Yapay zeka destekli kalite kontrol sistemi, Türkiye’de seri üretim hatlarındaki görsel denetimleri otomatikleştirmek ve kusurları gerçek zamanlı belirlemek amacıyla geliştirildi. Anadolu Ajansının 27 Mart 2026 tarihli haberine göre yerli çözüm, sekiz farklı sektörde yaklaşık 12 fabrikada kullanılıyor; girişim ise 2026 içinde Avrupa ve ABD’ye hizmet ihracatı başlatmayı hedefliyor.
Hızlı yanıt: Haberde öne çıkan gelişme ne?
Türkiye’de geliştirilen sistem; kamera, görüntü işleme ve yapay zeka modellerini kullanarak üretim hattındaki ürünleri kesintisiz denetlemeyi hedefliyor. Girişimin kurucu ortağı Sinan Ceylan’ın açıklamasına göre sistem yaklaşık yüzde 99 doğruluk seviyesinde çalışıyor. Şirket, 2026’da 500 bin avroluk hizmet ihracatı ve toplam 3 milyon avro ciro hedefliyor. Bunlar gerçekleşmiş finansal sonuçlar değil, şirket tarafından açıklanan hedeflerdir.
Yerli yapay zeka destekli kalite kontrol sistemi ne sunuyor?
Üretim hattında yapılan görsel kontroller; operatörün deneyimi, dikkat süresi, vardiya koşulları, ürün hızı ve ortam ışığı gibi değişkenlerden etkilenebilir. Yapay zeka destekli kalite kontrol sistemi ise tanımlanan kusur kriterlerini her ürüne aynı kontrol mantığıyla uygulayarak denetimin daha tekrarlanabilir olmasını amaçlar.
AA’ya konuşan Sinan Ceylan, faaliyetlerine 2023 yılında başladıklarını ve İTÜ ARI Teknokent ekosistemi ile TÜBİTAK desteklerinin teknolojinin geliştirilmesinde rol oynadığını belirtti. İTÜ ARI Teknokent’in Ocak 2026 tarihli girişim tanıtımında çözüm, Pro Sicht (Academic Sight) adıyla ve insan gözlemine dayalı kalite kontrolü yapay zeka destekli otonom bir yapıya dönüştüren teknoloji olarak tanımlanıyor.
Bu yaklaşım yalnızca hatalı ürünü ayırmaya odaklanmıyor. Denetim sonuçlarının dijital olarak kaydedilmesi; hata türlerinin, tekrar sıklığının, vardiya veya makine bazlı değişimlerin ve olası kök nedenlerin analiz edilmesini de mümkün kılabilir. Böylece kalite kontrol, üretimin sonunda yapılan bir eleme işleminden süreç iyileştirmeyi besleyen veri kaynağına dönüşür.
Yapay zeka ile kalite kontrol nasıl çalışıyor?
Bir endüstriyel görüntü işleme uygulamasında süreç genel olarak dört aşamada ilerler:
- Görüntü toplama: Uygun kamera, lens ve aydınlatma düzeniyle ürünün kontrol edilecek yüzeyi görüntülenir.
- Analiz: Eğitilmiş yapay zeka modeli; çizik, çatlak, eksik parça, renk farkı, deformasyon veya yanlış montaj gibi tanımlanmış kusurları arar.
- Karar ve ayırma: Sonuç kabul/ret kriterleriyle karşılaştırılır. Uygun entegrasyon varsa hatalı ürün PLC veya ayırma mekanizması üzerinden hattan çıkarılır.
- Veri kaydı: Görüntü, hata sınıfı, zaman, ürün ve üretim parametreleri ilişkilendirilerek izlenebilir bir kalite kaydı oluşturulur.
Bu mimari, proses kontrol yöntemleri ile birlikte ele alındığında daha değerlidir. Çünkü kusurun tespit edilmesi sonucu gösterirken, proses verisiyle kurulan ilişki kusurun neden oluştuğunu anlamaya yardımcı olur.
Yapay zeka destekli kalite kontrol sistemi: Rakamlarla gelişme
Aşağıdaki veriler, Sinan Ceylan’ın AA’ya yaptığı açıklamaya dayanıyor. Bağımsız performans testi veya denetlenmiş finansal rapor niteliği taşımıyor.
| Gösterge | Açıklanan bilgi | Doğru okuma |
|---|---|---|
| Faaliyete başlangıç | 2023 | İlk yurt içi satışın 2023’ün son çeyreğinde yapıldığı belirtiliyor. |
| Kullanım alanı | 8 sektör, yaklaşık 12 fabrika | Mart 2026’da açıklanan kurulu kullanım bilgisi. |
| Doğruluk | Yaklaşık %99 | Ürün, kusur sınıfı ve test koşulları verilmeden genellenmemeli. |
| Çalışma düzeni | 7 gün 24 saat | Sürekli denetim kabiliyeti; bakım, doğrulama ve proses gözetimi ihtiyacını ortadan kaldırmaz. |
| 2026 hizmet ihracatı hedefi | 500 bin avro | Gerçekleşmiş gelir değil, şirket hedefi. |
| 2026 toplam ciro hedefi | 3 milyon avro | Şirket beyanına dayalı gelecek hedefi. |
| İhracatın beklenen ciro payı | %30–35 | Hizmet ihracatı hedefiyle aynı gelir kalemini ifade edip etmediği kaynakta ayrıştırılmıyor. |
Sistem hangi sektörlerde kullanılabilir?
Haberde otomotiv, beyaz eşya ve gıda sektörlerindeki kullanımlar özellikle vurgulanıyor. Girişim; enerji ve savunma sanayisini de ihracat planındaki hedef alanlar arasında gösteriyor. Teknik olarak yapay zeka ile kalite kontrol, tekrarlı ürün akışının ve görsel olarak tanımlanabilen kabul/ret kriterlerinin bulunduğu pek çok prosese uyarlanabilir.
- Otomotiv: Yüzey kusuru, eksik parça, montaj yönü ve bağlantı elemanı kontrolü
- Beyaz eşya: Çizik, ezik, renk farkı, parça varlığı ve etiket doğrulama
- Gıda: Ambalaj bütünlüğü, ürün şekli, yabancı görünüm ve etiket kontrolü
- Enerji: Bileşen yüzeyi, montaj uygunluğu ve üretim kaynaklı görsel anomali tespiti
- Savunma sanayisi: Tanımlı görsel kusurların tekrarlanabilir biçimde denetlenmesi ve kayıt altına alınması
Uygulamanın başarısı yalnızca yapay zeka modeline bağlı değildir. Kamera çözünürlüğü, optik düzen, parça konumlandırma, çevrim süresi, aydınlatma kararlılığı, kusur örneklerinin temsili ve kabul kriterlerinin açıklığı birlikte değerlendirilmelidir. Bu nedenle sistem seçimi, genel bir doğruluk yüzdesinden çok gerçek üretim hattında yapılacak pilot test üzerinden yürütülmelidir.
İhracat hedefinde Avrupa ve ABD pazarları var
Şirketin Mart 2026’da açıkladığı plana göre Almanya, Fransa, Belçika, Hollanda, Danimarka, Birleşik Krallık ve ABD’de operasyon hazırlıkları yürütülüyordu. İhracatın 2026’nın ikinci çeyreğinde başlaması hedeflenmişti. Ancak 27 Temmuz 2026 itibarıyla taranan kamuya açık güvenilir kaynaklarda bu planın gerçekleştiğini doğrulayan ayrıntılı bir ihracat sonucu veya ülke bazlı satış açıklaması bulunamadı. Bu nedenle gelişme, “ihracat başladı” şeklinde değil, “ihracat hedefi ve hazırlığı açıklandı” biçiminde aktarılmalıdır.
İhracat planının önemi yalnızca satış geliriyle sınırlı değil. Yerli algoritma, saha entegrasyonu ve endüstriyel uygulama bilgisinin birlikte ihraç edilmesi; Türkiye’nin yüksek katma değerli teknoloji hizmetlerindeki görünürlüğünü artırabilir. İTÜ ARI Teknokent’in Pro Sicht’i ABD’de tanıtılan yerli teknoloji girişimleri arasında göstermesi de çözümün uluslararasılaşma yönündeki konumunu destekliyor.
Yüzde 99 doğruluk ne anlama geliyor?
Bir yapay zeka destekli kalite kontrol sistemi için açıklanan yüzde 99 doğruluk, tek başına yeterli bir satın alma veya proses kabul kriteri değildir. Bu oran; test edilen ürün sayısına, kusur dağılımına, hata sınıflarına, görüntü koşullarına ve kullanılan performans metriğine göre değişebilir.
Örneğin hatalı ürünlerin çok seyrek olduğu bir hatta yalnızca “accuracy” değerine bakmak yanıltıcı olabilir. Kalite ekibinin en az şu sonuçları ayrı ayrı istemesi gerekir:
- Yanlış kabul: Hatalı ürünün sağlam olarak sınıflandırılma oranı
- Yanlış ret: Sağlam ürünün hatalı olarak ayrılma oranı
- Kusur sınıfı başarımı: Her hata türü için hassasiyet ve yakalama oranı
- Çevrim süresi: Sistemin hat hızında kararlı karar verebilmesi
- Tekrarlanabilirlik: Aynı parçanın aynı koşullarda tutarlı sonuç üretmesi
- Model kayması kontrolü: Ürün, malzeme veya aydınlatma değiştiğinde performansın izlenmesi
Ceylan da yapay zeka modellerinde mutlak yüzde 100 doğruluğun gerçekçi olmadığını ve sistemin sürekli öğrenen altyapıyla geliştirildiğini belirtiyor. Kalite açısından doğru yaklaşım; hedef metriği kritik hata riskine göre belirlemek, modeli ayrı bir doğrulama veri setiyle sınamak ve sahadaki performansı düzenli olarak yeniden doğrulamaktır.
Kalite mühendisliği açısından 6 kritik nokta
Yapay zeka ile kalite kontrol yatırımında kamera ve yazılım gösteriminin ötesine geçilmelidir. Kabul sürecinde şu sorular yanıtlanmalıdır:
- Kusur tanımı net mi? Kritik, majör ve minör kusurlar görsel örneklerle tanımlanmalı.
- Veri seti üretimi temsil ediyor mu? Farklı vardiya, lot, yüzey, renk ve çevre koşulları kapsanmalı.
- Yanlış kabul riski ölçüldü mü? Özellikle güvenlik kritik parçalarda her hata sınıfı ayrı değerlendirilmelidir.
- Sistem doğrulaması planlandı mı? İlk kurulum, ürün değişikliği ve model güncellemesi sonrasında yeniden doğrulama yapılmalı.
- İzlenebilirlik sağlanıyor mu? Karar, görüntü, zaman damgası, ürün kimliği ve proses bilgisi ilişkilendirilebilmelidir.
- İnsan denetimi doğru konumlandı mı? Otomasyon, kalite mühendisinin kök neden analizi ve proses iyileştirme sorumluluğunu ortadan kaldırmaz.
Bu bakış, dijital kalite kontrol araçları ile Endüstri 4.0 ve yapay zeka odaklı dijital dönüşüm çalışmalarının neden yalnızca ekipman yatırımı olarak ele alınmaması gerektiğini gösteriyor. Asıl değer, güvenilir verinin üretim kararlarına ve sürekli iyileştirmeye aktarılmasıyla oluşuyor.
Yerli sistem üretim verimliliğine nasıl katkı sağlayabilir?
Görsel denetimin çevrim içinde yapılması, hatanın sonraki üretim aşamalarına taşınmadan fark edilmesini sağlayabilir. Bu durum hurda, yeniden işleme, garanti, iade ve plansız duruş maliyetlerinin azaltılmasına yardımcı olur. Kalite kontrol hatalarının üretim maliyetine etkisi düşünüldüğünde erken tespit, doğrudan maliyet kadar marka güvenilirliği açısından da önem taşır.
Bununla birlikte “insan bağımsız” ifadesi, sistemin gözetim veya kalite mühendisliği gerektirmediği anlamına gelmemelidir. Kamera temizliği, optik ayar, aydınlatma kontrolü, model performansı, ürün değişiklikleri ve karar eşikleri yönetilmezse otomatik sistem de hatalı sonuç üretebilir. En güçlü kullanım modeli; tekrarlı görsel denetimin otomasyona verilmesi, uzman ekibin ise doğrulama, risk yönetimi ve kök neden analizine odaklanmasıdır.
Sonuç: Yerli teknoloji için kritik eşik saha doğrulaması ve ihracat
Türkiye’de geliştirilen yapay zeka destekli kalite kontrol sistemi, 12 fabrikaya ulaştığı açıklanan saha kullanımıyla ticarileşme yönünde önemli bir aşamaya gelmiş görünüyor. Avrupa ve ABD’ye yönelik ihracat hedefinin gerçekleşmesi; yalnızca şirketin büyümesi değil, yerli endüstriyel yapay zeka çözümlerinin küresel üretim ekosisteminde referans kazanması açısından da değer taşıyor.
Yine de sistemin teknik başarısı, genel bir doğruluk oranından çok her üretim hattındaki yanlış kabul, yanlış ret, çevrim süresi, tekrarlanabilirlik ve izlenebilirlik sonuçlarıyla değerlendirilmelidir. Kalıcı rekabet avantajı; yapay zeka modelinin, sağlam bir görüntüleme altyapısının ve disiplinli kalite mühendisliğinin birlikte yönetilmesiyle oluşacaktır.
Yapay zeka destekli kalite kontrol sistemi hakkında sık sorulan sorular
Yapay zeka destekli kalite kontrol sistemi nedir?
Üretim hattından alınan görüntüleri eğitilmiş algoritmalarla analiz eden; çizik, çatlak, eksik parça, yanlış montaj veya renk farkı gibi tanımlı kusurları otomatik olarak belirleyen denetim çözümüdür. Sonuçlar kabul/ret kararı ve izlenebilir kalite verisi üretmek için kullanılabilir.
Yerli sistem şu anda kaç fabrikada kullanılıyor?
Sinan Ceylan’ın 27 Mart 2026 tarihli AA açıklamasına göre sistem, Türkiye’de sekiz farklı sektörde yaklaşık 12 fabrikada kullanılıyordu. Bu sayı şirket beyanıdır ve bağımsız kurulum listesi haberde paylaşılmamıştır.
Sistemin doğruluk oranı kaç?
Haberde yaklaşık yüzde 99 doğruluk seviyesi açıklanıyor. Ancak ürün tipi, kusur sınıfı, veri seti ve ölçüm yöntemi belirtilmediğinden bu oran her üretim hattı için aynı performansı garanti etmez. Saha pilotunda yanlış kabul ve yanlış ret oranları ayrıca doğrulanmalıdır.
Yapay zeka insan kontrolünü tamamen kaldırır mı?
Tekrarlı görsel kontrolleri büyük ölçüde otomatikleştirebilir; ancak kalite planlama, sistem doğrulama, istisna yönetimi, bakım ve kök neden analizi için uzman gözetimi gerekir. Amaç insanı süreçten çıkarmak değil, insan kaynaklı değişkenliği azaltıp uzmanlığı daha değerli işlere yöneltmektir.
Hangi ülkelere ihracat hedefleniyor?
Mart 2026’da açıklanan planda Almanya, Fransa, Belçika, Hollanda, Danimarka, Birleşik Krallık ve ABD yer alıyor. İhracatın 2026’nın ikinci çeyreğinde başlaması hedeflenmişti; temmuz sonu itibarıyla gerçekleşen satışlara ilişkin ayrıntılı kamuya açık doğrulama bulunmuyor.
Bu sistemler en çok hangi sektörlere uygundur?
Otomotiv, beyaz eşya, gıda, enerji ve savunma sanayisi başta olmak üzere yüksek adetli ve tekrarlı üretim yapan tesislerde kullanılabilir. Uygunluk; kusurun görsel olarak tanımlanabilmesine, hat hızına, parça sunumuna ve proses koşullarının kararlılığına bağlıdır.
Yapay zeka destekli kalite kontrol sistemi, Türkiye’de seri üretim hatlarındaki görsel denetimleri otomatikleştirmek ve kusurları gerçek zamanlı belirlemek amacıyla geliştirildi. Anadolu Ajansının 27 Mart 2026 tarihli haberine göre yerli çözüm, sekiz farklı sektörde yaklaşık 12 fabrikada kullanılıyor; girişim ise 2026 içinde Avrupa ve ABD’ye hizmet ihracatı başlatmayı hedefliyor.
Hızlı yanıt: Haberde öne çıkan gelişme ne?
Türkiye’de geliştirilen sistem; kamera, görüntü işleme ve yapay zeka modellerini kullanarak üretim hattındaki ürünleri kesintisiz denetlemeyi hedefliyor. Girişimin kurucu ortağı Sinan Ceylan’ın açıklamasına göre sistem yaklaşık yüzde 99 doğruluk seviyesinde çalışıyor. Şirket, 2026’da 500 bin avroluk hizmet ihracatı ve toplam 3 milyon avro ciro hedefliyor. Bunlar gerçekleşmiş finansal sonuçlar değil, şirket tarafından açıklanan hedeflerdir.
Yerli yapay zeka destekli kalite kontrol sistemi ne sunuyor?
Üretim hattında yapılan görsel kontroller; operatörün deneyimi, dikkat süresi, vardiya koşulları, ürün hızı ve ortam ışığı gibi değişkenlerden etkilenebilir. Yapay zeka destekli kalite kontrol sistemi ise tanımlanan kusur kriterlerini her ürüne aynı kontrol mantığıyla uygulayarak denetimin daha tekrarlanabilir olmasını amaçlar.
AA’ya konuşan Sinan Ceylan, faaliyetlerine 2023 yılında başladıklarını ve İTÜ ARI Teknokent ekosistemi ile TÜBİTAK desteklerinin teknolojinin geliştirilmesinde rol oynadığını belirtti. İTÜ ARI Teknokent’in Ocak 2026 tarihli girişim tanıtımında çözüm, Pro Sicht (Academic Sight) adıyla ve insan gözlemine dayalı kalite kontrolü yapay zeka destekli otonom bir yapıya dönüştüren teknoloji olarak tanımlanıyor.
Bu yaklaşım yalnızca hatalı ürünü ayırmaya odaklanmıyor. Denetim sonuçlarının dijital olarak kaydedilmesi; hata türlerinin, tekrar sıklığının, vardiya veya makine bazlı değişimlerin ve olası kök nedenlerin analiz edilmesini de mümkün kılabilir. Böylece kalite kontrol, üretimin sonunda yapılan bir eleme işleminden süreç iyileştirmeyi besleyen veri kaynağına dönüşür.
Yapay zeka ile kalite kontrol nasıl çalışıyor?
Bir endüstriyel görüntü işleme uygulamasında süreç genel olarak dört aşamada ilerler:
- Görüntü toplama: Uygun kamera, lens ve aydınlatma düzeniyle ürünün kontrol edilecek yüzeyi görüntülenir.
- Analiz: Eğitilmiş yapay zeka modeli; çizik, çatlak, eksik parça, renk farkı, deformasyon veya yanlış montaj gibi tanımlanmış kusurları arar.
- Karar ve ayırma: Sonuç kabul/ret kriterleriyle karşılaştırılır. Uygun entegrasyon varsa hatalı ürün PLC veya ayırma mekanizması üzerinden hattan çıkarılır.
- Veri kaydı: Görüntü, hata sınıfı, zaman, ürün ve üretim parametreleri ilişkilendirilerek izlenebilir bir kalite kaydı oluşturulur.
Bu mimari, proses kontrol yöntemleri ile birlikte ele alındığında daha değerlidir. Çünkü kusurun tespit edilmesi sonucu gösterirken, proses verisiyle kurulan ilişki kusurun neden oluştuğunu anlamaya yardımcı olur.
Yapay zeka destekli kalite kontrol sistemi: Rakamlarla gelişme
Aşağıdaki veriler, Sinan Ceylan’ın AA’ya yaptığı açıklamaya dayanıyor. Bağımsız performans testi veya denetlenmiş finansal rapor niteliği taşımıyor.
| Gösterge | Açıklanan bilgi | Doğru okuma |
|---|---|---|
| Faaliyete başlangıç | 2023 | İlk yurt içi satışın 2023’ün son çeyreğinde yapıldığı belirtiliyor. |
| Kullanım alanı | 8 sektör, yaklaşık 12 fabrika | Mart 2026’da açıklanan kurulu kullanım bilgisi. |
| Doğruluk | Yaklaşık %99 | Ürün, kusur sınıfı ve test koşulları verilmeden genellenmemeli. |
| Çalışma düzeni | 7 gün 24 saat | Sürekli denetim kabiliyeti; bakım, doğrulama ve proses gözetimi ihtiyacını ortadan kaldırmaz. |
| 2026 hizmet ihracatı hedefi | 500 bin avro | Gerçekleşmiş gelir değil, şirket hedefi. |
| 2026 toplam ciro hedefi | 3 milyon avro | Şirket beyanına dayalı gelecek hedefi. |
| İhracatın beklenen ciro payı | %30–35 | Hizmet ihracatı hedefiyle aynı gelir kalemini ifade edip etmediği kaynakta ayrıştırılmıyor. |
Sistem hangi sektörlerde kullanılabilir?
Haberde otomotiv, beyaz eşya ve gıda sektörlerindeki kullanımlar özellikle vurgulanıyor. Girişim; enerji ve savunma sanayisini de ihracat planındaki hedef alanlar arasında gösteriyor. Teknik olarak yapay zeka ile kalite kontrol, tekrarlı ürün akışının ve görsel olarak tanımlanabilen kabul/ret kriterlerinin bulunduğu pek çok prosese uyarlanabilir.
- Otomotiv: Yüzey kusuru, eksik parça, montaj yönü ve bağlantı elemanı kontrolü
- Beyaz eşya: Çizik, ezik, renk farkı, parça varlığı ve etiket doğrulama
- Gıda: Ambalaj bütünlüğü, ürün şekli, yabancı görünüm ve etiket kontrolü
- Enerji: Bileşen yüzeyi, montaj uygunluğu ve üretim kaynaklı görsel anomali tespiti
- Savunma sanayisi: Tanımlı görsel kusurların tekrarlanabilir biçimde denetlenmesi ve kayıt altına alınması
Uygulamanın başarısı yalnızca yapay zeka modeline bağlı değildir. Kamera çözünürlüğü, optik düzen, parça konumlandırma, çevrim süresi, aydınlatma kararlılığı, kusur örneklerinin temsili ve kabul kriterlerinin açıklığı birlikte değerlendirilmelidir. Bu nedenle sistem seçimi, genel bir doğruluk yüzdesinden çok gerçek üretim hattında yapılacak pilot test üzerinden yürütülmelidir.
İhracat hedefinde Avrupa ve ABD pazarları var
Şirketin Mart 2026’da açıkladığı plana göre Almanya, Fransa, Belçika, Hollanda, Danimarka, Birleşik Krallık ve ABD’de operasyon hazırlıkları yürütülüyordu. İhracatın 2026’nın ikinci çeyreğinde başlaması hedeflenmişti. Ancak 27 Temmuz 2026 itibarıyla taranan kamuya açık güvenilir kaynaklarda bu planın gerçekleştiğini doğrulayan ayrıntılı bir ihracat sonucu veya ülke bazlı satış açıklaması bulunamadı. Bu nedenle gelişme, “ihracat başladı” şeklinde değil, “ihracat hedefi ve hazırlığı açıklandı” biçiminde aktarılmalıdır.
İhracat planının önemi yalnızca satış geliriyle sınırlı değil. Yerli algoritma, saha entegrasyonu ve endüstriyel uygulama bilgisinin birlikte ihraç edilmesi; Türkiye’nin yüksek katma değerli teknoloji hizmetlerindeki görünürlüğünü artırabilir. İTÜ ARI Teknokent’in Pro Sicht’i ABD’de tanıtılan yerli teknoloji girişimleri arasında göstermesi de çözümün uluslararasılaşma yönündeki konumunu destekliyor.
Yüzde 99 doğruluk ne anlama geliyor?
Bir yapay zeka destekli kalite kontrol sistemi için açıklanan yüzde 99 doğruluk, tek başına yeterli bir satın alma veya proses kabul kriteri değildir. Bu oran; test edilen ürün sayısına, kusur dağılımına, hata sınıflarına, görüntü koşullarına ve kullanılan performans metriğine göre değişebilir.
Örneğin hatalı ürünlerin çok seyrek olduğu bir hatta yalnızca “accuracy” değerine bakmak yanıltıcı olabilir. Kalite ekibinin en az şu sonuçları ayrı ayrı istemesi gerekir:
- Yanlış kabul: Hatalı ürünün sağlam olarak sınıflandırılma oranı
- Yanlış ret: Sağlam ürünün hatalı olarak ayrılma oranı
- Kusur sınıfı başarımı: Her hata türü için hassasiyet ve yakalama oranı
- Çevrim süresi: Sistemin hat hızında kararlı karar verebilmesi
- Tekrarlanabilirlik: Aynı parçanın aynı koşullarda tutarlı sonuç üretmesi
- Model kayması kontrolü: Ürün, malzeme veya aydınlatma değiştiğinde performansın izlenmesi
Ceylan da yapay zeka modellerinde mutlak yüzde 100 doğruluğun gerçekçi olmadığını ve sistemin sürekli öğrenen altyapıyla geliştirildiğini belirtiyor. Kalite açısından doğru yaklaşım; hedef metriği kritik hata riskine göre belirlemek, modeli ayrı bir doğrulama veri setiyle sınamak ve sahadaki performansı düzenli olarak yeniden doğrulamaktır.
Kalite mühendisliği açısından 6 kritik nokta
Yapay zeka ile kalite kontrol yatırımında kamera ve yazılım gösteriminin ötesine geçilmelidir. Kabul sürecinde şu sorular yanıtlanmalıdır:
- Kusur tanımı net mi? Kritik, majör ve minör kusurlar görsel örneklerle tanımlanmalı.
- Veri seti üretimi temsil ediyor mu? Farklı vardiya, lot, yüzey, renk ve çevre koşulları kapsanmalı.
- Yanlış kabul riski ölçüldü mü? Özellikle güvenlik kritik parçalarda her hata sınıfı ayrı değerlendirilmelidir.
- Sistem doğrulaması planlandı mı? İlk kurulum, ürün değişikliği ve model güncellemesi sonrasında yeniden doğrulama yapılmalı.
- İzlenebilirlik sağlanıyor mu? Karar, görüntü, zaman damgası, ürün kimliği ve proses bilgisi ilişkilendirilebilmelidir.
- İnsan denetimi doğru konumlandı mı? Otomasyon, kalite mühendisinin kök neden analizi ve proses iyileştirme sorumluluğunu ortadan kaldırmaz.
Bu bakış, dijital kalite kontrol araçları ile Endüstri 4.0 ve yapay zeka odaklı dijital dönüşüm çalışmalarının neden yalnızca ekipman yatırımı olarak ele alınmaması gerektiğini gösteriyor. Asıl değer, güvenilir verinin üretim kararlarına ve sürekli iyileştirmeye aktarılmasıyla oluşuyor.
Yerli sistem üretim verimliliğine nasıl katkı sağlayabilir?
Görsel denetimin çevrim içinde yapılması, hatanın sonraki üretim aşamalarına taşınmadan fark edilmesini sağlayabilir. Bu durum hurda, yeniden işleme, garanti, iade ve plansız duruş maliyetlerinin azaltılmasına yardımcı olur. Kalite kontrol hatalarının üretim maliyetine etkisi düşünüldüğünde erken tespit, doğrudan maliyet kadar marka güvenilirliği açısından da önem taşır.
Bununla birlikte “insan bağımsız” ifadesi, sistemin gözetim veya kalite mühendisliği gerektirmediği anlamına gelmemelidir. Kamera temizliği, optik ayar, aydınlatma kontrolü, model performansı, ürün değişiklikleri ve karar eşikleri yönetilmezse otomatik sistem de hatalı sonuç üretebilir. En güçlü kullanım modeli; tekrarlı görsel denetimin otomasyona verilmesi, uzman ekibin ise doğrulama, risk yönetimi ve kök neden analizine odaklanmasıdır.
Sonuç: Yerli teknoloji için kritik eşik saha doğrulaması ve ihracat
Türkiye’de geliştirilen yapay zeka destekli kalite kontrol sistemi, 12 fabrikaya ulaştığı açıklanan saha kullanımıyla ticarileşme yönünde önemli bir aşamaya gelmiş görünüyor. Avrupa ve ABD’ye yönelik ihracat hedefinin gerçekleşmesi; yalnızca şirketin büyümesi değil, yerli endüstriyel yapay zeka çözümlerinin küresel üretim ekosisteminde referans kazanması açısından da değer taşıyor.
Yine de sistemin teknik başarısı, genel bir doğruluk oranından çok her üretim hattındaki yanlış kabul, yanlış ret, çevrim süresi, tekrarlanabilirlik ve izlenebilirlik sonuçlarıyla değerlendirilmelidir. Kalıcı rekabet avantajı; yapay zeka modelinin, sağlam bir görüntüleme altyapısının ve disiplinli kalite mühendisliğinin birlikte yönetilmesiyle oluşacaktır.
Yapay zeka destekli kalite kontrol sistemi hakkında sık sorulan sorular
Yapay zeka destekli kalite kontrol sistemi nedir?
Üretim hattından alınan görüntüleri eğitilmiş algoritmalarla analiz eden; çizik, çatlak, eksik parça, yanlış montaj veya renk farkı gibi tanımlı kusurları otomatik olarak belirleyen denetim çözümüdür. Sonuçlar kabul/ret kararı ve izlenebilir kalite verisi üretmek için kullanılabilir.
Yerli sistem şu anda kaç fabrikada kullanılıyor?
Sinan Ceylan’ın 27 Mart 2026 tarihli AA açıklamasına göre sistem, Türkiye’de sekiz farklı sektörde yaklaşık 12 fabrikada kullanılıyordu. Bu sayı şirket beyanıdır ve bağımsız kurulum listesi haberde paylaşılmamıştır.
Sistemin doğruluk oranı kaç?
Haberde yaklaşık yüzde 99 doğruluk seviyesi açıklanıyor. Ancak ürün tipi, kusur sınıfı, veri seti ve ölçüm yöntemi belirtilmediğinden bu oran her üretim hattı için aynı performansı garanti etmez. Saha pilotunda yanlış kabul ve yanlış ret oranları ayrıca doğrulanmalıdır.
Yapay zeka insan kontrolünü tamamen kaldırır mı?
Tekrarlı görsel kontrolleri büyük ölçüde otomatikleştirebilir; ancak kalite planlama, sistem doğrulama, istisna yönetimi, bakım ve kök neden analizi için uzman gözetimi gerekir. Amaç insanı süreçten çıkarmak değil, insan kaynaklı değişkenliği azaltıp uzmanlığı daha değerli işlere yöneltmektir.
Hangi ülkelere ihracat hedefleniyor?
Mart 2026’da açıklanan planda Almanya, Fransa, Belçika, Hollanda, Danimarka, Birleşik Krallık ve ABD yer alıyor. İhracatın 2026’nın ikinci çeyreğinde başlaması hedeflenmişti; temmuz sonu itibarıyla gerçekleşen satışlara ilişkin ayrıntılı kamuya açık doğrulama bulunmuyor.
Bu sistemler en çok hangi sektörlere uygundur?
Otomotiv, beyaz eşya, gıda, enerji ve savunma sanayisi başta olmak üzere yüksek adetli ve tekrarlı üretim yapan tesislerde kullanılabilir. Uygunluk; kusurun görsel olarak tanımlanabilmesine, hat hızına, parça sunumuna ve proses koşullarının kararlılığına bağlıdır.
Yapay zeka destekli kalite kontrol sistemi, Türkiye’de seri üretim hatlarındaki görsel denetimleri otomatikleştirmek ve kusurları gerçek zamanlı belirlemek amacıyla geliştirildi. Anadolu Ajansının 27 Mart 2026 tarihli haberine göre yerli çözüm, sekiz farklı sektörde yaklaşık 12 fabrikada kullanılıyor; girişim ise 2026 içinde Avrupa ve ABD’ye hizmet ihracatı başlatmayı hedefliyor.
Hızlı yanıt: Haberde öne çıkan gelişme ne?
Türkiye’de geliştirilen sistem; kamera, görüntü işleme ve yapay zeka modellerini kullanarak üretim hattındaki ürünleri kesintisiz denetlemeyi hedefliyor. Girişimin kurucu ortağı Sinan Ceylan’ın açıklamasına göre sistem yaklaşık yüzde 99 doğruluk seviyesinde çalışıyor. Şirket, 2026’da 500 bin avroluk hizmet ihracatı ve toplam 3 milyon avro ciro hedefliyor. Bunlar gerçekleşmiş finansal sonuçlar değil, şirket tarafından açıklanan hedeflerdir.
Yerli yapay zeka destekli kalite kontrol sistemi ne sunuyor?
Üretim hattında yapılan görsel kontroller; operatörün deneyimi, dikkat süresi, vardiya koşulları, ürün hızı ve ortam ışığı gibi değişkenlerden etkilenebilir. Yapay zeka destekli kalite kontrol sistemi ise tanımlanan kusur kriterlerini her ürüne aynı kontrol mantığıyla uygulayarak denetimin daha tekrarlanabilir olmasını amaçlar.
AA’ya konuşan Sinan Ceylan, faaliyetlerine 2023 yılında başladıklarını ve İTÜ ARI Teknokent ekosistemi ile TÜBİTAK desteklerinin teknolojinin geliştirilmesinde rol oynadığını belirtti. İTÜ ARI Teknokent’in Ocak 2026 tarihli girişim tanıtımında çözüm, Pro Sicht (Academic Sight) adıyla ve insan gözlemine dayalı kalite kontrolü yapay zeka destekli otonom bir yapıya dönüştüren teknoloji olarak tanımlanıyor.
Bu yaklaşım yalnızca hatalı ürünü ayırmaya odaklanmıyor. Denetim sonuçlarının dijital olarak kaydedilmesi; hata türlerinin, tekrar sıklığının, vardiya veya makine bazlı değişimlerin ve olası kök nedenlerin analiz edilmesini de mümkün kılabilir. Böylece kalite kontrol, üretimin sonunda yapılan bir eleme işleminden süreç iyileştirmeyi besleyen veri kaynağına dönüşür.
Yapay zeka ile kalite kontrol nasıl çalışıyor?
Bir endüstriyel görüntü işleme uygulamasında süreç genel olarak dört aşamada ilerler:
- Görüntü toplama: Uygun kamera, lens ve aydınlatma düzeniyle ürünün kontrol edilecek yüzeyi görüntülenir.
- Analiz: Eğitilmiş yapay zeka modeli; çizik, çatlak, eksik parça, renk farkı, deformasyon veya yanlış montaj gibi tanımlanmış kusurları arar.
- Karar ve ayırma: Sonuç kabul/ret kriterleriyle karşılaştırılır. Uygun entegrasyon varsa hatalı ürün PLC veya ayırma mekanizması üzerinden hattan çıkarılır.
- Veri kaydı: Görüntü, hata sınıfı, zaman, ürün ve üretim parametreleri ilişkilendirilerek izlenebilir bir kalite kaydı oluşturulur.
Bu mimari, proses kontrol yöntemleri ile birlikte ele alındığında daha değerlidir. Çünkü kusurun tespit edilmesi sonucu gösterirken, proses verisiyle kurulan ilişki kusurun neden oluştuğunu anlamaya yardımcı olur.
Yapay zeka destekli kalite kontrol sistemi: Rakamlarla gelişme
Aşağıdaki veriler, Sinan Ceylan’ın AA’ya yaptığı açıklamaya dayanıyor. Bağımsız performans testi veya denetlenmiş finansal rapor niteliği taşımıyor.
| Gösterge | Açıklanan bilgi | Doğru okuma |
|---|---|---|
| Faaliyete başlangıç | 2023 | İlk yurt içi satışın 2023’ün son çeyreğinde yapıldığı belirtiliyor. |
| Kullanım alanı | 8 sektör, yaklaşık 12 fabrika | Mart 2026’da açıklanan kurulu kullanım bilgisi. |
| Doğruluk | Yaklaşık %99 | Ürün, kusur sınıfı ve test koşulları verilmeden genellenmemeli. |
| Çalışma düzeni | 7 gün 24 saat | Sürekli denetim kabiliyeti; bakım, doğrulama ve proses gözetimi ihtiyacını ortadan kaldırmaz. |
| 2026 hizmet ihracatı hedefi | 500 bin avro | Gerçekleşmiş gelir değil, şirket hedefi. |
| 2026 toplam ciro hedefi | 3 milyon avro | Şirket beyanına dayalı gelecek hedefi. |
| İhracatın beklenen ciro payı | %30–35 | Hizmet ihracatı hedefiyle aynı gelir kalemini ifade edip etmediği kaynakta ayrıştırılmıyor. |
Sistem hangi sektörlerde kullanılabilir?
Haberde otomotiv, beyaz eşya ve gıda sektörlerindeki kullanımlar özellikle vurgulanıyor. Girişim; enerji ve savunma sanayisini de ihracat planındaki hedef alanlar arasında gösteriyor. Teknik olarak yapay zeka ile kalite kontrol, tekrarlı ürün akışının ve görsel olarak tanımlanabilen kabul/ret kriterlerinin bulunduğu pek çok prosese uyarlanabilir.
- Otomotiv: Yüzey kusuru, eksik parça, montaj yönü ve bağlantı elemanı kontrolü
- Beyaz eşya: Çizik, ezik, renk farkı, parça varlığı ve etiket doğrulama
- Gıda: Ambalaj bütünlüğü, ürün şekli, yabancı görünüm ve etiket kontrolü
- Enerji: Bileşen yüzeyi, montaj uygunluğu ve üretim kaynaklı görsel anomali tespiti
- Savunma sanayisi: Tanımlı görsel kusurların tekrarlanabilir biçimde denetlenmesi ve kayıt altına alınması
Uygulamanın başarısı yalnızca yapay zeka modeline bağlı değildir. Kamera çözünürlüğü, optik düzen, parça konumlandırma, çevrim süresi, aydınlatma kararlılığı, kusur örneklerinin temsili ve kabul kriterlerinin açıklığı birlikte değerlendirilmelidir. Bu nedenle sistem seçimi, genel bir doğruluk yüzdesinden çok gerçek üretim hattında yapılacak pilot test üzerinden yürütülmelidir.
İhracat hedefinde Avrupa ve ABD pazarları var
Şirketin Mart 2026’da açıkladığı plana göre Almanya, Fransa, Belçika, Hollanda, Danimarka, Birleşik Krallık ve ABD’de operasyon hazırlıkları yürütülüyordu. İhracatın 2026’nın ikinci çeyreğinde başlaması hedeflenmişti. Ancak 27 Temmuz 2026 itibarıyla taranan kamuya açık güvenilir kaynaklarda bu planın gerçekleştiğini doğrulayan ayrıntılı bir ihracat sonucu veya ülke bazlı satış açıklaması bulunamadı. Bu nedenle gelişme, “ihracat başladı” şeklinde değil, “ihracat hedefi ve hazırlığı açıklandı” biçiminde aktarılmalıdır.
İhracat planının önemi yalnızca satış geliriyle sınırlı değil. Yerli algoritma, saha entegrasyonu ve endüstriyel uygulama bilgisinin birlikte ihraç edilmesi; Türkiye’nin yüksek katma değerli teknoloji hizmetlerindeki görünürlüğünü artırabilir. İTÜ ARI Teknokent’in Pro Sicht’i ABD’de tanıtılan yerli teknoloji girişimleri arasında göstermesi de çözümün uluslararasılaşma yönündeki konumunu destekliyor.
Yüzde 99 doğruluk ne anlama geliyor?
Bir yapay zeka destekli kalite kontrol sistemi için açıklanan yüzde 99 doğruluk, tek başına yeterli bir satın alma veya proses kabul kriteri değildir. Bu oran; test edilen ürün sayısına, kusur dağılımına, hata sınıflarına, görüntü koşullarına ve kullanılan performans metriğine göre değişebilir.
Örneğin hatalı ürünlerin çok seyrek olduğu bir hatta yalnızca “accuracy” değerine bakmak yanıltıcı olabilir. Kalite ekibinin en az şu sonuçları ayrı ayrı istemesi gerekir:
- Yanlış kabul: Hatalı ürünün sağlam olarak sınıflandırılma oranı
- Yanlış ret: Sağlam ürünün hatalı olarak ayrılma oranı
- Kusur sınıfı başarımı: Her hata türü için hassasiyet ve yakalama oranı
- Çevrim süresi: Sistemin hat hızında kararlı karar verebilmesi
- Tekrarlanabilirlik: Aynı parçanın aynı koşullarda tutarlı sonuç üretmesi
- Model kayması kontrolü: Ürün, malzeme veya aydınlatma değiştiğinde performansın izlenmesi
Ceylan da yapay zeka modellerinde mutlak yüzde 100 doğruluğun gerçekçi olmadığını ve sistemin sürekli öğrenen altyapıyla geliştirildiğini belirtiyor. Kalite açısından doğru yaklaşım; hedef metriği kritik hata riskine göre belirlemek, modeli ayrı bir doğrulama veri setiyle sınamak ve sahadaki performansı düzenli olarak yeniden doğrulamaktır.
Kalite mühendisliği açısından 6 kritik nokta
Yapay zeka ile kalite kontrol yatırımında kamera ve yazılım gösteriminin ötesine geçilmelidir. Kabul sürecinde şu sorular yanıtlanmalıdır:
- Kusur tanımı net mi? Kritik, majör ve minör kusurlar görsel örneklerle tanımlanmalı.
- Veri seti üretimi temsil ediyor mu? Farklı vardiya, lot, yüzey, renk ve çevre koşulları kapsanmalı.
- Yanlış kabul riski ölçüldü mü? Özellikle güvenlik kritik parçalarda her hata sınıfı ayrı değerlendirilmelidir.
- Sistem doğrulaması planlandı mı? İlk kurulum, ürün değişikliği ve model güncellemesi sonrasında yeniden doğrulama yapılmalı.
- İzlenebilirlik sağlanıyor mu? Karar, görüntü, zaman damgası, ürün kimliği ve proses bilgisi ilişkilendirilebilmelidir.
- İnsan denetimi doğru konumlandı mı? Otomasyon, kalite mühendisinin kök neden analizi ve proses iyileştirme sorumluluğunu ortadan kaldırmaz.
Bu bakış, dijital kalite kontrol araçları ile Endüstri 4.0 ve yapay zeka odaklı dijital dönüşüm çalışmalarının neden yalnızca ekipman yatırımı olarak ele alınmaması gerektiğini gösteriyor. Asıl değer, güvenilir verinin üretim kararlarına ve sürekli iyileştirmeye aktarılmasıyla oluşuyor.
Yerli sistem üretim verimliliğine nasıl katkı sağlayabilir?
Görsel denetimin çevrim içinde yapılması, hatanın sonraki üretim aşamalarına taşınmadan fark edilmesini sağlayabilir. Bu durum hurda, yeniden işleme, garanti, iade ve plansız duruş maliyetlerinin azaltılmasına yardımcı olur. Kalite kontrol hatalarının üretim maliyetine etkisi düşünüldüğünde erken tespit, doğrudan maliyet kadar marka güvenilirliği açısından da önem taşır.
Bununla birlikte “insan bağımsız” ifadesi, sistemin gözetim veya kalite mühendisliği gerektirmediği anlamına gelmemelidir. Kamera temizliği, optik ayar, aydınlatma kontrolü, model performansı, ürün değişiklikleri ve karar eşikleri yönetilmezse otomatik sistem de hatalı sonuç üretebilir. En güçlü kullanım modeli; tekrarlı görsel denetimin otomasyona verilmesi, uzman ekibin ise doğrulama, risk yönetimi ve kök neden analizine odaklanmasıdır.
Sonuç: Yerli teknoloji için kritik eşik saha doğrulaması ve ihracat
Türkiye’de geliştirilen yapay zeka destekli kalite kontrol sistemi, 12 fabrikaya ulaştığı açıklanan saha kullanımıyla ticarileşme yönünde önemli bir aşamaya gelmiş görünüyor. Avrupa ve ABD’ye yönelik ihracat hedefinin gerçekleşmesi; yalnızca şirketin büyümesi değil, yerli endüstriyel yapay zeka çözümlerinin küresel üretim ekosisteminde referans kazanması açısından da değer taşıyor.
Yine de sistemin teknik başarısı, genel bir doğruluk oranından çok her üretim hattındaki yanlış kabul, yanlış ret, çevrim süresi, tekrarlanabilirlik ve izlenebilirlik sonuçlarıyla değerlendirilmelidir. Kalıcı rekabet avantajı; yapay zeka modelinin, sağlam bir görüntüleme altyapısının ve disiplinli kalite mühendisliğinin birlikte yönetilmesiyle oluşacaktır.
Yapay zeka destekli kalite kontrol sistemi hakkında sık sorulan sorular
Yapay zeka destekli kalite kontrol sistemi nedir?
Üretim hattından alınan görüntüleri eğitilmiş algoritmalarla analiz eden; çizik, çatlak, eksik parça, yanlış montaj veya renk farkı gibi tanımlı kusurları otomatik olarak belirleyen denetim çözümüdür. Sonuçlar kabul/ret kararı ve izlenebilir kalite verisi üretmek için kullanılabilir.
Yerli sistem şu anda kaç fabrikada kullanılıyor?
Sinan Ceylan’ın 27 Mart 2026 tarihli AA açıklamasına göre sistem, Türkiye’de sekiz farklı sektörde yaklaşık 12 fabrikada kullanılıyordu. Bu sayı şirket beyanıdır ve bağımsız kurulum listesi haberde paylaşılmamıştır.
Sistemin doğruluk oranı kaç?
Haberde yaklaşık yüzde 99 doğruluk seviyesi açıklanıyor. Ancak ürün tipi, kusur sınıfı, veri seti ve ölçüm yöntemi belirtilmediğinden bu oran her üretim hattı için aynı performansı garanti etmez. Saha pilotunda yanlış kabul ve yanlış ret oranları ayrıca doğrulanmalıdır.
Yapay zeka insan kontrolünü tamamen kaldırır mı?
Tekrarlı görsel kontrolleri büyük ölçüde otomatikleştirebilir; ancak kalite planlama, sistem doğrulama, istisna yönetimi, bakım ve kök neden analizi için uzman gözetimi gerekir. Amaç insanı süreçten çıkarmak değil, insan kaynaklı değişkenliği azaltıp uzmanlığı daha değerli işlere yöneltmektir.
Hangi ülkelere ihracat hedefleniyor?
Mart 2026’da açıklanan planda Almanya, Fransa, Belçika, Hollanda, Danimarka, Birleşik Krallık ve ABD yer alıyor. İhracatın 2026’nın ikinci çeyreğinde başlaması hedeflenmişti; temmuz sonu itibarıyla gerçekleşen satışlara ilişkin ayrıntılı kamuya açık doğrulama bulunmuyor.
Bu sistemler en çok hangi sektörlere uygundur?
Otomotiv, beyaz eşya, gıda, enerji ve savunma sanayisi başta olmak üzere yüksek adetli ve tekrarlı üretim yapan tesislerde kullanılabilir. Uygunluk; kusurun görsel olarak tanımlanabilmesine, hat hızına, parça sunumuna ve proses koşullarının kararlılığına bağlıdır.
Yapay zeka destekli kalite kontrol sistemi, Türkiye’de seri üretim hatlarındaki görsel denetimleri otomatikleştirmek ve kusurları gerçek zamanlı belirlemek amacıyla geliştirildi. Anadolu Ajansının 27 Mart 2026 tarihli haberine göre yerli çözüm, sekiz farklı sektörde yaklaşık 12 fabrikada kullanılıyor; girişim ise 2026 içinde Avrupa ve ABD’ye hizmet ihracatı başlatmayı hedefliyor.
Hızlı yanıt: Haberde öne çıkan gelişme ne?
Türkiye’de geliştirilen sistem; kamera, görüntü işleme ve yapay zeka modellerini kullanarak üretim hattındaki ürünleri kesintisiz denetlemeyi hedefliyor. Girişimin kurucu ortağı Sinan Ceylan’ın açıklamasına göre sistem yaklaşık yüzde 99 doğruluk seviyesinde çalışıyor. Şirket, 2026’da 500 bin avroluk hizmet ihracatı ve toplam 3 milyon avro ciro hedefliyor. Bunlar gerçekleşmiş finansal sonuçlar değil, şirket tarafından açıklanan hedeflerdir.
Yerli yapay zeka destekli kalite kontrol sistemi ne sunuyor?
Üretim hattında yapılan görsel kontroller; operatörün deneyimi, dikkat süresi, vardiya koşulları, ürün hızı ve ortam ışığı gibi değişkenlerden etkilenebilir. Yapay zeka destekli kalite kontrol sistemi ise tanımlanan kusur kriterlerini her ürüne aynı kontrol mantığıyla uygulayarak denetimin daha tekrarlanabilir olmasını amaçlar.
AA’ya konuşan Sinan Ceylan, faaliyetlerine 2023 yılında başladıklarını ve İTÜ ARI Teknokent ekosistemi ile TÜBİTAK desteklerinin teknolojinin geliştirilmesinde rol oynadığını belirtti. İTÜ ARI Teknokent’in Ocak 2026 tarihli girişim tanıtımında çözüm, Pro Sicht (Academic Sight) adıyla ve insan gözlemine dayalı kalite kontrolü yapay zeka destekli otonom bir yapıya dönüştüren teknoloji olarak tanımlanıyor.
Bu yaklaşım yalnızca hatalı ürünü ayırmaya odaklanmıyor. Denetim sonuçlarının dijital olarak kaydedilmesi; hata türlerinin, tekrar sıklığının, vardiya veya makine bazlı değişimlerin ve olası kök nedenlerin analiz edilmesini de mümkün kılabilir. Böylece kalite kontrol, üretimin sonunda yapılan bir eleme işleminden süreç iyileştirmeyi besleyen veri kaynağına dönüşür.
Yapay zeka ile kalite kontrol nasıl çalışıyor?
Bir endüstriyel görüntü işleme uygulamasında süreç genel olarak dört aşamada ilerler:
- Görüntü toplama: Uygun kamera, lens ve aydınlatma düzeniyle ürünün kontrol edilecek yüzeyi görüntülenir.
- Analiz: Eğitilmiş yapay zeka modeli; çizik, çatlak, eksik parça, renk farkı, deformasyon veya yanlış montaj gibi tanımlanmış kusurları arar.
- Karar ve ayırma: Sonuç kabul/ret kriterleriyle karşılaştırılır. Uygun entegrasyon varsa hatalı ürün PLC veya ayırma mekanizması üzerinden hattan çıkarılır.
- Veri kaydı: Görüntü, hata sınıfı, zaman, ürün ve üretim parametreleri ilişkilendirilerek izlenebilir bir kalite kaydı oluşturulur.
Bu mimari, proses kontrol yöntemleri ile birlikte ele alındığında daha değerlidir. Çünkü kusurun tespit edilmesi sonucu gösterirken, proses verisiyle kurulan ilişki kusurun neden oluştuğunu anlamaya yardımcı olur.
Yapay zeka destekli kalite kontrol sistemi: Rakamlarla gelişme
Aşağıdaki veriler, Sinan Ceylan’ın AA’ya yaptığı açıklamaya dayanıyor. Bağımsız performans testi veya denetlenmiş finansal rapor niteliği taşımıyor.
| Gösterge | Açıklanan bilgi | Doğru okuma |
|---|---|---|
| Faaliyete başlangıç | 2023 | İlk yurt içi satışın 2023’ün son çeyreğinde yapıldığı belirtiliyor. |
| Kullanım alanı | 8 sektör, yaklaşık 12 fabrika | Mart 2026’da açıklanan kurulu kullanım bilgisi. |
| Doğruluk | Yaklaşık %99 | Ürün, kusur sınıfı ve test koşulları verilmeden genellenmemeli. |
| Çalışma düzeni | 7 gün 24 saat | Sürekli denetim kabiliyeti; bakım, doğrulama ve proses gözetimi ihtiyacını ortadan kaldırmaz. |
| 2026 hizmet ihracatı hedefi | 500 bin avro | Gerçekleşmiş gelir değil, şirket hedefi. |
| 2026 toplam ciro hedefi | 3 milyon avro | Şirket beyanına dayalı gelecek hedefi. |
| İhracatın beklenen ciro payı | %30–35 | Hizmet ihracatı hedefiyle aynı gelir kalemini ifade edip etmediği kaynakta ayrıştırılmıyor. |
Sistem hangi sektörlerde kullanılabilir?
Haberde otomotiv, beyaz eşya ve gıda sektörlerindeki kullanımlar özellikle vurgulanıyor. Girişim; enerji ve savunma sanayisini de ihracat planındaki hedef alanlar arasında gösteriyor. Teknik olarak yapay zeka ile kalite kontrol, tekrarlı ürün akışının ve görsel olarak tanımlanabilen kabul/ret kriterlerinin bulunduğu pek çok prosese uyarlanabilir.
- Otomotiv: Yüzey kusuru, eksik parça, montaj yönü ve bağlantı elemanı kontrolü
- Beyaz eşya: Çizik, ezik, renk farkı, parça varlığı ve etiket doğrulama
- Gıda: Ambalaj bütünlüğü, ürün şekli, yabancı görünüm ve etiket kontrolü
- Enerji: Bileşen yüzeyi, montaj uygunluğu ve üretim kaynaklı görsel anomali tespiti
- Savunma sanayisi: Tanımlı görsel kusurların tekrarlanabilir biçimde denetlenmesi ve kayıt altına alınması
Uygulamanın başarısı yalnızca yapay zeka modeline bağlı değildir. Kamera çözünürlüğü, optik düzen, parça konumlandırma, çevrim süresi, aydınlatma kararlılığı, kusur örneklerinin temsili ve kabul kriterlerinin açıklığı birlikte değerlendirilmelidir. Bu nedenle sistem seçimi, genel bir doğruluk yüzdesinden çok gerçek üretim hattında yapılacak pilot test üzerinden yürütülmelidir.
İhracat hedefinde Avrupa ve ABD pazarları var
Şirketin Mart 2026’da açıkladığı plana göre Almanya, Fransa, Belçika, Hollanda, Danimarka, Birleşik Krallık ve ABD’de operasyon hazırlıkları yürütülüyordu. İhracatın 2026’nın ikinci çeyreğinde başlaması hedeflenmişti. Ancak 27 Temmuz 2026 itibarıyla taranan kamuya açık güvenilir kaynaklarda bu planın gerçekleştiğini doğrulayan ayrıntılı bir ihracat sonucu veya ülke bazlı satış açıklaması bulunamadı. Bu nedenle gelişme, “ihracat başladı” şeklinde değil, “ihracat hedefi ve hazırlığı açıklandı” biçiminde aktarılmalıdır.
İhracat planının önemi yalnızca satış geliriyle sınırlı değil. Yerli algoritma, saha entegrasyonu ve endüstriyel uygulama bilgisinin birlikte ihraç edilmesi; Türkiye’nin yüksek katma değerli teknoloji hizmetlerindeki görünürlüğünü artırabilir. İTÜ ARI Teknokent’in Pro Sicht’i ABD’de tanıtılan yerli teknoloji girişimleri arasında göstermesi de çözümün uluslararasılaşma yönündeki konumunu destekliyor.
Yüzde 99 doğruluk ne anlama geliyor?
Bir yapay zeka destekli kalite kontrol sistemi için açıklanan yüzde 99 doğruluk, tek başına yeterli bir satın alma veya proses kabul kriteri değildir. Bu oran; test edilen ürün sayısına, kusur dağılımına, hata sınıflarına, görüntü koşullarına ve kullanılan performans metriğine göre değişebilir.
Örneğin hatalı ürünlerin çok seyrek olduğu bir hatta yalnızca “accuracy” değerine bakmak yanıltıcı olabilir. Kalite ekibinin en az şu sonuçları ayrı ayrı istemesi gerekir:
- Yanlış kabul: Hatalı ürünün sağlam olarak sınıflandırılma oranı
- Yanlış ret: Sağlam ürünün hatalı olarak ayrılma oranı
- Kusur sınıfı başarımı: Her hata türü için hassasiyet ve yakalama oranı
- Çevrim süresi: Sistemin hat hızında kararlı karar verebilmesi
- Tekrarlanabilirlik: Aynı parçanın aynı koşullarda tutarlı sonuç üretmesi
- Model kayması kontrolü: Ürün, malzeme veya aydınlatma değiştiğinde performansın izlenmesi
Ceylan da yapay zeka modellerinde mutlak yüzde 100 doğruluğun gerçekçi olmadığını ve sistemin sürekli öğrenen altyapıyla geliştirildiğini belirtiyor. Kalite açısından doğru yaklaşım; hedef metriği kritik hata riskine göre belirlemek, modeli ayrı bir doğrulama veri setiyle sınamak ve sahadaki performansı düzenli olarak yeniden doğrulamaktır.
Kalite mühendisliği açısından 6 kritik nokta
Yapay zeka ile kalite kontrol yatırımında kamera ve yazılım gösteriminin ötesine geçilmelidir. Kabul sürecinde şu sorular yanıtlanmalıdır:
- Kusur tanımı net mi? Kritik, majör ve minör kusurlar görsel örneklerle tanımlanmalı.
- Veri seti üretimi temsil ediyor mu? Farklı vardiya, lot, yüzey, renk ve çevre koşulları kapsanmalı.
- Yanlış kabul riski ölçüldü mü? Özellikle güvenlik kritik parçalarda her hata sınıfı ayrı değerlendirilmelidir.
- Sistem doğrulaması planlandı mı? İlk kurulum, ürün değişikliği ve model güncellemesi sonrasında yeniden doğrulama yapılmalı.
- İzlenebilirlik sağlanıyor mu? Karar, görüntü, zaman damgası, ürün kimliği ve proses bilgisi ilişkilendirilebilmelidir.
- İnsan denetimi doğru konumlandı mı? Otomasyon, kalite mühendisinin kök neden analizi ve proses iyileştirme sorumluluğunu ortadan kaldırmaz.
Bu bakış, dijital kalite kontrol araçları ile Endüstri 4.0 ve yapay zeka odaklı dijital dönüşüm çalışmalarının neden yalnızca ekipman yatırımı olarak ele alınmaması gerektiğini gösteriyor. Asıl değer, güvenilir verinin üretim kararlarına ve sürekli iyileştirmeye aktarılmasıyla oluşuyor.
Yerli sistem üretim verimliliğine nasıl katkı sağlayabilir?
Görsel denetimin çevrim içinde yapılması, hatanın sonraki üretim aşamalarına taşınmadan fark edilmesini sağlayabilir. Bu durum hurda, yeniden işleme, garanti, iade ve plansız duruş maliyetlerinin azaltılmasına yardımcı olur. Kalite kontrol hatalarının üretim maliyetine etkisi düşünüldüğünde erken tespit, doğrudan maliyet kadar marka güvenilirliği açısından da önem taşır.
Bununla birlikte “insan bağımsız” ifadesi, sistemin gözetim veya kalite mühendisliği gerektirmediği anlamına gelmemelidir. Kamera temizliği, optik ayar, aydınlatma kontrolü, model performansı, ürün değişiklikleri ve karar eşikleri yönetilmezse otomatik sistem de hatalı sonuç üretebilir. En güçlü kullanım modeli; tekrarlı görsel denetimin otomasyona verilmesi, uzman ekibin ise doğrulama, risk yönetimi ve kök neden analizine odaklanmasıdır.
Sonuç: Yerli teknoloji için kritik eşik saha doğrulaması ve ihracat
Türkiye’de geliştirilen yapay zeka destekli kalite kontrol sistemi, 12 fabrikaya ulaştığı açıklanan saha kullanımıyla ticarileşme yönünde önemli bir aşamaya gelmiş görünüyor. Avrupa ve ABD’ye yönelik ihracat hedefinin gerçekleşmesi; yalnızca şirketin büyümesi değil, yerli endüstriyel yapay zeka çözümlerinin küresel üretim ekosisteminde referans kazanması açısından da değer taşıyor.
Yine de sistemin teknik başarısı, genel bir doğruluk oranından çok her üretim hattındaki yanlış kabul, yanlış ret, çevrim süresi, tekrarlanabilirlik ve izlenebilirlik sonuçlarıyla değerlendirilmelidir. Kalıcı rekabet avantajı; yapay zeka modelinin, sağlam bir görüntüleme altyapısının ve disiplinli kalite mühendisliğinin birlikte yönetilmesiyle oluşacaktır.
Yapay zeka destekli kalite kontrol sistemi hakkında sık sorulan sorular
Yapay zeka destekli kalite kontrol sistemi nedir?
Üretim hattından alınan görüntüleri eğitilmiş algoritmalarla analiz eden; çizik, çatlak, eksik parça, yanlış montaj veya renk farkı gibi tanımlı kusurları otomatik olarak belirleyen denetim çözümüdür. Sonuçlar kabul/ret kararı ve izlenebilir kalite verisi üretmek için kullanılabilir.
Yerli sistem şu anda kaç fabrikada kullanılıyor?
Sinan Ceylan’ın 27 Mart 2026 tarihli AA açıklamasına göre sistem, Türkiye’de sekiz farklı sektörde yaklaşık 12 fabrikada kullanılıyordu. Bu sayı şirket beyanıdır ve bağımsız kurulum listesi haberde paylaşılmamıştır.
Sistemin doğruluk oranı kaç?
Haberde yaklaşık yüzde 99 doğruluk seviyesi açıklanıyor. Ancak ürün tipi, kusur sınıfı, veri seti ve ölçüm yöntemi belirtilmediğinden bu oran her üretim hattı için aynı performansı garanti etmez. Saha pilotunda yanlış kabul ve yanlış ret oranları ayrıca doğrulanmalıdır.
Yapay zeka insan kontrolünü tamamen kaldırır mı?
Tekrarlı görsel kontrolleri büyük ölçüde otomatikleştirebilir; ancak kalite planlama, sistem doğrulama, istisna yönetimi, bakım ve kök neden analizi için uzman gözetimi gerekir. Amaç insanı süreçten çıkarmak değil, insan kaynaklı değişkenliği azaltıp uzmanlığı daha değerli işlere yöneltmektir.
Hangi ülkelere ihracat hedefleniyor?
Mart 2026’da açıklanan planda Almanya, Fransa, Belçika, Hollanda, Danimarka, Birleşik Krallık ve ABD yer alıyor. İhracatın 2026’nın ikinci çeyreğinde başlaması hedeflenmişti; temmuz sonu itibarıyla gerçekleşen satışlara ilişkin ayrıntılı kamuya açık doğrulama bulunmuyor.
Bu sistemler en çok hangi sektörlere uygundur?
Otomotiv, beyaz eşya, gıda, enerji ve savunma sanayisi başta olmak üzere yüksek adetli ve tekrarlı üretim yapan tesislerde kullanılabilir. Uygunluk; kusurun görsel olarak tanımlanabilmesine, hat hızına, parça sunumuna ve proses koşullarının kararlılığına bağlıdır.
