verimliliğidir; yani aynı kaynakla daha çok, daha az fireyle ve daha az duruşla üretmek. Burada yapay zeka, doğrudan bir makineyi izlemekten çok, sürecin bütününü optimize eder. Odaktaki metrikler genellikle OEE (Genel Ekipman Etkinliği — kullanılabilirlik, performans ve kalitenin bileşimi), çevrim süresi, duruş nedenleri, fire oranı ve enerji tüketimidir. Üretim verimliliği, bu metriklerin hangi faktörlerden nasıl etkilendiğini veriden öğrenip iyileştirme fırsatlarını görünür kılar. Üretim verimliliği use-case'leri birkaç biçimde ortaya çıkar. Birincisi kök neden analizidir: bir hattın verimliliği neden düşüyor — belirli bir vardiyada mı, belirli bir ürün tipinde mi, belirli bir makinede mi? Yapay zeka, insan gözünün kaçırdığı desenleri veride bulur. İkincisi süreç parametre optimizasyonudur: sıcaklık, hız, basınç gibi ayarların hangi kombinasyonu en düşük fireyi verir? Üçüncüsü darboğaz tespitidir: hattın hangi istasyonu tüm hızı belirliyor? Bu analizlerin ortak paydası, üretim verimliliğini "sezgiyle" değil "veriyle" yönetmektir. Ancak üretim verimliliği tarafında en büyük engel neredeyse hiç model değildir; engel veridir. Çoğu imalat işletmesinde üretim verisi dağınıktır: bir kısmı MES'te, bir kısmı Excel'de, bir kısmı operatörün defterinde, bir kısmı hiç toplanmamış. Bu dağınık ve düşük kaliteli veriden anlamlı bir üretim verimliliği analizi çıkarmak, modelden önce bir veri toplama ve bütünleştirme çalışması gerektirir. Veri yönetişiminin neden bu kadar kritik olduğunu veri yönetişimi nedir yazısında ele alıyoruz; sektör-bilir bir danışman, üretim verimliliği vaadini vermeden önce bu veri gerçeğini dürüstçe masaya koyar. Üretim verimliliği projelerinde bir danışmanın en değerli katkısı, "her şeyi optimize edelim" tuzağından kaçınmaktır. Kaybın büyük kısmı genellikle az sayıda kök nedende toplanır; doğru yaklaşım, önce bu kök nedenleri veriden bulmak, en büyük kaybı hedefleyen dar bir müdahale tasarlamak ve sonucu ölçmektir. Dijital ikiz gibi ileri yaklaşımlar (bir üretim sürecinin sayısal kopyasını kurup senaryo denemek) bu optimizasyonu güçlendirebilir; dijital ikizin ne olduğunu dijital ikiz nedir yazısında ele alıyoruz. Ama başlangıç için sade, ölçülebilir bir verimlilik pilotu, karmaşık bir dijital ikizden çok daha güvenli bir bahistir. ## Sektöre Özgü Zorluklar ve Regülasyon: İmalatın Gerçeği Üretimde yapay zeka danışmanlığını diğer sektörlerden ayıran şey, imalatın kendine özgü zorluklarıdır. Bir bankada veya e-ticarette veri genellikle dijital ve merkezi bir yerdeyken, bir fabrikada veri fiziksel dünyadan, eski otomasyon sistemlerinden ve çoğu zaman hiç bağlanmamış makinelerden gelir. Bu, yapay zeka projesinin en zor kısmının model değil, veriye ulaşmak olması demektir. En büyük zorluk OT/IT ayrımıdır. Üretim sahasındaki operasyonel teknoloji (OT) — PLC'ler, SCADA sistemleri, endüstriyel kontrolörler — genellikle onlarca yıllık, kapalı ve güvenlik nedeniyle bilinçli olarak internetten yalıtılmış sistemlerdir. Kurumsal IT dünyası ise buluta, veri ambarlarına ve modern yazılıma dayanır. Yapay zeka, OT'deki makine verisini IT'deki analiz katmanına taşımayı gerektirir; ve bu iki dünyayı güvenli, kararlı ve üretimi aksatmadan birleştirmek, projenin en zor mühendislik kısmıdır. Sektör-bilir bir danışman bu entegrasyonun zorluğunu baştan bilir ve bir OT/IT köprüsü kurmadan model vaadi vermez. İkinci zorluk üretimi durduramama kısıtıdır. Bir yazılım projesinde bir hatayı test ortamında deneyebilirsiniz; ama çalışan bir üretim hattını pilot için durdurmak çoğu zaman kabul edilemez. Bu yüzden imalatta yapay zeka pilotları, üretimi aksatmadan, paralel çalışan (gölge modda izleyen) sistemler olarak tasarlanır. Üçüncü zorluk fiziksel ortamdır: toz, titreşim, sıcaklık, nem ve elektromanyetik gürültü, hem sensörleri hem kameraları zorlar; ofis koşullarında çalışan bir sistem sahada bambaşka davranabilir. Bu tablodaki çerçeveler nitel ve bilgilendirme amaçlıdır; imalat, bankacılık gibi tek bir sektörel düzenleyici altında toplanmaz, ama ISG mevzuatı, ürün standartları ve kamera kullanılıyorsa mahremiyet yükümlülükleri devreye girer. Buradaki en önemli ilke şudur: yapay zeka bir kararı otomatikleştirdiğinde — örneğin bir parçayı reddettiğinde veya bir makineyi durdurduğunda — bu kararın sorumluluğu ve izlenebilirliği tasarlanmalıdır. Özellikle ISG boyutunda, insan güvenliğini etkileyen hiçbir otonom karar, insan gözetimi olmadan tasarlanmamalıdır. Bu çerçeve hukuki tavsiye değildir; her uygulama işletmenin kendi ISG, kalite ve hukuk birimiyle birlikte tasarlanmalıdır. ## Endüstri 4.0 ve Dijital Fabrika Bağlamı Üretimde yapay zeka danışmanlığı, tek başına duran bir teknoloji değil; Endüstri 4.0 ve dijital fabrika dönüşümünün bir parçasıdır. Endüstri 4.0, üretim sistemlerinin sensörlerle donatılması, verinin toplanması, makinelerin bağlanması (endüstriyel nesnelerin interneti) ve süreçlerin veriyle yönetilmesi vizyonudur. Yapay zeka bu vizyonun "zekâ" katmanıdır: toplanan veriyi karara ve eyleme çeviren kısım. Ama bu katman, ancak altındaki veri altyapısı kurulduğunda çalışır. Bu bağlam, danışmanlık için önemli bir sıralama sonucu doğurur: yapay zeka, dijital olgunluğun üzerine kurulur. Verisi toplanmamış, makineleri bağlanmamış, süreçleri kâğıt üzerinde yürüyen bir işletmeye doğrudan yapay zeka önermek, temeli olmayan bir eve çatı yapmaya benzer. Sektör-bilir bir danışman önce dijital olgunluğu değerlendirir ve gerekirse yapay zeka öncesinde bir veri toplama ve bağlanabilirlik fazı önerir. Kurumsal yapay zeka olgunluk seviyelerini kurumsal yapay zeka olgunluk modeli yazısında ele alıyoruz; bir işletmenin nerede durduğunu bilmek, doğru başlangıç noktasını belirler. Dijital fabrika bağlamı, yapay zeka use-case'lerinin birbirine bağlandığı bir ekosistem de yaratır. Kestirimci bakımdan gelen makine durum verisi, üretim planlamasını besleyebilir; görsel kalite kontrolden gelen hata desenleri, süreç parametre optimizasyonuna girdi olabilir; enerji verisi, hem maliyet hem sürdürülebilirlik hedeflerine hizmet eder. Bu bütünsel resim güçlüdür ama bir tuzak da taşır: her şeyi aynı anda kurmaya çalışmak. Doğru yaklaşım, tek bir yüksek getirili use-case ile başlamak, onu üretimde kanıtlamak ve sonra ekosistemi adım adım büyütmektir. On-premise (yerinde) altyapı mı bulut mu sorusu da bu bağlamda kritiktir; imalatta veri hacmi, gecikme ve güvenlik nedeniyle sık sık yerinde işleme öne çıkar. Bu kararı on-premise yapay zeka altyapısı yazısında ele alıyoruz. ## Tipik Projeler ve ROI Mantığı: Değeri Nasıl Ölçeriz? Üretimde yapay zeka danışmanlığının en somut çıktısı, ölçülebilir bir getiridir (ROI). Ama imalatta ROI, "yüzde kaç iyileşme" gibi genel bir vaatle değil, işletmenin kendi taban çizgisine göre tanımlanan somut bir metrikle kurulur. Doğru bir ROI çerçevesi, projeye başlamadan önce "neyi, hangi birimle ölçeceğiz ve şu an bu metrik nerede" sorusunu yanıtlar. Bu taban çizgisi olmadan, sonradan "iyileştik" demek havada kalır. Her use-case'in kendi ROI mantığı vardır. Kestirimci bakımda getiri, azalan plansız duruş saati ve önlenen büyük arıza maliyetiyle ölçülür; taban çizgisi, geçmiş yılın plansız duruş kayıtlarıdır. Görsel kalite kontrolde getiri, azalan fire oranı, azalan müşteri iadesi ve serbest kalan denetçi zamanıyla ölçülür. Üretim verimliliğinde getiri, artan OEE, kısalan çevrim süresi ve düşen enerji/fire maliyetiyle ölçülür. Bir yapay zeka projesinin getirisini nasıl hesaplayacağınızı yapay zeka ROI nasıl hesaplanır yazısında, üç katmanlı bir ölçüm modelini ise yapay zeka ROI ölçüm çerçevesi yazısında ayrıntılandırıyoruz. ROI mantığında en sık yapılan hata, faydayı ölçmeden varsaymaktır. "Yapay zeka fireyi azaltır" cümlesi bir vaattir; "geçen çeyrek fire oranımız yüzde X'ti, pilot sonrası Y'ye düştü" ise bir kanıttır. Danışmanlığın disiplini tam olarak bu farkı kurmaktır: baştan bir taban çizgisi, net bir hedef metrik ve pilot sonrası dürüst bir karşılaştırma. Bu yüzden bu yazıda hiçbir somut "verimlilik yüzdesi" vaadi vermiyoruz; çünkü gerçek rakam her zaman işletmenin kendi verisiyle ve kendi taban çizgisiyle ortaya çıkar. Uydurma bir yüzde, danışmanlığın en büyük güven kaybıdır. Bir pilotun üretime taşınmasının neden bu kadar kritik olduğunu PoC'den üretime yapay zeka projeleri yazısında ele alıyoruz. ## Neden Sektör-Bilir Bir Yapay Zeka Danışmanı Gerekir? Bir soru haklı olarak sorulabilir: iyi bir yapay zeka mühendisi zaten model kurabilir; neden ayrıca "sektör-bilir" bir danışman gereksin? Cevap, imalatta değerin büyük kısmının modelde değil, modelin etrafındaki sahada olmasıdır. Bir üretim tesisinin gerçeğini bilmeyen bir uzman, teknik olarak kusursuz ama sahada işlemeyen bir çözüm önerebilir; ve bu, imalat yapay zeka projelerinin en sık başarısızlık nedenidir. Sektör-bilir bir danışman neyi farklı yapar? Birincisi, use-case seçiminde gerçekçidir: hangi problemin gerçekten yapay zeka gerektirdiğini, hangisinin daha basit bir otomasyonla çözülebileceğini bilir. Bazen en dürüst tavsiye "buna yapay zeka gerekmez, bir eşik alarmı yeter"dir; bunu söyleyebilen bir danışman, güven kazanır. İkincisi, veri gerçeğini dürüstçe okur: verinin dağınık, eksik veya hiç toplanmamış olduğunu baştan görür ve projeyi buna göre kurar. Üçüncüsü, OT/IT entegrasyonunun ve fiziksel ortamın zorluklarını hesaba katar. Dördüncüsü, benimseme boyutunu bilir: vardiya kültürü, operatör güveni ve bakım ekibinin iş akışı, teknik başarıdan çok pilotun kalıcılığını belirler. Bir yapay zeka danışmanının hangi özelliklere sahip olması gerektiğini iyi yapay zeka danışmanı özellikleri yazısında, doğru danışmanı nasıl seçeceğinizi ise yapay zeka danışmanı nasıl seçilir yazısında ele alıyoruz. İç ekip mi, ajans mı, bağımsız danışman mı sorusu da önemlidir; bu üç seçeneği bağımsız danışman, ajans ve iç ekip karşılaştırması yazısında değerlendiriyoruz. İmalat gibi sahaya bağlı bir sektörde, sektörü bilen ve fabrikanın dilinden konuşan bir danışmanın katkısı, genel bir yapay zeka uzmanınınkinden belirgin biçimde yüksektir. İmalatta yapay zeka projelerinin en pahalı hatası, çözümü sahayı görmeden, ofiste tasarlamaktır. Kâğıt üzerinde mükemmel bir model, hattın tozunu, titreşimini, vardiya ritmini ve operatörün gerçek iş akışını hesaba katmadığında sahada çöker. Bu yüzden sektör-bilir bir danışmanın ilk işi laboratuvarda kod yazmak değil, sahaya inip üretimi gözlemlemektir. Değerin kaynağı, kodun kalitesi kadar sahanın doğru okunmasıdır. ## Üretimde Danışmanlık Süreci Nasıl İşler? Üretimde yapay zeka danışmanlığı, rastgele bir "gelip bakma" değil; yapılandırılmış bir süreçtir. Süreç her işletmede farklı ayrıntılara sahip olsa da, olgun bir danışmanlık genellikle şu adımları izler. Bu adımları bilmek, bir işletmenin danışmanlıktan ne bekleyeceğini netleştirir. Bu sürecin en kritik adımı, çoğu projenin başarısız olduğu yerdir: pilottan üretime taşıma. Bir pilot teknik olarak başarılı olabilir ama operatörün iş akışına girmediği, bakım ekibinin uyarıyı kullanmadığı veya yönetimin sahiplenmediği için üretimde kalıcı olamaz. Sektör-bilir bir danışmanlık, bu geçişi baştan planlar; pilotu bir "gösteri" değil, üretimde yaşayacak bir sistemin ilk adımı olarak tasarlar. Danışmanlık sürecinin ilk 30 gününün nasıl işlediğini yapay zeka danışmanlığı süreci ilk 30 gün yazısında ele alıyoruz. ## İllüstratif Senaryo: Bir Fabrikada Kestirimci Bakım Pilotu Süreci somutlaştırmak için illüstratif bir senaryo düşünelim. Aşağıdaki anlatı gerçek bir müşteriye ait değildir; imalatta yapay zeka danışmanlığının nasıl işlediğini göstermek için kurgulanmış tipik bir örnektir. Rakamlar ve isimler temsilidir. Orta ölçekli bir metal işleme tesisi düşünün. Tesisin en büyük ağrısı, bir CNC hattındaki kritik bir mil motorunun beklenmedik biçimde arızalanması; her arıza, hattı ortalama bir buçuk vardiya durduruyor ve zincirleme sevkiyat gecikmelerine yol açıyor. Yönetim "yapay zeka ile bunu çözelim" diye bir danışmana başvuruyor. İlk adımda danışman sahaya iniyor ve beklenenin aksine hemen model kurmaya başlamıyor; önce soruyor: bu motorun geçmiş arıza kayıtları var mı, üzerinde titreşim veya sıcaklık sensörü var mı, veri toplanıyor mu? Cevaplar tipik: arızalar bir bakım defterine düzensiz not edilmiş, motorun üzerinde temel bir sıcaklık sensörü var ama verisi kaydedilmiyor, titreşim ölçümü hiç yok. Danışman burada dürüst bir teşhis koyuyor: "Bugün bir tahmin modeli kuramayız, çünkü modelin öğreneceği veri yok. Ama üç aylık bir veri toplama fazıyla başlarsak, dördüncü aydan itibaren anlamlı sinyaller görmeye başlayabiliriz." Bu dürüstlük, abartılı "hemen çözeriz" vaadinden çok daha değerlidir; çünkü projeyi gerçeğe oturtur. Plan şöyle kuruluyor: önce motora bir titreşim sensörü ekleniyor ve mevcut sıcaklık verisi zaman damgalı olarak kaydedilmeye başlanıyor. Taban çizgisi olarak son bir yılın plansız duruş saatleri belgeleniyor — çünkü sonucu buna göre ölçeceğiz. Veri birikirken, model önce motorun "normal" çalışma desenini öğreniyor. Birkaç ay sonra model, bir titreşim frekansındaki kaymayı normalden sapma olarak işaretliyor ve bakım ekibine bir uyarı gönderiyor. Kritik nokta: bu uyarı bir e-posta olarak boşluğa değil, bakım planlama sistemine düşüyor ve bir iş emrine dönüşüyor. Senaryonun sonunda, danışman hiçbir "yüzde X iyileşme" rakamı uydurmuyor; bunun yerine, pilotun ilk kanıtlarını taban çizgisiyle karşılaştırıyor: kaç plansız duruş, planlı bakıma dönüştü; kaç arıza, öncesinde yakalandı. Bu somut karşılaştırma, projenin ikinci hatta ölçeklenmesi için yöneticiye gereken kanıtı veriyor. İşte üretimde yapay zeka danışmanlığının özü bu: abartısız, ölçülebilir, sahaya oturan ve üretimde kalıcı bir başlangıç. Bu tür bir yolculuğun genel çerçevesini PoC'den üretime yazısıyla birlikte okuyabilirsiniz. ## Başlangıç Çerçevesi ve İlk 90 Gün İyi bir başlangıç, üretimde yapay zeka danışmanlığının en belirleyici kısmıdır; çünkü ilk 90 gün, projenin kaderini büyük ölçüde belirler. Doğru başlangıç, "tüm fabrikayı dönüştürelim" gibi devasa bir hedefle değil; dar, ölçülebilir ve değerli tek bir pilotla başlar. Bu yaklaşım riski düşürür, öğrenmeyi hızlandırır ve yönetime somut bir kanıt sunar. İlk 30 gün keşif ve karardır. Bu dönemde danışman sahaya iner, en büyük kayıp kalemlerini belirler, use-case adaylarını değer ve fizibilite ekseninde sıralar ve verinin durumunu değerlendirir. Bu ayın çıktısı, "hangi hatta, hangi use-case ile, hangi metriği ölçerek başlıyoruz" sorusunun net cevabıdır. İkinci 30 gün kurulumdur: veri hazırlığı, pilotun teknik kurulumu ve taban çizgisinin belgelenmesi. Üçüncü 30 gün ise ilk sonuçların ölçülmesi ve iyileştirilmesidir. Bu 90 günün sonunda elde edilmesi gereken şey, mükemmel bir sistem değil; ölçeklenmeye değer olduğunu kanıtlayan somut bir ilk sonuçtur. Bu çerçevenin altında yatan felsefe, "ölç, iyileştir, sonra büyüt"tür. Kâğıt üzerinde harika görünüp üretimde çöken projelerle, sessizce başlayıp kalıcı değer üreten projeleri ayıran şey tam olarak budur. Başlangıç için doğru use-case'i önceliklendirmek isteyen bir işletme, use-case önceliklendirme matrisi ile başlayabilir; KOBİ ölçeğinde bir başlangıç arıyorsa KOBİ yapay zeka danışmanlığı yazısı bağlam sağlar. Daha ileri aşamada, kestirimci bakım uyarılarını otonom iş akışlarına bağlamak isteyen işletmeler için agentic yapay zeka yaklaşımları da gündeme gelebilir; ama başlangıç için sadelik her zaman daha güvenlidir. ## Üretimde Yapay Zeka Danışmanlığında Sık Yapılan Hatalar Deneyimli bir gözle bakıldığında, imalatta başarısız olan yapay zeka projeleri benzer hatalarla düşer. Bu hataları önceden bilmek, bir işletmenin hem danışman seçiminde hem de proje kurgusunda daha bilinçli olmasını sağlar. En sık görülenler şunlardır: - **Sahayı görmeden çözüm tasarlamak:** En pahalı hata, modeli ofiste kurup sahaya "monte etmeye" çalışmaktır. Fabrikanın tozu, titreşimi ve iş akışı hesaba katılmazsa, teknik olarak doğru bir sistem bile sahada çöker. - **Yanlış use-case seçmek:** En "havalı" use-case değil, en yüksek getirili ve en hazır use-case seçilmelidir. Verisi olmayan bir problemi zorlamak, kaynağı boşa harcar. - **Veriyi varsaymak:** "Verimiz vardır herhalde" varsayımı, projelerin çoğunu daha başında zora sokar. Veri neredeyse her zaman düşünülenden daha dağınık ve düşük kalitelidir. - **Pilotta takılıp kalmak:** Başarılı bir demo, üretimde yaşayan bir sistem demek değildir. Pilotu üretime taşımanın planı baştan yapılmazsa, proje bir gösteri olarak kalır. - **Yanlış alarm dengesini ihmal etmek:** Görsel kalite kontrolde sürekli yanlış alarm veren bir sistem, operatörleri bezdirir ve terk edilir. Denge işletmenin risk profiline göre ayarlanmalıdır. - **Uyarıyı eyleme bağlamamak:** Kestirimci bakımda modelin uyarısı bir iş emrine dönüşmüyorsa, en doğru tahmin bile değersizdir. - **ROI'yi ölçmeden varsaymak:** Taban çizgisi olmadan "iyileştik" demek havada kalır. Getiri, baştan tanımlanan bir metrikle, önce ve sonra karşılaştırılarak kanıtlanır. - **Benimsemeyi göz ardı etmek:** Vardiya kültürü, operatör güveni ve eğitim ihmal edilirse, en iyi sistem bile kullanılmaz. Dikkat edin: bu hataların çoğu modelle ilgili değil, sahayla ve veriyle ilgilidir. İmalatta yapay zeka başarısı, en gelişmiş modeli seçmekten değil; sahayı doğru okumaktan, veriyi dürüstçe değerlendirmekten ve pilotu üretime taşımaktan gelir. Bu yüzden en değerli danışman, en karmaşık modeli öneren değil, en doğru problemi en gerçekçi biçimde çözen danışmandır. ## Danışman Seçimi, Ücretlendirme ve Sık Sorulan Kararlar Bir işletme üretimde yapay zeka danışmanlığına karar verdiğinde, birkaç pratik soruyla karşılaşır: doğru danışmanı nasıl seçerim, danışmanlık ne zaman gerekir, ücretlendirme nasıl işler ve iç ekip mi kurmalıyım yoksa dışarıdan mı almalıyım? Bu kararlar, projenin başarısı kadar önemlidir; yanlış bir başlangıç kararı, en iyi teknik ekibi bile zora sokar. Danışman seçiminde imalat için en kritik ölçüt, sektör ve saha aşinalığıdır. Genel bir yapay zeka uzmanı model kurabilir ama fabrikanın gerçeğini bilmeyebilir; oysa imalatta değerin büyük kısmı sahada saklıdır. Doğru danışmanı nasıl seçeceğinizi yapay zeka danışmanı nasıl seçilir yazısında, danışmanlığa ne zaman ihtiyaç duyulduğunu ise yapay zeka danışmanına ne zaman ihtiyaç duyulur yazısında ayrıntılı ele alıyoruz. Danışmanlık hizmetinin tam kapsamını görmek için kurumsal yapay zeka danışmanlığı hizmet kapsamı yazısı, sürecin genel sorularını ise yapay zeka danışmanlığı SSS rehberi yanıtlar. Ücretlendirme, danışmanlığın en çok merak edilen konularından biridir; proje kapsamına, süreye ve modele (proje bazlı, saatlik veya retainer) göre değişir. İmalatta pilot kapsamı ve veri hazırlık ihtiyacı, ücreti doğrudan etkiler. Güncel ücretlendirme yaklaşımlarını yapay zeka danışmanlığı ücretleri 2026 yazısında ele alıyoruz. İç ekip mi yoksa dış danışman mı sorusu da önemlidir; imalatta çoğu işletme için doğru yol, dışarıdan bir danışmanla başlayıp doğru use-case'i kanıtladıktan sonra iç yetkinliği büyütmektir. Bu kararı yapay zeka danışmanlığı mı iç ekip mi yazısında değerlendiriyoruz. ## Kestirimci Bakımın Olgunluk Seviyeleri: Reaktiften Kestirimciye Bakım stratejileri bir olgunluk merdiveni oluşturur ve kestirimci bakım bu merdivenin en üst basamağıdır; bir işletmenin bugün nerede durduğunu bilmek, doğru başlangıç noktasını belirler. En alt basamak reaktif bakımdır: makine bozulunca tamir edilir. Bu en pahalı yaklaşımdır, çünkü arıza en kötü anda, plansız gelir. İkinci basamak önleyici (periyodik) bakımdır: makine, arıza olsun olmasın belirli aralıklarla bakıma alınır. Bu, plansız duruşu azaltır ama sağlam bir makineyi gereksiz durdurarak veya bir arızayı iki periyot arasında kaçırarak kaynak israf eder. Üçüncü basamak durum izlemeli bakımdır: sensörler makinenin anlık durumunu gösterir ama karar hâlâ insanın yorumuna bağlıdır. Dördüncü ve en üst basamak kestirimci bakımdır: yapay zeka, durum verisindeki desenleri öğrenip arızanın ne zaman geleceğini tahmin eder ve bakımı tam zamanında planlar. Bu merdiven, danışmanlık için önemli bir sonuç doğurur: bir işletmeyi doğrudan en üst basamağa taşımaya çalışmak çoğu zaman gerçekçi değildir. Sektör-bilir bir danışman, işletmenin mevcut basamağını belirler ve bir sonraki basamağa gerçekçi bir geçiş tasarlar. Bu bakış, dijital olgunlukla doğrudan ilişkilidir; dijital olgunluk nedir yazısı bu değerlendirmeye çerçeve sağlar. Kestirimci bakımın değerini belirleyen bir diğer kavram, arızanın "önceden haber verip vermediğidir". Bazı arızalar yavaş gelişir (bir rulmanın aşınması, bir yağın bozulması) ve sensörlerde erken izler bırakır; kestirimci bakım bu tür arızalarda güçlüdür. Bazı arızalar ise ani ve habersizdir (bir elektronik kartın bir anda yanması); bu tür arızalar için kestirimci bakım sınırlı değer üretir. Bu yüzden danışman, hangi arıza türlerinin işletmenin en büyük kaybına yol açtığını ve bunların önceden haber verilebilir olup olmadığını değerlendirir. İmalat yapay zeka kullanım alanları arasında kestirimci bakımın önceliğini, bu "haber verilebilirlik" analizi belirler; her makineye değil, doğru makinenin doğru arıza türüne odaklanmak esastır. ## Görsel Kalite Kontrolde Kamera, Aydınlatma ve Etiketleme Görsel kalite kontrolün sahada başarısı, çoğu zaman modelin kendisinden çok fiziksel kurulumun kalitesine bağlıdır; ve bu, danışmanlığın en çok gözden kaçırılan ama en belirleyici katkılarından biridir. Bir bilgisayarlı görü sistemi, ancak gördüğü görüntü kadar iyidir. Kötü aydınlatma, titreşen bir kamera, yansıma yapan bir yüzey veya tutarsız bir açı, en gelişmiş modeli bile yanıltır. Bu yüzden görsel kalite kontrol projeleri, model kurmadan önce kamera, aydınlatma ve konumlandırma düzeninin doğru tasarlanmasıyla başlar. Aydınlatma, görsel kalite kontrolün gizli kahramanıdır. Bir yüzey çiziği, doğru açıdan gelen bir ışıkla belirgin hale gelirken, yanlış aydınlatmada tamamen görünmez olabilir. Parlak metal yüzeyler yansıma yapar, saydam malzemeler ışığı kırar, koyu yüzeyler kontrast ister. Deneyimli bir uygulama, hata türüne göre aydınlatmayı tasarlar; bu, yazılımdan önce gelen bir mühendislik kararıdır. Aynı şekilde kameranın çözünürlüğü, hızı ve parçaya olan mesafesi, yakalanabilecek en küçük hatanın boyutunu belirler. Etiketleme ise modelin öğrenme kalitesinin temelidir. Model, "bu hatalı, bu sağlam" diye işaretlenmiş örneklerden öğrenir; ve bu etiketlerin tutarlılığı doğrudan model kalitesini belirler. Farklı denetçilerin aynı hatayı farklı etiketlemesi, modeli kararsız hale getirir. Bu yüzden iyi bir görsel kalite kontrol projesi, net bir etiketleme kılavuzu ve tutarlı bir etiketleme süreci kurar. Görü verisi etiketleme stratejisini görü veri etiketleme stratejisi yazısında, nesne tespitinin popüler bir yaklaşımı olan gerçek zamanlı modelleri ise YOLO nedir yazısında ele alıyoruz. Danışmanın buradaki rolü, işletmeye "hangi modeli" değil, "hangi fiziksel kurulum ve hangi etiketleme disiplini" gerektiğini göstermektir. ## Veri Altyapısı ve OT/IT Entegrasyonu: İlk Gerçek Engel Üretimde yapay zeka danışmanlığının en sık karşılaştığı gerçek, projenin gerçek engelinin model değil, veri altyapısı olmasıdır. Bir imalat işletmesinde veri; makinelerde, PLC'lerde, SCADA sistemlerinde, MES'te, ERP'de ve bazen sadece operatörün defterinde dağınık halde durur. Bu dağınık veriyi bir araya getirmeden, hiçbir yapay zeka modeli çalışamaz. Bu yüzden gerçekçi bir danışmanlık, "model kuralım" demeden önce "veri nerede, nasıl toplanıyor, kalitesi ne" sorularını yanıtlar. OT/IT entegrasyonu bu işin kalbidir. Operasyonel teknoloji (OT) dünyası — üretim sahasındaki kontrolörler ve otomasyon sistemleri — kararlılık ve güvenlik önceliğiyle tasarlanmıştır; kurumsal IT dünyası ise esneklik ve analiz önceliğiyle. Bu iki dünyayı birleştirmek yalnızca teknik değil, kültürel bir köprü de gerektirir: sahayı yöneten otomasyon mühendisleriyle veriyi analiz eden yazılım ekipleri ortak bir dil bulmalıdır. Sektör-bilir bir danışman, bu köprüyü kurma deneyimine sahiptir ve iki ekibi ortak bir hedefte buluşturur. Veri kalitesi, bu altyapının sessiz belirleyicisidir. Eksik zaman damgaları, tutarsız birimler, kalibre edilmemiş sensörler ve boşluklu kayıtlar, en iyi modeli bile yanıltır. "Çöp girerse çöp çıkar" ilkesi imalatta özellikle geçerlidir; çünkü fiziksel dünyadan gelen veri, dijital kayıtlardan çok daha gürültülüdür. Veri kalitesinin ne anlama geldiğini veri kalitesi nedir yazısında ele alıyoruz. Danışmanın katkısı, bu veri gerçeğini baştan dürüstçe ortaya koymak ve gerekirse projeyi bir veri toplama ve temizleme faziyla başlatmaktır; bu faz sıkıcı görünse de, projenin gerçek temelidir. ## Benimseme ve Değişim Yönetimi: Vardiya Kültürü ve Operatör Güveni Bir yapay zeka sisteminin teknik başarısı, sahada kalıcı olacağı anlamına gelmez; imalatta bir projeyi üretimde tutan asıl faktör benimsemedir. Vardiyalı çalışan bir üretim ortamında, sistemi gerçekte kullanacak olan operatörler ve bakım ekipleridir; ve onlar sisteme güvenmezse, en doğru model bile bir kenara itilir. Bu yüzden üretimde yapay zeka danışmanlığı, teknik kurulum kadar insan ve kültür boyutunu da içerir. Operatör güveni, iki yönlü bir denge gerektirir. Bir yandan sistem çok fazla yanlış alarm verirse, operatörler onu "sürekli gıcık çıkaran" bir araç olarak görür ve uyarılarını görmezden gelmeye başlar. Öte yandan sistem operatörün işini elinden alıyormuş gibi sunulursa, doğal bir direnç doğar. Doğru çerçeve, yapay zekayı operatörün yerine geçen değil, ona yardım eden bir araç olarak konumlandırmaktır: sistem sıkıcı ve yorucu denetimi üstlenir, operatör ise kararı ve istisnaları yönetir. Bu konumlandırma, benimsemenin en kritik parçasıdır. Değişim yönetimi, çoğu teknik ekibin ihmal ettiği ama danışmanlığın değer kattığı bir alandır. Yeni bir sistemin sahaya girmesi; eğitim, açık iletişim, erken kullanıcıların kazanılması ve ilk başarıların görünür kılınmasını gerektirir. Vardiya kültürü, her vardiyanın kendi alışkanlıklarına sahip olması demektir; bir vardiyada işleyen bir sistem, başka bir vardiyada dirençle karşılaşabilir. Bu insan boyutunu yönetmek, ekiplerin yetkinlik kazanması için kurumsal yapay zeka eğitimi ile birlikte planlanır. Deneyim gösterir ki, imalatta yapay zeka projelerinin çoğu teknik nedenlerle değil, benimseme ihmal edildiği için sahada söner. ## Talep Tahmini, Enerji Yönetimi ve İkincil Use-Case'ler Kestirimci bakım, görsel kalite kontrol ve üretim verimliliği en yüksek getirili üç use-case olsa da, imalat yapay zeka kullanım alanları bunlarla sınırlı değildir; olgunlaşan işletmeler için ikincil use-case'ler de anlamlı değer üretir. Bunların başında talep ve üretim tahmini gelir. Yapay zeka, geçmiş satış, mevsimsellik ve dış faktörlerden öğrenerek gelecek talebi tahmin eder; bu tahmin, üretim planlamasını, hammadde tedarikini ve stok seviyelerini iyileştirir. Doğru bir talep tahmini, hem stoksuz kalmanın hem de aşırı stok tutmanın maliyetini düşürür. Enerji yönetimi, özellikle enerji-yoğun imalatta giderek önem kazanan bir use-case'tir. Yapay zeka, üretim süreçlerinin enerji tüketim desenlerini analiz eder; hangi makinelerin, hangi ayarların ve hangi zamanlamaların en verimli olduğunu bulur. Bu, hem maliyet düşürür hem de sürdürülebilirlik hedeflerine hizmet eder. Enerji verisi aynı zamanda kestirimci bakımla da kesişir: anormal enerji tüketimi, çoğu zaman bir makine arızasının erken habercisidir. Diğer ikincil use-case'ler arasında süreç parametre optimizasyonu (en düşük fireyi veren ayar kombinasyonunu bulmak), tedarik zinciri görünürlüğü, iş güvenliği izleme ve üretim planlama optimizasyonu sayılabilir. Bu use-case'lerin ortak paydası, hepsinin veriye ve doğru önceliklendirmeye dayanmasıdır. Bir danışman, işletmeyi bu ikincil use-case'lerle boğmaz; önce üç ana use-case'ten biriyle değeri kanıtlar, sonra olgunluk arttıkça ikincil use-case'leri sıraya koyar. Bu adımlı büyüme, imalatta yapay zeka yatırımını sürdürülebilir kılar; kurumsal bir strateji çerçevesi için kurumsal yapay zeka stratejisi nasıl oluşturulur yazısına bakabilirsiniz. ## Üretimde Yapay Zeka Danışmanlığında Değeri Zamanla Korumak Bir yapay zeka sisteminin değeri, kurulduğu anda donmuş bir sayı değildir; zamanla ya büyür ya küçülür. İmalatta bu özellikle geçerlidir, çünkü üretim ortamı sürekli değişir: yeni ürünler devreye girer, makineler yaşlanır, tedarikçiler değişir, süreçler evrilir. Bu değişim, bir kez kurulup unutulan bir modelin zamanla bozulmasına (model drift) yol açar. Örneğin görsel kalite kontrol modeli, yeni bir ürün varyantı geldiğinde veya aydınlatma koşulu değiştiğinde eski performansını gösteremeyebilir; kestirimci bakım modeli, makine bakımdan geçip davranışı değiştiğinde yeniden ayar gerektirir. Bu yüzden üretimde yapay zeka danışmanlığı, projeyi bir "kur ve bitir" işi değil, yaşayan bir ürün olarak tasarlar. Değeri korumak, sürekli izlemeyi gerektirir: modelin performansı düzenli ölçülür, sapmalar erken yakalanır ve model gerektiğinde yeniden eğitilir veya ayarlanır. Bu izleme sorumluluğu birine açıkça verilmezse, sistem sessizce bozulur ve kimse fark etmez; sonra bir gün "bu yapay zeka artık işe yaramıyor" denir. Oysa sorun teknolojide değil, bakımsız bırakılmasındadır. Değerin sürdürülebilirliği, bir geri besleme döngüsü gerektirir: operatörlerin ve bakım ekiplerinin gözlemleri sisteme geri beslenir, yeni hata türleri etiketlenir, taban çizgisi güncellenir. Bu döngü, sistemi zamanla daha iyi hale getirir. Değeri kanıtlanmış ve sürdürülen bir yapay zeka sistemi, bir maliyet kalemi değil, zamanla büyüyen bir kurumsal varlıktır. Yapay zeka yatırımının getirisini üretkenlikten gelire nasıl taşıyacağınızı yapay zeka ROI ölçümü yazısında ele alıyoruz. Bu süreklilik anlayışı, üretimde yapay zeka danışmanlığını tek seferlik bir projeden, işletmeyle birlikte yürüyen bir yolculuğa dönüştürür ve danışmanlığın gerçek değerini yapay zeka danışmanlığı değeri yazısında ele aldığımız çerçeveye oturtur. ## Üretimde Yapay Zeka ile Basit Otomasyon Arasındaki Fark Sık karşılaşılan bir kafa karışıklığı, her otomasyonu "yapay zeka" sanmaktır; oysa ikisi farklı şeylerdir ve bu farkı bilmek, gereksiz maliyetten kaçınmak için kritiktir. Klasik otomasyon, önceden yazılmış kurallara dayanır: "sıcaklık şu değeri aşarsa alarm ver", "bu sensör tetiklenirse konveyörü durdur". Kural nettir, sabittir ve programlanır. Yapay zeka ise kuraldan değil, veriden öğrenir: hiç kimsenin önceden yazmadığı desenleri bulur ve yeni durumlara uyum sağlar. Basit otomasyonun ne olduğunu otomasyon nedir ve kural tabanlı süreç otomasyonunu RPA nedir yazılarında ele alıyoruz. Bu ayrım, danışmanlığın en dürüst katkılarından birini doğurur: her problem yapay zeka gerektirmez. Bir eşik değeri aşıldığında alarm vermek gerekiyorsa, buna karmaşık bir model değil, basit bir kural yeter. Yapay zeka, ancak problem çok sayıda değişkene, karmaşık ve değişen desenlere veya insan gözünün yakalayamayacağı ilişkilere dayandığında gerçekten değer üretir. Örneğin "titreşim şu değeri aşarsa uyar" bir kuraldır; ama "titreşim, sıcaklık ve akımın birlikte oluşturduğu hangi desen arızayı önceden haber verir" sorusu yapay zeka gerektirir. Makine öğrenmesinin bu öğrenme yeteneğini makine öğrenmesi nedir yazısında ele alıyoruz. Sektör-bilir bir danışmanın değeri, bu ayrımı doğru yapmasındadır. Bazen en doğru tavsiye "buna yapay zeka gerekmez, mevcut otomasyonunuzu iyileştirin" olur; ve bunu söyleyebilen bir danışman, işletmenin güvenini kazanır. Tersine, basit bir otomasyonun yetmeyeceği, gerçekten karmaşık bir problemi "birkaç kuralla çözeriz" diye küçümsemek de bir hatadır. Doğru araç seçimi — ne gereksiz karmaşıklık, ne de yetersiz çözüm — üretimde yapay zeka danışmanlığının teknik olgunluğunun bir işaretidir. İmalat yapay zeka kullanım alanları değerlendirilirken, her use-case için "bu gerçekten yapay zeka mı gerektiriyor" sorusu baştan sorulmalıdır. ## Bulut mu Yerinde İşleme mi? Üretimde Dağıtım Kararı Üretimde yapay zeka çözümlerinin nerede çalışacağı — bulutta mı, yerinde (on-premise) mi, yoksa sahada makinenin yanında (edge) mi — imalata özgü kısıtlar nedeniyle önemli bir karardır. Bu karar yalnızca teknik değil; maliyet, gecikme, güvenlik ve bağlanabilirlik boyutlarını birlikte etkiler. Bir ofis uygulamasında bulut çoğu zaman en kolay seçenekken, bir üretim sahasında durum daha nüanslıdır. Yerinde ve saha (edge) işleme, imalatta sık sık öne çıkar. Bunun birkaç nedeni vardır. Birincisi gecikme: bir üretim hattında görsel kalite kontrol, parça geçerken saniyenin altında karar vermelidir; veriyi buluta gönderip cevabı beklemek çoğu zaman fazla yavaştır. İkincisi bağlanabilirlik: birçok fabrika, sahada kararlı ve yüksek hızlı internet bağlantısına sahip değildir. Üçüncüsü güvenlik: kritik üretim verisini ve OT sistemlerini internete açmak, güvenlik riski yaratır ve bu yüzden birçok işletme bilinçli olarak yalıtılmış çalışır. Bu dağıtım kararının detaylarını on-premise yapay zeka altyapısı yazısında ele alıyoruz. Öte yandan bulut, ölçeklenebilirlik, bakım kolaylığı ve güçlü hesaplama kaynaklarına erişim sağlar; özellikle kestirimci bakım gibi çok makineden veri toplayıp merkezi olarak analiz eden use-case'lerde değerlidir. Doğru mimari çoğu zaman hibrittir: saha kararları edge'de anlık verilir, ağır analiz ve model eğitimi merkezde (yerinde veya bulutta) yapılır. Sektör-bilir bir danışman, bu dağıtım kararını işletmenin gecikme, güvenlik ve maliyet önceliklerine göre tasarlar; tek bir "en iyi" cevap yoktur, işletmeye özel bir denge vardır. Bu kararın bütçe boyutunu kurumsal yapay zeka bütçesi planlama yazısında ele alıyoruz. ## Bir Pilotu Değerlendirmek: Başarı Kriterleri ve Karar Anı Bir pilotun sonunda kritik bir karar anı gelir: bu pilot üretime taşınmaya değer mi, yoksa durdurulmalı mı? Bu kararı sağlıklı verebilmek için başarı kriterlerinin pilottan önce, net biçimde tanımlanmış olması gerekir. En sık yapılan hata, pilotu belirsiz bir "bir deneyelim bakalım" havasında başlatmak ve sonunda "iyi gibi ama emin değilim" noktasında kalmaktır. Doğru bir danışmanlık, pilotu başlatmadan önce "başarı şu metrikte şu eşiği geçmek demektir" diye net bir çizgi çeker. Başarı kriterleri use-case'e göre değişir ama ortak bir mantığı vardır: ölçülebilir, taban çizgisine bağlı ve iş değerine tercüme edilebilir olmalıdır. Kestirimci bakımda "pilot süresince kaç arıza önceden yakalandı, kaç plansız duruş önlendi"; görsel kalite kontrolde "kaçan hata oranı taban çizgisine göre nasıl değişti, yanlış alarm operatörleri ne kadar meşgul etti"; üretim verimliliğinde "OEE veya fire oranı ölçülebilir biçimde iyileşti mi". Bu kriterler, pilotu bir "izlenim" olmaktan çıkarıp bir "kanıt" haline getirir. Karar anında üç olası sonuç vardır ve üçü de meşrudur. Birincisi, pilot kriterleri geçti: üretime taşıma planı devreye girer. İkincisi, pilot kısmen başarılı ama iyileştirme gerektiriyor: belirli bir sorun (veri kalitesi, eşik ayarı, entegrasyon) giderilip ikinci bir tur yapılır. Üçüncüsü, pilot değeri kanıtlayamadı: bu bir başarısızlık değil, ucuz bir öğrenmedir; dar kapsamlı bir pilotun asıl amacı, büyük yatırım yapmadan önce bunu öğrenmektir. Dürüst bir danışman, bu üçüncü sonucu da açıkça söyleyebilir; çünkü işletmeyi zararlı bir yatırımdan korumak, danışmanlığın en değerli katkılarından biridir. Danışmana ne zaman ihtiyaç duyulduğunu yapay zeka danışmanına ne zaman ihtiyaç duyulur yazısında ele alıyoruz. ## Üretimde Yapay Zeka Danışmanlığı Kimler İçin Uygundur? Her imalat işletmesi aynı anda ve aynı biçimde yapay zekaya hazır değildir; ve bunu dürüstçe değerlendirmek, üretimde yapay zeka danışmanlığının ilk adımıdır. Yapay zeka, dijital olgunluğun üzerine kurulur; bu yüzden bir işletmenin hazırlığını değerlendirmek, doğru başlangıç noktasını belirlemek kadar, bazen "henüz erken" demeyi de gerektirir. Bu bölüm, bir işletmenin kendi durumunu değerlendirmesine yardımcı olur. Üretimde yapay zeka danışmanlığından en çok fayda sağlayan işletmeler genellikle şu profillere uyar. Birincisi, somut ve ölçülebilir bir ağrısı olanlar: yüksek plansız duruş, yüksek fire veya kritik bir kalite sorunu. Somut bir ağrı, hem use-case'i netleştirir hem de ROI'yi ölçülebilir kılar. İkincisi, bir miktar veri altyapısı olanlar veya kurmaya istekli olanlar: verisi hiç toplanmamış bir işletme önce bir veri toplama fazından geçmelidir, ama bunu yapmaya istekliyse yolculuk başlayabilir. Üçüncüsü, yönetim desteği olanlar: yapay zeka projeleri, üst yönetim sahiplenmediğinde sahada söner. Buna karşılık, bazı işletmeler için doğru tavsiye "önce temeli kur" olabilir. Süreçleri tamamen kâğıt üzerinde yürüyen, makineleri hiç bağlanmamış ve dijital olgunluğu çok düşük bir işletmeye doğrudan bir yapay zeka modeli önermek, temelsiz bir yapı kurmaya benzer; böyle bir durumda danışman önce bir dijitalleşme adımı önerir. Bu dürüstlük, işletmeyi zamansız bir yatırımdan korur. İşletme ister KOBİ ister büyük ölçekli olsun, mantık aynıdır: doğru başlangıç noktası, işletmenin gerçek olgunluğuna göre belirlenir. Farklı danışman türlerinin bu değerlendirmedeki rollerini yapay zeka danışmanı türleri yazısında ele alıyoruz; imalat gibi sahaya bağlı bir sektörde, doğru profil neredeyse her zaman sektör deneyimi olan bir danışmandır. ## Pilottan Ölçeğe: Üretimde Yapay Zekayı Yaygınlaştırırken Dikkat Edilmesi Gerekenler Bir pilotun başarılı olması, işin bittiği anlamına gelmez; asıl zorluk çoğu zaman ölçeklemede, yani kanıtlanan bir çözümü tek bir hattan tüm fabrikaya veya birden fazla tesise yaymakta ortaya çıkar. İmalatta ölçekleme, yazılım dünyasındaki gibi "bir kopyala-yapıştır" işi değildir; çünkü her hat, her makine ve her tesis kendine özgü koşullara sahiptir. Bir hatta mükemmel çalışan bir görsel kalite kontrol sistemi, farklı aydınlatması, farklı ürünü veya farklı kamerası olan başka bir hatta doğrudan taşınamaz; yeniden ayar, yeniden etiketleme ve yeniden doğrulama gerektirir. Bu gerçek, ölçekleme stratejisi için önemli bir sonuç doğurur: yaygınlaştırma, bir seferde değil, adım adım ve her adımı doğrulayarak yapılmalıdır. Sık yapılan bir hata, tek bir pilotun başarısına güvenip çözümü aynı anda on hatta yaymaya kalkmak ve her hatta ayrı ayrı ortaya çıkan sorunlarla boğulmaktır. Doğru yaklaşım, pilotu önce benzer bir ikinci hatta taşıyarak "taşınabilirlik" varsayımını test etmek, oradan öğrenilenleri bir şablona dönüştürmek ve sonra kademeli olarak büyütmektir. Bu şablon; hangi verinin gerektiği, hangi kurulumun yapıldığı ve hangi doğrulama adımlarının izlendiğini belgeleyen tekrarlanabilir bir çerçevedir. Ölçeklemede ikinci kritik konu, kurumsal yetkinliktir. Bir pilot dışarıdan bir danışmanla yürütülebilir; ama on hatta yayılmış bir sistemi sürdürmek, iç ekibin bu işi sahiplenmesini gerektirir. Bu yüzden olgun bir danışmanlık, ölçekleme aşamasında bilgi aktarımını ve iç yetkinlik gelişimini planlar: danışman, işi sadece kurup gitmez; iç ekibin sistemi izleyecek, iyileştirecek ve büyütecek yetkinliği kazanmasını sağlar. Bu, danışmanlığın "bağımlılık yaratan" değil, "yetkinlik kazandıran" biçiminin işaretidir. Dijital dönüşümün bu bütünsel çerçevesini dijital dönüşüm nedir yazısında ele alıyoruz. Son olarak, ölçekleme bir yönetişim katmanı gerektirir. Birden fazla hatta ve tesise yayılmış yapay zeka sistemleri; ortak standartlar, merkezi izleme ve tutarlı bir kalite disiplini olmadan birbirinden kopuk adacıklara dönüşür. Her tesisin kendi çözümünü kendi başına kurması, tekrarlanan hatalar ve boşa harcanan emek demektir. Bu yüzden üretimde yapay zeka danışmanlığı, ölçekleme aşamasında yalnızca teknik değil, organizasyonel bir çerçeve de kurar: use-case'lerin nasıl önceliklendirileceği, çözümlerin nasıl standartlaştırılacağı ve kalitenin nasıl sürekli izleneceği. Bu bütünsel bakış, imalatta yapay zeka yatırımını dağınık pilotlar toplamından, işletmeyle birlikte büyüyen tutarlı bir yeteneğe dönüştürür. ## Sık Sorulan Sorular (SSS) ### Üretimde yapay zeka danışmanlığı ne sağlar? Üretimde yapay zeka danışmanlığı, bir imalat işletmesine yapay zekanın nerede somut değer üreteceğini gösterir ve bu değeri hayata geçirir. Mevcut makine, kalite ve üretim verisini değerlendirir; kestirimci bakım, görsel kalite kontrol ve üretim verimliliği gibi use-case'leri işletmenin gerçeğine göre önceliklendirir; dar kapsamlı bir pilot tasarlar; pilotun ROI'sini ölçülebilir kurar; ve en kritik adımda pilotu üretime taşıyıp kalıcı kılar. Sektör-bilir bir danışman, algoritmadan çok OT/IT entegrasyonu, veri toplama ve ISG mevzuatı gibi imalata özgü zorlukları baştan hesaba katarak projenin pilotta takılıp kalmasını önler. ### İmalatta hangi yapay zeka use-case'leri öncelikli? İmalat yapay zeka kullanım alanları geniştir ama üç use-case tutarlı biçimde en yüksek getiriyi verir: kestirimci bakım (sensör verisiyle arızayı önceden tahmin), görsel kalite kontrol (bilgisayarlı görü ile hata yakalama) ve üretim verimliliği (OEE, çevrim süresi, fire optimizasyonu). Öncelik sırasını belirleyen teknoloji değil; hangi problemin en yüksek duruş/fire maliyetine sahip olduğu, verinin hazır olup olmadığı ve pilotun ölçülebilirliğidir. Doğru öncelik, bir use-case önceliklendirme matrisiyle netleştirilir. ### Neden sektör-bilir bir yapay zeka danışmanı seçmeli? Çünkü imalatta zorluğun büyük kısmı algoritmada değil, üretim ortamının gerçeğindedir. Sektör-bilir bir danışman OT/IT entegrasyon güçlüğünü, eski PLC/SCADA sistemlerinden veri çıkarmanın zorluğunu, hattı durdurmadan pilot koşmanın kısıtlarını, ISG mevzuatının sınırlarını ve vardiya kültürünün benimseme üzerindeki etkisini bilir. Sektörü bilmeyen bir danışman teknik olarak doğru ama sahada işlemeyen çözümler önerebilir; sektör-bilir danışman doğru use-case'i doğru hatta, üretimi aksatmadan ve ölçülebilir getiriyle kurar. ### Üretimde yapay zeka projesi ne kadar sürede değer üretir? Doğru kurgulanmış bir pilot, ilk 90 günde somut kanıt üretecek şekilde tasarlanır. İlk 30 gün keşif ve veri değerlendirmesi, sonraki 30-60 gün pilotun kurulması ve ilk sonuçların ölçülmesidir. Kestirimci bakımda ilk anlamlı sinyaller birkaç ay içinde görülür; görsel kalite kontrolde etiketli veri hazırsa sonuçlar daha hızlı gelir. Kritik nokta, "değer"in soyut bir vaat değil, baştan tanımlanmış bir metrik olmasıdır ve işletmenin kendi taban çizgisine göre kanıtlanmasıdır. ### Kestirimci bakım için hangi veri altyapısı gerekir? Kestirimci bakım, makinenin durumunu yansıtan zaman serisi verisine dayanır: titreşim, sıcaklık, akım, basınç, akustik ve çalışma saatleri. Bu veri mevcut veya yeni sensörlerden toplanır ve zaman damgalı saklanır. Modelin arıza desenini öğrenmesi için geçmiş arıza kayıtları da ideal olarak gerekir; yoksa proje önce bir veri toplama fazından geçer. Çoğu işletmede en büyük engel model değil, verinin dağınık, eksik veya hiç toplanmamış olmasıdır. ### Görsel kalite kontrolde yanlış alarm neden bu kadar önemli? Bir yapay zeka sistemi iki tür hata yapabilir: sağlam ürünü hatalı sayması (yanlış alarm) veya hatalı ürünü sağlam sayması (kaçan hata). Çok fazla yanlış alarm operatörleri gereksiz durdurur, sağlam ürünü fire eder ve sisteme güveni yok eder; çok fazla kaçan hata ise müşteriye hatalı ürün gitmesine yol açar. Doğru tasarım bu dengeyi işletmenin risk profiline göre ayarlar ve sürekli izler; güvenlik-kritik bir parçada kaçan hata kabul edilemezken, düşük riskli bir üründe yanlış alarmı azaltmak önceliklidir. ## Üretimde Yapay Zeka Danışmanlığında Başarının Beş İlkesi Bu rehber boyunca ele aldığımız her şeyi beş temel ilkede toplamak mümkündür; bu ilkeler, bir imalat işletmesinin yapay zeka yolculuğunda pusula işlevi görür ve pilotu üretimde kalıcı kılan farkı özetler. - **Sahayı önce oku:** Değer, kodda değil sahadadır. Modeli ofiste kurmadan önce hattı, makineyi, veriyi ve operatörün gerçek iş akışını gözlemle. İmalat yapay zeka kullanım alanlarının hangisinin bu işletmeye uyduğu, ancak sahada anlaşılır. - **Doğru problemi seç:** En havalı use-case değil, en yüksek getirili ve verisi en hazır olanı seç. Kestirimci bakım, görsel kalite kontrol ve üretim verimliliği arasından, işletmenin en büyük kaybına dokunanı önceliklendir. - **Veriyi dürüstçe değerlendir:** Veri neredeyse her zaman düşünülenden dağınıktır. "Model kuralım" demeden önce "veri var mı, kalitesi ne" sorusunu yanıtla; gerekirse projeyi bir veri hazırlık faziyla başlat. - **ROI'yi ölç, varsayma:** Baştan bir taban çizgisi ve net bir hedef metrik tanımla; pilot sonrasını bununla karşılaştır. Uydurma bir verimlilik yüzdesi değil, işletmenin kendi verisiyle kanıtlanmış bir iyileşme hedefle. - **Pilotu üretime taşı ve benimset:** Başarılı bir demo yeterli değildir; sistemin operatörün ve bakım ekibinin iş akışına girmesi, benimsenmesi ve zamanla korunması gerekir. Değer, sürdürüldüğü sürece büyür. Bu beş ilke, üretimde yapay zeka danışmanlığının özünü oluşturur: teknik parlaklık değil, doğru problemi doğru sırayla, sahaya oturarak ve ölçülebilir getiriyle çözmek. Bu ilkelere bağlı kalan bir yolculuk, kâğıt üzerinde etkileyici ama sahada çöken projeler yerine, sessizce başlayıp kalıcı değer üreten bir sistem kurar. ## Kısaca: Üretimde Yapay Zeka Danışmanlığı Kısaca, üretimde yapay zeka danışmanlığı; bir imalat işletmesinin makine, kalite ve üretim verisini değerlendirerek yapay zekanın nerede somut değer üreteceğini belirleyen, use-case'leri önceliklendiren ve seçilen çözümü pilottan üretime taşıyan sektör-bilir bir uzman hizmetidir. En yüksek getirili üç use-case kestirimci bakım, görsel kalite kontrol ve üretim verimliliğidir; ve imalat yapay zeka kullanım alanlarının değeri, teknolojiden değil, doğru problemi doğru sırayla ve ölçülebilir getiriyle ele almaktan gelir. En önemli mesaj şudur: imalatta yapay zeka başarısı, en gelişmiş modeli seçmekten değil; sahayı doğru okumaktan, veriyi dürüstçe değerlendirmekten, Endüstri 4.0 bağlamında OT/IT gerçeğini hesaba katmaktan ve pilotu üretimde kalıcı kılmaktan gelir. Uydurma bir verimlilik yüzdesi değil, işletmenin kendi taban çizgisine göre kanıtlanmış bir iyileşme hedeflenmelidir. İmalat sektöründe yapay zekanın teknik derinliği için imalatta yapay zeka rehberini, danışmanlık hizmetinin kapsamı için hizmet kapsamı yazısını inceleyebilir; işletmenize özel bir yol haritası ve doğru pilot için yapay zeka danışmanlığı ile başlayabilir, ekipleriniz için kurumsal eğitim seçeneklerini değerlendirebilir ve tüm kavramları öğrenme merkezinde derinleştirebilirsiniz. Bir ilk görüşme için iletişim sayfasından ulaşabilirsiniz.