Kazanimlar:
- AI'ın metalurji ve malzeme iş akışında nerede gerçek zaman kazandırdığını, nerede güvenlik-kritik sorumluluğun mühendiste kalması gerektiğini risk düzeyine göre ayırt edebilme
- Her AI çıktısını standart, bağımsız hesap ve laboratuvar deneyiyle sınayan üç katmanlı bir doğrulama disiplinini uygulayabilme
- Gizli alaşım reçetesi, proses parametresi ve müşteri verisini korumak için bağlamı anonimleştirme ve güvenli araç seçme alışkanlığını edinebilme
Bir uçak motorunun türbin kanadı 1400 °C'de saniyede yüzlerce kez dönerken, o kanadın hangi süperalaşımdan (yüksek sıcaklıkta dayanımını koruyan özel alaşım) yapılacağına, hangi ısıl işlemden geçeceğine ve kaç bin saat dayanacağına karar veren kişi sizsiniz: metalurji veya malzeme mühendisi. Bu meslekte verdiğiniz her karar ya bir yapının ayakta kalmasını ya da bir hasarı belirler. Yapay zeka (kısaca AI: metin, sayı ve görüntüyü işleyip öneri üreten yazılım sistemleri) bu kararları hızlandırabilir; ama asla sizin yerinize sorumluluğu alamaz. Bu ünite, AI'ı metalurji ve malzeme işinde nerede güvenle kullanacağınızı, nerede tehlikeli olduğunu ve her AI çıktısını neden laboratuvar, standart ve deneyle doğrulamak zorunda olduğunuzu öğretir.
Bu modül boyunca kullanacağınız merkez ilke şudur: AI bir asistandır, karar verici değildir. Bir malzeme özelliği, bir sınır değer, bir standart maddesi veya bir ısıl işlem reçetesi, "AI söyledi" diye doğru olmaz; ölçümle, referansla ve mühendislik yargısıyla doğrulanana kadar sadece bir hipotezdir. Bu cümleyi modülün her ünitesinde tekrar göreceksiniz, çünkü metalurjide bir sayının yanlış olması çoğu zaman bir parçanın kırılması demektir.
LLM nedir, metalurjide ne işe yarar
LLM (Large Language Model / büyük dil modeli), çok büyük metin yığınlarından örüntü öğrenmiş, olasılığa dayalı olarak "sonraki kelimeyi" tahmin eden bir yazılımdır. ChatGPT, Claude, Gemini gibi araçların motoru budur. Önemli olan şudur: LLM bir "bilgi tabanı" değil, bir "dil tahmincisi"dir. Metalurji terminolojisini akıcı konuşur, ama bir sayıyı ölçmez; en olası görünen sayıyı üretir. Bu yüzden akma dayanımı, ergime sıcaklığı veya bir standardın madde numarası konusunda kendinden emin ama yanlış cevaplar verebilir. Buna halüsinasyon (uydurma) denir. Halüsinasyon bir arıza değil, bu teknolojinin doğasında olan bir özelliktir; bu yüzden doğrulama bir "ek adım" değil, işin ayrılmaz parçasıdır.
AI'ın metalurjide güçlü olduğu görevler:
- Kavram açıklama ve öğretme: martensit dönüşümü nedir, neden sert ve gevrektir; ötektik ve ötektoid farkı nedir.
- Hipotez listesi üretme: bir dökümde neden porozite (gaz veya çekinti kaynaklı boşluk) oluşmuş olabilir, sistematik bir liste çıkarmak.
- Metin üretimi: hasar analizi raporu taslağı, WPS (kaynak prosedür şartnamesi) taslağı, sunum, e-posta.
- Kod yazma: veri temizleme, grafik, basit hesap scriptleri (Python).
- Veri özetleme ve tablo düzenleme: dağınık test sonuçlarını düzenli bir tabloya çevirmek.
- Beyin fırtınası: alaşım tasarımı için aday elementler, deney matrisi fikirleri.
AI'ın zayıf ve riskli olduğu yerler:
- Kesin sayısal değer verme (özellik, sınır değer, kimyasal bileşim).
- Güncel/spesifik standart maddesi ve sürüm bilgisi.
- Sizin tesisinizin gerçek ölçüm verisi olmadan tanı koyma.
- Güvenlik-kritik karar: bir parçanın uçuşa/servise uygunluğu.
Risk temelli sınıflandırma: AI'ı kullanmadan önceki filtre
Her görev aynı risk seviyesinde değildir. AI'ı kullanmadan önce görevi risk düzeyine göre sınıflandırın. Aşağıdaki tablo, bu modül boyunca kullanacağınız bir karar çerçevesi sunar.
Risk düzeyi
Örnek görev
AI rolü
Zorunlu doğrulama
Düşük
Kavram açıklama, taslak metin, kod iskeleti
Serbest kullanım
Gözden geçirme yeterli
Orta
Hesap kurgusu, hipotez listesi, literatür özeti
Taslak/ortak yazar
Elle kontrol + kaynak teyidi
Yüksek
Malzeme seçimi, ısıl işlem reçetesi, sınır değer
Fikir üreteci
Standart + laboratuvar deneyi
Kritik
Servise/uçuşa uygunluk, hasar kök nedeni, sertifikasyon
Yalnızca taslak
Akredite test + yetkili mühendis onayı
İpucu: Bir görevi "kritik" olarak işaretlediyseniz, AI'ın çıktısı asla nihai belge değildir. En fazla bir ön taslak veya kontrol listesi olabilir; imzayı ve sorumluluğu yetkili mühendis üstlenir.
Uçtan uca akış: AI'ı iş akışınıza yerleştirmek
Metalurji işinde tipik bir problem çözme döngüsü şöyledir ve AI her adıma girer ama hiçbirini tek başına kapatmaz:
- Problemi tanımla: Ne arızalandı, hangi özellik hedefleniyor, hangi kısıt var? (AI: soruyu netleştirmeye yardım eder.)
- Veri topla: Bileşim analizi, mekanik test, mikroyapı, saha verisi. (AI: hangi testin gerektiğini listeler.)
- Hipotez üret: Olası nedenler/çözümler. (AI: güçlü — sistematik liste çıkarır.)
- Analiz et: Hesap, model, görüntü işleme. (AI: kod ve hesap kurgusu üretir.)
- Doğrula: Standart, laboratuvar, tekrar deney. (AI: burada kenarda; insan ve cihaz karar verir.)
- Raporla ve karar ver: Sorumluluğu mühendis alır. (AI: taslak yazar.)
Bu altı adımı zihninizde tutun; modülün geri kalanı, bu adımların her birinde AI'ı somut görevlerle nasıl kullanacağınızı gösterir.
Üç mini vaka
Vaka 1 — Uydurulmuş akma dayanımı. Bir stajyer, AISI 4140 çeliğinin su verilmiş ve 200 °C temperlenmiş halinin akma dayanımını AI'a sorar; AI "yaklaşık 1500 MPa" der. Stajyer bunu doğrudan bir mil tasarımı hesabına koyar. Oysa gerçek değer ısıl işlem parametrelerine ve kesit kalınlığına göre kabaca 900–1600 MPa aralığında değişir; ince bir numunede alınan değer, kalın bir kesitte tutmaz. Sonuç: emniyet katsayısı sandığından düşük çıkar. Doğru tutum, değeri malzeme veri sayfasından (mill sertifikası) ve gerekirse ISO 6892'ye göre çekme testinden almaktır.
Vaka 2 — Var olmayan standart maddesi. Bir mühendis, paslanmaz çeliğin inklüzyon (metal içindeki oksit/sülfür kalıntısı) sınırını AI'a sorar. AI "ASTM E45 Madde 7.3'e göre max 2,5" der. Mühendis raporu buna göre yazar. Müşteri denetiminde madde numarasının uydurma olduğu, standardın böyle bir maddesinin bulunmadığı ortaya çıkar. Doğru tutum, standardın güncel sürümünü resmî kaynaktan açıp maddeyi teyit etmektir. AI standart adını doğru bilse bile madde numarasını halüsine edebilir.
Vaka 3 — Doğru kullanım. Bir hasar analizi ekibi, kırılan bir M20 cıvatanın kırık yüzeyi fotoğrafını inceliyor. AI'a "yorulma çatlağı ile gevrek kırığın kırık yüzeyindeki tipik farkları listele ve her biri için taramalı elektron mikroskobunda (SEM) neye bakmam gerektiğini söyle" diye sorarlar. AI plaj çizgileri (beach marks), striasyonlar (yorulma çizgileri) ve dimple/klivaj ayrımını sistematik anlatır. Ekip SEM ile bu izleri arar, striasyonları bulur ve tanıyı cihaz görüntüsüyle koyar. Burada AI doğru kullanılmıştır: bilgiyi organize etti, kararı laboratuvar verdi.
Kopyalanabilir prompt şablonları
Aşağıdaki şablonları kendi işinize uyarlayarak kullanabilirsiniz. Her birinde "kesin sayı verme, kaynağı belirt, belirsizliği açıkla" talimatı bilinçli olarak vardır.
ROL VE SINIR ŞABLONU"Rol: Deneyimli bir metalurji mühendisi asistanısın.Görev: [konuyu yaz].Kurallar: Kesin sayısal değer verirken KAYNAĞINI belirt; emindeğilsen 'doğrulanmalı' de. Standart maddesi verirsen sürümüylebirlikte ver ama resmî kaynaktan teyit edilmesi gerektiğinihatırlat. Cevabın sonunda 'nelerin deneyle doğrulanması gerektiğini'madde madde yaz."
HİPOTEZ ÜRETME ŞABLONU"Şu sorun için olası kök nedenleri sistematik liste halinde çıkar:[sorunu tarif et; malzeme, proses, gözlem]. Her hipotez için:(1) hangi kanıt bunu destekler, (2) bunu doğrulamak/çürütmek içinhangi test yapılmalı. Kesin tanı KOYMA; sadece araştırma yolharitası çıkar."
DOĞRULAMA KONTROL LİSTESİ ŞABLONU"Aşağıdaki çıktı/rapor taslağındaki HER sayısal değeri ve HERstandart atfını listele. Her biri için hangi kaynaktan (millsertifikası, standart metni, test raporu) doğrulanması gerektiğinibelirt. Kaynağı belirsiz olanları ayrı bir 'doğrulanmadankullanılamaz' başlığı altında topla. Metin: [yapıştır]."
ANONİMLEŞTİRME ÖN KONTROL ŞABLONU"Aşağıdaki metni bir AI aracına vermeden önce, ticari sır veyakişisel veri içeren kısımları işaretle: alaşım reçetesi oranları,müşteri adı, proses sıcaklık/süre gizli parametreleri, personelisimleri. Bunları nasıl anonimleştirebileceğimi öner. Metin:[yapıştır]."
Zayıf prompt / Güçlü prompt
Aynı soruyu iki şekilde sormak çok farklı sonuç verir.
ZAYIF PROMPT:"4140 çeliğinin özelliklerini söyle."
GÜÇLÜ PROMPT:"Rol: Isıl işlem mühendisi asistanısın.AISI 4140 çeliği için su verme + temperleme yapıldığında akmadayanımını NELERİN etkilediğini açıkla (temperleme sıcaklığı,kesit kalınlığı/sertleşebilirlik, ostenitleme sıcaklığı).KESİN tek bir sayı verme; bunun yerine değerin hangi aralıktadeğişebileceğini ve doğru değeri almak için hangi standarda göre(ör. ISO 6892 çekme testi) hangi testi yapmam gerektiğini söyle.Emin olmadığın yerleri açıkça belirt."
Zayıf prompt genelde işe yaramaz, yüzeysel bir liste ve büyük ihtimalle uydurma sayılar getirir. Güçlü prompt; rol verir, sınır koyar ("kesin sayı verme"), doğrulama yolunu ister ve belirsizliği açığa çıkarır. Bu modül boyunca "güçlü prompt" kalıbını her üniteye uygulanmış halde göreceksiniz.
Etik, gizlilik ve sorumluluk
Metalurji verisi çoğu zaman gizlidir: müşteri alaşım reçeteleri, patentli proses parametreleri, hasar analizi bulguları, savunma sanayi spesifikasyonları. Bunları herkese açık bir AI servisine yapıştırmak ticari sır ve sözleşme ihlali olabilir; verinin modelin eğitimine karışması riski de vardır.
- Firmaya/müşteriye ait bileşim, reçete ve çizimleri onaysız dış servise girmeyin.
- Kişisel veri (operatör isimleri, sicil numaraları) içeren kayıtları anonimleştirin.
- Kurumsal politikaya ve varsa yerinde (on-premise) veya sözleşmeli kurumsal AI aracına uyun.
- AI kullandığınızı raporda şeffafça belirtin; nihai kararın sizin mühendislik yargınıza dayandığını netleştirin.
- İmza ve sorumluluk her zaman yetkili mühendiste kalır; AI çıktısı gerekçe değildir.
Dikkat: "AI böyle dedi" bir mühendislik gerekçesi değildir. Bir hasar raporunda, bir malzeme seçiminde veya bir uygunluk kararında dayanağınız standart, deney ve hesap olmalıdır; AI en fazla bunları organize eden araçtır. Güvenlik-kritik işlerde AI çıktısı yetkin mühendis onayının yerine geçmez.
Sık yapılan hatalar
- AI'ın verdiği sayısal değeri (özellik, sınır, bileşim) deneysiz ve referanssız kullanmak.
- Standart madde numaralarını teyit etmeden rapora yazmak.
- Gizli müşteri/firma verisini halka açık AI'a girmek.
- AI'a tesis verisi vermeden "arıza nedir" diye sorup gelen genel cevabı tanı sanmak.
- Kritik kararlarda AI çıktısını nihai belge gibi kullanmak, mühendis onayını atlamak.
- Belirsizliği görmezden gelmek: AI'ın kendinden emin tonunu doğruluk sanmak.
Özetle
AI, metalurji ve malzeme mühendisliğinde güçlü bir hızlandırıcıdır: kavram açıklar, hipotez üretir, taslak ve kod yazar. Ama sayısal değer, standart maddesi ve güvenlik-kritik kararlarda halüsinasyon riski taşır. Görevleri risk düzeyine göre sınıflandırın, her çıktıyı standart-laboratuvar-hesap üçgeninde doğrulayın, gizliliği koruyun ve sorumluluğu daima yetkili mühendiste tutun. Modülün geri kalanı bu ilkeyi her somut görevde uygular.
Uygulama görevi
Kendi işinizden (veya bir örnek proje) beş tipik görev seçin: örneğin "malzeme seçimi", "hasar raporu yazımı", "standart sorgusu", "mikroyapı yorumu", "hesap scripti". Her birini yukarıdaki risk tablosuna göre Düşük/Orta/Yüksek/Kritik olarak sınıflandırın ve her biri için AI çıktısını nasıl doğrulayacağınızı (hangi standart, hangi test, kimin onayı) bir cümleyle yazın. Ardından "ROL VE SINIR" şablonunu bu görevlerden birine uyarlayıp deneyin.
Kontrol listesi
- [ ] Görevi risk düzeyine göre sınıflandırdım (Düşük/Orta/Yüksek/Kritik).
- [ ] AI'a rol, kısıt ve "kesin sayı verme/kaynağı belirt" talimatı verdim.
- [ ] Her sayısal değeri ve standart maddesini bağımsız kaynaktan teyit ettim.
- [ ] Gizli/kişisel veriyi dış servise girmedim veya anonimleştirdim.
- [ ] Nihai kararı ölçüm ve standarda dayandırdım, AI'ı gerekçe olarak kullanmadım.
- [ ] Sorumluluğu ve imzayı yetkili mühendiste bıraktım.