Üretimde Üretken Yapay Zeka: Fabrika Verisine Dayanan Pratik Kullanım Senaryoları

Üretimde üretken yapay zeka, genel bilgi yerine gerçek fabrika verisi üzerinde çalıştığında en değerli hâline gelir. Bu makale; gerçek bir üretim sahasında ayakta kalan kullanım senaryolarını, bunların ihtiyaç duyduğu veri altyapısını ve bir dil modelini riskli olmaktan çıkarıp faydalı tutan korkulukları ele alıyor. Sonunda hangi projeyle başlayacağınızı ve ona MQTT üzerinden canlı makine verisini nasıl besleyeceğinizi bileceksiniz.

Üretimde Üretken Yapay Zeka Projeleri Neden Tıkanır

Erken denemelerin çoğu demoda etkileyici görünür, sonra sönüp gider. Kalıp tanıdıktır: biri birkaç alarm kodunu bir sohbet penceresine yapıştırır, makul görünen bir açıklama alır ve ekip modelin makineleri "bildiği" sonucuna varır. Bir hafta sonra model, o kontrolörde var olmayan bir alarmı kendinden emin bir şekilde açıklar.

Temeldeki sorun dayanaktır (grounding). Büyük bir dil modeli CNC tezgâhları, PLC'ler ve kalite yöntemleri hakkında geniş bilgiye sahiptir; ancak 3 numaralı hattınız, 4711 numaralı parçanın reçetesi ya da gece vardiyasındaki fırının her zaman on derece sıcak çalıştığı hakkında hiçbir şey bilmez. Bu bağlam olmadan boşluğu tahminlerle doldurur.

Bu yüzden faydalı soru "üretken yapay zeka ne yapabilir?" değil, "hangi görevler büyük ölçüde mevcut veriyi ve dokümanları metne dönüştürmekle ilgili ve modele bu veriyi nerede güvenilir şekilde verebiliriz?" sorusudur. Bu yeniden çerçeveleme, işe yarayan kısa bir kullanım senaryosu listesine işaret eder.

Bugün İşe Yarayan Kullanım Senaryoları

Vardiya Raporları ve Duruş Özetleri

Bu en kolay kazanımdır. Her fabrikada vardiyanın son yarım saatini olanları derlemekle geçiren biri vardır: hangi makineler durdu, neden durdu, kaç parça üretildi ve sonraki vardiya neye dikkat etmeli. Veri zaten makine durumları ve sayaçlar olarak mevcuttur. Küçük bir servis vardiyanın olaylarını toplayabilir, yapılandırılmış bir özet oluşturabilir (sayılar model tarafından değil kodla hesaplanır) ve dil modelinden bunu okunabilir bir metne dönüştürmesini isteyebilir.

Önemli tasarım tercihi, modelin hesaplamasına değil yazmasına izin vermektir. OEE'yi, duruş dakikalarını ve parça sayılarını Python veya SQL ile hesaplayın, bunları olgular olarak iletin ve modele yalnızca bu değerleri kullanmasını söyleyin. Bu kalıbın daha ayrıntılı anlatımı için LLM ile sensör verisi özetleri yazısına bakın.

Arıza Giderme Asistanları

Bir makine gece saat 3'te alarm verdiğinde, teknisyenin kılavuz sayfasına, son benzer olaya ve ilgili sinyallerin mevcut durumuna ihtiyacı vardır. Bir arıza giderme asistanı bu parçaları getirir ve önerilen bir kontrol listesiyle birlikte sunar. Özünde kılavuzlar ve geçmiş kayıtlar üzerinde erişim (retrieval) vardır; bu yüzden bu kullanım senaryosu genellikle endüstriyel veri için erişimle güçlendirilmiş üretim (RAG) üzerine kurulur.

Canlı kısım da dokümanlar kadar önemlidir. "İş mili sıcaklığı 20 dakikadır artıyor, soğutma sıvısı debisi 02:41'de düştü" bilgisini gören bir asistan, yalnızca alarm numarasını gören bir asistandan çok daha iyi öneriler sunar.

Kod ve Entegrasyon Desteği

Mühendisler şaşırtıcı miktarda zamanı yapıştırıcı kod yazmaya harcar: bir payload'u yeniden şekillendiren bir Node-RED fonksiyonu, bir Python abonesi, bir rapor için SQL sorgusu. Dil modelleri gerçek örnekler gördüklerinde bunların taslağını hazırlamakta iyidir. Modele örnek bir MQTT payload'u ve topic kuralınızı verin, saniyeler içinde bir ayrıştırıcı taslağı çıkarabilir. Çıktıya yeni bir iş arkadaşından gelen kod gibi davranın: inceleyin, genel test broker'ına karşı test edin, sonra canlıya alın.

Endüstriyel Copilot'lar

Yukarıdaki üçünü birleştirdiğinizde, üreticilerin endüstriyel yapay zeka copilot'u dediği şeyi elde edersiniz: bir operatörün soru sorduğu, özet aldığı ve aksiyon taslakları hazırladığı tek bir arayüz. Salt okunur erişimle başlayın. Bir modelden set değeri veya komut yazmak, kendi güvenlik önlemleri olan ayrı ve çok daha zor bir problemdir.

Veri Temeli: Fabrika Verisini MQTT ile Aktarmak

Yukarıdaki her kullanım senaryosu taze ve yapılandırılmış veriye bağlıdır. MQTT doğal bir seçimdir, çünkü makineler, gateway'ler ve uç cihazlar zaten ona yayın yapar ve makinelere dokunmadan istenen sayıda tüketici abone olabilir.

Pratik bir topic düzeni, hem insanların hem de modellerin okuyabilmesi için ISA-95 seviyelerini izler:

connectmq/factory1/production/line1/cnc1/telemetry
connectmq/factory1/production/line1/cnc1/state
connectmq/factory1/production/line1/cnc1/alarms

Tipik bir telemetri payload'u:

{
  "ts": "2026-10-16T02:41:12Z",
  "spindleTempC": 61.4,
  "coolantFlowLpm": 8.2,
  "spindleLoadPct": 74,
  "partCount": 1532
}

Okunabilir topic adları iki işe yarar: bir topic gezgininde insanlara yardımcı olur ve modele bağlamı bedavaya verir. line1/cnc1/alarms topic'ini gören bir modele verinin ne olduğunu ayrıca söylemeye gerek yoktur.

Python ile Minimal Bir Vardiya Toplayıcısı

Aşağıdaki servis bütün bir sahaya abone olur, her makine için en son durumu tutar ve alarmları sayar. Vardiya sonunda bu yapılandırılmış özeti kullandığınız LLM'e iletir. broker.connectmq.com'un genel test alanını kullanır, bu yüzden veriyi sentetik tutun.

import json
import time
import uuid
from collections import defaultdict

import paho.mqtt.client as mqtt

PREFIX = "connectmq/demo/genai-7f3a"
latest = {}
alarm_counts = defaultdict(int)


def on_connect(client, userdata, flags, reason_code, properties):
    print("connected:", reason_code)
    client.subscribe(f"{PREFIX}/factory1/production/+/+/#", qos=1)


def on_message(client, userdata, msg):
    parts = msg.topic.split("/")
    machine = "/".join(parts[-3:-1])  # örn. line1/cnc1
    kind = parts[-1]
    try:
        payload = json.loads(msg.payload)
    except json.JSONDecodeError:
        return
    if kind == "alarms":
        alarm_counts[machine] += 1
    else:
        latest.setdefault(machine, {}).update(payload)


def build_summary():
    return {
        "machines": latest,
        "alarmCounts": dict(alarm_counts),
        "generatedAt": time.strftime("%Y-%m-%dT%H:%M:%SZ", time.gmtime()),
    }


client = mqtt.Client(mqtt.CallbackAPIVersion.VERSION2,
                     client_id=f"shift-collector-{uuid.uuid4().hex[:8]}")
client.on_connect = on_connect
client.on_message = on_message
client.connect("broker.connectmq.com", 1883, keepalive=60)
client.loop_start()

try:
    while True:
        time.sleep(60)
        summary = build_summary()
        print(json.dumps(summary, indent=2))
        # `summary` nesnesini LLM'inize şu gibi bir prompt ile iletin:
        # "Write a shift report using ONLY these facts. Do not invent numbers."
except KeyboardInterrupt:
    client.loop_stop()
    client.disconnect()

Burada broker'ın herhangi bir yapay zeka işi yapmadığına dikkat edin. ConnectMQ veriyi güvenilir şekilde taşır; toplayıcı ve model ise sıradan MQTT client'ları olarak bağlanan kendi servislerinizdir. Bu ayrım sağlıklıdır: makinelere dokunmadan modelleri değiştirebilirsiniz.

Üretken Yapay Zekayı Faydalı Tutan Korkuluklar

Her üretimde üretken yapay zeka pilotuna uygulanmaya değer numaralı bir kontrol listesi:

1. İçeri olgular, dışarı metin. Tüm sayıları modelin dışında hesaplayın ve modele yalnızca sağlanan değerleri kullanmasını söyleyin.
2. Kaynağı belirtin. Modelden her iddianın hangi topic'ten, dokümandan veya kayıttan geldiğini belirtmesini isteyin ve bunu kullanıcıya gösterin.
3. Önce salt okunur. Salt okunur sürüm güven kazanana kadar komut topic'leri modelin erişimine açılmasın.
4. Aksiyonlar için insan onayı. Model bir iş emri veya set değeri değişikliği taslağı hazırlarsa bunu bir kişi onaylar. Komut tarafındaki kalıplar için IoT cihazlarının yapay zeka ile güvenli kontrolü yazısına bakın.
5. Prompt'ları ve yanıtları kaydedin. Yanlış yanıtları ayıklamak ve prompt'ları iyileştirmek için bunlara ihtiyacınız olacak.
6. Hassas veriyi gizli tutun. Gerçek fabrika verisi için asla genel bir test alanı değil, kimlik bilgileriyle korunan özel bir broker kullanın.
7. Faydayı ölçün. Operatörlere özetin onlara zaman kazandırıp kazandırmadığını sorun; kazandırmayan kullanım senaryolarını bırakın.

Modelin Nerede Çalışacağını Seçmek

Barındırılan LLM API'leri başlamanın en hızlı yoludur ve hassas olmayan verilerin özetleri için uygundur. Katı veri politikalarına sahip fabrikalar çoğu zaman açık modelleri yerelde çalıştırır; yerel bir model çalışma ortamı barındıran ve fabrika broker'ına abone olan şirket içi bir sunucu bunu hiçbir veri sahadan çıkmadan yapabilir. Her iki durumda da veri yolu aynıdır: makineler broker'a yayın yapar, bir abone bağlamı oluşturur, model metni yazar ve sonuç bir topic'e, bir kayıt sistemine veya bir e-postaya geri gider.

Modeller, uç cihazlar ve broker'lardan oluşan daha geniş mimariyi planlıyorsanız, yapay zeka ve IoT rehberi her model türünün nereye ait olduğunu ele alıyor.

Altyapıyı Doğru Kurmak

Birkaç servis aynı fabrika verisini okumaya başladığında broker ortak bir bağımlılık hâline gelir; bu yüzden birinin masasının altında unutulmuş bir sanal makine olmamalıdır. Yönetilen bir MQTT broker, sunucuyu kendiniz işletmeden TLS, kimlik bilgileri ve izleme sağlar. ConnectMQ ayrıca ISA-95 ve Unified Namespace topic'lerini algılar ve Sparkplug B verisini okunabilir ISA-95 topic'lerine yeniden yayınlayabilir; bu da tam olarak fabrika verisini hem insanlar hem de modeller için daha kolay tüketilir kılan türden bir yapıdır.

Prototipleme için broker.connectmq.com adresindeki genel MQTT test broker'ı, üretime hiçbir şey dokunmadan önce toplayıcıyı ve prompt'ları simüle edilmiş veriyle geliştirmenize olanak tanır.

Fabrika Veri Hattınızı ConnectMQ Üzerinde Başlatın

Üretken yapay zeka, ona verdiğiniz veri kadar iyidir. app.connectmq.com adresinde ücretsiz Serverless planında kredi kartı gerektirmeden özel bir broker oluşturun, bir gateway veya simülatör bağlayın ve topic'lerin canlı topic gezginine gelişini izleyin. Veri akmaya başladığında ilk vardiya raporu oluşturucunuz bir öğleden sonralık iştir.

Sık Sorulan Sorular

Bir fabrikada en iyi ilk üretken yapay zeka projesi hangisidir?

Otomatik vardiya veya duruş özetleri. Veri zaten mevcuttur, çıktıyı doğrulamak kolaydır ve yanlış bir cümlenin maliyeti düşüktür, çünkü bir kişi aksiyon almadan önce onu okur.

Bir dil modeli makineleri doğrudan kontrol edebilir mi?

En azından katı sınırlar ve insan onayı olmadan etmemelidir. Salt okunur asistanlarla başlayın ve komut yollarını yalnızca doğrulama, izin listeleri ve onay adımlarıyla ekleyin.

ConnectMQ yapay zeka özellikleri içeriyor mu?

Hayır. ConnectMQ, fabrika verisini taşıyan MQTT broker'dır; LLM uygulamanız ona normal bir MQTT client'ı olarak bağlanır, bu da herhangi bir modeli seçme özgürlüğünüzü korur.

Modelin sayı uydurmasını nasıl engellerim?

Her metriği kodla hesaplayın, sonuçları yapılandırılmış olgular olarak iletin ve modele yalnızca bu değerleri kullanmasını söyleyin. Pilot sırasında çıktıları kaynak veriyle karşılaştırarak incelemek, kalan sorunları yakalar.