DOÇ. DR. ŞEYDA ERTEKİN
Orta Doğu Teknik Üniversitesi (ODTÜ) Öğretim Üyesi
ÜRETİMİN GELECEĞİ, VERİYİ OKUYABİLEN VE DOĞRU KARARI VEREBİLEN SİSTEMLERDE
ÜRETİMDE YAPAY ZEKÂ YALNIZCA OTOMASYONU GÜÇLENDİRMİYOR; VERİYİ YORUMLAYAN, KARAR SÜREÇLERİNİ HIZLANDIRAN VE ÜRETİMİ ÖNGÖRÜLEBİLİR HALE GETİREN YENİ BİR AKIL KATMANI OLUŞTURUYOR. ORTA DOĞU TEKNİK ÜNİVERSİTESİ (ODTÜ) BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ ÖĞRETİM ÜYESİ VE ODTÜ-BİLTİR MERKEZİ BAŞKAN YARDIMCISI DOÇ. DR. ŞEYDA ERTEKİN, AKILLI ÜRETİMİN GELECEĞİNİ, YAPAY ZEKÂ ÇAĞINDA KURUMLARIN NASIL KONUMLANMASI GEREKTİĞİNİ VE TÜRKİYE’NİN BU DÖNÜŞÜMDEKİ FIRSATLARINI ANLATIYOR.
Günümüzde yapay zekâ, üretim süreçlerini nasıl dönüştürüyor? Özellikle üretimde akıllı sistemlerin artan rolünü nasıl tanımlarsınız?
Üretimde akıllı sistemlerin artan rolünü, sadece otomasyon katmanını güçlendiren yazılımlar olarak değil, üretimin bilgi ve karar altyapısını yeniden tanımlayan öğrenen sistemler olarak görüyorum. Üretim sektöründe yapay zekâ ile yaşanan en büyük sıçrama, sürecin veriye dayalı olarak öngörülebilir ve optimize edilebilir hale gelmesidir. Geçmişte üretimde sorunlar çoğunlukla ortaya çıktıktan sonra tespit edilir, deneyime dayalı müdahalelerle süreç normale döndürülürdü. Bugün ise sensörlerden, üretim hatlarından ve kalite sistemlerinden sürekli akan verinin makine öğrenmesiyle yorumlanması sayesinde arıza sinyalleri ve proses sapmaları daha oluşmadan yakalanabiliyor veya bakım ve üretim planları takvim bazlı değil, risk ve kalan ömür tahminlerine dayalı şekilde yönetilebiliyor. Benzer biçimde, görsel kalite kontrol sistemleri derin öğrenme ile yüzey kusurlarını ve montaj hatalarını çok daha tutarlı biçimde tespit ederek hurda ve yeniden işleme maliyetlerini düşürüyor. Bir önemli değer de bu öngörü katmanının optimizasyonla birleştiği noktada ortaya çıkıyor; birçok proses parametresi hedeflenen verimlilik ve kalite metriklerini maksimize edecek şekilde sistematik olarak iyileştirilebiliyor. Son dönemde Büyük Dil Modelleri (LLMs) de bu dönüşüme yeni bir boyut ekledi. Bu yapay zekâ modelleri bakım kayıtları, vardiya notları ve prosedürler gibi metinsel kaynaklardan bilgi çıkarıp, kök-neden analizi ve aksiyon önerilerini hızlandırarak, karar çevrimini daha da kısaltabiliyor.
“Akıllı üretim” denildiğinde, yapay zekânın otomasyon / adaptasyon / karar verme yeteneklerinin hangisi en kritik hale geliyor? Ve neden?
Akıllı üretimde en kritik yetenek karar verme kapasitesinin güçlenmesidir. Çünkü otomasyon uzun zamandır üretimin parçası; bugün rekabeti belirleyen faktör değişken koşullarda doğru kararları hızlı ve tutarlı biçimde alabilmektir. Talep dalgalanmaları, tedarik gecikmeleri, kalite sapmaları, enerji maliyetleri ve ekipman sağlığı gibi faktörler aynı anda değişirken, yapay zekâ algoritmaları bu çok boyutlu veriyi işleyip “ne oluyor?” sorusundan “ne yapmalıyım?” sorusuna geçişi mümkün kılıyor. Örneğin, enerji tüketiminde gerçek zamanlı izleme ve anomali tespitiyle sapmaların erken yakalanması, robotik ekipman titreşimlerinden kestirimci bakım yapılarak plansız duruşların azaltılması ve üretim sıralama/çizelgeleme optimizasyonuyla kapasitenin artırılması, doğrudan karar kalitesini yükseltir. Adaptasyon önemli bir çıktıdır; ancak adaptasyonu sürdürülebilir kılan, kestirim ve optimizasyonla desteklenen doğru karardır.
Birçok endüstride yapay zekâ entegrasyonunun önündeki en büyük engeller sizce teknik mi, kültürel mi yoksa regülasyon temelli mi?
Bence bu sorunun doğru yanıtı tek bir başlık değil; yapay zekâ entegrasyonunun önündeki engeller çoğu zaman teknik, kültürel ve regülasyon boyutlarının birbirini tetiklediği bir sistem problemi olarak ortaya çıkıyor. Teknik açıdan en sık görülen darboğazlar, makina öğrenmesi modellerinin doğruluğu ve hızı, veri altyapısı ve OT-IT entegrasyonudur. Buna siber güvenlik ve veri mahremiyeti boyutu eklendiğinde, teknik bariyerler doğrudan kurumsal risk yönetimi konusu haline gelir. Kültürel tarafta ise yapay zekâ projelerinin, performans göstergeleri ve başarı ölçütleri net olmayan Ar-Ge denemeleri olarak kalmaları yaygındır; bu da değişim yönetimi, yetkinlik dönüşümü ve süreç sahipliği sorunlarına dayanır. Regülasyon boyutu ise özellikle güvenliğin kritik olduğu veya kişisel veri içeren alanlarda belirleyicidir. Doğrulama, izlenebilirlik, açıklanabilirlik, veri mahremiyeti ve siber güvenlik gereklilikleri karşılanmadan saha uygulaması sürdürülemez. Özetle, pratikte en büyük engel genellikle hangi boyutun eksik olduğundan ziyade, bu üç boyutun birlikte yönetilememesidir.
Yapay zekâ çağını “ölçüsüz büyüyen ve engellenmesi mümkün olmayan bir dalga; yapmamız gereken bu dalgada sörf yapmayı öğrenmek” olarak tanımlıyorsunuz. Bu dalgada “başarılı olmak” için kurumlar neye odaklanmalı?
Yapay zekâ çağında fark yaratan, dalgayı “izlemek” değil; onu stratejik olarak okumak, doğru anda doğru hamleyi yapmak ve kuruma kalıcı bir yetkinlik olarak yerleştirebilmektir. Bu nedenle teknolojiyi yakından takip etmek kritik önemdedir. Alan çok hızlı evrildiği için, rekabet avantajı çoğu zaman en yeni yaklaşımları bilmekten ve onları kurumun ihtiyacına uygun şekilde doğru kurgulayıp, doğru zamanda devreye alabilmekten geçer.
Bununla birlikte başarı 5 eksende kurulur:
1) Stratejik etki ve önceliklendirme
2) Veri altyapısının kurulması
3) Yapay zekâ modellerinin yüksek doğrulukla ve ölçeklenebilir bir şekilde tasarlanması
4) Güvenli ve sürdürülebilir işletim
5) Nitelikli insan kaynağı ile kurumsal yetkinlik.
Bu çerçevede sanayi–akademi iş birliği güçlü bir kaldıraçtır. Akademi en güncel bilgi ve araştırma perspektifini, sanayi ise gerçek problem ve veriyi getirir. Birlikte çalışıldığında hem endüstriyel uygulama kalitesi yükselir hem de yetkin insan kaynağı daha hızlı yetişir.
Yapay zekâ ile “insan-robot / insan-makine” iş birliklerinin rolü ne yönde evrilecek? Türkiye bağlamında akıllı üretim ve yapay zekâ alanında, global rakiplerle kıyaslandığında en büyük fırsat ve riskler neler?
Yapay zekâ ile insan-robot / insan-makine iş birliği, klasik otomasyondan farklı olarak algılayan, öngören ve karar destek üreten hibrit sistemlere doğru evriliyor. Bugün mesele yalnızca bir robotun belirli bir görevi tekrar etmesi değil; görüntü, sensör ve süreç verisini birlikte yorumlayarak üretimde adaptif olarak çok daha esnek çalışabilmesidir. Son dönemde küresel üretimde kolaboratif ve hatta insansı robot pilotlarının artması da bu yönelimi doğruluyor. Ancak asıl dönüşüm, robotun fiziksel kabiliyetinden çok, arkasındaki yapay zekâ algoritmalarının ve veri altyapısının olgunluğunda yatmaktadır. Türkiye açısından en büyük fırsat, güçlü üretim geleneğini, otomotiv ve yan sanayi deneyimini ve esnek tedarik yapısını akıllı üretimle birleştirebilme potansiyelidir. En büyük risklerden biri ise, yapay zekâyı gerçek üretim gücüne dönüşen bir sanayi yetkinliği haline getirememek olur. Yani tek tek başarılı pilot projeler yapmak, birkaç demoda iyi sonuç almak fakat bunları şirket geneline, tedarik zincirine ve uzun vadeli rekabet avantajına dönüştürememek olur. İkinci önemli risk ise nitelikli insan kaynağı ve kurum içi yetkinlik eksiği olacaktır.
Yapay zekâ, teknoloji/dijital dönüşüm alanlarındaki çalışmalarınızdan bahseder misiniz?
Yapay zekâ alanındaki çalışmalarım, uygulama alanından bağımsız olarak öğrenen sistemlerin daha doğru, hızlı ve ölçeklenebilir çalışmasını sağlayacak algoritma ve mimari tasarımlar geliştirmeye odaklanıyor. Dünya çapında yürüttüğümüz aktif bir araştırma eylem planı içerisinde, geniş bir ekibin çalıştığı, ulusal ve uluslararası projeler yürütüyor; gerçek dünya kısıtlarını da gözeten fakat temelde genellenebilir yöntemler üreten çalışmalar yürütüyorum. Bu kapsamda özellikle makina öğrenmesi, derin öğrenme ve üretken yapay zekâ algoritmaları ile Büyük Dil Modelleri (LLMs), zaman serisi sinyallerinde analiz ve tahmin, bilgisayarlı görü, anomali tespiti ve robotik manipülasyon alanlarında yöntemler geliştiriyoruz. Çalışmalarımız veri biliminin temas ettiği birçok alanda çözümler üretmeye devam ederken, son birkaç yılda kuruculuğuna da öncülük ettiğimiz ODTÜ Dijital Dönüşüm ve İnovasyon Merkezi’nde (ODTÜ-DTX), özellikle makine ve otomotiv endüstrilerinde akıllı ürünler ve dijitalleştirilmiş süreçlere yönelik yapay zekâ temelli çözüm süreçlerine odaklanmaktadır.
ODTÜ-DTX, Ar-Ge projeleri aracılığıyla başta makine ve otomotiv endüstrileri olmak üzere Türkiye’nin imalat sektörünün rekabet gücünü ve AB değer zinciri entegrasyonunu artırmak üzere kurulmuştur. ODTÜ-DTX’de, şirketlerin dijital dönüşüm yolculuğunu stratejiden uygulamaya uzanan bütüncül bir yaklaşımla destekleyen kapsamlı hizmetler sunuyoruz. Kurumlara dijital dönüşüm rehberliği sağlayarak dijital olgunluk değerlendirmeleri yapıyor ve dönüşüm yol haritalarını birlikte oluşturuyoruz. Yürüttüğümüz Ar-Ge ve inovasyon projeleriyle iş süreçlerini iyileştiriyor, yeni ürün ve teknoloji geliştirme çalışmalarına katkı sunuyoruz. Bunun yanında, yöneticiler ve çalışanlara yönelik eğitim programları ve farkındalık çalışmalarıyla kurum içi yetkinlik gelişimini destekliyoruz. Ayrıca, ulusal ve uluslararası kamu fonlarının belirlenmesi, proje başvurularının hazırlanması ve araştırma projelerinin yönetimi süreçlerinde beraber çalışıyoruz. İleri test ve araştırma altyapılarımızla dijital çözümlerin doğrulanması ve iyileştirilmesini mümkün kılıyoruz. Merkezdeki farklı laboratuvar kapasitelerini bir araya getirerek prototipleme ve pilotlama yapıyor, bu sayede üretim ve otomotiv odaklı kullanım senaryolarını olgunlaştırıp, ölçülebilir çıktılara dönüştürüyoruz.