Yapay zekâ otomotiv kalite kontrolünü nasıl değiştiriyor

Kalite sorunlarının maliyeti yüksektir. 2025’te ABD’li araç üreticileri garanti talepleri kapsamında 20,81 milyar dolar ödeme yaptı ve National Highway Traffic Safety Administration’a göre 29 milyondan fazla araç geri çağrıldı. Bu rakamların her biri, gözden kaçırılan veya gerektiği gibi incelenmeyen kusurlu bir parçadan kaynaklanıyordu. Bu kusur, tasarım ve/veya inceleme sürecinde yapılan bir hatadan ya da araç müşteriye gönderildikten sonra yaşanan bir sorundan kaynaklanmış olabilir.

Üretim hattınızda kusurları tespit etmeye çalışırken giderek daha karmaşık hâle gelen pek çok değişken devreye girer. Eskiden mekanik olan işlevlerin yazılımla yönetilmesi ve mekanik bileşenler ile elektrikli araç bataryalarındaki toleransların daralması, hata payını iyice azaltıyor. Üstelik küresel tedarik zincirleri, tek bir tesisin bütünüyle kontrol edemeyeceği değişkenliklere yol açıyor. Tüm bunlar, hattınızdaki kusurları tespit etmek için doğru süreçleri oluşturmayı her zamankinden daha önemli kılıyor. 

Yapay zekâ, kalite ekiplerine farklı araçlar sunuyor. Üretim sonrasında parçalardan bir örneklem seçip sorunların gözden kaçmamasını ummak yerine, üreticiler artık her parçayı gerçek zamanlı olarak izleyebiliyor ve eğilimleri ya da sapmaları kusura dönüşmeden önce yakalayabiliyor. Otomotiv, lastik ve batarya üreticileriyle bu sorunlar üzerinde yıllarca çalışmış biri olarak, nelerin gerçekten değiştiğini ve bu programların işe yaraması için neler gerektiğini ele almak istiyorum.

Sorunları büyümeden yakalamak

Yapay zekânın kalite alanında getirdiği en büyük değişiklik, denetimin ölçeğidir. Hattınızdaki tüm ürünleri inceleyerek anormallikleri kusura dönüşmeden tespit edebilirsiniz. Hata yapmak insana özgüdür; bu nedenle hattınızın yalnızca bir örneklemini inceliyor ve ürünlerinizi gözle kontrol etmeleri için insanlara güveniyorsanız bazı anormallikler gözden kaçabilir. Bunun nedeni, bir kusurun gözle tespit edilememesinden kaynaklanan insan hatası ya da çalışanların vardiyalarının başındaki kadar ayrıntılara dikkat edememesine yol açan yorgunluk olabilir.

Kameralardaki ve yapay zekâdaki ilerlemeler ile bu teknolojilerin bir araya gelmesi, otomotiv sektörü için büyük avantaj sağlayabilir. Üretim hattınızda yalnızca daha fazla kusur tespit etmeye başlamakla kalmaz, daha da önemlisi, sorunları ortaya çıkmadan önce belirleyebilirsiniz. Üreticiler, sanal testlerde kusurları tespit etmek için yapay zekâdan yararlanarak olası arızaları öngörmenin yanı sıra ürünleri üzerinde uygulayacakları yeni testler oluşturmak için de bu teknolojiden faydalanmaya başladı. Üstelik üretim hattınızda yapay zekâ kullanmak, daha önce mümkün olandan çok daha fazla kusur tespit etmenizi sağlayabilir. McKinsey tarafından yapılan araştırma, üreticilerin üretim hatlarında yapay zekâ kullanarak %90 daha fazla kusur tespit edebildiğini gösterdi.

Kendi kendini geliştiren denetim

Daha fazla kusuru yakalamak, hikâyenin yalnızca bir kısmı. İkinci önemli değişiklik, yapay zekâ destekli denetimin sabit kalmak yerine zaman içinde gelişmesidir. Yalnızca daha fazla kusur bulunmuyor; yapay zekâ destekli sistem, aldığı tüm verileri analiz edip bunlardan öğreniyor. Makine çıktılarını tahmin etmek için yapay zekâ kullanmak, makinelerinizin belirlenen teknik özelliklere uygun çalışmadığını tespit etmenizi sağlar. Makineleriniz tolerans sınırlarının dışına çıkmaya başlarsa sistemi uyarabilir ve makine değerlerini ayarlayarak çıktıları yeniden tolerans aralığına, ürünleri de teknik özelliklere uygun hâle getirmesini sağlayabilirsiniz.

Lastik sektöründe buna örnek olarak lastik ek yerinin birleştirilmesi işlemi verilebilir. Birleştirme sürecinizde yapay zekâ ve görüntü işleme kullanarak tolerans dışı ek yerlerini azaltırken performansı artırabilirsiniz. Otomotiv sektöründen bir başka örnek de karoser veya kaynak atölyesinde paneller arasındaki boşlukları ve yüzey hizasını iyileştirmemizdir. Sistemin mevcut ve geçmiş verilerinizden öğrenmesini sağladığınız için sistem, düzgün bir ek yerinin ve uygun geometrik toleransların nasıl olması gerektiğini bilir; toleransları korumak için makine süreç değişkenlerini ve robotik sistemleri gerçek zamanlı olarak ayarlamaya başlar. Bu öğrenme döngüsü, modern yapay zekâ destekli denetimi önceki otomasyon uygulamalarından ayırır. Standartlar; farklı vardiyalarda, hatlarda ve hatta farklı bölgelerdeki tesislerde tutarlı kalır. Bu, dünya çapında birden fazla tesiste aynı sistemleri ve modelleri kullanan lastik üreticileri ve otomobil üreticileri için önemlidir.

Güvenceden stratejik avantaja

Kalite kontrolü uzun süre, kusurlu parçaların müşterilere ulaşmasını engellemek için yapılan son bir kontrol, yani bir güvence önlemi olarak görüldü. Yapay zekâ ise kalite kontrolünü stratejik bir kaldıraç işlevi gören bir unsura dönüştürüyor. 

Yalnızca daha fazla kusuru tespit etmekle kalmaz, bunların nerede ortaya çıktığını da anlamaya başlayabilirsiniz. Sürecinizi daha iyi anlamanız, eğilimleri belirlemenizi ve sorun hâline gelmeden önce bu sorunları gidermenizi sağlar. Kusurların nerede ortaya çıktığını anlamaya başladığınızda, ilk seferde uygun ürün oranını artırıp hurda ve yeniden işleme oranlarını düşürebilirsiniz. Hurda ve yeniden işleme oranlarını düşürerek üretim hacmini de artırmaya başlayabilirsiniz.

Burada önem taşıyan ölçütler sıra dışı değildir. İlk seferde uygun ürün oranı, hurda ve yeniden işleme oranları, müşteri şikâyetleri ve denetim doğruluğu yapay zekâdan önce de vardı. Değişen, üreticilerin bu ölçütleri ne kadar hızlı ve tutarlı biçimde ölçüp bunlara göre harekete geçebildiğidir. Üretim hattında yakalanan bir kusurun maliyeti, montajdan sonra yakalanan bir kusurunkinden çok daha düşüktür. Montajdan sonra yakalanan bir kusurun maliyeti de müşteriye ulaşarak garanti talebine veya geri çağırmaya yol açan bir kusurun maliyetinden çok daha düşüktür.

Bu kadar çok yapay zekâ programı neden ilerleyemiyor?

Elbette, bunların hiçbiri kendiliğinden gerçekleşmez. Kamera ve yapay zekâ yazılımı satın almak, daha fazla kusur tespit edeceğiniz anlamına gelmez. Bu süreçleri başarıyla uygulayan üreticilerin farklı yaptığı birkaç temel şey var. Yapay zekâya atlayıp onu ne için kullanabileceklerini bulmaya çalışmak yerine, üretim hatlarındaki bir sorun noktasını belirleyip bunu yapay zekâyla çözmeye çalıştılar. Ayrıca sonuçlarını karşılaştırabilecekleri ölçülebilir hedefler belirlediklerinden emin oldular. Pilot uygulamanızın başarılı olduğunu öğrendikten sonra, süreci hattınızın diğer alanlarına yaymayı değerlendirebilirsiniz.

Ekipte bulunması gereken bir diğer unsur da gerekli becerilerdir. Kalite ekibiniz süreçle ilgili her şeyi biliyor olabilir, ancak daha önce makine öğrenimini hiç kullanmamış olabilir. Ya da veri bilimi ekibiniz makine öğrenimi hakkında her şeyi biliyor olabilir, ancak hattınızda neler olup bittiğinden haberdar olmayabilir. Ölçeklendirme deneyiminin yanı sıra bu disiplinler arası becerilere sahip olduğunuzdan emin olmak, bu süreçleri hattınızda ve tüm operasyonlarınızda uygulamanızı sağlar.

Bu İşin Geleceği

Otomotiv sektöründe itibarın belirleyicisi her zaman kalite olmuştur. Pazara ulaşan tek bir anormallik, yüz milyonlarca dolara mal olacak geri çağırmaları tetikleyebilir ve müşterilerin yıllar içinde oluşan güvenini aşındırabilir. Yapay zekâ, bu anormalliği daha erken tespit etme, nedenini anlama ve tekrarlanmasını önleme olanağı sunar; bunu her seferinde tek bir hat ve fabrikayla sınırlı kalmak yerine tüm hatlarda ve fabrikalarda yapabilir.

Bugün yapay zekâdan gerçek değer elde eden üreticiler, mutlaka en ileri teknolojiye sahip olanlar değil. Onlar, kaliteyi anlaşılması ve sürekli iyileştirilmesi gereken bir sistem olarak ele alan; yapay zekâyı da sistemin bütünü değil, bir parçası olarak gören üreticiler. Araç mimarileri gelişmeye ve üretim hacimleri artmaya devam ettikçe bu disiplin daha az değil, daha çok önem taşıyacak.