Bir kameranın parçadaki çizikleri işaretlediği demo etkileyici görünebilir. Fakat fabrikanın sorusu daha zordur: Aynı sistem farklı vardiyada, başka bir malzeme partisinde ve değişen ışık altında işe yarıyor mu? İşaretlediği hatanın ardından ekip ne yapıyor?
Üretimde yapay zekâ değerlendirmesi, modelin çalıştığı ekrandan başlayıp operasyonun sonucuna kadar uzanmalı. Güzel bir gösterim, günlük üretim için henüz yeterli kanıt değildir.
Önce kaybın ne olduğunu tarif edin
“Kaliteyi iyileştireceğiz” geniş bir hedef. Hangi ürün ailesinde, hangi kusurun, hangi aşamada kaçırıldığını tarif etmek daha işe yarar. Benzer şekilde “arıza tahmini” yerine hangi ekipmanın duruşuna, hangi kayıtlarla ve ne kadar erken müdahale etmeye çalıştığınızı açıklayın.
NIST'in üretim örnekleri; kalite, duruş ve operasyon verisi gibi somut kullanım alanlarına dikkat çekiyor. Buradan her işletmede aynı sonucun alınacağı çıkarılamaz. Kendi sürecinizde hangi kaybın azaltılabileceği ayrıca ölçülmeli.
Verinin bağlamını kaybetmeyin
Aynı ölçüm farklı koşullarda başka anlama gelebilir. Ürün kodu, malzeme partisi, makine ayarı veya bakım sonrası dönem bilinmiyorsa veri setindeki örüntüyü yorumlamak zorlaşır. Eksik kayıtları rastgele doldurmak da gerçekte olmayan bir düzen oluşturabilir.
Model geliştirmeden önce şu soruları sorun: Hata etiketini kim verdi? Aynı kusura herkes aynı adı mı kullanıyor? Sağlam ve hatalı örnekler nasıl seçildi? Veri, günlük üretimdeki çeşitliliği ne kadar temsil ediyor? Cevaplar belirsizse önce kayıt düzenini iyileştirmek gerekebilir.
Başarıyı tek bir oranla anlatmayın
Bir kontrol sisteminde hatalı parçayı kaçırmakla sağlam parçayı gereksiz yere ayırmak farklı sonuçlar doğurur. İkisini tek başarı oranının içinde saklamayın. Kaçan hataları, yanlış alarmları ve bunların inceleme yükünü ayrı izleyin.
Örneğin 1.000 parçalık varsayımsal bir denemede 10 kusurlu parça olduğunu düşünelim. Her parçaya “sağlam” diyen bir sistem 990 doğru yanıt verir; buna rağmen kusurların hiçbirini yakalamaz. Bu yalnızca aritmetik bir örnek, gerçek performans verisi değildir. Göstermek istediği şey, seçilen ölçütün işteki riski temsil etmesi gerektiğidir.
Önce kontrollü gözlem yapın
Bir pilotta sistemin önerilerini mevcut kontrol süreciyle karşılaştırabilirsiniz. Model doğrudan üretim kararını değiştirmeden önce hangi durumlarda doğru veya yanlış uyarı verdiği incelenir. Bu dönemin kapsamı, güvenlik ve kalite sorumlularıyla birlikte belirlenmeli.
Testte kullanılan örneklerin geliştirme aşamasından bağımsız olması da önemlidir. Daha önce görülen görüntüler üzerinde iyi sonuç almak, yeni üretim koşullarındaki başarının kanıtı sayılmaz. Sonuçları yalnızca toplam olarak değil; ürün, vardiya ve ilgili koşullar açısından da değerlendirin.
Uyarının ardından bir iş başlamalı
Sistem anomali bulduğunda kime haber veriyor? O kişinin bakacağı kayıtlar hazır mı? Müdahale gerekiyorsa yetki kimde? Sonuç sisteme geri yazılıyor mu?
Bu bağlantı kurulmadığında model doğru uyarı üretse bile operasyonel fayda sınırlı kalabilir. Uyarı sayısı artarken çalışanların dikkatini gereksiz yere tüketmek de mümkün. Denemede model kadar, uyarıyı karşılayan iş düzenini değerlendirin.
Yatırım kararını toplam sonuçla verin
Lisansın yanında kamera, entegrasyon, veri hazırlama, bakım ve çalışanların inceleme süresi de maliyetin parçasıdır. Kazanç tarafında ise gerçekten önlenen kaybı arayın. Tahmini kazançları gerçekleşmiş gibi yazmayın; belirsiz varsayımları açıkça gösterin.
İyi pilotun sonunda yalnızca bir başarı yüzdesi bulunmaz. Hangi koşullarda işe yaradığı, nerede başarısız olduğu ve kim tarafından işletileceği de bellidir. Üretimde kalıcı faydaya giden karar, bu açıklık üzerinden verilir.
İlgili kaynak
NIST — Artificial Intelligence in Manufacturing: Real World Success Stories and Lessons Learned. Yazıdaki pilot planı ve sayısal örnek, açıklama amacıyla hazırlanmıştır.