Yapay zekâ, kestirimci bakımdan makine görüşüne, üretim analitiğinden yapay zekâ destekli sorun gidermeye kadar imalat sahasında giderek daha görünür hâle geliyor. Ancak tesis yöneticileri için asıl soru artık yapay zekânın imalatta kullanılıp kullanılamayacağı değil. Daha pratik soru, mevcut kontrol sistemlerini aksatmadan açıkça tanımlanmış bir operasyonel sorunu çözüp ölçülebilir iyileşme sağlayıp sağlayamayacağıdır.
Yapay Zekâ, Otomasyonun Rolünü Genişletiyor
Geleneksel endüstriyel otomasyon, önceden tanımlanmış mantığı tutarlı biçimde uygulamak üzere tasarlanmıştır. PLC'ler, DCS platformları, SCADA sistemleri, sürücüler, güvenlik sistemleri ve enstrümantasyon, fiziksel süreçleri belirlenmiş kurallara göre kontrol etmekten sorumlu olmaya devam eder.
Yapay zekâ yeni bir katman ekler. Bir programlanmış diziyi yalnızca uygulamak yerine, yapay zekâ sistemi büyük miktarda geçmiş ve gerçek zamanlı bilgiyi analiz edebilir ve bir kişinin elle fark etmesinin zor olabileceği ilişkileri belirleyebilir.
Örneğin üretim verileri; titreşim ölçümleri, motor akımı, sıcaklık, bakım kayıtları, alarm geçmişi ve çalışma koşullarıyla birleştirilerek ekipman yıpranmasıyla ilişkili örüntüler belirlenebilir.
Mühendislik açısından bu ayrım önemlidir. Yapay zekâ, kontrol katmanının yerini alacak bir teknoloji olarak görülmemelidir. Çoğu tesiste yapay zekânın kısa vadeli değeri, deterministik kontrol mantığının yerini almaktan çok kontrol sistemiyle ilgili kararları desteklemesinden kaynaklanacaktır.
Bilgi Açığı, İş Gücü Açığından Daha Önemli Olabilir
Birçok imalat kuruluşu, deneyimli operatörler, teknisyenler, bakım personeli ve kontrol mühendisleri sayesinde onlarca yıllık pratik bilgi biriktirmiştir. Ancak bu bilgilerin büyük bölümü resmî veri tabanlarının dışında bulunur.
Bu bilgiler bakım notlarında, el yazısı kayıtlarda, sorun giderme prosedürlerinde, eski çizimlerde, operatör alışkanlıklarında, mühendislik belgelerinde ya da aynı makinede 25 yıldır çalışan bir teknisyenin hafızasında bulunabilir.
Deneyimli çalışanlar emekli oldukça, önemli bir bilgi aktarımı sorunu ortaya çıkıyor.
Endüstriyel yapay zekâ; makine verilerini kılavuzlar, standart işletim prosedürleri, bakım geçmişi, alarm kayıtları ve diğer belgelerle bir araya getirebilir. Böylece daha az deneyimli bir teknisyen, anormal bir durumu incelerken daha fazla bağlama ulaşabilir.
Bu, deneyimli mühendislere olan ihtiyacı ortadan kaldırmaz. Bunun yerine, onların bilgisini vardiyalar ve üretim alanları arasında daha erişilebilir hâle getirebilir.
Bana göre bu, yapay zekânın imalattaki yakın vadeli en güçlü uygulamalarından biri: her insan kararını otomatikleştirmeye çalışmak yerine operasyonel bilgiyi korumak ve yaymak.
En İyi Yapay Zekâ Projeleri Tesisle İlgili Bir Sorunla Başlar
Yaygın bir hata, işe teknolojiyle başlamaktır.
Şirket bir yapay zekâ platformu seçer, pilot çalışma geliştirir, bazı veri kaynaklarını bağlar ve ancak sonrasında sistemin hangi iş sonucunu sağlaması gerektiğini sorar.
Mühendislik yaklaşımı tersine çevrilmelidir.
Ölçülebilir bir sorunla başlayın:
- Hangi ekipmanlar en çok plansız duruşa neden oluyor?
- Hangi proses sapmaları en yüksek hurda maliyetine yol açıyor?
- Teknisyenler sorun giderme için nerede gereğinden fazla zaman harcıyor?
- Hangi alarmlar tekrar tekrar kıdemli mühendis desteği gerektiriyor?
- Hangi manuel denetim faaliyetleri önemli miktarda iş gücü gerektiriyor?
- Enerji tüketimi nerede beklenenden yüksek?
- Geleneksel yöntemlerle optimize edilmesi zor olan üretim parametreleri hangileri?
Sorun tanımlandıktan sonra yapay zekâ, hedefin kendisi değil, olası mühendislik çözümlerinden biri hâline gelir.
Yararlı bir proje sonuçta duruş süresi, üretim hacmi, verim, hurda, bakım maliyeti, kalite, iş gücü kullanımı veya enerji tüketimi gibi tesis ölçütleriyle ilişkilendirilmelidir.
Pilot Projeler, Üretimde Değer Yaratmakla Aynı Şey Değildir
Üreticiler çok sayıda yapay zekâ denemesi yaptı, ancak başarılı bir gösterim kendiliğinden başarılı bir üretim sistemine dönüşmez.
Bir pilot çalışma, kontrollü koşullarda sınırlı bir veri kümesiyle çalışırken makine anormalliğini doğru biçimde tespit edebilir. Üretim ortamı ise farklıdır. Sensörler arızalanabilir, cihazlar yeniden kalibre edilebilir, PLC mantığı değişebilir, üretim reçeteleri güncellenebilir, ağ bağlantıları kesilebilir ve operatörler geliştirme sırasında varsayılandan farklı tepkiler verebilir.
Birçok yapay zekâ girişiminin zorlandığı nokta budur.
Asıl ölçüt, bir yapay zekâ modelinin gösterimde çalışıp çalışmadığı değildir. Asıl ölçüt, tesisin olağan işletme prosedürlerine entegre edildikten sonra yararlı bilgiler sağlamayı sürdürüp sürdürmediğidir.
Mevcut Otomasyon Altyapısı Göz Ardı Edilmemelidir
Üretim tesisleri nadiren sıfırdan, temiz bir mimariyle başlama olanağına sahiptir.
Tipik bir tesiste birden fazla nesil PLC, DCS kontrolörü, HMI, SCADA sistemi, tarihçe sistemi, uzak I/O, değişken frekans sürücüsü, durum izleme ekipmanı, endüstriyel Ethernet ağı ve eski seri cihaz bulunabilir.
Yalnızca yapay zekâ kullanmak için bu altyapıyı değiştirmek genellikle pratik değildir.
Bu nedenle yenileme stratejisi daha gerçekçidir. Ana kontrol mimarisi korunurken mevcut tarihçe sistemlerinden, OPC arayüzlerinden, PLC'lerden, durum izleme sistemlerinden, veri tabanlarından ve mevcut diğer kaynaklardan veri toplanabilir.
Bu yaklaşım, doğrulanmış üretim sistemlerinde gereksiz değişiklikler yapma riskini de azaltır.
Amaç, yeni bir teknoloji ortaya çıktı diye tüm tesisi baştan kurmak değil, kendini kanıtlamış otomasyon altyapısına zekâ katmak olmalıdır.
Veri Kalitesi, Yapay Zekânın Kalitesini Belirler
Yapay zekâ, endüstriyel verilerin kalitesiz olmasını telafi edemez.
Cihaz etiketleri yanlış tanımlanmışsa, zaman damgaları tutarsızsa, sensör değerlerinde boşluklar varsa, ekipman durumları belgelenmemişse veya geçmiş veriler yeterli bağlamdan yoksunsa ortaya çıkan model, teknik açıdan etkileyici ancak operasyonel açıdan yanıltıcı sonuçlar üretebilir.
Üretim verileri sürekli olarak oluşturulduğundan bu sorun çoğu zaman hafife alınır. Çok miktarda veri, verinin mutlaka kaliteli olduğu anlamına gelmez.
Mühendisler, bir yapay zekâ uygulamasını hayata geçirmeden önce şunları anlamalıdır:
- Veriler nereden geliyor
- Sensörler ve ölçüm cihazları nasıl kalibre ediliyor
- Zaman damgaları eşitlenmiş mi
- Ekipman durumları nasıl tanımlanıyor
- Eksik değerler nasıl ele alınıyor
- Geçmiş bakım olayları doğru şekilde belgelenmiş mi
- Verilerin sahibi olan personel veya sistemler hangileri
- PLC ve DCS yapılandırmalarındaki değişiklikler verilerin anlamını nasıl etkiliyor
Basit ve iyi belgelenmiş bir veri kümesi, bağlamı yetersiz milyonlarca kayıttan daha değerli olabilir.
Güvenlik, Yapay Zekâ Deneylerinden Ayrı Tutulmalıdır
Hatalı bir yapay zekâ önerisinin sonuçları büyük ölçüde uygulamaya bağlıdır.
Bakım kayıtlarını yapay zekâyla özetlemek, yapay zekânın oluşturduğu bir kararın güvenlikle ilgili bir kapatmayı doğrudan etkilemesine izin vermekten temelde farklıdır.
Proses endüstrilerinde, kimya tesislerinde, rafinerilerde, enerji tesislerinde ve ciddi sonuçlar doğurabilecek diğer ortamlarda, deterministik güvenlik işlevleri yerleşik mühendislik ilkelerine ve geçerli güvenlik gerekliliklerine uygun şekilde çalışmaya devam etmelidir.
Yapay zekâ izleme, tanılama, anomali tespiti ve karar desteği sağlayabilir; ancak bu, güvenlik işlevleri üzerinde otomatik olarak yetki sahibi olması gerektiği anlamına gelmez.
Uygulanabilir bir mimari, yapay zekânın neleri gözlemleyebileceğini ve önerebileceğini, ayrıca hangi eylemlerin geleneksel kontrol veya güvenlik mantığı kapsamında kalması gerektiğini açıkça tanımlamalıdır.
Tesis Yöneticilerinin Veri Bilimcisi Olması Gerekmez
Bir başka yanlış kanı da tesis yöneticilerinin bir anda makine öğrenmesi, büyük dil modelleri ve yapay zekâ ajanları konusunda uzman hâline gelmesi gerektiğidir.
Bu teknolojilerin neler yapıp neler yapamayacağını anlamaları gerekir; ancak en değerli uzmanlıkları operasyonel deneyimleridir.
Bir tesis yöneticisi üretim kısıtlarını, bakım önceliklerini, çalışanların yetkinliklerini, kalite gerekliliklerini, güvenlik beklentilerini ve duruşların finansal sonuçlarını anlar.
Yapay zekâ uygulamasının anlamlı bir sorunu çözüp çözmediğini belirlemek için bu bilgi gereklidir.
Bu nedenle en güçlü uygulama ekipleri; operasyon, bakım, kontrol mühendisliği, IT/OT ağ iletişimi, veri mühendisliği, siber güvenlik ve yapay zekâ gibi çeşitli disiplinleri bir araya getirir.
Yapay zekâ projelerinin başarılı olma olasılığı, sistemi geliştiren kişiler tesisin gerçekte nasıl çalıştığını anladığında çok daha yüksektir.
Ölçeği Büyütmeden Önce Yatırım Getirisi Ölçülmeli
Bir yapay zekâ projesi, devreye alınmadan önce başlangıç değerlerine sahip olmalıdır.
Örneğin, kestirimci bakımın arıza süresini azaltması amaçlanıyorsa kuruluş, ilgili arızaların geçmişteki sıklığını, süresini ve maliyetini belirlemelidir. Yapay zekâ kalite kontrolü için kullanılıyorsa mevcut hata oranı ve kontrol iş yükü belgelenmelidir.
Uygulamanın ardından aynı ölçütler başlangıç değerleriyle karşılaştırılabilir.
Bu, yatırım kararını çok daha net hâle getirir.
Sorun giderme süresini olay başına 30 dakika azaltan bir proje, bir tesiste değerli olabilirken başka bir tesiste önemsiz kalabilir. Benzer şekilde, hurda miktarındaki küçük bir düşüş bile yüksek hacimli bir üretim hattında büyük bir finansal iyileşme sağlayabilir.
Önemli olan şu: Yapay zekâ yatırım getirisi tesise özgüdür ve teknolojinin gelişmişliğine göre değil, operasyonel sonuçlara göre hesaplanmalıdır.
İnsan Denetimi Önemini Koruyacak
Üretim süreçleri, geçmiş verilerle her zaman kusursuz biçimde temsil edilemeyen fiziksel kısıtlar altında çalışır.
Deneyimli bir mühendis, olağan dışı bir sensör değerinin proses sorunundan değil, cihazdaki bir arızadan kaynaklandığını fark edebilir. Bir teknisyen, belirli bir makinenin ilk çalıştırma sırasında farklı davrandığını bilebilir. Bir operatör ise veri tabanında düzgün biçimde belgelenmemiş bir üretim koşulunu anlayabilir.
Yapay zekâ örüntüleri tespit edebilir, ancak operasyonel bağlamı insanlar sağlar.
Bu nedenle, en etkili üretim sistemlerinin insan denetimini içeren bir modeli izleyeceğini düşünüyorum. Yapay zekâ anormallikleri tespit eder, bilgileri düzenler, olası nedenleri önerir veya yapılacak işlemlere öncelik verir; operasyonel sonuçları olan kararlardan ise yetkin personel sorumlu olmaya devam eder.
Sıradaki Aşama Yalnızca Otomasyon Değil, Entegrasyon
Üretimde yapay zekâya ilişkin tartışmalar, tekil pilot projelerin ötesine geçmeye başlıyor.
Sıradaki zorluk entegrasyon: Yapay zekâ yeteneklerini mevcut otomasyon sistemlerine, bakım iş akışlarına, mühendislik belgelerine, tarihsel veri sistemlerine, varlık yönetimi sistemlerine ve operasyonel prosedürlere bağlamak.
Bu entegrasyon, bir yapay zekâ platformu satın almaktan fazlasını gerektirecek. Fabrikaların açıkça tanımlanmış veri sahipliğine, standartlaştırılmış bilgilere, siber güvenlik kontrollerine, belgelenmiş iş akışlarına ve hem endüstriyel sistemleri hem de modern yazılımları anlayan çalışanlara ihtiyacı olacak.
Yapay zekâdan en çok fayda sağlayan üreticilerin, en fazla modeli devreye alanlar olması pek olası değil. Başarıya ulaşacak kuruluşlar; belirli operasyonel sorunları tespit eden, bu sorunlarla güvenilir endüstriyel verileri ilişkilendiren, sonuçları deneyimli personelle doğrulayan ve yalnızca ölçülebilir değer elde edildiğinde ölçeği büyütenler olacak.
