Bakım onarım AI agent: arıza kayıt, R&M, predictive maintenance

Hangi veriler hassas?

Bakım onarım agent’ının çalıştığı veri büyük ölçüde teknik ve operasyoneldir; KVKK boyutu diğer sektörlere göre dar.

Ekipman ve üretim verisi. Hangi makinenin ne zaman arızalandığı, kapasite kaybı, üretim duruşu — bunlar şirketin operasyonel sırrıdır. Rakibe sızdığında üretim kapasitesi ve çalışma ritmi okunabilir hale gelir. Agent bu veriyi pod sandbox içinde işler; bulut çağrısına maskeleme katmanından geçer.

Operatör notu ve iş emri içeriği. İş emrinde operatörün adı görünebilir; bu kişisel veridir. Çoğu CMMS (Computerized Maintenance Management System) operatörü kod ile saklar — ad-soyad birlikte görünmüyorsa risk minimumda. Agent bu alanları farkeder ve maskeleme tetikler.

Tedarikçi sözleşme detayı. Servis tedarikçileriyle yapılan özel anlaşma şartları, garanti koşulları ve fiyat skalası ticari sırdır. Performans skoruna girdi olan ham veri yerel kalır; bulut eğitmene gidecek özetlerde tedarikçi adı maskelenir.

KVKK risk seviyesi düşük olarak işaretli; çünkü kişisel veri hacmi küçük ve özel nitelikli veri yok. Asıl koruma noktası ticari sır boyutu — ekipman performansı ve tedarikçi-özel fiyat. Pod yerel inference + audit chain bu koruma için yeterli; bulut eğitmen çağrısı maskeleme katmanından geçer.

Yerel çalışma ne zaman gerekir?

Bakım onarım görevlerinin neredeyse tamamı yerel modelle döner. Yerel yapay zekâ ilkesi burada da varsayılan, hatta diğer sektörlerden daha güçlü.

Arıza kayıtları okuma ve sınıflandırma 8B yerel modelle çok rahat yetinir. Operatörün serbest metni pod’a düşer, yapılandırılmış kayda dönüşür. Bulut çağrısına gerek yok; veri yapısı zaten dar.

Tekrarlayan problem bulma tamamen yerel. Agent son 6-12 ayın iş emri tarihçesini okur, pattern çıkarır. Bu tarihçe şirketin kendi verisi; bulutta işi yok. LoRA adapter pattern’leri yerel öğrenir.

Yedek parça ihtiyacı tahmini de yerel. Tüketim hızı, tedarik süresi, stok eğrisi — bunlar yapılandırılmış zaman serisi. Bulut çağrısı işe yaramaz; istatistik motoru yerelde işi bitirir.

Bakım planı önerisinde gri alan var. Üretici tavsiyesi açık erişim; ama bazı endüstriyel ekipmanlar için bağlamlı yorum (örneğin “bu kimyasalın yan etkisi rulmana ne yapar”) bulut eğitmenle daha güçlü. Bu çağrıda ekipman tipinin genel kategorisi gider; markası ve şirket adı maskelenir.

Riskli ekipman uyarısı yerel kalır. Sensör verisi varsa zaman serisi yerel modelle işlenir; sensör yoksa kayıt geçmişinden pattern çıkar. Sensör verisi şirketin operasyonel kalbi; bulutta işi olmaz.

Yaklaşık olarak bakım onarım görevlerinin %95’i tamamen yerel yürür. Bulut çağrısı sadece eğitmen yorumu için ara sıra; maskeleme varsayılan açık.

Sektör entegrasyonları

Bakım onarım çevresi parçalı; agent’ın bağ kurması gereken sistemler:

CMMS (Computerized Maintenance Management System). SAP PM, Maximo, Logo CMMS gibi yerli ve global çözümlerde iş emri, ekipman kartı ve bakım takvimi tutulur. Logo entegrasyonu PM modülüne uzanır; agent okuma + onay sonrası yazma izniyle çalışır.

SCADA ve sensör sistemleri. Üretim hattında titreşim, sıcaklık, akustik sensörü varsa SCADA üzerinden zaman serisi okunur. Bu connector için file-watch + REST hibrit pattern’i kullanılır; agent ham sinyali değil, agregat trendi alır.

Excel ve CSV. Birçok orta ölçek üretici hâlâ Excel’de yedek parça stok takibi yapar. Excel connector worksheet okuma ve hücre yazma izni verir.

Outlook ve Gmail. Servis tedarikçisi ile yazışma, parça siparişi onayı, arıza eskalasyonu mail üzerinden döner. Outlook connector draft klasörüne taslak bırakır.

Üretici dokümantasyonu. Ekipman üreticilerinin PDF kullanım kılavuzları, yedek parça katalogları, bakım talimatları agent’ın okuduğu kaynaktır. Bu dosyalar yerel klasörde tutulur; agent fs_io modülüyle erişir.

ERP entegrasyonu. Yedek parça satın alma akışı için ERP ile bağ gerekir. Logo veya Netsis kullanılıyorsa connector’lar zaten var; agent re-order point sinyali verince satın alma talebi ERP’ye düşer, kararı insan verir.

İlerde IoT platformları (örneğin Azure IoT Hub, AWS IoT) için connector eklenecek. Şu an pilot şirketlerin çoğu Excel + Logo CMMS + manuel sensör kontrolü kombinasyonuyla çalışıyor.

İlk 30 gün planı

1. Hafta 1 — Tanışma: Agent’ı kur, son 12 ayın iş emri arşivini yükle. Ekipman listesi, kritik makineler, tipik arıza tipleri öğretilir. İlk gelen 5-10 yeni iş emrinde agent sınıflandırma denemesi yapar; hatalı olanları sen düzeltirsin, agent atölye jargonunu öğrenmeye başlar.
2. Hafta 2 — Pilot: Aktif iş emri akışına agent açılır. Operatör notlarını yapılandırılmış kayda dönüştürme rutine girer. Tekrarlayan problem analizi son 6 ayın verisinden çıkar; ilk pattern raporu bakım uzmanıyla birlikte konuşulur.
3. Hafta 3 — Genişletme: Yedek parça ihtiyacı tahmini ve bakım planı önerisi devreye girer. İş emri özeti vardiya devir teslim ritmine eklenir. Servis tedarikçisi performans pattern’i son 12 ayın verisinden çıkar.
4. Hafta 4 — Olgunluk: Riskli ekipman uyarısı sensör verisi olan makinelerde devreye girer. İlk LoRA iterasyonu burada tetiklenir; son 30 günün karar verisiyle adapter güncellenir. Agent artık iş emri sınıflandırma ve özetleme akışını tek başına yürütür.

İlk 30 gün sonunda agent’ın olgunluğu 30-40 puan civarında durur. Stratejik karar (yeni ekipman alımı, üretim hattı yenileme, dış servis sözleşme yenileme) hâlâ insanın. Agent’ın kazandırdığı zaman bakım uzmanını manuel kayıt giriş yükünden kurtarmak — operasyonel ağırlık agent’a düşer, uzman saha gözlemine ve stratejik bakım planlamasına zaman ayırır. Üçüncü ay tekrarlayan problem analizi güvenilir hale gelir; altıncı ay riskli ekipman uyarısı kalıcı görev olur.

Hatalar ve riskler

Bakım onarım agent’ı yetiştirirken sık görülen tuzaklar:

Riskli ekipman uyarısını otomatik durdurma yetkisi vermek. Agent uyarı bırakır; ekipmanı durdurma yetkisi insanın. Yanlış pozitif bir uyarı üretim hattını gereksiz yere durduramaz. Politika motoru bu yetkiyi varsayılan kapalı tutar; açma kararı tartışılır.

Tekrarlayan problem analizini kök neden tespiti olarak görmek. Agent pattern bulur — aynı ekipmanda aynı semptom tekrar ediyor. Kök neden bağlam ister: kullanıcı hatası mı, malzeme kalitesi mi, periyodik bakım eksikliği mi. Bu yorumu bakım uzmanı yapar.

Yedek parça tahmin önerisini körü körüne sipariş haline çevirmek. Re-order point agent önerisi; satın alma kararı insanın. Aksi halde tek bir hatalı tahmin (örneğin sezonluk sapma) gereksiz stok yığınına yol açar. Satın alma agent’ıyla bağ kurulduğunda iki agent birbirinin çıktısını okur, ama karar adımı korunur.

Operatör Türkçe argosunu öğrenmesi için sabır göstermemek. Atölye dili 50-80 örnekten sonra oturur. İlk hafta yarım anlamasını agent’ın kalitesizliği gibi yorumlamak hatadır. Pattern öğrenme verisiyle gelir; veriyi besle, sonuç gelir.

Servis tedarikçisi performans skorunu cezalandırma aracı yapmak. Skor pattern özeti; karar bağlam ister. Tek bir kötü ay pattern olabilir veya istisnai durum olabilir. Agent veriyi sunar; pazarlık veya sözleşme yenileme bağlamı insan tarafından eklenir.

Persona örneği — Hakan

Bu sektörün canlı vakası için Hakan adında bir bakım uzmanını düşün — orta ölçek bir gıda üretim tesisinde 60 makinelik hattın bakımından sorumlu. Agent ilk gün son 12 ayın 2.400 iş emrini okudu. İlk hafta yeni iş emri sınıflandırmasında 30 hata yaptı; Hakan düzeltti, agent atölye jargonunu öğrendi.

Bir ay sonra agent operatör notlarını yapılandırılmış kayda dönüştürme görevini tek başına yapıyordu. Hakan’ın eskiden günde 1.5 saatini alan kayıt giriş işi 20 dakikaya indi. Üçüncü ay tekrarlayan problem analizi pattern bulan bir araca dönüştü — özellikle paketleme hattındaki bant bağlantısının iki ayda bir aynı semptomla durduğunu agent gösterdi. Kök neden, alt parçanın yanlış malzemesindeydi; üretici değişikliği yapıldı, problem kayboldu.

Altıncı ay riskli ekipman uyarısı kritik soğutma sisteminde devreye girdi. Sensör verisinden agent yıpranma pattern’i okudu, planlı duruşa zemin hazırladı. Beklenmedik arıza önlendi. Hakan’ın fark ettiği şey hız değildi. Agent’tan önce bakım ekibi reaktifti — arıza olunca koşardı. Şimdi pattern okuyan bir araç var; ekip plana göre çalışıyor, yangın söndürmeye değil önlemeye zaman ayırıyor.

Ilura’da nasıl başlanır?

Üç adım ve Agent yetiştirme rehberi sayfasındaki halka:

Forge. Tezgah’ı indir, yeni agent yarat, role olarak “Bakım uzmanı” seç. CMMS, Excel ve Outlook connector’larını bağla; varsa SCADA için file-watch ayarını yap. Pod sandbox’ı varsayılan ayarlarla yeterli. Başlangıç prompt’u “Türkiye üretim tesisi bakım uzmanı, arıza kayıt analizi + tekrarlayan problem tespiti + yedek parça tahmini” gibi kısa olabilir.

Train. İlk hafta son 12 ayın iş emri arşivini agent’a okut. Sonraki dört hafta canlı iş emri akışında paralel kontrol. Her onay-red Bayesian profile yazılır; LoRA tetikleyicisi 50 karara dolduğunda adapter ilk iterasyonunu üretir. Eğitim verisi makinende kalır.

Yayınla. Hazır olduğunda agent bulut runtime’a push edilir. İş emri özeti, tekrarlayan problem analizi, yedek parça tahmini artık api.ilura.com.tr üzerinden de tetiklenebilir — vardiya başında ekibe brief otomatik düşer. Yaşayan tether kapanır: cloud’daki her çağrı desktop’a olay olarak iner; sabah açtığında “dün 14 iş emri sınıflandırdım, 2 ekipmanda riskli pattern gördüm” özetini görürsün. İlişki orada derinleşir.