Ali Özgür

The current generation of AI coding tools is impressive as a product category, but much less convincing as a platform category.

That distinction matters.

There is a lot of attention on the user-facing side of these tools: prompt boxes, agent workflows, code generation, terminal loops, patch application, context gathering, and various forms of assisted editing. But when these products are examined from the perspective of integration, automation, governance, and third-party extensibility, the picture becomes much weaker.

Disclaimer: This is not written as a criticism of any specific product or team. The issues discussed here are structural and ecosystem-wide. No pun intended toward any particular tool, vendor, or approach.

Yazılım geliştirme dünyasında sık karşılaşılan bir yaklaşım vardır. Birçok kişi bir teknolojiyi veya yöntemi öğrenmenin en iyi yolunun gözlem yapmak olduğunu düşünür. Çalışan kodları incelemek, başkalarının çözümlerini görmek, örnek projeleri takip etmek ve bunları taklit etmek.

Bu yaklaşımın belirli bir değeri vardır. Gözlem öğrenmenin önemli bir parçasıdır. Ancak tek başına yeterli değildir. Sadece gözleme dayalı bir öğrenme modeli yazılım mühendisliği gibi karmaşık bir disiplinde ciddi sınırlamalara sahiptir.

Teori bu noktada devreye girer. Teori, gözlemlenen davranışların arkasındaki yapıyı anlamayı sağlar.

A detailed explanation of why HARP defines a cryptographic human authorization layer instead of building on top of existing MCP-style tool invocation protocols.

HARP defines a deterministic artifact model, canonical hashing, and signed decision tokens to cryptographically bind human approval to AI agent actions, with replay resistance, strict enforcement requirements, and interoperability primitives.

Özellikle 2025 yılının ortasından sonra yeni teknoloji ve yaklaşımları kullanarak araçlar ve servisler sunan AI ekosistemindeki teknoloji şirketleri agentic sistemleri dijital dönüşüm odaklı süreç otomasyonuun yeni zirvesi olarak sunmaya başladılar. Bu yeni (ama eski) yaklaşımda agentic sisteme bir hedef veriyorsunuz, sistem plan yapıyor, plana göre araçları çağırıyor, iş adımlarının çıktılarını birleştiriyor ve işi tamamlıyor. Bu yaklaşım demolarda oldukça etkileyici görünüyor, çünkü demo ortamı genellikle agentın ihtiyaç duyduğu şekilde kurgulanıp ideal koşullara göre davranıyor. Tool API sözleşmeleri net, hata durumları sınırlı, veri tutarlı, başarı kriterleri ölçülebilir ve aynı isteğin tekrar edilmesi çoğu zaman büyük bir probleme dönüşmüyor.

Bir süredir içimde adını tam koyamadığım bir huzursuzluk var. Yapay zeka/LLM modelleriyle çalışırken, özellikle yazılım geliştirme, mimari tasarım ve günlük destek işleri bağlamında, eskiden hissettiğim tatminin yer değiştirdiğini fark ediyorum. Bu bir “AI karşıtlığı” değil. Daha çok, mesleki kimliğimin ve alıştığım haz kaynaklarının sessizce şekil değiştirmesi.

Bunu yazıya dökmek istedim; belki benzer bir çatışmayı yaşayan başkaları da vardır.

Endüstri 4.0 döneminde dijital dönüşümün gerçek değeri, sadece veriyi toplamakta değil, veriyi anlamlı hale getirmekte yatıyor.

Üretim hatlarında, tesis altyapısında ve kurumsal uygulamalarda oluşan bu veriyi bütünleştirmek; hem teknik hem de operasyonel açıdan ciddi bir mühendislik gerektiriyor.

İşte tam bu noktada, trex Digital Manufacturing tarafından geliştirilen NightWatch, sahadan kurumsal sistemlere veri akışını yöneten, açık, standart uyumlu ve lisans ücreti gerektirmeyen bir middleware platformu olarak öne çıkıyor.

NightWatch, trex MOP (Manufacturing Operations Platform) bileşenleriyle hazır entegrasyona sahip olup, MES, MOM, enerji, bakım ve kalite yönetimi sistemleri arasında veri akışını kolaylaştıran güçlü bir altyapı sunar.

Üretim dünyası son on yılda köklü bir dijital dönüşüm sürecinden geçiyor.
Endüstri 4.0, IoT, yapay zekâ ve büyük veri gibi kavramlar artık yalnızca akademik sunumlarda değil, üretim hattında günlük kararların parçası. Bu dönüşümün merkezinde ise MES (Manufacturing Execution System) çözümleri yer alıyor.

MES sistemleri, ERP’den gelen planları sahadaki gerçek zamanlı üretim verileriyle buluşturarak fabrikanın “sinir sistemi” işlevini görür. Ancak bu sinir sisteminin nasıl kurgulanacağı — yani mimarisi — çoğu zaman yanlış anlaşılıyor.
Özellikle “web tabanlı sistem modern, client–server mimari eski” söylemi, endüstriyel gerçeklikten çok BT sektöründeki genel eğilimlerin bir yansıması.

Bu yazıda bu algının neden oluştuğunu, neden tam olarak doğru olmadığını ve neden hibrit mimarinin modern MES çözümlerinde fiili standart haline geldiğini tüm boyutlarıyla inceleyeceğiz.

AI is no longer a futuristic concept - it’s embedded in how we work, write, code, communicate, and even think. I’ve been reflecting on a question that feels more urgent by the day:

What if AI usage, as it becomes more widespread, slowly erodes the very foundations of human learning and creativity?

“I know you remember.”

That’s what I say to ChatGPT when I want a brutally honest reflection of myself.
Not as a coach. Not as a therapist. But as an objective record keeper of the questions I’ve asked, the code I’ve shared, the decisions I’ve debated, and the doubts I’ve wrestled with.

And here’s the twist: if an AI knows you well enough to help you improve - could it also help others see you better?

Türkçe Versiyon - Yapay Zeka Sizi Özgeçmişinizden Daha İyi Tanıyor

Search has evolved.

We started with simple keyword search, improved it with full-text search, and are now entering the era of semantic search powered by vectors.

But here’s the reality: most software systems today are still stuck somewhere between keyword and full-text.

In this post, we’ll walk through:

• Keyword vs Full-Text vs Vector search
• Why you need vector databases — even if you already use PostgreSQL full-text search
• Similarity algorithms: cosine, dot product, Euclidean — with visuals
• A full .NET 9 RAG implementation using PostgreSQL + pgvector + Ollama

Vibe coding feels fast and creative — like pair programming with an AI that never sleeps. But if you skip understanding and review, you’re not coding faster — you’re just deferring disaster.

Bu yazımda Gartner’ın Software Engineering Practices kategorisi altında yayımlanan “Software Engineering Teams Must Learn to Deliver More Value” makalesinde ele alınan konuların bendeki yansımalarını ve makale içinde yer alan bazı görüşleri sizlerle paylaşıyorum.

Bu kısa yazımızda, MES/MOM ve dijital dönüşüm ekosisteminde OEE kavramı açıklanırken sıklıkla birbirinin yerine kullanılan etkinlik (effectiveness) ve verimlilik (efficiency) kavramları arasındaki farkı ele alıyoruz.

Merhaba! Bu yazımızda zaman serilerinin (time series) karakteristik özellikleri ve NightWatch’un zaman serisi verisi toplama özelliklerine ele alıyoruz.

“Merhaba NightWatch!” başlıklı ilk yazımızda NightWatch’un veri toplama ve veri dağıtımı yeteneklerinden bahsetmiştik. Bu yazımızda ise NightWatch’un gerçek zamanlı olarak alarm durumlarını yakalama ve dağıtma yeteneklerini ele alıyoruz.

NightWatch açık veri toplama platformumuzu çok yakında tüm paydaşlarımızın ücretsiz kullanıma sunacağız. Bu yazı ve devamında paylaşacağımız yazılar ile NightWatch’un tasarımı, geliştirilmesi ve saha testi aşamalarında aktif olarak birlikte çalıştığımız paydaşlarımıza ek olarak endüstriyel alanda ve üretim sahalarında teknolojik çözümler üreten ekiplerin de NightWatch ile ne tür çözümler üretebileceklerini anlatmayı hedefliyoruz.

COVID-19 pandemi sürecinin başlangıcından bu yana 2 yıl geçti ve bu 2 yıllık sürecin sonunda sadece BT ve diğer birçok sektörde çalışanlar iş yerleri ile olan ilişkilerini daha yoğun bir şekilde gözden geçirme eğilimindeler. Pandeminin ilk yılında BT sektörü yeni normlardan en önemlisi olarak kabul edilen uzaktan çalışmaya en hızlı adapte olan sektörlerden birisi oldu. Bu hızlı adaptasyon sayesinde BT alanında çalışan firmalar çevrimiçi hizmetlere artan talebin kesintiye uğramadan karşılanmasında ve günün koşullarının dayattığı yeni çevrimiçi servisleri üretmede çok iyi bir performans sergilediler. Ancak, bu süreç uzadıkça BT şirketleri uzaktan çalışmanın ve artan çevrimiçi ihtiyaçların neden olduğu yıkıcı sorunlar ile yüzleşmek zorunda kalıyorlar. BT sektörü açısından bu sorunlardan en yıkıcısı olma potansiyeli taşıyan ve 2022 yılında da artarak devam etmesi ön görülen sorun artan istifalardır.

İmalat sanayiinde yer alan işletmelerin üretim etkinliklerinin en önemli göstergesi olan OEE değerinin hesaplanmasında dikkate alınan 16 büyük kayıptan en önemli kategori Ekipman Etkinliği başlığı altında ele alınan 8 büyük kayıptır. Bu 8 kayıp içerisinde yer alan arıza kayıpları doğrudan, hatalı ürün kayıpları ise dolaylı olarak kestirimci bakım uygulamaları ile azaltılarak OEE değerlerinde iyileşmeler sağlanabilir. Ekipman bakımlarının arıza oluşmadan tespit edilmesi maliyetlerin kontrol alınması açısından da önem arz etmektedir.

Özel olarak MES (Manufacturing Execution System/Üretim Yürütme Sistemi) ve genel olarak IIoT (Industrial IoT) uygulamalarında çevrim süresi hesabı üretim planlaması, üretim optimizasyonu ve verimlilik hesaplama gibi bir çok alanda doğrudan veya dolayılı olarak kullanılan önemli bir kavramdır.

Bu yazımda .NET ve C# ile bir sinyalin iki ölçümü arasında geçen süreyi ölçmek için kullanabileceğimiz yapıları ele alıyorum.