Dinamik ortamlarda AI destekli acil lojistik ağının konuşlandırılması

Neden daha akıllı acil teslimatlar önemli

Bir salgın, tipi veya büyük bir kaza gibi afetler meydana geldiğinde ilaçların, yiyeceklerin ve diğer temel ihtiyaçların doğru yerlere hızla ulaştırılması hayatî önem taşır. Ancak acil teslimat sistemleri sıklıkla talebin nerede olacağını varsayar ve gerçek değiştiğinde çöken katı planlara dayanır. Bu çalışma, şehirlerin araç ve malzeme konuşlandırmalarını sürekli yeniden düşünmesine yardımcı olan yapay zeka destekli bir yaklaşım sunuyor; böylece koşullar kaotik ve belirsiz olsa bile insanlara hızlı ve güvenilir hizmet sağlanabiliyor.

Şehri yaşayan bir ağ olarak görmek

Yazarlar bir şehrin acil lojistik sistemini birbirine bağlı bölgeler ve yollar ağı olarak ele alıyor. Yolculuk veya teslimat talepleri saatten saate, mahalleden mahalleye dalgalanır; bu durum büyük olaylarda belirginleşir. Geleneksel planlama araçları çoğunlukla ortalamalara veya basit trendlere dayanır, oysa ani bir salgın dalgası veya kar fırtınası normal desenleri bozduğunda bunlar yetersiz kalır. Burada şehir, hizmete ihtiyaç duyan düğümler (alanlar) ve bağlantılar (yollar) ağ biçiminde modelleniyor; sistem böylece her bölgeyi izole ele almak yerine talebin mekân ve zaman içinde nasıl yayıldığını takip edebiliyor.

Olayların tahmini yeniden şekillendirmesine izin vermek

Çerçevenin merkezinde olay-tahrikli bir tahmin motoru bulunuyor; bu, grafik tabanlı bir sinir ağı türü. Gelecekteki talebi yalnızca geçmiş sayılardan tahmin etmek yerine, virüs yayılımı, hava uyarıları veya yol kapanmaları gibi gerçek dünya şoklarına ilişkin bilgileri de alıyor. Bu AI modeli hem talebin komşu bölgeler arasında tipik olarak nasıl aktığını hem de büyük çaplı olayların bu desenleri nasıl büktüğünü veya kırdığını öğreniyor. Tek bir en iyi tahmin çıkarmak yerine, gelecekteki talebin muhtemel değerlerinin bir aralığını ve her bir değerin belirsizliğini üretiyor—temelde şehrin her bir parçasında bir sonraki adımda ne olabileceğine dair olasılık bulutu.

Kötü senaryoya hazırlanırken kaynakları boşa harcamamak

Tahminler ne kadar akıllı olursa olsun, asla kusursuz değildir. Planlayıcılar yalnızca tek bir tahmine göre optimize ederse, gerçek daha kötü çıktığında şaşkına uğrayabilir ve araçlar ile malzemeler yanlış yerlerde kalabilir. Bunu ele almak için çalışmada uyarlanabilir sağlam optimizasyon adlı bir yaklaşım kullanılıyor. Bu yöntem AI’nın belirsizlik tahminlerini alıp merkezi tahminden nasıl sapabileceğini yakalayan dikkatle tasarlanmış bir “belirsizlik kümesine” dönüştürüyor. Planlama problemi iki aşamaya bölünüyor: ilk aşamada bir sonraki dönem öncesinde depoların ve araçların nerede konumlandırılacağına karar veriliyor; ikinci aşamada ise gerçek talep ve yol koşulları gözlemlendikten sonra güzergâhlar ve ikmal en maliyet etkin şekilde ayarlanıyor. Bu iki adımlı mantık, acil yönetiminde pratikte yapılanı yansıtıyor—geniş çapta hazırlanıp sonra duruma göre ince ayar yapmak—aynı zamanda en kötü durum koşullarında bile iyi performans sağlayacak şekilde matematiksel garanti sunuyor.

Krizler gelişirken öğrenmek ve uyarlamak

Tüm sistem tahmin-etkinleştir-güncelle döngüsünde sürekli çalışıyor. Saat saat yeni veriler alınıyor, tahminler güncelleniyor, belirsizlik kümesi yeniden kuruluyor ve konuşlandırma ile yönlendirme planları yeniden hesaplanıyor. Araştırmacılar bu kapalı döngü çerçevesini 2019–2022 yılları arasındaki New York City için-hizmet araçlarına ait geniş bir gerçek dünya veri kümesi üzerinde test ettiler; veri kümesi COVID-19 salgınını ve şiddetli bir tipi içeriyor. Bu koşulları kullanan simüle edilmiş acil teslimat görevlerinde yöntemleri, karşılanabilen talep payını yaklaşık %71’den %96’nın üzerine çıkardı ve ortalama teslimat gecikmelerini 45 dakikadan yaklaşık 12 dakikaya düşürdü; karşılaştırmada güçlü bir temel model zaten AI tahminleri kullanıyor ancak daha basit planlama yöntemlerine dayanıyordu. Ayrıca araç filosunu daha verimli kullandı ve işletme maliyetlerini kontrol altında tuttu; bu da sağlam planlamanın gereksiz derecede temkinli veya israfçı olmak zorunda olmadığını gösteriyor.

Gelecekteki acil durumlar için anlamı

Basitçe söylemek gerekirse çalışma, AI’nın değişen talebi öngörme yeteneğini dikkatli, risk farkında bir planlama ile birleştirmenin acil teslimatları hem daha hızlı hem de daha güvenilir hale getirebileceğini gösteriyor. Belirsizliği varmış gibi açıkça ele alarak, çerçeve afetlerin en yıkıcı olduğu anlarda bile hizmet düzeylerini yüksek tutuyor. Diğer şehirlerde ve farklı afet türlerinde daha fazla test gerekse de, bu çalışma geleceğin acil lojistik sistemlerinin öngörülü, sürekli uyum sağlayan ve hayati malzemelerin en çok ihtiyaç duyulduğu yer ve zamanda ulaşmasını güvence altına alan sistemler olacağına işaret ediyor.

Atıf: Mei, L., Chenjing, Y. & Sha, S. AI-driven emergency logistics network deployment in dynamic environments. Sci Rep 16, 11596 (2026). https://doi.org/10.1038/s41598-026-41708-8

Anahtar kelimeler: acil lojistik, dinamik konuşlandırma, sağlam optimizasyon, talep tahmini, afet müdahalesi