Şantiyelerde Hatalı Veriler Yapay Zekâyı Nasıl Yanlış Yönlendiriyor?
İnşaat sektörü, yapay zekâ destekli maliyet tahmini, iş programı analizi, risk skorlama ve saha takibi gibi alanlarda hızlı bir dönüşüm yaşıyor. Ancak şantiyelerde kullanılan yapay zekâ sistemleri, çoğu zaman sanıldığı gibi “her şeyi bilen” araçlar değil. Bu sistemler, kendilerine verilen veriler kadar doğru sonuç üretebiliyor. Eski proje çizimleri, eksik saha kayıtları, hatalı metrajlar, tutarsız malzeme adları ve güncellenmemiş iş programları yapay zekâyı kolayca yanlış yönlendirebiliyor.
Bu nedenle inşaatta veri kalitesi, artık yalnızca bilgi işlem ekiplerinin konusu değil; proje yönetimi, satın alma, saha mühendisliği, iş güvenliği ve üst yönetim için de kritik bir karar başlığı haline geliyor.
Yapay zekâ yanlış veriyi “düzeltmez”, çoğu zaman büyütür
Construction AI çözümleri, büyük veri setleri üzerinden örüntü bulur. Örneğin geçmiş projelerdeki beton metrajları, işçilik süreleri, ekipman kullanımı, hava koşulları ve gecikme kayıtları analiz edilerek yeni bir projenin maliyet veya süre tahmini yapılabilir. Fakat kaynak veri hatalıysa, çıkan tahmin de hatalı olur.
Basit bir örnek düşünelim: Bir projenin eski çizimlerinde perde beton kalınlığı 25 cm görünürken, sahadaki revizyonla bu değer 30 cm’ye çıkarılmış olsun. Eğer BIM modeli güncellenmemişse ve yapay zekâ metraj tahminini eski model üzerinden yapıyorsa, beton ve donatı maliyeti eksik hesaplanır. Bu hata yalnızca bütçe tablosunu değil; satın alma planını, nakliye organizasyonunu ve iş programını da etkiler.
Benzer şekilde, saha raporlarında “seramik”, “yer karosu”, “granit seramik” ve “60×60 kaplama” gibi farklı isimlerle kaydedilen aynı veya benzer malzemeler, sistem tarafından farklı kalemler gibi algılanabilir. Tutarsız malzeme adları, yapay zekâ hatalı veri problemi içinde en sık görülen ama en az fark edilen başlıklardan biridir.
Eski çizimler ve güncellenmemiş iş programları riski artırır
Şantiyelerde proje revizyonu olağandır. Mimari, statik, mekanik veya elektrik projelerinde sahaya göre değişiklik yapılabilir. Ancak bu değişikliklerin merkezi sisteme zamanında işlenmemesi, BIM veri yönetimi açısından büyük bir risk doğurur.
Güncel olmayan bir çizim üzerinden yapılan yapay zekâ analizi şu sorunlara yol açabilir:
- Yanlış metraj ve eksik maliyet tahmini,
- Hatalı işçilik ve ekipman planlaması,
- Gerçekçi olmayan teslim tarihi öngörüleri,
- Çakışma analizlerinde gözden kaçan imalat riskleri,
- Satın alma siparişlerinde eksik veya fazla malzeme alımı.
Örneğin bir yapay zekâ sistemi, geçmiş verilerden yola çıkarak kaba inşaatın 45 günde tamamlanacağını öngörebilir. Ancak iş programında sonradan eklenen zemin iyileştirme işleri sisteme girilmemişse, bu tahmin sahadaki gerçekliği yansıtmaz. Sonuçta yönetim, gecikme riskini geç fark eder ve müdahale için zaman kaybeder.
Fotoğraf, drone ve sensör verileri de hatalı olabilir
Şantiye dijitalleşme sürecinde yalnızca çizimler ve tablolar değil; fotoğraf, drone görüntüsü, sensör ölçümü ve kamera kayıtları da önemli veri kaynaklarıdır. Yapay zekâ, bu verileri kullanarak ilerleme takibi, güvenlik kontrolü veya kalite denetimi yapabilir. Fakat bu veriler de hatadan bağımsız değildir.
Bir drone çekimi düşük çözünürlüklüyse, hava koşulları nedeniyle görüntü bulanıksa veya çekim açısı sürekli değişiyorsa, yapay zekâ tamamlanan imalat oranını yanlış yorumlayabilir. Örneğin kalıp imalatını tamamlanmış betonarme imalat gibi algılayabilir ya da geçici depolama alanındaki malzemeleri sahada kullanılmaya hazır stok olarak sayabilir.
Sensör tarafında da benzer riskler vardır. Nem, sıcaklık, titreşim veya beton olgunluk sensörleri kalibre edilmemişse, sistem yanlış kalite veya güvenlik uyarısı üretebilir. Bir beton dökümünde sensör hatalı düşük sıcaklık bildirirse, yapay zekâ priz süresinin uzayacağını varsayarak iş programını gereksiz şekilde öteleyebilir. Tersi durumda ise erken kalıp sökümü gibi ciddi güvenlik riskleri doğabilir.
Fotoğraf verilerinde tarih, konum ve açıklama bilgisi eksikse, aynı görsel farklı imalat aşamalarıyla ilişkilendirilebilir. Bu da ilerleme raporlarını, hakediş kontrollerini ve saha risk analizlerini doğrudan etkiler.
Hatalı veri maliyet tahminlerini nasıl bozar?
Yapay zekâ destekli maliyet tahminleri, doğru metraj ve doğru birim fiyat geçmişine ihtiyaç duyar. Hatalı metrajlar, yanlış sınıflandırılmış maliyet kalemleri veya eksik tedarik kayıtları olduğunda sistem gerçeğe yakın bir bütçe üretemez.
Örneğin önceki projelerde alçıpan bölme duvar ile yangına dayanımlı alçıpan duvar aynı kalem altında kaydedildiyse, yapay zekâ yeni projede maliyeti düşük hesaplayabilir. Oysa yangın dayanımlı sistemin levha, profil, yalıtım ve işçilik maliyeti farklıdır. Bu fark, büyük ölçekli projelerde milyonlarca liralık sapmaya dönüşebilir.
Benzer şekilde, nakliye ve fire oranları geçmiş veri setlerinde ayrı tutulmuyorsa, sistem malzeme maliyetini doğru görse bile toplam maliyeti eksik hesaplar. Bu nedenle veri kalitesi yalnızca “sayının doğru olması” değil, o sayının hangi koşulda, hangi tanımla ve hangi sürümde üretildiğinin bilinmesidir.
Risk analizinde eksik kayıtlar yanıltıcı güven duygusu yaratır
İnşaat projelerinde risk analizi; iş güvenliği, gecikme, maliyet aşımı, tedarik problemi ve kalite kusurları gibi başlıkları kapsar. Yapay zekâ, geçmiş olay kayıtlarından öğrenerek riskli durumları önceden işaretleyebilir. Ancak sahadaki ramak kala olaylar, küçük kazalar, tedarik gecikmeleri veya kalite uygunsuzlukları düzenli kaydedilmemişse, sistem riskleri olduğundan düşük görür.
Örneğin bir şantiyede iskele uygunsuzlukları saha ekibi tarafından sözlü çözülüyor ama dijital sisteme işlenmiyorsa, yapay zekâ o bölgede güvenlik riski olmadığını düşünebilir. Oysa veri yokluğu, risk yokluğu anlamına gelmez. Bu ayrım, dijitalleşen şantiyelerde özellikle önemlidir.
Çözüm: Veri yönetimi yapay zekâdan önce gelmeli
Yapay zekâ yatırımından önce kurumların kendi veri kalitesini ölçmesi gerekir. Bunun için büyük ve karmaşık bir dönüşüm şart değildir; ancak temel kurallar net olmalıdır.
Öncelikle veri doğrulama süreçleri kurulmalıdır. Metraj, çizim, saha raporu ve satın alma kayıtları düzenli kontrol edilmeli; sistemler arası tutarsızlıklar belirlenmelidir. İkinci olarak ortak isimlendirme standartları kullanılmalıdır. Aynı malzeme, aynı imalat veya aynı ekipman farklı ekipler tarafından farklı adlarla kaydedilmemelidir.
Üçüncü kritik başlık sürüm kontrolüdür. BIM modelleri, proje çizimleri, revizyon notları ve iş programları için hangi versiyonun geçerli olduğu açıkça görülmelidir. Eski dosyaların yanlışlıkla kullanılmasını önlemek, yapay zekâ sonuçlarının güvenilirliği açısından zorunludur.
Dördüncü olarak yetkilendirme süreçleri netleşmelidir. Her kullanıcının veriyi değiştirme yetkisi olmamalı; kim, ne zaman, hangi bilgiyi güncelledi sorusunun yanıtı sistemde izlenebilmelidir. Bu izlenebilirlik, hem kalite yönetimi hem de olası uyuşmazlıklarda geriye dönük kontrol için önem taşır.
İnsan denetimi hâlâ vazgeçilmez
Yapay zekâ, şantiyelerde karar destek aracı olarak büyük avantaj sağlayabilir. Ancak hatalı veriyle çalışan bir sistem, hızlı ama yanlış kararlar üretebilir. Bu nedenle insan denetimi korunmalı; yapay zekâ çıktıları saha mühendisleri, proje yöneticileri ve maliyet kontrol ekipleri tarafından sorgulanmalıdır.
Özellikle maliyet tahmini, risk analizi ve iş programı güncellemelerinde yapay zekânın önerileri tek başına nihai karar kabul edilmemelidir. Sistem “bu iş 10 günde tamamlanır” diyorsa, bu tahminin hangi veriye dayandığı, kullanılan çizimin güncel olup olmadığı ve saha koşullarının hesaba katılıp katılmadığı kontrol edilmelidir.
Sonuç: Yapay zekâdan önce güvenilir veri kültürü
Şantiyelerde yapay zekâ kullanımı giderek yaygınlaşacak. Ancak başarılı sonuç almak isteyen firmalar, önce veri kültürünü güçlendirmek zorunda. Eski çizimler, eksik saha kayıtları, hatalı metrajlar ve tutarsız malzeme adları düzeltilmeden yapılan yapay zekâ yatırımları, beklenen verimliliği sağlamayabilir.
İnşaatta veri kalitesi; maliyet, süre, güvenlik ve kalite performansını doğrudan etkileyen stratejik bir konudur. Doğru veriyle beslenen yapay zekâ, şantiyede erken uyarı sistemi gibi çalışabilir. Yanlış veriyle beslenen yapay zekâ ise hatayı daha hızlı, daha sistematik ve daha pahalı hale getirebilir.
