Harita işleme problemi yalnızca çizgileri ve poligonları okumak değildi.
Kat planları geometrik veri içeriyordu. Fakat gerçek iş değeri, geometriyi mekânsal anlamla ilişkilendirmekten geliyordu: alan türleri, geçişler, sınırlar, açıklıklar ve harita içeriğinin üretim sisteminin beklediği yapıya dönüştürülmesi.
İnsan operatör bir şekle baktığında yalnız koordinat görmez. Yakınlık, yön, bağlantı ve alan bağlamını birlikte değerlendirir.
Otomatikleştirilmesi gereken şey çizimi kopyalamak değil, tekrar eden karar mantığını görünür hâle getirmekti.
Alan bilgisi, açıklanabilir kurallara ve mekânsal ilişkilere dönüştürüldü.
Çalışmada kural tabanlı uzman sistem yaklaşımı kullanıldı. Mekânsal analiz ve programlama yoluyla, deneyimli harita operatörlerinin tekrar eden kararlarının hangi koşullara dayandığı ayrıştırıldı.
İki geometri birbirine yakın.
Yön, açıklık ve çevreleyen alan belirli bir örüntü gösteriyor.
Belirli koşullar birlikte sağlanıyorsa ilgili harita öğesini oluştur.
Beklenmeyen geometri veya tür kodu varsa ayrı inceleme sinyali üret.
Alan bilgisi kod içinde görünmez varsayım olarak kalmamalıydı. Hangi kararın hangi koşula dayandığı ayrıştırılmalıydı.
Üretim ölçeği, algoritmadan daha fazlasını gerektirdi.
Sistem bulut tabanlı mikroservis mimarisinde gerçek iş yüküyle çalıştı. Aylık 2.000’den fazla kat planının işlenmesi; iş akışı durumu, servis sınırları, hata yalıtımı, doğrulama ve yeniden işleme davranışlarının da tasarlanmasını gerektirdi.
Bu ölçekte bir demo kodunu çalıştırmak yetmez. Sistemin hata verdiğinde nasıl toparlandığı ve bir işlem durumunun nasıl izlenebildiği de ürün davranışının parçasıdır.
İnsan düzeltmeleri yalnız son işlem maliyeti değildi. Sistem hakkında veri taşıyordu.
Otomatik çıktı ile manuel olarak düzeltilmiş haritalar arasındaki değişiklikleri toplu iş düzeyinde karşılaştırmak için veri madenciliği ve analiz yaklaşımı geliştirildi. Değişiklik örüntüleri; hizalama hataları, beklenmeyen tür kodları veya belirli dönüşüm davranışları gibi alanlarda sistemin nerede ayrıştığını görünür hâle getirdi.
Geri bildirim yalnız “başarılı / başarısız” etiketi değildi. Hangi sistem davranışının neden değiştiğini anlamak için kullanılabilecek bir izdi.
Daha sonraki AI çalışmaları, üretim sisteminden ayrı bir dünyada başlamadı.
Otomasyonun farklı kullanım alanlarına genişletilmesi sırasında veri hazırlama, mekânsal etiketleme, kalite kontrol ve düzeltme süreçleri yönetildi. Etiketleme tutarlılığı için kapsamlı bir kılavuz hazırlandı. Görsel ve LLM tabanlı AI modellerinin karşılaştırılması ve değerlendirilmesi koordine edildi.
Bu aşamada önceki üretim deneyimi önemliydi. Çünkü soru yalnızca “hangi model daha yüksek skor aldı?” değildi.
Gerçek hata örüntüleri, veri çeşitliliği ve operasyonel düzeltmeler.
Etiketleme, kalite kontrol, düzeltme ve tutarlılık kuralları.
Görsel ve LLM tabanlı modellerin gerçek görev açısından karşılaştırılması.
Üretim gerçekliği, AI değerlendirmesinin test evrenini ve başarısızlık sorularını beslemelidir.
Temel ders
Üretim otomasyonu tek bir model veya algoritma seçimi değildir.
Alan bilgisinin hangi kurala dönüştüğü, verinin nasıl işlendiği, servislerin nasıl ayrıldığı, insan düzeltmelerinden ne öğrenildiği ve yeni AI yaklaşımlarının hangi gerçek sorunu çözmeye çalıştığı birlikte ele alınmalıdır.
Alan bilgisini ayır. Karar mantığını görünür kıl. Üretimde sınırla. Geri bildirimi yeniden sisteme bağla.
BAĞLAM NOTU
Bu çalışma, Doç. Dr. Gürol Canbek’in Pointr’daki önceki profesyonel görevi sırasında yürüttüğü üretim yazılımı ve AR-GE çalışmalarına dayanmaktadır.
Kamuya açık kariyer kayıtlarındaki ölçek ve sonuç ifadeleri muhafazakâr biçimde kullanılmış; müşteri adları, iç proje kodları, kaynak kodu, veri ve ticari sır niteliğindeki ayrıntılar çıkarılmıştır.
Bu sayfa Canbek müşteri projesi veya müşteri referansı değildir.