Ajan Temelli Yapay Zekâ ile Depo Yönetimi: İnsanı Döngüde Tutan Gerçek Bir Uygulama

Video anlatımı izlemek için buraya tıklayın.

Organizasyonların ve teknoloji meraklılarının gündemde tuttuğu bir alan Ajan temelli Yapay Zekâ (Agentic AI- AYZ). İşler ajanlara yaptırılabilir mi? Hangi işler ajanlarla çözülebilir? Peki, büyük dil modelleri bunun neresinde konumlanacak? Mantıksal kural setleriyle çalışan ajanlar mı yoksa kendi kendine karar verebilen ajanlar mı? Çoğu uzmanın bu sorular arasında gidip gelerek, iş yapışlarını gözden geçirdiği bir dönem içerisindeyiz.

Bu teknolojinin kavranmasına vesile olmak adına ben ne yapabilirim diye kendime sorduğumda; depo yönetiminde bir ajan temelli yapı kullanılabilir mi sorusu aklıma geldi. Bunun için bir use case tasarımı yaptım ve akış oluşturdum. Organizasyonların teknolojik dönüşüm anlamında kritik bir dönemeçten geçtiğini varsaydığımda, bu çözümün esin kaynağı olabileceği inancını taşıdığımı da söyleyebilirim. Kurguladığım gerçek dünyaya yakın tasarımla bu teknolojinin “İş hayatına adapte edilebilir?” Sorusuna cevap arıyorum. Zor bir soru olduğu aşikâr. Bir zor soru daha sorayım:

AYZ, gerçek dünya problemlerinde nasıl uygulanır? Teoriden pratiğe geçiş nasıl sağlanır? İnsan bu akışın neresinde olacak ya da olacak mı?

Bu yazımda bu soruları, ürünsel tasarıma gittiğim çözümümle vereceğim. Daha önce geliştirdiğim LLM Agentlar Depoda Nasıl Kullanılabilir? çalışmamı bir adım daha öteye taşıyorum. Buradaki problem tanımını alarak regülatif konumlara uyumu da içine alıp, human-in-the-loop (insanın döngüde tutulması) yaklaşımıyla çalışan bir use case tasarladım.

Bu tasarımla, iyi tanımlanmış süreç, akış ve problem çözümüyle sektör, konu fark etmeksizin yapay zeka ajanlarının nasıl çözümler üretebileceğine bir kaynak oluşturmayı ve uygulamanın nasıl yapılabileceğini göstermeyi amaçlıyorum.

Buradan yola çıkarak çalıştığım tasarımın bir prototip olmadığını, gerçek dünyada uygulanabilir bir karar destek sistemi olduğunu vurgulamak isterim.

Tasarladığım yapıyı anlatmadan önce, tüm kodların yer aldığı GitHub linkini buraya bırakıyorum. Siz de kendi lokal bilgisayarlarınızda deneyimleyebilirsiniz.

💻 GitHub Kodu: https://github.com/orcunsukruimre/multi-agent-warehouse

📜 Lisans: MIT License

Problem Tanımı

Bu çalışmada ele alınan problem, bir perakende firmasının depo operasyonlarında karşılaşılan iş atama sürecidir. Kaynak verdiğim yazımda detaylandırdığım problem tanımı şöyledir:

Bir depo yöneticisi her gün iş emrini uygun personellere atama problemi ile boğuşuyor. Bunu yaparken personel memnuniyeti ve hakkaniyetli dağıtım yapabilmek için epey kafa yorduğunu düşünün. Her gün aşağıdaki soruları kendine soruyor.

"Hangi operatör hangi işi alsın?" "Fazla mesai mi yaptırayım, yoksa iş mi erteleyeyim?" "Ek operatör çağırayım mı?"

Her kararın bir sonucu var: ya ek maliyet ya işin eksik tamamlanması ya da personel memnuniyetsizliği…

Depo yönetiminin elinde veriler ve bilgileri aşağıda özetliyorum.

• Günlük 74 iş emri (tur) operatörlere atanmalı

• 6–8 operatör çalışıyor (bazıları izinli/hasta olabiliyor)

• Her tur, belirli sayıda ürün ve hacim (desi) içeriyor

• İş yükü dengesi sağlanmalı (herkes eşit iş alsın, eşit ağırlıkta ürün taşısın vb.)

• Yasal çalışma süreleri uyumluluğun kontrol edilmesi
  

Bu bilgiler altında depo yönetimi manuel olarak saatlerce hesap yapıyor, dengeleri gözle kontrol ediyor ve yasal limitleri denetliyor. Peki bu süreç otomatikleştirilebilir mi? Analitik ve yapay zekanın nimetlerinden yararlanarak son kararı insan verebilir mi? Kesinlikle evet. Analitik yetkinlik, AYZ’nin uygun konumlandırılması ve insana bu sistemde rol verilerek bu problem çözülebilir.

Sistem Varsayımları

Gerçek bir depo ortamını simüle etmek için aşağıdaki varsayımları kullandım.

Operasyonel Parametreler:

• Bir tur süresi: 40 dakika (toplama + paketleme + taşıma)

• Günlük çalışma: 435 dakika (7.25 saat verimli çalışma, molalar hariç)

• Maksimum tur/operatör: 10 tur/gün (435 ÷ 40 ≈ 10)
  

Yasal Uyumluluk:

• 0–10 tur: UYUMLU (yasal limit içinde)

• 11+ tur: KRİTİK İHLAL (iş kanunu riski, fazla mesai gerekir)

Test Verisi:

• Toplam iş emri: 74 tur

• Toplam ürün: 5,177 adet

• Toplam hacim: 14,491 desi

• Operatör: 8 toplam (6 aktif, 2 izinli/hasta)

Atama Algoritması:

Birinci seçenek: Matematiksel optimizasyon (PuLP)

• Amaç: İş yükü dengesini maksimize et

• Kısıtlar: Her iş bir kişiye, tur ve desi limitleri
  

İkinci seçenek: Sezgisel algoritma (fallback)

• Round-robin dengeli dağıtım

• Garanti çözüm (her zaman çalışır)

Sistem Mimarisi: 4 Uzman Ajan

Önceki çalışmamda 2 LLM Agent dengeli atama problemini çözmüştüm. Şimdi ise bunu 4’e çıkarttım. Her biri kendi uzmanlık alanında verdiğim direktiflere ve varsayımlara uygun olarak otonom çalışıyor:

1. Workforce Agent (İşgücü Analizi): Operatör durumunu analiz et, GPT-4 ile özet sun.
   

2. Assignment Agent (Atama Motoru): İş emirlerini operatörlere ata.

   • Optimizasyon (PuLP) → Matematiksel model

   • Sezgisel → Basit ama garantili çözüm
     

3. Compliance Agent (Uyumluluk Denetimi): Yasal limitlere uygunluğu kontrol et.

   Eğer herhangi bir operatör 11+ tur aldıysa:
   

   • UYUMSUZ

   • Risk: KRİTİK
     

Aksi halde:

• UYUMLU

• Risk: DÜŞÜK
  

4. Inventory Agent (Sonuç Analizi): Atamaları analiz et, görselleştir, GPT-4 ile final özeti üret.
   

   • Operatör başına metrikler (tur, ürün, hacim)

   • 4 farklı grafik

   • Excel raporu

Sistem Akışı: İnsanı Döngüde Tutmak

Sistemin asıl farkı, otomatik karar vermemesi. Bunun yerine, insanı kritik noktalarda devreye sokuyor.

Adım 1: Otomatik Özet (GPT-4): Uygulama açılır açılmaz, Workforce Agent devreye giriyor. GPT-4 kullanarak mevcut durumu özetliyor.

Yukarıda görselde görüleceği üzere, dinamik progress bar’lar (şu anda %0 — atama henüz yapılmadı) ve LLM mevcut iş yükünü depo yöneticisine özetledi: “74 iş emri, 5,177 ürün, 6 aktif operatör…” Bu aşamada yönetici, verileri Excel’de incelemeye gerek kalmadan anlık durumu görebiliyor.

Adım 2: İlk Atama: Yönetici “Atamayı Başlat” butonuna tıklıyor ve Assignment Agent devreye giriyor. İlk olarak optimizasyon modeli ile çözmeyi deniyor. Çözerse sonuçları alınıyor. Çözemezse sezgisel algoritmaya geçiyor. Çözüm her halükarda garanti ediliyor.

Canlı sistemde aksaklık kabul edilemez; operasyon durur ve maliyet yaratır. Bunun için garanti çözümü yapılacak bir çözüm verilmeli her zaman.

Yeni atama sonuçları aşağıdaki görselde yenileniyor. Progress barlar artık atamaya göre canlı olarak dolu bir şekilde geliyor. Sonuçta 74 tur 6 operatöre atanmış bilgisi alınıyor.

Şimdi bu atamaların uygunluğunun kontrolüne sıra geldi.

Adım 3: Uyumluluk Kontrolü: İlk atama tamamlanınca Compliance Agent devreye girerek kurumun regülasyonlarına, kurallarına uygunluk kontrolünü yapıyor. Kontrol sonrasında atamaları “UYUMSUZ” olarak nitelendiriyor çünkü 6 personel de 11’in üzerinde tur atanmış.

Peki tam burada sistem ne yapıyor? Otomatik karar vermiyor. Bunun yerine yönetime seçenekler sunuyor. İşte tam bu adımda insan döngünün içinde yerini alıyor.

Adım 4: Human-in-the-Loop (Karar Noktası): Şimdi sistem, uyumsuzluğu giderilmesi noktasında aşağıdaki görselde görüleceği üzere, yönetime iki seçenek sunarak karar vermesini istiyor. Seçeneklerden biri “Ek Operator Al” diğeri ise “İş emri Azalt”. Ek operatörle fazla maliyete katlanarak kişi başı düşen tur sayısını azaltmak isteyebilir ya da elindeki uygun kişiye göre uyumlu atama yaparak bazı iş emirlerinin gerçekleşmemesine katlanabilir.

Sistem, karar verilmesini bekliyor. Karara tıklandığında yeniden çalışıyor. Burası neden önemli? Çünkü bazı kararlar sadece sayılarla verilemez.

"Müşteri önceliği ne?"

"Maliyet hassasiyeti ne kadar?"

"Gelecek hafta talepler nasıl?"

gibi bir sürü parametre bulunuyor. Buna göre en uygun kararı yönetim verecektir. Bunun nedeni durumun deneyim ve iş bilgisi gerektirdiğidir. Yapay zekâ bunu tam anlamıyla yapamayabilir ama yapay zeka, doğru soruları sorabilir.

Adım 5: Karar Uygulanıyor: Yönetici Ek Operatör Al senaryosunu seçtiğini varsayalım. Sistem 1 inaktif operatörü aktif yapıyor ve Assignment Agent yeniden çalışarak 74 iş emri 7 operatöre atanıyor.

Yukarıdaki görselde tüm iş emirlerin dağıtılıyor ve tüm ürünler toplanıyor bilgisini progress barlar açıkça gösteriyor. Ancak atamalar ile ilgili uyumluluk değerlendirmesi yapan ajan 4 tane ihlal olduğunu yani 4 operatörün 11 tur aldığını söylüyor (aşağıdaki görsel).

Aşağıdaki görselde LLM’in sunduğu özette risk olduğunu açıkça yönetime bildiriyor. Riski insana bırakıyor. Yönetici bu durumda yeniden karar veriyor.

Bu sefer depo yönetimi İş Emri Azalt senaryosunu seçiyor. Sistem maksimum uyumlu iş emri hesaplıyor. Kişi başı maksimum 10 tur alacağını bildiği için toplamda 60 turluk bir emir ataması yapacak. Assignment Agent sadece 60 iş atıyor ve kalan 14 iş erteleniyor. Sonuçlar aşağıdaki görsel progress barlardan dinamik bir şekilde okunuyor. İş emirlerinin %81'i atandı, ürünlerin %77'si toplanacak.…

Uyumluluk kontrol yapan ajan da yapılan atamaların artık uyumlu olduğunu bildiriyor.

Adım 6: Final Sonuçlar: Atamalar netleşti, uyumlar kontrol edildi. Sorun yok. Artık sıras Inventory Agent’ta. Yapılan atamaları depo yönetimine özetliyen bir LLM çıktısı sunuyor:

“60 iş emri 6 operatöre atandı, 14 iş ertelendi. Tüm operatörler 10 tur aldı, yasal uyumluluk sağlandı. 3,997 ürün toplanacak.”

Yapılan atamalara yönelik özet bir tabloda sunuyor (aşağıdaki görsel). Operatör bazlı tur sayısı, toplam ürün ve hacim bazında verileri analiz için yönetime sunuyor.

Sadece tablo olarak sunmakla kalmıyor aynı zamanda aşağıdaki görsellerde görüleceği üzere görselleştirmesini de yapıyor. Depo yönetimi operatör bazında burayı inceleyip, operasyonun anlık durumuna göre de karar alabilecek fırsat tanıyor. Bunu da yaptığı atamaları excel formatında indirme seçeneği ile istedikleri gibi müdahale edebilecekleri opsiyonu da tanıyor. Böylelikle insan hala döngüde tutulmaya devam ediliyor.

Neden Bu Yaklaşım Önemli?

Bu sistem tasarımıyla karmaşıklık basit bir hal alıyor. Depo yönetimi tarafından yapılan;

2 saat Excel hesabı, acaba dengeli atadık mı? endişesi ve yasal limit manuel kontrolu artık sistem tarafından onlardan onay alınacak şekilde güvenle yapılıyor.

Bu sistem 30 saniyede özet, atama ve kontrol yapıyor, anlık olarak dinamik progress bar’ları güncelliyor, otomatik uyumluluk kontrolünü yapıyor ve sonuçları özetleyerek görselleştiriyor. Sistem insanı güçlendiriyor. Sistem “ne yapmalısın” demiyor. “A veya B, sen seç” diyor.

Yani basitçe aşağıdaki gibi anlık durumu değerlendirme fırsatı tanıyor:

AYZ: “74 iş var, 6 operatör yetmiyor. İki seçenek: A) +1 operatör al (500 TL) veya B) 14 iş ertele (0 TL). Hangisini tercih edersin?”

Yönetici: “Yarın Black Friday, müşteri kaybetmek istemem. A seç.”

AYZ: “Anlaşıldı, ek operatör atanıyor…”

Bu sistem lojistik sektöründe bir şekilde uygulabilirliğini gösterdiğime inanıyorum. Bunun ölçeklenebilir ve sektör bağımsız olduğu kanısındayım. Bu yüzden pek çok fark sektörde çalışan meslektaşlarım da bunu kendi problemlerine sistemlerine uyarlayabilirler. Birkaç örnek vermek isterim;

• üretimde; vardiya ataması ve kaynak planlaması,

• sağlıkta yatak tahsisi ve personel ataması…

Sonuç

Bu çalışmada tasarladığım sistemde, 4 uzman ajan kendi uzmanlık alanlarında otonom çalışarak karmaşık bir depo yönetim problemini çözdü. Workforce Ajanı iş yükünü analiz etti, Assignment Ajanı dengeli atama yaptı, Compliance Ajanı yasal uyumluluğu denetledi, Inventory Ajanı sonuçları görselleştirdi.Ama asıl kritik nokta:

Sistem hiçbir zaman kendi başına karar vermedi. İnsan, döngünün merkezinde kaldı.

Unutmayalım ki sistem cevap veriyor, ama doğru soruyu kim soruyor? İnsan. Hangi cevabı seçiyor? Yine insan.Teknoloji araçtır; stratejiyi, önceliği, riski değerlendiren hala insandır. Bu çalışma basit görünebilir ama gösterdiği gerçek basit değil:

“İyi tanımlanmış süreç, akış ve problem çözümüyle alan, sektör fark etmeksizin yapay zeka ajanları kullanılabilir.”

Sektör fark etmez: üretim, sağlık, finans, lojistik… Başarı formülü hep aynı; süreci netleştir, kısıtları belirle, ajanları uzmanlaştır, kararı insana bırak ve sonucu açıkla AYZ bir “hype” değil, gerçek bir paradigma değişimi ve teknolojik dönüşümün anahtarı…

Bu yazıyı okuduktan sonra kendinize sorun:

• “Benim alanımda hangi süreçler ajanlarla çözülebilir?”

• “İnsanı hangi noktalarda döngüde tutmalıyım?”

  
  

Cevapları bulduğunuzda, ajantik yapay zekanın gerçek gücünü keşfetmiş olacaksınız.

Dr. Şükrü İmre

Notlar:

Yapay Zeka Yardımı Hakkında:

Bu projede kullanılan kodlar, Claude AI (Anthropic) ile birlikte geliştirilmiştir. Sistem tasarımı, mimari ve iş akışı tarafımdan belirlenmiş, kodlama Claude’a verilen detaylı talimatlarla gerçekleştirilmiştir. Tüm kod test edilmiş ve doğrulanmıştır.

Linkler:

• GitHub: https://github.com/orcunsukruimre/multi-agent-warehouse

• Lisans: MIT (Serbest kullanım) Uyarı:Bu bir araştırma projesidir. Üretimde kullanmadan önce organizasyonunuza özel uyarlama yapılmalıdır.