Yapay Zekâ GD&T Biliyor mu? Henüz Değil!
Yapay zekâ hayatımızın neredeyse her alanında olduğu gibi mühendislik dünyasında da önemli bir dönüşüm yaratıyor. Teknik resimlerin yorumlanması, hesaplamaların yapılması, standartların araştırılması ve mühendislik problemlerinin çözümünde yapay zekâdan giderek daha fazla faydalanıyoruz.
Peki konu Geometrik Boyutlandırma ve Toleranslandırma (GD&T) olduğunda durum gerçekten aynı mı?
Kısa cevap: Henüz değil.
Yapay zekâ GD&T konusunda oldukça ikna edici cevaplar verebiliyor. Ancak ikna edici bir cevap ile doğru bir GD&T yorumu aynı şey değildir.
GD&T neden yapay zekâ için zor?
GD&T, yalnızca sembollerin anlamlarını bilmekten ibaret değildir.
ASME Y14.5; GD&T'nin sembollerini, kurallarını, tanımlarını, gerekliliklerini, varsayılanlarını ve uygulama prensiplerini belirleyen temel referanslardan biridir.
Örneğin bir yapay zekâya:
“Bu konum toleransı ne anlama geliyor?”
diye sorduğunuzda genel olarak doğru bir açıklama alabilirsiniz.
Ancak konu;
Datum Reference Frame oluşturulmasına,
datum feature seçimine,
MMC ve LMC uygulamalarına,
bonus toleransa,
Virtual Condition hesabına,
MMB ve RMB kavramlarına,
Composite Position toleransına,
feature of size kurallarına,
tolerans bölgelerinin gerçek geometrik anlamına,
ölçüm ve fonksiyon ilişkisine
geldiğinde cevapların güvenilirliği ciddi şekilde sorgulanmalıdır.
Çünkü burada artık yalnızca “bilgi” değil, kurallar arasındaki ilişkilerin doğru şekilde uygulanması gerekir.
En büyük problem: Yapay zekâ yanlış cevabı çok doğruymuş gibi verebilir!
Yapay zekânın en tehlikeli taraflarından biri budur.
Yanlış cevap verdiğinde çoğu zaman:
“Emin değilim.”
demek yerine son derece profesyonel, teknik ve kendinden emin bir açıklama yapabilir.
Hatta cevabın içerisinde doğru GD&T terimleri, doğru semboller ve doğru görünen hesaplamalar bulunabilir.
Bu da özellikle GD&T konusunda yeterli deneyimi olmayan bir kişinin hatayı fark etmesini zorlaştırır.
Asıl risk yanlış cevap vermesi değil, yanlış cevabı doğruymuş gibi sunabilmesidir!
GD&T'de küçük bir hata, büyük bir probleme dönüşebilir
Örneğin bir yapay zekâ;
“MMC uygulandığında bonus tolerans nasıl hesaplanır?”
sorusuna basit bir formül verebilir.
Fakat asıl soru şudur:
Bu formül gerçekten bu feature için uygulanabilir mi?
Feature of size nedir?
Hangi material condition uygulanmıştır?
Datum referanslarında modifier var mıdır?
Datum feature'ın simülatörü nasıl oluşturulacaktır?
Ölçüm hangi sınırlar içerisinde değerlendirilecektir?
Fonksiyonel gereksinim nedir?
İşte GD&T'nin zor kısmı tam olarak buradadır.
Bir formülü bilmek ile o formülün hangi durumda kullanılacağını bilmek aynı şey değildir.
Bir diğer problem: ASME ve ISO aynı şey değil
Yapay zekâya:
“GD&T'de position toleransı nasıl uygulanır?”
diye sorduğunuzda hangi sistemi kastettiğinizi belirtmezseniz, cevap içerisinde ASME Y14.5 ile ISO GPS yaklaşımının birbirine karıştırılması mümkündür.
Oysa bunlar aynı sistem değildir.
Temel amaçları ve bazı kavramları benzer olsa da terminoloji, semboloji, kurallar ve yorumlama yöntemlerinde önemli farklılıklar bulunmaktadır.
Dolayısıyla:
“GD&T böyle diyor.”
demeden önce şu soruyu sormak gerekir:
Hangi standarda göre?
Yapay zekâ GD&T'de hiç kullanılmamalı mı?
Kesinlikle hayır.
Tam tersine, doğru kullanıldığında yapay zekâ çok güçlü bir yardımcı olabilir.
Örneğin;
GD&T kavramlarını öğrenmek,
terminoloji araştırmak,
alternatif açıklamalar oluşturmak,
hesaplamaları kontrol etmek,,
teknik bir konunun farklı şekilde açıklanmasını istemek
için oldukça faydalıdır.
Ancak kritik nokta şudur:
Yapay zekâ bir yardımcı olabilir; standardın kendisi değildir.
Bir GD&T kararının temelinde yapay zekânın cevabı değil, ilgili standart, teknik gereksinim, fonksiyon ve mühendislik değerlendirmesi bulunmalıdır.
Peki yapay zekâ ne zaman güvenilmez hale geliyor?
Özellikle şu durumlarda dikkatli olmak gerekir:
1. Standardın belirli bir maddesine atıf yapıyorsa
Verilen madde numarasının gerçekten o konuyu açıklayıp açıklamadığı kontrol edilmelidir.
2. Bir teknik resmi yorumluyorsa
Görseli doğru algılamış olması, GD&T kurallarını doğru uyguladığı anlamına gelmez.
3. Hesaplama yapıyorsa
Sonuç kadar, kullanılan yöntemin ve varsayımların da kontrol edilmesi gerekir.
4. ASME ve ISO'yu birlikte kullanıyorsa
Hangi standardın kurallarının uygulandığı mutlaka netleştirilmelidir.
5. “Bu gösterim kesinlikle doğrudur” gibi kesin ifadeler kullanıyorsa
Özellikle fonksiyonel gereksinim ve datum yapısının söz konusu olduğu durumlarda ikinci bir doğrulama yapılmalıdır.
En önemli soru: Yapay zekâya mı güveneceğiz, standarda mı?
En güvenli yol elinizde ASME ya da ISO GPS standardının olması, gerekirse cevapları bu standardın içinden vermesini istemenizdir.
Amaç;
doğru, izlenebilir, standarda uygun ve fonksiyonel olarak anlamlı bir çözüm üretmektir.
GD&T gibi üretim, kalite, ölçüm ve tasarımın kesiştiği bir konuda yanlış bir yorum; yalnızca yanlış bir cevap olarak kalmayabilir.
Yanlış üretim,
yanlış ölçüm,
gereksiz tolerans daraltma,
yüksek üretim maliyeti,
hatalı kabul/red kararları
ve hatta montaj problemleriyle sonuçlanabilir.
Sonuç: Yapay zekâyı kullanın, ama doğrulamadan inanmayın
Yapay zekâ gelişmeye devam ediyor ve gelecekte GD&T konusunda bugün olduğundan çok daha başarılı olması oldukça muhtemel.
Ancak bugün için, özellikle ileri seviye GD&T uygulamalarında yapay zekânın verdiği cevapların mutlaka ilgili standart ve deneyimli bir mühendis tarafından doğrulanması gerektiğini düşünüyorum.
Çünkü GD&T'de önemli olan yalnızca:
“Bu sembol ne anlama geliyor?”
sorusunun cevabını bilmek değildir.
Asıl önemli olan:
“Bu parçanın fonksiyonunu doğru şekilde tanımlamak için bu toleransı neden, nasıl ve hangi kurallara göre uygulamalıyım?”
sorusuna doğru cevap verebilmektir.
Yapay zekâ size bir cevap verebilir.
Ama o cevabın gerçekten doğru olup olmadığını anlayabilmek için hâlâ GD&T bilgisine ihtiyacınız var.
Ve belki de bugün yapay zekânın GD&T konusundaki en büyük eksiği tam olarak budur:
Bilgi üretmekte başarılı, fakat mühendislik muhakemesinde henüz yeterince güvenilir değil.
Yorumlar