Yeni nesil LSTM ve Q-learning bütünleşmesiyle karmaşık ürün üretiminin tüm yaşam döngüsünde yapay zekâ destekli akıllı karar alma ve stok optimizasyonu

Günlük teknoloji için daha akıllı fabrikalar

Akıllı telefonlardan dizüstü bilgisayarlara, otomobillere ve uçaklara kadar insanların günlük yaşamında güvendiği birçok ürün, uzun ve hassas üretim zincirleriyle üretilen karmaşık parçalara dayanır. Bu fabrikalar, her aşamada ne kadar üretileceğine, ne kadar stok tutulacağına ve talep ani şekilde arttığında veya düştüğünde nasıl yanıt verileceğine karar vermek zorundadır. Bu çalışma, bu kararları yapay zekânın daha akıllıca yönetmesini sağlayan yeni bir yaklaşımı inceliyor; amaç atıkları ve eksiklikleri azaltırken yüksek değerli ürün akışını sürdürmektir.

Gelişmiş ürün üretmenin zorluğu neden bu kadar büyük?

Yarı iletken çipler ve havacılık bileşenleri gibi karmaşık ürünler, kesme ve yapıştırmadan teste ve paketlemeye kadar birbirine sıkı sıkıya bağlı birçok aşamadan geçer. Bu ürünlere yönelik talep sıklıkla dalgalıdır: yeni bir cihaz popüler olduğunda siparişler patlar, pazarlar değiştiğinde ise çöker. Geleneksel planlama yöntemleri bu dalgalanmalarla başa çıkmakta zorlanır. Ya çok fazla üretirler ve sermayeyi depolarda bağlarlar ya da çok az üretirler ve müşterilerin beklemek veya başka yere yönelmek zorunda kaldığı acı veren stok tükenmeleri yaşanır. Aynı zamanda fabrikalar, sensörlerden, kalite kontrollerinden ve tedarik kayıtlarından gerçek zamanda insan planlamacıların sindirmesinin zor olduğu büyük miktarda veri üretir.

Kapalı döngüde iki tür yapay zekâyı birleştirmek

Yazarlar, iki tamamlayıcı tekniği birbirine bağlayan entegre bir yapay zekâ çerçevesi öneriyor: bir tahmin modülü ve bir karar verme modülü. Tahmin tarafı, geçmiş siparişlerde ve sensör sinyallerinde—mevsimsel talep artışları veya ekipman sorunlarının yol açtığı durgunluklar gibi—desenleri öğrenmek için Uzun Kısa Süreli Bellek (LSTM) adlı bir sinir ağı türü kullanır. Bu tahmini sabit olarak ele almak yerine sistem, yeni verilerle sürekli olarak iyileştirir. Karar tarafı ise Q-learning kullanır; bu, sanal bir karar vericinin simüle edilmiş bir ortamda farklı üretim seçeneklerini deneyerek hangi seçimlerin zaman içinde daha düşük maliyetler ve daha az eksiklikle sonuçlandığını öğrendiği bir pekiştirmeli öğrenme biçimidir. Kritik olarak, bu iki modül geri besleme döngüsünde birbirine bağlıdır: tahminler kararları yönlendirir ve bu kararların sonuçları gelecekteki tahminleri iyileştirmek için geri beslenir.

Maliyet, stok ve belirsizlik arasında denge kurmak

Gerçek fabrikalar aynı anda birden fazla maliyet türünü dengelemek zorundadır: her bir ürünü üretmenin maliyeti, raflarda ekstra stok tutmanın maliyeti ve siparişleri karşılayamamanın genellikle çok daha yüksek maliyeti. Çerçeve, birden fazla aşamaya sahip bir üretim hattını modelleyip her aşamadaki envanter ve gecikmeleri açıkça takip eder. Ayrıca geçmiş desenlerin her zaman geçerli olacağını varsaymak yerine talepteki ani değişimlere hazırlanan sağlam bir optimizasyon tekniği kullanarak belirsizlik için koruyucu bir katman ekler. Pratikte bu, sistemin ani pazar patlamaları veya tedarik zinciri aksaklıkları gibi aşırı senaryolarda daha az şaşırma eğiliminde olduğu, aynı zamanda “tedbir amaçlı” aşırı üretme alışkanlığından kaçındığı anlamına gelir.

Deneyler gerçek fabrikalarda ne gösteriyor?

Yaklaşımı test etmek için araştırmacılar, beş üretim aşaması boyunca çalışan bir yarı iletken paketleme ve test tesisinden gerçek veriler kullandılar. Çerçeveyi geleneksel malzeme ihtiyaç planlama sistemleri ve birkaç ileri düzey yapay zekâ tabanlı rakiple karşılaştırdılar. LSTM tahminleri, klasik bir istatistiksel yönteme kıyasla tahmin hatasını yaklaşık yüzde 40 azalttı ve tam çerçeve, toplam maliyetleri eski sisteme göre yüzde 15,7, güçlü modern bir kıyaslamaya göre ise yüzde 8,3 oranında düşürdü. Dikkat çekici şekilde, sıfır stok tükenmesi oranı sağlarken envanteri yılda 4,2 kez devir hızına çıkararak parçaların uzun süre hareketsiz kalmamasını sağladı. Daha ileri analizler, talep daha düzensiz hale geldiğinde, tahminler daha az doğru olduğunda veya sensör verileri gürültülü hale geldiğinde bile sistemin kararlı kaldığını gösterdi — bu koşullar günlük endüstriyel gerçekliği yansıtır.

Ölçeklendirme ve sektörlere yayılma

Çalışma ayrıca fabrika büyüdükçe veya diğer yüksek değerli sektörlerde uygulandığında çerçevenin ne kadar iyi ölçeklendiğini inceledi. Daha fazla üretim aşamasıyla yapılan simülasyonlar, hesaplama süresinde yalnızca mütevazı artışlar gösterdi; bu da daha büyük tesislerin dijital altyapılarını bunaltmadan yaklaşımı benimseyebileceğini düşündürüyor. Havacılık bileşeni üretimine uyarlanıldığında yöntem yine maliyetleri düşürdü ve sadece maliyet ile kapasite parametrelerini o sektöre uyarlayarak kıtlıklara nadiren izin verdi. Yazarlar, uç hesaplama donanımı ve dikkatli sistem entegrasyonu desteğiyle çerçevenin bugün birçok üreticinin kullandığı mevcut fabrika yazılımlarına entegre edilebileceğini savunuyor.

Geleceğin üretimi için ne anlama geliyor?

Düz konuşmak gerekirse, çalışma fabrikalara hem talebi tahmin eden hem de buna göre hareket etmeyi öğrenen bir “dijital yardımcı pilot” vermenin üretimi daha düzgün, daha ucuz ve daha güvenilir hale getirebileceğini gösteriyor. Tahmini saha kararlarıyla sıkı şekilde bağlayarak ve sistemi gerçek dünya gürültüsü ile sürprizleriyle başa çıkacak şekilde tasarlayarak çerçeve, ham veriyi her adımda ne kadar üretileceği ve saklanacağı konusunda pratik rehberliğe dönüştürüyor. Tüketiciler için, arka plandaki bu tür bir zekâ yeni cihazlarda daha az gecikme ve modern yaşamı besleyen gelişmiş bileşenlerin daha dayanıklı tedariki anlamına gelebilir.

Atıf: Jiang, Z., Dan, W. & Yu-fei, C. New-generation AI-driven intelligent decision-making and inventory optimization in the full lifecycle of complex product manufacturing integrating LSTM and Q-learning. Sci Rep 16, 11077 (2026). https://doi.org/10.1038/s41598-026-41629-6

Anahtar kelimeler: akıllı imalat, stok optimizasyonu, yarı iletken üretimi, pekiştirmeli öğrenme, talep tahmini