Kas Gücünden Veri Gücüne: “Düşünüyorum, Öyleyse Varım” Diyen Depolar

Akıllı bir depo, henüz sipariş oluşmadan talebi öngörerek operasyonları organize edebilir ve gerekli iş emirlerini üretebilir. Depolar, böylece “sipariş geldikten sonra hareket eden” reaktif yapıdan “sipariş oluşmadan önce hazırlık yapabilen” proaktif yapıya dönüşüyor. 

Yapay zekâ merkezli dijital dönüşüm sayesinde depolar, “emek yoğun” bir iş modelinden “veri yoğun” iş modeline evirilebilir. Bu dönüşümün merkezinde ise veri yer alır çünkü yapay zekâ; öğrenmeyi, analiz etmeyi ve karar vermeyi sadece veri ile gerçekleştirebilir.

Yapay zekâ destekli depolar; örneğin geçmiş sipariş geçmişini, müşteri davranışlarını, mevsimsel etkileri, Sevgililer Günü gibi özel dönemleri, kampanyaları, hava durumunu, influencer etkilerini, rakip fiyatlarını, sosyal medya trendlerini, döviz kurunu, enflasyonu ve tüketici güven endeksini analiz ederek gelecekteki talebi tahmin edebilir ve bu tahminlere göre depodaki operasyonlar için iş emirleri üretebilir.

Veri, yapay zekâ için yalnızca bir bilgi kaynağı değil onun öğrenmesini sağlayan temel hammaddedir. Bu nedenle yapay zekânın başarısı, beslendiği verinin kalitesiyle doğrudan ilişkilidir. Eksik, hatalı, güncel olmayan veya tutarsız kısacası “kirli” veriyle çalışan yapay zekâ, sağlıklı kararlar üretemez

Sıkça kullanılan “Garbage In, Garbage Out / Çöp Girerse Çöp Çıkar” prensibi, yapay zekâ için de geçerlidir. Kaliteli veri; doğru toplanmalı, doğru ölçülmeli ve doğru değerlendirilmelidir. Aksi takdirde kirli veri, yapay zekânın hatalı veya yanlış kararlar vermesine yol açar. Sistemin anlamlı sonuçlar ortaya koyabilmesi için ise verilerin doğru (accurate), tutarlı (consistent), tam (complete) ve güncel (timely) olması şarttır.

Bir deponun veri ekosistemi; ERP, CRM, OMS ve WMS sistemlerinin yanı sıra RFID altyapıları, IoT sensörleri, kameralar, otonom ekipmanlar ve diğer dijital sistemlerden beslenir. Örneğin bir AMR veya AGV; LiDAR ile çevresini haritalayabilir, kameralarla ürün doğrulaması yapabilir ve RFID sistemleri aracılığıyla ürün kimliklerini kontrol edebilir; LiDAR, kamera, ultrasonik sensör ve odometri verilerini aynı anda işleyen Sensor Fusion teknolojisi sayesinde farklı sensörlerin güçlü yönlerinden yararlanarak daha güvenilir kararlar verebilir; Edge AI mimarisi sayesinde ise merkezi sistemden bağımsız olarak milisaniyeler içerisinde karar alabilir ve hareket edebilir.

Depolardaki süreç için veri akışı, geleneksel depolarda “sipariş geldikten” sonra yapay zekâ destekli depolarda ise sipariş henüz gelmeden örneğin “önümüzdeki hafta hava sıcaklığındaki düşüş nedeniyle X model mont talebi yaklaşık %40 artabilir ve sipariş miktarı 450–550 adet olabilir” tahminini ile başlayabilir. Bu tahmini alan WMS, AMR’ye “şu adresteki mont paletlerini paketleme alanına en yakın ve hızlı erişilebilir adrese (altın bölge) taşı” iş emrini verir. Henüz sipariş gerçekleşmeden yapılan “Dinamik Stoklama” sayesinde gerçek sipariş geldiğinde toplama süresi kısalır, robotların kat ettiği mesafe ve enerji tüketimi azalır. WMS, gelen sipariş için ilgili AMR’ye “C blok, 4. raf, B3 gözünden X ürününü al, paketleme alanına getir” toplama emrini iletir. Kendi SLAM haritasını açan AMR, diğer robotların hareketlerine ve konumlarına göre uygun rotasını belirler (Sürü Zekâsı). Robot, adrese ulaştığında kamera (Computer Vision) ile QR kodunu ve RFID sistemiyle ürün kimliğini doğrulayarak doğru ürünü aldığını onaylar ve paketleme hattına taşır. Paketleme bandındaki akıllı terazilerin ölçtüğü ağırlık ve kameraların ölçtüğü boyut verilerine göre en uygun koli boyutunu seçen ve ürünü pakete koyan Paketleme robotu, kargo etiketini hazırlar ve sevkiyat hattına aktarır. WMS, “X ürünü stoktan düştü” şeklinde anlık stok güncellemesi yapar. Gerçekleşen (480) ile tahmin edilen (500) sipariş adetlerini kıyaslayan yapay zekâ, “gerçekleşen satış verilerini ve tahmin sapmalarını” veri havuzuna ekleyerek eğitim döngülerinde kullanılabilir (geri bildirim / feedback loop).

Öte yandan yapay zekâ, tamamen “hatasız” değildir. Örneğin Siyah Kuğu olayları, eksik/gecikmeli veri akışı, aşırı öğrenme (overfitting), Kamçı Etkisi veya öngörülemeyen insan davranışları, yapay zekânın kullandığı verileri bozarak tahmin doğruluğunu olumsuz etkileyebilir. Bunun sonucunda “Overstock (Aşırı Stok)” veya “Stockout (Stoksuz Kalma)” olabilir. Bu durumda yapay zekânın tahmin yeteneği kadar kriz anında devreye giren reaktif esnekliği (refleks mekanizmaları) kritik hale gelir.

Yapay zekâ destekli depo operasyonlarının başarısı; veri kalitesine, uçtan uca entegrasyona ve sistemin sürekli öğrenme kabiliyetine bağlıdır. Depolar, artık yalnızca ürünlerin saklandığı alanlar değil veriyle düşünen, geleceği öngören, riskleri yöneten ve kendi operasyonlarını optimize eden akıllı ekosistemler haline gelmektedir. Bu dönüşüm, bir bilim kurgu senaryosu değil doğru veri altyapısı ve doğru teknolojik yatırımlarla günümüzde uygulanabilen operasyonel bir gerçektir.

NOT: Bu yazıma ilaveten Yöneticisiz Depo https://www.o2lc.com/yoneticisiz-depo/ yazımı okuyabilirsiniz

**

• Doğruluk (Accuracy): Verilerin gerçek dünyadaki gerçekliği ne kadar yansıttığıdır.
• Eksiksizlik (Completeness): Veri setinde kritik alanların boş bırakılmamış olması durumudur.
• Tutarlılık (Consistency): Aynı verinin farklı tablolarda veya sistemlerde çelişmemesidir.
• Güncellik (Timeliness): Verinin karar anı için hala geçerli ve taze olmasıdır.
• Tekillik (Uniqueness): Veri setinde mükerrer (aynı kayıttan birden fazla) veri bulunmamasıdır.
• Doğru toplamak: veriyi doğru kaynaklardan, yeterli miktarda ve farklı veri tipleriyle bir araya getirme sürecidir.
• Doğru ölçmek: toplanan verinin kalitesini, doğruluğunu, güncelliğini ve güvenilirliğini test etme adımıdır.
• Doğru değerlendirmek: veriyi anlamlandırma, kalıpları çıkarma ve yapay zekâ modelinin eğitimine hazır hale getirme aşamasıdır.
• Hata, bilmeden, istemeden veya tecrübesizlikle yapılan, genellikle telafisi mümkün olan durumlardır. Yanlış ise bir kurala, gerçeğe veya doğruya bile bile uymamak, bilinçli tercihler yapmak veya hatayı sürekli tekrar ederek diretmek anlamına gelir.
• ERP (Enterprise Resource Planning); CRM (Customer Relationship Management); OMS (Order Management System); WMS (Warehouse Management System)
• LiDAR (Light Detection and Ranging): Lazer ışınları göndererek nesnelerin uzaklığını ve boyutunu ölçen sistemdir. Depodaki robotların çevresini 3 boyutlu olarak görmesini ve engelleri fark etmesini sağlar.
• Odometri (Odometry): Bir robotun tekerleklerinin dönme hareketini ölçerek ne kadar yol gittiğini ve anlık konumunu hesaplama yöntemidir. Robotun kendi hareket adımlarını sayarak konumunu tahmin etme mekanizmasıdır.
• AGV (Automated Guided Vehicle): Depo içinde zemine döşenen manyetik şeritler, teller veya çizgileri takip ederek önceden belirlenmiş sabit rotalarda hareket eden şoförsüz yük taşıma aracıdır.
• AMR (Autonomous Mobile Robot): AGV’lerin aksine sabit bir hatta ihtiyaç duymayan, üzerindeki sensörler ve yapay zekâ sayesinde dinamik olarak rota çizebilen, engellerin etrafından dolaşabilen yeni nesil akıllı robottur.
• SLAM (Simultaneous Localization and Mapping): Bir robotun daha önce hiç bilmediği yabancı bir ortama girdiğinde, aynı anda hem ortamın haritasını çıkarmasını hem de bu harita üzerinde kendi konumunu tespit etmesini sağlayan algoritmadır. AMR, LiDAR ve kameralardan gelen verileri kullanarak deponun anlık 2 veya 3 boyutlu haritasını çıkarır. Yapay zekâ, LiDAR, kamera ve diğer sensörlerden gelen veriler yardımıyla robotun konumunu yüksek doğrulukla tahmin eder.
• Computer Vision: Sabit kameralar ve robot kameraları, barkodları veya QR kodları hareket halindeyken okur. Yapay zekâ, raftaki ürünün doğru yere konulup konulmadığını ve paketlerde hasar olup olmadığını görsel veriden anlar.
• Sensor Fusion: Yapay zekâ, örneğin LiDAR, kamera ve tekerlek sensörlerinden gelen verileri birleştirir. Böylece yapay zekâ, tek sensörün yanılma payını (örneğin kameranın karanlıkta kalmasını) diğer sensörün (LiDAR) verisiyle düzeltir.
• Edge AI (Edge Artificial Intelligence): Yapay zekâ algoritmalarının merkezi bir bulut sunucusu yerine, verinin üretildiği cihazın (örneğin robotun veya kameranın) kendi üzerindeki işlemcide yerel olarak çalıştırılmasıdır. İnternet/bağlantı gecikmesini önleyerek milisaniyeler içinde karar almayı sağlar. Robotlar, ani bir engelle karşılaştığında (örneğin önüne bir işçi çıktığında) kritik güvenlik kararlarını kendi üzerindeki işlemcilerde (Edge AI) yerel olarak alabilir (anında durur). Böylece merkezi sistemlerden kaynaklanabilecek gecikmeler en aza indirilir. Robotların birbiriyle haberleşmesi (Swarm Intelligence), yüksek hızlı depo içi Wi-Fi 6 / 5G ağları üzerinden sağlanır. Kritik güvenlik kararları genellikle Edge AI üzerinde yerel olarak alınır. Ancak bazı sistemler aynı anda merkezi sistemlere de veri aktarabilir.
• CPFR (Collaborative Planning, Forecasting, and Replenishment): Tedarik zincirindeki üretici, distribütör ve perakendeci gibi tüm paydaşların satış verilerini, kampanya planlarını ve stok durumlarını ortak havuzda paylaşarak birlikte tahmin yürütmesini sağlayarak Kamçı Etkisini azaltmayı hedefleyen iş modelidir. Yapay zekâ, pazarın en ucundaki gerçek tüketici satış verileriyle (POS) doğrudan beslenir. Böylece algoritma, distribütörün panik kurgusuyla şişirdiği siparişleri değil mağaza kasasından geçen gerçek ürün akışını izlediği için Kamçı Etkisini azaltabilir.
• MARL (Multi-Agent Reinforcement Learning): Birden fazla yapay zekâ ajanının aynı ortamda birbirleriyle etkileşime girerek öğrenmesini sağlayan ileri seviye bir yaklaşımdır. MARL yapısında; mağaza, depo, distribütör ve fabrika gibi tedarik zincirinin her bir halkası, paydaş, bağımsız birer “yapay zekâ ajanı” olarak modellenerek tüm sistem simüle edilir. Oyun teorisi mantığıyla çalışan bu ajanlar, birbirlerinin kararlarına dinamik tepkiler verir ve ortak bir ödül/ceza mekanizmasıyla zaman içinde en optimal stratejiyi geliştirir. Örneğin; bir mağaza ajanı aniden yüksek miktarda sipariş verdiğinde, depo ajanı bunun gerçek bir tüketici talebi mi yoksa geçici bir panik dalgası mı olduğunu diğer aktörlerin durumunu analiz ederek anında çözer. MARL, tedarik zinciri aktörlerinin davranışlarını simüle ederek daha koordineli ve dengeli karar mekanizmaları geliştirmeye yardımcı olabilir.
• Overfitting (aşırı öğrenme): Bir yapay zekânın geçmiş verilerdeki genel kuralları öğrenmek yerine, o verileri tamamen ezberlemesi durumudur. Bu hataya düşen yapay zekâ, geçmiş verilerden oluşan eğitim setlerinde %99 gibi mükemmel bir başarı oranı gösterirken, daha önce hiç görmediği gerçek dünya koşullarıyla karşılaştığında yetersiz kalır. Örneğin; akıllı bir depo tahmin modeli, geçmişteki anlık ve küçük satış dalgalanmalarını kalıcı birer kural sanarak ezberleyebilir. Sonuç olarak sistem, esnek ve değişken pazar koşullarında gelecekte asla gerçekleşmeyecek yapay talep artışları beklemeye başlar. Yapay zekânın gerçek dünyaya uyum sağlayamayarak yaptığı bu hatalı öngörüler, deponun gereksiz ürünle dolmasına (overstock) yol açar.
• Siyah Kuğu (Black Swan): Pandemi, Süveyş Kanalı’nın tıkanması, ani savaşlar, doğal afetler, bir gecede yürürlüğe giren gümrük düzenlemeleri gibi benzeri görülmemiş veya önceden öngörülmesi imkânsız olan ancak gerçekleştiğinde tüm yıkıcı etkiler yaratan “sıra dışı” olaylardır. Yapay zekâ, temelde “geçmiş” verilere bakarak geleceği tahmin ettiği için veri setinde yer almayan bu ani kırılmaları doğal olarak öngöremez ve mevcut durumuna tahmin üretmeye devam eder. Yapay zekâ, veri setlerinde daha önce benzeri bulunmayan Siyah Kuğu olaylarını önceden tahmin etmekte zorlanır. Ancak gerçekleşen olayların etkilerini analiz ederek daha hızlı uyum sağlayabilir.
• Sürü Zekâsı (Swarm Intelligence): Robotların birbirlerinin konumlarını ve görev yoğunluklarını analiz ederek kolektif hareket etmesidir.
• Yapay zekânın performansı, erişebildiği veri kaynaklarının kapsamına bağlıdır. Eğer yapay zekâ, sadece deponun sipariş verileriyle eğitilirse tedarik zincirinin diğer halkalarında (mağaza, distribütör, fabrika) ne olduğunu göremez. Yapay zekâ, örneğin distribütörün korkudan %20 fazla sipariş verdiğini bilemez ve bunu “gerçek ve organik talep patlaması” zanneder. Yapay zekanın kamçı etkisini hesaplaması için uçtan uca (POS cihazından hammadde üreticisine kadar) tüm tedarik zincirin verisine erişimi olması gerekir. Öte yandan bu entegrasyon, rekabet ve gizlilik nedeniyle gerçek hayatta çok nadiren kurulabilir. Yapay zekâ, temelde güçlü bir “korelasyon (ilişki)” yakalayıcı olmasına rağmen “nedensellik (sebep-sonuç ilişkisi)” kurmakta zorlanır. Yapay zekâ, sipariş sayılarının arttığını (korelasyon) görür. Ancak bu artışın sebebi, insanların ürünü daha çok sevmesi mi (organik talep) yoksa aradaki aracıların panik yapması mı (kamçı etkisi)? Algoritma, verinin arkasındaki psikolojik sebebi (nedenselliği) ayırt edemez. Yapay zekânın Kamçı Etkisini doğru şekilde modelleyebilmesi için uygun veri kaynaklarına ve doğru problem tanımına ihtiyaç vardır. Klasik makine öğrenmesi modelleri, “korelasyon” öğrenirken “nedensel ilişkileri” anlamakta zorlanır. Ancak son yıllarda Causal AI (Nedensel Yapay Zekâ) yaklaşımları, bu eksikliği azaltmayı hedeflemektedir.
• Kamçı Etkisi, tedarik zincirindeki küçük talep değişimlerinin zincir boyunca büyüyerek ilerlemesidir. Yapay zekâ, teorik olarak bu etkiyi modelleyebilse de zincirdeki tüm aktörlerin verisi, sisteme entegre edilmediğinde “yapay” sipariş büyümesini “gerçek” bir talep artışı olarak yorumlayabilir. Pratikte karşılaşılan veri siloları ve nedensellik problemi, yapay zekânın tüm zinciri bütüncül olarak görmesini engeller. Birçok makine öğrenmesi modeli, güçlü bir “korelasyon yakalayıcı” olmasına rağmen artan siparişlerin gerçek tüketici eğiliminden mi yoksa zincir içerisindeki panik siparişlerinden mi kaynaklandığını ayırt etmekte zorlanır. Örneğin; müşteri talebindeki %5’lik küçük bir artış; perakendecinin endişeyle %10 fazla sipariş vermesine, distribütörün bunu %20’ye çıkarmasına ve deponun %40 fazla stok yapmasına neden olabilir. Yapay zekâ, bu yapay şişmeyi “organik bir talep” zannederek üretim emirlerini katlarsa “Overstock” olabilir. Yapay zekâ, tedarik zincirindeki bütün paydaşların “anlık” hareketlerini takip edebildiğinde Kamçı Etkisini azaltabilir. Bu amaçla Kamçı Etkisini azaltmak için CPFR entegrasyonları, anlık POS (Satış Noktası) verisi paylaşımı ve MARL simülasyonları kullanılabilir.
• Öngörülemeyen insan davranışları: Yapay zekâ, tamamen mantıksal modeller üzerine kurulmuş olsa da insan kararları, maalesef her zaman rasyonel ilerlemez. Örneğin bir influencer’ın canlı yayında bir ürünü saniyeler içinde “tesadüfen” kötülemesi veya övmesi ya da bir futbolcunun maç esnasındaki beklenmedik bir hareketiyle bir markayı anında trend yapması gibi anlık insani kararlar, hiçbir matematiksel formüle tam olarak sığmaz. Bu tür öngörülemeyen toplumsal ve bireysel refleksler, yapay zekânın tahmin modellerinde ani sapmalar yaratan en büyük veri kırılmalarını oluşturur. İnsan davranışları, birçok durumda modellenebilse de ani duygusal tepkiler, toplumsal eğilimler ve beklenmedik olaylar nedeniyle her zaman tam doğrulukla tahmin edilemeyebilir.
• Reaktif esneklik: Yapay zekâ, 1.000 adet satış tahmininde bulunmasına karşın sadece 200 adet satış gerçekleşirse, “stok taşıma maliyetini azaltmak ve nakit akışını korumak” amacıyla örneğin: Altın bölgede duran 800 adet “hareketsiz” ürünü tespit eden WMS, AMR’lere “bunları bu adresten al ve şu adreslere taşı (deponun arka tarafındaki atıl yerler)” iş emrini göndererek altın bölgenin, daha hızlı satan diğer ürünler için kullanılmasını sağlar. Hareketsiz 800 adet ürünün deponun karlılığını düşürdüğünü hesaplayan yapay zekâ, tedarikçi sözleşmesindeki iade haklarına göre tedarikçi için “iade iş emri” oluşturur ve robotlar için “ürünleri raflardan indirip sevkiyat bandına dizme” iş emrini üretir. Yapay zekâdan “800 adet fazla stoğun günlük maliyeti X TL” uyarısını alan Satış, web sitesinde flaş indirim veya sepet içi promosyonlar başlatarak stokları eritir ve nakit akışını dengeler (Yapay zekâ, belirli kurallar çerçevesinde Satışın müdahalesi olmadan da bunu yapabilir. Ancak çoğu şirkette bu kararlar insan onayıyla uygulanmaktadır.)
• Reaktif esneklik: Yapay zekânın 100 adetlik düşük talep beklentisine karşın ani bir sipariş patlaması yaşanırsa, “müşteri kaybını ve teslimat gecikmelerini önlemek” amacıyla örneğin: Tedarikçiden acil koduyla depoya giriş yapan ürünler, zaman kaybetmemek adına raflara yerleştirilmeden yapay zekâ destekli WMS’in iş emriyle robotlar tarafından mal kabul alanından alınıp doğrudan paketleme hattına taşınır. Tedarik süresini (lead time) ve siparişlerin geliş hızını anlık ölçen yapay zekâ, stok miktarının kritik eşiğe yaklaşacağını öngörür ve tedarikçiye otomatik olarak yeni satın alma siparişi geçer. Ana depodaki yükü azaltmak ve teslimat süresini korumak amacıyla müşteriye en yakın mikro depoların veya fiziki mağazaların stoklarını anlık olarak tarayan yapay zekâ, siparişi müşteriye en yakın lokasyona yönlendirerek teslimatın zamanında gerçekleşmesini sağlar.