Elektrik dağıtım şebekelerinde periyodik gözlem, arızayı oluşmadan yakalamanın en temel yoludur. Kırık izolatör, gevşemiş bağlantı, paslanmış travers ya da direğe yaslanmış bir ağaç dalı; hepsi bugün fark edilirse küçük bir bakım işi, fark edilmezse bir kesinti demektir. Drone'lar bu gözlemi hızlandırdı. Ancak sahada kazanılan zaman, çoğu kurumda ofiste fotoğraf incelemesine harcanan zamanla geri veriliyor.
Drone Gözleminin Görünmeyen Darboğazı
Bir hat güzergâhı boyunca yapılan tek bir uçuş, yüzlerce hatta binlerce fotoğraf üretir. Bu fotoğrafların her biri bir uzmanın gözünden geçmek zorundadır: Hangi direk? Hangi ekipman? Görüntüde bir sorun var mı? Varsa ne kadar acil?
Manuel incelemede bu soruların cevabı genellikle uzun klasör listelerinde, dosya adlarında ve not defterlerinde aranır. Uçuşun kendisi birkaç saat sürerken incelemenin günler alması şaşırtıcı değildir. Daha kötüsü, inceleme bittiğinde bulguların bakım sistemine yeniden elle girilmesi gerekir. Her elle aktarım, hem gecikme hem de hata riski demektir.
Fotoğraf ile Ekipman Arasındaki Kopukluk
Gözlemin asıl değeri, bulgunun doğru ekipmana bağlanmasıyla ortaya çıkar. "Bir izolatörde çatlak var" bilgisi tek başına yeterli değildir; hangi fiderde, hangi direkte, hangi ekipman kaydında olduğunu bilmeden iş emri açılamaz.
Saha pratiğinde fotoğraflar çoğu zaman konum bilgisi taşır, ama bu bilgi kurumsal varlık envanteriyle otomatik ilişkilendirilmez. Sonuç olarak inceleyen kişi, fotoğrafın hangi ekipmana ait olduğunu harita ile görüntüyü yan yana açarak çıkarmaya çalışır. Bir de tersi vardır: İş emrinde yer alan bazı ekipmanların hiç fotoğrafı çekilmemiş olabilir ve bu eksiklik ancak çok sonra fark edilir.
Yapay Zekâ Nerede Gerçekten Değer Katar?
Yapay zekâyı gözlem sürecine eklemek, mühendisi devreden çıkarmak anlamına gelmemelidir. Asıl kazanç, mühendisin dikkatini binlerce sorunsuz fotoğraftan alıp gerçekten bakılması gereken görüntülere yöneltmektir.
Bunun için birkaç koşul önemlidir:
- Güven eşiği: Model her tespiti bir güven skoru ile üretmeli, belirli eşiğin altında kalan zayıf tespitler mühendisin önüne hiç gelmemelidir.
- Kurumun kendi sınıflandırması: Modelin tanıdığı sınıfların kurumun bakım formundaki bulgu türlerine nasıl karşılık geldiği, kurum tarafından yönetilebilmelidir.
- İzlenebilirlik: Bir bulgunun hangi model versiyonuyla üretildiği her zaman bilinmelidir. Model güncellendiğinde eski bulguların kökeni kaybolmamalıdır.
Son madde sıklıkla göz ardı edilir. Oysa denetim ve kalite güvencesi açısından "Bu tespiti hangi model yaptı?" sorusu, "Bu tespiti kim onayladı?" sorusu kadar önemlidir.
Planlamadan Bakıma Kapalı Devre Bir Süreç
Verimli bir gözlem süreci uçuştan değil, iş emrinden başlar. İş emrindeki ekipman listesi biliniyorsa, uçuş görevi de bu listeden türetilebilir. Ardından süreç şu adımlarla ilerler:
- Görev planlanır ve uçuş yapılır.
- Fotoğraflar toplu olarak yüklenir; saha ekiplerinin tablet fotoğrafları da aynı havuza katılır.
- Her fotoğraf konum bilgisinden ilgili ekipmana bağlanır, fotoğrafı eksik ekipmanlar raporlanır.
- Yapay zekâ arka planda görüntüleri tarar, anomalileri bulgu havuzuna aktarır.
- Mühendis bulguları görselleriyle inceler, onaylar ya da reddeder.
- Onaylanan bulgu, mevcut bakım sürecine kendiliğinden akar.
Bu akışta insanın yeri değişmez; değişen, insanın zamanını nereye harcadığıdır.
Veri Güvenliği ve Kurum İçi Çalışma
Şebeke görüntüleri, kritik altyapıya dair hassas bilgiler içerir. Bu nedenle pek çok dağıtım şirketi, görüntülerin kurum dışındaki bir buluta gönderilmesine temkinli yaklaşır. Ayrıca bakım kayıtlarında yer alabilecek kişisel veriler, KVKK açısından ayrıca özen gerektirir. Gözlem platformu seçerken yapay zekânın nerede çalıştığı ve verinin kurum sınırları içinde kalıp kalmadığı mutlaka sorulması gereken sorulardır.
GEONIVA ile Gözlem Bakımı
GEONIVA, GeoEner ailesinin yapay zekâ destekli gözlem platformudur ve yukarıda anlatılan kapalı devreyi uçtan uca kurar. İş emrindeki ekipman listesinden tek tıkla drone uçuş görevi üretir; görev, yaygın uçuş planlama yazılımlarına aktarılabilen standart bir waypoint dosyası olarak dışa verilir ve rota deterministiktir.
Yüklenen fotoğraflar EXIF konumlarından CBS altyapısındaki en yakın şebeke ekipmanına otomatik eşlenir; kapsama kontrolü, iş emrinde fotoğrafı çekilmemiş ekipmanları gösterir. Yapay zekâ destekli anomali tespiti güven eşiğinin altındaki tespitleri eler, her bulguyu onu üreten model versiyonuyla ilişkilendirir. Model yaşam döngüsü Taslak → Test → Onaylı → Emekli adımlarıyla yönetilir ve tek tıkla geri alınabilir.
Mühendisin onayladığı bulgu bakım formundaki ilgili cevabı otomatik oluşturur; mevcut alarm ve iş emri mekanizmanız hiçbir değişiklik gerektirmeden devreye girer. Yapay zekâ kurum bünyesindeki GPU sunucularında çalışır, görüntüler dışarı çıkmaz; kişisel veriler otomatik maskelenir. Böylece gözlem bakımı, günler süren manuel incelemeden dakikalar süren bir onay akışına iner.
Sonuç: Drone'u Bakım Sürecinin Parçası Yapmak
Drone tek başına bir veri toplama aracıdır; değeri, topladığı verinin ne kadar hızlı ve güvenilir biçimde bakım kararına dönüştüğüyle ölçülür. Yapay zekâ, ekipman eşleme ve kayıt altındaki onay akışı bir araya geldiğinde gözlem, ayrı bir proje olmaktan çıkar ve bakım sürecinin doğal bir adımı hâline gelir.
Gözlem süreçlerinizi bu yaklaşımla nasıl yeniden kurgulayabileceğinizi görmek isterseniz, GEONIVA demosu için bizimle iletişime geçin.
