Fabrikada yapay zekâ projesi konuşulurken sorular çoğunlukla modelle başlar: ChatGPT mi, Claude mu, Gemini mi? Hangisi daha akıllı, hangisi daha ucuz? Yapay zekâ araçlarını geliştiren ekipler ise dikkati modelin çevresine çekiyor: modele hangi bilginin, hangi araçların ve hangi düzenin sunulduğuna.

Aşağıdaki görüşler yazılım geliştirme dünyasından geliyor. Her bölümde bu görüşlerin fabrikadaki karşılığını ve argemas'ta nasıl uygulandığını anlatıyoruz.

Model, bütünün bir parçası

TypeScript eğitmeni Matt Pocock, David Ondrej ile yaptığı söyleşide durumu Formula 1'e benzetiyor:

Everyone's obsessed with the engine of the Formula 1 car whereas in fact the engine is really only a part of the whole system.

Türkçesi: Herkes Formula 1 aracının motoruna takılmış durumda; oysa motor, bütün sistemin yalnızca bir parçası.

Pocock, motorun çevresindeki düzeni (komutlar, araçlar, çalışma ortamı) İngilizce “harness” kelimesiyle anlatıyor ve bu düzenin model kadar iş gördüğünü söylüyor. Üstelik bu kısım sizin elinizde: “…you have much more control of the harness than you do the model.” (Bu düzen üzerinde, modelin kendisinden çok daha fazla kontrolünüz vardır.)

Pocock daha iyi bir modelin her şeyi iyileştirdiğini de kabul ediyor. Model zamanla gelişir; çevresindeki düzeni ise siz kurarsınız. Aynı söyleşide bir uyarı daha yapıyor:

If you're hamstringing your model from day one, then you will need a smart model to get the most out of it.

Türkçesi: Modelinizin elini kolunu daha ilk günden bağlarsanız, ondan en iyi sonucu almak için akıllı bir modele ihtiyaç duyarsınız.

Fabrikada modelin elini kolunu bağlayan şey çoğu zaman veridir. Duruş nedeni girilmiyorsa ya da fire kaydı gün sonunda topluca yapılıyorsa, hangi model seçilirse seçilsin yapay zekâ eksik bilgiyle çalışır.

Darboğaz altyapıda

Anthropic'ten Jess Yan ve Lance Martin, Code with Claude etkinliğindeki sunumlarında yapay zekâ ajanlarını canlıya alan geliştiricilerden gelen gözlemi şöyle özetliyor:

We're seeing that the bottleneck is increasingly infrastructure and not intelligence.

Türkçesi: Darboğazın giderek zekâdan çok altyapıda olduğunu görüyoruz.

Aynı sunumda paylaşılan kullanıcı araştırmasında geliştiricilerin yarısı, canlıya geçişin önündeki bir numaralı engel olarak altyapıyı gösteriyor. Buradaki altyapının bir kısmı erişim, güvenlik ve insan onayıyla ilgili; bu konuları yapay zekâya güven yazımızda ele aldık.

Fabrikada altyapının ilk katmanı saha verisidir. MES, üretim sahasındaki makine, operatör, kalite, malzeme ve enerji verisini gerçek zamanlı toplar. argemas MES'te hangi tezgâhta ne üretildiği, hangi operatörün ne kadar verimli çalıştığı, hangi duruşun hangi sebeple oluştuğu saniye saniye kayıt altına alınır. ERP ise saatlik ya da günlük seviyede çalışır; bu farkı SAP ve MES yazımızda ayrıntılı anlattık.

Her yapay zekâ işlevi belirli bir veriyle çalışır

argemas'ta yapay zekâ ve makine öğrenmesi kullanan işlevlerin her biri, sahadan gelen belirli bir veriye dayanır:

Atama optimizasyonu: gerçek zamanlı operatör verimlilik ve kalite verisi, operasyon benzerlik sınıflandırması ve operasyon zorluk dereceleri.
Yapay zekâ temelli ileri planlama ve çizelgeleme: ürün bazında gerçekleşen hat verimlilikleri, kalite sonuçları ve setup süreleri.
Gün sonu üretim adedi tahmini: operasyonlar için anlık sorgulanan adet raporları.
Kestirimci bakım: @rgeROVER ve @rgeHYPATIA cihazlarından gelen titreşim, akım ve sıcaklık verisi.

Bu verinin kalitesi, önerilerin kalitesini doğrudan etkiler. Setup süreleri kayıt altına alınmıyorsa planlama önerisi tahmine dayanır; makine verisi gelmiyorsa bakım modeli arızayı önceden göremez.

Doğru veri, doğru zamanda

Jess Yan ve Lance Martin'in sunumunda bağlamın zamanlaması da vurgulanıyor:

Context at the right time can be incredibly powerful. It's the knowledge that the agent needs to do work. But context at the wrong time can be a huge distraction.

Türkçesi: Doğru zamanda verilen bağlam son derece güçlü olabilir. Ajanın iş yapmak için ihtiyaç duyduğu bilgi odur. Ama yanlış zamanda verilen bağlam ciddi bir dikkat dağıtıcı olabilir.

Fabrikada bu, her karar için gereken verinin önceden tanımlanması demektir. argemas Yapay Zekâ Entegrasyon Katmanı'nda teknik keşif sırasında her bağlantının veri nesnesi, yönü, sıklığı, yetkisi, hata davranışı ve kabul testi ayrı ayrı tanımlanır. Ana kayıt sistemi yerinde kalır. Bağlanabilen kaynaklar arasında ERP, MES ve WMS gibi kurumsal uygulamaların yanında PLC, RFID, barkod, IoT sensörleri, SCADA ve enerji izleme sistemleri de bulunur.

Önce bağlama bakın

Anthropic'ten Lydia Hallie, Claude Code'da model ve efor seçimi üzerine yazdığı rehberde şu tavsiyeyi veriyor:

When Claude gets something wrong, your first instinct shouldn't be to adjust a knob, but to examine the context you have provided. Is your prompt too vague? Is Claude connected to the right tools?

Türkçesi: Claude bir şeyi yanlış yaptığında ilk refleksiniz bir ayarla oynamak olmamalı; verdiğiniz bağlamı incelemek olmalı. Talimatınız fazla mı belirsiz? Claude doğru araçlara bağlı mı?

Rehber, bağlam ne kadar zenginleşirse zenginleşsin küçük bir modelin kendinden emin biçimde yanılmaya devam ettiği durumlarda daha büyük bir modelin işe yaradığını da belirtiyor. Sıralama yine de açık: önce bağlam, sonra model. Fabrikada bir tahmin tutmadığında sorulacak ilk sorular da bunlar: Yapay zekâ ilgili veriye ulaşabiliyor mu? Veri güncel mi? Kayıtlar eksiksiz mi?

Model tarafı esnek kalabilir. argemas Yapay Zekâ Entegrasyon Katmanı sağlayıcı bağımsızdır: OpenAI, Anthropic, Google ya da yerel bir modelle çalışabilir. Sorgular sağlayıcıda saklanmaz ve eğitimde kullanılmaz. Böylece sahadan toplanan veri ve onun üzerine kurulan düzen kalıcı bir yatırım olarak kalır; model ihtiyaca göre değiştirilebilir.

Rakamın arkasındaki veri görünmeli

Anthropic, Claude ile canlı pano (dashboard) oluşturma özelliğini tanıtırken her rakamın kaynağını görünür kılıyor:

Click any number to see the query behind it, or ask Claude to explain it. Each chart shows when its data was last refreshed.

Türkçesi: Herhangi bir rakama tıklayarak arkasındaki sorguyu görebilir ya da Claude'dan açıklamasını isteyebilirsiniz. Her grafik, verisinin en son ne zaman yenilendiğini gösterir.

Fabrikada bir yönetici “Bu ay üretim hedefini yakalayabilecek miyiz?” diye sorduğunda, cevabın hangi veriye dayandığını da görebilmeli. argemas Yapay Zekâ Katmanı'nda kullanıcı önerinin dayandığı veriyi görür. Her çıktı, kullanıcının görebildiği işlem verisine ve tanımlı kaynaklara dayanır; kanıt olarak canlı işlem verisi ve onaylı kurumsal kaynaklar kullanılır.

Nereden başlamalı

Model seçmeden önce şu soruları cevaplamak işe yarar:

Yapay zekânın hangi kararı desteklemesini bekliyoruz?
Bu karar için hangi veri gerekiyor ve bugün bu veri kayıt altına alınıyor mu?
Veri ne sıklıkla güncelleniyor: saniyelik mi, günlük mü?
Yapay zekâ bu veriye kimin yetkisiyle erişecek?

argemas Yapay Zekâ Katmanı'nın ilkesi de bu sırayı izler: karar, modelden önce tanımlanır. Ayrıntılar için MES nedir?, Yapay Zekâ Katmanı ve Yapay Zekâ Entegrasyon Katmanı sayfalarımıza bakabilirsiniz.

Kaynaklar

Matt Pocock ve David Ondrej: Matt Pocock's Agentic Engineering Workflow (YouTube).
Jess Yan ve Lance Martin, Anthropic: How to get to production faster with Claude Managed Agents (YouTube).
Lydia Hallie, Anthropic: Choosing a Claude model and effort level in Claude Code (7 Temmuz 2026).
Anthropic: Build live dashboards and animate explainers with Claude.

Fabrikada yapay zekâ, sahadan gelen veri kadar iyidir