Kazanimlar:
- Yapay zekanın araç geliştirme yaşam döngüsünün (V-modeli) neresinde gerçek değer ürettiğini ve hangi kararların yetkin mühendis sorumluluğunda kalması gerektiğini ayırt edebilme
- Her AI çıktısını büyüklük mertebesi, mühendislik makullüğü ve bağımsız test/ölçüm kanıtıyla sınayan üç çapa doğrulama disiplinini uygulayabilme
- Halüsinasyon, belirsizlik, ticari sır ve fonksiyonel güvenlik risklerini tanıyıp bağlamı anonimleştirerek güvenli prompt kurma alışkanlığı edinme
Otomotiv mühendisliği; bir aracın konsept çiziminden yola çıkarak tasarım, simülasyon, prototip, test, seri üretim ve saha takibine kadar uzanan devasa bir zincirdir. Bu zincirin her halkasında bugün yapay zeka (kısaca YZ veya İngilizce kısaltmasıyla AI) bir hızlandırıcı olarak devrededir. Ama otomotivde bir yanlış, laboratuvarda kalan bir hata değildir: yola çıkan milyonlarca araçta güvenlik, geri çağırma (recall) ve insan hayatı anlamına gelir. Bu yüzden bu modülün ilk ve en önemli cümlesi şudur: yapay zeka mühendisi hızlandırır, ama güvenlik-kritik kararın sahibi ve sorumlusu her zaman yetkin mühendistir.
Bu ünitede yapay zekanın araç geliştirmenin neresinde gerçek değer ürettiğini, nerede kırmızı çizgilerin olduğunu ve her AI çıktısını nasıl disiplinli biçimde doğrulayacağımızı öğreneceğiz.
Araç geliştirmenin V-modeli ve AI'nın yeri
Otomotivde geliştirme çoğunlukla V-modeli ile anlatılır. V-modeli; solda ihtiyaç ve tasarım adımlarının aşağı indiği, altta yazılım/donanım gerçeklemesinin olduğu, sağda ise doğrulama ve entegrasyon testlerinin yukarı çıktığı, bir "V" harfi biçiminde ilerleyen geliştirme sürecidir. Sol kolda "ne yapacağız" tanımlanır (gereksinim, sistem tasarımı), sağ kolda "doğru yaptık mı" sınanır (birim testi, entegrasyon, araç doğrulama).
Yapay zeka bu V'nin neredeyse her noktasına dokunur:
- Sol kol (tasarım): üretken tasarım ile hafif parça geometrisi önerme, simülasyonu vekil modelle hızlandırma, gereksinim metinlerinden tutarsızlık yakalama.
- Alt (gerçekleme): kod üretme yardımı, test senaryosu türetme, kalibrasyon parametresi tarama.
- Sağ kol (doğrulama): test verisinden anomali işaretleme, rapor taslağı, dayanıklılık testi özeti.
- Üretim ve saha: görüntüyle kusur tespiti, kestirimci bakım, telemetri analizi, tedarik zinciri tahmini.
İpucu: AI'yı "karar veren" değil, "aday üreten ve dikkat çeken" bir asistan olarak konumlandırın. Kararı mühendislik kanıtı verir.
Neyi AI'ya bırakırız, neyi bırakmayız?
Genel kural: AI, tekrarlayan, veri yoğun, ilk taslak işlerde güçlüdür; yargı, güvenlik ve nihai onay insanındır. Aşağıdaki tablo bu ayrımı somutlaştırır.
Görev
AI'nın rolü
Kararın sahibi
50.000 satır yol testi kaydında anomali tarama
Otomatik işaretleme, ön eleme
Test mühendisi
Fren yazılımı güvenlik doğrulaması
Test senaryosu önerme
Fonksiyonel güvenlik mühendisi
Konsept şasi geometrisi üretme
Alternatif üretme (generative)
Tasarım/CAE mühendisi
Kaynak dikişi kusur sınıflama
Görüntüde ön tespit
Kalite mühendisi/operatör
Homologasyon (tip onayı) beyanı
Taslak metin
Sorumlu mühendis/yönetici
Dikkat edilmesi gereken nokta: tablonun sağ sütunu asla "AI" olamaz. Emisyon beyanı, çarpışma güvenliği onayı, fren performansı gibi konularda nihai imza her zaman yetkili bir insanındır. Bu yalnızca etik değil, çoğu ülkede yasal bir zorunluluktur.
Üç çapa doğrulama disiplini
Bu modül boyunca her AI çıktısını üç bağımsız "çapa" ile sınayacağız. Çapa; gemiyi yerinde tutan ağırlık gibi, AI'nın bizi sürüklemesini engeller.
- Büyüklük mertebesi (order of magnitude) kontrolü: Sonuç kabaca doğru ölçekte mi? Bir binek aracın sıfırdan yüz km/s'ye hızlanması 6-9 saniye civarıdır; AI "0,6 saniye" diyorsa bir şey yanlıştır. Aküyü 2 dakikada tam şarj eden bir öneri fiziksel olarak şüphelidir.
- Mühendislik makullüğü: Sonuç fizik ve mühendislik sezgisiyle uyumlu mu? Hafiflettiğiniz bir parça aynı anda hem daha ucuz, hem daha sağlam, hem daha kolay üretilebilir çıkıyorsa "bedava öğle yemeği yok" ilkesini hatırlayın; bir yerde bir ödünleşim (trade-off) saklıdır.
- Bağımsız test/ölçüm kanıtı: En güçlü çapa. Simülasyonu fiziksel testle, tahmini gerçekleşen veriyle, AI özetini ham veriyle karşılaştırın. Kanıt olmadan hiçbir güvenlik-kritik çıktı kabul edilmez.
Dikkat: AI çok akıcı ve kendinden emin bir dille yanlış bilgi üretebilir; buna halüsinasyon denir. Akıcılık doğruluk kanıtı değildir. Bir sayı, bir standart numarası veya bir malzeme özelliği güvenle söylendi diye doğru olduğunu varsaymayın; kaynaktan teyit edin.
Mini vaka çalışmaları
Vaka 1 - Mertebe hatası yakalama. Bir stajyer, aracın aerodinamik sürükleme kuvvetini AI'ya hesaplatıyor ve 100 km/s hızda "12.000 N" sonucunu alıyor. Kıdemli mühendis mertebe kontrolü yapıyor: tipik bir binek aracın bu hızdaki sürükleme kuvveti yaklaşık 300-400 N'dur (yaklaşık 30-40 kgf). 12.000 N, otuz kat fazla. İncelenince AI'nın hava yoğunluğunu yanlış birimle (kg/m³ yerine g/cm³ karışıklığı) kullandığı görülüyor. Sonuç: Basit bir mertebe kontrolü, saatlerce sürecek yanlış tasarım kararını önledi.
Vaka 2 - Makullük süzgeci. Bir tedarik ekibi, AI'dan maliyet düşürme önerisi istiyor; AI tek bir tedarikçiden alım yapılmasını, böylece %8 tasarruf edilmesini öneriyor. Planlama müdürü makullük kontrolü yapıyor: bu parça güvenlik-kritik bir airbag sensörü ve tek kaynak, o fabrikada bir kesinti olduğunda tüm üretimi durdurur. Öneri, ikinci kaynak ve stok tamponu eklenerek düzeltiliyor. Sonuç: %8 tasarruf uğruna alınacak "hattı durdurma" riski önlendi.
Vaka 3 - Bağımsız kanıt. Bir CAE ekibi, kaput panelinin titreşim (NVH - gürültü, titreşim, sertlik) davranışını hızlı bir vekil modelle tahmin ediyor; model 47 Hz'de bir rezonans (belirli frekansta aşırı titreşim) öngörüyor. Ekip bunu fiziksel modal test ile doğruluyor; gerçek tepe 44 Hz'de çıkıyor. Fark küçük ama önemli; vekil model kabul ediliyor, ancak tasarım payı buna göre genişletiliyor. Sonuç: Hızlı AI tahmini kullanıldı ama bağımsız kanıtla kalibre edildi.
Güvenli prompt kurma: gizlilik ve ticari sır
Otomotiv verisi genellikle ticari sır (yeni model tasarımı, tedarikçi fiyatı) veya kişisel veri (sürücü konumu, VIN - şasi numarası) içerir. Genel bir bulut AI aracına ham gizli veri göndermek büyük risktir.
Aşağıda zayıf ve güçlü prompt karşılaştırması var.
Zayıf prompt:
X marka 2027 model elektrikli SUV projemizin gerçek bataryatest verisini ekliyorum, hücre tedarikçimiz Y firması, birimfiyat 92 USD. Şu VIN'lerdeki araçların menzil sorununu çöz:[gerçek VIN listesi]
Bu prompt marka, model, tedarikçi, fiyat ve kişisel VIN'i ifşa ediyor; hem gizlilik hem rekabet açısından tehlikeli.
Güçlü prompt:
Rol: Elektrikli araç batarya test mühendisiyim.Bağlam: Bir binek SUV bataryasında (yaklaşık 75 kWh) menzilsapması araştırıyorum. Veriyi anonimleştirdim; markalar A/B,araçlar arac_1..arac_20 olarak kodlandı.Görev: Ekteki (anonim) sıcaklık-menzil tablosunda menzili ençok etkileyen 3 değişkeni sırala ve her biri için doğrulamatesti öner.Kısıt: Kesin sebep iddia etme; hipotez ve doğrulama adımı ver.Çıktı: Tablo + öncelik sıralaması.
İpucu: Kurumsal veri sözleşmesi olan (verinizi eğitimde kullanmayan) bir AI ortamı kullanın, veriyi anonimleştirin ve yalnızca gereken minimum bilgiyi verin (veri minimizasyonu).
İyi prompt için RGBÇ kalıbı
Bu modülde tekrar tekrar kullanacağımız basit kalıp: Rol - Görev - Bağlam - Çıktı (RGBÇ).
Rol: [AI hangi uzman gibi davransın]Görev: [tek cümlede ne istiyorsun]Bağlam: [birimler, kısıtlar, standart, anonim veri]Kısıt: [neyi yapma, belirsizlikte ne yap]Çıktı: [tablo/liste/kod, hangi biçim]
Rol: Deneyimli bir NVH (gürültü-titreşim) mühendisisin.Görev: Direksiyon titreşimi şikayeti için olası kök nedenlistesi çıkar.Bağlam: Ön aks, 80-100 km/s arası, düz yolda; lastikbalansı yeni yapıldı.Kısıt: En olasıdan en az olasıya sırala; her neden için tekbir doğrulama ölçümü öner.Çıktı: Numaralı liste + doğrulama sütunu.
Rol: Otomotiv kalite mühendisisin.Görev: Bir kaynak kusuru raporunu 5N1K (ne/neden/nerede...)formatına dönüştür.Bağlam: Robotik nokta kaynağı, gövde hattı; kusur oranıson 3 vardiyada arttı.Çıktı: Yapılandırılmış özet + 3 acil kontrol önerisi.
Rol: Veri analisti gibi davran.Görev: Aşağıdaki telemetri sütun açıklamalarını oku vekestirimci bakım için 8 aday öznitelik öner.Kısıt: Gelecek bilgisini kullanan (sızıntı riski) öznitelikönerme; her öznitelik için nedenini yaz.Çıktı: Öznitelik | Gerekçe | Sızıntı riski (E/H) tablosu.
Sık yapılan hatalar
- AI çıktısını kanıt sanmak. Akıcı metin, doğrulanmış mühendislik değildir. Her sayıyı çapalayın.
- Mertebe kontrolünü atlamak. En ucuz ve en güçlü hata yakalama yöntemi budur; on saniye sürer.
- Gizli veriyi ham göndermek. Marka, tedarikçi, fiyat, VIN gibi bilgileri anonimleştirmeden paylaşmak sözleşme ve yasa ihlalidir.
- Belirsizliği görmezden gelmek. "Emin misin?" diye sormak yerine kanıt isteyin; AI'nın kendine güveni doğruluğunun ölçüsü değildir.
- Sorumluluğu AI'ya yıkmak. "Model öyle dedi" bir savunma değildir; imza sizindir.
Ozetle
- Yapay zeka araç geliştirmenin V-modelinin her aşamasında hızlandırıcıdır; ama güvenlik-kritik karar ve onay her zaman yetkin mühendistedir.
- Her AI çıktısını üç çapa ile sınayın: büyüklük mertebesi, mühendislik makullüğü, bağımsız test/ölçüm kanıtı.
- Halüsinasyon gerçektir; akıcılık doğruluk değildir.
- Gizli ve kişisel veriyi anonimleştirin, veri minimizasyonu uygulayın, kurumsal AI ortamı kullanın.
- İyi prompt için Rol-Görev-Bağlam-Çıktı (RGBÇ) kalıbını kullanın.
Uygulama gorevi
Kendi işinizden (veya hayali bir binek araç projesinden) bir görev seçin: örneğin "fren balatası aşınma tahmini". (1) Bu görevi V-modelinin neresine koyarsınız? (2) AI'nın rolü ile kararın sahibini bir tabloya yazın. (3) RGBÇ kalıbıyla bir prompt yazın ve içindeki tüm gizli/kişisel bilgiyi anonimleştirin. (4) AI'dan gelecek yanıtı hangi üç çapa ile sınayacağınızı üç madde halinde not edin.
Kontrol listesi
- [ ] Görevimin V-modelindeki yerini belirledim.
- [ ] AI'nın rolü ile nihai kararın sahibini ayrı ayrı yazdım.
- [ ] Promptumda marka/tedarikçi/fiyat/VIN gibi bilgileri anonimleştirdim.
- [ ] RGBÇ kalıbını (rol, görev, bağlam, kısıt, çıktı) kullandım.
- [ ] Çıktıyı üç çapa ile (mertebe, makullük, bağımsız kanıt) doğrulama planım hazır.
- [ ] Güvenlik-kritik onayın insanda kaldığını teyit ettim.