Niobia, çip ve batarya üretimindeki hataları daha erken bulmak için üretim ekipmanlarına yerleşen yapay zekâ araçları geliştiriyor. San Francisco merkezli girişim, TechCrunch Disrupt 2026’daki tanıtımı öncesinde yaklaşımını anlattı. Şirket, mühendislerin günler süren hata araştırmalarını daha kısa sürede tamamlamasını hedefliyor.
Kurucular Gaurav Jha ve Harveen Kaur, kimya alanındaki doktoralarının yanı sıra çip ve batarya üretiminde çalışma deneyimine sahip. Jha, TechCrunch’a yaptığı açıklamada üretim hattındaki araçların küçük çizikler gibi kusurları aradığını belirtiyor. GPU tabanlı yerel birimler, ekipmanın üzerinde sensör benzeri bir görev üstleniyor.
Bunun yanı sıra sistem, farklı üretim verilerini bir araya getirerek mühendislerin sohbet arayüzünden soru sormasını sağlıyor. Amaç, bir kusuru görmekle yetinmeyip olası nedenini de araştırmak. Ne var ki girişimin bugün sunduğu yaklaşım, insan mühendislerin süreci değerlendirmesini gerektiriyor. Tamamen kendi kendine çalışan fabrika ise şirketin ileriye dönük hedefleri arasında yer alıyor.
İLGİNİZİ ÇEKEBİLİR
Google Play, kendi yaptığınız Android uygulamalarını geliştirici hesabı olmadan çalıştırıyor
Xbox Labs kuruldu, eski oyunların yeni cihazlara taşınmasını araştıracak
Satellites on Fire yangın izleme sistemiyle Earthshot finaline girdi
Microsoft Maia 300 ile yapay zeka performansını 7 kat artırıyor
Microsoft Başkanı Brad Smith uyardı: Yapay zeka, çamaşır makinesinden bile daha az denetleniyor
Jha, müşterilerin hassas üretim bilgilerinin genel kullanıma açık yapay zekâ bulutlarına gitmesini istemediğini söylüyor. Niobia bu nedenle açık kaynaklı modelleri kendi alan verileriyle eğitiyor. Şirket, müşterilerin kendi şifreleme anahtarlarını tutabildiğini de belirtiyor. Böylelikle üretim bilgisini analiz etme ihtiyacıyla verinin kontrolünü koruma beklentisini birlikte ele alıyor.
Niobia, hata tespitiyle mühendis onayını aynı sürece bağlıyor
Niobia’nın resmî ürün açıklaması, çözümü Lab OS, yönetilen veri tabanı ve Edge AI olmak üzere üç bileşenle tanımlıyor. Lab OS, deney planlamasını, üretim adımlarını ve sonuç analizini bir araya getiriyor. Veri tabanı bileşeni ise cihazlardan, üretim sistemlerinden ve belgelerden gelen kayıtları topluyor. Ürün, bir partinin geçmişini ve geçtiği aşamaları birlikte izlemeyi amaçlıyor. Bu kayıtlar, mühendislerin hatalı sonucun arkasındaki malzeme veya işlem adımını araştırmasına yardımcı oluyor.
Günün Öne Çıkan Fırsatları
REKLAM — Bu içerikte satış ortaklığı bağlantıları bulunmaktadır. Bu bağlantılar üzerinden yapılan alışverişlerden Teknoblog komisyon kazanabilir.
Edge AI, test ve ölçüm ekipmanlarının yanında çalışıyor. Şirket, bu birimin kurumun güvenlik duvarı içinde ve internet bağlantısı gerektirmeden analiz yapabildiğini belirtiyor. Sistem, üretim işaretlerindeki sapmaları takip ediyor ve olası nedenleri açıklıyor. Önerdiği düzeltmeyi ekipmana uygulamadan önce mühendis onayı alıyor. Dolayısıyla hata tespitiyle üretim parametresini değiştirme adımı arasında açık bir insan kontrolü bulunuyor.
Öte yandan Niobia, hataları 50 kat daha hızlı çözme iddiası sunuyor. Bu sayı, şirketin ürün açıklamasına dayanıyor ve her fabrika için bağımsız biçimde doğrulanmış ortak bir sonuç oluşturmuyor. Okur açısından daha somut değişim, üretim verisinin ekipman yakınında analiz edilmesi ve geçmiş hataların yeniden araştırılabilir hâle gelmesi. Bir çizikle o çizginin oluşma nedenini ayırt etmek, sistemin gerçek katkısını değerlendirmede belirleyici olacak.
