Sonatus kurucu ortağı ve Baş Teknoloji Sorumlusu (CTO) Fang Yu, 17 Eylül’de Münih’te düzenlenen AI-Defined Vehicle Forum 2026 etkinliğinde, yapay zekanın otomotiv sektöründeki kullanımının yalnızca otonom sürüş ve insan-mak etkileşimi gibi konularla sınırlı kalmaması gerektiğini savundu. Yu’ya göre, araç geliştirmenin araştırma-geliştirme (Ar-Ge), test, üretim ve satış sonrası süreçleri kapsayan tüm yaşam döngisine yayılmasıyla “gerçekten yapay zeka tabanlı” araçlara ulaşılabilir.
Fang Yu, güncel sektörel tartışmaların büyük ölçüde akıllı sürüş ve kabin içi deneyime odaklandığını, ancak bu yaklaşımın aracın tamamına yayılan zekânın “diğer yarısını” eksik bıraktığını belirtti. Ona göre araç geliştirmedeki temel sorun, bilgiyi farklı departmanlar, araçlar ve veri sistemleri arasında parçalanmış olması.
Bilginin Parçalanması: Kök Neden Teknoloji Değil, İnsan Sınırları
Fang Yu, Ar-Ge, test, üretim ve satış sonrası birimlerin her birinin kendi yazılımı, veri tabanı ve iş akışlarıyla çalıştığını vurguladı. Bu durumun, devasa miktardaki bilginin kaynak kodunda, modellerde, Jira biletlerinde, geçmiş kayıtlarında ve araç verilerinde hapsolmasına yol açtığını ifade etti. Yu’ya göre bu parçalanma, sorunun teknolojik bir tercih gibi görünse de kök nedeninin insan sınırları taşıdığından kaynaklanıyor.
“Bir birey yalnızca belli miktarda bilgiyi anlayabilir ve işleyebilir; zaman da aynı şekilde sınırlıdır,” dedi Yu. “Bu nedenle, bir aşamada biriken tüm bilginin bir sonraki ekibe tam olarak aktarılması zorlaşır.” Ona göre yapay zeka burada farklı bir olasılık sunuyor.
Nissan Örneği: İki Haftalık Süre İki Güne İn
Fang Yu, Nissan Teknik Merkezi’nde yaşanan somut bir örnekle, Ar-Ge aşamasındaki bilgilerin araç test verileriyle birleştirilmesinin ve yapay zeka ile analiz edilmesinin, mühendislerin arıza tespiti için harcadığı süreyi yaklaşık iki haftadan yalnızca iki güne indirdiğini anlattı.
Bu bilgi akışının tek yönlü olması gerektiğini vurgulayan Yu, Ar-Ge sırasında biriken bilgilerle test ekiplerinin daha hedefe yönelik planlar yapmasına yardımcı olunabileceğini ve bu bilgilerin üretim hattındaki son kontrol (End-of-Line) testlerine ile satış sonrası teşhis süreçlerinde kullanılabileceğini belirtti. Tersine, sales sonrası dönemde tespit edilen toplu sorunların Ar-Ge sistemine hızlı biçimde geri beslenmesi gerektiğini ekledi.
Fastlane: Gözle-Tahmin Et-Tepki Döngüsü
Sonatus’un güncel Fastlane ürün serisi, tam olarak bu mantık üzerine kurulu. Araç verilerinin toplanmasını sağlayan Fastlane Collector, araç içi uç bilişim (edge computing) çözümleri sunan Fastlane Edge ve bulut tabanlı yapay zeka ajanı analizlerini içeren Fastlane Insight’tan oluşan seri; üç ürünün bağımsız ya da birleştirilerek kullanılmasıyla sürekli bir “Gözle-Analiz Et-Tepki Ver” döngüsü oluşturabiliyor.
Fang Yu, bununla birlikte yapay zekanın tüm ham araç verilerinin doğrudan büyük modellere doldurulması anlamına gelmediğini uyardı. Araçların önce ham veri denizinden değerli bilgileri ayıklayacak esnek bir veri toplama ve işleme yeteneğine sahip olması gerektiğini, ardından bu bilgilerinin yapay zekaya aktarılması gerektiğini vurguladı.
“Sonuçta gerçekten yalnızca iki şey önem taşıyor: zaman ve risk kontrolü.”
Fang Yu, Sonatus Kurucu Ortağı ve CTO
Araç teşhisi ve güvenlik gibi senaryolarda yapay zeka çıktısının yeterli deterministik (belirleyicilik) düzeyini koruması gerektiğini hatırlatan Yu, Ar-Ge, test, üretim ve sales sonrası süreçteki bilginin gerçekten yapay zeka ile bağlanmasının ardından, yapay zekanın sağlayacağı değerin artık yalnızca araç içi deneyimle sınırlı kalmayıp geliştirme verimliliğine, kalite kontrolüne ve toplam yaşam döngüsü maliyeti yönetimine kadar uzanacağını öngördü.
