Lojistik araç organizasyonunda yük faktörünün iyileştirilmesi için yapay zekâ temelli bir karar destek sistemi önerisi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Atatürk Üniversitesi, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: RAZİYE KILIÇ SARIGÜL
Danışman: Burak ERKAYMAN, Bilal USANMAZ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Bu çalışmanın amacı, lojistik sevkiyat süreçlerinde araçların taşıma verimliliğini artırmak için yapay zekâ temelli bir karar destek sistemi geliştirilmesidir. Özellikle yük faktörünün artırılması, araç kullanımının optimize edilmesi ve sevkiyat sayısının düşürülmesi amaçlanmıştır. Aynı zamanda, bu sistem aracılığıyla lojistik performansın izlenebilir, ölçülebilir ve iyileştirilebilir hâle getirilmesi hedeflenmiştir. Yöntem: Bu çalışmada, bir otomotiv firmasına ait 881 sevkiyat verisi kullanılarak çok aşamalı bir analiz gerçekleştirilmiştir. İlk aşamada senaryo tabanlı bir yaklaşımla sistemin taşıma davranışı analiz edilmiştir. Devamında, otokodlayıcı kullanılarak elde edilen düşük boyutlu temsiller ile denetimsiz öğrenme algoritmaları uygulanmış ve benzer taşıma özellikleri gösteren sevkiyatlar kümelenmiştir. Kümeleme sonuçlarının doğruluğunu artırmak için topluluk kümeleme yöntemleri (çoğunluk oylaması ve yığınlama) kullanılmıştır. Ardından, model kararları açıklanabilir yapay zekâ (explainable artificial intelligence – XAI) teknikleriyle değerlendirilmiştir. Son olarak pekiştirmeli öğrenme (reinforcement learning – RL) yöntemine dayalı bir öneri sistemi geliştirilmiştir. Ayrıca insan uzman girdisinin sürece entegre edildiği insan-döngüde pekiştirmeli öğrenme (human-in-the-loop reinforcement learning – HITL-RL) yapısı uygulanarak dinamik biçimde güncellenebilen bir karar mekanizması oluşturulmuştur. Bulgular: Senaryo tabanlı analizler sonucunda, sevkiyat başına taşınan tonaj ve palet miktarlarında %21 ila %99 arasında artış sağlandığı gözlemlenmiştir. Pekiştirmeli öğrenme uygulaması sonucunda, toplam sevkiyat sayısı 881'den 415'e düşürülmüş ve bu sayede taşıma maliyetinde %51 oranında azalma sağlanmıştır. Ayrıca yük faktörü tonaj ve palet olarak %77 ila %88 arasında iyileştirilmiştir. Ayrıca HITL-RL yaklaşımı sayesinde, sistem önerileri insan katkısıyla dinamik biçimde güncellenebilir hale gelmiştir. Bu yapı, özellikle belirsizliklerin yüksek olduğu durumlarda modelin esnekliğini ve güvenilirliğini artırarak daha dengeli ve saha uyumlu kararların alınmasını mümkün kılmaktadır. Sonuç: Geliştirilen yapay zekâ destekli karar destek sistemi, lojistik operasyonlarda hem kaynak kullanımını optimize eden hem de performans iyileştirmeleri sunan bütüncül bir yaklaşımla tasarlanmıştır. Senaryo tabanlı analiz, otokodlayıcı temelli kümeleme, açıklanabilir yapay zekâ, pekiştirmeli öğrenme ve insan-makine iş birliğini bir araya getiren bu yapı, sahada uygulanabilir, açıklanabilir ve geliştirilebilir bir çözüm olarak sektöre önemli katkılar sunmaktadır.