AWS Bedrock ile Endüstriyel Verilerde Generative AI: Anomali Tespiti ve Tahmin Modelleri

Giriş

AWS Bedrock, Amazon'un fully-managed Generative AI servisidir. Claude (Anthropic), Llama (Meta), Titan (Amazon) gibi foundation modellere tek bir API ile erişim sağlar. Cloud & IoT Veri Toplama Çözümlerimiz kapsamında, Bedrock ile endüstriyel AI uygulamalarını inceliyoruz.

Bedrock vs Diğer AI Çözümleri

Endüstriyel Use Case'ler

1. Sensör Verisi Anomali Tespiti

ZMA Data Acquisition'dan gelen verilerde pattern tanıma:

import boto3
import json

bedrock = boto3.client('bedrock-runtime', region_name='us-east-1')

# Son 24 saatin sensör verileri
sensor_data = {
    "timestamp": [...],
    "temperature": [22.1, 22.3, 22.2, 45.8, 22.4, ...],  # 45.8 anomali!
    "pressure": [1.01, 1.02, 1.01, 1.02, 1.01, ...],
    "vibration": [0.05, 0.06, 0.05, 0.15, 0.14, ...]  # Artış var
}

prompt = f"""
Aşağıdaki endüstriyel sensör verilerini analiz et:
{json.dumps(sensor_data, indent=2)}

Görevin:
1. Anormal değerleri tespit et
2. Olası arıza tipi tahmini yap
3. Aciliyet seviyesi belirle (Düşük/Orta/Yüksek)
4. Bakım önerisi sun

JSON formatında yanıt ver.
"""

response = bedrock.invoke_model(
    modelId='anthropic.claude-3-sonnet-20240229-v1:0',
    body=json.dumps({
        "anthropic_version": "bedrock-2023-05-31",
        "max_tokens": 1000,
        "messages": [
            {"role": "user", "content": prompt}
        ]
    })
)

result = json.loads(response['body'].read())
print(result['content'][0]['text'])

Claude Çıktısı:

{
  "anomalies": [
    {
      "sensor": "temperature",
      "timestamp": "2025-12-29 14:30:00",
      "value": 45.8,
      "expected_range": "20-25°C",
      "severity": "HIGH",
      "possible_cause": "Soğutma sistemi arızası veya sensör hatası"
    },
    {
      "sensor": "vibration",
      "trend": "increasing",
      "severity": "MEDIUM",
      "possible_cause": "Rulman aşınması başlangıcı"
    }
  ],
  "recommendations": [
    "1. Sıcaklık sensorünü acilen kontrol et",
    "2. Soğutma sistemini incele",
    "3. Motor titreşim bakımını 1 hafta içinde planla"
  ],
  "urgency": "HIGH"
}

2. Doğal Dil ile Veri Sorgulama

Operator: "Geçen hafta tank 3'ün doluluk oranı ortalama neydi?"

def natural_language_query(question, database_schema):
    prompt = f"""
    SQL veritabanı şeması:
    {database_schema}

    Kullanıcı sorusu: "{question}"

    Bu soruyu yanıtlayan SQL sorgusunu yaz. Sadece SQL kodu döndür, açıklama ekleme.
    """

    response = bedrock.invoke_model(
        modelId='anthropic.claude-3-haiku-20240307-v1:0',
        body=json.dumps({
            "anthropic_version": "bedrock-2023-05-31",
            "max_tokens": 500,
            "messages": [{"role": "user", "content": prompt}]
        })
    )

    sql = json.loads(response['body'].read())['content'][0]['text']
    return sql

schema = """
CREATE TABLE tank_data (
    tank_id INT,
    timestamp DATETIME,
    weight_kg FLOAT,
    capacity_kg FLOAT
);
"""

sql = natural_language_query("Geçen hafta tank 3'ün doluluk oranı ortalama neydi?", schema)
print(sql)

Claude Çıktısı:

SELECT AVG((weight_kg / capacity_kg) * 100) as avg_fill_percentage
FROM tank_data
WHERE tank_id = 3
  AND timestamp >= DATE_SUB(NOW(), INTERVAL 7 DAY);

3. Bakım Raporu Generation

maintenance_data = {
    "equipment": "Motor 12B",
    "last_maintenance": "2025-11-15",
    "sensor_readings": {
        "temperature": 75,
        "vibration": 0.12,
        "runtime_hours": 2400
    },
    "historical_failures": [
        {"date": "2024-08-20", "issue": "Rulman değişimi"},
        {"date": "2023-12-10", "issue": "Fan kayışı"}
    ]
}

prompt = f"""
Aşağıdaki ekipman için bakım raporu oluştur:
{json.dumps(maintenance_data, indent=2)}

Rapor formatı:
- Mevcut durum özeti
- Risk analizi
- Önerilen bakım işlemleri
- Tahmini maliyet ve süre

Profesyonel, teknik ama anlaşılır bir dil kullan.
"""

response = bedrock.invoke_model(...)
report = json.loads(response['body'].read())['content'][0]['text']

# PDF'e çevir ve email gönder

RAG (Retrieval Augmented Generation)

Fabrika operasyon el kitabını AI'a öğretme:

1. Doküman Embedding

from langchain.embeddings import BedrockEmbeddings
from langchain.vectorstores import FAISS
from langchain.document_loaders import PyPDFLoader

# PDF doküman yükle
loader = PyPDFLoader("motor_operation_manual.pdf")
documents = loader.load_and_split()

# Bedrock Titan embeddings
embeddings = BedrockEmbeddings(
    model_id="amazon.titan-embed-text-v1",
    client=bedrock
)

# Vector store oluştur
vectorstore = FAISS.from_documents(documents, embeddings)
vectorstore.save_local("faiss_index")

2. RAG Query

from langchain.chains import RetrievalQA
from langchain.llms import Bedrock

question = "Motor titreşimi 0.15 mm/s'yi aştığında ne yapmalıyım?"

# Relevent dokümanları bul
docs = vectorstore.similarity_search(question, k=3)

# Bedrock LLM
llm = Bedrock(model_id="anthropic.claude-3-sonnet-20240229-v1:0", client=bedrock)

# RAG chain
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=vectorstore.as_retriever()
)

answer = qa_chain.run(question)
print(answer)

Claude Yanıtı (Doküman bazlı):

Operasyon el kitabı sayfa 47'ye göre:

Motor titreşimi 0.15 mm/s'yi aşarsa:
1. Motoru ACĐL DURDURUN
2. Rulman sıcaklığını kontrol edin (max 80°C)
3. Motor montaj vidallarını kontrol edin
4. Bakım ekibini çağırın (Tel: 5551234567)

NOT: 0.20 mm/s üzeri KRĐTĐK seviye, motor hasarı riski vardır.

Fine-Tuning (Model Eğitimi)

Kendi endüstriyel domain bilginizle modeli özelleştirme:

# Training data (JSON Lines format)
training_data = [
    {
        "prompt": "Loadcell drift nedir?",
        "completion": "Loadcell drift, zaman içinde sensörün sıfır noktasının kayması nedeniyle oluşan ölçüm hatasıdır."
    },
    {
        "prompt": "GDT transmitter kalibrasyonu nasıl yapılır?",
        "completion": "1. Bilinen referans ağırlık kullan\n2. Modbus register 100'e kalibrasyon değeri yaz\n3. Coil 2'yi aktive et"
    },
    # ... 1000+ örnek
]

# Bedrock fine-tuning job
bedrock.create_model_customization_job(
    jobName="gdt-domain-model",
    customModelName="gdt-expert-claude",
    baseModelId="anthropic.claude-3-haiku-20240307-v1:0",
    trainingDataConfig={
        "s3Uri": "s3://mybucket/training_data.jsonl"
    },
    outputDataConfig={
        "s3Uri": "s3://mybucket/output/"
    }
)

Guardrails (Güvenlik Korumaları)

AI yanıtlarında istenmeyen içeriği filtreleme:

bedrock.create_guardrail(
    name="IndustrialSafetyGuardrail",
    contentPolicyConfig={
        "filtersConfig": [
            {
                "type": "VIOLENCE",
                "inputStrength": "MEDIUM",
                "outputStrength": "HIGH"
            },
            {
                "type": "HATE",
                "inputStrength": "HIGH",
                "outputStrength": "HIGH"
            }
        ]
    },
    topicPolicyConfig={
        "topicsConfig": [
            {
                "name": "Financial Data",
                "definition": "Şirket finansal verileri",
                "type": "DENY"
            }
        ]
    }
)

Maliyet Optimizasyonu

Model Seçimi

Batch Processing

# Kötü: Her sensör okumasında API call
for reading in sensor_readings:
    bedrock.invoke_model(...)  # 1000 call = $3

# İyi: Batch processing
batch_prompt = f"Şu 1000 sensör okumasını analiz et:\n{readings}"
bedrock.invoke_model(...)  # 1 call = $0.05

Gerçek Dünya Örneği

Bir üretim tesisinde Bedrock kullanımı:

• 300 sensör, 5 saniye polling
• Daily anomaly detection raporu
• Chat interface operatörler için

Aylık maliyet:

• API calls: ~500K tokens/ay × $0.003 = $1.50
• Fine-tuned model: +$2/ay
• Toplam: ~$3.50/ay

Alternatif (Manuel analiz): 1 data scientist × $5000/ay → %99.93 tasarruf

Sonuç

AWS Bedrock, endüstriyel AI uygulamalar için güçlü ve maliyet-efektif bir çözümdür. Cloud & IoT Veri Toplama Çözümlerimiz ile tam entegrasyon.

İlgili Kaynaklar

• Cloud & IoT Veri Toplama
• Ollama ile Yerel AI
• TinyML: Sensörlerde AI