Rehber
Endüstriyel yapay zekâ önkoşulları: bağlam, veri kalitesi ve yönetişim
Endüstriyel yapay zekâ projelerinin çoğu model eğitilmeden önce tıkanır. Sonucu belirleyen üç önkoşul: varlık bağlamı, veri kalitesi ve karar yönetişimi.

Endüstriyel yapay zekâ önkoşulları: bağlam, veri kalitesi ve yönetişim
Endüstriyel yapay zekâ projelerinin çoğu algoritma yanlış olduğu için başarısız olmuyor. Daha önce tıkanıyorlar. Tesis bir sinyalin ne anlama geldiğini söyleyemiyor, verinin öğrenmeye yetecek kadar iyi olduğunu gösteremiyor veya çıktıya kimin göre hareket edebileceği konusunda anlaşamıyor. Bağlam, veri kalitesi ve yönetişim modelin etrafındaki evrak işi değil. Modelin bir işe yarayıp yaramayacağına karar veren kısım bunlar.
Bu yazı, bir model eğitilmeden önce neyin hazır olması gerektiğini ve bunun hangi sırayla kurulacağını anlatıyor. Dayandığı kaynaklar NIST'in Yapay Zekâ Risk Yönetimi Çerçevesi ve operasyonel teknoloji rehberi, OPC UA standardı ve makine öğrenmesi pratiği üzerine iki hakemli çalışma. Aşağıdaki her sayı varsayımlarını açıkça yazıyor ve hiçbiri bir Tuna Industrial Platform uygulamasını anlatmıyor.
Kısa versiyon, pilot bütçesi ayıranlar için rahatsız edici. Model, sistemin en ucuz ve en kolay değiştirilebilir parçası. Onu işe yarar kılan her şey etrafında kuruluyor ve bu işin büyük kısmı makine öğrenmesi değil.
Model, sistemin en küçük parçası
Yayımlanmış iki araştırma hattı, farklı yönlerden aynı sonuca varıyor.
Yüksek riskli yapay zekâ alanında çalışan 53 uygulayıcıyla yapılan görüşmeler, veri sorunlarının nadiren başladıkları yerde kaldığını gösterdi. Yazarlar "veri çağlayanı" (data cascade) kavramını tanımlıyor: veri toplama aşamasında giren bir kusurun çok sonra, kimsenin güvenmediği bir model olarak ortaya çıktığı birikimli olaylar. İnceledikleri vakalarda yüzde 92 yaygınlık bildiriyorlar (Sambasivan ve arkadaşları, 2021).
Makine öğrenmesi operasyonları üzerine bir derleme de mühendislik tarafından aynı örüntüyü aktarıyor: alan, üretime hazır ürünler yerine model kurmaya odaklandı ve kavram kanıtlarının (proof of concept) çoğu üretime hiç ulaşmıyor (Kreuzberger, Kühl ve Hirschl, 2023).
Tesis diline çevirelim. Model, girdileri bir sayıya eşleyen bir fonksiyondur. Girdileri birinin sağlaması, sayının ne anlama geldiğine karar vermesi, ona göre hareket etmesi, artık doğru olmadığını fark etmesi ve modeli devreden çıkarması gerekir. Bir fabrikada bu "birileri" varlık sicili, historian (tarihsel veri sunucusu), olay sınıflandırması, bakım süreci ve yetkili bir kişidir. Bunlar yoksa model yanlış değildir. İlgisizdir.
Birinci önkoşul: bağlam
Bağlam, bir sayıyı gözleme dönüştüren bilgiler bütünüdür: hangi varlık üretti, hangi çalışma durumunda, hangi birimde, hangi anda, hangi kalitede ve hangi kararın kanıtı olarak. Bunlar çıkarıldığında zaman serisi, öznesi olmayan bir şekle dönüşür.
Durumu olmayan sayı, gözlem değildir
Bir motorun titreşim kaydı, makine ısınırken, tam yükte, boşta veya tip değişimi sırasında farklı anlamlara gelir. Yalnızca değeri ve zaman damgasını saklayan bir veri hattı, farkı günün saatinden çıkarmayı modele bırakır. Model makineyi değil vardiya düzenini öğrenir ve testte mükemmel görünür; çünkü vardiya düzeni son derece öngörülebilirdir.
OPC UA tam bu katman için yazıldı. Standardın 1. Bölümü, yapıyı, davranışı ve anlamı temsil eden bir bilgi modeli tanımlandığını, ayrıca sunucuların tür tanımları ve üstveriyi (metadata) istemcilere açabildiğini ve istemcilerin bunları çalışma anında sorgulayabildiğini belirtir (OPC 10000-1, bölüm 4.1 ve 4.3). Bu bir modelleme yeteneğidir, doldurulmuş bir model değil. Standart size bir varlığı, etiketi, birimi ve ilişkiyi tanımlama yolu verir. İçeriği yalnızca tesis sağlayabilir ve bir yıl süren kısım içeriktir.
Çoğu üretici için pratik çıktı, bakımla temas ettikten sonra ayakta kalan bir varlık ve etiket sicilidir: bakım sistemindeki kimliklerle eşleşen ekipman numaraları, yeni bir mühendisin sormadan okuyabildiği etiket adları, bir kez kaydedilmiş birimler ve çıkarım yerine veri olarak saklanan çalışma modları. ISA-95 çizgisinde bir hiyerarşi zaten varsa, seviyelerin gerçek adlar kazandığı yer bu sicildir.
Etiketin zor yarısı arıza tanımıdır
Denetimli bakım modelleri olaylardan öğrenir ve fabrikadaki olayları insanlar vardiya sonunda kaydeder. Etiket kalitesinin büyük kısmını bu tek gerçek belirler.
Etiketleme başlamadan önce dört sorunun yazılı cevabı olmalı. Arıza ne zaman başladı: ilk alarmda mı, ilk ıskarta parçada mı, hız düşüşünde mi, yoksa bakım çağrısında mı? Planlı değişim sayılır mı? "Arıza bulunamadı" müdahalesi sayılır mı, sayılıyorsa ne olarak? Kaydedilen kodu kim geçersiz kılabilir ve düzeltme nerede saklanır?
NIST bunu teknik değil, belgeleme yükümlülüğü olarak ele alıyor. MAP 2.3 alt kategorisi, veri toplama ve seçme kararlarının kullanılabilirlik, temsil edicilik ve uygunluk açısından belgelenmesini istiyor; bu, etiketlerin modelin varsayacağı anlama gelip gelmediğini sormanın resmi yolu (NIST AI RMF 1.0, MAP 2.3).
Modelden önce kararı test edin
Algoritma seçmeden önce beş şeyi adlandırın: karar, kararı veren kişi, ardından gelen eylem, eyleme kalan süre ve iki hata türünün göreli maliyeti.
Çıktı "bu rulmanın on dört gün içinde arızalanma olasılığı yüksek" ise, karar muhtemelen "değişimi bir sonraki planlı duruşa yaz" olur. Yanlış negatif plansız bir hat duruşudur. Yanlış pozitif, sağlam bir rulmanı inceleyen teknisyendir. Bu maliyetler simetrik değil; bu yüzden tek bir doğruluk rakamı kullanışlılık hakkında çok az şey söyler.
NIST bunu MAP fonksiyonuna yerleştiriyor: riski çerçevelemek için bağlamı kuran ve bağlamsal bilgi olmadan risk yönetiminin zor olduğu uyarısını yapan fonksiyon (NIST AI RMF 1.0, MAP 1.1).
İkinci önkoşul: veri kalitesi
Veri kalitesi tek bir özellik değildir. Endüstriyel zaman serilerinde hasarın büyük kısmı dört kusurdan gelir ve her birinin ucuz bir teşhis yöntemi vardır.
Boşluklar. Ağ kopmaları, kontrolör yeniden başlatmaları ve historian kesintileri delikler bırakır. Yoğun veriyle eğitilip boşluklu veriyle servis edilen model, öğrendiğinden farklı bir soruyla karşılaşır. Teşhis, etiket ve vardiya bazında boşluk sayımıdır; süre kadar nedeni de kaydedilmelidir.
Yanlış değerler. Bir transmitter kayar veya alan veriyolu bağlantısı koptuğunda bir ağ geçidi son değerini tekrarlar. İkincisi tehlikelidir, çünkü sayı makul kalır. Fiziksel olarak makul süreyi aşan özdeş ardışık okumaları arayan donmuş değer denetimi bunun çoğunu yakalar.
Hizasızlık. Saatler kontrolör, historian ve üretim yürütme sistemi arasında farklıdır. Saniyeler bir trend için zararsız, olay atfı için ölümcüldür: arıza yanlış üretim emrine bağlanır ve model yanlış etiketlenmiş bir bağlamdan öğrenir. Teşhis, üç sistem arasında düzenli saat kayması denetimidir.
Etiket bozulması. Duruş neden kodları vardiya ekipleri değiştikçe kayar. Birinci yıl "mekanik" anlamına gelen kod, üçüncü yıl başka bir arıza ailesini kapsıyor olabilir. Bunu yalnızca son kayıtlardan örnek alıp okumak ortaya çıkarır.
Tek bir tasarım kuralı riskin büyük kısmını kapatır: arayüzün zaten sağladığı kalite bayrağını koruyun. Birçok endüstriyel arayüz her değere bir durum veya kalite göstergesi ekler; birçok veri hattı ise ilk toplama adımında bunu atar, çünkü ortalama almak geçerlilik üzerine düşünmekten kolaydır. İyi ve kötü değerlerin ortalaması ikisi de değildir. Kalitesiz değerlerin atılacağına, işaretleneceğine veya tutulacağına açıkça karar verin ve bu kararı sonraki mühendisin bulacağı yere yazın.
Hacim, kalite değildir
Depolama o kadar ucuz ki hacim ilerleme gibi hissediliyor. Asıl darboğaz bu değil. Basit bir hesap asimetriyi görünür kılıyor. 30 makine, her birinde 40 sinyal, 1 Hz örnekleme ve değer başına 8 bayt varsayalım. Bu 1.200 sinyal ve saniyede 9.600 bayt eder; günde yaklaşık 829 megabayt, yılda yaklaşık 303 gigabayt. Bu, hiçbir tesisin ölçümü değil, örnek bir hesaptır.
Yılda üç yüz gigabayt yönetilebilir bir depolama sorunudur. Yılda altmış etiketli arıza olayı yönetilebilir bir etiketleme sorunu değildir ve iki sayı birbiriyle ilgisizdir. Depolamadan tasarruf için sinyal listesini kısmak kanıtı da silebilir; çünkü bir arıza imzası, bir saniyelik ortalamanın sildiği bir frekansta duruyor olabilir. Soru, ne kadar veri tutulabileceği değil, hangi sinyallerin arıza imzasını taşıdığı ve imzayı korumak için hangi hızda örneklenmesi gerektiğidir.
İşlenmiş örnek: otuz makine gerçekte ne verir
Aşağıdaki hesap örnektir ve her varsayım görünürdür.
Varsayımlar: 30 makine, tek bir arıza modu, makine başına yılda ortalama iki kayıtlı olay, 24 aylık kullanılabilir geçmiş ve değerlendirmenin eğitim dönemiyle kirlenmemesi için son 12 ayın test kümesi olarak ayrılması.
- Yıllık olay sayısı: 30 çarpı 2 eşittir 60.
- 24 aylık geçmişteki olay sayısı: 120.
- Eğitim kümesi, ilk 12 ay: 60 olay.
- Test kümesi, son 12 ay: 60 olay.
- İki arıza modu ayrılacaksa: sınıf başına 30 eğitim örneği.
Modelin test dönemindeki 60 olayın 45'ini yakaladığını varsayalım. Ölçülen duyarlılık (recall) yüzde 75 ve bu tahmin için yüzde 95 Wilson güven aralığı yaklaşık yüzde 63 ile 84 arası. Test kümesinde yalnızca 10 olay olsaydı ve model 8'ini yakalasaydı, nokta tahmini yüzde 80, aralık ise kabaca yüzde 49 ile 94 olurdu. Bir planlamacının güvenilirlik olarak deneyimlediği şey nokta tahmini değil, aralıktır.
Aynı hesap, test kümesinin neden zamana dayalı olması ve bir kez kullanılması gerektiğini açıklıyor. Sınıf başına 30 örnekle, test dönemine göre ayarlanan her eşik yeniden üretilemeyecek bir rakam verir. Bu ölçekte dürüst çıktı tek bir doğruluk rakamı değil; bir aralık, ilan edilmiş bir karar eşiği ve tesisin hâlâ bilmediğinin açık dökümüdür.
Üçüncü önkoşul: yönetişim
NIST çerçevesini dört fonksiyon etrafında düzenliyor: yönet (govern), eşle (map), ölç (measure) ve ele al (manage). Yönetişim kesişen bir fonksiyon; risk yönetiminin tamamına yayılıyor ve diğer üçünü mümkün kılıyor. Kategorileri politikalar, hesap verebilirlik yapıları, yapay zekâ sistemlerinin envanteri ve güvenli devreden çıkarma süreçlerini kapsıyor (NIST AI RMF 1.0, bölüm 5.1). Çerçeve gönüllüdür: bir yönetim sistemi şablonu, bir sertifika değil.
Bir tesiste yönetişim, pilot başlamadan önce adı konmuş cevaplar gerektiren birkaç soruya indirgenir. Proje ekibi ayrıldıktan sonra modelin sahibi kim? Çıktısı nedeniyle bir hattı durdurma veya yavaşlatma yetkisi kimde? Model kullanılamadığında operatör ne yapar ve bu yedek yol test edildi mi? Yeniden eğitimi kim onaylar ve hangi olay tetikler? Model ne zaman ve kim tarafından devreden çıkarılır?
Operasyonel teknoloji kısıtı tasarımı neden değiştirir
NIST'in operasyonel teknoloji rehberi, çoğu veri bilimi ekibinin hiç çalışmadığı koşulları anlatıyor. Operasyonel teknoloji genellikle zaman kritiktir; kabul edilebilir gecikme ve titreşim (jitter) tesisata göre belirlenir. Kontrol sistemlerinin kesintisi çoğu zaman kabul edilemez ve günler veya haftalar önceden planlanmalıdır; kapsamlı devre öncesi test şarttır. Başlıca kaygılar güvenlik, hata toleransı, mevzuata uyum, ekipman kaybı ve hasarlı üründür; veri gizliliği değil (NIST SP 800-82r3, bölüm 2.4).
Bundan iki tasarım sonucu çıkıyor. Haftada bir yeniden eğitilen ve sürekli dağıtılan bir model, veri bilimi sorunundan önce bir değişiklik yönetimi sorunudur; çünkü dağıtım, talep üzerine yeniden başlatılamayacak bir üretim sisteminde değişikliktir. İkincisi, NIST bilgi teknolojisini operasyonel teknolojiden ayırmayı ve segmentler arasında yalnızca açıkça yetkilendirilmiş trafiğe izin vermeyi, bunu genellikle bir DMZ üzerinden yapmayı öneriyor (NIST SP 800-82r3, bölüm 5.2.3.1). Kontrol ağına canlı yazma yolu gerektiren bir modelin bu mimariden geçmesi gerekir ve çoğu durumda böyle bir yolu olmamalıdır. Historian'dan okuyun, bakım sistemine yazın, kontrol çevrimine dokunmayın.
Model, kontrollü bir doküman olarak
Uzun vadeli değeri belirleyen yönetişim sorusu basit: iki yıl sonra, modelin belirli bir öneriyi neden ürettiğini yeniden kurabiliyor musunuz? Bunun için bir sürüm kimliği, eğitim verisinin anlık görüntüsü ve tarih aralığı, test protokolü ve belirsizliğiyle birlikte değerlendirme kaydı, desteklenen karar, onay ve geri alma yolu gerekir.
Bu, yeni bir gereklilik değil, olağan makine öğrenmesi operasyonları pratiği. MLOps yazını her iş akışı görevi için üstveri izleme ve soy kütüğü tanımlıyor; parametreler, performans metrikleri ile kullanılan veri ve kod dahil, böylece deney koşuları izlenebilir kalıyor. Sürekli izlemeyi de veri, model, kod, altyapı ve servis performansının periyodik değerlendirmesi olarak tanımlıyor (Kreuzberger, Kühl ve Hirschl, 2023).
Bir tesiste girdileri izlemek, çıktıları izlemek kadar önemlidir. Kayan bir sensörle beslenen model zarifçe bozulmaz. Kendinden emin biçimde yanlıştır ve birileri doğruluk iddiasının artık vardiya raporlarıyla örtüşmediğini fark edene kadar öyle kalır.
İş sırası
Aşağıdaki sıra, tekrar işini önleyen sıradır. Her madde, model var olmadan önce daha ucuzdur.
- Olay ve arıza sınıflandırmasını yazın; başlangıç ve bitiş tanımları ile planlı iş kuralı dahil.
- Varlık ve etiket sicilini kurun; birimler ve çalışma modları veri olarak saklansın.
- Kontrolör, historian ve yürütme sistemi arasındaki saat eşitlemesini düzeltin, saklama politikasını belgeleyin.
- Kalite bayrağı ve boşluk politikalarına karar verin; verinin platforma girdiği yerde uygulayın.
- Karar sahibini, eylem protokolünü ve yedek yolu adlandırın.
- Sabit bir eşik veya yaşa dayalı değişim kuralı gibi basit bir temel referans kurun ve performansını önce yayımlayın.
- Değerlendirme protokolünü yazın; zamana dayalı test kümesi ve karar eşiği dahil.
- Ancak bundan sonra model eğitin ve hiçbir şeyle değil, temel referansla karşılaştırın.
Altıncı madde en sık atlanan ve bütçeyi koruyan maddedir. Bir eşik kuralı kabul edilebilir yanlış alarmla 60 olayın 40'ını yakalıyorsa, 45'ini yakalayan bir modelin marjinal değeri işletme maliyetine karşı açıkça savunulmalıdır.
Nerede yanlış gider
Modeli bakım rejiminin yerine koymak. Kestirimci bakım, önleyici bakımı olmayan bir tesisi tamir etmez. Yağlama aralıkları kaçırılıyor ve yedek parça yoksa, tahmin evrakı değiştirir, sonucu değiştirmez.
Yönetişim tiyatrosu. Kimsenin okumadığı bir risk sicili ve her zaman verilen bir onay, hiç süreç olmamasından kötüdür; çünkü gerçek kontrol kurma teşvikini kaldırırken kontrol görüntüsü yaratır.
Taşınan kıyas değerleri. Tedarikçi doğruluk rakamları başka bir tesisten, başka bir arıza tanımından ve başka bir işletme rejiminden gelir. Savunulabilir tek kıyas, tesisin kendi test döneminde kendi temel referansıdır.
Otomasyon yanlılığı. Her öneriyi onaylayan bir planlamacı döngüdeki insan değildir; döngü alışkanlıkla kapanmıştır. Geçersiz kılınan vakaların düzenli incelenmesi, kontrolü gerçek tutmanın tek yoludur.
Mevzuat varsayımları. Yükümlülükler yargı bölgesine, sektöre ve kullanıma göre değişir. NIST çerçevesi açıkça gönüllüdür ve bu yazı belirli bir tesise hangi kuralların uygulandığına dair bir iddia taşımıyor. Herhangi bir mevzuat pozisyonuna güvenmeden önce yetkin danışmanlıkla doğrulayın.
Sonuç
Endüstriyel yapay zekânın önkoşulları egzotik değil. Kimsenin bitirmediği varlık sicili, kimsenin anlaşmadığı arıza tanımları, kimsenin ölçmediği saat kayması ve kimsenin sormadığı "kim harekete geçebilir" sorusu. Her biri tek başına ucuz, bir model ona bağlandığında pahalı.
Bu soruları önce yanıtlayan bir tesis genellikle planladığından daha küçük, daha dar bir karara hizmet eden ve çıktıdan eyleme daha kısa yolu olan bir model gerektiğini keşfeder. Bu hayal kırıklığı verici bir sonuç değil. Bir sunum slaytında biten pilot ile üç yıl sonra hâlâ çalışan bir sistem arasındaki fark bu.