Kazanimlar:
- AI'ın elektronik/haberleşme iş akışında nerede gerçek zaman kazandırdığını, nerede uyumluluk ve güvenlik-kritik sorumluluğun yetkin mühendiste kaldığını risk düzeyine göre ayırt edebilme
- Her AI çıktısını ölçüm, simülasyon, standart metni ve bağımsız hesapla sınayan çok katmanlı bir doğrulama disiplinini uygulayabilme
- Tasarım dosyası, müşteri ağ verisi ve fikri mülkiyeti korumak için bağlamı anonimleştirme ve güvenli araç seçme alışkanlığını edinebilme
Bir elektronik ve haberleşme mühendisinin işi, görünmez fiziksel büyüklükleri (gerilim, akım, frekans, alan) çalışan ürünlere ve güvenilir bağlantılara çevirmektir. Bir devre tasarlamak, baskı devre kartını (PCB: Printed Circuit Board, bileşenlerin üzerine yerleştirildiği yalıtkan kart) yerleştirmek, sinyali filtrelemek ve modüle etmek, antenden yaymak, gömülü yazılımı (firmware: bir cihazın donanımını doğrudan çalıştıran, kalıcı belleğe yazılmış yazılım) yazmak, protokolleri kurmak, ağın başarımını izlemek ve tüm bunları standartlara ve mevzuata uygun belgelemek. Bu işlerin ortak özelliği, çok sayıda ölçüm ve veriyle çalışmak, ama her kararın bir ürünün çalışıp çalışmayacağını, bir yayının yasal sınırda kalıp kalmayacağını, bir sistemin güvenli olup olmadığını belirlemesidir. Yapay zeka (kısaca AI; büyük veri ve dil modelleriyle metin, sayı, kod ve görüntü üzerinde çalışan yazılım sistemleri) tam da bu veri yoğun ama karar-kritik zeminde güçlü bir yardımcıdır. Bu ünite, AI'ı elektronik/haberleşme işinde nerede güvenle kullanacağınızı, nerede tehlikeli olduğunu ve her AI çıktısını neden ölçüm, simülasyon, standart metni ve mühendislik yargısıyla doğrulamak zorunda olduğunuzu öğretir.
Bu modül boyunca kullanacağınız merkez ilke şudur: AI bir asistandır, karar verici değildir. Bir besleme akımı, bir empedans değeri, bir filtre kesim frekansı, bir yayın gücü sınırı veya bir standart maddesi "AI söyledi" diye doğru olmaz; veri sayfasıyla, ölçümle, simülasyonla, resmî standart metniyle ve yetkin mühendis yargısıyla doğrulanana kadar sadece bir hipotezdir. Bu cümleyi modülün her ünitesinde tekrar göreceksiniz, çünkü elektronikte bir sayının yanlış olması çoğu zaman bir kartın yanması, bir ürünün sertifikadan geçememesi ya da bir haberleşme bağlantısının çökmesi demektir.
LLM nedir, elektronik/haberleşmede ne işe yarar
LLM (Large Language Model / büyük dil modeli), çok büyük metin ve kod yığınlarından örüntü öğrenmiş, olasılığa dayalı olarak "sonraki kelimeyi" tahmin eden bir yazılımdır. ChatGPT, Claude, Gemini gibi araçların motoru budur. Önemli olan şudur: LLM bir "ölçüm cihazı" ya da "bilgi tabanı" değil, bir "dil ve kod tahmincisi"dir. Mühendislik terminolojisini akıcı konuşur, ama bir empedansı ölçmez; en olası görünen sayıyı üretir. Bu yüzden bir bileşenin besleme akımı, bir yönetmelik sınırı ya da bir standart tablosu 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 elektronik/haberleşmede güçlü olduğu görevler:
- Kavram açıklama ve öğretme: empedans uyumu nedir, OFDM nasıl çalışır, örtüşme (aliasing) neden olur, EMC nasıl bozulur.
- Kod ve firmware taslağı: mikrodenetleyici sürücüsü, durum makinesi, Python sinyal analizi, test otomasyonu iskeleti.
- Veri temizleme ve düzenleme: dağınık ölçüm loglarını tutarlı tabloya çevirmek, birim uyumsuzluğu yakalamak.
- Hipotez listesi üretme: bir devre neden çalışmıyor, bir link neden düşüyor sorularına sistematik neden listesi.
- Metin taslağı: test planı, arıza raporu, teknik dosya taslağı, veri sayfası özeti.
- Hesap kurgusu: link bütçesi, güç bütçesi, filtre tasarımı adımlarının iskeletini kurmak.
AI'ın zayıf ve riskli olduğu yerler:
- Kesin sayısal değer verme (besleme akımı, empedans, kesim frekansı, yayın gücü sınırı).
- Güncel ve spesifik standart/mevzuat maddesi, tablo değeri ve sürüm (Release) bilgisi.
- Sizin donanımınızın gerçek ölçüm verisi olmadan tanı koyma.
- Uyumluluk ve güvenlik-kritik karar: EMC uygunluk beyanı, yayın izni, servise uygunluk, güvenlik sınırı.
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
Veri temizleme, hipotez listesi, hesap kurgusu
Taslak/ortak yazar
Elle kontrol + veri sayfası teyidi
Yüksek
Devre değeri, filtre/anten tasarımı, firmware mantığı
Fikir üreteci
Simülasyon + prototip ölçümü
Kritik
EMC/yayın uyumluluğu, güvenlik sınırı, servise uygunluk
Yalnızca taslak/tarama
Yetkin mühendis onayı + akredite test
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 yetkin mühendis üstlenir.
Uçtan uca akış: AI'ı iş akışınıza yerleştirmek
Elektronik/haberleşmede tipik bir problem çözme döngüsü şöyledir ve AI her adıma girer ama hiçbirini tek başına kapatmaz:
- Problemi tanımla: Ne tasarlanacak, hangi başarım hedefi, hangi kısıt (güç, maliyet, frekans, mevzuat) var? (AI: soruyu netleştirir.)
- Veri/gereksinim topla: Veri sayfaları, standart limitleri, ölçüm logları. (AI: özetler ve tutarsızlık arar.)
- Hipotez/tasarım üret: Alternatif topolojiler, çözüm senaryoları. (AI: sistematik liste çıkarır.)
- Analiz et: Hesap, simülasyon, kod, sinyal analizi. (AI: kod ve hesap kurgusu üretir.)
- Doğrula: Simülasyon, prototip, ölçüm, standart metni. (AI kenarda; ölçüm ve insan karar verir.)
- Belgele ve karar ver: Sorumluluğu yetkin mühendis alır. (AI: taslak yazar.)
Bu altı adımı zihninizde tutun; modülün geri kalanı, her adımda AI'ı somut elektronik/haberleşme görevleriyle nasıl kullanacağınızı gösterir.
Üç mini vaka
Vaka 1 — Uydurulmuş bileşen değeri. Bir stajyer, 3,3 V regülatörden beslenen bir devrede gereken ayırma kondansatörü (decoupling capacitor: besleme hattındaki gürültüyü bastıran kondansatör) değerini AI'a sorar; AI "100 nF yeterli" der ve bir de "her IC için 10 µF ekle" diye kesin bir reçete verir. Stajyer bunu doğrudan şemaya işler. Oysa doğru değer, kullanılan yongaların veri sayfasındaki öneriye, anahtarlama frekansına ve akım profiline bağlıdır. Bu tasarımda yüksek hızlı bir yonga saniyede yüz milyonlarca kez akım çekmektedir ve 100 nF tek başına yetersiz kalır; kart, açılışta kararsız davranır. Doğru tutum, değeri her yonganın veri sayfasından ve güç bütünlüğü (power integrity) analizinden almaktır.
Vaka 2 — Var olmayan mevzuat sınırı. Bir mühendis, 2,4 GHz bandında ürününün izin verilen maksimum EIRP'sini (eşdeğer izotropik ışıma gücü) AI'a sorar. AI "yönetmeliğe göre 20 dBm" der ve bir madde numarası uydurur. Mühendis teknik dosyayı buna göre yazar. Test laboratuvarında sınır değerin banda, kanal genişliğine ve ülkeye göre değiştiği, verilen madde numarasının gerçek olmadığı ortaya çıkar. Doğru tutum, güncel regülasyonu (ör. ilgili ETSI/FCC belgesini ve ülke otoritesinin kararını) resmî kaynaktan açıp değeri ve maddeyi teyit etmektir.
Vaka 3 — Doğru kullanım. Bir mühendis, bir sıcaklık sensöründen gelen 5000 satırlık ölçüm logunda tutarsızlık olduğundan şüphelenir. AI'a "bu tabloda birim tutarsızlığı (°C/°F karışması), fiziksel olarak imkânsız değer, ani sıçrama (spike) ve boş hücre olabilecek satırları listele ve her biri için neden şüphelendiğini yaz; düzeltme YAPMA, sadece işaretle" der. AI, birkaç 999 kod değerini, iki adet -300 °C okumasını ve sensör sıfırlanmasına benzeyen sıçramaları işaretler. Mühendis bunları ham veriden kontrol eder ve düzeltir. Burada AI doğru kullanılmıştır: dikkat çekti, kararı ve düzeltmeyi insan yaptı.
Kopyalanabilir prompt şablonları
Aşağıdaki şablonları kendi işinize uyarlayarak kullanabilirsiniz. Her birinde "kesin sayı verme, kaynağı belirt, belirsizliği açıkla" talimatı bilinçle vardır.
ROL VE SINIR ŞABLONU"Rol: Deneyimli bir elektronik/haberleşme mühendisi asistanısın.Görev: [konuyu yaz].Kurallar: Kesin sayısal değer (akım, empedans, frekans, güç sınırı)verirken bunun seçilen bileşenin VERİ SAYFASINDAN veya ÖLÇÜMDENdoğrulanması gerektiğini söyle; emin değilsen 'doğrulanmalı' de.Standart/mevzuat maddesi verirsen sürümüyle ver ama resmî kaynaktanteyit edilmesi gerektiğini hatırlat. Cevabın sonunda 'nelerinsimülasyon/ölçümle doğrulanması gerektiğini' madde madde yaz."
HİPOTEZ ÜRETME ŞABLONU"Şu belirti için olası nedenleri sistematik liste halinde çıkar:[belirtiyi tarif et; ne gözlendi, hangi ölçüm var]. Her hipotez için:(1) hangi kanıt bunu destekler, (2) doğrulamak/çürütmek için hangiölçüm (osiloskop, analizör, multimetre) yapılmalı. Kesin tanı KOYMA;bir arıza arama yol haritası çıkar."
DOĞRULAMA KONTROL LİSTESİ ŞABLONU"Aşağıdaki tasarım/rapor taslağındaki HER sayısal değeri ve HERstandart/mevzuat atfını listele. Her biri için hangi kaynaktan (verisayfası, resmî standart metni, laboratuvar ölçümü, simülasyon)doğrulanması gerektiğini belirt. Kaynağı belirsiz olanları'doğrulanmadan kullanılamaz' başlığında topla. Metin: [yapıştır]."
ANONİMLEŞTİRME ÖN KONTROL ŞABLONU"Aşağıdaki metni bir AI aracına vermeden önce ticari sır veyakişisel/mevzuat açısından hassas kısımları işaretle: müşteri/projeadı, PCB dosya referansı, firmware anahtar/parola, gerçek IP/MACadresleri, abone verisi, gizli maliyet. Bunları nasılanonimleştirebileceğimi öner. Metin: [yapıştır]."
Zayıf prompt / Güçlü prompt
Aynı soruyu iki şekilde sormak çok farklı sonuç verir.
ZAYIF PROMPT:"Bu antenin kazancı ne kadar?"
GÜÇLÜ PROMPT:"Rol: RF mühendisi asistanısın.Bir anten kazancının hangi adımlarla (tip seçimi, boyut, alansimülasyonu, anekoik oda ölçümü) belirlenmesi gerektiğini ve heradımda hangi verinin ve hangi doğrulamanın şart olduğunu açıkla.KESİN bir kazanç sayısı VERME; bunun yalnızca simülasyon ve ölçümlebelirlenebileceğini, dBi biriminin ne anlama geldiğini ve mevzuatsınırının EIRP üzerinden değerlendirileceğini vurgula."
Zayıf prompt AI'ı uydurmaya davet eder; güçlü prompt onu doğru işte (süreç açıklama) tutup sayısal halüsinasyonu baştan engeller.
Sık yapılan hatalar
- Bileşen/tasarım değerlerini AI'a "sormak". Besleme akımı, empedans, kesim frekansı yalnızca veri sayfasından ve ölçümden gelir.
- Standart/mevzuat maddesini teyit etmeden kullanmak. Madde numarası, tablo değeri ve sürüm (Release) sıkça halüsine edilir.
- Uyumluluk/güvenlik kararını AI çıktısına dayandırmak. EMC uygunluğu, yayın izni, servise uygunluk yetkin mühendis ve akredite testin işidir.
- Hassas veriyi anonimleştirmeden bulut aracına yapıştırmak. PCB/firmware, müşteri topolojisi ve abone verisi ticari sır ve kişisel veridir.
- Tek soru-tek cevap beklemek. AI'ı iteratif kullanın: taslak üret, eleştir, simüle et, ölç, düzelt.
Dikkat: Bir AI çıktısında bir sayı ne kadar kesin ve kendinden emin görünüyorsa, doğrulama ihtiyacı o kadar yüksektir. Kesinlik, doğruluk garantisi değildir.
Özetle
Bu ünitede AI'ın elektronik/haberleşmede bir asistan olduğunu, karar verici olmadığını gördünüz. LLM'ler dil ve kod tahmincisidir; kavram açıklama, kod/firmware taslağı, veri temizleme ve hipotez üretmede güçlü, ama kesin bileşen değeri ve standart maddesi üretmede risklidir (halüsinasyon). Görevleri düşük/orta/yüksek/kritik olarak sınıflandırıp doğrulama derinliğini buna göre ayarlayın. Her sayısal değeri veri sayfasından veya ölçümden, her standart atfını resmî kaynaktan doğrulayın. Uyumluluk ve güvenlik-kritik kararlar her zaman yetkin mühendiste kalır ve hassas tasarım/müşteri verisini kullanmadan önce anonimleştirin.
Uygulama görevi
Kendi işinizden (veya hayali bir elektronik projesinden) beş görev seçin: bir kavram açıklaması, bir veri temizleme, bir arıza hipotez listesi, bir bileşen/sayısal değer ve bir mevzuat/standart sorusu. Her birini yukarıdaki risk tablosuna yerleştirin. Sonra "Rol ve sınır" şablonuyla düşük/orta riskli iki görevi AI'a yaptırın ve çıktının her sayısal/standart unsurunu "Doğrulama kontrol listesi" şablonuyla işaretleyin. Hangi unsurların doğrulanmadan kullanılamayacağını yazın.
Kontrol listesi
- [ ] Görevi kullanmadan önce risk düzeyine (düşük/orta/yüksek/kritik) yerleştirdim.
- [ ] Bileşen/tasarım değerlerini AI'a sormak yerine veri sayfası ve ölçümden aldım.
- [ ] Her standart/mevzuat atfını resmî kaynaktan (doğru sürüm) teyit ettim.
- [ ] Hassas veriyi (PCB/firmware, müşteri, IP/MAC, abone) anonimleştirdim.
- [ ] Uyumluluk/güvenlik-kritik kararı yetkin mühendis ve akredite teste bıraktım.
- [ ] AI çıktısındaki her sayısal değeri "doğrulanmadan kullanılamaz" gözüyle taradım.