Değişen koşullarda başarı, doğru zamanda doğru kararı verebilmeye bağlıdır. Dinamik ve belirsiz ortamlarda etkili karar verme, geleceğe dair öngörüleri karar sürecine entegre etmeyi ve kısıtlarla uyumlu hareket etmeyi gerektirir. Günlük iş hayatında hangi işe öncelik verileceği, kaynakların nasıl paylaşılacağı, ne kadar üretileceği ya da enerjinin nasıl yönetileceği gibi onlarca küçük karar veririz. Ancak makineler, bütçeler, kapasite sınırları ve değişken koşullar devreye girince “doğru karar” bir anda çok daha karmaşık hale gelir: Bir tarafta yetişmesi gereken işler ve maliyet baskısı, diğer tarafta sınırlı kapasite, değişken talep ve hızla değişen koşullar vardır. Üstelik mesele sadece bugünü yönetmek değildir; yarın koşullar değiştiğinde de aksatmadan devam edebilmek için olası senaryolara hazırlanmak ve riskleri önceden görmek gerekir. İşte bu noktada proje, bu iki ihtiyacı bir araya getirerek bir Yapay Zeka yöntemi olan Derin Pekiştirmeli Öğrenme (DPÖ) tabanlı, öngörü ve kısıtlarla uyumlu çalışan; daha akıllı, daha çevik ve uygulanabilir kararlar üreten bir çerçeve geliştirmeyi hedefliyor. Bu çerçeve kapsamında proje;
- Zamansal bilgiyi (ör. talep, sıcaklık, maliyet gibi sinyallerdeki örüntüleri) politika öğrenimine dahil ederek, DPÖ algoritmalarıyla belirsizlik altında uyarlanabilir karar politikaları geliştirmeyi,
- Lagrange gevşetmesi ile kapasite, bütçe ve benzeri operasyonel kısıtları esnek biçimde karar sürecine dahil etmeyi,
- Çok etmenli (İng., Multiagent) öğrenme yaklaşımıyla birden fazla birimin (ör. makine/hat/kazan) birlikte öğrenmesini ve koordinasyonunu desteklemeyi,
- Çizge Sinir Ağları (İng., Graph Neural Networks) ile kaynak–iş (ör. makine–ürün) ilişkilerini bağlamsal olarak modelleyip öğrenme sürecine taşımayı amaçlıyor.
Belirsizlik altında karar vermek, yalnızca mevcut durumu analiz etmekten çok daha fazlasını gerektirir. Modern üretim sistemleri; değişken talep, dalgalanan maliyetler, çevresel etkiler ve operasyonel kısıtların aynı anda etkili olduğu dinamik yapılar olarak karşımıza çıkar. Bu tür ortamlarda etkin bir karar mekanizması geliştirmek, farklı bilgi kaynaklarını birlikte değerlendirebilen ve zaman içinde öğrenerek uyum sağlayabilen bir yaklaşımı zorunlu kılar.
Bu proje, çoklu veri kaynaklarını entegre eden ve yapay zeka tabanlı öğrenme mekanizmaları aracılığıyla karar verme sürecini destekleyen bütünleşik bir çerçeve geliştirmeyi amaçlamaktadır. Şekil, bu entegrasyonun genel akışını özetlemektedir. Sistem, geçmişte gözlemlenen talep davranışlarını ve zamansal örüntüleri dikkate alarak
bu bilgiyi derin zaman serisi analizleri aracılığıyla karar mekanizmasının parçası haline getirir. Maliyet ve fiyat gibi dışsal koşullar bir anda değiştiğinde, dün doğru olan karar bugün işe yaramayabilir; bu yüzden çevresel bilgi karar sürecine doğrudan taşınır. Kapasite, enerji ve bütçe gibi sınırlar ise sonradan kontrol edilen kısıtlar değil, kararın en baştan şekillendiği çerçevenin parçasıdır; böylece üretilen politikalar yalnızca etkili değil, aynı zamanda uygulanabilir olur.
Tüm bu bilgi akışları, bir Yapay Zeka yöntemi olan derin yapay sinir ağları tabanlı öğrenme çekirdeğinde birleşerek sistemin karar üretme biçimini şekillendirir. Mekanizma, farklı koşullar altında alınan kararların sonuçlarını deneyimleyerek zaman içinde daha iyi stratejileri öğrenir; böylece karar verme sabit kurallara dayalı bir süreç olmaktan çıkar ve belirsizlik altında güncellenebilen bir politika yapısına dönüşür. Ortaya çıkan politika, yalnızca kısa vadede “iyi görünen” kararları değil; kısıtlar altında uygulanabilir kılan ve koşullar değiştiğinde de ayakta durabilen karar alışkanlıklarını öğrenmeyi amaçlar.
Bu karar alışkanlıklarının operasyonel gerçekliğe taşınabilmesi için öğrenme süreci, operasyonel ortamı temsil eden bir simülasyon üzerinde çok sayıda senaryo altında yürütülür. Politika tarafından üretilen kararlar simülasyonda icra edildikçe sistem performans tepkilerini ve kısıt baskılarını gözlemler; bu gözlemler geri bildirim olarak öğrenme döngüsüne yeniden dahil edilerek politika güncellenir. Böylece yaklaşım, her koşul değişiminde baştan plan üretmek yerine, senaryo temelli deneyim birikimi üzerinden kendini iyileştiren uyarlanabilir bir yapı kazanır. Aynı öğrenme mantığı çoklu kaynaklı sistemlerde, birden fazla birimin eş zamanlı ve uyumlu ilerlemesini de kapsayacak şekilde genişletilir; koordinasyon bu nedenle sürecin doğal bir bileşeni olarak ele alınır. Sonuç olarak çerçeve, belirsizlik altında uygulanabilir ve adaptif kararlar üreten genel bir metodolojik zemin sunar; üretim planlama, kapasite/enerji yönetimi ve kaynak tahsisi gibi problemler için değişen koşullara uyumlu politikalar geliştirmeyi hedefler.
