Güncelleme: Temmuz 2026 · 8 dk okuma · Serkan İnkaya · Mechanical Engineer, ODTÜ
Alıcılar çıplak bir "%99 doğruluk" iddiasını neden ıskonto eder?
Bir görü teklifini okuyan bir kalite yöneticisi "%99 doğruluk" ifadesini daha önce görmüştür ve tek başına neredeyse hiçbir şey ifade etmediğini öğrenmiştir. Bağlamsız doğruluk, asıl para kaybettiren hatayı gizler: hatasız parçaların kusurlardan kat kat fazla olduğu bir hatta, bir model %99 alabilir ve yine de hatalı parçaların çoğunu kaçırabilir. Alıcı bunu bilir, dolayısıyla hat, metrik tanımı ve referans içermeyen yuvarlak bir doğruluk rakamı, kanıt değil pazarlama gibi okunur.
Çoğu görü teklifindeki boşluk kanıttır. Rakipler sistemlerini sıfatlarla tanımlar; doğru, güvenilir, esnek ve okuyucuyu kelimelere güvenmeye bırakır. Fırsat budur. Her rakip teklif aynı desteklenmemiş iddiayı yaptığında, gerçek bir hattı ve gerçek bir rakamı adlandıran teklif diğerlerine benzemekten çıkar. Kanıt, neredeyse her görü tedarikçisinin sunumundaki en zayıf noktadır; bu da onu bir entegratörün farklılaşabileceği en hızlı yer yapar.
Adı verilmiş, sayısal bir vakayla öne çıkmak işi nasıl kazandırır?
Alıcının denetleyebileceği bir vakayla öne çıkın: belirli bir hat, belirli bir metrik, belirli bir sonuç. Teslim edilmiş bir kapak muayene hattında, bir edge-AI ünitesi; parça başına yaklaşık 30 ms’de kırık, kapatılmamış ve menteşesi hasarlı kapakları canlı reddederek %99,65 F1-skoru ve %0,69 yanlış-negatif oranına ulaştı. Bu cümle bir sayfa sıfattan daha fazlasını yapar çünkü her ögesi yanlışlanabilir. Bir alıcı F1’in ne ölçtüğünü, yanlış-negatif oranının neden önemli olduğunu ve hattın ne çalıştırdığını sorabilir. Bunlar istediğiniz sorulardır çünkü konuşmayı güvenden kanıta taşırlar.
Adente Vision, Aden Group bünyesindeki ADENTE Advanced Engineering Technologies tarafından geliştirilen ve otomasyon sistem entegratörleri üzerinden satılan bir edge-AI görsel muayene ünitesidir, dolayısıyla kanıt ihaleye taşımanız için sizindir. Açıklayamadığınız bir kara kutuyu yeniden satmıyorsunuz. Rakamın arkasındaki mekanizmayı adlandırabilirsiniz: model örnek görüntülerden hatasız bir parçayı öğrenir, sonra sapan her şeyi işaretler ve bunu cihaz üstünde yapar, böylece karar bir bulut gidiş dönüşü olmadan PLC’ye ulaşır. Önce rakam, sonra mekanizma ve alıcı takip eder.
Bir entegratör hangi bantta rekabet etmelidir?
Yerleşiklerin aramaya ve raf alanına zaten sahip olduğu genel "görüntü işleme" için rekabet etmeyin. Ürünün gerçekten önde olduğu dar, yüksek niyetli bantta rekabet edin: anomali tespiti, az örnekli (few-shot) ve nadir kusur, cihaz üstünde muayene. Kanıt güdümlü bir teklifin kazanmaya yeri olan yer burasıdır çünkü yerleşiklerin gücü, önceden kimsenin belirtmediği bir kusuru öğrenmek değil, kural tabanlı ölçümdür.
Az örnekli açı, aynı zamanda alıcının en büyük itirazını etkisiz kılan açıdır: veri. Çoğu kalite yöneticisi bir AI muayene projesinin, herhangi bir şey çalışmadan önce aylarca kusur görüntüsü toplama ve etiketleme anlamına geldiğini varsayar. Öyle olmak zorunda değil. Model yalnızca hatasız parçalar üzerinde, yani MVTec Anomali Tespiti veri kümesi gibi kamuya açık kıyaslamalarla ölçülen bir kurulumla eğitildiği için, başlamak için yaklaşık 20 hatasız referans görüntü yeterlidir ve yeni bir parça veya varyant, bir veri toplama projesi değil, kısa bir eğitim görevi hâline gelir. Bunu bir teklifte söyleyebildiğinizde, çoğu görü ihalesinin tıkandığı nedeni ortadan kaldırırsınız.
Kanıt güdümlü bir teklif belirsiz bir teklifin yanında nasıl görünür?
Fark satır satırdır: aynı iddia, bir sürüm desteklenmemiş ve bir sürüm denetlenebilir bir rakam veya adı verilmiş bir vakayla desteklenmiş. Kanıt güdümlü sütun, bir kalite yöneticisinin kendi yönetimine savunabileceği sütundur.
| Çoğu teklifteki belirsiz iddia | Bir entegratörün savunabileceği kanıt güdümlü sürüm | Kanıt güdümlü satır neden kazanır |
|---|---|---|
| "%99 doğru" | Teslim edilmiş bir kapak hattında %99,65 F1-skoru ve %0,69 yanlış-negatif oranı | Yalnızca gurur okşayanı değil, kaçışları yakalayan metriği adlandırır |
| "Güvenilir kusur tespiti" | Anomali modu, yaklaşık 20 hatasız görüntü üzerinde eğitilerek ilk kez görülen kusurları yakalar | Mekanizmayı ve küçük veri gereksinimini belirtir |
| "Hattınız için yeterince hızlı" | Teslim edilmiş bir kurulumda ölçülen, parça başına yaklaşık 30 ms | Alıcının sizi tutabileceği ölçülmüş bir saha sonucu |
| "Parça varyantlarınızı tanır" | Bir otomotiv OEM’inde 0,9 güvenin üzerinde sol ve sağ far ile tampon varyantları | Parça başına güven rakamıyla adı verilmiş bir sektör vakası |
| "Geleceğe hazır ve esnek" | Beş mod, Anomali ve Kusur Tespiti, Montaj ve Eksik Parça, Kod Okuma, Ölçüm ve Parça Tanıma; yeni bir varyant 48 saatten kısa sürede yeniden eğitilir | Bir sıfat değil, somut kabiliyet ve bir değişim süresi |
Yanlış-negatif oranı neden güveni inşa eden rakamdır?
Yanlış-negatif oranı, muayenecinin geçirdiği hatalı parçaların sayısıdır ve ciddi bir alıcının en çok güvendiği rakamdır çünkü zayıf bir tedarikçinin sakladığı rakamdır. Kaçırılan bir kusur pahalı arızadır: müşteriye ulaşır, bir iade veya geri çağırmayı tetikler ve aşırı reddedilmiş hatasız bir parçadan çok daha fazlasına mal olur. Gerçek bir hattan %0,69 yanlış-negatif oranıyla öne çıktığınızda, alıcıya demoyu okşayan metriği değil, gerçek riskine eşlenen metriği gösterirsiniz.
Yanlış-negatif oranını, ünitenin parça başına gösterdiği güven skoruyla eşleştirin ve alıcıya, bir kaçırmanın kendi maliyetine göre ayarlayabileceği bir kontrol verin. Sınırdaki bir parça, bir geçişe zorlanmak yerine manuel bir kontrole yönlendirilebilir ve çalışma noktası onların seçimidir. Bu metriğin manşet doğruluğundan neden daha önemli olduğuna dair tam argüman için, alıcıyı muayene metriği olarak yanlış-negatif oranı üzerine kardeş yazıya yönlendirin.
Teslim edilmiş bir hattı bir sonrakini kazanan bir referansa nasıl dönüştürürsünüz?
Çalışan tek bir kurulum bir broşürden daha değerlidir, dolayısıyla ilk teslim edilmiş hattı ilk günden bir referans varlığı olarak ele alın. O hattaki metriği, daha sonra teklif edeceğiniz şekilde yakalayın: F1-skoru, yanlış-negatif oranı, verim, çalıştırdığı parça. Mecburiyetten müşteriyi anonimleştirin, "önde gelen bir otomotiv OEM’i", "teslim edilmiş bir kapak hattı", ama rakamları koruyun çünkü referansı denetlenebilir yapan şey rakamlardır.
Ekonomi, referansları hızlı inşa etmenize yardımcı olur. Tek kişi tarafından yaklaşık 30 dakikada kurulan, 20 hatasız görüntüden eğitilen ve bir varyantı 48 saatten kısa sürede yeniden eğiten bir ünite, her yeni hattın aylar süren mühendislik eklemeden kanıt kütüphanenize eklenmesi demektir. Teslim edilmiş her hücre, bir sonraki ihale için adı verilmiş, sayısal vaka hâline gelir ve üç gerçek referansı olan entegratör, hâlâ sıfat satan entegratörü yener. O muayene kalemini sektörler genelinde nasıl paketleyeceğinizi görmek için, entegrasyon işinizi edge-AI muayeneyle farklılaştırma üzerine kardeş yazıyı okuyun, alıntılayabileceğiniz saha vakaları için uygulamalar sayfasına bakın ve arkalarındaki yöntem için AI görsel muayene üzerine ana kılavuza bakın.