:quality(85))
Mevcut neredeyse tüm ölçütlere göre, yapay zekânın — ve özellikle en son hali olan üretken yapay zekânın — son birkaç yıldaki büyümesi çarpıcı olmuştur. Goldman Sachs tarafından yapılan araştırmaya göre, ABD’de özel sektörün yapay zekâya yaptığı yatırımlar 2020’de yaklaşık 28 milyar dolar seviyesindeydi. Yatırım bankacılığı şirketi bu rakamın 2024 yılında neredeyse %250 artarak 68 milyar dolara ulaşacağını öngörüyor. McKinsey & Co. tarafından yakın zamanda yapılan bir anket, kurumsal dünyada bu teknolojinin hızla benimsendiğine dair başka bir kanıt sunuyor. Danışmanlık şirketinin bulgularına göre, üretken yapay zekâyı düzenli olarak kullanan işletmelerin sayısı yalnızca bir yıl içinde neredeyse ikiye katlandı. Mayıs 2024 itibarıyla, ankete katılan şirketlerin %65’i — farklı bölge ve sektörlerde faaliyet gösteren işletmeler dahil — pazarlama, satış ve ürün geliştirme gibi işlevlerde yapay zekâdan yararlanıyordu.
Tedarik zinciri yönetimi alanında faaliyet gösteren işletmeler ve profesyoneller için yapay zekânın sunduğu yetenekler son derece cazip görünebilir. Söz konusu araçlar; öngörüsel analizler, talep tahmini ve risk değerlendirmeleri gibi hemen değer sunan kritik uygulamaları yerine getirebilir. Ancak son 18 ay, birçok şirketin, bu platformların kendi özel iş bağlamlarında gerçek fayda sağlayıp sağlayamayacağını analiz etmeden yapay zekânın abartılı olanaklarının büyüsüne kapıldığını da gösterdi. Bu yüzden, yapay zekânın potansiyelinden etkilenen tedarik zinciri yönetim ekiplerinin, bu teknolojinin yakın geçmişini anlaması, günümüzde mevcut olan farklı yapay zekâ türlerini keşfetmesi ve yazılımın operasyonlarına nasıl değer katmasını istediklerine dair net hedefler belirlemesi önemlidir. Şirketlerin bir tür dizginsiz, düşünmeden hareket edilen bir coşku içinde yapay zekâ girişimlerine kaynak aktardığı bir dönemde, teknolojinin yeteneklerini soğukkanlılıkla değerlendirmek kritik bir özen gereğidir.
İşletmelerin Bilmesi Gereken Temel Yapay Zekâ Türleri
Geride kalan yaklaşık 15 yıl, yapay zekâ için büyük bir büyüme dönemi olmuştur. Bu teknolojinin çeşitli versiyonları, en az 2011 yılına — Apple’ın dördüncü nesil iPhone ile birlikte ilk kez Siri’yi tanıtmasına — kadar uzanan farklı zamanlarda ortaya çıktı. Akıllı telefonda yaygın olarak sunulan ilk “sanal asistan” olan Siri, soruları yanıtlamak, bilgi bulmak ve bazı görevleri yerine getirmek için makine öğrenmesi ve “zayıf yapay zekâ”dan yararlandı. O zamandan bu yana, Siri ve diğer sanal asistanların yetenekleri; ChatGPT, Dall-E, Claude ve Gemini gibi devrim yaratan platformlar tarafından büyük ölçüde geride bırakıldı.
Geniş yapay zekâ şemsiyesi altında bir dizi farklı teknoloji bulunmaktadır. Bunların her biri, bazı şirketler ve sektörler için diğerlerinden daha iyi çalışacak kendine özgü güçlü yönler ve işlevler sunar.
Makine Öğrenmesi
Makine öğrenmesi (machine learning — ML), büyük miktarda veriyi kullanarak kalıpları tanıyan, tahminler yapan, zaman içinde “öğrenen” ve insanlara daha isabetli, bilgiye dayalı kararlar vermeleri için rehberlik eden bir yapay zekâ türüdür. Geleneksel bilgisayar programlamasında geliştiriciler bilgisayara çok belirli talimatlar verirken, makine öğrenmesi daha açık uçlu bir süreçtir ve bilgisayarın metinler, sayılar, fotoğraflar, raporlar ve diğer veri türleri üzerinde çalışarak kendi bilgisi ve uzmanlığını geliştirmesine imkân tanır. 1950’lerde yapay zekâ konusunda öncülük eden bilgisayar bilimci Arthur Samuel, makine öğrenmesini “bilgisayarların açıkça programlanmadan öğrenmesini sağlayan çalışma alanı” olarak tanımlamıştır.
Başka yapay zekâ türleri şu anda daha fazla ilgi ve yatırım alıyor olabilir; ancak makine öğrenmesi, teknoloji dünyasında son derece esnek ve şaşırtıcı derecede kanıtlanmış bir versiyon olarak kalmaya devam ediyor. MIT bilgisayar bilimcisi ve ML uzmanı Aleksander Madry, MIT Sloan Management Review'a verdiği demeçte “Makine öğrenmesi her sektörü değiştiriyor ya da değiştirecek; liderlerin temel ilkeleri, potansiyeli ve kısıtlamaları anlaması gerekiyor.” diyerek bunun altını çizmiştir.
Makine Öğrenmesi Uygulamaları
- İş trendlerini belirleme
- Öneri algoritmaları geliştirme
- Tedarik zinciri yavaşlamalarını ve darboğazlarını saptama
- Tıbbi teşhis koyma
- Çevrim içi sohbet botları aracılığıyla müşteri hizmeti sağlama
Öngörüsel Yapay Zekâ
Büyüyen yapay zekâ ekosistemi içinde, çoğu birbirleriyle örtüşen, birçok araç, terim ve kavram bulunmaktadır. Örneğin öngörüsel yapay zekâ (predictive AI), makine öğrenmesinden (machine learning) ve istatistiksel analizden faydalanarak geniş hacimli geçmiş verileri inceler ve kalıplar, davranışlar ve hatta gelecekteki olaylar hakkında etkili ve uygulanabilir tahminler yapar.
Öngörüsel yapay zekâ, genellikle daha fazla insan etkileşimi gerektiren öngörüsel analitiğin (predictive analytics) daha ileri bir teknolojik devamı olarak görülür. Buna karşılık öngörüsel yapay zekâ, tamamen otonom biçimde öğrenip kendini geliştirebilir.
Öngörüsel Yapay Zekâ Uygulamaları
- Tüketici davranışını öngörme
- Finansal tahminler yapma
- Talep tahmini gerçekleştirme
- Ekipman arızasını önceden öngörme
- Stok yönetimi
Büyük Dil Modelleri (LLM)
Büyük dil modelleri (large language models — LLM), kapsamlı miktarda metin ve veriyi analiz ederek dili anlamak, üretmek ve insan kullanıcılarla akıcı şekilde iletişim kurmak için geliştirilen bir yapay zekâ kategorisidir. Bugün büyük dil modelleri, “foundation models” (temel modeller) olarak kabul edilir. Stanford Üniversitesi araştırmacılarının 2021’de ortaya koyduğu bu kavram, çok çeşitli görev ve işlevlerde yetkin hâle gelmesini sağlayacak kadar fazla veriyle eğitilmiş büyük ölçekli yapay zekâ platformlarını tanımlar. Georgetown Center for Security and Emerging Technology açıklamasında, “orijinal modelin üstüne başka şeylerin inşa edilebileceği bir temel (foundation) sunduğunu ve dar bir amaç için geliştirilmediğini” belirtmektedir.
ChatGPT’nin 2022 sonundaki çarpıcı çıkışından bu yana LLM’lerin popülaritesi adeta patlamıştır. Bugün foundation model’ler, öğrencilerden öğretmenlere, araştırmacılardan içerik üreticilerine ve iş profesyonellerine kadar herkes tarafından e-posta, rapor, ödev ve birçok başka alanda kullanılmaktadır. OpenAI’ın platformuna alternatif olarak öne çıkan bilinen LLM’ler arasında Google Gemini, Anthropic’in Claude’u ve Meta’nın Llama’sı yer almaktadır.
Büyük Dil Modeli Uygulamaları
- Müşteri desteği
- Özetleme
- İçerik üretimi
- Kod oluşturma
- Pazar araştırması
Üretken Yapay Zekâ
Makine öğrenmesi ve öngörüsel yapay zekâda olduğu gibi, LLM’ler ile üretken yapay zekâ arasında da önemli bir geçişkenlik bulunmaktadır. Üretken yapay zekâ, esas olarak içerik oluşturmada kullanılan her türlü yapay zekâ aracı veya platformunu tanımlar. Yani, tüm LLM’ler birer üretken yapay zekâ formudur ama bunun tersi geçerli değildir. Üretken yapay zekâ modelleri; metin üretmenin ve doğal dilde sohbet etmenin yanında, yüksek kaliteli görseller, bilgisayar kodları ve hatta müzik ve ses de oluşturabilir. LLM olmayan üretken yapay zekâ araçlarına örnekler arasında DALL-E, Midjourney, AIVA ve IBM’in watsonx Code Assistant’ı sayılabilir.
Üretken yapay zekâ henüz nispeten genç bir yapay zekâ türü olmasına rağmen, hızla kendisini işletmelerin etkili şekilde kullanmak için yarıştığı dönüştürücü bir teknoloji olarak konumlandırıyor. Pazar araştırma şirketi IDC'ye göre, işletmelerin üretken yapay zekâya yaptığı toplam küresel harcama 2024 yılı sonunda 40 milyar dolara yaklaşacak.
Üretken Yapay Zekâ Uygulamaları
- Pazarlama ve reklamcılık
- İçerik üretimi
- Bilgisayar programlama
- İlaç keşfi
- Moda tasarımı
- Ürün geliştirme
Tedarik Zinciri Risk Yönetiminde Yapay Zekâ Kullanım Alanları
Risk yönetiminde yapay zekâyı kullanmak isteyen kuruluşlar ve ekipler için, her bir yapay zekâ aracının özgün uygulamalarını anlamak etkili kararlar almak açısından kritik öneme sahiptir. Çünkü şu anda üretken yapay zekâ ve büyük dil modelleri, en fazla medya ilgisini ve kurumsal harcamayı topluyor olsa da, her zaman tedarik zinciri risk yönetimi (SCRM) ihtiyaçlarına en uygun araçlar değildir. Bu nedenle, stratejik tedarik uzmanları ve diğer SCRM profesyonellerinin, öngörüsel yapay zekâ ve makine öğrenmesi dahil olmak üzere, işletmelere sunulan tüm yapay zekâ araçlarının sunduğu çok çeşitli işlevleri göz önünde bulundurması faydalı olacaktır.
Tedarik zinciri alanında uzun süredir yaşanan bir zorluk olan kapsamlı tedarik zinciri haritalama, üreticilerin tedarikçilerini görebilmesini, alt tedarik seviyelerinin kapsamını ve doğasını daha iyi anlamasını ve riskleri maliyetli kesintilere dönüşmeden önce tespit etmesini sağlar. Yapay zekâ platformları, bu karmaşık ve zahmetli süreçte önemli bir varlık olabilir. Bu araçlar; ürün siparişleri, taşıma rezervasyonları, navlun belgeleri ve diğer teslimat zinciri dokümantasyonlarını bulup bir araya getirerek, çok seviyeli tedarik zinciri haritaları oluşturup görselleştirebilir. Makine öğrenmesine dayalı yapay zekâ modellerinden faydalanarak, profesyoneller tedarik zinciri görünürlüğünü artırabilir ve genel dirençliliklerini güçlendirebilir.
Haritalama yeteneklerine ek olarak, yapay zekâ ekipman arızalarını henüz meydana gelmeden öngörmek için de kullanılabilir. Bu amaçla öngörüsel analitik yıllardır kullanılmakta ve öngörüsel yapay zekâ teknolojisi, mevcut uygulamanın anlamlı bir ilerlemesini temsil etmektedir. Bu tür yapay zekâ, bir şirketin ekipman ve altyapısını izleyen sensörler sayesinde; sıcaklık, akustik, nem, basınç ve yağlama gibi göstergelere ilişkin büyük hacimli veriler toplar.
Yeterli hacimde davranışsal veriyi analiz ettikten sonra, bu platformlar ekipmanın ideal çalışma koşullarını tanıyabilir ve koşullar sapmaya, bozulmaya veya performansta standart dışı işaretler göstermeye başladığında bakım profesyonellerini uyarabilir. Bu öngörüsel bakım yeteneği, ekip üyelerinin ekipman arızalarına ya da kesintilere yol açacak öncül belirtileri zamanında tespit etmesini ve proaktif şekilde müdahale etmesini sağlar — ki bu da üreticilerin, uzun ekipman duruşlarının getirdiği verimlilik kaybının önüne geçmesine olanak tanır.
Stratejik tedarik profesyonelleri, yapay zekâyı risk yönetiminde tedarik zinciri kesintisinin etkilerini hızla ölçmek için de kullanabilir. Diyelim ki bir otomotiv üreticisinin doğrudan tedarikçisi, aşırı hava koşulları nedeniyle birkaç fabrikasında üretimi durdurmak zorunda kaldı. Buna karşılık, otomotiv üreticisi ilgili geçmiş verileri ve güncel durumları bir yapay zekâ aracına aktararak, doğal afetin üretim ve imalat sürelerini — gecikme süreleri dahil — ne şekilde etkileyeceğine dair bir değerlendirme alabilir.
Bu tür bir kesinti tahmininin hâlâ ham ve olgunlaşmamış bir teknoloji olduğunun altını çizmek önemlidir; bu, risk yönetiminde yapay zekânın hâlâ emekleme aşamasında olduğunun bir göstergesidir. Yine de, güncel yapay zekâ yazılımları, liderlerin stratejik yanıt geliştirmesine yardımcı olacak nesnel ve eyleme dönüştürülebilir tahminler sunabilir. Bu tür bir içgörüye sahip olmak — ne kadar mükemmel olmasa da — üreticilerin etkilenen tedarikçiyle devam edip etmeme ya da alternatif bir tedarik zinciri ortağıyla iletişime geçme veya diğer uygun acil önlemleri uygulama kararlarını destekler.
SCRM’de Yapay Zekânın Cesur Geleceği
Bitmek bilmeyen abartı ve borsa coşkusuna rağmen, LLM’ler, üretken yapay zekâ ve diğer ileri düzey yapay zekâ araçları hâlen gelişiminin en erken evrelerindedir. Bu teknolojilerin kanıtlanmamış doğası şirketlerin temkinli olmasını haklı çıkarsa da, bu durum işletmelerin kenarda kalmak zorunda olduğu anlamına gelmez; daha cesur rakiplerin potansiyeline büyük bahisler oynamasını izlemenize gerek yok. Aksine, tedarik zinciri risk yönetimi profesyonellerinin, yapay zekânın farklı türlerinin şirketleri üzerindeki potansiyel etkilerini titizlikle araştırması gerekir. Bu tür inceleme çalışmaları; maliyet-fayda analizi yapmak, ilgili kullanım alanlarını dikkatle incelemek ve öncü yapay zekâ firmalarının ücretsiz demo dönemlerinden yararlanmak gibi adımları içermelidir. Bu özenli inceleme süreçleri, işletmeleri bilgiye dayalı, bilinçli harcama kararlarına yönlendirebilir ve her şey hızla değişen yapay zekâ ekosistemini oluşturan farklı araçları anlamakla başlar.
Risk yönetiminde yapay zekâ uygulamalarının potansiyeline ilgi duyan şirketler, SCRM platformu Z2Data'nın öngörüsel yeteneklerini değerlendirmek isteyebilir. Sektör lideri yazılım, müşterilerine %90 doğruluk oranına sahip elektronik komponentlerin kullanım ömrü sonu (EOL) tahminleri dahil olmak üzere çok sayıda öngörüsel işlev sunar. Ayrıca, kongre raporları, STK araştırmaları ve yüksek güvenilirlikli diğer belgeler kullanılarak hazırlanan yaptırım takip listesi ile küresel çapta yaptırıma maruz kalma riski yüksek şirketleri öne çıkarır. Toplu olarak ele alındığında, bu öngörüsel araçlar üreticilerin risk dirençliliğini artırmasına ve çevik, proaktif bir tehdit yönetimi stratejisi oluşturmasına yardımcı olabilir.
Z2Data ve müşterilerine sunduğu öngörüsel özellikler hakkında daha fazla bilgi almak için bir ücretsiz demo planlayabilirsiniz.
