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

Karar problemi nedir?

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

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.

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.

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|
                 +----------------------+

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.

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.

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

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.

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.

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.

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

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

Karar değişkenleri

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

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.

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.

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

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.

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.

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.

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.

Ünite 6: Çok Ölçütlü Karar Verme

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

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.

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.

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

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.

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.

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.

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.

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.

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.

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.

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.

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.

Ünite 9: Belirsizliği Temsil Etme

Belirsizlik tek bir matematiksel nesne değildir.

Olasılıksal belirsizlik

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

Bulanık belirsizlik

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

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.

Sağlam ve ihtiyatlı 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.

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.

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

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.

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.

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.

Ünite 11: Zeki KDS ve Karar Zekâsı

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.

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.

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

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.

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.

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?

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.

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.

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.

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.

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.

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.

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.

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.

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

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.

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.

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.

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.

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.

Girdiler

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

Karar değişkenleri

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

Amaçlar

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

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.

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.

Kaynakça

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