Organizasyonlararası bilgi akışı ile ajanların birlikte karar alma süreçlerini derin sinir ağı tabanlı eşleştiren model

Kuruluşlar arası daha akıllı paylaşımın önemi

Şirketler, hastaneler ve kamu kurumları giderek daha fazla birbirlerinin bilgilerine dayanarak doğru kararlar alıyor—ister üretim planlaması, teslimat yönlendirmesi olsun, ister bir krize yanıt vermek. Ancak çoğu gerçek dünya ağında bilgi ve karar verme ayrı ele alınıyor: bir grup veri toplamak ve paylaşmakla, başka bir grup ise eylem seçmekle uğraşıyor. Bu makale, bu iki süreci sıkı bağlı bir sistem olarak ele alırsak ne olacağını sorguluyor ve modern yapay zekâyı kullanarak kuruluşlar arasındaki bilgi akışını ve yazılım ajanlarının bu akış üzerine nasıl koordineli seçimler öğrenip yaptığını modelliyor.

Dağınık gerçeklerden canlı bir bilgi ağına

Yazarlar basit bir gözlemlerle başlıyor: bilgi sabit durmaz. Raporlar, tahminler ve uzman görüşleri ortaklıklar, paylaşılan platformlar ve kişisel ilişkiler aracılığıyla firmalar arasında dolaşır—ve yenilenmezse zaman içinde değer kaybeder. Geleneksel “bilgi akışı” çalışmaları hangi kurumun kimle bağlantılı olduğunu ve paylaşımı kolaylaştıran veya zorlaştıran güven, mesafe ve uyumluluk gibi etmenleri tanımlar. Bu çalışma bu fikirleri koruyor fakat her kuruluşun bilgi stoğunun bilgi geldiğinde, bozulduğunda ve kullanım yoluyla pekiştiğinde değiştiği dijital bir ağa yerleştiriyor. Graf dikkat ağı (graph attention network) adlı derin öğrenme bileşeni, hangi bağlantıların her an en önemli olduğunu öğreniyor ve zamanında, yüksek kaliteli bilgiyi güvenilir biçimde taşıyan yolları öne çıkarıyor.

Birlikte karar vermeyi öğrenen ajanlar

Bu bilgi ağının üzerinde, fabrika planlayıcısı veya lojistik koordinatörü gibi bir karar vereni temsil eden çok sayıda yazılım ajanı bulunur. Bu ajanlar merkezi olarak kontrol edilmek yerine pekiştirmeli öğrenme yoluyla işbirliği yapmayı öğrenir: tekrar tekrar eylemde bulunur, sonuçları görür ve paylaşılan hedefleri iyileştirmek için stratejilerini ayarlarlar; örneğin maliyetleri düşürmek veya kıtlıkları azaltmak gibi. Hayati önemde, onların dünya görüşü yalnızca yerel gerçekleri değil, aynı zamanda kendi ve ortak kuruluşlarının değişen bilgi durumlarını da içerir. Bir dikkat mekanizması her ajanın mevcut görevle en alakalı diğer ajanlara ve bilgi parçalarına odaklanmasına yardımcı olur; bu da katı komuta zincirleri yerine esnek koalisyonları destekler.

Bilmek ile yapmak arasında çift yönlü bağ

Makalede esas olan, bilgi ile kararlar arasındaki “eşleştirme”dir. Daha iyi bilginin tek taraflı olarak kararlara girdiğini varsaymak yerine model, ilişkinin her iki yönde de akmasına izin verir. Ajanlar ortak kararlar aldığında başarılı olurlarsa, sistem destekleyici bilgiyi daha değerli sayar, bu bilgi yollarını güçlendirir ve bozulmalarını yavaşlatır. Koordinasyon başarısız olduğunda, eksik veya yanıltıcı bilgiyi işaretleyerek ağın daha iyi kaynaklar veya yeni ortaklar aramasını teşvik eder. Bu, bilgi paylaşımı ile karar stratejilerinin birlikte evrimleştiği bir geri besleme döngüsü yaratır. Bağın gücü zaman içinde izlenir ve bilgideki değişikliklerin performanstaki değişikliklerle ne kadar örtüştüğünü ortaya koyar.

Modelin simülasyonlarda ve gerçek dünyada test edilmesi

Bu eşleştirilmiş yaklaşımın yalnızca güzel bir kuramdan daha fazlasını sunup sunmadığını görmek için yazarlar kapsamlı bilgisayar deneyleri yürütüyor. Binlerce kuruluşu, milyonlarca bilgi transferini ve kaynak tahsisi ile uzlaşmaya varma gibi çoklu ajan karar görevlerinin birçok türünü tanımlayan büyük sentetik veri setleri oluşturuyorlar. Çerçevelerini bilgi olmadan karar modeli yapanlar, kararları olmadan bilgi modelleyenler veya geribildirim döngüsü olmadan ikisini yalnızca birleştiren alternatiflerle karşılaştırıyorlar. Çeşitli ölçütlerde, eşleştirilmiş model bilgi aktarım doğruluğunu ve karar başarı oranlarını %8–24 arasında artırıyor ve senaryolar karmaşıklaştıkça bile daha hızlı olarak kararlı stratejiler öğreniyor. Son olarak sistemi üreticiler, lojistik sağlayıcılar ve dağıtıcılardan oluşan bölgesel bir tedarik zincirinde devreye alıyorlar. Orada model, ortakların talep sinyallerini daha akıllıca paylaşmasına yardımcı oluyor; toplam maliyetleri %18,5 azaltıyor, stok tükenmelerini %71 oranında düşürüyor ve stok devir hızını %42,7 artırıyor.

Günlük kuruluşlar için ne anlama geliyor

Uzman olmayanlar için ana mesaj, bilgi sistemleri ve karar sistemlerinin birlikte tasarlandığında en iyi şekilde çalıştığıdır. Bilgiyi hem şekillendiren hem de günlük seçimlerle şekillenen canlı bir ağ olarak ele almak, daha güvenilir tahminlere, daha yalın stoklara ve değişime daha hızlı, daha koordineli yanıtlara yol açar. Teknik mekanizma derin sinir ağları ve gelişmiş öğrenme algoritmalarına dayanırken, altında yatan fikir sezgiseldir: kuruluşlar sadece ne bildiklerine değil, bu bilgiyi kullanmanın bir sonraki paylaşımı nasıl değiştirdiğine de dikkat etmelidir. Bu makaledeki çerçeve, bu sezgiyi pratik araçlara dönüştürmek için bir yol haritası sunar; böylece firmalar, tedarik zincirleri ve diğer ağlar yalnızca izole parçalar olarak değil, bütünüyle daha akıllıca hareket edebilir.

Atıf: Li, M., Yu, W. & Li, Y. Deep neural network-based coupling model of inter-organizational knowledge flow and agent collaborative decision-making. Sci Rep 16, 6923 (2026). https://doi.org/10.1038/s41598-026-37838-8

Anahtar kelimeler: bilgi paylaşımı, çoklu ajan sistemleri, işbirlikçi karar alma, graf sinir ağları, tedarik zinciri koordinasyonu