Anomali tespiti, işlem, sayaç, sensör veya log verisinde "normal" davranıştan sapan kaydı otomatik olarak bulmaktır. İyi kurulmuş bir sistem her makine, abone ya da kullanıcı için normali geçmiş veriden öğrenir, her yeni kaydı bu normale göre puanlar ve şüpheli olanı gerekçesiyle ilgili kişiye iletir. Amaç mümkün olan en çok alarmı üretmek değil; ekibin gerçekten inceleyebileceği sayıda, isabetli uyarı üretmektir.
Sorun: sapma veride var ama kimse görmüyor
Usulsüz bir masraf kaydı, kaçak bir su bağlantısı, yatağı bozulmaya başlamış bir motor ya da gece üçte açılan bir yönetici hesabı — hepsi fark edilmeden önce veride küçük bir sapma olarak görünür. Sorun verinin olmaması değil, verinin fazlalığıdır. Bir sayaç günde onlarca okuma üretir, bir ERP ayda on binlerce satır, bir sunucu saniyede yüzlerce log. Bu yığının içinde sapmayı elle aramak pratikte imkânsızdır. Sunucu ve uygulama loglarındaki sapmaların BT ekibine nasıl anlamlı bir alarm olarak düştüğünü AIOps ile BT operasyonları yazımızda anlattık.
Çoğu işletme bu yüzden iki yoldan birini seçer. Ya rastgele örneklemle denetim yapar (ayın birkaç faturası, birkaç sayaç, birkaç makine) ya da sabit eşik kuralları koyar: "sıcaklık 80 °C'yi geçerse alarm", "tutar 50.000'i aşarsa onaya düşsün". İki yaklaşımın da sınırı bellidir. Örneklem, örneğe girmeyen vakayı kaçırır. Sabit eşik ise ya gereğinden fazla alarm üretir (yazın her gün 80 °C'yi geçen bir hat) ya da eşiğin altında kalan ama o cihaz için tuhaf olan davranışı hiç görmez. Birkaç hafta boyunca asılsız alarm üreten bir sistem, ekip tarafından sessize alınır ve asıl vaka geldiğinde kimse bakmaz.
Sapmayı geç görmenin maliyeti
Anomali tespitinin değeri, sapmanın arızaya, kayba ya da ihlale dönüşmeden önce yakalanmasındadır. Bu farkın büyüklüğünü üç alandan gelen veriler gösteriyor.
Siemens'in hesabına göre dünyanın en büyük 500 şirketi plansız duruşlar yüzünden yılda yaklaşık 1,4 trilyon dolar, yani gelirlerinin %11'ini kaybediyor. (Siemens — The True Cost of Downtime 2024)
Makine tarafında erken uyarının ne kazandırdığına dair klasik bir referans ABD Enerji Bakanlığı'ndan geliyor: DOE Operations & Maintenance Best Practices Guide kılavuzunun aktardığı bağımsız anketlere göre işleyen bir kestirimci bakım programına geçen tesislerde duruş süresi %35–45, bakım maliyetleri %25–30 azalıyor. Bunlar endüstri ortalamalarıdır, her tesiste aynı sonuç çıkmaz; ama yönü nettir: sapmayı erken gören tesis daha az durur.
Bilgi güvenliği tarafında da tablo benzer. IBM Cost of a Data Breach 2026 raporuna göre güvenlikte yapay zeka ve otomasyonu yaygın kullanan kurumlar, hiç kullanmayanlara kıyasla ihlal başına ortalama 1,93 milyon dolar daha az maliyetle karşılaştı. Otomatik tespitin bu farktaki payı, olağandışı erişimin ve hareketin insan fark etmeden önce işaretlenmesidir.
Veri kalitesi de bu hesabın parçasıdır: hatalı ya da mükerrer kayıt da bir anomalidir. Veri kalitesi uzmanı Thomas C. Redman, kötü verinin çoğu şirkete maliyetini gelirin %15–25'i olarak tahmin ediyor (MIT Sloan Management Review, 2017).
Anomali tespiti hangi yöntemlerle yapılır?
Tek bir "doğru" yöntem yoktur; veri tipine, etiketli geçmiş vaka olup olmamasına ve açıklanabilirlik ihtiyacına göre seçilir.
| Yöntem | Nasıl çalışır? | Güçlü yanı | Zayıf yanı |
|---|---|---|---|
| Sabit eşik ve kural | "Değer X'i aşarsa alarm" | Basit, anlaşılır | Yeni vaka tipini kaçırır, mevsimselliği bilmez |
| İstatistiksel yöntemler | Ortalama, sapma, mevsimsellik ve trende göre beklenen aralık | Az veriyle çalışır, açıklaması kolay | Çok boyutlu ilişkileri yakalamakta zorlanır |
| Denetimsiz makine öğrenmesi | Etiket olmadan "normal"i öğrenir, uzak kalan kaydı puanlar | Daha önce görülmemiş vakayı bulabilir | Eşik ayarı ve açıklama katmanı ister |
| Denetimli sınıflandırma | Geçmişte doğrulanmış vakalarla eğitilir | Bilinen vaka tiplerinde isabeti yüksek | Etiketli vaka ister; yeni tipte zayıf |
| Zaman serisi tahmini | Bir sonraki değeri tahmin eder, gerçekleşen fark büyükse işaretler | Sensör ve sayaçta doğal | Veri kesintilerine duyarlı |
Pratikte en iyi sonuç genellikle katmanlı bir yapıdan gelir: bariz durumlar için birkaç sade kural, bunun üstünde her cihazın ya da kullanıcının kendi normalinden sapmayı ölçen bir model ve her uyarının yanında "neden işaretlendi?" sorusuna verilen yazılı cevap. Açıklaması olmayan bir puan, denetçinin ya da bakım şefinin güvenini kazanmaz.
Anomali tespiti nerelerde kullanılır?
- Sayaç ve abonelik verisi: Aynı mahalledeki benzer abonelere göre tüketimi anormal düşen sayaç, kaçak ya da arıza şüphesidir. Uzaktan okunan sayaç verisiyle bu kontrol her gün yapılabilir; altyapı tarafını OSOS uzaktan sayaç okuma sayfamızda, şebeke tarafındaki yöntemleri su kayıp-kaçak analizi yazımızda anlattık.
- Makine sensörleri: Titreşim, sıcaklık ve akımdaki yavaş kayma, arızanın habercisidir; titreşim analiziyle arıza tespiti bunun en yaygın örneğidir. Bu konuyu kestirimci bakım rehberimizde ayrıca ele aldık.
- Enerji tüketimi: Tesisin reaktif ve aktif tüketim oranındaki kayma, çoğu zaman kompanzasyon panosundaki bir arızanın ilk işaretidir; fatura gelene kadar fark edilmezse reaktif enerji cezasına dönüşür. Saatlik sayaç verisinde bu sapma aynı gün yakalanabilir.
- Tarla ve arazi verisi: Drone ya da uydu görüntüsünden üretilen bitki sağlığı haritasında komşu bölgelerden ayrışan leke, sulama, hastalık ya da zararlı sorununa işaret eder; yöntemi drone ile NDVI analizi yazımızda anlattık. Tarladan pakethaneye diğer örnekler için tarımda yapay zeka yazımıza bakın.
- Ödeme, masraf ve stok hareketleri: Mesai dışı onaylanan ödeme, yuvarlak tutarlı tekrarlayan masraf, sayımda sürekli eksik veren depo lokasyonu. Sahte fatura e-postalarıyla tetiklenen olağan dışı ödemeler de bu grupta yakalanır.
- Geçiş ve sistem logları: Olağandışı saatte ya da bölgede kart okutma, alışılmadık ülkeden oturum, kısa sürede çok sayıda başarısız giriş. SmartPass gibi bir kartlı geçiş ve PDKS sisteminin bölge bazlı geçiş kayıtları, bu analiz için hazır bir veri kaynağıdır.
- Üretim kalitesi: Ölçüm değerlerinin tolerans içinde kalıp bir yöne kayması; hata henüz oluşmadan sürecin bozulduğunu gösterir. Bu, SPC ve Cpk kontrol kartlarının yapay zekalı karşılığıdır; görsel kusurlar için ise görüntü işleme ile kalite kontrol kullanılır.
Anomali tespit sistemi kurmanın 7 adımı
- Tek bir soruyla başlayın. "Her şeydeki anomaliyi bulalım" değil, "hangi sayaçlarda kaçak şüphesi var?" ya da "hangi pompa arızaya gidiyor?" gibi somut bir soru.
- Uyarıya kimin bakacağını ve kapasitesini belirleyin. Günde 10 vakayı inceleyebilen bir denetim ekibine 300 uyarı göndermek sistemi işe yaramaz kılar. Eşik bu kapasiteye göre ayarlanır.
- Veriyi denetleyin. Eksik okumalar, saat dilimi hataları, birim karışıklıkları ve mükerrer kayıtlar temizlenmeden kurulan model, veri hatasını anomali diye raporlar.
- Normali tanımlayın. Mevsimsellik, vardiya düzeni, tatiller ve bilinen bakım günleri modele bağlam olarak verilir.
- Geçmiş vakalarla sınayın. Bildiğiniz birkaç eski olay (bir arıza, bir usulsüzlük) varsa, sistemin bunları zamanında işaretleyip işaretlemediğine bakın.
- Her uyarıya gerekçe ekleyin. "Bu sayacın son 30 günlük tüketimi, benzer 40 abonenin ortalamasının altında ve geçen yılın aynı döneminden %60 düşük" gibi okunabilir bir açıklama.
- Geri bildirimi sisteme geri verin. İnceleyen kişinin "gerçek vaka / asılsız" işareti sonraki ayarların temelidir. Bu döngü kurulmazsa isabet zamanla düşer.
Başlangıç noktasını seçmekte zorlanıyorsanız şirketlerde yapay zekaya nereden başlanmalı yazımız, projeyi küçük ve ölçülebilir tutmanın yollarını anlatıyor.
Anomali tespiti ile tahmin birbirini tamamlar: iyi bir tahmin, "normal"in ne olduğunu tanımlar, sapma da bu tahminden uzaklaşmadır. Enerji tarafındaki uygulamasını elektrik tüketim tahmini yazımızda ele aldık.
Sık yapılan hatalar
Veri gölü kurup soruyu sonra aramak. Bütün veriyi tek yerde toplamak faydalıdır ama soru olmadan kurulan anomali sistemi kimsenin sahiplenmediği bir pano olarak kalır.
Doğruluğu tek bir yüzdeyle ölçmek. Anomaliler nadirdir; kayıtların %99,9'u normalse, "hepsi normal" diyen model de %99,9 doğrudur. Anlamlı ölçüler, gerçek vakaların ne kadarının yakalandığı ve uyarıların ne kadarının gerçek çıktığıdır.
Uyarıyı iş akışına bağlamamak. Uyarı e-postası bir kutuda birikiyorsa sistem yok sayılır. Uyarı; bakım iş emrine, denetim listesine ya da güvenlik ekibinin kuyruğuna düşmelidir.
Modeli bir kez kurup unutmak. Yeni hat, yeni tarife, yeni tedarikçi "normali" değiştirir. Model belli aralıklarla yeniden değerlendirilmelidir.
Enerji tarafında tipik bir uygulama, üretim dışı saatlerde artan basınçlı hava debisini (basınçlı hava kaçağı tespiti) ya da güneş santralinde beklenenin altında kalan dizi üretimini (GES izleme sistemi) otomatik olarak işaretlemektir.
Aynı yöntem canlılarda da çalışır: her hayvanın aktivite ve geviş normalinden sapma, hastalık belirtisini gözle görülmeden önce işaretler. Örneği hayvan takip sistemi yazımızda anlattık.
Digital Bridge'de bu işi nasıl yapıyoruz?
Anomali tespitini bir yazılım lisansı olarak değil, verinizle başlayan bir proje olarak ele alıyoruz:
- Veri değerlendirmesi. Hangi veriye sahip olduğunuzu, kalitesini ve sorunuza yetip yetmediğini birlikte çıkarıyoruz. Veri yetersizse ya da iş basit bir kural setiyle çözülebiliyorsa bunu açıkça söylüyoruz. Bu aşamanın veri tarafı için veri yönetişimi ve kalite çalışmalarımızdan yararlanıyoruz.
- Model ve eşik tasarımı. Anomali tespiti hizmetimizde her cihaz, abone veya kullanıcı için normali geçmiş veriden öğrenen, uyarıyı gerekçesiyle üreten ve eşiği ekibinizin inceleme kapasitesine göre ayarlanan bir yapı kuruyoruz.
- Mevcut sistemlere bağlama. Sistem ERP, sayaç, sensör, geçiş kontrolü ya da log kaynaklarınıza bağlanır; mevcut yazılımınızı değiştirmeniz gerekmez. Uyarının iş emri veya görev olarak ilgili ekrana düşmesi yapay zeka entegrasyonu kapsamındadır.
- Makinelerde pilot. Makine arızası öngörüsü istiyorsanız kestirimci bakım hizmetimizde 1–3 kritik makineyle pilot başlatıyoruz; ilk 30–60 günde metriklerle değer görülür. Sensör yoksa elektronik ve gömülü yazılımı aynı ekipte geliştirdiğimiz için veri toplama tarafını da üstlenebiliyoruz.
- Güvenlik logları. Olağandışı erişim ve oturum davranışını izlemek istiyorsanız bunu siber güvenlik danışmanlığı ile birlikte kurguluyoruz.
Aynı yöntemin enerji şebekesindeki uygulamasını kaçak elektrik tespiti yazımızda anlattık: sayaç ve trafo verisinden şüpheli aboneye risk puanı verip saha denetimini bu puana göre planlamak.
Sonraki adım
İlk adım için büyük bir hazırlık gerekmez: cevabını en çok merak ettiğiniz tek soruyu ve bu soruya ait son 6–12 aylık veriyi (sayaç okumaları, sensör kayıtları, ödeme listesi ya da log dökümü) seçin. İletişim sayfamızdan bize ulaşın; verinizi birlikte değerlendirelim ve bu verinin anomali tespitine yetip yetmediğini, yetiyorsa pilotun nasıl kurulacağını yazılı olarak paylaşalım. Pilotun getirisini yapay zeka projesinde yatırım getirisi rehberimizdeki adımlarla ölçebilir, diğer kullanım alanlarını Yapay Zeka rehberimizin tamamında inceleyebilirsiniz.