Kek Yapan Bir Robot, Nitelikli Çalışan Açığına Çözüm Arıyor
Juchheim Co., baumkuchen yapan robotu Theo’yu Japonya genelinde yaklaşık 20 işletmeye ödünç veriyor ve mali yıl sonuna kadar bu sayıyı 100’e çıkarmayı hedefliyor. Kobe merkezli şekerleme şirketi, makinenin 2025 Osaka-Kansai Expo’daki tanıtımının ardından 25 Mart’ta genel merkezinde robot için bir eğitim tesisi ve showroom açtı.
İçindekiler
- Kek Yapan Bir Robot, Nitelikli Çalışan Açığına Çözüm Arıyor
- Baumkuchen Yapmak Neden Yıllarca Pratik Gerektiriyor?
- Pastacının Kararlarını Veriye Dönüştürmek
- Gıda İşletmeleri Daralan İş Gücü Piyasasıyla Karşı Karşıya
- Yemek Pişirme, Ton Balığı Sınıflandırma ve Tarif Arama
- Projeler Nasıl Gelişti?
- Fiziksel Yapay Zekâ İçin Makine, Bilgi İşlem ve Eğitim Gerekiyor
- Mutfakları Otomatikleştirmek Neden Zor?
- İnsan Emeği Nerede Hâlâ Önemli?
- Öne Çıkanlar
Theo, ince katmanları ağaç halkalarını andıran bir desen oluşturan Alman keki baumkuchen’i yaparken deneyimli pastacıları taklit etmesi için eğitiliyor. Görevi, ekipmanı açıp kapatmaktan ibaret değil. Robot, her hamur katmanının üzerine yenisi eklenmeden önce ne kadar pişmesi gerektiğine karar vermeli ve bitmiş keki etkileyebilecek değişen koşullara uyum sağlamalı.
Japonya’nın gıda sektörünün bu tür makineleri denemek için önemli bir nedeni var. Sağlık, Çalışma ve Refah Bakanlığının verilerine göre şubat ayında yiyecek içecek hizmetleri sektöründe her iş arayana 2,31 açık iş düşerken tüm sektörlerde bu oran 1,13’tü. Gıda işletmeleri hem çalışan bulmaya çalışıyor hem de deneyimli personelin yerini alacak kişileri yetiştirmekte zorlanıyor.
Juchheim Başkanı Hideo Kawamoto, robotun kendilerinin yerini alacak kişileri bulmakta zorlanan bir sektöre destek olabileceğini söyledi. Theo, üretimin sürmesini sağlamayı ve edinilmesi geleneksel olarak yıllarca gözlem ve pratik gerektiren becerileri korumayı amaçlayan bir girişimi temsil ediyor.
Yapay zekâ, ofis yazılımlarının ve fabrika montaj hatlarının ötesine geçerek mutfaklara da giriyor. Kameralar, görüntü sensörleri, pişirme ekipmanları ve üretim kayıtları bir zanaatın bazı yönlerini kaydedebiliyor. İşletmeler açısından daha kapsamlı soru, kaydedilen bu bilginin farklı işyerlerinde güvenilir sonuçlar sağlayıp sağlayamayacağı ve maliyetini karşılayacak kadar tasarruf getirip getiremeyeceği.
Baumkuchen Yapmak Neden Yıllarca Pratik Gerektiriyor?
Şirketi kuran Alman pastacı Karl Juchheim, baumkuchen’i 1919’da Japonya’ya tanıttı. O tarihten bu yana kek, bir asırdan uzun süredir Japon şekerleme kültürünün parçası. Alışıldık görünümü, defalarca tekrarlanan zahmetli bir üretim sürecine dayanıyor.
Pastacı, dönen bir şişin üzerine hamur sürüyor, fırında pişiriyor ve ardından bir kat daha ekliyor. Bu adımların tekrarlanması, keke kendine özgü halkalı görünümünü kazandırıyor. Her katman bir sonrakini etkilediğinden çalışan yüzeyi sürekli kontrol etmeli ve devam etme zamanına karar vermeli.
Sıcaklık, nem ve pişirme süresindeki küçük değişiklikler sonucu etkileyebiliyor. Deneyimli çalışanlar hamurun kıvamına, yüzeyinin görünümüne ve mutfaktaki koşullara göre hareket ediyor. Bu değerlendirmeleri tutarlı biçimde yapmayı öğrenmek birkaç yıl alabiliyor.
Theo, deneyimli Juchheim çalışanlarını gözlemlemek için kameralar ve görüntü sensörleri kullanıyor. Her katmanın rengini, kalınlığını ve dokusunu kaydediyor; ardından bu görünür özellikleri fırının içindeki koşullarla ve şişin hareketiyle ilişkilendiriyor. Bu bağlantılar, makinenin bir katmanın ne zaman hazır olduğunu tahmin etmesine yardımcı oluyor.
Juchheim, Theo’nun yeni bir tekniği birkaç günde öğrenebildiğini, bunun da bir insanın aynı deneyimi edinmesi için gereken süreden çok daha kısa olduğunu belirtiyor. Şirket, sıcaklık, nem ya da malzemeler değiştiğinde ayar yapabilen bir sistemden söz ediyor. Bu özelliğiyle robot, sabit bir hareketi tekrarlamanın ötesinde bir rol üstleniyor.
Pastacının Kararlarını Veriye Dönüştürmek
Theo, insan beynindeki ağlardan kabaca esinlenerek modellenen bir yapay zekâ eğitimi yöntemi olan derin öğrenmeden yararlanıyor. Sistem, karşılaşabileceği her durum için eksiksiz talimatlar almak yerine çok sayıda örneği inceliyor ve örüntüleri buluyor.
Eğitim sırasında öğrenilen örüntüler, daha sonra yeni görüntüler ve sensör okumalarıyla karşılaştırılabiliyor. Theo’nun durumunda bu karşılaştırmanın işe yarar sonucu, pişirme sürecinde alınan fiziksel bir karar: Örneğin mevcut katmanın üzerine yenisi eklenebilecek kadar pişip pişmediğini değerlendirmek.
Deneyimli aşçıların çoğu, yazılı bir kılavuzda her kararını açıklayamasa da doğru biçimde kullanabildiği becerilere, yani örtük bilgiye sahip. Bir aşçı, malzemeler fazladan nem saldığında tavayı daha hızlı çevirmesi gerektiğini bilebilir ya da kek katmanının hafifçe renk değiştirmesinden piştiğini anlayabilir.
Geleneksel çıraklık sistemi bu bilgiyi gözlem ve tekrar yoluyla aktarır. Bir ustayı izleyerek öğrenmek, Japonya’nın mutfak kültüründe güçlü bir yere sahip olmayı sürdürüyor. Bu yaklaşım çok başarılı işler ortaya çıkarabiliyor, ancak çırakların ve eğitim verebilecek kıdemli çalışanların sayısının azalması bilgi aktarımını sürdürmeyi zorlaştırıyor.
Yapay zekâ geliştirme alanında uzmanlaşan Kyoto Tachibana Üniversitesi profesörü Hitoshi Matsubara, teknolojideki ilerlemelerin önceki sistemlerin kaydetmekte zorlandığı hareketleri kaydetmeyi mümkün kıldığını söyledi. Bunun, nitelikli çalışanların sahip olduğu bilginin ele alınış biçimini nasıl değiştirdiğini şöyle anlattı:
Derin öğrenme öncesi dönemde yapay zekâ örtük bilgiyi aktaramıyordu. Ancak teknoloji ilerledikçe örtük bilgi içeren nitelikli çalışan hareketlerini dijitalleştirmek mümkün hale geldi.
Zanaatkârlığı kaydetmek, eğitim örneklerinin kalitesine, kaydedilen koşulların çeşitliliğine ve sensörlerin doğruluğuna bağlı. Bir mutfakta eğitilen robotun başka yerlerde farklı fırınlarla, malzemelerle ya da üretim hedefleriyle güvenilir biçimde çalışabilmesi için ek eğitim gerekebilir.
Gıda İşletmeleri Daralan İş Gücü Piyasasıyla Karşı Karşıya
Bakanlığın şubat ayına ilişkin verilerine göre yiyecek içecek hizmetlerinde her iş arayana 2,31 açık iş düşüyor; tüm sektörlerde ortalama 1,13. Oranın yüksek olması, işverenlerin doldurabilecekleri iş arayan sayısından daha fazla açık pozisyona sahip olduğu anlamına geliyor.
Restoranlar, fırınlar ve gıda üreticileri aynı zamanda yaşlanan iş gücü ve nitelikli mesleklere yönelen gençlerin azalmasıyla karşı karşıya. Bugünkü vardiyaları doldurmak bir sorun. Özellikle yıllarca eğitim gerektiren işlerde, deneyimli bir çalışan emekli olduğunda onun yerini alacak birini bulmak ise başka bir sorun.
Kawamoto’nun yeni çalışanlar bulmaya ilişkin açıklamaları, Theo’nun geliştirilmesine bu çerçevede bakılmasını sağlıyor. Otomasyon, her pozisyonu dolduracak eğitimli çalışan bulunmadığında üretimin sürmesine yardımcı olabilir ve aksi halde az sayıda çalışana bağlı kalacak teknikleri kaydedebilir.
Japonya’nın nüfusunun azalması, bu denemelere ülke çapında daha geniş bir amaç kazandırıyor. Hükümet, 2040’a kadar 18 sektörde yapay zekâ donanımlı yaklaşık 10 milyon robot kullanıma almayı gündeme getirdi. Fiziksel yapay zekâya yönelik planlar, metin ya da görsel üretmekle sınırlı sistemlerden ziyade çevresini algılayıp gerçek dünyada harekete geçen makineleri kapsıyor.
İş gücünün küçülmesine verilen benzer pratik yanıtlar lojistik, tarım, perakende, sağlık ve imalat sektörlerinde de görülüyor. Amaç, nüfus eğilimlerinin tersine dönmesini beklemeden temel hizmetlerin sürmesini sağlamak.
Yemek Pişirme, Ton Balığı Sınıflandırma ve Tarif Arama
Tokyo merkezli TechMagic, kızarmış pilav ve yakisoba gibi yemekleri hazırlayan robotlarda yapay zekâ kullanıyor. Şirket 2025’te, kullanıcının seçtiği tarife göre tava dönüş hızını ve diğer ayarları hesaplayan bir uygulama tanıttı.
Robotlar bu sistemle her bir malzeme için pişirme sürelerini ve ısı düzeylerini öğreniyor. TechMagic, robotların tutarlılığını artırdığını belirtiyor. Çalışmalar, bir şefin tüm sorumluluklarını devralmak yerine her vardiyada aynı doğrulukla tekrarlanması zor fiziksel hareketleri kontrol etmeye odaklanıyor.
Dentsu, ton balığının kalitesini kuyruk bölümlerinin akıllı telefonla çekilmiş fotoğraflarından değerlendirmek amacıyla 2019’da Tuna Scope’u geliştirdi. Sistem, ton balığını değerlendirmede kullanılan uzman gözünü, yani mekiki taklit etmeyi hedefliyor. İnsan uzmanların bu yeteneği geliştirmesi on yıl sürebiliyor.
Kura Sushi daha sonra bu sistemle değerlendirilen ton balığını döner bantlı suşi restoranlarında AI Tuna adıyla servis etti. Bu örnek, yapay zekânın kullanımını yemek pişirmenin ötesine, gıda üretimindeki daha erken bir aşamaya taşıyor: Malzemenin kalitesine karar vermek.
Hiroshima’da Otafuku Sauce, sos formüllerinden oluşan arşivi için 2023’te yapay zekâ destekli bir arama aracı geliştirdi. 15.000’den fazla ürün ve prototip üzerinde eğitilen araç, daha önce iki saate kadar süren bir formül aramasını yaklaşık beş dakikada tamamlayabiliyor. İki saat süren bir arama için bu, sürenin 120 dakikadan beş dakikaya, yani yirmi dörtte bire düşmesi demek.
Bu projeler gıda işletmelerinin farklı alanlarına odaklanıyor. Theo, pişirme kararlarını kaydediyor; TechMagic pişirme hareketlerini kontrol ediyor; Tuna Scope kaliteyi değerlendiriyor; Otafuku’nun aracı ise birikmiş tarif bilgisini buluyor.
Projeler Nasıl Gelişti?
Japonya’daki gıda yapay zekâsı denemeleri, birkaç yıla ve farklı iş türlerine yayılıyor. Bu süreç, eski bir şekerleme tekniğini koruma çabasını malzemeleri değerlendiren, formülleri bulan ve pişirme ekipmanlarını çalıştıran daha yeni araçlarla bir araya getiriyor.
- 1919: Karl Juchheim, baumkuchen’i Japonya’ya tanıttı.
- 2019: Dentsu, akıllı telefon fotoğraflarını kullanarak ton balığının kalitesini değerlendiren Tuna Scope’u geliştirdi.
- 2023: Otafuku Sauce, 15.000’den fazla ürün ve prototip içeren arşivi için yapay zekâ destekli arama aracını geliştirdi.
- 2025: TechMagic, tarif temelli pişirme ayarları uygulamasını tanıttı; Juchheim ise Theo’yu Osaka-Kansai Expo’da sergiledi.
- 25 Mart: Juchheim, Kobe’deki genel merkezinde Theo’nun eğitim tesisini ve showroom’unu açtı.
- Mali yıl sonuna kadar: Juchheim, Theo’yu ödünç alan işletme sayısını yaklaşık 20’den 100’e çıkarmayı hedefliyor.
- 2040: Hükümetin gündeme getirdiği hedef, 18 sektörde yapay zekâ donanımlı yaklaşık 10 milyon robotu kullanıma almak.
Juchheim’ın büyüme hedefi, Theo’yu ödünç alan işletme sayısını mevcut düzeyin yaklaşık beş katına çıkaracak. Bu artış, makinenin öğrendiği becerileri şirketin kendi showroom’unun dışına taşıyıp farklı mutfaklarda uygulayıp uygulayamayacağını sınamak için pratik bir fırsat sunacak.
Fiziksel Yapay Zekâ İçin Makine, Bilgi İşlem ve Eğitim Gerekiyor
Geleneksel endüstriyel robotlar genellikle kontrollü ortamlarda, dikkatle tanımlanmış hareketleri yerine getiriyor. Fiziksel yapay zekâ ise kameraları, sensörleri ve yapay zekâ modellerini makinelerle bir araya getirerek nesnelerdeki, ısıdaki, zamanlamadaki ve mekândaki değişikliklere yanıt verebilmelerini sağlıyor.
Japon robotik şirketleri, Nvidia, Fujitsu, Fanuc, Yaskawa Electric ve Kawasaki Heavy Industries’in yer aldığı ortaklıklar aracılığıyla bu alanda çalışıyor. Bu çalışmalar, Japonya’nın hassas makine üretimindeki deneyimini ileri düzey bilgi işlem ve yapay zekâ modelleriyle birleştiriyor. Nvidia, robotların fiziksel ortamları anlamasına ve değişen görevlere uyum sağlamasına yardımcı olmayı amaçlayan araçlar sundu.
Yerel bilgi işlem kapasitesi, işletmelerin hassas üretim verilerini yurt dışına göndermeden sistem eğitmesine olanak tanıyabilir. Gıda üreticilerinin tarifleri, süreç kayıtlarını ve müşteri bilgilerini korumak için nedenleri var. Daha geniş kullanım için güvenli ağlar, güvenilir sensörler ve eğitimli teknisyenler de gerekiyor.
Nikko, deniz ürünleri, et ve tarım ürünlerinin işlenmesine yönelik otomasyon sistemleri sağlıyor. Şirket ayrıca öğrencilerin ve çalışanların robot eğitimi alabildiği ve işletmelerin belirli bir üretim tesisinde otomasyonun uygun olup olmadığını deneyebildiği Hokkaido Robot Laboratuvarı’nı işletiyor.
Bu tür tesisler, otomasyonun kendi içinde yarattığı personel sorununa yanıt veriyor. Bir işletmenin makinesi olabilir, ancak onu kuracak, denetleyecek, onaracak ve güncelleyecek çalışanları bulunmayabilir. Robotlar belirli bir iş için gereken çalışan sayısını azaltırken mühendislere, operatörlere ve bakım uzmanlarına yönelik talebi artırabilir.
Japonya’nın hassas makine üretimindeki deneyimi ve üreticilerin biriktirdiği operasyon bilgisi, fiziksel yapay zekâ için bir temel oluşturuyor. Bu donanım ve deneyimi, görüntülerden ve sensör verilerinden öğrenen sistemlerle birleştirmek için hâlâ onları çalışır durumda tutacak insanlara ve altyapıya ihtiyaç var.
Mutfakları Otomatikleştirmek Neden Zor?
Restoranlar ve şekerleme mutfakları, birçok sanayi tesisine kıyasla daha öngörülemez. Malzemeler partiden partiye değişebiliyor, menüler farklılık gösterebiliyor ve çalışma alanları kalabalık olabiliyor. Müşteriler yemeğin özenle hazırlanmış görünmesini de bekliyor; sıcaklık ve nem ise hamuru, sosları ve pişirme sürelerini etkiliyor.
Robotun maliyeti, makinenin kendisinden ibaret değil. İşletmelerin sensörleri, yazılımı, kurulumu, bakımı ve personel eğitimini de hesaba katması gerekiyor. Küçük restoranlarda büyük ekipmanlar için yeterli alan ya da masrafı karşılamaya yetecek günlük üretim olmayabilir. Eski makineleri modern yapay zekâ sistemlerine bağlamak da zor olabilir.
Japonya’nın hizmet kültürü başka bir güçlük yaratıyor. Misafirperverlik çoğu zaman kişisel ilgiye, sunuma ve alışılmadık taleplere hızlı yanıt vermeye dayanıyor. Robotlar tekrarlayan pişirme ya da servis görevlerini üstlenebiliyor, ancak insan çalışanlardan beklenen standardın tamamına henüz ulaşmış değiller.
Dar kapsamlı tek bir işi etkili biçimde yapan makine, aynı anda birçok talebin ortaya çıktığı yoğun bir mutfakta zorlanabilir. İşletmelerin bütün bir işyerini robota devretmek yerine belirli işleri denemesinin nedenlerinden biri de bu fark.
Narita Havalimanı’nda, personel ihtiyacını azaltmayı amaçlayan bir deneme kapsamında gözetimsiz bir hediyelik eşya dükkânında kediye benzeyen bir robot kullanıldı. Restoran ve kafelerde de yemek dağıtma, pankek hazırlama, suşi sarma ve okonomiyaki pişirme robotları denendi. Bu denemeler, robotların belirli hizmet işlerine aşamalı biçimde yayıldığını gösteriyor.
İnsan Emeği Nerede Hâlâ Önemli?
Theo’nun yakın vadede deneyimli pastacıların yerini tamamen almaktan çok onlara destek olması bekleniyor. İnsan çalışanlar malzemeleri hazırlamaktan, sonuçları incelemekten, sıra dışı durumları yönetmekten ve yeni ürünler geliştirmekten sorumlu olmaya devam ederken robot süreci tekrarlayabilir, koşulları izleyebilir ve bir tarifi koruyabilir.
Deneyimli pastacılar, tekrarlanan her adımı kendileri yapmak yerine eğitim vermeye, tarifleri denemeye ve birden fazla makineyi denetlemeye daha fazla zaman ayırabilir. İş bölümündeki bu değişiklik, insan değerlendirmesini korurken geleneksel üretimin küçük bir gruba bağımlılığını azaltabilir.
Bir zanaatı kaydetmek, ortaya çıkan verinin kontrolüyle ilgili kaygıları da beraberinde getiriyor. Hareketler ve kararlar eğitim verisine dönüştüğünde şirketin üretim sistemi, çalışanın kişisel deneyiminden değer kazanabilir. Çalışanlarla işverenlerin rıza, katkının tanınması, ücret ve verinin nasıl kullanılacağı konusunda açık anlaşmalara ihtiyacı olabilir.
Müşterilerin de kendi beklentileri var. Bir ürünün birçok yerde aynı görünmesi ve tadı, tutarlılık açısından yararlı; bazıları ise geleneksel bir şekerlemenin arkasındaki insan hikâyesine değer veriyor. İşletmeler, yapay zekânın nerede kullanıldığını ve insanların sürece nerede katıldığını açıklamak zorunda kalacak.
Juchheim’ın planladığı yaygınlaştırma, Theo’nun farklı işyerlerinde nitelikli pastacılık becerilerini koruyup koruyamayacağını sınayacak. Gıda robotlarının daha geniş ölçekte benimsenmesi ölçülebilir sonuçlara bağlı: İş gücü baskısını hafifletmek, kaliteyi korumak, insanlarla güvenli biçimde birlikte çalışmak ve maliyetini karşılamak. Eğitim, güvenilir veri altyapısı ve teknolojiyi yönetebilecek çalışanlar da bu sınamanın parçası.
Öne Çıkanlar
- Juchheim, Theo’yu yaklaşık 20 işletmeye ödünç veriyor ve mali yıl sonuna kadar bu sayıyı 100’e çıkarmayı hedefliyor.
- Robot, usta baumkuchen ustalarını taklit etmek ve değişen koşullara uyum sağlamak için kameralar, görüntü sensörleri ve derin öğrenme kullanıyor.
- Japonya’da şubat ayında yiyecek içecek hizmetlerinde her iş arayana 2,31 açık iş düşerken tüm sektörlerde bu oran 1,13’tü.
- TechMagic, Dentsu ve Otafuku Sauce; yapay zekâyı yemek pişirme, ton balığı sınıflandırma ve formül arama alanlarında kullanıyor.
- Hükümet, 2040’a kadar 18 sektörde yapay zekâ donanımlı yaklaşık 10 milyon robotu kullanıma almayı gündeme getirdi.
- Maliyetler, mutfak koşullarındaki değişkenlik ve teknik personel ihtiyacı robotların benimsenmesini etkiliyor; denetim, yaratıcılık ve hizmet için insanlara ihtiyaç sürüyor.






