benlong 
Üretimde Agentic AI: AI Ajanlarının Fabrika Katını Nasıl Değiştirdiği
Saat sabah 2:40 ve bir tedarikçi, bir parti bakır bobinin iki gün gecikmeli teslim edileceğini bildiren bir e-posta göndermiş. Çoğu üretim tesisinde, bu mesaj genellikle planlamacının sabah sekizde fabrikaya gelene kadar gelen kutusunda kalır. Ancak o zamana kadar, gece vardiyasındaki işçiler, bu bobinleri içeren üretim işlerine çoktan başlamış olacak ve hattın öğlene kadar duracağını fark edecek, bu da birinin gün için manuel olarak süreçlerin yeniden planlanmasını tamamlamasını gerektirecektir.
Şimdi alternatif bir gece hayal edelim. Bir yazılım ajanı gelen e-postayı okur, hangi siparişlerin kaçırılan bobinlere bağlı olduğunu ve stokta hangi malzemelerin kaldığını kontrol eder ve bobinler olmadan fabrikanın takip edebileceği yeni bir operasyon zaman çizelgesi oluşturur. MES verileri aracılığıyla ekipman kullanılabilirliğini kontrol eder, gecikecek iki siparişi belirler ve planlamacıya yeni planlanan zaman çizelgesini özetleyen bir mesaj gönderir.
Bu ikinci senaryo, insanların üretimde ajan tabanlı AI'dan bahsederken kastettikleri şeydir. Bu gerçekten sadece akıllı bir gösterge paneli değil, ajan tabanlı AI'nın gerekli tüm eylemleri planlama, fabrika yazılım araçlarını kullanma ve üretim sürecini kendi başına tamamlama yetenekleriyle ilgilidir.
Ajan tabanlı AI kavramı hızla ilgi çekici bir fikirden tedarikçilerin yol haritalarının bir parçası haline geldi. Örneğin, 2026 baharında IBM, otonom kalite yönetimi, dinamik planlama ve uçtan uca süreç optimizasyonunun ajan tabanlı AI teknolojilerinin öncü uygulamaları olması gerektiğini belirten bir rehber yayınladı. Aynı yılın Mart ayında Siemens, endüstriyel AI sistemlerinin ajan tabanlı hale geldiğini açıkladı; ayrıca Endüstriyel Copilot programının yardımıyla hareket eden uzman ajanları denetleyen orkestratör ajanı tanıttı. O ay içinde Microsoft, 2026’yı AI için bir dönüm noktası olarak nitelendirdi; burada yönetişim ve geri alma yeteneklerinin AI uygulamasının temel başarı faktörleri arasında olacağını belirtti.
Mevcut rehber, ajan tabanlı AI'nın ne olduğunu, nerelerde kullanıldığını ve teknolojiyi yeni riskler yaratmadan nasıl uygulayabileceğinizi sağlayacaktır. Ayrıca, devre kesici test sürecindeki kullanımına dair bir örnekle sizi yönlendireceğiz.
Hızlı cevap: Üretimde ajan tabanlı AI, belirlenen hedeflere ulaşmak için gereken eylemleri planlayabilen, MES, ERP ve bakım yazılımı gibi veri sistemlerinden bilgi alan ve insan müdahalesi minimum düzeyde olacak şekilde eylemler gerçekleştiren AI sistemleri olarak tanımlanır. Ajan tabanlı üretim AI teknolojilerinin başlıca uygulamaları kalite incelemesi, dinamik planlama, bakım koordinasyonu ve tedarik zincirinin yeniden planlanmasını içerir. En etkili üretim birimlerinde ajanlar, açıkça tanımlanmış yetki sınırları altında çalışır: güvenlik mantığı PLC'de bulunurken, daha yüksek riskli eylemler insan onayı gerektirir.
Üretimde Agentic AI Nedir?
Çoğu fabrika zaten çeşitli “zeka” biçimlerini kullanmaktadır. PLC'ler çok yüksek frekansta mantık işlemleri hesaplar—her saniye bu işlemi binlerce kez yapar. Görüntü sistemleri kusurlu ürünleri ayıklar. Öngörücü modeller rulmanın aşındığını gösterir. Soru şudur: Burada ne yenidir?
Aslında fark, döngünün kapatılmasıdır. Öngörücü modeller bazı bilgiler sunarken, agentic sistemler bu bilgiler üzerinde hareket edebilir. Siemens'e göre, agentic sistemler, birinin her tıklamayı yapmasına gerek kalmadan çözümler sunmak ve çok adımlı problemleri çözmek için birden fazla veri kaynağı ve araç kullanan AI'yı temsil eder. IBM bunu fabrika katı faaliyetleri açısından tanımlar. Agentic sistemler, sadece kusuru raporlamak yerine, kusuru gördüklerinde makine ayarlarını değiştirebilirler.
Gerçekte, Üretimde AI ajanları üç işlevi yerine getiren bilgisayar programları olarak değerlendirilebilir: bir amacı vardır (3. hat üzerindeki çıktı hedefini korumak ve kalite alarmını ele almak), belirli araçlara erişimi vardır (MES okumak, ekipman bakımı için iş emirleri oluşturmak, tedarikçilerin stok seviyesini öğrenmek) ve eylemleriyle ilgili kurallarla yönlendirilirler.
AI Ajanları vs Geleneksel AI vs Otomasyon
Terimler sürekli karışıyor, işte tipik bir üretim katında nasıl karşılaştırıldıkları.
| Teknoloji | Ne yapar | Fabrika örneği | Sonuç üzerinde kim hareket eder |
|---|---|---|---|
| Kural tabanlı otomasyon (PLC, robotlar) | Programlandığı gibi sabit mantığı uygular | Bir presleme istasyonu, kuvvet sınırı aşıldığında parçayı reddeder | Makine, sabit kurallar dahilinde |
| Öngörücü / analitik AI | Desenleri bulur ve sonuçları tahmin eder | Bir model, on gün içinde bir milin arızalanacağını tahmin eder | Bir kişi uyarıyı okur ve karar verir |
| Üretken AI yardımcı pilotu | Soruları yanıtlar ve istek üzerine içerik taslağı oluşturur | Bir mühendis PLC kodu veya arıza açıklaması ister | Her istemden sonra bir kişi |
| Ajan Temelli Yapay Zeka | Bir hedefe yönelik çok adımlı işleri planlar ve araçları kullanarak gerçekleştirir | Bir ajan arıza tahminini görür, düşük yük penceresi bulur, teknisyeni ayarlar ve parçayı sipariş eder | Ajan, onaylanmış sınırlar dahilinde; insanlar daha yüksek riskli adımları onaylar |
Agentic AI'nın diğer üçünü değiştirmediğine dikkat edin. Onların üstünde yer alır. PLC hala makineyi çalıştırır. Öngörücü model hala tahmin üretir. Ajan, bu sinyalleri eyleme dönüştüren katmandır.
Bir AI Ajanı Fabrika Katında Nasıl Çalışır
Çoğu endüstriyel ajanın çekirdeğini çalıştırmak için dört ana algoritma belirlenmiştir:
SCADA veya PLC'de gözlemlenen makine durumlarından, MES veya ERP siparişlerinde saklanan operasyonel test sonuçlarından ve tedarikçi portalları veya e-postalar aracılığıyla güncellenen satın alma taleplerinden toplanan gerçek zamanlı ve tarihsel bilgilerin algılanması.
Akıl yürütme. Durumu anlamak ve bir plan oluşturmak için bir dil modeli ve alan kuralları kullanmak, örneğin, “trip sonuçları sapıyor; önce bir test tertibatının sorumlu olup olmadığını kontrol et.”
Aktivasyon. Araçları çağır: sorguları çalıştır, iş emirleri oluştur, programları güncelle ve mesajlar gönder. Oluşturulan her çağrının bir kaydı vardır.
Öğrenme. Sonuca bak ve beklenenle karşılaştır; sonra, sonraki kararı ayarla.
Büyük tesislerde tek tip bir ajan kaybetmek nadirdir. Birden fazla uzmanlaşmış ajanı, bir orkestra şefi yönetiminde benimsediler. Siemens’in tam olarak bahsettiği budur: Endüstriyel Yardımcıları konuşma ön yüzü iken, orkestrasyon ajanı işin hangi kısmını hangi uzman ajanın tamamlayacağını seçer. IBM aynı modeli, izole bir görevle meşgul olmak yerine iş akışları arasında çalışan çoklu ajan sistemi olarak adlandırır.
IBM, Siemens ve Microsoft’un Söyledikleri
Üç şirket konuyu farklı açılardan ele aldı; bu faydalıdır çünkü hepsi stratejinin çeşitli yönlerini, endüstriyel yazılımı ve bulut altyapısını kapsar.
IBM, ajan tabanlı yapay zekayı maliyet, kalite ve teslimatı eşzamanlı değerlendiren sürekli bir karar verme süreci olarak görür. Şirketin 2026 genel bakışı, kalite ve planlamadan satış ve tedarik zincirine kadar sekiz uygulama sektörünü sunar ve Gartner’ın 2028’e kadar ajan tabanlı yapay zekanın kurumsal yazılım uygulamalarının ’ünde kullanılacağını, 2024’te ise %1’in altında olduğunu öngördüğünü ekler.
Siemens, tasarım, planlama, mühendislik, işletme ve servis dahil endüstriyel değer zincirine odaklanır. CEO Rainer Brehm, Automate 2025“te ajan tabanlı yapay zekayı tanıtırken bu teknolojiyi ”soru-cevap paradigmasının ötesine” geçen, iş akışlarını tamamlayabilen sistemler olarak nitelendirdi. Şirket, ’ye kadar üretkenlik artışı sağladığını iddia eder ve müşterilerin ajana devrettikleri görevler üzerinde kontrol sahibi olduğunu garanti eder.
Microsoft, orkestrasyon ve güvene odaklanır. Mart 2026’da yayımlanan makalesi, kullanıcıların asistanlarla çalışmasını sağlayan araçların, görevleri yerine getiren ajan tarafından değiştirileceği üç değişimi—sistemler, veri ve iş—tanımlar. Şirkete göre, yapay zeka öneriler sunmaktan görevleri yürütmeye geçtikçe, modellerin yönetimi, erişim kontrolü, veri, OT ve kararların açıklanabilirliği ihtiyacı ortaya çıkar.
Üretimde Ajan Tabanlı Yapay Zeka Kullanım Alanları
İşte burada konuşma pratikleşiyor. Aşağıda üretimde ajan tabanlı yapay zeka kullanım alanları satıcı materyallerinde ve erken uygulamalarda en sık karşılaşılanlar ve her birinde bir ajanın yaptığı iş türü yer almaktadır.
Otonom Kalite Yönetimi
Bilgi zaten mevcut olduğundan, kalite bu durumda başlangıç durumudur. Herhangi sayıda denetim kamerası, test tezgahı veya ölçüm cihazı sayı üretir ve çoğu zaman bu sayılar sadece bir kez incelenir.
Ancak diğer sistemlerin aksine, bir kalite ajanı verileri sürekli izlemektedir. Bu, ajan verilerde herhangi bir anormallik fark ettiğinde (örneğin artan hata oranları, yaklaşan sınırlar veya belirli bir vardiyada yaşanan arıza kümeleri) sadece anormalliği kaydetmekle kalmayıp, bu sonuçları hangi üretim istasyonu veya aparatın ürettiğini araştırdığı anlamına gelir.
Burada elektronik alanında IBM örnek olarak gelir: sistem lehimleme sırasında tekrarlayan bir hata tespit ettiğinde, ekipmanın sıcaklık ve zamanlamasını düzeltebilme kapasitesine sahiptir veya yakın zamanda lehimlenmiş tüm kartların hedefli testini başlatabilir.
Güvenlik açısından kritik ürünlerde, genellikle ajanın işlevi araştırmayla sınırlıdır, süreçte herhangi bir değişiklik ise lisanslı bir mühendisin onayına tabidir.
Dinamik Üretim Planlaması
Bir üretim programı oluşturulduğu anda, güncelliğini yitirmeye başlar. Bu, makine arızası, acil sipariş veya teslimat sorunu nedeniyle olabilir. Bu da çalışanların özellikle gün içinde her şeyi sürekli olarak elektronik tablolarında yeniden planlaması gerektiği anlamına gelir.
Planlama ajanları, sipariş durumu, makineler, iş gücü uygunluğu ve malzeme uygunluğu hakkında canlı bilgileri kullanarak siparişleri sürekli yeniden planlar. IBM, bir otomobil fabrikasında bazı ana bileşen teslimat gecikmeleri nedeniyle üretimin durdurulduğu bir örnek vermiştir. Ancak, üretimi kapatmak yerine, bir planlama ajanı üretim sürecini kolayca yeniden organize edebilir, teslimata ihtiyaç duymayan araçların önce üretilmesini sipariş edebilir ve hat işçileri arasındaki iş yükünü dengeleyebilir.
Bu yaklaşım, çoğu üretim sürecinde aynı şekilde uygulanabilir. Birkaç farklı model üreten küçük bir kesici üreticisi bile değişim sayısını azaltmaktan fayda sağlayabilir.
Öngörücü Bakım Orkestrasyonu
Öngörücü bakım uzun zamandır var, ancak zorluk her zaman tahminden sonra ne olduğudur. Birinin uyarıyı alması, zaman çizelgesini kontrol etmesi, bir teknisyen bulması, gerekli parçayı sipariş etmesi ve üretimle duruş süresini müzakere etmesi gerekir.
Bu iş ajanlar tarafından yürütülür. IBM, ajanları beklenen üretim duruşu sırasında işi planlayabilen, yedek parça sipariş eden, teknisyen atayan ve geçici olarak yükleri diğer makinelerle değiştiren varlıklar olarak tanımlar. Aynı yaklaşım Siemens’in Senseye Maintenance Copilot projesinde benimsenmiştir. Siemens’e göre, pilot müşteriler reaktif bakım faaliyetlerinde harcanan süreyi ortalama oranında azaltmıştır.
Tedarik Zinciri ve Envanter Koordinasyonu
Microsoft, erken tedarik zinciri yapay zekasının yalnızca raporlar ve panolar oluşturduğuna inanıyor, ardından alınan içgörülere dayanarak harekete geçmek insanların sorumluluğundadır. Bir sonraki aşama, tedarikçilerle koordinasyon sağlayarak, kaynak sağlamayı veya yeniden planlamayı tetikleyerek ve olası lojistik sorunları yöneterek hareket etme yeteneğine sahip yapay zekaya sahip olmaktır.
IBM, Oracle ve Accelalpha ile ortaklaşa yaptığı kendi araştırmasına atıfta bulunarak, tedarik zinciri yöneticilerinin 'sinin yapay zeka ajanlarının eylem hızını artırdığını iddia ettiğini belirtmektedir. Bu arada, tedarik zinciri başkanlarının 'sı, insanlardan daha hızlı rutin görevleri çözebilen ajanların operasyonel süreçlerde daha iyi verimlilik sağlamaya yardımcı olmasını beklemektedir.
Belirli bir fabrika için pratik versiyon, ajanın tedarikçilerden birinin geciktiğini anlaması, hangi siparişlerin etkileneceğini belirlemesi ve ilgili sipariş için başka bir tedarikçi veya malzeme önermesidir. Bu, daha önce belirtilen sabah 2:40 anlatımıdır.
Uçtan Uca Süreç Optimizasyonu
Geleneksel süreç iyileştirme girişimlerinde, optimizasyon yalnızca bir istasyonda gerçekleşir. Sürecin hız, maliyet ve kalite arasındaki dengelemeler yapılırken sürecin her parametresi dikkate alınabilir.
Bu, IBM’in tüketici ürünleri ile yapılan bir vaka ile gösterilmiştir. Ajan, süreç hızındaki bir düşüşün kusur oranında önemli bir azalmaya yol açacağını ve böylece üretim maliyetini düşüreceğini keşfetmiştir. Değişiklikler hemen uygulanmış ve süreçte sürekli olarak optimize edilmiştir. Deneyimli bir mühendis aynı sonuca varabilirdi, ancak aylar süren veri analizlerinden sonra, sadece birkaç gün içinde değil.
Enerji ve Kaynak Optimizasyonu
Ağır sanayi tesisleri, maliyet tasarrufu sağlayan esnek yük kaydırmayı kontrol etme yeteneğine sahiptir. Çelik ve kimya üretiminde ajanların kullanımı, enerji yoğun süreçlerin elektrik fiyatlarının en düşük olduğu zamanlarda gerçekleşmesini sağlar ve verimden ödün verilmez.
Elektrik cihazı üreticilerinin, elektrik bileşenlerinin burn-in testi şeklinde esnek yük örnekleri vardır. İyi bir örnek IoT akıllı MCB üretim hattı, yük koşulları altında birkaç gün süren yaşlandırma testlerinin yapıldığı yerdir.
Mühendislik, PLC Programlama ve Ürün Geliştirme
En gelişmiş ajan teknolojilerinin bazıları, üretim sahasından ziyade mühendislikte bulunabilir. Siemens’in TIA Portal için Engineering Copilot’u, otomasyon mühendislerinin basit talimatlardan PLC kodu geliştirmesine olanak tanırken, NX CAD’de Design Copilot işlev görür. Siemens, thyssenkrupp Automation Engineering’de mühendislerin geliştirilmiş kod kalitesi ve daha hızlı geliştirme kaydettiğini bildirmektedir.
IBM, karmaşık mühendislik görevini daha küçük parçalara bölen, tasarım varyantları geliştiren ve fiziksel bir nesne ortaya çıkmadan çok önce sıklıkla dijital ikizde simülasyonları kontrol eden ajanları temsil eder. Daha kısa üretim döngüleri, otomasyonun herhangi bir kullanıcısı için daha hızlı devreye alma anlamına gelir.
Ön Cephe Operasyon Desteği
Microsoft, çok modlu yardımcı pilotlar kullanan ön saflardaki ekiplerin daha fazla sorunu bağımsız olarak çözeceğine inanıyor ve insanlarla AI'yı içeren bu süreçlerin sonunda operasyonel ajanlara dönüşeceğini düşünüyor. Siemens'in Operations Copilot'u benzer bir prensibi takip eder; operatörler ve teknisyenler, makine verilerini kullanarak kolay anlaşılır bir dilde sorun giderme rehberliği alır.
Yüksek personel değişim oranı yaşayan tesisler için – birçok gelişmekte olan ihracat pazarında yaygın bir durum – bu, her yeni çalışanın kıdemli bir teknisyenin uzmanlığından faydalanmasını sağladığı için fayda sağlamak için en hızlı yol olabilir.
Üretimde Ajanik AI Uygulamaları Genel Bakış
Aşağıdaki tablo, ana üretimde ajan tabanlı AI uygulamalarını, her ajanın tipik olarak bağlandığı sistemleri ve genellikle bir kişinin nerede devrede kaldığını özetlemektedir.
| Kullanım durumu | Ajanın yaptığı iş | Bağlandığı sistemler | Tipik insan kontrol noktası |
|---|---|---|---|
| Kalite yönetimi | Trendleri tespit eder, kök nedenleri izler, ek inceleme tetikler | MES, test tezgahları, görsel, SPC | Mühendis herhangi bir süreç değişikliğini onaylar |
| Üretim planlaması | Siparişler, makineler veya malzemeler değiştiğinde işleri yeniden sıralar | ERP, MES, planlama yazılımı | Planlayıcı teslimat tarihlerini değiştiren değişiklikleri onaylar |
| Bakım organizasyonu | Düşük yük pencerelerinde işleri rezerve eder, parça sipariş eder, teknisyen atar | CMMS, durum izleme, MES | Süpervizör duruş süresi penceresini onaylar |
| Tedarik zinciri koordinasyonu | Tedarikçi gecikmelerine yanıt verir, siparişleri ve planları ayarlar | ERP, tedarikçi portalları, e-posta | Alıcı yeni tedarikçileri veya ekstra harcamayı onaylar |
| Süreç optimizasyonu | Onaylanmış aralıklar içinde hız ve set noktalarını ayarlar | MES, tarihçi, onaylanmış makine arayüzleri | Süreç sahibi izin verilen aralığı belirler |
| Enerji yönetimi | Esnek yükleri daha ucuz dönemlere kaydırır | Enerji sayaçları, MES, tarife verileri | Tesis yöneticisi sınırları belirler |
| Mühendislik | PLC kodu, tasarım varyantları ve simülasyonlar üretir | TIA Portal, CAD, PLM, simülasyon araçları | Mühendis tüm kodu gözden geçirir ve test eder |
| Ön hat destek | Operatör sorularını yanıtlar, arıza bulmayı yönlendirir | Kılavuzlar, MES, makine verileri | Operatör ne yapacağına karar verir |
Ayrık Üretimde Ajanik AI
Rafineriler ve kimyasal tesisler gibi endüstriyel proses operasyonları uzun süredir gelişmiş proses kontrol teknolojilerini kullanmaktadır. Buna karşılık, otonom AI teknolojisinin ortaya çıkışı, ayrık üretim için bir alan açmıştır; çünkü ayrık üretim tesisleri, geleneksel sistemlerin etkili bir şekilde yönetemediği çeşitli asimetrilerle karşı karşıyadır.
Elektrik cihazları – devre kesiciler, başlatıcılar veya ölçüm cihazları – üreten bir tesisi düşünün. Üretim birimi, her biri birçok seçenek ve modifikasyona sahip onlarca elektrik cihazı versiyonu ile çalışır ve bunların her biri birçok üretim hatasına yol açabilir. Üretim bir işlemden diğerine her geçişte yanlış bir üretim planı kullanma olasılığı artar. Bu durumda üretim parça takibi karmaşıktır ve sayısız değişken tarafından şekillendirilir; bu da gelişmiş teknolojiler kullanan zeki bir “çözüm” ajanı için mükemmel bir fırsat sunar.
Çeşitli ürünlerle çalışan en iyi üreticilerin gösterdiği verimlilik bunu kanıtlıyor. Rockwell Automation Singapur, yıl içinde 50'den fazla dijital ve yapay zeka teknolojisinin uygulanması nedeniyle çoğu birçok değişiklik geçiren 1.000'den fazla çeşitli ürün üretiyor; bunlardan biri kalite kontrol için yapay zekadır. Siemens Amberg ve Eaton Changzhou benzer bir hikaye anlatıyor ve bu konuda Schneider, Siemens ve Eaton'dan fabrika deniz feneri örneklerine ilişkin rehberimizde nasıl ilerlediklerini ele aldık. Schneider, Siemens ve Eaton'dan fabrika deniz feneri örnekleri.
Örnek: Bir AI Ajanının MCB Test Hattındaki Kalite Problemlerine Nasıl Yanıt Verebileceği
Bu, ajan tabanlı yapay zekanın test verileriyle nasıl çalışabileceğine dair bir örnektir. Benlong hizmetine sunulan gerçek bir ajan yapay zeka sisteminin çalışmasını belirtmez.
Yüksek hızlı bir MCB otomatik test hattı çalışan C16 kesicileri hayal edin. Her cihaz, 5-10× In seviyesinde anlık (manyetik) trip testi, 1.13× ve 1.45× In'de termal kalibrasyon ve kontak direnci testlerinden geçer. Hat saatte 1.800-2.400 birim üretir ve her birim için sonuç, seri numarası ve zaman damgası ile birlikte görünür ve OPC UA veya Modbus TCP üzerinden bağlanan MES'e veri gönderir.
İki vardiyeden fazla sürede, bir partinin manyetik trip sonuçları tolerans sınırlarına yaklaşmaya başladı. Yine de her bir MCB normal şekilde çalışıyor. Geleneksel sistem, her şey yolunda göründüğü için bir sorun görmez.
Aynı verilere erişimi olan ajan tabanlı kalite kontrol yapay zekası, eğilimi farklı şekilde okuyacaktır. Böylece aşağıdakileri yapabilir:
Gerçekten bir sapma olup olmadığını ve sadece normal bir varyasyon olmadığını doğrulamak için partiyi benzer derecelendirmelerin tarihsel sonuçlarıyla karşılaştırır.
Vardiyanın montaj süreciyle, örneğin bir istasyon, aparat veya operatör değişikliğiyle mi yoksa malzeme üst akış partisinin (örneğin yeni bir bobin teli makarası veya bir yoke tedarikçisi) bir şekilde bağlantılı olup olmadığını belirler.
Ölçüm hatasında bir hata olup olmadığını kontrol etmek için test istasyonundan elde edilen verileri inceler; örneğin, test aparatındaki kontak direncindeki artışı değerlendirir.
Öneriler hazırlar: etkilenen partinin örneklemesini artırmak ve aparat ölçümünü gerçekleştirmek.
Mühendisi sorundan haberdar eder, böylece alınacak eylemleri onaylayabilir.
Mühendis onay verdikten sonra, MES denetim görevini ve bekletmeyi oluşturur. Ajan daha sonra sapmanın durup durmadığını görmek için sonraki birimleri izlemeye başlar ve gelecekteki olası denetimler için her şeyi belgeleyerek kaydeder.
Ajanın asla yapmaması gereken bazı şeyler vardır. Özellikle, trip operasyonunun sınırlarını artırmamalı, herhangi bir güvenlik gereksinimini göz ardı etmemeli veya kalibrasyon parametrelerinden herhangi birini kendi başına değiştirmemelidir. Geçme/kalma kararlarının tüm sorumluluğu yetenekli test ekipmanındadır. Ajanın rolü problemi bulmak ve sorumluların yanıt süresini iyileştirmektir.
Üreticiler Bugün Üretimde AI Ajanlarını Nasıl Kullanıyor?
Birisi tüm bu bilgilerin ne kadar gerçekçi olduğunu merak edebilir. Bu soruya dürüst bir cevap, bu bilgilerin çoğunun hala yardımcı pilot aşamasıyla ilgili olduğunu belirterek bulunabilir; bu, yapay zeka sisteminin insanla işbirliği yaptığı ve böylece otonom ajanlar oluşturma sürecinin kademeli hale geldiği anlamına gelir. Erişilebilir gerçekler belirtilmelidir:
Siemens, Endüstriyel Yardımcı Pilotlarının hem üretim tesislerinde hem de müşterileri için iyi sonuçlar sağladığını iddia ediyor. Tesislerinden biri (Bad Neustadt'taki motor tesisi), verileri işlemek ve bunları uygulanabilir bilgilere dönüştürmek için Insights Hub Üretim Yardımcı Pilotunu kullanıyor. Ayrıca, Siemens, farklı sistemlerin (hem kendi hem de üçüncü taraf sistemler) sinerji içinde çalışmasına olanak tanıyan bir platform başlatmayı planlıyor.
Siemens Digital Industries Software, farklı dillerde yapılan sesli raporları işlemek ve bunları ilgili uzmanlara iletmek için Teamcenter PLM sisteminde kullanılmak üzere Microsoft Teams uygulamasını geliştirdi.
Körber, çalışanları için MES, ERP ve tedarik zinciri verilerini entegre etmek amacıyla PAS-X MES sistemini Microsoft Azure'a taşımaya karar verdi.
Rockwell Automation'ın Singapur'daki tesisi, Haziran 2026'da Küresel Deniz Feneri unvanını aldı. Tesis birçok yapay zeka sistemi uygulamakta ve yeni çalışanların eğitim süresini oranında azalttı.
Siemens’in Nanjing tesisi sanal olarak tasarlandı ve yapay zeka tarafından yönetilen 50’den fazla operasyonu yürütüyor; siparişleri daha kısa sürede alıyor.
Dünya Ekonomik Forumu, Haziran 2026'da yaptığı açıklamada, Küresel Deniz Fenerlerinin sayısının 238'e ulaştığını ve artık yapay zekayı temel işletme yeteneğine dönüştürdüklerini duyurdu.
Bir Üretim Tesisinde Yapay Zeka Ajanları Nasıl Uygulanır
Başarısız olan fabrika yapay zeka projelerinin büyük çoğunluğu algoritmanın eksikliklerinden değil, başka nedenlerden dolayı başarısız olur. Başarısızlık, düşük kaliteli verilere ve projeden sorumlu kişinin atanamamasına bağlanabilir. Microsoft’a göre, başarılı projelerin nedenlerini açıklayan KPMG tarafından belirlenen “başparmak kuralını” aklınızda tutmalısınız – algoritmaya, teknoloji ve verilere, ise insanlara ve süreçlere bağlıdır.
İşte pratik bir sıra bir üretim tesisinde yapay zeka ajanlarının nasıl uygulanacağına dair, küresel bir şirketten ziyade orta ölçekli bir fabrika için yazılmıştır.
Adım 1: Bir “Yapay Zeka Stratejisi” değil, Bir Karar Döngüsü ile Başlayın”
Şu anda bir kişinin karşılaştığı ve ölçülebilir sonuçları olan yaygın bir kararı seçin. Örneğin, bir montaj hattındaki kalite dalgalanmalarına nasıl tepki verileceğine, bir makinenin durmasından sonra işleri nasıl yeniden düzenleyeceğinize veya bir darboğazdaki bakımı nasıl yöneteceğinize bakabilirsiniz. Ancak, kötü bir karar, güvenlik faaliyetleriyle ilgili herhangi bir şey veya yılda sadece iki kez gerçekleşen bir şey olabilir.
Kararı bir cümleyle yazın, sonucun sorumlusu olan kişiyi (şu anda kimin sahip olduğunu) belirtin ve “daha iyi”nin sayısal olarak ne anlama geldiğini açıklayın.
Adım 2: Öncelikle Veri Temelini Düzeltin
Bir makinenin etkinliği, erişebildiği verilere bağlıdır. Herhangi bir AI platformu satın almadan önce aşağıdakilere bakın:
Sonuçlar, birim veya parti bazında, zaman damgalarıyla dijital kayıtlar olarak saklanıyor mu?
Her sonuç, makine numarası, konum, malzeme partisi ve reçete ile tanımlanabilir mi?
Veriler, OPC UA, Modbus TCP, SQL veya REST API gibi makinenin dışında ve erişilebilir durumda mı?
MES veya merkezi bir veritabanı, desenleri ortaya çıkaracak kadar kayıt saklayabilir mi?
IBM, veri entegrasyonu ve eski sistemlerin, ajan tabanlı AI'nın karşılaştığı ilk engel olduğunu belirtmekte ve şirketlere tüm verileri bir kerede entegre etmeye çalışmak yerine en yüksek değerli veri kaynaklarını öncelikle belirlemelerini tavsiye etmektedir. Makalemiz tam entegre otomasyon PLC, HMI, MES ve ERP katmanlarının nasıl bir araya geldiğini açıklamaktadır.
Adım 3: Canlıya Geçmeden Önce Özerklik Seviyelerini Tanımlayın
Bu, çoğu ekibin atladığı ve onları sorunlardan koruyan adımdır. Ajanın her tür eylem için ne kadarını kendi başına yapabileceğine önceden karar verin.
| Seviye | Ajanın yapabilecekleri | Örnek |
|---|---|---|
| 0 – Gözlemle | Verileri izler ve bulguları raporlar; hiçbir işlem yapmaz | Her hat üzerindeki kalite trendlerinin günlük özeti |
| 1 – Öner | Kanıtlarla eylemler önerir; bir kişi karar verir ve uygular | Trip sonuçları sapmaya başladığında bir fikstür kontrolü önerir |
| 2 – Onayla birlikte hareket et | Eylemi hazırlar ve bir kişi onayladıktan sonra uygular | Mühendis onay butonuna tıkladıktan sonra MES denetim görevi oluşturur |
| 3 – Sınırlar içinde hareket et | Önceden onaylanmış sınırlar içinde tek başına hareket eder ve sonrasında rapor verir | Teslimat tarihi değişikliği olmadığında vardiya içinde işleri yeniden sıralar |
Çoğu tesis, Seviye 0 veya 1'den başlamalı ve ajan bir performans geçmişi oluşturduktan sonra yukarı çıkmalıdır. Güvenlikle ilgili fonksiyonlar her seviyede ajanın erişiminden uzak tutulmalıdır.
Adım 4: Ajanlara Ham Kontrol Değil, Araçlar Verin
Bir ajanın, bir insan tarafından kullanılacak aynı kontrollü arayüzleri kullanarak çalışması esastır; örneğin, bakım sisteminin iş emri, MES durdurma ve planlama aracının güncellemesi gibi. Bir ajan doğrudan PLC belleğiyle etkileşime girmemeli, güvenlik mantığını değiştirmemeli veya onaylanmış reçeteleri değiştirmemelidir.
Öncelikle sadece okuma izni ile başlayın, ardından her araç için belirli sınırlar ve kayıtlarla yazma izni ekleyin.
Adım 5: Gözetim, Denetim İzleri ve Geri Alma Özelliği Oluşturun
Microsoft'a göre, AI çalışmaya başladığında üreticiler için dört güven yeteneği olmalıdır: model yönetimi, veri ve erişim kontrolü, OT ve uç nokta güvenliği ve kararları açıklama, kısıtlama ve geri alma yeteneği. Aynı prensip IBM tarafından da desteklenmekte olup, alınan kararlar için net sınırlar belirlenmesini, insanın döngüde yer almasını ve AI destekli her eylemin kaydedilmesini önermektedir.
Başka bir deyişle, alınan her eylem, kullanılan verilerin ve verilen kararın gerekçesinin kaydıyla hesaplanmalıdır. Ayrıca, her eylem ya geri alınabilir olmalı ya da önceden onaylanmış olmalıdır.
Adım 6: Önce Gölge Modunda veya Dijital İkizde Test Edin
Ekipmana dokunmadan ajanı operasyonda test etmek en iyisidir. Ajan olup biten her şeyi görür, kararlar verir ve önerilerde bulunur, ancak hiçbir şey gerçekleşmez. Önerilerini mühendislerinizin aldığı eylemlerle karşılaştırın ve tutarsız noktalara odaklanın.
Elinizde hattın simülasyon modeli varsa, onu da kullanın. Kılavuzumuz üretim hatları için dijital ikizler Siemens, Schneider Electric ve ABB'nin simülasyon ve sanal devreye alma süreçlerini nasıl kullandığını ve daha küçük tesislerin tek bir hatla nasıl başlayabileceğini açıklar.
Adım 7: Ölçün, Sonra Ölçeklendirin
En başından itibaren birkaç sayının kaydını tutun: uyarıdan eyleme kadar geçen süre, hurda ve yeniden işleme oranları, planlanmamış duruş süresi, programa uyum ve yapılan önerilerin kullanıcılar tarafından takip edilme yüzdesi. İlk döngü etkili olduğunu kanıtladıktan sonra, önceki döngüden veri modelini, izin çerçevesini ve kayıtları yeniden kullanın.
Microsoft, MIT ve McKinsey araştırmalarından elde edilen bulgulara atıfta bulunur; bu araştırmalar, belirgin bir yönetişim modeli ve birleşik veriye sahip organizasyonların, veri ve yönetişim çerçevesinden yoksun şirketlere kıyasla dört kat daha fazla dönüşümsel sonuç elde edebileceğini ve bunu iki kat daha kısa sürede yapabileceğini vurgular. Ölçeklenen temel yapıdır, bireysel pilot değil.
En İyi Uygulamalar ve Yaygın Hatalar
- İnsanların sıkça şikayet ettiği ilgili bir sorunu belirleyin. Ajan, mevcut bir problemi bulduğunda zorluğu çözmesi mümkündür.
Her ajana kendi sahibi atayın.
Önerilerin reddedilmesinden her şeyi belgeleyin; öğrenmek istediğiniz budur.
Belirsiz bir ortamda ajan geliştirmeyin. Süreç düzensiz davranıyorsa, sadece sapmaları öğrenir.
Bir ajana asla PLC mantığına veya güvenlik sistemlerine yazma erişimi verilmemelidir.
Pilot projeye başlamadan önce, proje ekibinin katılımını sonlandırmasından sonra ajanın bakımından kimin sorumlu olacağını tanımlayın.
Planlanması Gereken Zorluklar
IBM, ajan tabanlı yapay zekanın uygulanmasının çaba gerektirdiğini açıkça belirtir. Belirtilen zorluklar, kendi durumunuz bağlamında değerlendirilmesi önemlidir:
Veri Entegrasyonu: mevcut teknoloji seviyesi, veri ve çeşitli uyumsuz kaynakların entegrasyonunu verimsiz kılar.
Yönetişim: sistemin ne zaman bağımsız hareket etmesine izin verildiği ve ne zaman insan müdahalesinin gerektiği net değildir.
Maliyet: teknoloji yüksek uygulama maliyetine sahiptir ancak kademeli yaklaşım riskleri ortadan kaldırır.
Ölçeklenebilirlik: belirli bir görev için oluşturulan ajan çoğaltılamaz; yaklaşımımız bu zorluğu hafifletir.
Güvenlik: daha fazla sistem entegrasyonu, daha fazla saldırı olasılığı yaratır ve etkili kontrol önlemleri gerektirir.
Beceriler: insanlar görevlerini yerine getirmekten sistemleri yönetmeye geçer, bu da özel eğitim gerektirir.
Yapay Zeka Ajanları, PLC, MES ve Akıllı Fabrika
Otomasyon mühendislerinden duyduğumuz en yaygın endişelerden biri basittir: “Bu şey PLC'ime yazmaya başlayacak mı?” Kısa cevap, başlamaması gerektiğidir. Nedenini görmek için, ajanların otomasyon yığını içinde nerede durduğuna bakmak faydalıdır.
Agentik AI'nın Otomasyon Yığını İçindeki Yeri
| Katman | Ne yapar | AI ajanlarının rolü |
|---|---|---|
| PLC ve saha cihazları | Deterministik gerçek zamanlı kontrol, kilitlemeler ve güvenlik fonksiyonları | Sadece veri okuma; hareket veya güvenliğin doğrudan kontrolü yok |
| SCADA / HMI | Görselleştirme, alarmlar ve operatör komutları | Alarmları açıklama ve operatörlere arıza tespiti konusunda rehberlik etme |
| MES | Siparişler, reçeteler, kalite kayıtları ve izlenebilirlik | Ana çalışma yüzeyi: muayene görevleri, duraklamalar, iş emirleri |
| ERP / tedarik zinciri | Talep, satın alma, envanter ve finans | Siparişleri yeniden planlama, tedarikçi riskini işaretleme, satın alma önerme |
| Ajan ve orkestrasyon katmanı | Uzman ajanları koordine eder, izinleri uygular, eylemleri kaydeder | MES ve ERP'nin üzerinde, gerçek zamanlı kontrol döngüsünün dışında yer alır |
PLC, genellikle insanların ve makinelerin güvenliğini sağlamak için milisaniyeler içinde gerçekleşen her şeyi kontrol etmek içindir. Ajanların faaliyetleri, dakikalar/saatler ve vardiyalar içinde alınan kararlara dayanır, yani tüm ana üretim süreçleri zaten tamamlanmıştır. Bu ayrım, AI'nın insanlara en çok ihtiyaç duyulduğunda kullanılması sayesinde fabrikaların güvenliği sağlamasına yardımcı olur.
Bu nedenle MES bağlantısının kalitesine dikkat etmek önemlidir. Test sonuçlarını, alarmları ve güncellemeleri açık protokol aracılığıyla MES'e ileten üretim hattı en güvenli olanıdır. HMI'ye kapalı olan otomatik hat etkili olsa da, güvenlik seviyesi ortalamadır.
Dijital İkiz ve Agentik AI: Önce Simüle Et, Sonra Hareket Et
Dijital ikizler ve AI sistemleri farklı sorulara yanıt sağlar:
Dijital ikiz, bir makinenin, binanın veya üretim tesisinin durumunu anlamak ve temsil etmekle sorumludur. Dijital ikizin işi, “bir değişiklik yaparsak ne olur?” sorusuyla özetlenebilir.”
Öte yandan, agent AI, mevcut bilgi ve kaynaklara dayanarak işi organize eden bir sistemdir; kullanılan bilgi, ulaşılması gereken hedeflerden ve kullanımı yetkilendirilmiş diğer araçlardan gelir. Agent AI, “bir sonraki adım nedir ve yapılabilir mi?” sorusuna yanıt verir.”
Bu iki yaklaşım güvenli bir döngü oluşturur. Ajan, yapılan işlerin sırasındaki bir değişiklik veya yeni bir çevrim süresi gibi bir değişiklik önerir. Akıllı dijital ikizin görevi, önerilen değişikliğin gerçekte uygulanmaya değer olup olmadığını test etmektir. Dijital ikiz, yeni işlemlerin sonucunun olumlu sonuçlar ve belirlenen sınırlarla uyum açısından gereksinimlere uygun olduğunu kanıtladığında, bu değişiklik ya sistemde uygulanır ya da onay için bir kişiye gönderilir.
IBM, dijital ikizlerin çalışmalarını koordine eden ajanlar tarafından yürütülen bir ürün yaratma yaklaşımını, üretim için bir proje başlatılmadan önce göstermektedir. Microsoft, fabrikaların üretim sürecinin planlanması ve gerçekleştirilmesinde dijital ikizler ve dijital iplikler kavramına dayanıyorsa, ajan AI çağının fabrikalar için hazırlanması gerektiğini belirtirken bu fikri işletme düzeyinde dile getirmektedir. Tesisiniz yeni başlıyorsa, makalemiz önde gelen elektrik üreticilerinden dijital ikiz dersleri Siemens Erlangen, Schneider Electric Wuxi ve ABB RobotStudio’dan gerçek sonuçlarla başlamak için iyi bir yerdir.
Deniz Feneri Fabrikalarından Günlük Tesislere
Güzergâh üzerindeki en az erişilebilir tesisler WEF Küresel Deniz Fenerleri olup, hiçbiri yalnızca AI tarafından yönetilmemektedir. Bunlar, insanların giderek bağımsızlaşan sistemleri izlediği tesislerdir. FANUC ve ASE gibi iyi bilinen ışık kapalı fabrikalar bile bakım ve anormallikler için insanlara bağlıdır, bu durum gerçek karanlık fabrika örneklerinde.
Elektrik ekipmanları sektöründeki orta ölçekli bir üretici aşağıdaki pratik yaklaşımı benimsemelidir: darboğazı ortadan kaldırmak, süreçteki her ürünü test etmek, her tesisi MES ile bağlamak, planlama amaçları için bir dijital ikiz eklemek ve karar alma süreçlerini hızlandırmak için bilgileri analiz eden ajanlar işe almak.
Sonuç: AI Ajanları Bir Yazılım Satın Alımı Değil, İş Akışı Değişikliğidir
IBM, Siemens ve Microsoft, fabrikalarda Yapay Zekanın gelişim yönü konusunda aynı görüştedir. Onlara göre, AI fabrikalarda sadece sorgulara yanıt veren bir araç olmaktan, kalite yönetimi, planlama, bakım ve tedarik zinciri görevleriyle ilgili operasyon yönetimi görevlerini planlamaya ve yürütmeye yardımcı olan bir ajan olarak evrilmektedir. Siemens, tüm otomasyon sürecini otomatikleştirmek için çalıştıklarını belirtmiştir. Microsoft, 2026’nın teknolojinin pilot aşamadan büyük ölçekli uygulamaya geçeceği yıl olacağını ifade etmiştir. IBM, operatörün sürekli talimat vermeden hedeflere yönelik düzenli ayarlamaların yapıldığı fabrikaları öngörmektedir.
Bahsi geçen şirketler, fabrikalarda AI kullanımının ön koşulları konusunda da hemfikirdir. Otomasyon ajanları iyi ve bağlantılı bilgi gerektirir. Hareket edecekleri net parametrelere ihtiyaç duyarlar. Sonuçtan sorumlu bir kişiye ve gerekirse çözümü geri çekebilecek birine ihtiyaçları vardır. Ayrıca her şeyi ölçme ve bilgiyi doğru formatta gönderme yeteneğine sahip makinelere ihtiyaçları vardır.
Üretim şirketlerinin alması gereken birincil eylem, AI platformu satın almak değil, her iş istasyonunun ve her sürecin ajanın amacı için kullanılabilecek veri üretmesini sağlamaktır. Bu başarıldığında, AI ajanlarına geçiş çok daha kolay olacaktır.
Sıkça Sorulan Sorular
Üretimde ajan AI nedir?
Üretimde ajan tabanlı yapay zeka, bir plan oluşturarak, MES, ERP ve bakım yazılımları gibi sistemlerden bilgi çıkararak ve bu sistemler aracılığıyla, örneğin denetim görevleri oluşturarak veya iş sırasını yeniden düzenleyerek uygun eylemler alan, üretimde bazı hedefleri gerçekleştiren yapay zekayı ifade eder. Ajan tabanlı yapay zeka, görev tamamlanana kadar eylemler alır ancak yalnızca insanlar tarafından belirlenen koşullar ve kurallar altında çalışır; bu yönüyle panolar ve sohbet botlarından farklıdır.
Ajan tabanlı yapay zeka otomasyon için mi kullanılır?
Evet, ancak geleneksel otomasyondan farklı bir seviyede. PLC'ler ve robotik sistemler hâlâ gerçek zamanlı makine kontrolü ve güvenlik işlevlerini üstlenir. Ajan tabanlı yapay zeka, kalite trendlerine yanıt verme, makineler durduktan sonra programları yeniden uygulama ve bakım organizasyonu gibi kararları ve koordinasyonu otomatikleştirir. Siemens, bunu tasarım, mühendislik, operasyon ve servis alanlarında tam iş akışlarını yürüten yapay zeka ajanları ile otomasyon sürecinin kendisini otomatikleştirmek olarak tanımlar.
Üretim endüstrisi için en iyi yapay zeka hangisidir?
Üretim için en iyi yapay zeka olarak tek bir çözüm seçilemez. Makine görme denetim süreci için mükemmeldir, tahmine dayalı modeller bakım için uygundur, üretken yapay zeka yardımcı pilot mühendisler ve operatörlerin gerekli bilgileri bulmasına yardımcı olur, ajan tabanlı yapay zeka ise kalite araştırması, programlama ve tedarik zinciri koordinasyonu gibi çok katmanlı görevler için uygundur. En yaygın çözümler arasında Siemens Industrial Copilot, IBM WatsonX Orchestrate ve Microsoft Azure AI bulunur. İdeal yapay zeka çözümünün seçimi, eldeki veri kalitesine, kullanılan PLC ve MES sistemlerine ve optimize edilmesi gereken göreve bağlıdır.
Ajan tabanlı yapay zeka otomasyondan nasıl farklıdır?
Geleneksel otomasyon önceden belirlenmiş kurallara göre çalışır: bir değer eşik değerini aştığında makine parçayı reddeder. Ajan tabanlı yapay zeka hedef odaklıdır. Geleneksel otomasyonun aksine durumu değerlendirir, eylem planını belirler, araçları kullanır ve değişen koşullara uyum sağlar. Doğru kurulmuş bir üretim tesisi her ikisinden de faydalanabilir: PLC güvenlik ve kontrol işlevlerini sürdürürken, yapay zeka ajanları MES ve ERP üzerinde çalışır.
Yapay zeka (AI) üretimde nasıl kullanılıyor?
Şirketler, görsel tabanlı kalite denetimi, tahmine dayalı bakım, üretim planlaması, enerji optimizasyonu ve tedarik zinciri planlaması için yapay zekayı uygular. Dünya Ekonomik Forumu, Rockwell Automation’ın Singapur tesisi ve Siemens’in Nanjing kumaş tesisleri gibi, 50’den fazla yapay zeka çözümüyle donatılmış ürünlerin kullanıldığı öncü tesisleri ödüllendirdi. Zamanla bu trend netleşiyor; 2026’da izole yapay zeka pilotlarından sistemler arasında liderlik eden ajanlara geçiş gerçekleşiyor.
Kaynakça
- IBM – Üretimde ajan tabanlı yapay zekanın dönüşümü nasıl yönlendirdiği (Nisan 2026) – tanım, sekiz kullanım alanı, tedarik zinciri istatistikleri ve uygulama zorlukları.
- Siemens Blog – Endüstriyel AI’nin geleceği ajan tabanlıdır (Mart 2026) – algıla-mantık-yap-öğren modeli, orkestratör ajan ve endüstriyel temel modeller.
- Siemens – Siemens, endüstriyel otomasyon için AI ajanlarını tanıtıyor (Mayıs 2025) – değer zinciri boyunca Endüstriyel Copilot ajanları, verimlilik hedefi ve müşteri sonuçları.
- Microsoft – 2026 dönüm noktasında üretim (Mart 2026) – üç değişim, güven ve yönetişim yetenekleri ve 10-20-70 kuralı.
- Dünya Ekonomik Forumu – Yeni Küresel Lighthouse tesisleri AI’nin üretimi nasıl yeniden şekillendirdiğini gösteriyor (Haziran 2026) – toplam 238 tesislik ağ ve yeni kohort için sonuçlar.
- Rockwell Automation – Singapur tesisi Küresel Lighthouse olarak seçildi (Haziran 2026) – yüksek karışımlı bir tesiste AI destekli kalite kontrol ve öngörücü bakım.
AI Hazır Montaj veya Test Hattı mı Kuruyorsunuz?
AI ajanları yalnızca ekipmanınızın ürettiği veriler üzerinde hareket edebilir. Eğer MCB, MCCB, RCCB, kontaktör veya enerji ölçer üretiyor ve her birimi test eden, her sonucu seri numarasına bağlayan ve bunu OPC UA veya Modbus TCP üzerinden MES’inize besleyen hatlar istiyorsanız, ürün örneklerinizi, hedef çıktınızı ve mevcut sürecinizin kısa bir açıklamasını bize gönderin. Mühendislerimiz, bugün tam izlenebilirlik sağlayan ve yarın AI destekli kalite için sizi hazır hale getiren bir hat konsepti önerecektir.
