Özet
Tedarik zincirindeki (TZ) aksaklıklar giderek daha sık ve karmaşık bir hal alarak mühendislik yönetimi ile operasyonel dayanıklılık için önemli zorluklar yaratmaktadır. Mevcut tahmin yöntemleri, değişkenler arasındaki ilişkileri ve belirsizliği ile aksaklık olaylarının nedensel faktörlerini yeterince yansıtamamaktadır. Bu çalışmada, Queensland Üniversitesi Yaratıcı Sanatlar/Yaratıcılık Ağı (UQ-CRGATNet) adlı yeni bir belirsizlik duyarlı hibrit çerçeve sunuyoruz. Bu çerçeve, bağlamsal özellik öğrenimi, dayanıklılık duyarlı temsili ve Monte Carlo (MC) dropout için bir tablo dönüştürücü ağı olan Dinamik Grafik Dikkat Ağlarını (DGAT) ve Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM) ile Categorical Boosting (CatBoost) modellerinden oluşan bir topluluk meta-öğreniciyi içermektedir. Ayrıca, SHapley Additive exPlanations (SHAP) ve Non-combinatorial Optimization via Trace Exponential and Augmented lagRangian for Structure learning (NOTEARS), insan tarafından anlaşılabilir özellik atfı ve nedensel aksaklık analitiği sağlayarak güvenilir kararları desteklemektedir. Önerilen çerçeve, grafik yapılı ilişkileri, heterojen tablo bilgilerini, tahmin belirsizliğini ve dayanıklılık göstergelerini birleşik bir öğrenim mimarisi içinde modelleyen ortak bir yapıdır. Gerçek bir tedarik zinciri veri kümesi üzerinde gerçekleştirilen kapsamlı deneyler, bu çerçevenin geleneksel makine öğrenimi, topluluk öğrenimi ve dönüştürücü temel modellerinden önemli ölçüde daha iyi performans gösterdiğini ortaya koymaktadır. UQ-CRGATNet, üstün Alıcı İşletim Karakteristiği Eğri Altı Alan (ROC-AUC) ve Hassasiyet-Geri Çağırma özelliklerine ulaşırken, doğruluk, hassasiyet, geri çağırma, F1 skoru ve Matthews korelasyon katsayısı sırasıyla %99,87, %99,87, %99,89, %99,88 ve %99,73 olarak ölçülmüştür. Belirsizlik odaklı topluluk yaklaşımı tahmin doğruluğunu artırırken, nedensel analitik aksaklıkların tetikleyicileri hakkında uygulanabilir yönetimsel içgörüler sunacaktır. Sonuçlar, önerilen çerçevenin tedarik zinciri aksaklıklarını proaktif olarak tahmin etmek ve dayanıklı mühendislik yönetimini desteklemek için güçlü, yorumlanabilir ve ölçeklenebilir bir çözüm sağladığını göstermektedir.
1 Giriş
İmalat ve ticaretin küreselleşmesi, modern tedarik zincirlerini (TZ) giderek daha karmaşık, çok katmanlı ve operasyonel aksaklıklara karşı savunmasız hale getirmiştir. Gerçek ve planlanan sevkiyat süreleri arasındaki uyumsuzluk, değişken talep modelleri ve bölgeye özgü lojistik darboğazlardan kaynaklanan gecikmeli teslimat olayları; müşteri memnuniyeti, finansal performans ve kurumsal itibar üzerinde zincirleme etkiler yaratmaktadır (; ). Bu zorlukları daha da karmaşıklaştıran bir diğer faktör ise günümüz tedarik ağlarının farklı coğrafyaları, sevkiyat modlarını ve pazar segmentlerini kapsamasıdır; bu da yalnızca geleneksel tablo analizleriyle aksaklık riskini teşhis etmeyi neredeyse imkansız kılmaktadır (; ). Bu bağlamda, mühendislik yöneticilerinin teslimat riskini tahmin edebilen, sistemik dayanıklılığı değerlendirebilen ve uygulanabilir nedensel içgörülerin gerçek zamanlı olarak iletilmesini sağlayabilen akıllı, veri odaklı karar destek sistemlerine acil ihtiyacı vardır. Makine öğrenimi ve derin öğrenme yöntemleri, tedarik zinciri risk yönetimi alanında önemli potansiyel göstermiştir. Extreme Gradient Boosting (XGBoost) (), Light Gradient Boosting Machine (LightGBM) ve Categorical Boosting (CatBoost) gibi gradyan artırma toplulukları, yapılandırılmış lojistik veriler üzerinde rekabetçi tahmin doğruluğu elde ederken, derin öğrenme mimarileri de doğrusal olmayan, yüksek boyutlu özellik uzayları için modelleme kapasitesini daha da genişletmiştir (). Ancak, hakim paradigma her işlem kaydını bağımsız bir gözlem olarak ele alarak, gerçek tedarik zinciri ağlarının temelini oluşturan zengin ilişkisel yapıyı—müşteriler, ürünler, pazarlar, coğrafi bölgeler ve sipariş lojistiği arasındaki ilişkileri—görmezden gelmektedir (; ). Grafik Sinir Ağları (GNN’ler), doğrudan grafik yapılı veriler üzerinde çalışarak bu sınırlamaya zarif bir çözüm sunmaktadır; tedarik zinciri varlıkları arasındaki bağlantılar üzerinden mesaj iletimi yoluyla yayılan risk sinyallerini yakalayabilirler (; ). GNN’lerin tedarik zinciri analitiğinde giderek daha fazla benimsenmesine rağmen (), bunları tablo dönüştürücü mimarileri, dayanıklılık değerlendirmesi ve belirsizlik ölçümüyle tek bir uçtan uca çerçeve içinde entegre etmek hala açık bir araştırma sorunudur. Dönüştürücü tabanlı modeller, çeşitli veri türlerinde temsil öğrenimini yeniden şekillendirmiştir. Özellikle tablo veriler için TabTransformer mimarisi (), kategorik özellikler için çok başlı öz-dikkat yoluyla bağlamsal gömmeler kullanarak, geleneksel gradyan artırılmış ağaçlara kıyasla eksik değerlere ve yüksek kardinaliteli girdilere karşı daha üstün dayanıklılık sağlamaktadır. FT-Transformer ise bu konsepti daha da genişleterek, dikkat hesaplamasından önce tüm özellikleri token olarak kodlamıştır (). Bu mimariler grafik tabanlı temsillerle doğal olarak tamamlayıcıdır: GNN’ler tedarik zinciri ağ topolojisinden ilişkisel gömmeler çıkarırken, tablo dönüştürücüler kayıt içi özellik etkileşimlerini yakalar. Mevcut hiçbir çalışma, tedarik zinciri teslimat riski tahmini için bu iki paradigmayı birlikte kullanmamıştır.
Temel Bulgular ve Genel Değerlendirme
YangS.OgawaY.IkeuchiK.ShibasakiR.OkumaY. (2024b). Felaket sonrası tedarik zinciri aksaklığı: Grafik sinir ağı kullanılarak firma düzeyinde satışların tahmini. Int. J. Disast. Risk Reduct. 110:104664.

ZamaniE. D.SmythC.GuptaS.DennehyD. (2023). Tedarik zinciri dayanıklılığı için yapay zekâ ve büyük veri analitiği: sistematik bir literatür taraması. Ann. Operat. Res. 327, 605–632. doi: 10.1007/s10479-022-04983-y
ZhaoY.TangL.WangZ.ZhangH. (2024). Tedarik zinciri finansmanında KOBİ’lerin kredi riski tahmini için geliştirilmiş serçe arama algoritmasıyla optimize edilmiş LightGBM yaklaşımı. J. Comput. Appl. Math. 446:115863.
ZhengX.AragamB.RavikumarP.XingE. P. (2018). “GÖZYAŞI OLMAYAN DAG’lar: Yapı öğrenimi için sürekli optimizasyon,” Advances in Neural Information Processing Systems içinde, 31.
ZhouG.WangS. (2025). Tedarik zinciri finansmanında kredi riski karar verme süreçlerinin yorumlanabilir makine öğrenimi modeliyle geliştirilmesi. IEEE Access13, 14239–14251. doi: 10.1109/ACCESS.2025.3530433
ZhouP.LiangZ.BiW.XuB. (2023). HKTGNN: Hiyerarşik bilgi aktarılabilir grafik sinir ağı tabanlı tedarik zinciri risk değerlendirmesi. arXiv [ön baskı] arXiv:2311.04244. doi: 10.48550/arXiv.2311.04244
Özet
Anahtar Kelimeler
mühendislik yönetimi, açıklanabilir yapay zekâ (XAI), Grafik Dikkat Ağı (GAT), tahmin analitiği, tedarik zinciri aksaklık tahmini, tedarik zinciri dayanıklılığı, TabTransformer, belirsizlik ölçümü
Atıf
Ansari ME, Bepary Asif MDA, Hossain A, Mohammad M, Mahmud MDR ve Islam R (2026) Mühendislik yönetiminde tedarik zinciri aksaklığı ve dayanıklılık için yapay zekâ odaklı tahmin analitiği. Front. Artif. Intell. 9:1928679. doi: 10.3389/frai.2026.1928679
Alındı
05 Temmuz 2026
Değiştirildi
16 Eylül 2026
Kabul edildi
26 Ekim 2026
Yayınlandı
17 Kasım 2026
9 – 2026
Fouad Jawab, Sidi Mohamed Ben Abdellah Üniversitesi, Fas
Charles Onyeka Nwamekwe, Nnamdi Azikiwe Üniversitesi, Nijerya
Wenxin Zhang, Çin Bilimler Akademisi Üniversitesi, Çin
© 2026 Ansari, Bepary Asif, Hossain, Mohammad, Mahmud ve Islam.
Bu, Creative Commons Atıf Lisansı (CC BY) şartları altında dağıtılan açık erişimli bir makaledir. Orijinal yazarların ve telif hakkı sahiplerinin belirtilmesi ve bu dergideki orijinal yayına kabul edilen akademik uygulamalara uygun olarak atıfta bulunulması koşuluyla, diğer platformlarda kullanımı, dağıtımı veya çoğaltılması mümkündür. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltma iznli değildir.
*Yazışma: Rakibul Islam, rakibulislamrana490@gmail.com
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kuruluşların, yayıncının, editörlerin ve hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.


Bu gelişme hakkında düşüncelerinizi, donanım deneyimlerinizi veya sorularınızı Topluluk Forumumuzda paylaşın.
Foruma Katıl & Yanıtla ➔




1 yorum
Fikrinizi bir kaynak, soru veya yapıcı karşı görüşle geliştirin.