2209-B İçin Hacettepe Mühendislik ve İstatistik Öğrencilerine Proje Fikirleri

2209-B için iyi proje fikri, yalnızca “yapay zekâ kullanalım” veya “bir optimizasyon yazalım” demek değildir. Bir işletmede gözlenebilen bir sorun, karşılaştırılabilecek mevcut durum, uygulanabilir araştırma yöntemi ve ölçülebilir sonuç gerekir. Hacettepe Mühendislik ve İstatistik öğrencileri için güçlü ortak alanlardan biri de budur: sektör problemi mühendislik tarafından tanımlanırken istatistiksel tasarım ve analiz, önerilen iyileştirmenin gerçekten işe yarayıp yaramadığını gösterebilir.

Aşağıdaki fikirler TÜBİTAK'ın onayladığı proje konuları veya Hacettepe'nin yürüttüğü hazır projeler değil, 2026 2209-B çerçevesine uyabilecek şekilde tasarlanmış araştırma başlangıçlarıdır. Her biri için akademik ve sanayi danışmanı, uygun bir kuruluş ve gerçekçi erişim planı gerekir. 2026 desteğinin üst sınırı 16.000 TL, süresi en fazla 12 aydır. 2209-B'nin resmî koşulları esas alınmalıdır.

İstatistik öğrencileri için: model değil karar problemi seçin

1. Üretimde hatalı ürün oranı erken fark edilebilir mi?

Problem: Bir üretim hattındaki ölçümler normal görünürken kusurlu ürün oranı artıyor olabilir.

Yöntem: Firma izin veriyorsa geçmiş ölçümlerden kontrol grafikleri veya uygun istatistiksel izleme yöntemleri kurup erken uyarı performansını geriye dönük test edin. Yanlış alarm oranını da hesaplayın.

Ölçülebilir çıktı: Artışın kaç üretim partisi önce fark edildiği, duyarlılık/yanlış alarm dengesi ve mevcut kalite kontrol yöntemine göre fark. Üretim koşulları değişiyorsa dönemlere göre ayrı doğrulama yapın.

Gerekli erişim: Zaman damgalı kalite ölçümleri ve hata/uygunsuzluk kayıtları. Veriler sağlanmadan “fabrikadaki kaliteyi yüzde 30 artıracağız” gibi sonuç vaadi vermeyin.

2. Parça talebinde tek tahmin yerine belirsizlik aralığı kullanılabilir mi?

Problem: Bir işletme yedek parça veya sarf malzemesi ihtiyacını tek bir sayı üzerinden planladığında stok fazlası ya da yokluğu yaşayabilir.

Yöntem: Zaman serisi tahmini ile tahmin aralıkları oluşturun; basit bir mevcut yaklaşımın karşısına koyun. Mevsimsellik, az gözlenen ürünler ve tedarik süresini ayrı değerlendirin.

Ölçülebilir çıktı: Tahmin hatası, aralık kapsaması, örnek varsayımlar altında olası stok yetersizliği sayısı. Gerçek maliyet kazancı iddiası için firmanın maliyet verisi gerekir.

3. Makine arızası öngörüsünde en basit gösterge yeterli mi?

Problem: Bakım ekibi mevcut sensör verisini inceliyor ama arıza riski için hangi göstergenin işe yaradığını bilmiyor.

Yöntem: Anonimleştirilmiş sıcaklık, titreşim veya çalışma süresi verileriyle basit eşik, lojistik regresyon ve uygun diğer modelleri karşılaştırın. Gelecekten bilgi sızdırmayan zaman temelli test kullanın.

Ölçülebilir çıktı: Arızadan önce uyarı süresi, yanlış alarm yükü ve kaçırılan olay sayısı. Gerçek arıza kaydı azsa “kesin arıza tahmini” yerine ölçüm kalitesi/izleme fizibilitesi araştırmasına daraltın.

Mühendislik öğrencileri için: prototipi ölçümle bağlayın

4. Üretim hattında gereksiz enerji tüketimi nasıl saptanır?

İlgili alanlar: Elektrik-Elektronik, Makine, Endüstri Mühendisliği ve İstatistik.

Problem: Aynı üretim çıktısı için farklı vardiyalarda veya makine durumlarında enerji tüketimi değişiyor.

Yöntem: Tüketimi üretim miktarı ve çalışma durumu ile normalize edip bir referans model kurun. Firma izin verirse düşük maliyetli ölçüm veya mevcut sayaç verisi kullanın.

Ölçülebilir çıktı: Ürün başına enerji yoğunluğu, açıklanabilen varyasyon ve doğrulama dönemindeki sapma. Sensör, tesis elektriği ve iş güvenliği için firma onayı gereklidir.

5. Görsel kalite kontrolünde küçük bir veri kümesiyle ne yapılabilir?

İlgili alanlar: Makine, Elektrik-Elektronik, bilgisayar/yapay zekâ alanları ve İstatistik.

Problem: Bir parçanın yüzey kusurları insan gözüyle tutarlı biçimde ayrıştırılamıyor.

Yöntem: Firma izinli ve etiketli görüntülerle basit görüntü işleme yaklaşımını daha karmaşık bir modelle karşılaştırın. Farklı gün ve partileri eğitim/test arasında ayırın.

Ölçülebilir çıktı: Hatalı ürünü kaçırma oranı, gereksiz ret oranı, işlem süresi. “Yapay zekâ”nın mutlaka en iyi seçenek olduğunu varsaymayın.

6. Paketleme veya üretim kuyruğunda bekleme azaltılabilir mi?

İlgili alanlar: Endüstri, Makine, İstatistik.

Problem: Hammadde gelişindeki değişkenlik veya makine duruşları dar boğaz oluşturuyor.

Yöntem: İşletmenin onayladığı zaman gözlemleriyle ayrık olay benzetimi ya da uygun kuyruk modelini kurun. Mevcut düzenle iki küçük değişiklik senaryosunu aynı varsayımlarda karşılaştırın.

Ölçülebilir çıktı: Bekleme süresi dağılımı, tamamlanan iş sayısı ve darboğazın değişip değişmediği. Benzetim sonucunu gerçek üretim artışı olarak sunmayın; sahada doğrulama gerekebilir.

7. Gıda üretiminde süreç koşulları ürün değişkenliğini etkiliyor mu?

İlgili alanlar: Gıda, Kimya, Endüstri Mühendisliği ve İstatistik.

Problem: Belirli bir ürün özelliği, proses parametreleri değiştikçe dalgalanıyor.

Yöntem: İzinli üretim verisi veya uygun küçük ölçekli deney tasarımıyla sıcaklık, süre ve diğer kritik değişkenlerin etkisini karşılaştırın. Gıda güvenliği ve yetkili laboratuvar koşullarına uyun.

Ölçülebilir çıktı: Yanıt değişkenindeki farklılık, belirsizlik aralığı ve hangi koşullarda tekrar test gerektiği. Yalnız gözlemsel veriden doğrudan nedensellik iddia etmeyin.

Hangi fikir sizin için daha uygulanabilir?

Fikir seçmeden önce şirket adından bağımsız olarak aşağıdaki soruları cevaplayın:

Örneğin üretimde görüntü analizi fikri ilgi çekici olabilir, ancak firma görüntü paylaşamıyorsa uygulanamaz. Buna karşılık eldeki anonimleştirilmiş ölçümlerde birkaç istatistiksel yöntemi karşılaştırmak daha mütevazı fakat daha savunulabilir bir 2209-B araştırmasına dönüşebilir. Proje başlığına iddialı teknolojiler eklemektense ölçülebilir bir sanayi çıktısı tasarlamayı öne alın.

Hacettepe'deki bölüm ve sanayi bağlantısını doğru kurun

İstatistik tarafında Hacettepe İstatistik Bölümü; mühendislik tarafında ise çalışma alanına göre Mühendislik Fakültesi bölüm sayfaları akademik danışman aramak için başlangıç olabilir. 2025–2026 idari düzenlemelerinde Bilgisayar Mühendisliği ve Yapay Zekâ Mühendisliği yeni Bilgisayar ve Bilişim Bilimleri Fakültesine taşındı; eski kayıtlı öğrencilerle ilgili geçiş bilgisi mühendislik sayfasında ayrıca açıklanıyor. Danışman ararken güncel birim bilgisini kontrol edin.

Sanayi tarafında Hacettepe Teknokent Teknoloji Transfer Merkezi iş birliği olanaklarını araştırmak için bir temas noktası olabilir; uygun firma ve danışman bulunacağına dair garanti değildir. Firma ile ilk görüşmede veri erişimi, gizlilik, fikrî haklar, test ortamı ve olası sanayi onay yazısını konuşun. İnsanlardan kişisel veri veya firmadan gizli üretim verisi kullanılacaksa yalnız anonimleştirme sözüyle yetinmeyin; gerekli izin ve etik süreçlerini önceden değerlendirin.

TÜBİTAK 2026 çağrısı, proje önerisinde kullanılan üretken yapay zekâ araçları için de sorumlu ve güvenilir kullanım rehberine uyulmasını istiyor. Buradaki fikirleri doğrudan proje önerisi diye kopyalamak yerine kendi literatürünüz, erişebildiğiniz veri ve danışmanların değerlendirmesiyle özgünleştirin. Gerçek araştırma tasarımı, iyi görünen fikir listesinden daha değerlidir.