28. Mühendislik Kullanımı

28.1 Merkezî Bulgu: Kavram Güçlü, Hesap Zayıf

Mühendislikte yapay zekâ kullanımına dair en sağlam ölçümlü bulgu şudur: modeller kavramsal ve kuramsal sorularda güçlü, çok adımlı sayısal hesaplarda belirgin biçimde zayıftır.

Yedi çekirdek makine mühendisliği konusunda sekiz yüz soru üzerinde yapılan hakemli bir çalışma bu ayrımı net biçimde ölçmüştür. Kuram sorularında araçların ortalama doğruluğu yüzde seksenin üzerindeyken, sayısal sorularda en başarılı araç bile yüzde kırkın altında kalmıştır.

Kaynak: Akolekar ve ark., Scientific Reports 15, Makale 9214 (17 Mart 2025), DOI: 10.1038/s41598-025-93871-z. Örneklem: 800 soru (397 çoktan seçmeli, 271 sayısal, 132 kuram); sorular üniversite ders ve sınav havuzlarından derlenmiştir. Doğrulama tarihi: 7 Eylül 2026.

Şekil 28.1 — Kavramsal sorularda güçlü, çok adımlı sayısal hesapta zayıf.

28.2 Hata Anatomisi

Mühendislik hesaplarında modelin yaptığı hatalar rastgele değildir; tanınabilir türlere ayrılır. Bu türleri bilmek, neye bakacağınızı belirler.

En Tehlikeli Tür

Son satır özellikle dikkate değerdir. Model bazen doğru sonuca yanlış yoldan ulaşır. Sonuç doğru göründüğü için denetim gevşer; ancak aynı yanlış akıl yürütme farklı bir problemde yanlış sonuç verecektir.

Bu, Bölüm 2'deki halüsinasyon mekanizmasının mühendislikteki karşılığıdır: akıcılık ve görünürdeki tutarlılık, doğruluğun kanıtı değildir.

28.3 Aritmetik Zayıflığın Çözümü

İyi haber şu: bu zayıflığın bilinen ve etkili bir çözümü vardır. Modele hesap yaptırmak yerine hesap aracı kullandırmak.

Yayımlanmış bir değerlendirmede, donatımsız bir modelin birim dönüşümü hatalarının belirgin bir oranda olduğu, aynı model bir hesap aracıyla donatıldığında bu hataların pratik olarak ortadan kalktığı gösterilmiştir.

28.4 Yönetmelik ve Standart Sorgulama

Bu, mühendislikte en yüksek riskli kullanım alanıdır ve Bölüm 2.5'teki risk haritasının en üst satırına düşer: belirli kaynak, madde numarası ve standart alıntısı isteme.

Neden Yüksek Riskli?

Model, gerçekçi görünen ama var olmayan bir madde numarası ve metni üretebilir. Uydurma atıfların gerçek yazar adlarını hayali başlıklarla birleştirdiği bilinmektedir; aynı mekanizma standart maddelerinde de işler. Uydurulmuş bir madde, biçim olarak doğru göründüğü için yüzeysel kontrolde yakalanmaz.

Bilgi Getirmeli Sistemler

Standart metnini modele veren sistemler (bilgi getirmeli üretim) riski azaltır çünkü model metni üretmek yerine okur. Ancak bu bir muafiyet değildir: model, önündeki metni yanlış yorumlayabilir veya ilgili maddeyi bulamadığında yine tahmin yürütebilir.

Bu alandaki akademik çalışmalar sürmektedir ancak uçtan uca güvenilirlik oranı veren, yaygın kabul görmüş bir ölçüm henüz yoktur. Dolayısıyla bu tür sistemler doğrulamayı azaltır, ortadan kaldırmaz.

28.5 Kod Üretimi ve Sessiz Hata

Mühendislik amaçlı kod — sonlu elemanlar betikleri, hesap otomasyonu, veri işleme, kontrol mantığı — yapay zekânın yaygın kullanıldığı bir alandır ve kendine özgü bir risk taşır.

Sessiz Hata

Üretilen kod genellikle derlenir, çalışır ve basit testleri geçer. Sorun, kenar durumlarda sessizce yanlış sonuç vermesidir. Derlenmeyen kod kendini belli eder; yanlış sonuç veren kod belli etmez.

Mühendislik bağlamında bu özellikle tehlikelidir çünkü kodun çıktısı bir sayıdır ve o sayı makul görünebilir.

28.6 Vekil Modeller ve Fizik Bilgili Ağlar

Pahalı simülasyonların yerine geçen makine öğrenmesi tabanlı modeller mühendislik tasarımında yaygınlaşmaktadır. Bunların kendine özgü bir epistemik sınırı vardır.

Temel Sınır

Bir vekil model, eğitildiği veri aralığında iyi çalışır. O aralığın dışında ne kadar yanıldığını bilmek için, kaçınmaya çalıştığınız pahalı simülasyonu çalıştırmanız gerekir. Bu bir döngüsel bağımlılıktır ve vekil modelin doğal sınırıdır.

Ekstrapolasyon Tartışması

Fizik bilgili sinir ağlarının eğitim aralığı dışına genelleme yeteneği konusunda literatür çelişkilidir. Bazı çalışmalar bu ağların esas olarak ara değerleme ile sınırlı olduğunu bulmuş; bazıları ise fizik bilgisi arttıkça dışa genellemenin iyileştiğini bildirmiştir.

Bu çelişki muhtemelen problem bağımlıdır: düzgün, türevlenebilir sistemlerde dışa genelleme daha güvenilir; şok, süreksizlik veya kaotik davranış içeren sistemlerde güvenilmezdir.

Bu alandaki bulgular çelişkilidir ve tek bir sonuca indirgenmemiştir. Kendi probleminizin bu ayrımda nereye düştüğünü değerlendiriniz. Doğrulama tarihi: 7 Eylül 2026.

28.7 Belgelenmiş Vaka: Sorumlu Gözetim İhlali

Mühendislik etiği alanında yayımlanmış ve doğrudan yapay zekâ kullanımını konu alan bir karar, bu bölümün en somut dayanağıdır.

Olay

Bir mühendis, deneyimli meslektaşının emekli olmasının ardından yapay zekâ kullanarak hem bir rapor hem de tasarım belgeleri üretti.

Rapor için titiz davrandı: olguları bağımsız kaynaklara karşı çapraz kontrol etti. Ancak müşteri verisini kamuya açık bir yapay zekâ arayüzüne girdi ve teknik atıf yapmadı.

Tasarım belgeleri için yalnızca yüzeysel bir gözden geçirme yaptı. Müşteri, belgelerde yanlış hizalanmış boyutlar ve yerel yönetmeliğin gerektirdiği atlanmış güvenlik özellikleri buldu.

Karar

Etik kurul, rapor kısmını gizlilik ve atıf yönünden ihlal saydı. Tasarım kısmını ise doğrudan etik dışı buldu: sorumlu gözetim korunmamıştı.

Kaynak: NSPE Etik İnceleme Kurulu, Vaka 24-2 (18 Temmuz 2024) — nspe.org. İlgili politika: NSPE PS 10-1778, Sorumlu Gözetim. Doğrulama tarihi: 7 Eylül 2026.

28.8 Meslek Kuruluşlarının Çizgisi

Farklı ülkelerdeki mühendislik kuruluşları bağımsız olarak aynı sonuca varmıştır.

Kaynaklar ilgili kuruluşların resmî sayfalarıdır. Doğrulama tarihi: 7 Eylül 2026. Bu alanda düzenleme hızla gelişmektedir; kendi ülkenizdeki lisans kurulunun güncel duruşunu kontrol ediniz.

Dikkat Çeken Bulgu: Eğitim Açığı

Avustralya'da iki binin üzerinde mühendisle yapılan bir sektör araştırması, mühendislerin yaklaşık yarısının üretken yapay zekâ kullandığını, ancak üçte ikisinin işyerinde bu konuda hiçbir resmî eğitim almadığını bulmuştur. Erken kariyer mühendislerinde ve öğrencilerde kullanım oranı belirgin biçimde daha yüksektir.

Kaynak: Engineers Australia, sektör raporu (Ocak 2025), N = 2.197. Doğrulama tarihi: 7 Eylül 2026.

28.9 Sorumluluk ve Sigorta

Bu alt bölüm, akademik kullanımdan ayrılan ve mühendisliğe özgü olan boyuttur.

Değişen Piyasa

Mesleki sorumluluk ve hata-ihmal sigortası poliçelerine yapay zekâ ile ilgili istisnalar eklenmektedir. Daha önce belirsiz bırakılan (ne kapsanan ne dışlanan) durum, yenilemelerde açıkça düzenlenmektedir.

Kapsamın Koşulu

Genel eğilim şudur: yapay zekâ kaynaklı bir hata, çıktı müşteriye ulaşmadan önce bir insan tarafından gözden geçirilip onaylanmışsa kapsanma şansı taşır. İnsan denetimi dışında çalışan özerk bir sistem, çoğu poliçenin kapsam dışı bıraktığı senaryodur.

28.10 Doğrulama Protokolü

Aşağıdaki altı adım, mühendislik hesabında yapay zekâ kullanımının denetim çerçevesidir. Kitabın Bölüm 2.8'deki genel protokolünün mühendisliğe uyarlanmış hâlidir.

• Rejimi tanımla. Kullanılacak formülün geçerlilik aralığında olduğunu doğrula. Yanlış rejim, doğru formülü yanlış yapar.
• Yöneten denklemi seçtir ve gerekçelendirt. Model neden bu denklemi seçtiğini açıklamalıdır.
• Parametreleri birimleriyle listelet. Eksik veya belirsiz girdiler işaretlenmelidir.
• Boyut analizi yaptır. Sayı koymadan önce birim tutarlılığı doğrulanmalıdır.
• Ara sonuçları birimleriyle göster. Tek adımda sonuca atlanmamalıdır.
• Fiziksel makullük kontrolü yap. Sonuç fiziksel sınırlar ve büyüklük mertebesi beklentileriyle uyumlu mu?

Fiziksel Makullük Kontrol Listesi

• Yoğunluk, kütle ve mutlak sıcaklık pozitif mi?
• Verim, kuramsal üst sınırı aşıyor mu?
• Gerilme, malzeme dayanımını aşıyor mu?
• Isı kendiliğinden soğuktan sıcağa mı akıyor?
• Deplasman, yapı boyutuna göre makul mü?
• İşaretler beklenen yönde mi?

28.11 Veri Gizliliği ve Fikri Mülkiyet

Mühendislik verisi, akademik veriden farklı ek riskler taşır.

Belgelenmiş bir vakada, bir teknoloji şirketinin mühendisleri özel kaynak kodunu ve bir iç toplantı kaydını kamuya açık bir yapay zekâ arayüzüne girmiş; şirket ardından aracın dahili kullanımını yasaklamıştır.

28.12 Beceri Aşınması

Bölüm 4.3'te genel olarak ele alınan bilişsel boşaltım, mühendislikte özel bir anlam taşır: aşınan beceri, aynı zamanda yapay zekâ çıktısını denetleme becerisidir.

Boylamsal çalışmalar, yapay zekâ kullanımı arttıkça kullanıcıların doğrulama becerisine olan güveninin zamanla azaldığını bildirmektedir. Yani araç, en çok ihtiyaç duyulan beceriyi zayıflatma eğilimindedir.

Kullanım Biçimi Belirleyici

Mühendislik eğitimi alanındaki çalışmalar iki kullanım biçimini ayırır. Anlama arayan kullanım: kavramı açıklatmak, kendi çözümünü kontrol ettirmek, alternatif yaklaşım sormak. Çözüm arayan kullanım: doğrudan cevap isteyip muhakemeye hiç girmemek.

İkincisi bilişsel çabayı tamamen devreder ve beceri gelişimini engeller. Bu ayrım, Bölüm 4.4'teki devretme–ortaklık ayrımının eğitimdeki karşılığıdır.

28.13 Ne İçin Uygun, Ne İçin Değil

28.14 Bölüm Özeti

• Modeller kavramda güçlü, çok adımlı sayısal hesapta zayıftır — bu ölçülmüş bir bulgudur.
• En sık hatalar birim dönüşümü, işaret ve formül seçimidir.
• Doğru sonuca yanlış gerekçeyle ulaşmak en tehlikeli hata türüdür.
• Aritmetik zayıflık, hesabı koda yaptırarak büyük ölçüde giderilir.
• Yönetmelik ve standart maddeleri birincil kaynaktan doğrulanmadan kullanılamaz.
• Üretilen mühendislik kodu, sonucu bilinen bir kıyas problemiyle sınanmalıdır.
• Vekil modeller eğitim aralığı dışında sessizce yanılabilir.
• Sorumlu gözetim, sonradan gözden geçirmek değil, süreci yönlendirmektir.
• Meslek kuruluşları farklı ülkelerde aynı sonuca varmıştır: sorumluluk mühendiste kalır.
• Sigorta kapsamı giderek insan denetimi koşuluna bağlanmaktadır.
• Boyut analizi en ucuz ve en çok atlanan doğrulama katmanıdır.
• Aşınan beceri, aynı zamanda denetleme becerisidir.

Güncellik kontrolü: Bu bölümdeki ölçümlü bulgular hakemli kaynaklara, mesleki kararlar ise ilgili kuruluşların resmî belgelerine dayanmaktadır. Doğrulama tarihi: 7 Eylül 2026. Model performansı sürümlere göre belirgin biçimde değişir; buradaki oranlar test edilen sürümlere özgüdür. Meslek kuruluşlarının politikaları hızla gelişmektedir.