Bakım için Machine Learning: data-driven öğrenme rehberi (2026)

Bakım için Machine Learning, 2024-2026 satıcı pitch deck'lerinin favori konusu. „AI'mız makineniz arızalanmadan ne zaman arızalanacağını öğrenir". Inanılmaz geliyor. Bu genelde, inanılmaz olduğu anlamına gelir.

ML ve bakım hakkındaki gerçek daha az çekici, daha faydalı ve sizin tarafınızdan iş ister, sadece satıcıdan değil.

ML'in gerçekten yapabildikleri ve yapamadıkları

YAPABİLİR:

• Pattern tanıma, „ortam sıcaklığı 32°C üstüne çıkıp 3. vardiya çalıştığında, kompresör #3 4 saat sonra arızalanır"
• Anomali tespiti, „bu davranış bu makine için olağandışı"
• Arıza tipi sınıflandırma, „bu rulman aşınmasına benziyor, dengesizliğe değil"

YAPAMAZ:

• Belirli bir arıza gününü tahmin, „motor Y 23 Kasım'da arızalanır". ML böyle çalışmaz.
• 12-18 aylık tarihsel veri olmadan çalışmak
• WhatsApp gruplarındaki kurşun kalemle not üzerinde çalışmak

ML'in anlamı olmadan önce neye ihtiyacınız var

• CMMS'de yapılandırılmış bakım geçmişi, serbest metin değil
• Arıza tipi taksonomisi (motor patladı değil, kodlanmış kategoriler)
• Her şeyde timestamp (arıza başı, onarım başı, onarım sonu)
• Paralel sensör verisi (titreşim, sıcaklık, amper) veya Computer Vision
• En az 12 ay böyle veri, predictive ML için 18-24 daha iyi

Neden data scientist işe almayın

Yılda 60-80K EUR data scientist + ilk model için 6 ay + sürekli altyapı maliyeti = bir içgörü görmeden 100K+ EUR. 50+ fabrikalı enterprise için anlamlı. KOBİ üretim için, hayır.

Bunun yerine: yerleşik ML'li CMMS platformu seçin. Fabrico Maintenance Assistant, bakım geçmişi hakkında soruları yanıtlar ve maaş listesinde data scientist olmadan pattern'leri tespit eder.

Sonuç

Verisiz ML çalışmaz. Disiplinle başlayın, iyi CMMS, kodlanmış arıza tipleri, 12+ ay geçmiş. Veri hak ettiğinde ML içgörüleri doğal sonuç olarak gelir. „Ödevlerinizi yapmadan" satın aldığınız ürün olarak değil.