Üretken Yapay Zeka ile CAD Tasarım Süreçlerinin Otomasyonu

CAD ortamında tekrarlayan operasyonlar — ölçü güncelleme, montaj revizyonu, çıktı paketleri — çoğu zaman kural tabanlıdır. LLM'ler bu kuralları doğal dil ve yapılandırılmış girdilerle köprüleyebilir; ancak geometri doğruluğu ve üretim gerçekliği hâlâ mühendislik disiplini ve doğrulama katmanlarında kalmalıdır.

Önemli: AI hız ve iterasyon için kaldıraçtır; mimari kararlar, test ve kalite sorumluluğu insanda kalır.

• Girdi normalizasyonu: Kullanıcı ölçüleri, malzeme ve varyant seçimlerinin yapılandırılmış forma dönüştürülmesi
• Kural motoru: Parametrik CAD güncellemelerini tetikleyen mühendislik kuralları
• Doğrulama: Geometri, montaj çakışması ve üretim çıktısı kontrolleri
• Dokümantasyon: PDF, DWG, DXF ve üretim verisi paketlerinin standart akışı

LLM'nin güçlü olduğu alanlar

Doğal dil girdisini yapılandırılmış parametrelere çevirmek, hata mesajlarını sadeleştirmek ve tekrarlayan dokümantasyon metinlerini üretmek bu katmanda değerlidir.

LLM'nin tek başına yeterli olmadığı alanlar

Kritik geometri hesapları, tolerans zinciri, üretim hattı uyumu ve lisanslı CAD API sınırları insan denetimi gerektirir.

SolidWorks API, VBA, .NET ve C# ile otomasyon katmanı oluşturulduğunda LLM destekli arayüzler yalnızca “sohbet” değil, iş akışı orkestrasyonu haline gelebilir: kullanıcı niyetini alır, parametre setine çevirir, API çağrılarını sıralar, sonucu doğrular.

"AI ile CAD otomasyonu yapalım" cümlesi bir proje tanımı değil. Pilotu daraltmadan başlanan her denemenin sonu, çalışan ama kimsenin güvenmediği bir demo oluyor. Kullandığım daraltma şu dört soruyla yapılıyor:

1. Hangi iş, ayda kaç kez tekrarlanıyor? Ayda üç kez yapılan bir işi otomatikleştirmek, kazandırdığından fazlasını götürür.
2. Girdi ne kadar yapılandırılmış? Ölçüler bir formdan mı geliyor, e-posta metninden mi? İkincisi LLM'nin gerçekten değer kattığı yerdir.
3. Yanlış çıktının bedeli ne? Bir teklif resmi yanlışsa düzeltilir; kesime giden bir DXF yanlışsa sac çöpe gider. Bedel yükseldikçe doğrulama katmanı kalınlaşır.
4. Doğru cevabı kim biliyor? Çıktının doğruluğunu onaylayacak bir kişi yoksa pilot ölçülemez.

İyi bir ilk pilot genelde şudur: sık tekrarlanan, girdisi dağınık, yanlışının ucuz olduğu bir iş. Teklif aşaması bu tarife çoğu firmada birebir uyar.

Pilot başlamadan önce mevcut durumu ölçmezseniz, sonrasında elinizde kıyas olmaz. Kaydettiğim dört metrik:

Bunlardan düzeltme oranı en öğreticisidir. Yüksekse otomasyon çalışmıyor demek değildir; kural setinin eksik olduğu yeri gösterir. Düzeltmelerin nerede yoğunlaştığına bakmak, bir sonraki geliştirme turunun gündemini kendiliğinden yazar.

Üretime giden her otomatik çıktının geçmesi gereken kontroller — sırayla, ilk düşende dur:

1. Girdi tamlığı — zorunlu parametrelerin hepsi geldi mi, birimleri doğru mu
2. Aralık kontrolü — her ölçü, üretilebilir aralıkta mı (hat genişliği, minimum büküm yarıçapı, sac kalınlığı)
3. Geometri sağlığı — rebuild hatasız tamamlandı mı, açık kontur veya sıfır kalınlıkta yüzey var mı
4. Montaj çakışması — interference kontrolü temiz mi
5. Çıktı bütünlüğü — beklenen dosyaların hepsi üretildi mi, boyutları makul mü
6. Ad ve revizyon — dosya adı şemaya uyuyor mu, revizyon numarası artmış mı

Bu listenin tamamı deterministiktir; hiçbir adımında LLM yoktur. Modelin işi girdiyi anlamak ve parametreye çevirmekti; doğruluğu kural kodu söyler.

Ayrım net olmalı: LLM'nin çıktısı hiçbir zaman doğrudan üretime gitmez, her zaman kural motorunun girdisi olur. Kural motoru reddederse iş durur.

Üretken modellerin CAD tarafında iyi olmadığı yerleri baştan kabul etmek, projeyi kurtaran karardır:

• Tolerans zinciri. Birikimli tolerans hesabı bir muhakeme işi değil, aritmetik ve standart işi. Modele yaptırmayın.
• Kritik geometri. Mukavemet, ağırlık merkezi, kesit hesabı — bunlar kütüphane işidir, üretim işi değil.
• CAD API sınırları. Hangi çağrının hangi sürümde ne döndürdüğü belgelenmiş bilgidir; halüsinasyona en açık alan tam da burasıdır.
• Üretim hattı gerçeği. Roll-form hattının neyi bükebildiğini model bilmez; bu bilgi kural setine elle girer.

Buna karşılık modelin gerçekten kazandırdığı üç yer var: dağınık girdiyi yapılandırmak (e-posta, telefon notu, elle çizilmiş kroki açıklaması), hata mesajlarını kullanıcının anlayacağı dile çevirmek ve tekrar eden dokümantasyon metinlerini üretmek.

Sırayı şöyle kuruyorum: dar bir pilot seç → mevcut durumu ölç → girdi normalizasyonunu LLM'ye ver → kararı kural motoruna bırak → çıktıyı deterministik listeyle doğrula → düzeltme oranına bakarak kural setini büyüt.

Bu döngü, teknoloji değişse de ayakta kalıyor. Model daha iyi olduğunda birinci adım hızlanır; ama doğrulama katmanına duyulan ihtiyaç azalmaz.