Üretim Hattında Yapay Zeka: Rakamlarla Ne Değişiyor?

Üretimde yapay zekâ konuşulurken genellikle iki uçtan biri seçiliyor: ya her şeyi çözecek bir sihir, ya da abartılmış bir moda. İkisi de yanlış. Doğru cevabı görmek için, bu işi uzun süredir yapan tesislerin açıkladıkları rakamlara bakmak yeterli.

Amberg: otuz yılda milyonda 500'den 12'ye

Siemens'in Almanya'nın Amberg şehrindeki elektronik fabrikası, endüstriyel kontrol cihazları (PLC) üretiyor. Tesis, kamuya açık bilgi notlarında hata oranını milyonda yaklaşık 12 olarak veriyor. Aynı tesiste bu rakam 1989'da milyonda 500'dü. Yani otuz yılı aşkın sürede kalite kırk kattan fazla iyileşmiş.

İlginç olan şu: bu iyileşme tek bir teknolojiden gelmiyor. Tesiste değer zincirinin yaklaşık dörtte üçü makineler ve yazılım tarafından yürütülüyor, kalan dörtte biri insanlarda. Yani insan tamamen devre dışı bırakılmamış; karar verdiği yer değişmiş. Operatör artık her parçayı tek tek kontrol etmiyor, sistemin işaretlediği anormallikleri yorumluyor.

Toyota'nın yetmiş yıllık ilkesi hâlâ geçerli

Yapay zekâdan çok önce, Toyota Üretim Sistemi iki kavram ortaya koydu: jidoka ve andon. Jidoka, bir anormallik tespit edildiğinde makinenin kendini durdurması demek. Andon ise herhangi bir operatörün hattı durdurabilmesini sağlayan sinyal sistemi.

Bu ilkenin özü şu: hatayı sonra ayıklamak yerine, oluştuğu anda hattı durdur. Kusurlu bir parçanın on istasyon daha ilerlemesine izin verirseniz, düzeltme maliyeti katlanarak artar. Yapay zekâ bu ilkeyi değiştirmiyor — sadece anormalliği tespit etme yeteneğini insan gözünün ulaşamayacağı hassasiyete taşıyor.

Teknoloji, iyi bir süreci hızlandırır. Kötü bir süreci ise sadece daha hızlı kötü hale getirir.

— Yalın üretim literatürünün ortak kanısı

Peki orta ölçekli bir üretimde nereden başlanır?

Amberg gibi bir tesis onlarca yıllık birikimin sonucu. Ama başlangıç noktası her ölçekte aynı: ölçemediğiniz şeyi iyileştiremezsiniz. Pratikte izlediğimiz sıra şu:

1. Mevcut hata oranını ölçün. Tahmin değil, sayım. Çoğu tesiste bu rakam ilk kez ölçüldüğünde beklenenden yüksek çıkar.
2. Hataları tipine göre ayırın. Genellikle toplam hatanın büyük kısmı iki ya da üç tipten gelir.
3. En sık görülen tek bir hata tipini seçin ve yalnızca onu tespit eden bir sistem kurun.
4. Sistemi hattı durdurmadan, paralel çalıştırın. İnsan kararıyla makine kararını haftalarca karşılaştırın.
5. Uyum oranı kabul edilebilir seviyeye geldiğinde devreye alın; sonra ikinci hata tipine geçin.

Bu sıralamanın en çok atlanan adımı dördüncüsü. Paralel çalıştırma dönemi maliyetli görünür, ama sistemin sahada gerçekten ne yaptığını gösteren tek dönemdir. Bu adımı atlayıp doğrudan devreye alan projelerin çoğu ilk aydan sonra kapatılıyor — teknoloji çalışmadığı için değil, kimse ona güvenmediği için.

İkinci dalga: arızayı önceden görmek

Kalite kontrol yerleştikten sonra sıradaki adım genellikle kestirimci bakım oluyor. Mantığı basit: bir makine bozulmadan önce davranışı değişir. Titreşim profili kayar, sıcaklık yavaşça yükselir, motor akımı beklenenden farklı seyreder. Bu değişimler insan kulağının duyacağı seviyeye geldiğinde iş işten geçmiş olur.

Üretimde asıl maliyet kalemi genellikle ıskarta değil, plansız duruş. Planlı bir bakım için hattı iki saat durdurmak yönetilebilir bir maliyettir; aynı arızanın vardiya ortasında gelmesi ise tedarik zincirine kadar yayılan bir zincirleme etki yaratır.

Kestirimci bakıma geçerken en sık yapılan hata, işe sensör satın alarak başlamak. Doğru sıra tersi: önce geçmiş arıza kayıtlarına bakılır. Hangi makine, ne sıklıkla, hangi parçadan bozuluyor? Bu soruya cevap veremiyorsanız, sensörden gelecek veri de bir işe yaramaz — çünkü neyi arayacağınızı bilmiyorsunuzdur.

• Son iki yılın arıza kayıtlarını makine ve parça bazında çıkarın.
• Duruş süresini maliyete çevirin; hangi makinenin gerçekten pahalıya patladığı çoğu zaman sürpriz olur.
• En pahalı iki makineyle başlayın, tüm tesise aynı anda yayılmayın.
• İlk altı ay tahminleri sadece kaydedin, bakım planını değiştirmeyin — model kendini ispatlasın.

Asıl kazanç kalite değil, görünürlük

Kurduğumuz sistemlerde tekrar eden bir sonuç var: müşteri projeyi kalite için başlatıyor, ama en çok değeri veriden alıyor. Hangi kusurun hangi vardiyada, hangi hammadde partisinde, hangi makine sıcaklığında arttığı bir kez görünür olduğunda, bakım planı da tedarik kararları da değişiyor.

Yapay zekâ projelerinde en sık yapılan hata teknolojiyle başlamak. İşle başlayıp teknolojiyle bitirdiğinizde, sonuç hem daha sağlam çıkıyor hem de kurum içinde kabul görüyor.