Kazanimlar:
- Tedarik zinciri ağ tasarımı, rota ve depo yerleşimi problemlerini tanımlayabilme
- AI'ı senaryo üretimi, kısıt listeleme ve optimizasyon modeli kurgusunda kullanabilme
- AI'ın önerdiği çözümleri maliyet, kapasite ve teslim kısıtlarıyla doğrulayabilme
Tedarik zinciri, hammaddeden son müşteriye kadar uzanan malzeme, bilgi ve para akışının bütünüdür. Bu ağdaki her karar (nereden tedarik, hangi depoda stok, hangi rotayla sevkiyat) maliyet, hız ve dayanıklılık arasında bir denge kurar. Optimizasyon burada sihir değil, iyi tanımlanmış bir amaç fonksiyonu ve kısıtlar demektir. Yapay zeka bu alanda problemi yapılandırmakta, senaryo üretmekte, kısıtları listelemekte ve optimizasyon modelinin taslağını kurmakta çok güçlüdür; ancak "en iyi çözüm" iddialarını daima kısıtlara ve gerçek maliyetlere karşı doğrulamak gerekir. Bu ünitede ağ tasarımı, rota optimizasyonu ve depo kararlarını AI destekli biçimde ele alacağız.
Tedarik Zinciri Optimizasyon Problemleri Haritası
Optimizasyon problemlerini tanımak, doğru modeli kurmanın ilk adımıdır.
Problem
Karar değişkeni
Tipik amaç
Ağ tasarımı
Hangi tesis/depo açılsın
Toplam sabit + değişken maliyet min
Atama/tahsis
Hangi müşteri hangi depodan
Taşıma maliyeti min
Araç rotalama (VRP)
Hangi araç hangi durakları, hangi sırada
Toplam mesafe/süre min
Depo yerleşimi
Ürünler nereye konsun
Toplama (picking) mesafesi min
Taşıma modu seçimi
Kara/deniz/hava
Maliyet-hız dengesi
Her problemin ortak iskeleti aynıdır: karar değişkenleri, amaç fonksiyonu, kısıtlar. AI'ın en değerli katkısı, bir iş problemini bu üç bileşene çevirmenize yardım etmesidir.
Rol: Sen tedarik zinciri optimizasyonu uzmanı bir endüstri mühendisisin.Görev: Aşağıdaki iş problemini bir optimizasyon modeline çevir.Belirt: (1) karar değişkenleri, (2) amaç fonksiyonu, (3) kısıtlar(kapasite, talep karşılama, negatif olmama), (4) bu problemin tipi.Problem: "3 fabrikamız ve 5 dağıtım merkezimiz var. Her fabrikanınkapasitesi ve her merkezin talebi belli. Fabrikadan merkeze taşımabirim maliyetleri farklı. Toplam taşıma maliyetini en aza indirmekistiyoruz."Kural: Model tipini adlandır (örn. taşıma/ulaştırma problemi), varsayımlarıaçıkça yaz.
Bu, klasik bir ulaştırma (transportation) problemidir. AI bunu tanıyıp doğru matematiksel iskeleti kurabilir; siz de gerçek kapasite ve talep verilerini yerleştirirsiniz.
Rota Optimizasyonu (VRP) ve Kısıtların Önemi
Araç rotalama, pratikte en sık karşılaşılan ve en çok yanlış kurulan problemdir. Basit "en kısa yol" (TSP) ile gerçek VRP arasında büyük fark vardır: araç kapasitesi, zaman pencereleri (müşterinin teslim alabildiği saatler), sürüş süresi sınırları, çoklu araç.
Dikkat: AI bir rota önerdiğinde çoğu zaman kapasite ve zaman penceresi kısıtlarını "unutur" veya yaklaşık ele alır. Bir aracın taşıyabileceğinden fazla yük yüklenmiş bir rota "kısa" görünse de uygulanamaz. Her rotayı toplam yük ≤ kapasite ve varış saati ∈ zaman penceresi açısından tek tek denetleyin.
Zayıf Prompt / Güçlü Prompt
Zayıf prompt:
Bu 8 durak için en kısa rotayı ver.
Kapasite, zaman penceresi ve araç sayısı yoksa AI basit bir sıralama verir; gerçek operasyonda tutmaz.
Güçlü prompt:
Şu 8 müşteri için rota planı öner. 2 araç var, her birinin kapasitesi100 birim. Her müşterinin talebi ve zaman penceresi ekli. Depodan çıkış08:00. Ortalama hız 40 km/sa varsay.Çıktı: her araç için durak sırası, kümülatif yük (kapasiteyi aşmasın),tahmini varış saatleri (zaman penceresine uysun), toplam mesafe.Bir kısıt ihlali varsa açıkça belirt ve alternatif öner.Veri: {{ ... }}
İkinci prompt kısıtları açıkça dayatır ve AI'dan ihlal kontrolü ister. Yine de sonucu bir çözücüyle (solver) veya elle doğrulamak şarttır; AI kesin optimal garantisi vermez.
Optimal mi, Sadece "İyi" mi?
Burada kritik bir kavram var: AI'ın (ve çoğu pratik yöntemin) bulduğu çözüm genellikle optimal değil, iyi bir çözümdür (heuristic). Gerçek optimal, matematiksel bir çözücünün (OR-Tools, Gurobi, PuLP gibi) doğru kurulmuş modeli çözmesiyle bulunur. AI'ın rolü modeli kurmaktır, çözmek değil.
Şu ulaştırma problemini Python PuLP ile çözecek bir model iskeleti yaz:- Karar değişkenleri x[i][j] (i fabrika, j merkez)- Amaç: toplam maliyet minimizasyonu- Kısıt: her fabrikanın arzı, her merkezin talebi, x >= 0Kodu yorumlarla açıkla ama sayısal veriyi ben gireceğim.Ayrıca: çözüm çıktığında hangi kontrolleri yapmam gerektiğini listele.
İpucu: AI'a "kodu yaz ve çöz" demek yerine "kodu yaz, ben çalıştıracağım" deyin. Böylece optimizasyonu gerçek bir çözücü yapar; AI'ın "çözümüm şu" diye uydurduğu (ve doğrulanmamış) sayılara güvenmezsiniz.
Depo ve Yerleşim Kararları
Depoda ürün yerleşimi, toplama (picking) mesafesini doğrudan etkiler. Sık hareket gören (yüksek devir hızlı) kalemleri toplama noktasına yakın konumlandırmak temel ilkedir (ABC yerleşimi). AI, ürün hareket verisiyle bir yerleşim önerisi taslağı üretebilir; ancak fiziksel kısıtlar (raf boyutu, ağırlık, tehlikeli madde ayrımı, soğuk zincir) mutlaka insan tarafından denetlenmelidir.
Mini Vaka: Kağıt Üzerinde Kısa, Sahada İmkansız
Bir dağıtım firması, günlük 40 teslimatı 3 araçla yapıyor. Endüstri mühendisi Selin, AI'a durakları, talepleri ve araç kapasitelerini verip rota planı istiyor. AI güzel görünen, toplam mesafesi düşük bir plan üretiyor. Ama Selin kontrol edince bir aracın rotasında kümülatif yükün kapasiteyi %15 aştığını fark ediyor; ayrıca iki durak, müşterinin öğleden sonra teslim alabildiği ama sabah planlanmış. Selin kısıtları prompt'a daha net yazıp yeniden üretiyor, sonra planı OR-Tools ile doğruluyor. Sonuç uygulanabilir hale geliyor. Ders: AI'ın "en kısa" dediği plan, kısıt ihlalleri yüzünden gerçekte en kısa değil, hatta geçersizdi.
Yaygın Hatalar
- Kısıtları belirtmemek: Kapasite, zaman penceresi ve araç sayısı olmadan rota istemek.
- AI'ı çözücü sanmak: AI'ın verdiği "optimal" çözümü gerçek bir solver çıktısı gibi kabul etmek.
- Kısıt ihlallerini denetlememek: Kümülatif yük ve varış saatlerini kontrol etmeden planı uygulamak.
- Tek amaca kilitlenmek: Sadece maliyeti optimize edip dayanıklılık/risk (tek tedarikçi bağımlılığı) unutmak.
- Gerçek maliyetleri kullanmamak: Varsayılan/uydurma birim maliyetlerle model kurup gerçek veriyle güncellememek.
Özetle
- Her tedarik zinciri optimizasyonu üç bileşene indirgenir: karar değişkenleri, amaç fonksiyonu, kısıtlar.
- AI'ın en değerli katkısı, iş problemini doğru model tipine (ulaştırma, VRP, atama) çevirmesidir.
- VRP'de kapasite ve zaman penceresi kısıtları hayatidir; AI bunları sık atlar, mutlaka denetleyin.
- AI çözer değil, kurar; gerçek optimizasyonu bir çözücü (PuLP, OR-Tools) yapmalı.
- Maliyetin yanında dayanıklılık ve risk de amaç olmalı; tek tedarikçi/tek rota bağımlılığı gizli maliyettir.
Uygulama görevi
Bir tedarik/dağıtım problemi kurgulayın (örneğin 3 depo, 5-8 müşteri, talepler ve araç kapasitesi). Önce AI'a problemi karar değişkeni, amaç ve kısıt olarak modelletin ve problem tipini adlandırtın. Ardından bir VRP senaryosu verip rota planı istetin; çıktıda her aracın kümülatif yükünü ve varış saatlerini kendiniz denetleyin. Kritik doğrulama: en az bir aracın toplam yükünü elle toplayıp kapasiteyle karşılaştırın ve bir kısıt ihlali arayın. Son olarak AI'a çözücü (PuLP) kod iskeleti yazdırıp "çözümü ben çalıştıracağım" yaklaşımıyla, AI'ın uydurma sayı üretmesini engelleyen bir iş akışı tasarlayın.