Ulaşımda AI Fırsatı: Tek Model Değil, Ölçülen Model Portföyü

Bir lojistik operasyonunda her talebi en güçlü yapay zekâ modeline göndermek maliyeti hızla büyütür. Örneğin günde 50.000 destek veya operasyon kaydı işleyen bir ekipte, istek başına yalnızca 0,02 TL fark ay sonunda yaklaşık 30.000 TL ek maliyet yaratır. Bu fark, sınıflandırma gibi basit işlerde daha hafif modeller kullanılarak azaltılabilir.

arXiv’de yayımlanan Cost-Optimal Foundation Model Deployment Portfolio for Transportation Management başlıklı çalışma, ulaşım yönetiminde tek bir foundation model seçmek yerine görev bazında maliyet-optimal model portföyü kurma fikrine odaklanıyor. Bu yaklaşım; lojistik, filo yönetimi, belediye ulaşımı ve saha operasyonlarında hem maliyeti hem de yanıt kalitesini birlikte yönetmek isteyen ekipler için doğrudan uygulanabilir.

Neden Tek Model Yetmeyebilir?

Ulaşım yönetimi tek tip bir AI problemi değildir. Aynı gün içinde bir operasyon ekibi hem kısa metin sınıflandırır hem müşteri açıklaması üretir hem de istisna analizi yapar. Bu işler aynı doğruluk, hız ve muhakeme seviyesini gerektirmez.

Tipik görevler şunlardır:

• Sürücü mesajlarını sınıflandırma: Trafik, arıza, teslim edilemedi, adres bulunamadı gibi etiketler.
• Teslimat gecikmesi açıklaması üretme: Müşteriye kısa, tutarlı ve marka tonuna uygun mesaj.
• Rota istisnalarını özetleme: Planlanan ve gerçekleşen rota arasındaki farkın operasyon yöneticisine aktarılması.
• Bakım kayıtlarından risk sinyali çıkarma: Fren, lastik, motor arızası gibi tekrar eden ifadelerin tespiti.
• Destek taleplerini önceliklendirme: SLA riski taşıyan kayıtların kuyruğun üstüne alınması.

Basit bir mesaj etiketleme işi için en pahalı modele gitmek çoğu zaman gereksizdir. Buna karşılık çok adımlı istisna analizi, sözleşme yorumu veya güvenlik riski içeren karar destek işlerinde daha güçlü bir modele ihtiyaç duyulabilir. Bu nedenle doğru soru model seçimi değil, hangi görev için hangi model yeterli kaliteyi en düşük toplam maliyetle sağlar sorusudur.

Türkiye’de Kimler İçin Fırsat?

Bu yaklaşım özellikle maliyet baskısı yüksek operasyonlarda anlamlıdır. Yakıt, kur, bulut faturası ve müşteri destek yükü aynı anda arttığında, AI kullanımının yalnızca doğru çalışması yetmez; ölçülebilir biçimde ekonomik olması gerekir.

Hızlı pilot çıkarabilecek ekipler şunlardır:

• Lojistik girişimleri: Kargo takip mesajları, teslimat tahmini, gecikme nedeni sınıflandırma.
• Filo yönetimi şirketleri: Sürücü raporları, bakım notları, yakıt tüketimi anomalileri.
• Belediye ulaşım birimleri: Vatandaş şikâyetlerini sınıflandırma, sefer aksaklıklarını özetleme.
• E-ticaret operasyon ekipleri: Geciken siparişleri önceliklendirme, destek taleplerini otomatik yönlendirme.
• SaaS girişimleri: Ulaşım ve saha operasyonları için model router, AI maliyet paneli veya benchmark sistemi geliştirme.

Buradaki ürün fırsatı yalnızca chatbot yapmak değildir. Daha değerli alan, şirketlerin görevleri risk ve karmaşıklığa göre farklı modellere yönlendirmesini sağlayan bir model yönlendirme katmanı kurmaktır. Bu katman, her çağrı için maliyet, yanıt süresi, hata oranı ve insan onayı ihtiyacını kaydetmelidir.

2 Haftalık Pilot Planı

Başlangıç için büyük bir dönüşüm projesi gerekmez. 2 haftalık, ölçülebilir bir pilot yeterlidir. Amaç en iyi modeli bulmak değil, görev bazında kalite-maliyet tablosu çıkarmaktır.

• Gün 1-2: Veri setini hazırlayın. 500-1.000 gerçek operasyon kaydı seçin. Telefon, adres, plaka, konum ve müşteri adı gibi alanları maskeleyin. Kayıtları üç gruba ayırın: sınıflandırma, özetleme, karar destek.
• Gün 3-5: Model adaylarını belirleyin. Hafif görevler için GPT-4o mini, Gemini Flash, Claude Haiku, Llama 3.1/3.3 veya Qwen tabanlı açık kaynak modelleri deneyin. Daha karmaşık görevlerde daha güçlü ticari modelleri karşılaştırın.
• Gün 6-8: Ölçütleri sabitleyin. Her model için aynı test setini kullanın. Sınıflandırmada F1 skoru, özetlemede insan değerlendirme puanı, karar destekte uzman onayı oranı ölçün.
• Gün 9-11: Yönlendirme kuralı kurun. Düşük riskli sınıflandırmaları ucuz modele, müşteri etkisi yüksek veya güvenlik riski taşıyan kayıtları güçlü modele gönderin.
• Gün 12-14: Sonuçları karar tablosuna çevirin. Model başına 1.000 kayıt maliyeti, ortalama yanıt süresi, p95 gecikme, hata oranı ve insan onayı ihtiyacını tek tabloda gösterin.

Başlangıç için kullanılabilecek ölçütler:

• 1.000 kayıt başına maliyet
• Ortalama ve p95 yanıt süresi
• Sınıflandırma doğruluğu veya F1 skoru
• İnsan onayı gerektiren çıktı oranı
• Yanlış yönlendirme oranı
• KVKK açısından veri hassasiyeti

Örnek hedefler net olmalıdır. Düşük riskli sınıflandırmalarda F1 skorunun 0,85 üstünde olması, özetleme çıktılarının 5 üzerinden en az 4 insan puanı alması ve düşük riskli çağrılarda p95 gecikmenin 3 saniyenin altında kalması pratik başlangıç eşikleri olabilir.

Model Yönlendirme Katmanı Nasıl Kurulur?

İlk sürümde karmaşık bir mimari gerekmez. Basit