Lojistik sektöründe yapay zekâ tartışmaları çoğu zaman hangi modelin kullanılacağı sorusuyla başlıyor. Oysa uygulamada başarıyı belirleyen temel karar model seçimi değil, çözülmek istenen problemin doğru tanımlanmasıdır. Her operasyonel karar aynı matematiksel yapıya sahip olmadığından, her problem aynı yapay zekâ yaklaşımıyla çözülemez.
Başarılı yapay zekâ projelerini diğerlerinden ayıran unsur çoğu zaman kullanılan algoritma değil, doğru problem tanımı, sağlam veri mimarisi ve ölçülebilir iş hedeflerinin birlikte tasarlanması.
Üç problem sınıfı, üç farklı yöntem
Lojistikte yapay zekâ uygulamaları temelde üç ayrı problem sınıfına ayrılır: optimizasyon, tahmin ve doğal dil işleme. Bu üç sınıf, kullandıkları veri yapısı, çözüm yöntemleri ve performans ölçütleri bakımından birbirinden tamamen farklıdır.
Optimizasyon
Rota planlama, araç-yük ataması, parsiyel konsolidasyon ve dönüş yükü planlaması, operasyonel kaynakların en verimli biçimde kullanılmasını amaçlayan karar optimizasyonu problemleridir. Bu problemler literatürde ağırlıklı olarak Vehicle Routing Problem (VRP) ve Pickup and Delivery Problem with Time Windows (PDPTW) çerçevelerinde ele alınır.
Optimizasyon problemlerinde başarı, en iyi kararı, tanımlı kısıtlar altında hesaplayabilmektir. Bu amaçla doğrusal programlama, karma tam sayılı optimizasyon ve sezgisel algoritmalar kullanılır. Büyük dil modelleri ise bu problemlerin çözüm motoru olmaktan ziyade, optimizasyon sonuçlarının yorumlanması, kullanıcı etkileşimi ve karar desteği süreçlerinde tamamlayıcı rol üstlenir.
Tahmin
Tahmin problemlerinin amacı en iyi kararı değil, gelecekte gerçekleşmesi muhtemel sonucu öngörmektir. Varış zamanı, talep, yakıt tüketimi ve ekipman arızaları bu sınıfa girer. Bu alanda çoğu zaman tahmin doğruluğunu belirleyen temel unsur model karmaşıklığı değil, veri temsilidir. Özellikle yapılandırılmış lojistik verilerinde Gradient Boosting ve zaman serisi modelleri, yüksek doğruluk ve yorumlanabilirlik nedeniyle yaygın olarak tercih edilmektedir.
Doğal Dil İşleme
Lojistik operasyonlarında önemli bir veri kaynağı da yapılandırılmamış belgelerdir. İrsaliyeler, teslim tutanakları, tarifeler, faturalar ve mutabakat yazışmaları doğal dil işleme problemleri olarak ele alınmalıdır. OCR teknolojileri ile büyük dil modellerinin birlikte kullanılması, farklı belge formatlarının ortak bir veri modeline dönüştürülmesini sağlar ve manuel belge işleme ihtiyacını önemli ölçüde azaltır. Lojistik sektöründe başarısız yapay zekâ projelerinin önemli bir bölümü, bu üç problem sınıfının aynı teknolojiyle çözülmeye çalışılmasından kaynaklanmaktadır.
Yazılım mimarisi modelden önce gelir
Yapay zekâ projelerinde model performansı çoğu zaman kullanılan algoritmaya bağlanır. Oysa pratikte modelin ulaşabileceği başarı düzeyi, büyük ölçüde beslendiği veri mimarisi tarafından belirlenir. Eksik, tutarsız veya gecikmeli veriyle çalışan en gelişmiş algoritmalar dahi operasyonel değeri sınırlı sonuçlar üretir.
Lojistik operasyonlarında veri yalnızca analiz edilen bir çıktı değil, karar mekanizmasının temel girdisidir. Bu nedenle veri mimarisinde yapılan her tasarım tercihi, modelin doğruluğunu doğrudan etkiler.
Örneğin, sefer kayıtlarında dolu ve boş kilometre ayrımı bulunmuyorsa, hiçbir optimizasyon algoritması bu bilgiyi sonradan oluşturamaz. Aynı şekilde yükleme ve boşaltma süreleri, bekleme nedenleri veya gerçek varış zamanları doğru kaydedilmiyorsa, tahmin modelleri eksik bilgi üzerinden öğrenmek zorunda kalır. Model ne kadar gelişmiş olursa olsun, veri kalitesinin ötesine geçemez.
Başarılı yapay zekâ projelerinde öne çıkan mimari tercihlerin ortak özelliği, veriyi karar anında kullanılabilir hâle getirmeleridir.
İlk unsur, gerçek zamanlı veri entegrasyonudur. Filo yönetimi, telematik, TMS, ERP ve finans sistemleri arasında bilgi akışının yalnızca gün sonunda değil, olay gerçekleştiği anda sisteme yansıması gerekir. Dakikalarla ölçülen veri gecikmeleri dahi rota optimizasyonu veya dinamik planlama gibi uygulamalarda modelin ürettiği önerileri operasyonel açıdan geçersiz hâle getirebilir.
İkinci unsur, kurumsal ölçekte ortak veri modelidir. Araç, sefer, müşteri, lokasyon ve tarife tanımlarının farklı sistemlerde farklı biçimlerde tutulması, yapay zekâ projelerinde en sık karşılaşılan veri tutarsızlıklarından biridir. Başarılı organizasyonlar bu problemi, şirket genelinde tekil referans veri modeli oluşturarak çözer. Özellikle çok şirketli yapılarda veri paylaşımı ile yetkilendirme birlikte tasarlanmalı, ortak veri standartları korunurken şirket bazlı erişim sınırları da güvenli biçimde yönetilmelidir.
Üçüncü unsur ise hesaplama katmanının ayrıştırılmasıdır. Maliyet hesapları, katkı marjı, kilometre maliyeti, gelir tahakkuku veya alacak yaşlandırması gibi finansal hesaplamaların yapay zekâ modeli tarafından değil, doğrulanabilir iş kurallarıyla üretilmesi gerekir. Yapay zekâ hesap üretmez; doğrulanabilir hesaplar üzerinden analiz, önceliklendirme ve karar desteği sağlar.
Hesaplama mantığının modele bırakıldığı mimarilerde sonuçların tekrar üretilebilirliği ve denetlenebilirliği önemli ölçüde azalır.
Sonuç olarak, yapay zekâ projelerinde rekabet avantajı çoğu zaman daha gelişmiş bir algoritmadan değil, daha doğru tasarlanmış bir veri mimarisinden doğar. Lojistikte de yapay zekânın başarısını belirleyen temel unsur kullanılan model değil, doğru tanımlanmış problem ve onu besleyen veri mimarisidir. Algoritmalar zaman içinde değişebilir ancak, doğru tasarlanmış veri yapısı ve doğru problem sınıflandırması uzun vadeli rekabet avantajının temelini oluşturur.
