COVID-19 ve saf su tedarikinde sıkıntılar, global bir tedarik zinciri krizine yol açtı. Teslimat sürelerinde uzamalar, çipe yükselen talep gibi etkiler de dengeleri altüst etti. Peki çözüm ne? Bu noktada yapay zekâ ve makine öğrenmesi devreye giriyor.

Güray Kılınç, Tekstil Mühendisi, TTSİS

Geçtiğimiz aylarda ‘The Ever Given’ isimli dev kuru yük gemisinin, Süveyş Kanalı’nı deniz trafiğine yedi gün boyunca kapatması ve yeni COVID-19 varyantının hızla yayılması, zaten kırılgan olan tedarik zincirlerini iyice felce uğrattı. Her ne kadar 8 trilyon Dolarlık gıda sektörü bu duruma hızlıca adapte olsa da; ilaçtan bilişime, tekstilden otomotive birçok sektör bu iki gelişmeden oldukça kötü etkilendi. Bütün bunlara, dünyanın en büyük çip tedarikçisi Tayvanlı TMSC’nin, saf su tedarikinde yaşanan sorunlardan dolayı üretim hızını düşüreceğini açıklaması da eklenince durum, tam bir global tedarik zinciri krizine dönüştü.
Diğer taraftan dijital dönüşüm ve evden çalışma furyasıyla kişisel bilgisayarlara; toplu taşımadan kaçınıldığı için de otomotive talep arttı. Bu da küresel düzeyde çip talebini geçen yıla oranla yüzde 60 oranında yükseltti. Bu dengesiz düşüş ve artışlar pek çok ürün grubunda yaşandı.

Artan taleple gelen çip fabrikası yatırımları
ABD’nin, Nisan 2021’deki yıllık enflasyon verileri 2008 Eylül’den bu yana kaydedilen en yüksek seviyeye gelerek yüzde 4.2 oldu. Çekirdek enflasyon ise aylık bazda yüzde 0.9’a gelerek 1981 yılından bu yana en sert yükselişini gösterdi. Bu gelişmeler üzerine ABD’nin yeni başkanı Joe Biden 24 Şubat’ta yarı iletkenler, yüksek kapasiteli piller, stratejik madenler ve eczacılık sektörlerini kapsayan ‘100 Günlük ABD Tedarik Zincirinin İncelenmesi’ programını duyurdu. Yarı iletken üretim kapasitesinin artırılması için 37 milyar Dolar fon ayrıldığını bildiren Beyaz Saray, Samsung ve TSMC gibi dünyanın önde gelen yarı iletken ve çip tedarikçileriyle buluştu. Bu toplantıdan sonra Samsung Teksas’ta 10 milyar Dolarlık, TSMC ise Arizona’da ilk etapta 12 milyar, üç yılda ise 100 milyar Dolarlık çip fabrikası yatırımları yapacaklarını duyurdu.

Teslimat sürelerindeki uzama
COVID-19 krizine ek olarak, Brexit’in de etkisiyle birçok tedarik sorunu yaşayan Birleşik Krallık’ta da durum benzer. Pandemide üçüncü tam kapanmayla beraber üreticilerin neredeyse yüzde 60’ı tedarikçilerinin kendilerine daha uzun teslimat süreleri verdiğini raporladı. Birleşik Krallık merkezli İmtiyazlı Satın Alma ve Tedarik Enstitüsü’ne (CIPS) göre bu, 1992’den bu yana teslimat sürelerinde görülmüş en büyük üçüncü artış.

Çin, terk mi ediliyor?
Dünya ticaretinde arz ve talebi tartışırken Çin’den bahsetmemek olmaz. Uzun yıllardır ölçekli üretimin ve ucuz iş gücünün adresi olan Çin, ‘dünyanın fabrikası’ olarak anıldığı o günleri geride bırakıyor. 2018 yılında başlayan ABD-Çin ticaret savaşları ve ticarette korumacı yaklaşımlar, Çin’de işçi ücretlerinin artarak dünyayla dengelenmeye başlaması ve son olarak konteyner ve navlun krizleriyle, The Drewry Dünya Konteyner İndeksi‘ne göre Şanghay’dan Rotterdam’a giden (40-foot) boyutunda bir konteynerin maliyeti geçtiğimiz yıla oranla yüzde 485 artarak 10.174 Dolar oldu. Çin’in cazibesini bir nebze kaybetmesinin yanında; çok büyük bir nüfusa sahip olan ülkenin iç tüketiminin artması ve üretiminin artan kısmının bir bölümünü içeride tüketmeye başlamasıyla da tedarik ağında dengeler değişmeye başladı. Geçtiğimiz aylarda Çinli pamuk ipliği üreticisi Huafu Fashion’ın bir yetkilisi, Washington Post’a verdiği demeçte Amerikalı müşterilerinin birçok siparişlerini iptal ettiğini ve geçen yıla göre en az 54.3 milyon dolarlık sipariş kaybı yaşadıklarını belirtti. Hong Kong merkezli iplik üreticisi Texhong, ABD’nin yaptırımları nedeniyle üretiminin bir kısmını Vietnam’a kaydırdığını bildirdi. Samsung Electronics de geçen yıl Çin’deki son fabrikasını kapatarak Vietnam ve Hindistan’da yeni tesisler açtı.

Tedarik zincirlerinde yeni yapılanma
Tedarik zincirlerinin bozulmasıyla, şirketler satın alma kararlarını sadece üretim maliyeti ekseninden çıkarmaları gerektiğini gördü ve nearshoring (tüketime yakın lokasyonda üretim) ve onshoring (tüketim lokasyonunda üretim) modellerine göre tedarik zincirlerini yeniden yapılandırmaya başladı. Bazı şirketler Meksika veya Türkiye gibi kendi periferilerindeki ülkelerden satın almalarını artırırken, bazıları da üretimin ucuzlaması ve bazı devlet teşviklerinden faydalanarak üretimlerini Avrupa ve ABD’ye geri getirdi. Aslında bu tür esneklik kararları bazı üreticiler için çok yeni değil. Tokyo merkezli çip üreticisi Renesas Electronics 2011’de Japonya’da meydana gelen tsunamiden dolayı üç ay kapalı kaldığında Toyota, çip konusunda ciddi bir tedarik krizi yaşamıştı. Bunun üzerine, üretim için gerekli olan ham madde ve ara malın mümkün olan en düşük stok ile gerektiği zamanda ve yalnızca gerekli miktarda ürünün üretilmesinin yani ‘tam zamanında /just in time’ (JIT) üretim felsefesinin öncüsü olan Toyota bile, bu olaydan sonra tedarik zinciri yönetimini esnetmeyi tercih etti.
Şirket, 6 bin 800 parçanın ve tedarikçilerinin ayrıntılı bilgilerini toplayan Rescue (Kurtarma) isimli bir veri tabanı kurdu. Otomobil üreticisi, programın öngördüğü yaklaşık bin 500 parçayı bir ila dört aylık stoklarla güvence altına aldı. Yaşadığımız güncel krizler de; maliyet odaklı tedarik zinciri yönetimlerini altüst ederek, JIT gibi yaklaşımlar yerine daha esnek ve verileri daha iyi kullanan yöntemlerin başarılı olacaklarını gösterdi. Peki şirketler tedarik zincirlerini nasıl daha esnek hale getirecek? Bunun cevabı yapay zekâ ve makine öğrenmesinde yatıyor.

Yapay zekânın rolü
Ekim 2015’te Google şirketlerinden DeepMind tarafından geliştirilen yapay zekâ AlphaGo, dünyanın en zor kutu oyunlardan biri olan GO’da dünya şampiyonu Lee Sedol’u beş maçta tam dört kez yenerek bir ilke imza attı; hatta bu hikâye AlphaGo ismiyle bir belgesel haline getirilerek 2017 yılında gösterime girdi. Sadece satrançta iki hamle sonrasında toplam 200 hamle seçeneği bulunurken GO’da bu rakam 129 bin 960 hamleye kadar çıkıyor. Hamle çeşitliliği bu kadar fazla olan oyunda bir oyuncunun ustalaşma evresi ömrünün sonuna kadar sürebiliyor. Oysa AlphaGo sadece altı haftalık eğitimden sonra dünya klasmanında bir oyuncu olabildi; üstelik oyunu öğrenmek için bir rakibe ihtiyaç duymadı, kendi kendine oynayarak öğrendi. DeepMind’ın iki sene sonra geliştirdiği AlphaGo Zero versiyonu ise sadece 36 saatlik bir eğitimden sonra ilk versiyonuyla yaptığı 100 maçın hepsinde kazanarak büyük bir başarıya imza attı.
Alphago Zero’nun bu başarısı, makine öğrenmenin bir kolu olan takviyeli öğrenme yaklaşımından geliyor. Takviyeli öğrenmede öznemiz –ki buna ajan deniyor- bir eylemde bulunarak çevreyle etkileşime geçiyor. Çevreyi gözlemleyerek yeni durumu, elde ettiği ödül veya cezayla değerlendiriyor. Ajan, öğrenme işlemini tamamlayana kadar bu gözlem ve hareket etme döngüsü devam ediyor. Sistemi daha iyi anlayabilmek için bunu, evcil hayvan eğitmenlerinin hayvanları eğitirken kullandıkları ödül-ceza sistemine benzetebiliriz. Bu örnekte; eğitmeni, yapay zekâyı kodlayan insanlar; yapay zekâyı da evcil hayvan olarak düşünelim. Evcil hayvanın istenilen hareketi yapmasından sonra eğitmen tarafından ödül olarak mama verilmesi ve evcil hayvanın daha fazla mama alabilmek için gösterilen hareketleri daha iyi şekilde yapmaya çalışması, takviyeli öğrenmenin dayandığı temel ilkedir.

Makine öğrenmesiyle israf önleniyor
MIT, Georgia Tech ve Cornell gibi başlıca üniversitelerde, uzun yıllardır takviyeli öğrenmenin tedarik zinciri yönetimine entegre etmek üzerinde çalışmalar yapılıyor. Bu çalışmalarda; tedarik zinciri çevre olarak tanımlanarak bir simülasyonu yaratılıyor ve kâr parametresi ödül olarak sisteme giriliyor. Yapay zekâ; üretim miktarı, dağıtım ağları, ulaşım seçenekleri, depolardaki stok durumuna kadar birçok parametreye bakarak, kârı maksimize etmek için en iyi politikayı belirliyor. Yapay zekâ, belli tekrarlara dayanan simülasyonlarla eğitilerek sistemin nasıl çalıştığını anladığı anda, daha önce hiç karşılaşmadığı bir durumla karşılaştığında dahi optimum çözümü üretebiliyor.
Amazon, lojistik merkezini bir binadan ziyade içine veri atılacak bir donanım gibi gördüklerini bildirdi. Verileri anlamlı hale getirip müşteri taleplerini ve ürünün bulunurluğunu tahminleme, tedarik yollarını optimize etme, müşteriyle iletişimi daha kişiselleştirme gibi birçok uygulaması mevcut. Şirket, makine öğrenmesi tekniklerini kullanarak 2014’ten bu yana paketlemede dünya çapında 915 bin ton israfın önüne geçtiğini belirtti. Unilever sürekli olarak tedarikçilerin stok durumlarını, teslimat modellerini ve finans durumlarını izleyen bir yapay zekâ kullanıyor. Herhangi bir acil durumda bu program, en iyi alternatif tedarikçiyi seçmesinde firmaya yardımcı oluyor.
Bütün bunlar gösteriyor ki hızlı bir şekilde değişen dünyada; hammadde kıtlığı ve tedarik zincirinde izlenebilirlik sorunlarını çözüme kavuşturan ve ürettiği verileri doğru şekilde işleyerek daha iyi tahminleme yapan firmalar, krizlerle başa çıkmada daha başarılı olacak. Her ne kadar takviyeli öğrenme bu konuda kendini kanıtlamış bir teknik olsa da, günümüzde insansız bir tedarik zinciri yönetimi mümkün görünmüyor. Şu an için önerilen en iyi çözüm insan ve yapay zekânın entegre şekilde çalıştığı sistemler.