📋 İçindekiler

  1. Yapay Zeka EM'i Nasıl Değiştiriyor
  2. ML Temel Kavramlar
  3. Talep Tahmini — Regresyon ve Zaman Serisi
  4. Kestirimci Bakım — Sınıflandırma Modelleri
  5. Süreç Segmentasyonu — K-Means Kümeleme
  6. ML ile Üretim Çizelgeleme
  7. Bilgisayarlı Görme — Görsel Kalite Kontrol
  8. Takviyeli Öğrenme — Robot ve AGV Optimizasyonu
  9. Büyük Dil Modelleri ve EM
  10. Araçlar ve Teknoloji Yığını
  11. Türkiye Vakaları

Yapay Zeka EM'i Nasıl Değiştiriyor

Endüstri Mühendisliği, özünde veri analizi, optimizasyon ve sistem tasarımı disiplinidir. Bu üç alan, Yapay Zeka (YZ) ve Makine Öğrenmesi'nin (ML) en güçlü olduğu alanlardır. Bu kesişim, endüstri mühendislerini 21. yüzyılın en değerli AI uygulayıcıları konumuna taşımaktadır.

📈
Rakamlarla AI'ın Endüstriyel Etkisi
McKinsey Global Institute araştırmasına göre, AI tabanlı üretim optimizasyonu:
• Makine arızasından kaynaklanan duruşları %50 azaltıyor
• Kalite kontrol maliyetlerini %20 düşürüyor
• Talep tahmini doğruluğunu %10–15 artırıyor
• Envanter maliyetlerini %20–30 azaltıyor
Küresel AI-in-Manufacturing pazarı 2025'te 16 milyar $'a ulaştı ve 2030'a kadar yılda %45 büyümesi bekleniyor.

ML Temel Kavramlar — EM Perspektifinden

ML Kategorisi Öğrenme Tipi EM Uygulamaları Popüler Algoritmalar
Denetimli Öğrenme Etiketli veri Hata sınıflandırma, talep tahmini, fiyatlama Random Forest, XGBoost, LSTM, Linear Reg.
Denetimsiz Öğrenme Etiketsiz veri Müşteri segmentasyonu, anomali tespiti, süreç gruplaması K-Means, DBSCAN, PCA, Autoencoder
Takviyeli Öğrenme Ödül-ceza sinyali Robot navigasyon, çizelgeleme, fiyat optimizasyonu Q-Learning, PPO, A3C, DQN
Derin Öğrenme Büyük veri + GPU Görsel kalite kontrol, ses analizi, doğal dil işleme CNN, RNN/LSTM, Transformer, GAN
Büyük Dil Modelleri Önceden eğitilmiş Dokümantasyon, karar destek, chatbot, raporlama GPT-4, Gemini, Llama, Claude

Talep Tahmini — Gerçek Veri Örneği

Talep tahmini, stok yönetimi ve üretim planlama için en kritik ML uygulamasıdır. Klasik zaman serisi yöntemleri (ARIMA, Holt-Winters) ile ML tabanlı yaklaşımlar (XGBoost, LSTM) karşılaştırmalı kullanılmaktadır.

📦
Senaryo: Türk E-Ticaret Firması Talep Tahmini
Veri: 3 yıllık haftalık satış verisi (156 hafta × 500 SKU)
Özellikler: Geçmiş satış, fiyat, promosyon bayrağı, mevsimsellik, tatil endeksi
Hedef: 4 haftalık ileriye dönük talep tahmini
Metrik: MAPE (Mean Absolute Percentage Error)
# Python - XGBoost ile Talep Tahmini import pandas as pd import numpy as np from xgboost import XGBRegressor from sklearn.metrics import mean_absolute_percentage_error # Özellik Mühendisliği (Feature Engineering) def create_features(df): df = df.copy() df['lag_1'] = df['sales'].shift(1) # 1 hafta önceki satış df['lag_4'] = df['sales'].shift(4) # 4 hafta önceki satış df['lag_52'] = df['sales'].shift(52) # Geçen yıl aynı hafta df['rolling_4'] = df['sales'].rolling(4).mean() # 4 haftalık ort. df['rolling_13'] = df['sales'].rolling(13).mean() # Çeyrek ort. df['week'] = df['date'].dt.isocalendar().week df['month'] = df['date'].dt.month return df # Model eğitimi model = XGBRegressor( n_estimators=500, learning_rate=0.05, max_depth=6, subsample=0.8, colsample_bytree=0.8, random_state=42 ) model.fit(X_train, y_train, eval_set=[(X_val, y_val)], early_stopping_rounds=50, verbose=False ) # Değerlendirme y_pred = model.predict(X_test) mape = mean_absolute_percentage_error(y_test, y_pred) print(f"MAPE (XGBoost): {mape:.1%}") # → MAPE: 8.3% # ARIMA karşılaştırması → MAPE: 14.7% # LSTM (96 hafta eğitim) → MAPE: 9.1%
Model MAPE MAE Eğitim Süresi Yorum
Naïve (son değer) 22.4% 145 adet — Baz çizgi
ARIMA(2,1,1) 14.7% 92 2 dk Mevsimsellik yakalamıyor
Holt-Winters 12.8% 83 1 dk Basit, yorumlanabilir
Random Forest 9.8% 62 5 dk İyi ama XGBoost'tan kötü
XGBoost 8.3% 53 8 dk En iyi performans
LSTM (2 katman) 9.1% 58 45 dk Çok veri gerektiriyor
Temporal Fusion Transformer 7.9% 49 60 dk En yeni yaklaşım, en iyi
💰
İş Etkisi: MAPE'yi %14.7 → %8.3'e düşürmek, bu firmada yıllık 4.2 milyon ₺ stok maliyeti azalması ve %15 daha düşük kayıp satış anlamına geldi. 8 haftalık geliştirme süreciyle 13.2 aylık ROI sağlandı.

Kestirimci Bakım (Predictive Maintenance)

Reaktif bakım (arıza olunca müdahale) ve önleyici bakım (takvime göre) arasında kestirimci bakım, makine durumunu gerçek zamanlı izleyerek arızayı olmadan önce tahmin eder. Bu yaklaşım bakım maliyetlerini %25–40 azaltır.

# CNC Tezgah Arıza Tahmini — Random Forest Örneği from sklearn.ensemble import RandomForestClassifier from sklearn.preprocessing import StandardScaler import shap # Model yorumlanabilirliği için # Sensör özellikleri: # titreşim_rms, mil_sıcaklık, akım_çekişi, tork, titreşim_frekansı # Etiket: 0=Normal, 1=Arıza (önümüzdeki 48 saat içinde) features = ['vibration_rms', 'spindle_temp', 'current_draw', 'torque', 'vibration_freq', 'hours_since_maintenance'] model = RandomForestClassifier( n_estimators=200, max_depth=8, min_samples_split=20, class_weight='balanced', # Dengesiz sınıf için random_state=42 ) model.fit(X_train, y_train) # Sonuçlar: # Precision (Arıza): 0.87 → Alarm verdiğinde %87 gerçek arıza # Recall (Arıza): 0.79 → Arızaların %79'unu yakaladı # F1-Score: 0.83 # AUC-ROC: 0.94 # SHAP ile özellik önemi (yorumlanabilirlik) explainer = shap.TreeExplainer(model) shap_values = explainer.shap_values(X_test) # En önemli özellik: hours_since_maintenance (SHAP=0.42) # 2. önemli: spindle_temp (SHAP=0.31)

📊 3 Farklı Bakım Stratejisinin Karşılaştırması

Strateji Yıllık Bakım Maliyeti Plansız Duruş Avantaj
Reaktif Bakım Yüksek + sürpriz acil Yüksek Bakım yapılmıyor ama kriz maliyeti yüksek
Önleyici Bakım (takvim) Orta — gereksiz değişim Düşük-orta Güvenilir ama savurgan
Kestirimci Bakım (ML) En düşük toplam Çok düşük Sadece gerektiğinde müdahale

Gerçek vaka: büyük bir otomotiv şirketi, CNC tezgahlarında PdM sistemi kurarak plansız duruşlarını 8 ayda %52 azalttı. Yıllık bakım tasarrufu ~3.4 milyon ₺.

K-Means Kümeleme — ABC Analizi Otomasyonu

Geleneksel ABC analizi yalnızca ciro bazlı sınıflandırır. ML tabanlı çok boyutlu kümeleme, ürünleri ciro + talep değişkenliği + temin süresi + karlılık gibi birden fazla boyuta göre segmente eder.

# Çok Boyutlu Ürün Segmentasyonu from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler import matplotlib.pyplot as plt # 5 boyutlu özellik vektörü (500 SKU) features = pd.DataFrame({ 'annual_revenue': revenue_data, # Yıllık ciro (₺) 'demand_cv': demand_cv_data, # Talep değişkenlik katsayısı 'lead_time': lead_time_data, # Temin süresi (gün) 'gross_margin': margin_data, # Brüt kâr oranı (%) 'stockout_freq': stockout_data # Stok tükenme sıklığı }) scaler = StandardScaler() X_scaled = scaler.fit_transform(features) # Optimal k seçimi: Elbow method inertias = [KMeans(n_clusters=k).fit(X_scaled).inertia_ for k in range(2, 10)] # Dirsek k=4'te → 4 farklı ürün segmenti kmeans = KMeans(n_clusters=4, random_state=42) features['segment'] = kmeans.fit_predict(X_scaled) # Segment yorumu: # Segment 0 → "Yıldız": Yüksek ciro, düşük değişkenlik → güvenli stok # Segment 1 → "Sorunlu": Yüksek değişkenlik, uzun temin → güvenlik stoğu artır # Segment 2 → "Uzun Kuyruk": Düşük ciro, düşük öncelik → min stok # Segment 3 → "Kâr Motoru": Düşük ciro ama yüksek marj → kritik yönet

Bilgisayarlı Görme — Görsel Kalite Kontrol

İnsan gözüyle saniyede 1–2 parça kontrol edilebilirken, bilgisayarlı görme (Computer Vision) sistemleri saniyede 50–200 parçayı, insan hassasiyetinin üzerinde kontrol edebilir.

🔍 Hata Tespiti (Defect Detection)

CNN (Convolutional Neural Network) tabanlı sistemler, lakeden boyaya, metal yüzeyden plastik bileşenlere kadar geniş yelpazede görsel hata tespiti yapar. YOLO v8, EfficientDet, ResNet gibi pre-trained modeller transfer learning ile az veriyle eğitilebilir.

Örnek: dev bir elektronik üreticisi, LCD panel üretiminde CNN tabanlı görsel kontrol sistemi kurdu. Yıllık 180 milyon panel üretiminde insan kontrolöre ek olarak AI sistemi devreye alındı → Dead pixel ve renk uniformity hatalarında yakalama oranı %94 → %99.2'ye yükseldi.

📏 Boyutsal Ölçüm (Dimensional Inspection)

Stereo kameralar ve yapılandırılmış ışık (structured light) ile 3D ölçüm yapan sistemler, CMM (Coordinate Measuring Machine) cihazlarının hızını 10 kat aşarken 0.05 mm hassasiyet sağlayabiliyor.

🎯 Anomali Tespiti (Anomaly Detection)

Eğitim verisi olarak yalnızca "normal" ürünler kullanılır. Autoencoder mimarileri bu görüntülerle eğitilir. Yeniden yapılandırma hatası yüksek olan görüntüler "anormal" olarak işaretlenir. Az etiketli veriyle çalışması bu yaklaşımı özellikle değerli kılar.

Takviyeli Öğrenme — Çizelgeleme ve Robot Optimizasyonu

Takviyeli Öğrenme (Reinforcement Learning — RL), bir "ajan"ın bir ortamda ödül maksimizasyonu için deneyim yoluyla öğrenmesi işlemidir.

🤖
RL ile Üretim Çizelgeleme Örneği (Job Shop Scheduling)
6 makine × 20 iş — klasik NP-hard problem
• Durum (State): Makinelerin durumu, işlerin tamamlanma yüzdesi
• Aksiyon (Action): Hangi işi hangi makineye ata
• Ödül (Reward): Makespan azalması, gecikme cezası

Sonuç:
DRL PPO algoritması: Makespan = 342 dakika
Gannt-bazlı sezgisel: Makespan = 423 dakika
İyileşme: %19.1 daha kısa tamamlanma süresi

Büyük Dil Modelleri ve Endüstri Mühendisliği

ChatGPT, Gemini ve Llama gibi büyük dil modelleri (LLM), endüstri mühendisliği iş akışlarını dönüştürmektedir:

1
SOP Yazımı ve Güncelleme

LLM'ler, mevcut üretim süreçleri verilerine bakarak Standart Operasyon Prosedürlerini (SOP) taslak olarak hazırlayabilir. Zaman etüdü verisi girerek, "Bu 5 istasyon için SOP taslağı hazırla" diyerek başlangıç elde edilebilir.

2
Arıza Kök Neden Analizi (RCA) Asistanı

Bakım kayıtları, sensör verileri ve üretim logları LLM'e verilerek "Bu arızanın en olası 3 kök nedeni nedir" sorusu sorulabilir. GPT-4 tabanlı sistemler bu görevde uzman mühendislerle benzer doğruluk göstermektedir.

3
Tedarik Zinciri Risk Analizi

Haber akışları, tedarikçi finansal raporları ve lojistik verileri LLM ajanları tarafından sürekli izlenerek erken uyarı sistemi oluşturulabilir. "Tedarikçi X'te risk var mı" sorusu otomatik raporlanabilir duruma gelir.

4
Veri Analizi ve Raporlama

Veri analistlerin saatler harcadığı üretim raporu hazırlama görevi, LLM tabanlı araçlarla (GPT-4 Code Interpreter, Gemini Advanced, Julius AI) dakikalar içinde yapılabilir hale geldi. Türkçe soru sorarak Türkçe raporlar alınabiliyor.

Araçlar ve Teknoloji Yığını

Python Kütüphaneleri

Pandas NumPy Scikit-learn XGBoost LightGBM TensorFlow/Keras PyTorch Prophet Statsmodels OpenCV SHAP MLflow

Endüstriyel AI Platformları

global bir teknoloji şirketi MindSphere bu holding Predix PTC ThingWorx AWS IoT Analytics Azure ML Google Vertex AI Palantir Foundry DataRobot

Türkiye'den AI/ML Vakaları

🏠 köklü bir mobilya üreticisi — AI Talep Tahmini

köklü bir mobilya üreticisi, 300+ ürün kategorisi için LSTM tabanlı talep tahmini sistemi kurdu (2023). Mevsimsellik, kampanya etkileri ve ekonomik endeksler modele eklendi. MAPE değeri %21.4'ten %11.8'e indi. Sonuç: Stok devir hızı %34 arttı, stok tükenme vakaları (lost sales) %28 azaldı. Yıllık stok maliyet tasarrufu ~₺8.5 milyon.

⚡ lider bir beyaz eşya üreticisi — Kestirimci Bakım IoT

lider bir beyaz eşya üreticisi, Eskişehir ve Çerkezköy fabrikalarında 200+ kritik tezgaha IoT sensör taktı. Vibrasyon, sıcaklık ve elektrik akımı verileri toplanarak Random Forest ve LSTM hibrit modelle arıza 48 saat önceden tahmin edildi. Plansız duruşlar yılda 340 dakikadan 95 dakikaya düştü. Her saatlik duruşun maliyeti ₺45.000 olduğundan yıllık ₺11 milyon tasarruf.

👕 global bir tekstil markası — Tedarik Zinciri Optimizasyonu

global bir tekstil markası, her koleksiyonunda 5.000+ SKU için ML tabanlı sipariş optimizasyonu uygulamaktadır. Ülke bazlı talep modelleri, tedarikçi kapasitesi kısıtları ve nakliye maliyetleri birleştirilerek optimum sipariş miktarları hesaplanmaktadır. İndirim sezonunda kalan stok oranı %23'ten %14'e geriledi. Bu başarı 22 ülkedeki 1.000+ mağaza için büyük ekonomik etki yarattı.

🎯
Endüstri Mühendisi Olarak AI'ya Başlamak
1. Python öğrenin (Kaggle'da ücretsiz kurslar: pandas, sklearn)
2. Kendi sektörünüzdeki bir problemi belirleyin (talep, bakım, kalite)
3. Küçük başlayın ve büyütün: Excel → Python → Bulut platforma geçiş
4. Sonuçları iş dilinde anlatın: ₺ tasarruf, % iyileşme
5. Sürekli öğrenin: Fast.ai, Coursera, Türkiye'de Boğaziçi/ODTÜ ML kursları