Nebulons AI Optimum v1: Fabrika Arızasını 10 Dakika Önceden Okuyan Endüstriyel Sinir Ağı

2026’da yapay zekâ gündemi çoğunlukla sohbet modelleri ve benchmark manşetleriyle doluyor. Oysa fabrikada asıl soru farklı: Makine bozulmadan önce kim, hangi sinyalle, ne kadar erken uyarı verecek? İstanbul merkezli Nebulons AI, bu soruya Cranc ürün ailesinin kalbi olan Optimum v1 ile cevap veriyor. Şirketin kamuya açık teknik dokümantasyonuna ve kurucu–baş geliştirici Berat Güner ile yaptığımız söyleşiye göre Optimum; tek eşik alarmı değil, zaman serisi üzerinden makine davranışını okuyan endüstriyel bir karar ağı.

Resmî ürün sayfası: nebulonsai.com/cranc/optimum-v1

Optimum v1 nedir, ne değildir?

Optimum v1, Cranc için geliştirilmiş endüstriyel sinir modelidir. Amacı:

• makine davranışını zaman içinde okumak
• bozulmayı bariz hale gelmeden erken fark etmek
• operatöre kısa, anlaşılır gerekçe sunmak
• güvenlik kararını sinir ağına bırakmak yerine deterministik güvenlik mantığıyla birlikte çalışmak

Teknik konumlandırma net: Optimum bir genel amaçlı dil modeli (LLM) değildir. Sohbet etmek için değil; telemetri, makine durumu, aksiyon bağlamı ve isteğe bağlı çok modlu bağlamı bir dizi olarak okuyup karar üretmek için tasarlandı.

Nebulons AI’nin tanımına göre çekirdek, yaklaşık 50 milyon parametreli, kompakt ve Decision Transformer tarzı multimodal bir endüstriyel ağdır. Transformer omurgası üzerinde ayrı “kafalar” (heads) bulunur:

• aksiyon önerisi
• sonuç / duruş riski
• sağlık sınıflandırması
• gerekçe sınıfı tahmini
• operatöre dönük kısa açıklama sinyalleri

Bu mimari, Optimum’u “tek sensör sınıflandırıcısı”ndan ayırır; onu endüstriyel dizi karar modeline yaklaştırır.

Neden klasik eşik alarmı yetmiyor?

Fabrikalarda en bilinen yaklaşım hâlâ şu: sıcaklık X’i aşarsa alarm, titreşim Y’yi geçerse stop. Güner, WebTuring’e bunu “gerekli ama yetersiz” diye özetliyor:

“Endüstriyel arıza çoğu zaman bir nokta değil, bir şekildir. Makine bir saniye ‘normal’ görünebilir; daha uzun pencerede bakınca yörünge çoktan sapmaya başlamıştır. Optimum’u satır satır sınıflandırıcı gibi değil, diziyi okuyan bir model olarak kurduk. Akım yükten hızlı mı yükseliyor, titreşim yüke göre mi değişiyor, termal davranış proses fazıyla uyumlu mu, akustik imza baselinden sapıyor mu, kalite sinyali bozulmaya mı başladı — asıl hikâye bu ilişkilerde.”

Bu yüzden eğitim ve çıkarımda sinyal aileleri geniş tutulmuş:

• elektrik gücü, gerilim düşümü, faz dengesizliği, aktif/reaktif güç, motor akımı
• mekanik yük, tork, kesme kuvveti
• hidrolik ve soğutma basıncı, debi
• rulman/mil sıcaklığı, termal kayma
• titreşim RMS, tepe benzeri davranış, akustik emisyon
• çevrim süresi, hurda oranı, yüzey pürüzlülüğü, boyutsal hata
• alarm durumu, operatör aksiyonu, bakım zamanlaması, makine yaşam döngüsü bağlamı

CNC burada güçlü bir deneme sahası; ama mimari yalnızca CNC sınıflandırıcısı olarak kilitlenmemiş. Aynı omurga, zaman serisi üreten farklı endüstriyel makinelerde de genelleşecek şekilde kurgulanmış.

Teknik omurga: Decision Transformer + çok başlı karar katmanı

Optimum v1’in çekirdek fikri, transformer’ın “izole satır” yerine sekans okumasıdır. Girdi tarafında telemetri token’ları, makine-durum token’ları, son aksiyon bağlamı, return-to-go tarzı işletme hedefleri, zaman adımı gömütleri ve isteğe bağlı metin/görüntü/ses türevi bağlam bir araya gelir. Ortak dizi temsili üzerinde dikkat (attention) mekanizması, “şu anki karar için geçmişte hangi anlar önemli?” sorusunu öğrenir.

Güner teknik seçimi şöyle gerekçelendiriyor:

“Fabrika telemetrisi sohbet metni değildir. Sürekli fiziksel bir dizidir. Genel bir dil modeline ‘bakım yorumu yazdırabilirsiniz’; ama çekirdek tanıma katmanı sıcaklığı, titreşimi, yükü, akımı, basıncı ve makineye özel baseline’ı yapılandırılmış sinyal olarak okumalı. Bu yüzden Optimum’da transformer tabanlı bir dizi katmanı var: bugünü yakın geçmişle karşılaştırır, yörüngedeki küçük bükülmeleri arar ve bir makinede normal olanın başka makinede tehlikeli olabileceğini ayırt etmeye çalışır.”

Çok görevli (multi-task) kayıp yapısı da bilinçli: sağlık sınıflandırması, duruş riski, aksiyon ve gerekçe aynı omurgayı paylaşır. Endüstriyel veride arıza örnekleri seyrektir; paylaşılan temsil, bol normal işletme verisinden öğrenilen desenleri nadir arıza senaryolarına taşımayı hedefler.

Decadapter: sinir ağı tek başına “hakem” değil

Optimum’un en kritik mühendislik tercihlerinden biri Decadapter adlı deterministik yorumlama ve interlock katmanı. Sinir ağı ince desenleri yakalayabilir; sabit güvenlik katmanı ise modelin belirsiz kaldığı bariz fiziksel sınırları tutar.

Güner:

“İç değerlendirmelerde, özellikle dağılım dışı titreşim dosyalarında hibrit tasarım fark yarattı. Saf sinir ağı bazen aşırı temkinli ya da aşırı tetikte kalabiliyor. Deterministik katman, gerçek fiziksel şok eşiği görünmeden gereksiz stop’ları engelledi. Üretimde pratik olan şey şu: yalnızca model güvenine yaslanmamak. Cranc’te gözlem, bellek, model güncellemesi, doğrulama ve yayın adımlarını bilerek ayırdık.”

Bu yaklaşım, operatör güveni açısından da önemli. Onlarca yıldır eşikle çalışan ekipler maksimum sıcaklık, minimum basınç, titreşim tavanı gibi fiziksel limitleri anlar. Decadapter bu dili korurken, Optimum eşiklerin kaçırdığı yavaş bozulma yörüngelerini tamamlar.

Eğitim programı ve veri disiplini

Optimum, tek seferlik “dosyayı modele bas” yaklaşımıyla değil; kademeli endüstriyel öğrenme programıyla eğitilmiş. Corpus’ta yoğun makine zaman serileri, sentetik ve gerçek dünya ilhamlı CNC dizileri, dakika düzeyinde makine geçmişleri, genel mekanik arıza kayıtları, elektrik güç desenleri, soğutma/basınç-debi vakaları, termal ve rulman senaryoları, titreşim-akustik imzalar, kalite sonuçları, operatör onay izleri, bakım yaşam döngüsü kayıtları ve “neden bu karar?” diyen gerekçe alanları yer alıyor.

Nebulons’un anlatımına göre veri hazırlık akışları, korpus büyüdükçe milyon–milyar ölçekli endüstriyel zaman serisi kaydına çıkacak şekilde kurgulanmış. Eğitim yaklaşık iki aylık bir çevrimle; format normalizasyonu, temiz koşu / arızalı koşu testleri, güvenlik katmanı ayarı, gecikme doğrulaması ve erken uyarı davranışının mühendislik kontrolleriyle karşılaştırılmasını da kapsıyor.

Güner, “aktif öğrenme” konusuna da temkinli yaklaşıyor:

“Bir fabrikada küresel olarak ‘garip’ görünen bir değer, o varlık için normal olabilir. Cranc kiracıya/makineye özel bağlam tutabilir. Ama güncellemeler kapısız olmamalı: tenant veya makine bazında izole, doğrulama setine karşı test, ancak davranış iyileşiyorsa yayın. Aksi halde ‘yerel uyum’ diye genel yeteneği bozarsınız.”

Kontrollü fabrika simülasyonu: sayılar ne diyor?

Nebulons, Optimum v1 için son kontrollü Cranc değerlendirme koşusunu yayımladı. Bu üçüncü taraf genel LLM benchmark’ı değil; sağlıklı üretimde stabil kalıp kalmadığı, gizli bozulmayı ne kadar erken gördüğü ve gecikmenin endüstriyel izlemeye yetip yetmediği ölçülmüş:

Değerlendirme alanı	Ölçülen sonuç	Anlamı
%100 sağlıklı durum geçişi	Stabil pencerede kritik uyarı yok	Gürültüyü üretim bozan alarma çevirmemiş
Görünür arızadan önce risk	Simüle stop penceresinden ~10 dk önce	Dizi öğrenmenin pratik değeri
Kritik faz onayı	Şok düzeyi sinyaller hizalanınca anında teyit	Titreşim, akustik, termal, yük ve sarsıntı birleşince ciddiyet artıyor
Temiz baseline’da kritik stop	0	Aşırı alarm disiplini
Ortalama yanıt	~39,4 ms (tek istek ONNX yolu)	Yüksek frekanslı izleme ve operatör asistansı için uygun
Telemetri + ses uyumu	Arıza büyürken doğrulandı	Optimum-Sound, normal makine sesini öğrenip sapmada destek veriyor

Güner’in vurgusu skor değil zaman disiplini:

“Tek yüzde skoru peşinde koşmadık. Bakım ekibine kullanılabilir bir pencere açacak kadar erken, her gürültülü örneği kritik alarma çevirmeyecek kadar kontrollü olmak istedik. Edge’de de işe yaraması için kuantizasyon-farkında eğitim, budama ve ONNX optimizasyonuyla sub-40 ms bandını hedefledik.”

Cranc ürün tarafında ayrıca “24 saate varan öngörü penceresi”, 10+ endüstriyel bağlayıcı (OPC UA, MQTT, Modbus TCP, SCADA vb.) ve ~20 ms sinyal-içgörü gecikmesi gibi sistem iddiaları da yer alıyor. Bunlar ürün ailesinin vaat katmanı; Optimum v1 ise bu yüzeyin nöral karar çekirdeği.

Kurucu ve Baş Geliştirici Berat Güner: “Amaç sihir değil, operasyonel zekâ”

Berat Güner, LinkedIn profilinde Nebulons AI’yi 2024’te uzun vadeli teknik yetenek etrafında kurulmuş bir araştırma ve ürün girişimi olarak konumlandırıyor. WebTuring’e model felsefesini şöyle çerçeveledi:

“Optimum’u ‘her fabrikada her arızayı garanti eder’ diye satmıyoruz. Doğru endüstriyel iddia daha disiplinli: işletme zarfını öğrenir, çok sinyal ailesinde değişimi yakalar, erken uyarı kanıtını yüzeye çıkarır, operatöre karar yardımı verir ve bakım incelemesini hızlandırır. Değer, yeterli tarihsel ve canlı veri ile shadow mode → advisory mode → derin entegrasyon yolunda çıkar.”

Gerekçe üretimi de LLM sohbeti taklidi değil:

“Modelin ‘edebiyat yazmasını’ istemedik. Kompakt operasyonel açıklama istedik: titreşim öğrenilen zarfın üstüne mi çıkıyor, soğutma debisi sıcaklıkla tutarsız mı, takım aşınması mı oluşuyor, makineye özel baseline mı normal diyor, kapanma riski mi gözden geçirilmeli. Cranc bunu operatör diline çevirir; iç etiketleri ifşa etmeden.”

Uzun vadeli rota ise multimodal endüstriyel zekâ: telemetri temel, üzerine görüntü, 3B dijital ikiz, ses, operatör notları, kalite raporları ve bakım formları. Optimum v1 bu yolun çekirdek karar katmanı olarak konumlanıyor.

Rakipler ve gerçekçi okuma

Piyasada “predictive maintenance” ve IIoT panoları bol. Optimum’un fark iddiası üç noktada toplanıyor:

1. Nokta eşiği değil yörünge — Decision Transformer tarzı dizi okuma
2. Açıklanabilir karar — operatöre gerekçe sinyali
3. Güvenlik ayrımı — Decadapter ile deterministik sınırlar

Gerçekçi sınırlar da var: her fabrikada sihirli başarı yok; veri kalitesi, connector disiplini, shadow/advisory doğrulama ve saha mühendisliği olmadan nöral model tek başına “bakım devrimi” yaratmaz. Nebulons’un kendi metni de bunu abartmıyor: en güçlü değer, yeterli geçmiş + canlı veri ve sorumlu yayında ortaya çıkar.

Sonuç

Nebulons AI Optimum v1, sohbet çağının gürültüsünden uzak, fabrikaya özel bir bahis: ~50M parametreli kompakt Decision Transformer omurgası, çok sinyal ailesi, ~10 dakikalık erken risk penceresi (kontrollü simülasyonda), ~39 ms ONNX çıkarımı ve Decadapter güvenlik katmanı. Kurucu ve baş geliştirici Berat Güner’in çizdiği çerçeve net — amaç “her şeyi bilen genel model” değil; makineyi zamanla anlayan, gerekçeli ve güvenlikle hizalı karar destek katmanı.

Cranc + Optimum hattı, Türkiye’den çıkan endüstriyel yapay zekâ ürünlerinin “sadece dashboard” seviyesinde kalmak zorunda olmadığını gösteriyor. Asıl sınav laboratuvar slaytında değil; gerçek vardiyada, gerçek gürültüde ve gerçek bakım takviminde yazılacak.