Yapay Zekâ 3D Ürün İş Akışının Hangi Aşamasında Gerçekten İşe Yarar?

Soru yanlış sorulabiliyor

"Yapay zekâ 3D işini yapabilir mi?" sorusu çoğu zaman fazla geniş. Bir 3D ürün işi tek bir iş değil, birbirine bağlı birkaç aşamadan oluşuyor: ne yapılacağının belirlenmesi, referansın toplanması, modelleme, malzeme, ışık ve render, son olarak teslim ya da web yayını. Yapay zekâ bu aşamaların hepsinde aynı derecede faydalı değil. Bazı aşamalarda ciddi yardım ediyor, bazılarında yalnızca kontrol edilmesi gereken bir çıktı ekliyor, bazılarında ise hiç dahil etmemek daha doğru.

Bu yazıda soruyu aşamalara bölüyorum. Her aşama için aynı üç soruya bakıyorum: bu aşamada iş neyi gerektiriyor, yapay zekâ buna ne katabilir, hatayı kim ve nasıl yakalar. Burada anlattığım şey bir araç tanıtımı değil, bir karar çerçevesi. Belirli bir aracın adı değişebilir, aşamaların mantığı değişmez.

Bu çerçevenin arkasındaki temel fikri daha önce 3D çalışırken yapay zekâyı nerede kullanıyorum yazısında kısaca anlatmıştım. Burada onu bir iş akışının sırasına oturtuyorum ve daha ayrıntılı gidiyorum. Ölçülmüş bir süre ya da yüzde vermeyeceğim; çünkü benim elimde böyle bir veri yok ve olmayan veriyi yazmak bu tür yazıların en büyük sorunu.

İş akışını aşamalara ayırmak

Önce iş akışının kendisini sabitleyelim. Ürün odaklı bir 3D işi, kabaca şu sırayla ilerliyor:

• Brief ve kapsam: ürün ne, çıktı ne için kullanılacak, hangi formatlar teslim edilecek.
• Girdi ve referans toplama: fotoğraf, teknik çizim, ölçüler, renk ve malzeme bilgisi.
• Modelleme: ürünün geometrisinin kurulması ve topolojinin düzenlenmesi.
• UV ve malzeme: yüzeylerin açılması, dokuların ve malzeme özelliklerinin atanması.
• Işık, kamera ve render: görsellerin ya da animasyonun üretilmesi.
• Optimizasyon ve export: dosyanın web ya da AR için hazırlanması.
• Web entegrasyonu ve teslim: modelin sayfaya yerleştirilmesi, testler, dosyaların teslimi.

Girdilerin neden bu kadar belirleyici olduğunu 3D modelleme için hangi girdileri hazırlamalısınız yazısında anlattım. Süreci müşteri gözüyle görmek isterseniz brief'ten teslime 8 aşama rehberi de aynı akışı farklı bir ayrıntıyla işliyor.

Aşağıda her aşamayı sırayla ele alıyorum. Ortak bir ilke olarak şunu baştan söyleyeyim: yapay zekâ çıktısı, doğrulanması kolay ve yanlış çıkarsa maliyeti düşük olan işlerde en çok değer üretiyor. Doğrulaması zor ve hatası pahalı işlerde ise kontrol yükü, sağladığı kolaylığı geçebiliyor.

Brief ve kapsam aşaması

Bu aşamada asıl iş, bir müşterinin ya da kendi projenizin ne istediğini netleştirmek. Yapay zekâ burada karar vermiyor ama düşünmeye yardım edebiliyor. Örneğin dağınık bir not yığınını düzenli bir brief taslağına çevirmek, eksik kalan soruları listelemek ya da bir teslim kapsamı kontrol listesi için ilk taslak çıkarmak makul kullanım alanları.

Burada dikkat edilecek nokta, yapay zekânın bilmediğiniz şeyleri bilmiş gibi doldurması. Ürünün ölçüsünü, malzemesini ya da hedef platformunu siz söylemediyseniz, araç tahmin ederek bir cümle kurabilir ve o cümle brief'e girince sanki doğrulanmış bir bilgiymiş gibi durur. Bu yüzden brief taslağındaki her somut bilgiyi kaynağına, yani ürünü bilen kişiye ya da ürünün kendisine geri götürmek gerekiyor.

Brief aşamasında yapay zekâ için iyi bir kullanım biçimi, çıktının "soru listesi" olarak istenmesi. "Bu brief'te hangi bilgi eksik?" sorusu, "brief'i tamamla" isteğinden daha güvenli. Birincisi eksiği gösterir ve karar insanda kalır, ikincisi eksiği uydurmayla kapatır.

Kapsam ve teslim konusunda ayrıca teslim kapsamında ne dahil olmalı yazısına bakabilirsiniz. Bir kapsam metni üretirken yapay zekâ taslak çıkarabilir ama hangi revizyonun dahil olduğu, hangi formatın teslim edileceği gibi maddeler tarafların kararıdır; bunları araca bırakmam.

Referans ve girdi toplama

Referans aşaması iki parçaya ayrılıyor: referansı toplamak ve referansı yorumlamak. Toplamak büyük ölçüde insan işi, çünkü ürünün gerçek fotoğrafı, teknik çizimi ve ölçüleri bir kaynaktan gelmek zorunda. Yapay zekâ bu bilgiyi üretemez; ürettiği şey tahmindir.

Yorumlama tarafında yardım edebileceği yerler var. Elinizde çok sayıda fotoğraf varsa, bunları açılara göre gruplamak ya da hangi açının eksik olduğunu fark etmek gibi düzenleme işleri bunlardan biri. Fotoğraflardan bir malzeme listesi çıkarma denemesi de yapılabilir, ancak sonuç bir hipotez olarak okunmalı: "bu yüzey mat metal gibi görünüyor" ile "bu yüzey mat metal" aynı cümle değil.

Girdi tarafında önemli bir kural koyuyorum: modelin doğruluğunu belirleyen bilgi hiçbir zaman yapay zekânın görsel yorumundan gelmez. Ölçü, ürünün kendisinden ya da teknik belgesinden gelir. Bir referans fotoğrafın modelleme üzerindeki etkisini ürün modelinde referans fotoğrafı neden bu kadar önemli yazısında ayrıntılı anlattım; yapay zekâ bu önemi azaltmıyor, tersine artırıyor, çünkü kontrol için karşılaştıracak gerçek bir referans gerekiyor.

Bu aşamanın özet kararı şu: toplamak insanda, düzenlemek ve eksik aramak araçla birlikte, doğrulamak yine insanda.

Modelleme aşaması

Modelleme, yapay zekâ konusunda en çok tartışılan aşama. Burada iki ayrı durumu ayırmak gerekiyor.

Birincisi, hızlı fikir ya da kavramsal blok model. Ürün henüz netleşmemişse, bir formun genel hissini görmek için yapay zekâ ile üretilmiş bir 3D çıktı bakılacak bir taslak olarak işe yarayabilir. Bu durumda çıktının kusurlu olması sorun değil, çünkü onu teslim etmeyeceksiniz; yalnızca bir yön tartışmasının malzemesi olacak.

İkincisi, müşterinin gerçek ürününü temsil eden model. Burada tolerans neredeyse sıfır. Bir bağlantının yeri, bir kenarın kalınlığı, bir logonun oranı ürünün kendisiyle birebir tutarlı olmak zorunda. Yapay zekâ ile üretilmiş bir geometri ilk bakışta ikna edici olabilir ama topolojisi düzensiz, ölçüsü tahmini olabilir ve bunu düzeltmek sıfırdan modellemekten daha uzun sürebilir. Bu iki durumun farkını AI 3D modelleme işini bitirecek mi yazısında tartıştım, belirli bir aracı da Tripo AI yazısında ayrıca ele aldım.

Modelin temiz bir topolojiye sahip olması, sonraki aşamaların tamamını etkiliyor: UV açma, malzeme atama, animasyon ve optimizasyon düzgün bir yapı üzerinde çok daha rahat. Neden önemli olduğunu temiz topoloji yazısında anlattım. Bu yüzden ticari ürün modelinde ben geometriyi kendim kuruyorum; yapay zekâ ile üretilmiş bir şeyi kullanacaksam onu yalnızca ölçü ve form referansı gibi görürüm.

Bu aşamanın özet kararı: kavramsal taslakta serbest, gerçek ürün modelinde yardımcı referans, teslim edilecek geometride insan elinde.

UV, doku ve malzeme aşaması

Malzeme aşaması yapay zekâya göre ilginç bir yerde duruyor. Doku üretimi, yani bir yüzey için tekrar eden bir desen ya da ince detay üretmek, yapay zekânın görsel üretim yeteneğiyle örtüşen bir iş. Bir kumaş ya da tahta deseni için fikir çıkarmak veya bir referans görselinden benzer bir yüzey karakteri aramak mantıklı kullanım olabilir.

Ancak 3D'de bir doku yalnızca bir resim değil. Hangi kanala bağlandığı, hangi renk uzayında yorumlandığı, UV üzerinde nasıl tekrar ettiği çıktının doğruluğunu belirliyor. Yapay zekâ ile üretilmiş bir resim, dikişsiz tekrar etmeyebilir, ışık ve gölge bilgisini içine gömmüş olabilir ya da gerçek ürünün yüzeyiyle uyuşmayabilir. Bu yüzden üretilen her dokuyu bir ham madde gibi görüp, modelde ışık altında denemeden kabul etmiyorum.

Kontrol listem burada kısa:

• Doku modelde göründüğü gibi ışık altında da doğru görünüyor mu?
• Tekrar noktalarında belirgin bir kırılma var mı?
• Renk dokusu ve veri dokuları (roughness, normal) doğru kanala ve doğru renk uzayı ayarına bağlı mı?
• Gerçek ürünün yüzeyiyle yan yana koyduğumda karakter tutuyor mu?

PBR malzemelerde bu kanalların ne işe yaradığını PBR malzeme yazısında açıkladım. UV açma ise yapay zekânın güvenilir biçimde çözdüğünü söyleyemeyeceğim bir iş; UV açma hem modelin yapısını hem dokunun nasıl kullanılacağını bilmeyi gerektiriyor ve burada kontrolü elde tutuyorum.

Özet karar: doku fikri ve ham görsel için yardımcı, malzeme bağlantısı ve UV için insan kontrolü şart.

Işık, kamera ve render aşaması

Render aşamasında iki farklı şey karışabiliyor: bir 3D sahnenin render motoru ile üretilmesi ve bir görselin üretken yapay zekâ ile oluşturulması. İkincisinde ürün gerçekte olduğundan farklı görünebilir. Bir ürün görselinde renk, oran ya da küçük bir detay yanlışsa, o görsel ürünü yanlış anlatır. Müşteri için ürün görseli bir söz niteliği taşıdığı için, ürünü temsil eden görselde ben render motorunun ürettiği, gerçek modele dayalı çıktıyı tercih ediyorum.

Bu aşamada yapay zekânın yararlı olabileceği yerler daha çok yardımcı alanlar. Kompozisyon fikirleri, sahne düzeni için ilham arayışı, bir ışık atmosferini tarif etmek ve bunu referans olarak kullanmak gibi. Ayrıca render sonrası temizlik işlemleri, örneğin gürültü azaltma, zaten render yazılımlarının kendi içinde yerleşik bir konu; ayarları nasıl düşündüğüm render gürültüsü ve denoise yazısında var.

Işık ve kamera kararları ürünün nasıl algılanacağını belirliyor. Bu kararlar ürünü tanıyan ve markayı bilen kişinin kararı. Kamera lensi, odak uzaklığı ve ışık seçimleri teknik olduğu kadar anlatımsal; yapay zekâ bir öneri sunabilir ama "bu ürün için doğru olan bu" diyen taraf olmamalı. Bu kısımda HDRI ile ürün ışıklandırma ve kamera lensi ve odak uzaklığı yazılarındaki yaklaşımı elle uyguluyorum.

Özet karar: ilham ve fikir için yardımcı, ürünü temsil eden son görsel için gerçek model ve render motoru.

Optimizasyon ve export aşaması

Optimizasyon aşaması, dosyanın web ya da AR için hafifletilmesi. Bu aşamanın doğası ölçülebilir olması: dosya boyutu, doku çözünürlüğü, polygon sayısı, yükleme davranışı. Ölçülebilir olan iş, kontrolü kolay iş demek. Dolayısıyla yapay zekâ bu aşamada, özellikle betik yazma ve tekrar eden işleri otomatikleştirme tarafında faydalı olabilir. Örneğin birçok dosya için aynı export adımlarını uygulayan bir betik taslağı istemek mümkün.

Ama burada da otomasyonun çıktısını görmeden güvenmiyorum. Bir betik "tamamlandı" dediğinde bile dosyanın boş ya da eksik olması mümkün. Ben export edilen dosyayı üretildiği programdan bağımsız bir görüntüleyicide açıyorum, boyutuna bakıyorum, ölçek ve yönünü kontrol ediyorum. Kendi kontrol sürecimi Blender'dan GLB export ederken nelere dikkat ediyorum yazısında anlattım. Optimizasyonun genel mantığı ise bir 3D modeli web için optimize etme sürecim yazısında.

Bir not: optimizasyon sırasında hangi görsel kalitenin feda edilebileceği bir yargı kararı. Polygon sayısını düşürmek ya da dokuyu küçültmek ürünün hangi detayını bozar, bunu görmek için modelin kendisine bakmak gerekiyor. Bir aracın "küçülttüm, sorun yok" demesi yeterli değil.

Özet karar: tekrarlayan adımların betiklenmesinde yardımcı, sonuç dosyasının doğrulanması insanda.

Web entegrasyonu ve teslim

Son aşamada model sayfaya yerleşiyor. Burada yapay zekâ kod yazma tarafında etkili. Bir 3D görüntüleyiciyi sayfaya eklemek, kontrolleri düzenlemek, yükleme durumunu göstermek gibi işler kodla çözülüyor ve kodu taslaklamak hızlandırılabilir. Bu konunun ayrı bir yazısı var: AI destekli kodla 3D web projesi geliştirme iş akışı. Burada yalnızca iş akışındaki yerini belirteyim: web aşaması, yapay zekânın en çok yardım ettiği ama aynı zamanda en çok yan etki üretme ihtimali olan aşama.

Teslimde ise önemli olan şey checklist'tir. Hangi dosya, hangi formatta, hangi çözünürlükte teslim edildi, model telefonda açılıyor mu, bağlantılar çalışıyor mu? Bu kontrol bir yapay zekâ işi değil, sürecin disiplinidir. Web'e taşırken yapılan tipik hataları 3D ürünü web'e taşırken en çok yapılan hatalar yazısında topladım.

Gerçek bir örnek olarak Aura Reformer çalışmasını verebilirim: 6 ürün ve 57 renk seçeneğinin web'de tutarlı gösterilmesi gerekiyordu. Bu tür bir işte renklerin her birinin elle kontrol edilmesi gerekiyor; çünkü bir renk varyantının yanlış çıkması müşterinin ürünüyle uyuşmayan bir görüntü demek. Bu çalışmanın nasıl kurulduğunu Aura Reformer renk seçici yazısında anlattım.

Aşamalara göre özet tablo

Yukarıdaki değerlendirmeyi tek bir bakışta toplamak için şu özeti kullanıyorum. Bu bir ölçüm değil, benim çalışma yöntemimin özeti:

• Brief: eksik soru listesi ve taslak için yardımcı; somut bilgiler kaynağından doğrulanır.
• Referans: düzenleme ve eksik bulma için yardımcı; ölçü ve görsel gerçek üründen gelir.
• Modelleme: kavramsal taslakta serbest; ticari ürün geometrisinde elle ve referansla.
• UV ve malzeme: doku fikri için yardımcı; kanal bağlantısı ve UV kontrolü elle.
• Işık ve render: fikir ve ilham için yardımcı; ürünü temsil eden görsel gerçek modelden.
• Optimizasyon: betik ve tekrar işlerinde yardımcı; çıktı bağımsız açılarak doğrulanır.
• Web ve teslim: kod taslağında yardımcı; test ve teslim kontrolü elle.

Görüldüğü gibi örüntü şu: yapay zekâ "hazırlık, taslak ve tekrar eden işlerde" değer üretiyor, "ürünü birebir temsil eden ve geri dönüşü zor kararlarda" değer ürettiği yerde bile kontrol bende kalıyor.

Karar çerçevesi: üç soru

Bir aşamada yapay zekâ kullanıp kullanmamaya karar verirken kendime üç soru soruyorum.

Birinci soru: Çıktıyı hızlıca doğrulayabilir miyim? Bir dosya boyutu, bir bağlantı ya da bir oran gibi şeyler hızlı doğrulanır. Bir geometrinin ürüne tam uyup uymadığı ya da bir dokunun ışık altındaki karakteri daha yavaş ve daha emek isteyen bir doğrulama gerektirir. Doğrulama ne kadar pahalıysa, yapay zekâdan beklenen kazanç o kadar azalır.

İkinci soru: Hata yapılırsa bedeli ne? Bir fikir taslağındaki hata, bir sonraki turda silinir. Müşteriye giden bir görseldeki ya da web'de yayınlanan bir modeldeki hata, güveni etkiler. Bedel arttıkça kontrol artmalı.

Üçüncü soru: Bu işte ürünün kendisine ne kadar sadık olmalıyım? Kavramsal bir iş serbest, gerçek bir ürünü temsil eden iş sadakat ister. Sadakat gerektiren her aşamada gerçek referans ve elle yapılan kontrol devreye girer.

Üç sorunun cevabı da "kolay, düşük, serbest" ise yapay zekâyı rahatça kullanıyorum. Cevaplardan biri bile "zor, yüksek, sadık" ise aracı yalnızca yardımcı olarak, kararı ve son kontrolü kendime ayırarak kullanıyorum. Bu soruların bir kontrol listesi olarak genel hali de AI ile üretirken neden her şeye güvenmemek gerekiyor yazısında var.

Varsayımsal bir örnek

Bir senaryo üzerinden gidelim. Bu senaryo varsayımsaldır; gerçek bir müşteri ya da sonuç anlatmıyor.

Diyelim ki küçük bir marka, mat yüzeyli ve iki parçalı bir ürün için web'de döndürülebilir bir 3D görüntüleyici istiyor. Brief aşamasında yapay zekâdan, markanın gönderdiği dağınık notlardan eksik soru listesi çıkarmasını istiyorsunuz. Liste, "ürünün gerçek ölçüleri yok" ve "hangi renk seçenekleri sunulacak" gibi sorular veriyor. Bu sorular müşteriye gidiyor, cevaplar geliyor; yapay zekâ burada doğru işlevi görmüş oldu.

Modelleme aşamasında ürünün fotoğrafları ve ölçüleri elde. Geometriyi kendiniz kuruyorsunuz, çünkü ürünün iki parçası arasındaki boşluk ve kenar yuvarlatmaları ürünün kimliği. Yapay zekâ ile hızlı üretilmiş bir model burada sadece ilk fikir için bakılan bir yan referans olabilir.

Malzemede mat yüzey için birkaç doku fikri deniyorsunuz, ama hiçbiri doğrudan kullanılmıyor; ışık altında gerçek ürünle karşılaştırılıp biri seçiliyor. Optimizasyon sırasında tekrarlı export adımları için betik taslağı alınıyor, çıktı bağımsız bir görüntüleyicide açılıp kontrol ediliyor. Web aşamasında görüntüleyici kodu taslaklanıyor, mobil ve bağlantı testleri elle yapılıyor.

Bu senaryoda yapay zekâ işi bitirmedi; her aşamada belirli bir işi hızlandırdı ve her aşamada bir insan kontrolü kaldı. Gerçekçi beklenti de bence bu.

Yaygın hatalar

İş akışında yapay zekâ kullanırken sık gördüğüm hatalar şunlar:

• Bütün iş akışını tek bir araca yüklemek. Her aşamanın doğrulama maliyeti farklı; tek bir araca "baştan sona yap" demek bunu görmezden gelir.
• Hızlı ilk sonucu nihai saymak. İlk çıktı çoğu zaman etkileyici. Asıl iş, onu referansla karşılaştırmaktan sonra başlıyor.
• Referanssız çalışmak. Karşılaştıracak gerçek bir şey yoksa hatayı kimse göremez.
• Kontrolü sona bırakmak. Hata bir aşamada girip son aşamada fark edilirse, tüm aşamaları tekrar etmek gerekebilir. Her aşamanın sonunda küçük bir kontrol daha ucuz.
• Araç kararlarını müşteriye söylememek. Müşterinin ürünü için yapay zekâ kullanılıyorsa, bunun hangi aşamada olduğunu açıkça söylemek güveni korur.

Bu sonuncusu önemli. Müşteriyle çalışırken hangi sorulara netlik beklediğinizi 3D görselleştirme hizmeti alırken sorulacak 12 soru yazısında topladım; yapay zekâ kullanımı da bu sorular arasında rahatça sorulabilecek bir konu.

Sık sorulan sorular

Sonuç

Yapay zekâ 3D ürün iş akışında tek bir yerde değil, aşamaya göre değişen yerlerde işe yarıyor. Hazırlık, taslak ve tekrar eden işlerde yardımcı; ürünü birebir temsil eden geometri, malzeme onayı ve teslim kontrolünde ise karar insanda kalmalı. Her aşamada doğrulama maliyetini, hatanın bedelini ve ürüne sadakat ihtiyacını tartmak, aracı nerede kullanacağınızı çoğu zaman net biçimde söylüyor. Projeniz için süreci birlikte planlamak isterseniz teklif alma sayfasından yazabilir, hizmet kapsamına 3D ürün modelleme sayfasından bakabilirsiniz.