Yapay zekâ ile otomasyon programı yazmanın ne anlama geldiğini; kod taslağı, proses analizi, doğrulama ve saha sorumluluğu açısından açıklıyoruz.
İçindekiler
Evet, yapay zekâ bir otomasyon programı için kod taslağı üretebilir. Ama “kod yazdı” ile “makineyi doğru ve güvenli kontrol ediyor” aynı sonuç değildir. Ben bu soruyu iki ayrı iş olarak ele alırım: programcıya yardımcı olmak ve proses verisinden bir karar modeli geliştirmek.
Kod üreten araç ile hattı yöneten sistem farklıdır
Bir dil modeli Structured Text taslağı, alarm açıklaması veya test senaryosu hazırlamaya yardımcı olabilir. PLC’nin gerçek I/O yapısını, makinenin mekanik davranışını ve ürünün sahadaki durumunu kendiliğinden bilmez. Yanlış blok adı veya varsayım içeren, ilk bakışta ikna edici bir çıktı üretmesi mümkündür.
Makine öğrenimiyle bir kalite veya bakım modeli geliştirmek ise başka bir projedir. Burada ölçüm, veri etiketleme, eğitim, doğrulama ve modelin işletmede izlenmesi gerekir. “ChatGPT’ye anlattım, hat kendi kendini optimize ediyor” diye kurulmuş bir mimari yoktur.
Örnek senaryo: kalite kaybının nedenini araştırmak
Bir otomotiv hattında hatalı ürün oranı arttığını düşünelim. İlk iş, değişimin gerçek olup olmadığını ölçmektir. Ürün tipi, vardiya, sıcaklık, takım ömrü ve arıza kayıtlarını aynı zaman referansıyla toplarız. Eksik veya yanlış etiketlenmiş veriyle iyi bir karar modeli beklemem.
- Veri: Kaynağı, birimi, zaman damgası ve geçerliliği tanımla.
- Analiz: Normal değişimle hatayı ayır; bağımsız test verisi kullan.
- Karar: Modelin önerisini ve belirsizliğini görünür yap.
- Uygulama: Önce operatöre öneri sun; otomatik değişiklik varsa izin verilen sınırları ve geri dönüşü tanımla.
- Takip: Yanlış alarm, kaçan hata ve ürün değişimindeki performansı ölç.
Makinenin hızını otomatik artırmak yalnızca yazılım kararı değildir. Motor, mekanik, ürün kalitesi, proses ve güvenlik sınırları birlikte değerlendirilir. Modelin önerisi bu sınırları geçersiz kılamaz; hatalı veya eksik veri durumunda uygulanacak davranış belli olmalıdır.
PLC kod taslağı nasıl doğrulanır?
Önce CPU, firmware, yazılım sürümü, adres listesi ve istenen davranış verilir. Üretilen komutlar üreticinin kılavuzuyla karşılaştırılır. Ardından hedef ortamda derleme, simülasyon ve kontrollü saha testi yapılır.
Start butonuyla çalışan normal akışın yanında sensörün takılı kalması, haberleşme kesilmesi, enerji dönüşü ve operatörün yanlış sırada işlem yapması da denenmelidir. Standart PLC çıkışını kapatan bir örnek, güvenlik sertifikalı acil durdurma fonksiyonu yerine geçmez.
Ben nerede kullanırım?
Tekrarlayan dokümantasyon, kod açıklaması, adres listesi taslağı ve test senaryosu hazırlamada kullanırım. Bilmediğim bir komutun açıklamasını aldığımda kılavuzdan doğrularım. Sahadaki arızanın nedenini yalnızca modelin cevabına dayanarak ilan etmem.
ChatGPT’nin PLC programcılarına katkısı yazısında bu yaklaşımı daha ayrıntılı ele alıyoruz. Müşteri programları ve özel proses verileri izin ve uygun veri politikası olmadan dış hizmetlere gönderilmemelidir.
Kaynaklar ve kapsam
İlk sürüm ChatGPT yardımıyla oluşturulmuştur. 6 Ekim 2026 güncellemesinde teknik ayrımlar, doğrulama ve uygulama sınırları eklenmiştir. Örnek hat, yapılmış bir vaka çalışması değildir.