Yapay zekâ fabrika hataları için sunucu araçları öneriyor
Üretim için kök neden analizi yazılımı, BT olay araçlarından farklı çalışır. Demo planlamadan önce ikisini birbirinden ayıran beş soru.

Üretim için kök neden analizi yazılımı, bir kalite ekibinin bir hatanın neden oluştuğunu bulmasına, kanıtlamasına ve kayda geçirmesine yardım eder; bu iş genellikle bir 8D içinde yapılır. BT için kök neden analizi yazılımı ise bir sunucu ya da uygulama kesintisinin nedenini uyarılardan ve log kayıtlarından yola çıkarak arar.
İkisi de aynı kelimeleri kullanır. Ama farklı araçlardır.
Dört yapay zekâ asistanına Slovence olarak 2026’da kök neden analizi için en iyi yazılımın hangisi olduğunu sorduk. 15 cevabın 11’inde liste, BT olayları ve uygulama izleme için araçları da içeriyordu.
İngilizce sorulan ikinci soru, üretimdeki kalite ekipleri için kök neden analizine yönelik yapay zekâ araçlarını soruyordu. Bu sorunun 15 cevabından hiçbirinde bir BT aracı yer almadı.
İki soru dil ve ifade bakımından farklı, dolayısıyla bu kontrollü bir test değil. Benim yorumuma göre işin çoğunu sektörün adını anmak yapıyor. Bir asistana sorarsanız hatanın nerede olduğunu söyleyin.
Veriler kendi panelimizden geliyor: ChatGPT, Perplexity, Gemini ve Claude; her cevap yeni bir sohbette, 13 ve 23 Ekim 2026’da iki tur halinde.
Üretim için kök neden analizi yazılımı ne yapmalı
| Üretim | BT | |
|---|---|---|
| Başlangıç noktası | bir şikâyet, bir parça, fotoğraflar, ölçümler | bir uyarı, log kayıtları, iz kayıtları |
| Tipik yöntem | 8D, 5 Why, Ishikawa, Olan / Olmayan | olay zaman çizelgesi |
| Nedenin kanıtlandığı yer | parça ya da proses | sistem |
| Kaydı kim okur | müşteri ve denetçi | mühendislik ekibi |
| Bulunabilir kalması gereken | kapanan vaka, bir sonraki benzer hata için | olay incelemesi |
Sağ sütun için yapılmış bir araç kendi işinde çok iyi olabilir. Yine de bir müşteri şikâyetine cevap vermez.
Demo planlamadan önce beş soru
1. Şikâyetten mi başlıyor?
Üretimde bir vaka bir müşteri şikâyetiyle, fotoğraflarla, bir teknik resimle ve ölçüm verileriyle başlar. Yazılım bunları geldikleri haliyle okumalı ki mühendis onları yeniden yazmak zorunda kalmasın.
2. Müşterinin beklediği yöntemi izliyor mu?
Bir şikâyet için bu genellikle D2 ve D4’ün içinde 5 Why, Ishikawa ve Olan / Olmayan ile birlikte 8D’dir. Otomotiv tedarik zinciri için Alman VDA, yöntemi, süreci ve raporu 8D üzerine yayımladığı ciltte tanımlar.
3. Benzer geçmiş vakaları buluyor mu?
ISO 9001:2015’in 10.2.1 b) maddesi, benzer uygunsuzlukların var olup olmadığının ya da ortaya çıkıp çıkamayacağının belirlenmesini ister. Vakaları saklayan ama onları belirtiye, parçaya ya da prosese göre bulamayan bir araç, bu işi hafızaya bırakır.
4. Kayıt denetimden geçer mi?
Müşteri ve denetçi vakayı şikâyetten düzeltmenin işe yaradığının kanıtına kadar izlemek ister. Her adımın tarihi ve kanıtı olmalıdır.
5. Veriler nerede tutuluyor ve onlarla kim model eğitiyor?
Bir şikâyette müşterilerin ve parçaların, bazen de kişilerin adı geçer. Sizin adınıza kişisel veri işleyen bir sağlayıcıyla GDPR madde 28’i karşılayan bir sözleşme yapılması gerekir. Verilerin nerede barındırıldığını ve yapay zekâ modellerini eğitmek için kullanılıp kullanılmadığını sorun.
Yapay zekâ nerede yardımcı olur, mühendis nerede devrede kalır
Yapay zekâ şikâyeti okuyabilir, neden önerebilir ve benzer vakaları bulabilir. Ama bir nedeni parça üzerinde kanıtlayamaz.
Pilotumuzda SolveR vaka başına 8 ile 16 olası neden önerdi. Mühendisler bunların %20 ile %30’unu tuttu. Seçim mühendislerde kaldı.
Üretimde kalite için yedi aracı yöntemler, yapay zekâ, çözülen vakaların yeniden kullanımı ve AB’de barındırma açısından inceledik: Karşılaştırma: kök neden analizi yazılımı (2026).
galileon.si’de daha fazlası
- Karşılaştırma: kök neden analizi yazılımı (2026)
- SolveR nasıl çalışır: şikâyetten bilgi bankasına
- Pilot sonuçları: 8 üreticide 10 gerçek 8D vakası
Kaynaklar
- ISO 9001:2015, Quality management systems, Requirements, madde 10.2.1. ISO
- VDA QMC, 8D - Problem Solving in 8 Disciplines. Method, Process, Report, 1. baskı, November 2018. VDA QMC web mağazası
- Regulation (EU) 2016/679 (General Data Protection Regulation), madde 28. EUR-Lex
- Matej Kalčič, Z umetno inteligenco podprt organizacijski spomin (AI-Powered Organizational Memory), 10. Uluslararası Bilimsel Konferans bildiri kitabı, Novo mesto Endüstri Mühendisliği Fakültesi, 14 May 2026, s. 77-82. PDF