Karar Destek Sistemleri: Karar Analitiği, Optimizasyon, Belirsizlik ve Karar Zekâsı

Karar destek sistemi (KDS), karar vericinin yerine geçen tek bir algoritma değil; veriyi, modelleri, amaçları, kısıtları, belirsizliği ve insan yargısını aynı karar bağlamında birleştiren sosyo-teknik bir sistemdir. Bir raporlama ekranı geçmişte ne olduğunu gösterebilir; bir KDS ise “hangi seçenekler var, hangi varsayımlar altında ne olabilir ve hangi ödünleşimler doğar?” sorularını görünür kılar.

KDS tasarımında temel çıktı yalnız bir skor, tahmin veya öneri değildir. Kararın dayanağının; kullanılan veri sürümü, model, kısıt, amaç fonksiyonu, belirsizlik, alternatifler ve insan müdahalesiyle birlikte izlenebilir olması gerekir. Bu nedenle karar desteği; veri mühendisliği, optimizasyon, istatistik, yapay zekâ, insan faktörleri, yazılım mühendisliği ve yönetsel süreçlerin kesişimindedir.

Ünite 1: Karar Problemi, Karar Süreci ve Karar Desteğinin Sınırı

1.1. Karar Probleminin Tanımı

Bir karar problemi en az şu öğeleri içerir:

• karar verici veya yetkili aktör,
• ulaşılmak istenen amaçlar,
• seçilebilecek alternatifler,
• uyulması gereken kısıtlar,
• değerlendirme ölçütleri,
• mevcut bilgi ve belirsizlik,
• kararın sonuçlarını belirleyen çevresel durumlar,
• kararın verileceği zaman ufku.

Bir sınıflandırma modelinin “A seçeneğinin başarı olasılığı %72” demesi tek başına karar değildir. Karar için en azından %72'nin hangi veri ve koşullarda üretildiği, A'nın maliyeti, alternatiflerin getirisi, yanlış kararın bedeli ve varsa operasyonel kısıtlar bilinmelidir.

veri -> tahmin
          |
          v
amaç + kısıt + maliyet + risk + alternatifler
          |
          v
       karar modeli
          |
          v
öneri / senaryo / eylem

1.2. Yapılandırılmış, Yarı Yapılandırılmış ve Yapılandırılmamış Kararlar

Yapılandırılmış karar, kuralları ve hesaplama yöntemi büyük ölçüde önceden tanımlanabilen karardır. Yeniden sipariş seviyesinin belirli eşiklerle hesaplanması buna örnek olabilir.

Yarı yapılandırılmış karar, bir kısmı hesaplanabilirken bir kısmı uzman değerlendirmesi gerektiren karardır. Kapasite planlamasında optimizasyon modeli nicel seçenekler üretse de hizmet önceliği veya değişim riski yönetsel yargı gerektirebilir.

Yapılandırılmamış karar, amaçların, alternatiflerin veya değerlendirme ölçütlerinin dahi karar sürecinde şekillendiği problemdir. Stratejik teknoloji yönelimi gibi kararlar bu sınıfa yaklaşır.

KDS'nin değeri, özellikle yarı yapılandırılmış problemlerde belirgindir: sistem hesaplama ve veri yoğun kısmı düzenler; insan ise amaç, bağlam, istisna ve sorumluluğu taşır.

1.3. Karar Ortamları: Kesinlik, Risk ve Belirsizlik

• Kesinlikte her alternatifin sonucu model varsayımları altında bilinir.
• Riskte sonuçlar kesin değildir fakat durumlara ilişkin olasılıklar veya güvenilir sıklık bilgileri vardır.
• Belirsizlikte olasılıkların kendisi de yeterince bilinmeyebilir.
• Derin belirsizlikte model yapısı, dağılım, paydaş değerleri veya gelecekteki koşullar hakkında birden fazla makul açıklama bulunabilir.

Belirsizliğin türü yöntem seçimini belirler. Olasılık dağılımı gerektiren bir model ile bulanık üyelik derecesi aynı şeyi temsil etmez. Bu ayrım Olasılık ve İstatistik ve Bulanık Mantık dersleriyle birlikte okunmalıdır.

1.4. Karar Döngüsü

Karar mühendisliği açısından pratik bir döngü şöyledir:

sorunu algıla
   -> amaç ve sınırı tanımla
   -> veri ve varsayımları topla
   -> alternatif üret
   -> modelle ve değerlendir
   -> seç / onayla
   -> uygula
   -> sonucu izle
   -> geri besleme ile modeli ve varsayımları güncelle

Bu döngü, kararı tek seferlik bir seçim olmaktan çıkarır. Özellikle dinamik sistemlerde kararın kalitesi, karar sonrası gözlem ve öğrenme mekanizmasına da bağlıdır.

Ünite 2: Karar Destek Sistemi Mimarisi

Klasik KDS mimarilerinde veri, model, kullanıcı etkileşimi ve yöntem/uzmanlık bilgisi ayrı sorumluluklar olarak ele alınır. Modern uygulamalarda bu ayrım hâlâ yararlıdır; yalnız bileşenlerin gerçekleştirim biçimi değişmiştir.

                 +----------------------+
                 |    Karar Verici      |
                 +----------+-----------+
                            |
                    açıklama / etkileşim
                            |
                 +----------v-----------+
                 | Diyalog ve Sunum     |
                 +----------+-----------+
                            |
             +--------------+--------------+
             |                             |
   +---------v---------+         +---------v---------+
   | Model Yönetimi    |         | Veri Yönetimi     |
   | optimizasyon      |         | kaynak / kalite   |
   | simülasyon        |         | tarihçe / soy     |
   | tahmin / kurallar |         | erişim / güncellik|
   +---------+---------+         +---------+---------+
             |                             |
             +--------------+--------------+
                            |
                 +----------v-----------+
                 | Bilgi / Politika     |
                 | kurallar, eşikler,   |
                 | kısıtlar, sözlükler  |
                 +----------+-----------+
                            |
                 +----------v-----------+
                 | Eylem ve Geri Besleme|
                 +----------------------+

2.1. Veri Yönetimi

Veri yönetimi yalnız sorgu çalıştırmak değildir. Karar için kullanılan verinin:

• kaynağı,
• zaman damgası ve güncelliği,
• tanımı ve birimi,
• eksiklik ve aykırı değer durumu,
• dönüşüm zinciri,
• erişim yetkisi,
• sürümü

bilinmelidir. Aynı isimli alanın farklı sistemlerde farklı anlam taşıması, karar modelini teknik olarak çalışır fakat semantik olarak yanlış hale getirebilir. Veri modeli ve bütünlük mekanizmalarının temeli için Veri Tabanı Yönetim Sistemleri notu tamamlayıcıdır.

2.2. Model Yönetimi

Model yönetimi; modelin yalnız kodunu değil, parametrelerini, varsayımlarını, sürümünü, geçerlilik alanını ve çözüm yöntemini de kapsar. Aynı karar problemi için birden fazla model birlikte bulunabilir:

• deterministik optimizasyon,
• stokastik simülasyon,
• istatistiksel tahmin,
• makine öğrenmesi,
• uzman kuralı,
• senaryo tabanlı hesaplama.

Bir KDS, modeli “doğru” kabul etmek yerine hangi koşullarda kullanılabileceğini görünür kılmalıdır.

2.3. Diyalog ve Açıklama

Arayüzün görevi çok sayıda grafik göstermek değildir. Karar vericinin şu soruları hızlıca cevaplayabilmesini sağlamalıdır:

• Şu an hangi veriyle çalışıyorum?
• Hangi varsayımı değiştirdim?
• Öneri hangi ölçütlerden etkilendi?
• Alternatifler arasındaki fark nedir?
• Sonuç ne kadar hassas?
• Sistem hangi konuda belirsiz?
• Öneriyi reddedersem veya değiştirirsem ne olur?

Bu boyut Bilişsel Sistemler Mühendisliği ve Web Uygulamalarında UI/UX Mühendisliği ile doğrudan ilişkilidir.

Ünite 3: Veri Mimarisi, Veri Kalitesi ve Karar İçin Bağlam

3.1. İşlemsel Veri ile Analitik Veri Aynı Görev için Tasarlanmaz

İşlemsel sistemler güncel iş olaylarını güvenilir biçimde kaydetmeye odaklanır. Karar desteği ise çoğu zaman zaman içinde birikmiş, birden fazla kaynaktan gelen ve farklı ayrıntı seviyelerinde özetlenmiş veriye ihtiyaç duyar.

işlemsel kaynaklar
     |
     v
çıkarma / doğrulama / dönüştürme
     |
     +--> kalite kuralları
     +--> anlamsal eşleme
     +--> soy ve sürüm bilgisi
     |
     v
analitik depo / veri ürünü
     |
     v
karar modeli

ETL veya ELT seçimi tek başına karar kalitesini belirlemez. Kritik olan, dönüşümün yeniden üretilebilir ve denetlenebilir olmasıdır.

3.2. Veri Tazeliği ile Doğruluk Ödünleşimi

En yeni veri her zaman en güvenilir veri değildir. Geç gelen olaylar, henüz kapanmamış dönemler veya kaynaktaki geçici tutarsızlıklar nedeniyle sistemin “anlık” değeri kararsız olabilir. Bu nedenle KDS, her veri öğesi için mümkün olduğunda:

• olay zamanı,
• sisteme geliş zamanı,
• son doğrulama zamanı,
• gecikme veya eksiklik göstergesi

tutmalıdır.

Karar vericinin taze fakat kısmi veri ile daha eski fakat doğrulanmış veri arasındaki farkı bilmesi gerekir.

3.3. Veri Soyu ve Kanıt Zinciri

Karar önerisinin denetlenebilmesi için yalnız son değer değil, değerin nereden geldiği önemlidir.

kaynak kayıt
 -> temizleme
 -> birleştirme
 -> türetilmiş özellik
 -> model girdisi
 -> model çıktısı
 -> karar önerisi

Bu zincirdeki her dönüşüm, önerinin kanıt temelidir. Özellikle yüksek etkili kararlarda “model böyle dedi” açıklama değildir.

Bir analitik göstergenin açıklanabilirliği yalnız hesabın formülünden değil, gözlem birimi ve veri sözlüğünden başlar. Örneğin olay tablosunda tek bir olaya ait üç durum kaydı bulunuyorsa COUNT(*) ile olay sayısı değil durum satırı sayılır. Birleşimlerden önce her tablonun tekil anahtarı, olay zamanı ile kayıt zamanı, birimi, ölçüm kaynağı ve eksik değer semantiği tanımlanmalıdır. Kaynak satırından türetilmiş göstergeye kadar dönüşüm zinciri yeniden üretilebilir olmalıdır. Kimliklendirilmiş ham veri gerekmeyen raporlarda sayısal özetler kullanılabilir; ancak toplulaştırma geri tanımlama riskini tamamen kaldırmaz.

Ünite 4: Karar Modeli Kurma — Amaç, Alternatif, Kısıt ve Ölçüt

İyi bir karar modeli, çözüm yönteminden önce problem sınırını açıklar.

Karar modeli kurarken önce amaç, değiştirilebilir karar değişkenleri ve dışarıdan belirlenen parametreler ayrılır. Kısıtların her biri gerçek bir kapasite, hukuk veya kaynak sınırına bağlanır; aksi halde matematiksel çözüm uygulanabilir olmayabilir. Uygun çözüm kümesi belirlendikten sonra amaç fonksiyonu optimize edilir. Sonuç, parametre duyarlılığıyla sınanarak küçük veri değişikliklerinin farklı kararlar üretip üretmediği değerlendirilir.

4.1. Karar Değişkenleri

Karar değişkeni, karar vericinin değiştirebildiği büyüklüktür. Talep bir karar değişkeni değil çevresel girdidir; sipariş miktarı ise karar değişkeni olabilir.

4.2. Amaç Fonksiyonu

Amaç, modelin neyi iyileştirmeye çalıştığını belirtir:

• maliyeti azalt,
• hizmet düzeyini yükselt,
• gecikmeyi azalt,
• güvenliği artır,
• enerji tüketimini azalt,
• birden fazla amacı birlikte dengele.

Yanlış seçilmiş amaç fonksiyonu, teknik olarak kusursuz bir çözümü operasyonel olarak zararlı hale getirebilir. Proxy ölçütlerle gerçek amaç arasındaki fark açık tutulmalıdır.

4.3. Kısıtlar

Kısıtlar yalnız matematiksel sınırlar değildir. Kapasite, mevzuat, süre, bütçe, fiziksel güvenlik, insan kaynağı ve bağımlılık koşulları modelde kısıt olarak temsil edilebilir.

Kısıt ihlalini “ceza puanı” ile amaç fonksiyonuna gömmek her problem için doğru değildir. Mutlak uyulması gereken güvenlik veya yasal sınırlar, mümkünse sert kısıt olarak modellenmelidir.

4.4. Ölçek ve Birim Disiplini

Bir kriter saniye, diğeri Türk lirası, üçüncüsü yüzde ise ham değerleri doğrudan toplamak anlamsızdır. Normalizasyon, ağırlıklandırma ve fayda dönüşümleri matematiksel kolaylık değil semantik zorunluluktur.

Ünite 5: Karar Analizi — Beklenen Değer, Fayda ve Bilginin Değeri

Belirsizlik altındaki seçenekler karşılaştırılırken önce olay durumlarının birbirini dışlayıp dışlamadığı ve olasılık tahminlerinin hangi kanıta dayandığı incelenir. Beklenen parasal değer, karar vericinin risk tutumunu her zaman yansıtmayabilir; uygun durumda fayda işlevi kullanılır. Ek bilgi toplama kararı, bilginin kararı değiştirme olasılığı ve toplama maliyeti birlikte ele alınarak değerlendirilir. Kararın kalitesi yalnız sonuç iyi çıktığı için değil, karar anındaki bilgi ve yöntem açısından ölçülmelidir.

5.1. Karar Tablosu

Karar tablosu, alternatiflerle çevresel durumları birlikte gösterir.

                 Durum S1   Durum S2   Durum S3
Alternatif A        40         20         -5
Alternatif B        25         24         18
Alternatif C        60          5        -20

Bu tablo tek başına “en iyi” alternatifi söylemez. Olasılıklar, risk tutumu ve sonuçların hangi fayda ölçeğinde değerlendirildiği gerekir.

5.2. Beklenen Değer ve Beklenen Fayda

Risk ortamında basit beklenen değer:

E[X] = Σ p(s) * x(s)

şeklinde hesaplanabilir. Ancak para, güvenlik, zaman veya hizmet kaybının karar verici açısından doğrusal fayda oluşturmadığı durumlarda beklenen parasal değer yerine beklenen fayda kullanmak daha anlamlıdır.

Riskten kaçınan bir karar verici, aynı beklenen değere sahip iki alternatiften daha düşük varyanslı olanı tercih edebilir. Bu durum “rasyonel değil” diye etiketlenemez; fayda fonksiyonunun biçimi farklıdır.

5.3. Karar Ağacı

Karar ağaçlarında karar düğümü ile olasılık düğümü ayrılmalıdır:

[Karar]
  |-- A --> (Belirsiz durum) -- p1 --> sonuç
  |                        -- p2 --> sonuç
  |
  -- B --> (Belirsiz durum) -- p1 --> sonuç
                           -- p2 --> sonuç

Bu yapı ardışık kararlar ve yeni bilgi geldikçe değişen seçenekler için yararlıdır.

5.4. Bilginin Değeri

Yeni bir sensör, analiz veya araştırma yalnız “daha fazla veri” sağladığı için değerli değildir. Bilginin değeri, bilginin karar değiştirerek beklenen sonucu ne kadar iyileştirdiğiyle ilgilidir.

Mükemmel bilgi değeri kavramsal olarak:

mükemmel bilgi ile beklenen en iyi sonuç
-
mevcut bilgi ile beklenen en iyi sonuç

farkıdır. Bir ölçümün maliyeti bu değerden yüksekse ek bilgi ekonomik olmayabilir.

Bilginin ekonomik değerini hesaplamak. İki karar alternatifi A ve B için yüksek talep olasılığı 0,4, düşük talep olasılığı 0,6 olsun. Yüksek/düşük talepte net sonuçlar sırasıyla A: (100, −20), B: (60, 40) birimdir. Bilgi olmadan beklenen sonuçlar E[A] = 0,4·100 + 0,6·(−20) = 28 ve E[B] = 0,4·60 + 0,6·40 = 48 olduğundan B seçilir. Talep durumu karar öncesinde kusursuz bilinse yüksek talepte A, düşük talepte B seçilir; beklenen sonuç 0,4·100 + 0,6·40 = 64 olur. Kusursuz bilginin beklenen değeri EVPI = 64 − 48 = 16 birimdir. Bu değer, aynı fayda ve maliyet tanımı altında kusursuz bilgi için ödenebilecek teorik üst sınırdır. Kusurlu bir testin değeri ise kendi duyarlılığı, yanlış alarm oranı ve satın alma maliyetiyle yeniden hesaplanmalıdır.

Ünite 6: Çok Ölçütlü Karar Verme

Gerçek kararlar çoğu zaman tek amaçlı değildir. Maliyet, kalite, süre, risk ve sürdürülebilirlik gibi ölçütler birlikte değerlendirilir.

6.1. Ağırlıklı Puanlama

Basit model:

skor(a) = Σ w_j * r_aj

Burada w_j ölçüt ağırlığı, r_aj alternatifin normalize edilmiş değeridir. Bu yöntem anlaşılırdır fakat iki kritik koşul taşır:

1. Ölçütlerin ölçeği anlamlı biçimde normalize edilmelidir.
2. Ağırlıklar, karar vericinin gerçek tercihlerini temsil etmelidir.

Ağırlıkların toplamının 1 olması matematiksel bir düzenleme sağlar; fakat yanlış ağırlığı doğru yapmaz.

6.2. TOPSIS Yaklaşımı

TOPSIS, alternatifleri ideal çözüme yakınlık ve ideal olmayan çözüme uzaklık üzerinden sıralar. Tipik süreç:

karar matrisi
 -> normalizasyon
 -> kriter ağırlıkları
 -> ideal / negatif-ideal noktalar
 -> uzaklıklar
 -> göreli yakınlık
 -> sıralama

Yöntem, özellikle çok sayıda ölçütün ortak bir karşılaştırma uzayına taşınabildiği durumlarda kullanışlıdır. Sonuçların normalizasyon yöntemi ve ağırlıklara duyarlılığı mutlaka incelenmelidir.

6.3. Pareto Düşüncesi

Bir alternatif, en az bir ölçütte daha iyi hale getirilemeden başka bir ölçütte kötüleşiyorsa Pareto sınırında olabilir. Çok amaçlı problemlerde tek bir “optimum” yerine Pareto-etkin çözümler kümesi bulunması doğaldır.

KDS'nin görevi bu kümenin karar verici açısından anlaşılır hale gelmesini sağlamaktır; tercihi gizlice tek skora indirgemek değil.

Ünite 7: Çok Amaçlı Optimizasyon ve Model-Yönelimli KDS

7.1. Doğrusal ve Tamsayılı Optimizasyon

Doğrusal programlamada amaç ve kısıtlar doğrusal biçimdedir:

min / max  c'x
subject to Ax <= b
           x >= 0

Karar değişkenlerinin bazıları ayrık olduğunda tamsayılı veya karma tamsayılı programlama gerekir. Çizelgeleme, atama, rota ve kapasite planlama problemlerinde ayrıklık çoğu zaman gerçek sistem davranışının parçasıdır.

7.2. Ağırlıklı Toplam

Birden fazla amaç:

min w1*f1(x) + w2*f2(x) + wk*fk(x)

biçiminde tek amaç altında birleştirilebilir. Bu yöntem basittir fakat ağırlık seçimi karar politikasının kendisidir; teknik parametre gibi saklanmamalıdır.

7.3. Hedef Programlama

Hedef programlama, her amaç için istenen hedefe göre pozitif/negatif sapmaları cezalandırır. Özellikle “maliyeti mümkün olduğunca azalt” yerine “maliyet bütçeyi aşmasın, hizmet seviyesi hedefe yaklaşsın” türü karar diline uygundur.

7.4. Epsilon-kısıt Yöntemi

Bir amaç optimize edilirken diğer amaçlar sınır olarak ifade edilebilir:

min maliyet
subject to hizmet_seviyesi >= ε1
           risk <= ε2

Bu yöntem karar vericinin “şu kalite düzeyinden aşağı inme” gibi politikasını açık biçimde modele taşır.

7.5. Çözücü Çıktısını Doğrulama

Optimizasyon motorunun “optimal” demesi, iş probleminin doğru çözüldüğü anlamına gelmez. En az şu kontroller yapılmalıdır:

• birim ve işaret doğruluğu,
• sınır değerleri,
• kısıt ihlali toleransları,
• ayrık değişkenlerin doğru tanımı,
• beklenmeyen gevşek kısıtlar,
• duyarlılık,
• alternatif optimumlar,
• modelin gerçek sistem kısıtlarıyla uyumu.

Optimizasyon algoritmalarının farklı sınıfları için Genetik Algoritmalar ve Uygulamaları notu tamamlayıcıdır.

7.6. Dışbükeylik ve Uygulanabilir Bölgenin Geometrisi

Bir optimizasyon probleminde yalnız amaç fonksiyonunun adı değil, geometrik yapısı da önemlidir. Dışbükey bir kümede iki uygulanabilir nokta arasındaki doğru parçası bütünüyle kümenin içinde kalır. Dışbükey bir amaç fonksiyonu için:

f(lambda x + (1-lambda)y)
<= lambda f(x) + (1-lambda) f(y)

0 <= lambda <= 1 koşulunda sağlanır.

Dışbükey minimizasyonda her yerel minimum aynı zamanda küresel minimumdur. Bu özellik, çözücünün yalnız bir durağan nokta bulması ile matematiksel olarak küresel optimuma ulaşması arasındaki farkı belirginleştirir.

KDS açısından dışbükeylik yalnız teorik kolaylık değildir. Çözüm garantisi, ölçeklenebilir çözücü seçimi ve duyarlılık yorumunun güvenilirliği üzerinde doğrudan etkilidir.

7.7. Doğrusal Programlama, Simplex ve İç Nokta Yaklaşımı

Doğrusal programlamada amaç ve kısıtlar doğrusaldır; uygulanabilir bölge bir çokyüzlüdür. Uygun koşullarda optimum çözümlerden en az biri köşe noktasında bulunur.

Simplex yöntemi temel uygulanabilir çözümler arasında kenarlar boyunca ilerleyen cebirsel/geometrik bir yaklaşım olarak okunabilir. İç nokta yöntemleri ise köşe zincirini izlemek yerine uygulanabilir bölgenin içinden optimalliğe yaklaşır.

Yöntemlerin hangisinin daha uygun olduğu problem boyutu, seyreklik, sayısal yapı, warm-start ihtiyacı ve çözücü implementasyonuna bağlıdır. KDS, algoritma adını değil model yapısını ve çözücü sözleşmesini kaydetmelidir.

7.8. Dualite ve Gölge Fiyatı

Bir primal problemin kısıtlarına karşılık dual değişkenler tanımlanabilir. Doğrusal programlamada uygun koşullarda primal ve dual optimum amaç değerleri eşittir. Bu ilişki, optimumluğu doğrulamak ve kaynak kısıtlarının marjinal değerini yorumlamak için güçlüdür.

Bir kısıdın sağ tarafındaki küçük değişimin optimum amaç değerine yerel etkisi gölge fiyatı üzerinden okunabilir. Ancak gölge fiyatı sınırsız aralıkta geçerli sabit bir değer değildir; baz çözüm veya aktif kısıt yapısı değiştiğinde duyarlılık da değişebilir.

Karar desteğinde dual bilgi, yalnız "hangi çözüm?" sorusuna değil "hangi kıt kaynak kararı sınırlıyor?" sorusuna da cevap verir.

Gölge fiyatı bir kaynak kısıtının sağ tarafı çok az değiştiğinde optimum amaç değerinin nasıl etkilendiğini ifade eder; geçerliliği aynı etkin kısıt yapısının korunduğu yerel aralıkla sınırlıdır. Örneğin en büyüklenmek istenen üretim miktarı x ve kısıtlar x≤8, x≤10 ise ilk kısıt etkindir. İlk sınır 8'den 9'a yükseltildiğinde optimum 1 artar; 10'dan sonra aynı değişimin kazancı sıfır olur. Bu yüzden mevcut dual katsayıyı bütün kapasite artışlarına doğrusal biçimde uygulamak yanıltıcıdır. Karar desteğinde marjinal değer mutlaka geçerlilik aralığıyla birlikte sunulmalıdır.

7.9. Lagrange Çarpanları ve KKT Koşulları

Eşitlik kısıtlı minimizasyonda Lagrangian:

L(x,lambda) = f(x) + lambda^T h(x)

şeklinde kurulur. Eşitsizlikler eklendiğinde Karush-Kuhn-Tucker çerçevesi dört yapıyı birlikte ele alır:

primal uygunluk
dual uygunluk
stationarity
tamamlayıcı gevşeklik

Dışbükeylik ve uygun düzenlilik koşulları altında KKT koşulları optimumluk için güçlü bir karakterizasyon sağlar. Dışbükey olmayan problemde KKT noktası küresel optimum garantisi değildir.

KDS'de KKT ayrıntısı çözücüyü elle yeniden yazmak için değil, çözüm durumunu ve dual bilgiyi doğru yorumlamak için gereklidir.

KKT koşullarında tamamlayıcı gevşeklik, bir eşitsizlik kısıtının hangi noktada amaç değerine etkili olduğunu açıkça gösterir. f(x)=(x−3)² ifadesi x≤2 altında en küçükleniyorsa optimum x=2 olur. g(x)=x−2≤0 için durağanlık 2(x−3)+λ=0 olduğundan λ=2, etkin kısıt ve pozitif çarpan elde edilir. Sınır x≤4 yapıldığında kısıt etkisizdir ve optimum x=3, λ=0 olur. Bu bir boyutlu dışbükey örnekte koşullar yeterlidir; genel doğrusal olmayan problemlerde yalnız KKT eşitliklerini çözmek küresel optimum garantisi vermez.

7.10. Birinci ve İkinci Mertebe Optimizasyon Yöntemleri

Gradient descent birinci türev bilgisini kullanır. Adım büyüklüğü çok büyükse salınım veya ıraksama, çok küçükse gereksiz yavaşlık görülebilir.

Newton yöntemi Hessian üzerinden yerel kuadratik modeli kullanır:

H(x_k) p_k = -grad f(x_k)
x_(k+1) = x_k + p_k

Tam Hessian pahalıysa BFGS gibi quasi-Newton yöntemleri eğrilik bilgisini iteratif olarak yaklaşıklar. Düzgün olmayan amaçlarda subgradient, g(x)+h(x) gibi bileşik amaçlarda ise uygun h için proximal gradient ailesi anlamlı olabilir.

Bir yöntemi yalnız iterasyon sayısıyla karşılaştırmak hatalıdır. Her iterasyonun doğrusal cebir maliyeti, bellek gereksinimi, paralelleşme yapısı, kısıt işleme biçimi ve hedef toleransı birlikte değerlendirilmelidir.

7.11. Ağ Akışı bir Optimizasyon Modelidir

Kapasite, maliyet ve düğüm dengesi içeren ağlar doğal optimizasyon yapılarıdır. Maksimum akış, minimum maliyetli akış ve atama problemleri genel amaçlı lineer/tamsayılı modele çevrilebilir; fakat graf yapısından yararlanan özel algoritmalar çoğu zaman daha verimlidir.

Bu önemli bir modelleme ilkesidir: problem yapısını genel çözücüye vermek için gereksiz yere yok etmek zorunlu değildir. Özel algoritma ile genel model arasında doğruluk, esneklik, bakım maliyeti ve performans açısından bilinçli seçim yapılmalıdır.

7.12. Feasible, İnfeasible, Unbounded ve Optimality Gap

Bir optimizasyon çözücüsünün çalışmayı bitirmesi optimum bulunduğu anlamına gelmez. Temel durumlar ayrılmalıdır:

• feasible: bütün kısıtları sağlayan en az bir çözüm vardır,
• infeasible: kısıtlar birlikte sağlanamaz,
• unbounded: amaç uygulanabilir bölge içinde sınırsız iyileşebilir,
• optimal: tanımlı tolerans altında daha iyi uygulanabilir çözüm yoktur,
• time/iteration limit: matematiksel arama tamamlanmadan kaynak sınırına ulaşılmıştır.

Karma tamsayılı problemlerde optimality gap, en iyi bulunan uygulanabilir çözüm ile matematiksel sınır arasındaki farkı özetler. Karar kanıtı yalnız karar değişkenlerini değil çözücü durumunu, gap değerini, toleransları, model sürümünü ve veri anlık görüntüsünü de içermelidir.

Ünite 8: Benzetim-Tabanlı Karar Destek

Optimizasyon “hangi karar en iyi?” sorusuna, benzetim ise çoğu zaman “bu politika uygulanırsa sistem nasıl davranır?” sorusuna cevap verir.

8.1. Monte Carlo Benzetimi

Belirsiz girdilerden tekrar tekrar örnek alınıp sonuç dağılımı hesaplanır:

for each trial:
    talep ~ dağılım
    süre  ~ dağılım
    arıza ~ dağılım
    sonucu hesapla
sonuç dağılımını özetle

Tek bir ortalama yerine yüzdelikler, kuyruk riskleri ve eşik aşım olasılıkları incelenebilir.

8.2. Ayrık Olay Benzetimi

Kuyruk, servis, bakım, lojistik veya kaynak paylaşımı gibi sistemlerde durum yalnız olay olduğunda değişir. Ayrık olay benzetimi; yoğunluk, bekleme süresi, kullanım oranı ve darboğazları gözlemlemek için uygundur.

8.3. Optimizasyon + Benzetim

Gerçek sistemde doğrusal olmayanlık veya belirsizlik fazlaysa iki yöntem birlikte kullanılabilir:

optimizasyon -> aday politika
                    |
                    v
               benzetim
                    |
           sağlamlık / risk
                    |
                    v
             politika seçimi

Bu yapı, nominal olarak ucuz fakat küçük sapmalarda kırılgan çözümleri elemek için etkilidir.

8.4. Senaryo Eşleştirmesi ve Benzetim Bütçesi

İki karar politikası aynı rastgele talep, arıza veya işlem süresi koşullarında karşılaştırılırsa sonuç farkının gürültüsü azalabilir. Ortak rastgele sayılar yöntemi her politikaya bağımsız senaryo üretmek yerine eşleştirilmiş senaryolar uygular. D_i = L_A(ω_i) − L_B(ω_i) kayıp farkı için kararın dayanağı D̄ ve bunun örnekleme belirsizliğidir; ayrı ayrı elde edilen iki ortalamanın görünürde farklı olması yeterli değildir. Eşleştirme ortak senaryolardaki pozitif korelasyon nedeniyle varyansı azaltabilir, fakat her problemde garanti edilen bir kazanç değildir.

Benzetimde aynı tohumun kullanılması hesaplamanın tekrarını kolaylaştırır; farklı tohumlar ve bağımsız tekrarlar ise sonucun tek bir rastgele gerçekleşmeye bağımlılığını sınar. Kayıp dağılımının ortalamasına ek olarak kuyruk kuantilleri, aşım olasılığı ve uygulama için kritik eşikler raporlanmalıdır. Çok seyrek ancak ağır sonuçlu olaylar için sıradan Monte Carlo örneklemesi yetersiz kalabilir; önem örneklemesi kullanılacaksa ağırlıkların kararlılığı ve öneri dağılımının kapsamı ayrıca doğrulanmalıdır.

Ünite 9: Belirsizliği Temsil Etme

Belirsizlik tek bir matematiksel nesne değildir.

9.1. Olasılıksal Belirsizlik

Tekrarlanabilir olaylar veya güvenilir olasılık modeli bulunan durumlarda dağılımlar kullanılabilir. Parametre belirsizliği ile aleatorik değişkenlik ayrılmalıdır.

9.2. Bulanık Belirsizlik

“yüksek risk”, “orta sıcaklık” veya “uygun hız” gibi keskin sınırı olmayan dilsel kavramlar üyelik fonksiyonlarıyla temsil edilebilir. Üyelik derecesi olasılık değildir.

9.3. Model Belirsizliği

Modelin kendisi yanlış veya eksik olabilir. İki model aynı veriyle farklı sonuç veriyorsa yalnız parametre aralığı vermek yeterli değildir. Model kümesi veya senaryo ailesiyle çalışmak gerekebilir.

9.4. Sağlam ve İhtiyatlı Kararlar

Sağlam optimizasyon, belli bir belirsizlik kümesi içindeki kötü durumlara dayanıklı çözümler arar. İhtiyatlı tasarım her zaman “en kötü durumu seç” demek değildir; kararın geri döndürülebilirliği ve yeni bilgi geldikçe uyarlanabilirliği de önemlidir.

9.5. Dinamik Kararlar: MDP ve POMDP

Markov karar süreçlerinde durum, eylem, geçiş olasılığı ve ödül birlikte tanımlanır. Durum doğrudan gözlenemiyorsa POMDP yaklaşımı inanç durumu üzerinden karar verir.

Bu yöntemler tek seferlik alternatif sıralamasından farklıdır: amaç, zaman boyunca uygulanacak bir politika bulmaktır.

9.6. Belirsizliğin Biçimi ve Kararın Sunumu

Bir tahminin tek sayı olarak gösterilmesi, kullanıcıya modelin ölçüm ve örnekleme belirsizliğini gizleyebilir. Ancak aynı grafikte birbirinden farklı aralık türlerini tek bir “güven aralığı” etiketiyle sunmak da doğru değildir. Parametre için güven aralığı, gelecekteki gözlem için tahmin aralığı ve sonsal olasılık aralığı farklı soruları yanıtlar. Belirsizlik görselinin açıklaması; aralığın kapsadığı niceliği, kullanılan varsayımları ve değerlendirmeye katılan veri altkümesini belirtmelidir.

Çok sayıda seçenek için karşılaştırılabilir kuantiller veya kuantil nokta grafikleri, tek bir hata çubuğunun gizlediği çarpıklığı görünür kılabilir. Bununla birlikte görsel ayrıntı, karar değişkeninin asıl anlamını bastırmamalıdır: görsel eşik ve renk seçimleri dağılımın altında desteklenmeyen keskin kategoriler üretmemelidir. Belirsizlik aralıkları örtüşüyor diye iki kararın eşit, örtüşmüyor diye mutlaka farklı olduğu sonucuna da doğrudan varılmaz; karar kaybının farkı ayrıca incelenir.

Ünite 10: Veri-Yönelimli KDS, Tahmin ve Makine Öğrenmesi

Modern KDS'lerde tahmin modeli karar zincirinin yalnız bir katmanıdır.

gözlem -> özellikler -> tahmin
                       |
                       v
              karar eşiği / maliyet
                       |
                       v
                    eylem

10.1. Tahmin Doğruluğu ile Karar Değeri Aynı Değildir

İki modelden daha yüksek doğruluğa sahip olanın daha iyi karar üretmesi garanti değildir. Yanlış pozitif ve yanlış negatif maliyetleri farklıysa karar eşiği buna göre ayarlanmalıdır.

Örneğin nadir bir olayda %99 doğruluk, tüm örnekleri “olay yok” diye sınıflandıran işlevsiz bir modelden gelebilir. Bu nedenle F1, PR-AUC, kalibrasyon, maliyet matrisi ve gerçek karar faydası birlikte değerlendirilmelidir.

Ayrıntılı modelleme temeli için İstatistiksel Öğrenme ve Makine Öğrenmesi notuna bakılabilir.

10.2. Kalibrasyon

Bir modelin %80 olasılık verdiği olayların uzun dönemde yaklaşık %80'inin gerçekleşmesi kalibrasyon fikridir. Karar modelleri olasılığı doğrudan maliyet/fayda hesabında kullanıyorsa kalibrasyon, salt sıralama başarısından daha kritik olabilir.

10.3. Dağılım Kayması

Üretim verisi eğitim verisinden uzaklaştığında model performansı değişebilir. KDS yalnız model metriğini değil:

• girdi dağılımı,
• eksik veri oranı,
• sınıf oranı,
• kalibrasyon,
• karar eşiği davranışı,
• karar sonrası sonuç

gibi göstergeleri de izlemelidir.

10.4. Arıza Olasılığını Bakım Kararına Dönüştürmek

Bir tahmin modelinin verdiği arıza olasılığı p, bakım eylemi değildir. Önleyici müdahalenin sabit maliyeti 400 birim; müdahale edilmediğinde arızanın beklenen ek kayıp maliyeti 2000 birim ve sağlam sistemde müdahalesizlik maliyeti sıfır olsun. Basitleştirilmiş tek dönem kararında müdahalenin beklenen maliyeti 400, beklemenin beklenen maliyeti 2000p olur. İki seçenek ancak p > 0,20 iken önleyici müdahale lehine ayrışır. Bu eşik, arıza olasılığına ilişkin model güvenilirliğine ve maliyet varsayımlarına bağlıdır; bütün makineler için evrensel değildir.

Eşik hesabında bakımın arızayı kesin önlediği, maliyetlerin sabit olduğu ve başka karar seçeneği bulunmadığı varsayılmıştır. Gerçekte müdahalenin başarısız olma olasılığı, yedek parça bekleme süresi, üretim kapasitesi ve arızanın insan güvenliğine etkisi modeli değiştirir. Olasılık kalibrasyonu bozuksa p = 0,30 çıktısını gerçek yüzde otuz olay sıklığı gibi kullanmak yanlış karar verebilir. Karar desteği bu nedenle tahmin, maliyet modeli, eylem yetkisi ve sonucun izlenmesini birbirinden ayırmalıdır.

Ünite 11: Zeki KDS ve Karar Zekâsı

11.1. Uzman Sistemlerden Zeki Karar Desteğine

Kural tabanlı sistemler, alan bilgisini “koşul -> sonuç/öneri” biçiminde ifade eder. Güçlü yönleri açıklanabilir kurallar ve dar alanda tutarlılıktır; zayıf yönleri bilgi edinme maliyeti, kural çatışmaları ve bakım yüküdür.

Modern zeki KDS; kuralları, makine öğrenmesini, optimizasyonu, aramayı ve ajanları birlikte kullanabilir. Yapay Zeka bu tekniklerin daha geniş kuramsal çerçevesini ele alır.

11.2. Yardım, Destek, Artırma ve Otomasyon

İnsan-makine iş bölümü tek eksenli değildir:

• karar yardımı: sistem bilgi getirir veya hesaplama yapar,
• karar desteği: alternatifleri ve sonuçlarını görünür kılar,
• karar artırma: insan ve model birbirinin zayıf yönünü tamamlar,
• karar otomasyonu: tanımlı sınırlar içinde eylem sistem tarafından seçilip uygulanır.

Otomasyon seviyesi yükseldikçe doğrulama, yetkilendirme, geri alma ve hata sınırları daha önemli hale gelir.

11.3. Karar Zekâsı

Karar zekâsı (decision intelligence), veri bilimi veya yapay zekânın yalnız tahmin üretmesine değil, kararların nasıl tanımlandığına, uygulanıp izlendiğine ve sonuçlardan nasıl öğrenildiğine odaklanan güncel bir çerçevedir. Terim, tek bir uluslararası standart veya tek algoritma ailesi değildir; organizasyonel karar süreci ile analitik/AI tekniklerini bir araya getiren bir yaklaşım olarak kullanılmaktadır.

Ünite 12: İnsan Faktörleri, Açıklama ve Grup Kararları

12.1. Sınırlı Rasyonellik

Gerçek karar vericinin zamanı, dikkati ve hesaplama kapasitesi sınırlıdır. KDS'nin amacı karar vericiyi sonsuz sayıda grafik ve seçenekle yüklemek değil, karar için gerekli ayrımları görünür hale getirmektir.

12.2. Otomasyon Yanlılığı

Sistem önerisinin tutarlı görünmesi, kullanıcıyı öneriyi gereğinden fazla doğru kabul etmeye yöneltebilir. Bu riski azaltmak için arayüz:

• veri eksikliğini,
• model geçerlilik alanını,
• belirsizliği,
• kritik varsayımları,
• karşıt kanıtı,
• alternatifleri

gösterebilmelidir.

12.3. Açıklama Doğruluk Değildir

Bir modelin güzel bir açıklama üretmesi, önerinin doğru olduğu anlamına gelmez. Açıklama şu sorulardan hangisini cevapladığını belirtmelidir:

• Hangi girdiler etkili oldu?
• Hangi kural çalıştı?
• Hangi kısıt çözümü sınırladı?
• Hangi alternatif neden elendi?
• Hangi değişiklik kararı değiştirirdi?

12.4. Özellik Katkısı, Karşıolgusal Açıklama ve Nedensellik

Özellik katkısı açıklaması, belirli girdilerin model çıktısıyla ilişkisini model ve seçilmiş referans dağılımı altında paylaştırır; tek başına nedensel etki göstermez. Korelasyonlu özelliklerde katkının hangi değişkene yazıldığı kullanılan yöntem ve referans örneklemine bağlı olabilir. Küresel önem sıralaması ile tek bir kararın yerel açıklaması aynı nesne değildir.

Karşıolgusal açıklama, modelin farklı karar üretmesi için hangi girdilerin nasıl değişmesi gerektiğini araştırır. Değişebilir ve değiştirilemez özellikler, fiziksel kısıtlar ve birlikte değişmesi gereken değişkenler tanımlanmadan bulunan karşıolgusal örnek uygulanabilir bir müdahale değildir. Nedensellik iddiası için ayrıca müdahale varsayımları, karıştırıcı değişkenler ve gözlemsel kanıtın sınırları değerlendirilmelidir.

Gözlemsel veride iki değişkenin birlikte değişmesi, birine müdahale edildiğinde diğerinin aynı ölçüde değişeceğini göstermez. Nedensel yönlü çevrimsiz grafik (DAG), varsayılan ilişkileri ve karıştırıcıları görünür kılabilir; ancak grafiğin tek başına veriden doğrulandığı kabul edilemez. Arka kapı uyarlaması için seçilen değişkenler, müdahale ile sonuç arasındaki nedensel yolları açmadan gerekli karıştırmayı kapatmalıdır.

Propensity score, gözlenen değişkenler koşulunda müdahale alma olasılığını özetler. Dengeleme, pozitiflik ve gözlenmemiş karıştırıcı bulunmaması koşulları sağlanmadan nedensel etki kestirimi garanti edilemez. Araç değişken yaklaşımında da araç geçerliliği, dışlama kısıtı ve ilgili etki tanımı üzerinde ayrı varsayımlar gerekir. Bu varsayımlar, tahmin doğruluğu yüksek olduğu için otomatik olarak sağlanmaz.

12.5. Grup Kararları

Grup KDS'lerinde problem yalnız oy toplamak değildir. Farklı paydaşların:

• amaçları,
• yetkileri,
• bilgi erişimleri,
• risk toleransları,
• itiraz ve onay mekanizmaları

ayrı olabilir. Karar kaydı, yalnız nihai seçimi değil gerekçeyi ve karşı görüşleri de taşıyabilir.

İnsan faktörleri ve durumsal farkındalık açısından daha ayrıntılı çerçeve Bilişsel Sistemler Mühendisliği dersindedir.

Ünite 13: Üretken Yapay Zekâ ve RAG'nin KDS İçindeki Yeri

Büyük dil modelleri, karar desteğinde özellikle doğal dil arayüzü, belge analizi, açıklama üretimi ve yapılandırılmamış bilgiden aday hipotez çıkarma için değerlidir. Ancak dil modeli çıktısı, tek başına güvenilir karar kanıtı değildir.

13.1. Güvenli Rol Ayrımı

kullanıcı sorusu
   |
   v
LLM: niyeti ve bilgi gereksinimini yorumla
   |
   +--> doğrulanmış veri sorgusu
   +--> belge erişimi / RAG
   +--> deterministik hesaplama aracı
   +--> optimizasyon / simülasyon
   |
   v
kanıt + sonuç + belirsizlik
   |
   v
LLM: anlaşılır sunum
   |
   v
insan onayı / yetkili eylem

Bu tasarımda LLM, doğrulanabilir hesaplamayı taklit etmek yerine uygun araca yönlendirir. Bilgi Erişimi Destekli Üretim (RAG) dış bilgiye dayalı üretimin mekanizmalarını ayrıntılandırır.

13.2. Temel Riskler

• halüsinasyon,
• güncel olmayan veya yanlış bağlam,
• kaynak atfının uydurulması,
• prompt injection ve yetki sınırı ihlali,
• yapılandırılmış sayısal hesabın metin modeliyle yapılması,
• deterministik olması gereken kararın değişken üretime bırakılması.

Yüksek etkili kararlarda üretken modelin görevi; yetkili karar motorunun yerini almak değil, bilgi erişimi ve açıklama katmanını güçlendirmek olmalıdır.

Ünite 14: KDS Yazılım Mühendisliği ve Yaşam Döngüsü

KDS prototipi ile üretim KDS'si arasındaki fark, algoritmadan çok mühendislik sınırlarında ortaya çıkar.

14.1. İşlemtablosu Prototipleri

İşlemtabloları; küçük modelleri görünür kılma, duyarlılık analizi, what-if incelemesi ve alan uzmanıyla birlikte hızlı prototipleme için değerlidir. Bununla birlikte çok kullanıcılı, yüksek hacimli veya kritik üretim ortamında:

• hücre bağımlılıklarının görünmezleşmesi,
• sürüm karmaşası,
• eşzamanlı düzenleme,
• erişim kontrolü,
• test otomasyonu,
• veri kaynağı bütünlüğü

gibi sınırlar belirginleşir.

Üretime geçişte formüller ve varsayımlar açık model sözleşmelerine, servis sınırlarına ve test edilebilir bileşenlere dönüştürülmelidir.

14.2. Sürümleme

Aşağıdaki öğeler birlikte sürümlenmelidir:

veri şeması
+ veri dönüşümü
+ özellik tanımı
+ model
+ optimizasyon parametreleri
+ iş kuralları
+ karar eşiği
+ arayüzdeki karar açıklaması

Yalnız model dosyasını sürümlemek yeniden üretilebilirlik sağlamaz.

14.3. Doğrulama ve Geçerleme

• Doğrulama: sistemi tanımlanan modele doğru uyguladık mı?
• Geçerleme: model gerçek karar problemi için yeterince uygun mu?

Optimizasyon kodunun doğru çalışması doğrulamadır; optimizasyon amacının gerçek operasyonel değeri temsil edip etmediği geçerlemedir.

Sistem yaşam döngüsü açısından Yazılım Mühendisliği yaklaşımı doğrudan tamamlayıcıdır.

Ünite 15: Performans, Güvenilirlik ve Operasyonel Tasarım

Bir karar önerisinin iş değeri, geç kaldığında sıfıra düşebilir. Bu nedenle KDS'lerde yalnız algoritmik doğruluk değil zaman davranışı da gereksinimdir.

15.1. Gecikme, Hacim ve Veri Tazeliği

Üç farklı süre birbirine karıştırılmamalıdır:

• hesaplama gecikmesi,
• uçtan uca karar gecikmesi,
• kullanılan verinin yaşı.

Model 20 ms'de çalışsa bile veri 24 saat eskiyse karar “gerçek zamanlı” değildir.

15.2. Kontrollü Bozulma

Bir alt sistem arızalandığında güvenli davranış önceden tanımlanmalıdır:

normal karar desteği
 -> gelişmiş model kullanılamıyor
 -> doğrulanmış temel kural / son güvenilir model
 -> açık "degraded" durumu
 -> insan onayı

Sessizce farklı bir model veya eski veri kullanmak risklidir. Fallback davranışı karar kaydında görünmelidir.

15.3. Önbellek ve Yeniden Kullanım

Aynı karar girdileri için maliyetli model çıktıları önbelleğe alınabilir; fakat anahtar, veri sürümü ve model sürümünü içermelidir. Aksi halde sistem hızlı fakat yanlış sonucu tekrarlar.

Ünite 16: Karar Kalitesini Ölçme

16.1. Model Metriği ile Karar Metriği

KDS değerlendirmesi dört düzeyde yapılabilir:

1. Veri kalitesi: eksiklik, doğruluk, güncellik, temsil.
2. Model kalitesi: tahmin, kalibrasyon, optimizasyon uygunluğu, sağlamlık.
3. Karar süreci kalitesi: karar süresi, kullanıcı yükü, açıklanabilirlik, override davranışı.
4. Sonuç kalitesi: maliyet, hizmet, güvenlik, kayıp, hedef başarısı.

Model metriği iyileşirken sonuç metriği kötüleşebilir. Bu nedenle A/B deneyi veya kontrollü dağıtımda karar sonrası etki ölçülmelidir.

Yüksek tahmin doğruluğu daha iyi kararın garantisi değildir. Bir bakım modelinin aynı veri kümesinde hata olasılığına ilişkin ortalama mutlak hatayı azaltması yararlıdır; fakat yalnız haftalık iki bakım penceresi varsa asıl amaç en yüksek beklenen kaybı önleyen iki müdahaleyi seçmektir. Karar metriği, bakım maliyeti ile arızanın hizmet üzerindeki etkisini içermelidir. Aynı durum raporlamada da geçerlidir: gösterge değerinin yanına payda, gözlem süresi, eksiklik oranı ve belirsizlik konmazsa sayı olduğundan daha kesin görünebilir. Karar kalitesi, sonuçların tekrar hesaplanabilirliği ve karar sonrası geri bildirimle sınanır.

16.2. Karşı-olgusal Değerlendirme Sorunu

Üretimde yalnız seçilen kararın sonucunu gözlersiniz; seçilmeyen alternatifin ne olacağını doğrudan gözleyemezsiniz. Bu durum karar politikalarının değerlendirilmesini tahmin modellerinden daha zor hale getirir.

Randomizasyonun mümkün olmadığı durumlarda tarihsel karşılaştırma, eşleştirme, nedensel modeller veya simülasyon kullanılabilir; fakat her yöntem ek varsayım taşır.

Gözlemsel karar kayıtlarında gerçekleşmeyen alternatif kararın sonucu doğrudan gözlenmez. Rastgele atama, uygun deney koşullarında müdahale etkisini ayrıştırabilir; bloklama ve tabakalama, bilinen değişkenliğin deney tasarımında kontrol edilmesini sağlar. Deneysel kayıt bulunmadığında önem ağırlıklandırma gibi politika dışı değerlendirme yöntemleri, gözlenen eylem olasılıklarının doğru bilinmesini ve yeterli örtüşmeyi gerektirir.

Seçim yanlılığı ve ölçüm hatası karar değeri kestirimini model skorundan bağımsız biçimde bozabilir. Karar kurallarının karşılaştırılması yalnız ortalama faydayla sınırlanmamalı; değişkenlik, maliyet, güvenlik kısıtları ve etki büyüklüğünün belirsizliği birlikte incelenmelidir.

16.3. Kullanıcı Override'ı

Kullanıcının öneriyi reddetmesi otomatik olarak kullanıcı hatası değildir. Override oranı:

• modelin zayıf olduğu bağlamları,
• sistemde bulunmayan bilgiyi,
• açıklama yetersizliğini,
• yanlış alarm yükünü

gösterebilir. Override, öğrenme sinyali olarak incelenmeli; kör biçimde azaltılmaya çalışılmamalıdır.

16.4. Karar Analitiğinde Robustluk ve Zamansal Bağlam

Robust istatistik, modelin ideal varsayımlarından küçük sapmalar olduğunda tahminin ne kadar bozulduğunu inceler. Karar destek çıktıları çok sayıda senaryo veya simülasyon koşusundan türetiliyorsa medyan ve MAD sıra dışı koşuların etkisini sınırlar; influence function ve breakdown point ise karar ölçütünün birkaç aşırı gözlem tarafından ne kadar kolay değiştirilebildiğini daha biçimsel gösterir. Özellikle ağır kuyruklu veya kontamine veride yalnız ortalama ve standart sapmaya dayalı kararlar yanıltıcı olabilir.

• Tek bir uç gözlemin karar skorunu ne kadar değiştirdiğini sensitivity analiziyle ölçmek.
• Zaman penceresi değiştiğinde sıralama/öncelik sonucunun kararlı olup olmadığını test etmek.
• Model skoru ile karar eşiğini ayırıp belirsiz bölgede insan değerlendirmesi kullanmak.

16.5. Tahmin Başarısı ile Karar Faydasının Farklılığı

Bir karar destek sisteminde modelin tahmini tek başına sonuç değildir. Olay olasılığı p, yanlış alarm maliyeti C_FP, kaçırma maliyeti C_FN ise basit ikili kararda pozitif eylemin beklenen kaybı (1-p)C_FP, eylemsizliğin kaybı p C_FN olur. Pozitif eylem, p > C_FP/(C_FP+C_FN) olduğunda daha düşük beklenen kayba sahiptir; bu eşik doğru kalibrasyon ve tanımlı maliyet varsayımlarına bağlıdır.

Aynı ROC-AUC değerine sahip iki modelin farklı kalibrasyonu, gerçek karar maliyetini değiştirebilir. Duyarlılık analizi, müdahale kapasitesi, kullanıcı onayı ve geri dönüş maliyeti model metriklerinden bağımsız izlenmelidir.

16.6. Açıklama Kararlılığı ve Karşıolgusal Uygulanabilirlik

Aynı karar için üretilen açıklama, girişteki küçük ve anlamsız değişikliklerle bütünüyle farklılaşıyorsa operatöre sunulan gerekçenin güvenilirliği sorgulanmalıdır. Kararlılık değerlendirmesinde benzer girdilerde özellik sıralamasının değişimi, açıklama işaretlerinin tutarlılığı ve kullanılan referans dağılımına duyarlılık ölçülebilir. Açıklamanın modele sadakati, karar sonucunu doğru tahmin etmesinden farklı bir özelliktir: açıklama, modelin gerçekten kullandığı ilişkileri temsil etmelidir.

Karşıolgusal öneri yalnız en kısa sayısal mesafeye göre seçilmez. Değişikliğin maliyeti, fiziksel gerçekleşebilirliği, yetkili kişinin uygulayabilirliği ve olası yan etkileri birlikte değerlendirilir. Bir açıklama yönteminin başarısını test ederken doğruluk, kararlılık, sadakat ve karar vericinin hata oranı ayrı sonuçlar olarak raporlanmalıdır.

Ünite 17: Yönetişim, Risk ve Sorumlu AI

KDS'nin etkisi büyüdükçe teknik model yönetimi kurumsal risk yönetimiyle birleşir.

NIST AI Risk Management Framework 1.0, AI riskini yaşam döngüsü boyunca yönetmek için gönüllü ve sektör bağımsız bir çerçeve sunar. NIST'in 2024 tarihli Generative AI Profile belgesi, üretken AI'ya özgü riskleri bu çerçeve üzerinde ele alır. ISO/IEC 23894:2023 AI risk yönetimi için rehberlik; ISO/IEC 42001:2023 ise AI yönetim sistemi için kurumsal gereksinimler sağlar. Yazılım ürünü kalitesi açısından ISO/IEC 25010:2023 güncel ürün kalite modelini tanımlar.

Bu standartlar karar modelinin yerine geçmez. Yararlı oldukları nokta; risk, sorumluluk, yaşam döngüsü, ölçüm ve yönetişim sorularını sistematik hale getirmeleridir.

17.1. Yüksek Etkili Kararlarda Asgari Kontrol Alanları

• veri ve model soyu,
• erişim ve yetkilendirme,
• kişisel veri minimizasyonu,
• tehdit modelleme,
• bağımsız test,
• ayrımcılık ve temsil analizi,
• insan onayı ve override,
• eylem sınırları,
• geri alma,
• olay kaydı,
• periyodik yeniden değerlendirme.

Risk yönetimi yalnız “AI modeli var mı?” sorusuna bağlı değildir. Yanlış bir optimizasyon hedefi, bozuk veri veya yanıltıcı arayüz de AI kullanılmadan ciddi karar riski üretebilir.

Ünite 18: Uçtan Uca Örnek — Bakım ve Kapasite Planlama KDS'si

Özgün bir örnek olarak, çok sayıda ekipmanın bakım zamanını ve yedek kapasiteyi planlayan bir sistem düşünelim.

18.1. Girdiler

• ekipman sağlık göstergeleri,
• tahmini arıza olasılığı,
• bakım süresi,
• yedek parça durumu,
• ekip kapasitesi,
• hizmet talebi,
• bakım pencereleri.

18.2. Karar Değişkenleri

• hangi ekipmana ne zaman bakım yapılacağı,
• hangi ekibin atanacağı,
• hangi yedek kaynağın devreye alınacağı.

18.3. Amaçlar

• beklenmeyen arıza riskini azalt,
• toplam bakım maliyetini azalt,
• hizmet kapasitesini koru,
• fazla mesaiyi sınırlı tut.

18.4. Mimari

sensör / bakım kayıtları
          |
          v
veri kalite + zaman eşleme
          |
          +--> sağlık tahmini
          |
          +--> arıza olasılığı
          |
          v
karma tamsayılı optimizasyon
          |
          v
aday bakım planları
          |
          +--> Monte Carlo stres testi
          |
          v
risk / maliyet / hizmet ödünleşimi
          |
          v
karar verici ekranı
          |
          v
onay -> iş emri -> gerçekleşen sonuç
          |
          +--------------------> geri besleme

Tahmin modeli yalnız arıza olasılığını üretir. Asıl karar; kapasite, maliyet, ekip ve zaman kısıtlarını birlikte değerlendiren optimizasyon katmanında oluşur. Benzetim katmanı nominal planın belirsizlik altında ne kadar dayanıklı olduğunu gösterir. İnsan karar verici ise olağandışı saha bilgisi veya planlanmamış bağımlılık varsa öneriyi değiştirebilir.

Bu örnek, KDS'nin neden tek bir “AI modeli” değil, uçtan uca bir karar sistemi olduğunu gösterir.

Ünite 19: Kanıt-Temelli Analitik Karar Desteği

Karar desteğinin en riskli tasarım hatalarından biri, analitik sistemi tek bir skor üreten ve bu skoru gerçek dünya hakkında hüküm gibi sunan bir makineye dönüştürmektir. Daha güvenilir yaklaşım, veri kapsamını, bulgunun dayanaklarını, sınırlamalarını, yöntemler arası uyumu ve sonucu değiştirebilecek koşulları birlikte görünür kılan bir destek profili üretmektir.

Bu yaklaşımda temel ayrım şudur:

kaynak veri
   ↓
analitik sinyal
   ↓
bulgu
   ↓
destek / sınırlama profili
   ↓
insan yorumu ve karar

Son iki adım birbirine karıştırılmamalıdır. Analitik sistem, bir örüntünün mevcut veri içinde güçlü biçimde tekrarlandığını söyleyebilir; fakat bu örüntünün gerçek dünyadaki anlamını, niyetini veya önemini tek başına belirleyemez.

19.1. Veri Yeterliliği Sonradan Eklenen Dipnot Değildir

Bir karar destek sistemi yalnız sonuç üretmemeli, sonucun hangi veri tabanı üzerinde üretildiğini de açıklamalıdır.

Örneğin analize giren veri:

• tam mı, kısmi mı?
• zaman alanları ne oranda mevcut?
• yön veya kategori bilgisi ne kadar eksik?
• süre gibi ikincil alanların kapsama oranı nedir?
• incelenen zaman aralığı karşılaştırma yapmaya yeterli mi?
• veri kümesinin devamı veya henüz alınmamış bölümü var mı?

sorularına cevap vermelidir.

Kapsam bilgisinin ayrı bir mühendislik nesnesi olarak düşünülmesi yararlıdır:

Analiz Kapsamı
├─ toplam gözlem
├─ yüklenen gözlem
├─ zaman aralığı
├─ alan bazında veri kapsaması
├─ tam / kısmi kapsam
└─ değerlendirilebilirlik koşulları

Eksik veri sıfır veri değildir. Örneğin yön bilgisi olmayan bir olay, "yön yok" anlamına gelmez; yalnız yönün bilinmediği anlamına gelir. Bu ayrım karar desteğinde yanlış negatif yorumların önlenmesi için kritiktir.

19.2. Bulgunun Destek Profili

Bir bulgunun güvenilirliğini tek bir yüzdeye indirgemek yerine birkaç ayrı boyut raporlanabilir:

Bulgu Destek Profili
├─ kaynak kayıt sayısı
├─ bağımsız sinyal ailesi sayısı
├─ yöntemler arası uyum
├─ veri kapsama oranları
├─ kapsamın tam / kısmi oluşu
└─ bilinen sınırlamalar

Bu değerler olasılık veya doğruluk skoru değildir. Örneğin üç farklı analitik göstergenin aynı örüntüyü desteklemesi, bulgunun mevcut veride daha çok dayanağı olduğunu gösterir; gerçek dünyada yüzde kaç doğru olduğunu göstermez.

Bu ayrım özellikle karar vericinin otomasyon çıktısına gereğinden fazla güvenmesini önler.

19.3. Sinyal Çeşitliliği ile Aynı Bilginin Tekrarını Ayırmak

Bir bulgunun beş ayrı metrik tarafından desteklenmesi her zaman beş bağımsız kanıt bulunduğu anlamına gelmez.

Örneğin:

toplam olay sayısı
ortalama günlük olay sayısı
yüksek hacim yüzdelik dilimi

aynı temel hacim bilgisinden türeyebilir.

Buna karşılık:

hacim
zaman içindeki kalıcılık
yön dengesi
ağ yapısındaki konum
dönemsel değişim

farklı sinyal aileleridir.

Karar destek sistemi, metrik sayısını sinyal çeşitliliği sanmamalıdır. Bağımlı ölçülerin aynı sonucu tekrar etmesi yöntemler arası gerçek doğrulama olarak sunulmamalıdır.

19.4. Sınırlama ile Karşıt Kanıt Aynı Şey Değildir

Bir bulguya ilişkin iki farklı durum ayrılmalıdır:

Sınırlama, bulgunun yorum alanını daraltan koşuldur.

zaman bilgisi eksik
ağ yalnız kısmi gözlemlenmiş
yeterli gün sayısı yok
belirli alanların kapsaması düşük

Karşıt veya dengeleyici gözlem ise bulgunun tek yönlü yorumlanmasını zorlaştıran başka bir analitik işarettir.

yüksek hacim var
ama kalıcılık yok

yapısal merkezilik var
ama yalnız küçük bir alt ağ gözlemlenmiş

bir günde güçlü sapma var
ama diğer zamansal yöntemler aynı günü işaretlemiyor

"Karşıt kanıt bulunamadı" cümlesi de "bulgu doğrudur" anlamına gelmez. Sistemin gerçekten karşıt kanıt arayıp aramadığı ve hangi veri alanlarını değerlendirebildiği ayrıca açıklanmalıdır.

19.5. Yöntemler Arası Uyum

Aynı örüntüyü farklı yöntemlerin işaretlemesi yararlı bir destek göstergesidir.

Örneğin bir zaman serisinde:

sağlam z-skor
+
üstel ağırlıklı hareketli ortalama
+
birikimli toplam

aynı dönemi öne çıkarıyorsa yöntem uyumu vardır.

Ancak yöntemler ortak girdiyi ve benzer varsayımları kullanıyorsa bu durum bağımsız üç kanıt gibi yorumlanmamalıdır. Uyumun doğru ifadesi:

"Farklı analitik yöntemler mevcut veri içinde aynı bölgeyi öne çıkarmaktadır."

olmalıdır; "üç yöntem doğruladı, sonuç kesin" olmamalıdır.

19.6. Sağlamlık: Sonucun Küçük Değişikliklere Duyarlılığı

Sağlamlık (robustness), bir bulgunun küçük ve makul analiz değişikliklerinde tamamen kaybolup kaybolmadığını inceler.

Örnek sorular:

• zaman aralığı birkaç gün değiştiğinde sonuç korunuyor mu?
• son dönem çıkarıldığında aynı ilişki yine görünür mü?
• veri kümesinin yalnız ilk yarısı kullanıldığında örüntü sürüyor mu?
• yapısal ağ sonucu birkaç düğüm eklendiğinde değişiyor mu?
• eksik alan oranı yükseldiğinde aynı yorum hâlâ kurulabilir mi?

Sağlamlık doğruluk kanıtı değildir. Yalnız sonucun belirli analiz seçimlerine ne kadar bağımlı olduğunu gösterir.

19.7. Duyarlılık: Sonucu Değiştiren Parametreler

Sağlamlık geçmişte yapılan küçük değişiklikleri sınarken, duyarlılık daha doğrudan şu soruyu sorar:

"Hangi koşul değişirse bu bulgunun yorumu değişir?"

Bir ilişki bulgusu için:

incelenen dönem
ilişkinin kaç güne yayıldığı
yön bilgisinin kapsaması
ağa dahil edilen düğümler
dönemleri ayıran zaman sınırı

kritik olabilir.

Bir zamansal bulgu için:

değerlendirilebilir gün sayısı
günlük örnek yoğunluğu
referans dönem
uç değerlerin işlenişi

kritik olabilir.

Bu açıklama karar vericiye yalnız "ne bulundu?" sorusunun değil, "bu sonuç hangi varsayımlara bağlı?" sorusunun da cevabını verir.

19.8. Yerel what-if Analizi

What-if analizi, karar destek sisteminin görünmez biçimde yeni veri toplaması anlamına gelmemelidir.

Daha güvenli model:

mevcut analitik anlık görüntü
        ↓
açık senaryo dönüşümü
        ↓
aynı metriklerin yeniden hesaplanması
        ↓
baz sonuç ile senaryo sonucu karşılaştırması

Örneğin:

• son yedi günü hariç tut,
• yalnız ilk yarıyı değerlendir,
• belirli kategori grubunu dışarıda bırak,
• yalnız zaman bilgisi tam olan gözlemleri kullan.

Burada kullanıcı hangi dönüşümün uygulandığını bilmelidir. Böylece senaryo analizi yeniden üretilebilir olur.

What-if sonucunun doğru sunumu:

"Bu senaryoda mevcut veri içindeki sıralama değişti."

şeklindedir.

Yanlış sunum:

"Bu koşul gerçekleşirse gerçek dünyada kesin olarak şu olur."

şeklindedir.

19.9. Sonraki Analitik Adımı Önermek

Karar desteğinin değerli işlevlerinden biri, hüküm vermek değil bir sonraki inceleme adımını önermektir.

Örneğin sistem:

zaman kapsamı zayıf
 -> önce zaman dağılımını incele

yapısal sinyal güçlü ama ağ kısmi
 -> daha geniş kapsamlı ağ verisi olmadan genelleme yapma

tek yöntem sapma üretti
 -> alternatif zaman yöntemleriyle karşılaştır

bulgu kaynak kayıtlarla destekli
 -> kaynak gözlemleri incele

gibi yönlendirme yapabilir.

Bu yaklaşım insan kararını otomatikleştirmek yerine, analitik süreci daha sistematik ve izlenebilir hâle getirir.

19.10. Yetenek Sınırı ve Eylem Sınırı

Dilsel veya analitik katmanın bir işlemi önermesi, o işlemi gerçekleştirmeye yetkili olduğu anlamına gelmez.

Güvenli mimari:

yorum / niyet
   ↓
önerilen analitik işlem
   ↓
yetenek ve yetki kontrolü
   ↓
izin verilen araç
   ↓
sonuç

şeklindedir.

Böylece karar destek katmanı, veri erişim veya işlem yetkisini kendi başına genişletemez.

19.11. Deterministik Karar Desteği ve Yeniden Üretilebilirlik

Aynı:

veri anlık görüntüsü
+ seçili bulgu
+ kullanıcı isteği

aynı sonucu üretmelidir.

Bu ilke özellikle denetlenebilir analitik uygulamalarda önemlidir.

Anlık görüntü sürümlenirse:

v17 veri
 -> bulgu A
 -> sınırlama L
 -> what-if W

daha sonra aynı sürüm üzerinden yeniden üretilebilir.

Yeni veri geldiğinde yeni sürüm oluşturulur; eski bulgunun bağlamı sessizce değiştirilmez.

19.12. Konuşmalı Karar Desteğinde Bağlam

Konuşmalı arayüzde kullanıcı her turda bütün soruyu tekrar etmek istemez.

Örneğin:

"en belirgin değişimi göster"
"neden?"
"sınırlamaları ne?"
"ne değiştirirdi?"
"sonraki adım ne?"

aynı analitik bulgu üzerinde ilerleyen bir konuşmadır.

Bu nedenle konuşma durumu en azından:

son niyet
son analitik sonuç
seçili bulgu
seçili kanıt
aktif dönem
anlık görüntü sürümü

gibi kavramları tutabilir.

Ancak durum yönetimi, yeni bir sonuç gelmediğinde kullanıcının seçimini sessizce sıfırlamamalıdır. Bağlam korunması da karar desteğinin doğruluk koşullarından biridir.

19.13. Sentetik Örnek

Bir bakım platformunda son 60 günlük arıza olayları incelensin.

Analitik katman:

• bir ekipman grubunun olay hacminde yükseliş,
• yükselişin son 12 güne yayılması,
• iki ayrı zaman yönteminin aynı dönemi işaretlemesi

bulgularını üretsin.

Karar destek katmanı şu yapıda cevap verebilir:

Bulgu:
  Son dönemde olay hacmi yükselmiştir.

Dayanak:
  - 43 kaynak olay
  - hacim ve kalıcılık sinyalleri
  - iki zamansal yöntemde aynı dönem

Sınırlamalar:
  - olay kategorisi bazı kayıtlarda eksik
  - bakım dışı duruşlar ayrı kodlanmamış

Duyarlılık:
  - son 7 gün çıkarıldığında artış zayıflıyor

Sonraki adım:
  - kaynak olayları kategori ve bakım takvimiyle birlikte incele

Bu çıktı kullanıcıya sonuç kadar sonucun sınırlarını da verir.

19.14. Tasarım Kontrol Listesi

Kanıt-temelli karar desteğinde şu sorular sorulmalıdır:

1. Analiz kapsamı açık mı?
2. Eksik veri sıfır değer gibi yorumlanıyor mu?
3. Bulgunun kaynak kayıtları izlenebiliyor mu?
4. Aynı temel bilgiden türeyen metrikler bağımsız kanıt gibi mi sayılıyor?
5. Sınırlamalar bulguyla birlikte gösteriliyor mu?
6. Dengeleyici gözlemler aranıyor mu?
7. Yöntem uyumu doğru bağlamda mı sunuluyor?
8. Sağlamlık ile doğruluk birbirinden ayrılıyor mu?
9. Sonucu değiştirecek koşullar açıklanıyor mu?
10. What-if dönüşümü açık ve yeniden üretilebilir mi?
11. Sistem hüküm mü veriyor, sonraki analitik adımı mı destekliyor?
12. Dilsel öneri ile gerçek işlem yetkisi ayrılmış mı?
13. Aynı anlık görüntü üzerinde aynı istek aynı sonucu veriyor mu?
14. Konuşma bağlamı eski ve yeni sonuçları birbirine karıştırıyor mu?

Bu çerçeve, karar destek sistemini tek skorlu otomasyondan çıkarıp izlenebilir analitik muhakeme altyapısına dönüştürür.

19.15. Karar Öncesi Kanıt Yeterliliği ve Bilginin Değeri

Bir kararın verilememesi her zaman algoritmanın yetersizliğinden kaynaklanmaz; eksik kayıt, belirsiz referans veya çelişen kaynaklar karar için gerekli bilgiyi sağlamıyor olabilir. Böyle bir durumda iki eylem karşılaştırılır: mevcut bilgiyle karar vermek ve ek bilgi istemek. Ek bilginin beklenen değeri, yanlış kararın maliyetindeki azalma ile bilgi edinmenin zaman ve işlem maliyeti arasındaki farktır. Aynı eşik, yalnız bilgilendirici bir özet ile geri alınması güç bir kayıt işlemi için uygun değildir.

Karar önkoşulları ayrı ayrı sınanmalıdır. Bir sorgu anlamsal olarak çözümlenmiş olsa bile kullanılan sonuç kümesi eski olabilir; kanıt kaydı bulunabilir ancak kullanıcı yetkisi dışında kalabilir; sayısal bulgu doğru hesaplanmış fakat kapsamı yanlış aktarılmış olabilir. Bu durumlarda en yüksek benzerlik puanlı alternatife geçmek yerine eksik olan önkoşul belirtilir. Böylece sınıflandırma başarısı ile işlem güvenliği birbirine karıştırılmaz.

Kaliteli bir karar desteğinde açıklama, algoritmanın bütün ara puanlarını dökmek değildir. Kullanıcının kararı denetlemesi için gerekli olan veri aralığı, kullanılan ölçüt, dışarıda bırakılan kaynaklar ve sonucu değiştirebilecek belirsizlikler gösterilmelidir. Sınırlı ama doğrulanabilir açıklama, çok uzun fakat kaynağı belirsiz gerekçeden daha değerlidir.

Ünite 20: Doğrulanmış Yapılandırılmış Yanıt Üretimi

Karar destek sisteminde doğru hesap üretmek yeterli değildir; hesaplanmış gerçeklerin kullanıcıya aktarılırken bozulmaması da gerekir. Serbest doğal dil üretimi, özellikle sayı, kimlik, yön, kapsam ve olumsuzluk içeren kritik bulgularda yeni bir hata yüzeyi oluşturabilir.

Bu nedenle analitik sonuç ile son kullanıcı metni arasına yapılandırılmış bir yanıt hattı konabilir:

analitik sonuç
   ↓
atomik gerçekler
   ↓
söylem planı
   ↓
deterministik sunum
   ↓
bütünlük doğrulaması
   ↓
kullanıcı cevabı

20.1. Atomik Gerçek Katmanı

Analitik sonuç önce küçük, doğrulanabilir gerçeklere ayrılabilir:

SUMMARY
RESULT_ITEM
COVERAGE
LIMITATION
EVIDENCE
NEXT_STEP

Bu temsil, cümle kurulmadan önce hangi bilginin korunması gerektiğini belirler. Temel ilke şudur:

Önce veri ve olgu sözleşmesi, sonra dil.

20.2. Söylem Planı Hesaplamayı Değiştirmez

Kullanıcı kısa, ayrıntılı veya teknik cevap isteyebilir. Bu tercih analitik sonucu yeniden hesaplamamalıdır.

Sunum katmanı:

verbosity = brief | normal | detailed
register  = plain | technical

gibi parametrelerle hangi gerçeklerin hangi sırada gösterileceğini belirleyebilir.

Aynı analitik çekirdek korunur.

20.3. Deterministik Sunum

Kritik karar desteğinde aynı:

fact kümesi + sunum tercihi

aynı metinsel yapıyı üretmelidir.

Bu sayede regresyon testi kolaylaşır, önceki rapor yeniden üretilebilir ve sayı/kimlik sapmaları daha kolay yakalanır.

Deterministik yanıt üretimi her uygulamanın serbest metinden kaçınması gerektiği anlamına gelmez. Risk yükseldikçe sunum özgürlüğü ile doğrulanabilirlik arasındaki denge daha muhafazakâr kurulabilir.

20.4. Yanıt Bütünlüğü Doğrulaması

Üretilmiş metin, yapılandırılmış gerçeklerle karşılaştırılabilir.

Özellikle şu alanlar korunmalıdır:

sayı
kimlik
varlık
yön
kanıt sayısı
olumluluk / olumsuzluk
kapsam niteliği

Analitik sonuç 18 gözlem iken cevap 17 gözlem diyorsa sorun hesapta değil sunum katmanındadır.

Benzer biçimde "yön bilinmiyor" gerçeği "iki yönlü iletişim var" biçimine dönüşemez.

Doğrulama başarısız olduğunda en güvenli davranış, hatalı cümleyi yeni tahminlerle düzeltmeye çalışmak yerine daha basit ve doğrudan bir güvenli sunuma geri dönmektir.

20.5. Karar Zarfı

Bir karar destek turu için geçici bir karar zarfı tutulabilir:

girdi özeti
yorumlanan istek
seçilen analitik işlem
kullanılan parametrelerin kaynağı
analiz sürümü
yapılandırılmış sonuç
kanıt referansları
yanıt doğrulama sonucu

Bu zarf kullanıcıya gizli iç muhakeme dökmek için değil, sistemin teknik olarak hangi doğrulanabilir adımlardan geçtiğini açıklamak için kullanılabilir.

20.6. Parametre Kökeni

Kritik bir parametrenin yalnız değerini değil kaynağını da bilmek önemlidir.

period = 14 gün
source = USER_LITERAL

veya:

selectedFinding = 2
source = CURRENT_RESULT_SELECTION

gibi bir kayıt, benzerlik skorundan veya tahminden kritik kimlik türetilmesini engeller.

20.7. Ön Kabul Doğrulaması

Kullanıcı ikinci bulgunun kanıtını istediğinde mevcut sonuçta yalnız bir bulgu varsa sistem ikinci öğe varmış gibi davranmamalıdır.

Kontroller:

istenen sıra mevcut mu?
seçili bulgu aynı analiz sürümünde mi?
kanıt referansı gerçekten var mı?
istenen dönem sonuç kapsamıyla uyumlu mu?

şeklinde yapılabilir.

20.8. Güvenli Belirsizlik

Doğrulanmış NLG'nin önemli özelliği, cevap üretmemeyi de geçerli sonuç saymasıdır.

veri yetersiz
bağlam belirsiz
istenen öğe yok
kanıt referansı yok

durumlarında sistem en yakın cevabı uydurmak yerine açıklama veya netleştirme istemelidir.

20.9. Hesap, Sunum ve Eylem Sınırı

Karar destek mimarisinde üç katman ayrılmalıdır:

hesap:
  veri üzerinde ne bulundu?

sunum:
  kullanıcıya nasıl açıklanacak?

eylem:
  hangi yetkili işlem gerçekten çalıştırılabilir?

Bir katmandaki başarı diğer katmanın yetkisini otomatik olarak genişletmez.

Doğrulanmış yapılandırılmış yanıt üretimi, karar destek sisteminin doğru hesabı bozmadan, kapsamını gizlemeden ve kanıt bağını koparmadan iletişim kurmasını hedefler.

Veri analizinden çıkan bir önerinin denetlenebilir olması için dört sınır birlikte görünmelidir: hangi kaynak veriyle hesaplandığı, hangi varsayımlar altında geçerli olduğu, hangi alternatifin elendiği ve hangi durumda kararın yeniden değerlendirilmesi gerektiği. Örneğin farklı şubeler için arıza oranları karşılaştırılırken çalışma saatleri eşit değilse salt arıza sayısı yanıltıcıdır; arıza / toplam çalışma saati gibi uygun maruziyet paydası gerekir. Ayrıca küçük birimlerde bir tek olay oranı büyük ölçüde değiştirebilir. Rapor yalnız sonuç tablosu değil, tanım, veri kapsamı, karşılaştırılabilirlik ve sınır koşullarını birlikte taşıyan mühendislik çıktısıdır.

20.10. Kısmi Gözlem Altında Karar Zarfı ve Çıkarım Sınırı

Bir karar destek sisteminde hesaplama sonucu ile önerilen eylem arasında kanıt kapsamı bulunmalıdır. Karar zarfı, gözlenen veri aralığı, eksik kayıt oranı biliniyorsa bu oran, kullanılan model, kısıtlar, olası alternatifler ve kararın uygulanabileceği koşulları içerir. Veri eksikliğinin miktarı bilinmiyorsa sıfır olarak varsaymak yerine bilinmediği belirtilir. Güven puanı yalnız kaynak sayısından türetilemez; doğrulama ve kalibrasyon olmadan olasılık gibi sunulmamalıdır.

Örneğin sentetik bir üretim hattında iki kapasite planı aynı ortalama çıktı verirken birinin en kötü durum bekleme süresi daha yüksek olabilir. Karar tablosunda ortalama, p95, karşılanmayan talep ve kaynak maliyeti ayrı tutulur. Farklı amaçların tek ağırlıklı puana indirgenmesi gerekiyorsa ağırlıklar ve duyarlılık analizi açıkça belirtilir; karar değiştirici eşiklerin küçük oynamalarda sonucu tersine çevirip çevirmediği sınanır.

Eylem, hesaplamanın doğal uzantısı değildir. Karar destek sisteminin açıklaması ve önerisi, yetkili operatörün onayı veya ayrı bir işlem kontrolü olmadan kalıcı veri değiştirmemelidir.

20.11. Sonuç Kökeni ve Yeniden Üretilebilir Karar

Aynı metrik farklı filtre, veri sürümü veya zaman aralığıyla hesaplandığında aynı sayısal değere ulaşsa bile aynı kanıtı temsil etmez. Her sonuç, hangi gözlem kümesi ve model sürümü üzerinde üretildiğini gösteren köken bilgisi taşımalıdır. Modelde kullanılan eşik, ağırlık ve dışlama kurallarının sürümü sonucun doğrulanmasını kolaylaştırır.

Yeniden üretilebilirlik için ham verinin tamamını karar ekranında çoğaltmak gerekmez. Güvenli bir referans mekanizması üzerinden ilgili kaynaklara dönüş sağlanması ve erişim kontrolünün her dönüşte yeniden uygulanması yeterli olabilir. Eski bir sonuç üzerinden yapılan yeni eylem, geçerli veri ve yetkiyle yeniden sınanmalıdır.

Sık Yapılan Tasarım Hataları

• Raporlama panelini KDS sanmak.
• Tahmin skorunu doğrudan karar olarak kullanmak.
• Veri güncelliğini göstermemek.
• Olasılık ile bulanık üyeliği karıştırmak.
• Ağırlıkları teknik sabit gibi gizlemek.
• Optimizasyonun iş amacıyla aynı olduğunu varsaymak.
• Model belirsizliğini tek bir güven aralığına indirgemek.
• Kullanıcı override'ını hata kabul etmek.
• Açıklamayı doğruluk kanıtı sanmak.
• LLM'yi deterministik hesap makinesi veya yetkili karar motoru gibi kullanmak.
• Model, veri ve karar eşiğini ayrı ayrı sürümlememek.
• Üretimde fallback davranışını tanımlamamak.
• Başarıyı yalnız model metriğiyle ölçmek.

İlişkili Dersler

Karar destek sistemleri çok disiplinli bir konudur. Matematiksel belirsizlik ve örnekleme için Olasılık ve İstatistik, tahmin modelleri için İstatistiksel Öğrenme ve Makine Öğrenmesi, AI yöntemleri için Yapay Zeka, dilsel belirsizlik için Bulanık Mantık, sezgisel optimizasyon için Genetik Algoritmalar ve Uygulamaları, insan-makine ortak kararları için Bilişsel Sistemler Mühendisliği, yönetsel karar bağlamı için Mühendislik Yönetimi ve Proje Yöneticiliği ve üretim yaşam döngüsü için Yazılım Mühendisliği birlikte değerlendirilebilir.

20.12. Alarm İnceleme Kapasitesi ve Karar Eşiği

Bir anomali sisteminin karar girdisi tek başına puan değil, olay olasılığına ilişkin bilgi, müdahale maliyeti ve inceleme kapasitesidir. Yanlış pozitifler uzman zamanını tüketirken yanlış negatifler gerçek riski açıkta bırakabilir. Amaç fonksiyonu beklenen toplam kayıp veya belirli bir inceleme kapasitesi altında yakalanan olay sayısı olarak kurulabilir; kısıtlar önceden açıklanmalıdır. Olasılık kalibrasyonu yoksa model puanını doğrudan olay olasılığı kabul etmek hatalıdır. Risk göstergesi ve alarm zinciri Anomali Algılama dersinde geliştirilir.

Kaynakça

• Bubnicki, Zdzislaw. Analysis and Decision Making in Uncertain Systems. Springer, 2004. ISBN 1-85233-772-9.

• Göran Kauermann; Helmut Küchenhoff; Christian Heumann. Statistical Foundations, Reasoning and Inference: For Science and Data Science. Springer, 2021. https://doi.org/10.1007/978-3-030-69827-0
• Gupta, Jatinder N. D.; Forgionne, Guisseppi A.; Mora, Manuel (eds.). Intelligent Decision-making Support Systems: Foundations, Applications and Challenges. Springer, 2006. ISBN 978-1-84628-228-7.

• ISO. ISO 31000:2018 Risk management — Guidelines. International Organization for Standardization, 2018.

• ISO/IEC. ISO/IEC 23894:2023 Information technology — Artificial intelligence — Guidance on risk management. International Organization for Standardization / International Electrotechnical Commission, 2023.

• ISO/IEC. ISO/IEC 25010:2023 Systems and software engineering — Systems and software Quality Requirements and Evaluation (SQuaRE) — Product quality model. 2023.

• ISO/IEC. ISO/IEC 42001:2023 Information technology — Artificial intelligence — Management system. 2023.

• Mor Harchol-Balter. Performance Modeling and Design of Computer Systems: Queueing Theory in Action. Cambridge University Press, 2013.

• NIST. Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1, 2023. DOI: https://doi.org/10.6028/NIST.AI.100-1

• NIST. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. NIST AI 600-1, 2024. DOI: https://doi.org/10.6028/NIST.AI.600-1

• O'Callaghan, Miriam. Decision Intelligence: Human–Machine Integration for Decision-Making. CRC Press, 2023. DOI: https://doi.org/10.1201/b23322

• Peter J. Huber; Elvezio M. Ronchetti. Robust Statistics. 2nd ed. Wiley, 2009.

• Walter W. Piegorsch, Richard A. Levine, Hao Helen Zhang, Thomas C. M. Lee (eds.). Computational Statistics in Data Science. Wiley, 2022. ISBN 9781119561071.
• Naveenkumar, P.; Sharma, V.; Devarajan, G.; Abdullah, A.; Elngar, A. A. (eds.). Handbook of AI-Based Mechatronics Systems and Smart Solutions in Industrial Automation. CRC Press, 2026. DOI: https://doi.org/10.1201/9781032615790.
• Cybellium Ltd. Mastering Neural Networks. Cybellium, tarihsiz elektronik baskı (sağlanan nüsha).
• Zahra Zohrevand; Uwe Glässer. Should I Raise The Red Flag? A Comprehensive Survey of Anomaly Scoring Methods toward Mitigating False Alarms. arXiv, 2019. https://arxiv.org/abs/1904.06646