×

Elektrik Mühendisliği ve Yapay Zeka Bölüm-9


Elektrik Mühendisliği ve Yapay Zeka Bölüm-9
Elektrik Mühendisleri için AI Proje Şablonu: Gereksinimden Devreye Almaya

ETP Yapay Zeka Çalışma Grubu 
Sabri Günaydın 
 
[Yayım Tarihi: 20 Kasım 2026]


Giriş

Yapay Zekâ (AI) teknolojileri, elektrik mühendisliği projelerine entegre edildiğinde, geleneksel proje yönetim metodolojilerine ek olarak özel yaklaşımlar gerektirir. AI projeleri, belirsizlik, sürekli öğrenme, veri bağımlılığı ve etik/yasal uyumluluk gibi kendine özgü zorluklar barındırır. Bu nedenle, elektrik mühendislerinin AI projelerini gereksinimlerin belirlenmesinden sistemin devreye alınmasına kadar tüm yaşam döngüsü boyunca sistematik bir şekilde yönetmeleri için kapsamlı bir şablona ihtiyaçları vardır. Bu makale, önceki sekiz makalede ele alınan standartlar ve prensipler ışığında, elektrik mühendisleri için AI projelerini başarıyla yönetmeye yönelik pratik bir proje şablonu sunacaktır.

AI Proje Şablonu Yaşam Döngüsü Aşamaları

Bir AI projesi, genellikle aşağıdaki ana aşamalardan oluşur. Her aşamada, ilgili standartlar ve mühendislik prensipleri entegre edilmelidir.

1. Aşama: Keşif ve Gereksinim Analizi
Bu aşama, projenin temelini oluşturur ve AI uygulamasının iş hedefleri, kapsamı ve potansiyel faydaları belirlenir.

• İş Probleminin Tanımlanması: Hangi elektrik mühendisliği probleminin AI ile çözülmesi hedefleniyor? (Örn: Şebeke arızalarını tahmin etme, enerji tüketimini optimize etme, ekipman kestirimci bakımı).

• AI Uygulama Alanının Belirlenmesi: AI’nin bu problemi nasıl çözeceği (Örn: Makine öğrenmesi tabanlı sınıflandırma, regresyon, anomali tespiti).

• Gereksinimlerin Toplanması: Fonksiyonel ve fonksiyonel olmayan gereksinimler (performans, güvenilirlik, güvenlik, kullanılabilirlik) detaylandırılır.

• Paydaş Analizi: Projeden etkilenecek tüm paydaşlar (operatörler, bakım ekipleri, yöneticiler, düzenleyiciler) belirlenir ve beklentileri anlaşılır.

• Etik ve Yasal Değerlendirme: Potansiyel etik riskler ve yasal uyumluluk gereksinimleri (özellikle AB AI Act ve yüksek riskli sistemler için) önceden değerlendirilir.

• Standart Odak: ISO/IEC 22989:2022 (terminoloji) ve ISO/IEC 23053:2022 (AI sistem çerçevesi) kullanılarak ortak bir dil ve anlayış oluşturulur. ISO/IEC 42005:2025 (AI Sistem Etki Değerlendirmesi) ile potansiyel etkiler analiz edilir.

2. Aşama: Veri Toplama ve Hazırlık

AI projelerinin başarısı büyük ölçüde veriye bağlıdır. Bu aşamada, AI modelini eğitmek ve test etmek için gerekli veriler toplanır, temizlenir ve dönüştürülür.

• Veri Kaynaklarının Belirlenmesi: SCADA sistemleri, sensörler, tarihsel kayıtlar, hava durumu verileri vb.

• Veri Toplama Stratejisi: Veri toplama yöntemleri, frekansları ve depolama mekanizmaları belirlenir.

• Veri Kalitesi Değerlendirmesi: Toplanan verilerin doğruluğu, eksiksizliği, tutarlılığı ve güncelliği analiz edilir. Eksik veya hatalı veriler için stratejiler geliştirilir.

• Veri Temizleme ve Ön İşleme: Gürültülü verilerin filtrelenmesi, eksik değerlerin doldurulması, aykırı değerlerin işlenmesi, özellik mühendisliği.

• Veri Bölme: Eğitim, doğrulama ve test setlerinin oluşturulması.

• Standart Odak: ISO/IEC 5259 serisi (Veri Kalitesi) prensipleri uygulanarak Veri Kalitesi güvence altına alınır. IEC 61850 (Akıllı Şebekeler iletişimi) ve IEC 62351 (iletişim Siber Güvenliği) standartları, veri toplama altyapısının güvenliğini ve güvenilirliğini sağlar.

3. Aşama: Model Geliştirme ve Eğitim

Bu aşamada, toplanan ve hazırlanan veriler kullanılarak AI modeli tasarlanır, eğitilir ve optimize edilir.

• Model Seçimi: Problemin niteliğine uygun AI algoritması veya modeli seçilir (Örn: Destek vektör makineleri, sinir ağları, karar ağaçları).

• Model Eğitimi: Hazırlanan eğitim verileriyle model eğitilir.

• Model Optimizasyonu: Hiperparametre ayarı ve model performansının iyileştirilmesi.

• Model Doğrulama ve Test: Modelin genelleme yeteneği ve performans metrikleri (doğruluk, kesinlik, geri çağırma, F1 skoru vb.) test setleri üzerinde değerlendirilir.

• Açıklanabilirlik ve Yorumlanabilirlik: Modelin karar verme süreçlerinin anlaşılabilirliğini artırmak için yöntemler uygulanır (XAI).

• Standart Odak: ISO/IEC 23894:2023 (Risk Yönetimi) prensipleri doğrultusunda modelin potansiyel riskleri değerlendirilir. ISO/IEC TR 24029 (sinir ağlarının Sağlamlığı) ve ISO/IEC TS 8200 (otomatik AI sistemlerinin kontrol edilebilirliği) gibi standartlar, modelin Sağlamlığını (Robustness) ve güvenilirliğini artırmak için rehberlik eder.

4. Aşama: Entegrasyon ve Devreye Alma

Eğitilmiş ve doğrulanmış AI modeli, mevcut elektrik mühendisliği sistemlerine entegre edilir ve operasyonel ortama dağıtılır.

• Sistem Mimarisi Tasarımı: AI modelinin mevcut SCADA, DCS veya enerji yönetim sistemleriyle nasıl entegre edileceği planlanır.

• API Geliştirme: AI modeline erişim için gerekli arayüzler (API) oluşturulur.

• Dağıtım Stratejisi: Bulut tabanlı, kenar bilişim (edge computing) veya hibrit dağıtım modelleri belirlenir.

• Test ve Geçerleme: Entegre sistemin uçtan uca testleri yapılır ve operasyonel gereksinimleri karşıladığı doğrulanır.

• Kullanıcı Eğitimi: Sistemi kullanacak operatörlere ve bakım personeline eğitim verilir.

• Standart Odak: IEC 61508 (Fonksiyonel Güvenlik) ve IEC 61511 (proses endüstrisi için Fonksiyonel Güvenlik) standartları, AI destekli güvenlik kritik sistemlerin entegrasyonunda yol gösterir. IEC 62443 (endüstriyel Siber Güvenlik) ve IEC 62351 (güç sistemi iletişim Siber Güvenliği) standartları, entegre sistemin Siber Güvenliğini sağlar.

5. Aşama: İzleme, Bakım ve İyileştirme

AI projeleri, devreye alındıktan sonra sürekli izleme, bakım ve iyileştirme gerektirir. Model performansı zamanla düşebilir (model drift) veya yeni veri desenleri ortaya çıkabilir.

• Model Performans İzleme: AI modelinin gerçek zamanlı performansı (doğruluk, gecikme, güvenilirlik) sürekli olarak izlenir.

• Veri Kalitesi İzleme: Gelen verilerin kalitesi ve tutarlılığı düzenli olarak kontrol edilir.

• Model Yeniden Eğitimi: Model performansında düşüş veya yeni veri desenleri tespit edildiğinde, modelin yeniden eğitilmesi planlanır.

• Siber Güvenlik İzleme: Entegre sistemin siber güvenlik durumu sürekli izlenir ve potansiyel tehditlere karşı proaktif önlemler alınır.

• Geri Bildirim Mekanizmaları: Kullanıcılardan ve operasyonel ekiplerden geri bildirim toplanarak sistemin iyileştirilmesi için kullanılır.

• Dokümantasyon Güncelleme: Tüm proje dokümantasyonu (teknik dosya, risk değerlendirmeleri, test raporları) güncel tutulur.

• Standart Odak: ISO/IEC 42001:2023 (Yapay Zekâ Yönetim Sistemi) prensipleri doğrultusunda AI sisteminin yönetimi ve sürekli iyileştirilmesi sağlanır. IEC 62443 ve IEC 62351, operasyonel Siber Güvenlik izlemesi için rehberlik eder.


Elektrik Mühendisleri için Proje Kontrol Listesi
 
AşamaYapılacaklarİlgili StandartlarKontrolDurum
1. Keşif ve Gereksinim Analiziİş problemini tanımlaISO/IEC 22989, ISO/IEC 23053Tamamlandı[]
AI uygulama alanını belirleISO/IEC 42005:2025 (AI Sistem Etki Değerlendirmesi)Tamamlandı[]
Fonksiyonel/fonksiyonel olmayan gereksinimleri toplaTamamlandı[]
Paydaş analizi yapTamamlandı[]
Etik ve yasal değerlendirme yapAB AI ActTamamlandı[]
2. Veri Toplama ve HazırlıkVeri kaynaklarını belirleIEC 61850, IEC 62351Tamamlandı[]
Veri toplama stratejisi oluşturTamamlandı[]
Veri kalitesi değerlendirmesi yapISO/IEC 5259 serisiTamamlandı[]
Veri temizleme ve ön işleme yapTamamlandı[]
Veri setlerini böl (eğitim, test, doğrulama)Tamamlandı[]
3. Model Geliştirme ve EğitimUygun AI modelini seçISO/IEC TR 24029, ISO/IEC TS 8200Tamamlandı[]
Modeli eğit ve optimize etTamamlandı[]
Model performansını doğrula ve test etISO/IEC 23894Tamamlandı[]
Modelin açıklanabilirliğini sağla (XAI)Tamamlandı[]
4. Entegrasyon ve Devreye AlmaSistem mimarisini tasarlaIEC 61508, IEC 61511Tamamlandı[]
API geliştirIEC 62443, IEC 62351Tamamlandı[]
Dağıtım stratejisini belirleTamamlandı[]
Entegre sistemi test et ve geçerleTamamlandı[]
Kullanıcı eğitimi verTamamlandı[]
5. İzleme, Bakım ve İyileştirmeModel performansını izleISO/IEC 42001Tamamlandı[]
Veri kalitesini izleTamamlandı[]
Modeli yeniden eğit (gerektiğinde)Tamamlandı[]
Siber güvenliği izleIEC 62443, IEC 62351Tamamlandı[]
Geri bildirim mekanizmalarını kullanTamamlandı[]
Dokümantasyonu güncelleAB AI ActTamamlandı[]

Mühendislik Notu
Bu proje şablonu, elektrik mühendisliği projelerinde AI entegrasyonunun karmaşıklığını yönetmek için bir yol haritası sunar. Her aşamada standartlara uygunluk, risk yönetimi ve sürekli iyileştirme prensipleri göz önünde bulundurulmalıdır. Özellikle, AI projelerinin iteratif doğası nedeniyle, bu aşamalar arasında geri dönüşler ve sürekli adaptasyon gerekebilir. Şablon, bir başlangıç noktası olup, projenin özel gereksinimlerine ve ölçeğine göre uyarlanmalıdır. Başarılı bir AI projesi, sadece teknik yeterlilikle değil, aynı zamanda sağlam bir mühendislik disiplini ve standartlara uygunlukla mümkündür.

Standart Odak Noktası
Bu proje şablonu, önceki makalelerde detaylandırılan tüm IEC, ISO/IEC ve EN standartlarını, AI proje yaşam döngüsünün farklı aşamalarına entegre eder. ISO/IEC 42001:2023 (Yapay Zekâ Yönetim Sistemi) genel yönetişim çerçevesini sağlarken, ISO/IEC 23894:2023 (Risk Yönetimi) ve ISO/IEC 5259 serisi (Veri Kalitesi) gibi standartlar spesifik teknik gereksinimleri karşılar. IEC 61508 (Fonksiyonel Güvenlik), IEC 62443 (Endüstriyel Siber Güvenlik) ve IEC 61850 (Akıllı Şebekeler iletişimi) gibi sektöre özgü standartlar ise elektrik mühendisliği uygulamalarının güvenliğini ve güvenilirliğini temin eder. AB AI Act ve Harmonize Standartlar, özellikle Avrupa pazarında uyumluluk için kritik bir katman ekler.

Saha Uygulaması

Büyük bir endüstriyel tesiste, enerji tüketimini optimize etmek için AI tabanlı bir enerji yönetim sistemi (EMS) projesi başlatıldığını varsayalım. Bu proje şablonu, aşağıdaki gibi uygulanabilir:

1.    Keşif: Tesisin enerji tüketim profili analiz edilir, optimizasyon hedefleri (örneğin, %10 enerji tasarrufu) belirlenir. ISO/IEC 22989:2022 ile AI terimleri netleştirilir.

2.    Veri Toplama: Tesisin elektrik sayaçlarından, üretim hatlarından, HVAC sistemlerinden ve hava durumu sensörlerinden tarihsel ve gerçek zamanlı veriler toplanır. ISO/IEC 5259 serisi ile Veri Kalitesi kontrol edilir.

3.    Model Geliştirme: Enerji tüketimini tahmin eden ve optimizasyon kararları üreten bir derin öğrenme modeli geliştirilir. ISO/IEC 23894:2023 ile modelin potansiyel riskleri (örneğin, yanlış optimizasyon kararları nedeniyle üretim kesintisi) değerlendirilir.

4.    Entegrasyon: AI tabanlı EMS, tesisin mevcut SCADA ve PLC sistemleriyle entegre edilir. IEC 61508 ve IEC 62443 standartları, entegrasyonun Fonksiyonel Güvenliğini ve Siber Güvenliğini sağlar.

5.    İzleme: Sistem devreye alındıktan sonra, enerji tüketimi, AI modelinin performansı ve siber güvenlik durumu sürekli izlenir. ISO/IEC 42001:2023 ile sistemin yönetimi ve sürekli iyileştirilmesi sağlanır.

Bu şablon, projenin her aşamasında sistematik bir yaklaşım benimsenmesini ve ilgili standartlara uyumun sağlanmasını kolaylaştırır.

Sonuç

Elektrik mühendisliğinde yapay zekâ projeleri, disiplinler arası bir yaklaşım ve sağlam bir proje yönetim metodolojisi gerektirir. Bu makalede sunulan proje şablonu, gereksinim analizinden devreye almaya kadar tüm yaşam döngüsü boyunca elektrik mühendislerine rehberlik etmeyi amaçlamaktadır. IEC, ISO/IEC ve EN standartlarının her aşamaya entegre edilmesi, AI destekli sistemlerin güvenilir, emniyetli, siber güvenli ve yasalara uygun bir şekilde geliştirilmesini sağlar. Bu şablonu benimseyen mühendisler, AI teknolojilerinin sunduğu yenilikçi çözümleri, mühendislik disiplini ve standartlara uygunlukla birleştirerek başarılı projelere imza atabilirler.


Kaynaklar:

[1] IEC. (n.d.). Artificial intelligence. Retrieved from https://iec.ch/ai
[2] ISO/IEC. (2022). ISO/IEC 22989:2022 - Information technology — Artificial intelligence — Artificial intelligence concepts and terminology. Retrieved from https://www.iso.org/standard/74521.html
[3] ISO/IEC. (2022). ISO/IEC 23053:2022 - Information technology — Artificial intelligence — Framework for Artificial Intelligence (AI) systems. Retrieved from https://www.iso.org/standard/74522.html
[4] ISO/IEC. (2024). ISO/IEC 5259-1:2024 - Information technology — Artificial intelligence — Data quality for analytics and machine learning (ML) — Part 1: Overview, terminology and examples. Retrieved from https://www.iso.org/standard/83013.html
[5] ISO/IEC. (2024). ISO/IEC 5259-2:2024 - Information technology — Artificial intelligence — Data quality for analytics and machine learning (ML) — Part 2: Data quality measures. Retrieved from https://www.iso.org/standard/83014.html
[6] ISO/IEC. (2024). ISO/IEC 5259-3:2024 - Information technology — Artificial intelligence — Data quality for analytics and machine learning (ML) — Part 3: Data quality management requirements and guidelines. Retrieved from https://www.iso.org/standard/83015.html
[7] ISO/IEC. (2024). ISO/IEC 5259-4:2024 - Information technology — Artificial intelligence — Data quality for analytics and machine learning (ML) — Part 4: Data quality process framework. Retrieved from https://www.iso.org/standard/83016.html
[8] IEC. (n.d.). IEC 61850. Retrieved from https://www.iec.ch/taxonomy/term/777
[9] IEC. (n.d.). IEC 62351 for the cybersecurity of IEC 61850 substations and…. Retrieved from https://www.youtube.com/watch?v=xDisBKnYYOQ
[10] ISA. (n.d.). ISA/IEC 62443 Series of Standards. Retrieved from https://www.isa.org/standards-and-publications/isa-standards/isa-iec-62443-series-of-standards
[11] IEC. (n.d.). Safety and functional safety. Retrieved from https://www.iec.ch/functional-safety
[12] IEC. (n.d.). IEC 61508. Retrieved from https://webstore.iec.ch/publication/22273
[13] ISO/IEC. (2021). ISO/IEC TR 24029-1:2021 - Artificial Intelligence (AI) — Assessment of the robustness of neural networks — Part 1: Overview. Retrieved from https://www.iso.org/standard/77609.html
[14] ISO/IEC. (2024). ISO/IEC TS 8200:2024 - Information technology — Artificial intelligence — Controllability of automated AI systems. Retrieved from https://www.iso.org/standard/83012.html
[15] IEC. (n.d.). IEC 61511. Retrieved from https://webstore.iec.ch/publication/5510
[16] European Commission. (n.d.). Understanding the standardisation of the AI Act. Retrieved from https://digital-strategy.ec.europa.eu/en/faqs/understanding-standardisation-ai-act
[17] CEN-CENELEC. (n.d.). CEN-CENELEC JTC 21. Retrieved from https://jtc21.eu/
[18] ISO/IEC. (2023). ISO/IEC 23894:2023 - Information technology — Artificial intelligence — Guidance on risk management. Retrieved from https://www.iso.org/standard/77437.html
[19] ISO/IEC. (2025). ISO/IEC 42005:2025 - Information technology — Artificial intelligence (AI) — AI system impact assessment. (Under development)
[20] ISO/IEC. (2023). ISO/IEC 42001:2023 - Information technology — Artificial intelligence — Management system. Retrieved from https://www.iso.org/standard/42001
[21] ISO/IEC. (2025). ISO/IEC 42006:2025 - Information technology — Artificial intelligence — Requirements for bodies providing audit and certification of artificial intelligence management systems. (Under development)
[22] ISO/IEC. (2022). ISO/IEC 38507:2022 - Information technology — Governance of IT — Governance implications of the use of artificial intelligence by organizations. Retrieved from https://www.iso.org/standard/74523.html
Paylaş:
E-BÜLTEN KAYIT
Güncel makalelerimizden haberdar olmak için e-bültene kayıt olun!
Sosyal Medyada Bizi Takip Edin!
E-Bülten Kayıt