Shell, kestirimci bakım tarafında kullandığı C3 AI altyapısını bir üst seviyeye taşıyarak, temel anomali tespitinden daha kapsamlı ve daha otonom bir işleyişe geçiyor. Şirketin hedefi, bugün halihazırda yukarı akış ve aşağı akış operasyonlarında 30.000’den fazla kritik ekipmanı izleyen C3 AI Reliability Suite üzerine yeni nesil AI ajanları eklemek. Bu ajanlar yalnızca arıza sinyallerini işaretlemekle kalmayacak; uyarının neden oluştuğunu araştıracak, gerekli bakım iş emirlerini hazırlayacak, parça durumunu kontrol edecek ve ihtiyaç halinde tedarik süreçlerini başlatabilecek.
Buradaki değişimin merkezinde, klasik kestirimci bakım sistemlerinin sık karşılaşılan sınırı yer alıyor. Pek çok endüstriyel işletme sensör verilerinden bir ekipmanda olağandışı davranışları tespit edebiliyor, ancak bu öngörüyü hızlı ve düzenli aksiyona dönüştürmek hâlâ önemli ölçüde insan müdahalesi gerektiriyor. Mühendislerin uyarıları incelemesi, kök nedeni araştırması, bakım planı oluşturması ve iş emri açması zaman alıyor. Shell’in genişlettiği yapı ise bu “son kilometre” olarak tanımlanabilecek kısmı otomasyona devretmeyi amaçlıyor.
İlk aşamada kullanılan makine öğrenimi modelleri, sensör akışlarında normal çalışma davranışından sapmaları tespit etmek için devreye alındı. Sistem, yüksek frekanslı gerçek zamanlı operasyon teknolojisi verilerini alıyor ve bunları SAP gibi ERP platformlarından gelen kurumsal bağlamla birleştiriyor. Böylece yalnızca bir sıcaklık, basınç ya da titreşim anomalisine bakmak yerine, bakım geçmişi, parça kayıtları ve operasyonel koşullar da değerlendirmeye katılıyor. Bu yaklaşım, pompalar, türbinler ve kompresörler gibi ekipmanlar için normal çalışma taban çizgisinin daha doğru tanımlanmasına yardımcı oluyor.
Yeni eklenen ajan katmanı ise bu temelin üstüne yerleşiyor. Operatörler, belirli bir ekipman için kullanılacak ajanın hedeflerini ve hangi tür yanıtları verebileceğini tanımlıyor. Temel makine öğrenimi modeli normal dışı bir durum algıladığında ilgili ajan devreye giriyor ve olayın tüm bağlamını topluyor. Bu bağlamın içinde yakın dönem bakım geçmişi, çevresel koşullar ve sürecin yukarı akış değişkenleri gibi veriler bulunabiliyor. Amaç, tek bir alarmı izole şekilde değerlendirmek yerine, arızaya giden zincirin neden oluştuğunu daha net anlamak.
Sistemin öne çıkan tarafı, uyarı üretmekle yetinmemesi. Ajan, alarmın neden tetiklendiğini bağımsız biçimde inceleyip kök neden analizi yapabiliyor. Ardından elde ettiği bulgulara dayanarak uygun bir çözüm önerisi hazırlıyor. Bir sonraki adımda iş emri taslağı oluşturuluyor, gerekli parçaların stokta olup olmadığı kontrol ediliyor ve parça eksikse tedarik talebi üretilebiliyor. Bu süreç, bakım planlamacıları ve saha ekiplerinin kullandığı mevcut iş akışlarıyla aynı sistemler içinde ilerlediği için, operasyonel anlamda mevcut yapının tamamen dışına çıkan bir model kurulmuş olmuyor.
Özellikle SAP gibi kurumsal sistemlerle doğrudan entegrasyon burada kritik rol oynuyor. Çünkü bakım sürecinin gerçek dünyada işe yaraması için tahmin modelinin doğru olması kadar, oluşturulan aksiyonun işletmenin kullandığı planlama ve kayıt altyapısına sorunsuz oturması da gerekiyor. Shell’in yaklaşımı, AI ajanlarını mevcut insan iş akışlarının dışına koymak yerine, aynı süreçlerin içine yerleştiriyor. Böylece operatörler gerekli gördüklerinde önerilen planı onaylayabiliyor ya da geçersiz kılabiliyor. Sistem zaman içinde güven kazandıkça, belirli alarm türlerinde tam otomatik yanıt senaryoları da devreye alınabiliyor.
Bu dönüşümün en önemli sonucu, tahmin edilen bir arıza ile gerçek müdahale arasındaki sürenin kısalması olarak öne çıkıyor. Geleneksel yaklaşımda arızanın yaklaştığı öngörülse bile, inceleme ve iş emri hazırlama aşamaları gecikmeye yol açabiliyor. AI ajanları kök neden analizi ve iş emri üretimini üstlendiğinde bu gecikme azalıyor. Bunun doğrudan karşılığı ise daha yüksek ekipman erişilebilirliği ve üretim sürekliliği oluyor. Plansız duruşların azaltılması, özellikle büyük ölçekli enerji operasyonlarında hem gelir kaybını sınırlayan hem de kaynak kullanımını daha verimli hale getiren bir unsur.
Koşula dayalı bakım tarafında da belirgin bir avantaj söz konusu. Ekipmana yalnızca gerçekten ihtiyaç duyduğunda müdahale edilmesi, gereksiz bakım faaliyetlerinin önüne geçiyor. Bu da hem işçilik hem de parça kullanımında tasarruf anlamına geliyor. Aynı zamanda sağlıklı durumdaki ekipmana gereksiz müdahale yapılmaması, donanımın kullanım ömrünü uzatabiliyor. Kestirimci bakımdan otonom bakım akışına geçiş, bu nedenle yalnızca hız veya otomasyon başlığıyla değil, varlık ömrü ve toplam işletme maliyeti açısından da önem taşıyor.
Enerji sektöründe güvenlik ve çevresel riskler de en az maliyet kadar belirleyici. Ekipman arızalarına kritik bir seviyeye ulaşmadan önce müdahale edilmesi, daha güvenli bir operasyon ortamı yaratıyor. Erken müdahale aynı zamanda çevresel etkilerin büyümesini önleme potansiyeline sahip. Shell’in genişlettiği model, bakım kararlarını sadece teknik bir performans konusu olarak değil, güvenilirlik, emniyet ve operasyonel verimlilik başlıklarını birlikte ele alan bir çerçeveye oturtuyor.
Altyapı tarafında çözümün Azure üzerinde çalıştığı belirtiliyor. Ancak burada asıl dikkat çeken nokta, AI’nin laboratuvar düzeyindeki denemelerden çıkıp üretim ortamında çalışan kurumsal iş akışlarının parçası haline gelmesi. Endüstriyel AI projelerinde çoğu zaman en zor kısım, algoritmanın doğruluğundan çok, sistemin sahadaki süreçlerle uyumlu şekilde işletilebilmesi oluyor. Shell ile C3 AI’nin genişlettiği yapı, tam da bu nedenle sadece bir model güncellemesi değil; tahminden karara, karardan iş emrine uzanan üretim odaklı bir otomasyon tasarımı anlamına geliyor.
Genel tabloya bakıldığında Shell’in yönelimi, kestirimci bakımın bir bildirim mekanizması olmaktan çıkıp yarı otonom ve zamanla tam otonom bakım orkestrasyonuna dönüşmesi şeklinde özetlenebilir. İlk aşamada insan onayıyla çalışan bu model, güvenilirliği kanıtlandıkça belirli senaryolarda insan gözetimini en aza indirebilecek. Böylece şirket, kaynaklarını gerçekten ihtiyaç duyulan noktalara daha doğru yönlendirmeyi, plansız duruşları azaltmayı ve bakım döngüsünü daha hızlı, daha tutarlı ve daha ölçülebilir hale getirmeyi amaçlıyor. Kurumsal AI cephesinde asıl değer de tam burada ortaya çıkıyor: yalnızca sorunu öngörmekte değil, bu öngörüyü doğrudan uygulanabilir aksiyona dönüştürmekte.
