Size bir şey söyleyeyim, Bakın, sahada bir PLC arızasıyla uğraşan herkesin yüzünde hep aynı ifade oluyor: “Bu kodu daha önce görmüştüm. Nerede?” Ardından telefon çalıyor. Biri başka bir ustayı arıyor, kalın bir manuel karıştırılıyor, üretim hattı da orada öylece bekliyor — sanki vakti bol olan tek şey o makine. İşin can sıkıcı tarafı şu ki, bilgi çoğu zaman yok değil; var. Sadece birinin kafasında, eski bir klasörde ya da kimsenin açmadığı 300 sayfalık PDF’in derinliklerinde saklanıyor.
Geçen ay Gebze tarafında bir atölye ziyaretindeydim ve buna çok benzer bir tablo gördüm (şaşırtıcı ama gerçek). Hata kodu panelde parlıyordu. Teknisyen arkadaş “Bir dakika abi, bunu Ankara’daki servise soralım” dedi. Soru sormak normal tabii ki ama o sırada makine duruyor… ve her dakika para akıyor. İşte bu yüzden RepairXpert gibi telefon üstünden çalışan yerel yapay zekâ araçları ilgi çekiyor. Çünkü mesele sadece “akıllı cevap” almak değil; hızlıca olası sebep listesi çıkarıp sahadaki işi ileri taşımak.
Şimdi gelelim işin can alıcı noktasına.
Sahadaki Asıl Dert: Bilgi Var Ama Ulaşmak Zor
PLC dünyasında sorun çoğu zaman teknolojiden çok erişim problemi oluyor. Allen-Bradley de olabilir, Siemens de olabilir, Fanuc da Mitsubishi de… Fark etmiyor. Hata kodu çıkıyor, iş orada kilitleniyor. Tecrübeli teknisyenlerin yıllar içinde biriktirdiği küçük numaralar var; sensörü hafifçe oynatmak, kabloyu kontrol etmek, belirli bir alarm kombinasyonuna bakmak gibi şeyler — bunların hiçbiri resmi kılavuzda yazmaz mesela. Yani bilgi var, ama o bilgi kişinin kafasına kilitli.
Açık konuşayım, bu durum bana hep eski servis günlerimi hatırlatıyor. 2017’de Bursa Organize Sanayi’de çalıştığım bir vardiyada, tek satırlık alarm yüzünden üç kişi dört saat oyalanmıştı. Klasik hikâye. Kitap var ama doğru sayfa yok. Ve sonunda işi çözen şey cihazın kendisi değil, yanında duran ustanın hafızası olmuştu.
Evet, doğru duydunuz.
İşte yapay zekânın devreye girdiği yer tam burası. İyi tasarlanmış bir sistem size sadece “muhtemel nedenler” sunmuyor; hangi adımı önce denemeniz gerektiğini de söylüyor (buna dikkat edin). Bu bayağı önemli, çünkü sahada sırayla ilerlemek ile rastgele parça değiştirmek arasında gerçekten uçurum var.
Neden klasik destek modeli yetmiyor?
Yavaş kalıyor, işte o kadar. Teknik destek hattına ulaşırsınız, sonra log isterler, sonra fotoğraf isterler, sonra vardiya değişir… Neyse, uzatmayalım — üretim zaten durmuş olur o süreçte.
Bir de insan faktörü var; her usta her markayı ezbere bilmiyor. Evet, bazıları efsane gibi çalışır. Ama herkesin elinde sihirli değnek yok (şaşırtıcı ama gerçek)
Telefon Üstünde Çalışan AI Ne Yapıyor?
RepairXpert’in anlatılan yaklaşımı aslında oldukça pratik: hata kodunu giriyorsun ya da panelin fotoğrafını çekiyorsun; sistem birkaç saniye içinde muhtemel nedenleri sıralıyor; ardından saha diliyle yazılmış adımlar veriyor. Bu kısmı özellikle sevdim, çünkü teknik dökümanlar çoğu zaman fazla steril oluyor — gerçek hayatta ise cümleler daha kısa, daha net ve biraz daha… kirli diyelim. Java’da Öncelik Kuyruğu: Gerçek Zamanlı Tehdit Yönetimi yazımızda bu konuya da değinmiştik.
İtiraf edeyim, Editör masasında bu haberi görünce hemen test etme isteği duydum doğrusu. İstanbul’da ofiste oturup otomasyon ekranına bakarken bile insanın aklına geliyor: eğer telefon kameramla fotoğraf çekip doğrudan teşhis alabiliyorsam, bu fena değil demektir. Tabii burada kilit soru şu: gerçekten güvenilir mi? Çünkü fabrika ortamında yanlış yönlendirmenin maliyeti bazen yeni sensör almaktan daha pahalıya patlayabilir (kendi tecrübem) AI Ajanınıza UX Denetimi Süper Gücü: CLI + MCP ile Hızlı Başlangıç yazımızda bu konuya da değinmiştik. PDF Dünyasında Bir Nefes: Ücretsiz ve Limitsiz Araçlar yazımızda bu konuya da değinmiştik.
| Özellik | Klasik Yaklaşım | AI Destekli Yaklaşım |
|---|---|---|
| Hata analizi | Kişiye bağlı | Sıralı olasılık listesi |
| Süre | Dakikalar-saatler | Saniyeler-dakikalar |
| Erişim kolaylığı | Bazen zor | Telefondan yapılabiliyor |
| Saha ipuçları | Deneyime bağlı | Modelin kapsamıyla sınırlı |
Küçük not: Tabloda görünmese de en can alıcı farklardan biri bağlam bilgisi oluyor. Sistem sadece hata kodunu değil, ekipman tipini ve görsel ipuçlarını birlikte okumaya çalışıyorsa iş gerçekten değer kazanıyor.
Fotoğrafla Teşhis Neden Önemli?
Bana kalırsa fotoğraf tabanlı teşhis olayı şov için eklenmiş bir süs değil; bayağı işe yarayan bir katman bu. Çünkü panodaki ışık düzeni bazen kelimelerden daha net konuşuyor (şaşırtıcı ama gerçek). Bir sensörün LED’i yanmıyorsa ya güç yoktur, ya kablo gevşektir, ya da parça gitmiştir — tamam, bunu gözle görmek mümkün (ben de ilk duyduğumda şaşırmıştım). Uzaktan bakınca kimse tam emin olamaz.
Ankara Ostim’de geçen yıl konuştuğum bir bakım mühendisi şöyle demişti: “Ekrandaki alarm metni güzel de bana kablo ucunun halini göster.” Haklı adamdı yani. Fotoğraf desteği tam burada devreye giriyor; gri teoriyi biraz somutlaştırıyor.
Sahada en pahalı şey yanlış tahmin değildir; yanlış tahmin yüzünden kaybedilen zamandır.
Peki eksik tarafı ne?
İnanın, E tabi her şeyi çözmüyorlar! Fotoğrafta kirli panel varsa ya da kamera açısı kötüyse yapay zekâ saçmalayabiliyor — hani insan gibi davranmaya başlıyor bazen, o kadar. O yüzden bu araçlar yardımcı pilot olarak iyi; kaptan koltuğuna oturursa işler karışır. Daha fazla bilgi için Yapay Zekâ Ajanı Ne Yaptı?: Kanıtlayabiliyor musun? yazımıza bakabilirsiniz. Butterfly CSS: 2026’da Dikkat Çeken Hafif Bir Seçenek yazımızda bu konuya da değinmiştik.
Bir diğer konu da veri gizliliği ve çevrimdışı kullanım ihtiyacı. Fabrika ortamlarında herkes buluta tüm bilgiyi göndermek istemez; özellikle hassas üretim yapan tesislerde ağ bağımlılığı can sıkıcı oluyor. No cloud dependency yaklaşımı burada mantıklı duruyor, ama bunun da kendi bedeli var tabii: yerelde çalışan sistemlerin güncel tutulması hiç de kolay olmuyor.
Peki neden?
Paketleme Hatlarından Depolara Uzanan Alanlar
Sistemin sadece tek tip makineye odaklanmaması önemli görünüyor. Konveyörler, paletleyiciler, AS/RS sistemleri, paketleme hatları… bunların hepsinde arıza tipi farklı olsa bile teşhis mantığı benzer kalabiliyor. E peki, sonuç ne oldu? Buradaki esas mesele modelin dar alanda ezberci olmaması.
- Konveyörde genelde sensör hizası ve motor beslemesi öne çıkar; — ciddi fark yaratıyor
- Paketleme hattında servo senkronu ve zamanlama kritik olur;
- Paletleyicide mekanik yük bindirme ile limit switch sorunları sık görülür;
- Depo otomasyonunda iletişim kopmaları ve istasyonlar arası gecikmeler dikkat çeker;
Küçük bir startup için bu yaklaşım düşük personelle ciddi fark yaratabilir; çünkü deneyimli PLC ustasını tam zamanlı kadroda tutmak zor olabiliyor. Kurumsal tarafta ise avantaj başka yerde ortaya çıkıyor: standartlaştırma. Her vardiya aynı kaliteyle teşhis yaparsa bakım ekibinin performansı daha ölçülebilir hale geliyor — ki bu da yönetim için bayağı kıymetli bir şey.
Küçük ekip vs kurumsal tesis etkisi
| Senaryo | Kazanç Nerede? | Dikkat Edilecek Nokta |
|---|---|---|
| Küçük startup / entegratör | Daha az uzman bağımlılığı | Tahminlere körü körüne güvenmemek gerekir |
| Büyük fabrika / enterprise | Süre standardizasyonu | Lisans ve süreç uyumu gerekiyor |
Neden Şimdi? Çünkü Sahada Sabır Kalmadı
Açıkçası, “10 yıl önce böyle bir araç olsa belki insanlar omuz silkerdi” diye düşünüyorum. Ama bugün durum farklı; hem iş gücü pahalı hem de operasyon baskısı çok yüksek. Bir hatta dakikalık duruş bile yönetimin kulağını dikmesine yetiyor. O yüzden hızlı karar veren araçlara ilgi artıyor — bu şaşırtıcı değil açıkçası.
2023’te İzmir’de test ettiğim benzer bir bakım uygulamasında gördüğüm şey şuydu: doğru öneri %60-70 oranında ilk kontrolde işi hızlandırıyordu. Hepsini çözmüyordu, evet. Ama ilk eleme için fazlasıyla yeterliydi. Siz ne dersiniz? Buradaki güzellik de o zaten; mucize aramak yerine vakit kazandırmak.
Bir de şu var: parçaya doğrudan link verme kısmı küçük görünse de ciddi değer taşıyor. Çünkü teknisyen doğru sebebi bulsa bile doğru parçayı sipariş edemezse iş yine uzuyor. AutomationDirect, Amazon ya da Grainger gibi kaynaklara yönlendirme fikri pratikte bayağı kullanışlı.
Bence Güzel Ama Henüz Pişmemiş Yanları Var
Eh, Açıkçası bu tarz ürünlerde en sevmediğim şey aşırı iddia oluyor. Her şeyi çözdüğünü söyleyen sistemlerden genelde uzak dururum. RepairXpert tarafındaki fikir ise daha dengeli duruyor: sınırlı kapsam, net fayda, yerel çalışma, saha odaklı dil. Kağıt üstünde süper; pratikte göreceğiz artık.
# Basit kullanım akışı
1) Hata kodunu gir
2) İstersen panel fotoğrafını yükle
3) Olası nedenleri sırala
4) İlk kontrol adımlarını uygula
5) Gerekirse parça önerisine geç
# Mantık aslında şu:
if fault_code and photo:
return ranked_causes + fix_steps + parts_links
else:
return probable_causes_only
}Garip gelecek ama, Bazı kullanıcılar için “AI” etiketi itici gelebilir; haklılar da… çünkü piyasada her şeye AI etiketi yapıştırılıyor. Ama burada temel vaat gösterişli sohbet değil, bakım kararını hızlandırmak. Bu ayrım önemli. Hatta bence asıl değer sessiz sakin geliyor — parlak pazarlama cümlelerinden değil.
Bütün Resmi Tek Cümlede Toplarsam…
Ne yalan söyleyeyim, Lafı gevelemeden söyleyeyim: fabrikada bilgi kaybını azaltan her araç değerlidir. Mesela de eski usta emekliye ayrıldıysa ya da gece vardiyasında tecrübe seviyesi düştüyse, telefon üstünden çalışan böyle yardımcı sistemler ciddi rahatlık sağlıyor. Mantıklı değil mi? Ancak tek başına kurtarıcı değiller; hâlâ sağlam prosedür, eğitim ve düzenli bakım şart.
Bana göre en güçlü tarafları hız, erişim ve saha diline yakınlık. En zayıf tarafları ise veri doğruluğu, görsel kaliteye bağımlılık ve her tesis için aynı derecede işe yaramama riski. Yani hikâye basit: iyi kurulursa faydalı, abartılırsa hayal kırıklığı bırakır. Bence denemeye değer — ama blind trust? Yok öyle yağma!
Sıkça Sorulan Sorular
”
RepairXpert gibi AI araçları gerçekten PLC arızasını çözebilir mi?
Evet ama tamamen tek başına çözmesi beklenmemeli. En iyi haliyle hızlı ön eleme yapar, muhtemel nedenleri sıralar ve teknisyene yol gösterir. Son karar yine sahadaki ölçüm ve gözleme dayanmalı.
Fotoğrafla teşhis ne kadar güvenilir?
Işığın iyi olduğu panel detayının net göründüğü durumlarda oldukça işe yarar. Kirli görüntü veya kötü açı varsa doğruluk düşer។ Yani fotoğraf desteklidir; sihir değildir.
Küçük işletmeler için mantıklı mı?
Evet, çünkü deneyimli PLC uzmanına sürekli erişimi olmayan küçük ekiplerde büyük zaman kazandırabilir. Mesela gece vardiyaları ve dış servis geciktiğinde faydası hiss edilir.
Bulutsuz çalışma neden önemli?
Zira birçok tesiste ağ politikaları sıkıdır ve üretim verisinin dışarı çıkması istenmez. Yerelde çalışan çözümler gizlilik açısından rahatlık sağlar. Ama güncelleme yönetimini iyi yapmak gerekir.
Aşağıdaki resmi kaynaklara göz atabilirsiniz:
{” “}
20+ yıl deneyimli Azure Solutions Architect. Microsoft sertifikalı bulut mimari ve DevOps danışmanı. Azure, yapay zekâ ve bulut teknolojileri üzerine Türkçe teknik içerikler üretiyor.
İlgili Yazılar
Bu içerik işinize yaradı mı?
Benzer içerikleri kaçırmamak için beni sosyal medyada takip edin.
