Büyük Yapay Zeka (AI) Hayal Kırıklığı

Modern üretim dünyasında çok sık rastlanan şu tanıdık senaryoya bir bakalım: Yönetim kurulu, şirketin acilen "Yapay Zeka (AI) odaklı" hale gelmesini emreder. Milyonlarca dolar harcanır, harika Veri Bilimciler ve Bulut IT Mühendisleri işe alınır.

Veri Bilimci, bilgisayarını açar ve şirketin Veri Gölüne bağlanır. Karşısında uygun, temiz, yapılandırılmış veri setleri bulmayı beklemektedir. Ancak ekranda gördüğü şey şudur:

• Tag ID: 49021. Value: 43. Timestamp: 12:00:01
• Tag ID: DB4.DBX2.1. Value: TRUE. Timestamp: 12:00:02
• Tag ID: VIB_01A. Value: ERR_COMM. Timestamp: 12:00:03

49021 numaralı etiket (tag) ne anlama geliyor? 43 değeri Santigrat mı, Fahrenheit mı yoksa yavaşlayan bir motorun devri mi? Zaman damgası (timestamp) hangi saat dilimine (UTC) ait?

Endüstri 4.0'ın gerçeği şudur: Makine verileri çoğunlukla karmaşıktır, gürültülüdür ve bağlamdan (context) yoksundur. Sonuç olarak, yüksek maaşlı Veri Bilimcileri; tek bir satır Makine Öğrenimi kodu yazamadan önce, zamanlarının büyük bir kısmını o gizemli PLC etiketlerini Excel tablolarındaki isimlerle eşleştirmeye çalışarak veri hazırlığı süreçlerine harcarlar.

İşte bu önemli darboğaz, OT DataOps disiplininin tam olarak çözmek için doğduğu sorundur.

Sonuçlar yük profiline, donanım kapasitesine ve dağıtım topolojisine bağlıdır.

OT DataOps Nedir?

DataOps (Data Operations - Veri Operasyonları), aslında IT (Bilgi İşlem) dünyasında doğmuş bir kavramdır. Analitik ekiplerinin daha hızlı çalışabilmesi için verinin akışını, kalitesini ve teslimatını otomatize etmeye odaklanır.

OT DataOps (Operasyonel Teknoloji DataOps) ise aynı prensipleri alır ve fabrika zemininin o kaotik, benzersiz zorluklarına uygular. Endüstriyel varlıklardan (PLC'ler, SCADA, CNC makineleri) gelen ham veriyi çekme, bu veriyi temizleme, gereksiz gürültüyü filtreleme, üzerine "iş bağlamı" (anlam) ekleme ve onu güvenli bir kalıpta IT sistemlerine teslim etme disiplinidir.

Kısacası: OT DataOps, verileriniz için kurulan bir montaj hattıdır. Hammaddeyi (voltaj sinyalleri) alır ve onu bitmiş, değerli bir ürüne (Yapay Zeka (AI) için hazır işgörülere) dönüştürür.

OT DataOps Boru Hattının (Pipeline) 4 Aşaması

Proxus gibi IIoT Platformları tarafından desteklenen olgun bir OT DataOps stratejisi, veri mühendisliğinin şu 4 kritik aşamasını otomatikleştirir:

Veri Çekimi (Connectivity)

Bağlanamadığınız bir şeyi analiz edemezsiniz. Bir fabrikada yepyeni bir Siemens S7-1500 cihazıyla, 25 yıllık seri portlu bir Modbus RTU kontrolörü yan yana duruyor olabilir. OT DataOps; makinenin birincil kontrol döngüsünü (üretimi) hiç yavaşlatmadan yüzlerce eski endüstriyel protokolü aynı anda konuşabilen sağlam bir Edge Computing (Uç Bilişim) ağ geçidiyle (gateway) başlar.

Normalleştirme ve Bağlamsallaştırma

En kritik adım budur. Ham veri, fabrikayı terk edip IT dünyasına geçmeden önce insanların (ve algoritmaların) okuyabileceği bir "anlama" çevrilmelidir. OT DataOps motoru, buluta anlamsız bir DB4.DBX2.1 = 120 göndermek yerine paketi şu şekilde dönüştürür (normalleştirir):

{
 "asset": "Ekstruder_A",
 "location": "Fabrika_Bursa",
 "metric": "Sıcaklık",
 "value": 120,
 "unit": "Celsius",
 "status": "Uyari"
}

Artık bu veri paketi Buluta veya ERP'ye ulaştığında, karşıdaki Veri Bilimci (Veya Yapay Zeka (AI) Asistanı) tam olarak neye baktığını anında anlayabilir.

Akıllı Filtreleme ve Deadbanding

Bulut hizmet sağlayıcılar (AWS, Azure vb.), Buluta yüklediğiniz (Ingress) her bir Gigabayt veri için size fatura keser. Eğer bir sıcaklık sensörü her 10 milisaniyede bir aynen 22.1°C değerini iletiyorsa, bu birbirinin kopyası milyonlarca veriyi Buluta göndermek ölçeklenebilir bir para israfıdır. OT DataOps; Edge (Uç) seviyesinde "Deadbanding" (sadece değer %1 veya %5 değiştiğinde veriyi gönder) veya "Zaman Bazlı Kümeleme" (60.000 adet milisaniyelik ham veri yerine, 1 dakikalık temiz bir 'ortalama' gönder) gibi Akıllı Filtreleme teknolojilerini kullanarak önemli "veri fırtınalarını" dindirir.

İstikrarlı Teslimat: Birleşik İsim Alanı (UNS)

Son olarak; temizlenmiş, filtrelenmiş ve etiketlenmiş o güzel veri, gidip de aranması zor eski tip tekil parça (silo) veritabanlarına çöplük gibi atılmaz. Merkezi bir Birleşik İsim Alanı'na (Unified Namespace - UNS) yayınlanır. UNS, tüm fabrika için düzenli bir klasör dizini (örneğin bilgisayarınızdaki dosya sistemi) gibi davranır. Maliyet hesaplayan ERP sistemi de olsa, Model Context Protocol (MCP) üzerinden sorgu çeken bir LLM modeli de olsa; tüm IT ekosistemi aynı tertemiz veri kaynağından beslenir.

OT DataOps'in İşletmelere Sağladığı Devrim (ROI)

• Daha Hızlı AI ve Analitik: Veri bilimciler verileri temizlemek yerine 1. Günden itibaren makinenizin ne zaman kırılacağını öngören (Kestirimci Bakım) yüksek değerli modeller inşa etmeye başlarlar.
• Küçülen Bulut Faturaları: Veriyi daha Buluta ulaşmadan Edge seviyesinde (kaynağında) akıllıca filtreleyen şirketler, AWS/Azure faturalarını rutin olarak %60 ile %90 arasında düşürürler.
• Verinin Demokratikleşmesi: Bir Fabrika Müdürü, basit bir rapor çekmek için IT departmanına yalvarmak zorunda kalmaz. UNS içerisindeki veriler halihazırda anlamlandırılmış (Fabrika/Hat1/OEE) olduğundan, müdür kendi ekranındaki grafiklere bu değerleri sürükleyip bırakarak (drag-and-drop) kendi anlık analizini yapabilir.

Sonuç

OT DataOps, Endüstri 4.0 hedefleri için kritik bir bileşendir. Veri mühendisliğinin yükünü Edge (Uç) noktasına iterek; verileri kaynağında temizleyip organize ederseniz, Bulut analitiği ve AI altyapınızın gerçek potansiyelini öne çıkarabilirsiniz.

Ne zaman uygun olmayabilir?

• Düşük frekanslı telemetride daha basit yaklaşımlar yeterli olabilir.
• Tek hatlı küçük tesislerde tam dağıtık mimari maliyet-etkin olmayabilir.
• Katı legacy kısıtları olan ortamlarda kademeli geçiş gerekebilir.
• Emniyet-kritik kapalı çevrim kontrol, PLC/Safety PLC katmanında kalmalıdır.

Bu davranış, topoloji ve yük özelliklerine göre değişebilir.

Sık Sorulan Sorular

OT DataOps, IT DataOps'tan nasıl farklıdır?

IT DataOps yazılım tarafından üretilen veri hatlarını (veritabanları, API'ler, loglar) optimize eder. OT DataOps fiziksel sensörlerden ve PLC'lerden gelen makine verisini yönetir - tescilli protokoller, gerçek zamanlı kısıtlamalar ve ağ kesintilerinin sık olduğu ortamlarla ilgilenir. Depola ve İlet deseni bu ortama özgü bir dayanıklılık mekanizmasıdır.

Ham OT verisinin yüzde kaçı gerçekten yararlıdır?

Tipik olarak %5–20. Fabrika sensörleri yüksek frekanslarda (50–100ms) okuma yapar ancak değer çok daha seyrek anlamlı şekilde değişir. Akıllı Filtreleme teknikleri (deadbanding, zaman tabanlı kümeleme) iletilen veriyi, eyleme dönüştürülebilir bilgiyi kaybetmeden %80–95 azaltabilir.

Ayrı bir OT DataOps ekibine ihtiyacım var mı?

Mutlaka değil. Çoğu kuruluşta mevcut otomasyon/kontrol ekibi IT veri mühendisleriyle işbirliği yapar. Kritik olan ortak bir namespace tasarımı (UNS) ve Edge-Bulut hattının net sahipliğidir.

Kaynaklar

1. DataOps Manifesto - OT DataOps'un endüstriyel ortamlara uyarladığı çevik veri mühendisliği prensipleri. dataopsmanifesto.org
2. ISA-95 / IEC 62264 - OT DataOps hattını yapılandıran kurum-kontrol veri modelini tanımlayan standart.
3. Eclipse Sparkplug - MQTT tabanlı OT veri normalizasyonu için payload standardizasyon çerçevesi. sparkplug.eclipse.org

Proxus'un IT/OT Köprüsünün, OT DataOps Süreçlerinizi Nasıl Otomatikleştirdiğini İnceleyin →