# Tahminden karara

> Büyük ölçekli bir üretim tesisinde tahmin zaten iyiyken değer neredeydi? Sapmanın nedenini açıklayan, belirsizliği görünür kılan ve teklif kararını destekleyen bir sistem tasarladık.

Adres: https://www.oneeyesystems.com/tr/calismalar/tahminden-karara/
English version: https://www.oneeyesystems.com/en/work/tahminden-karara/index.md

- Alan: Enerji · yenilenebilir üretim
- Durum: Proje tamamlandı · kademeli devreye alma

## Problem

Tesis birden fazla tahmin kaynağı kullanıyordu ve mevcut doğruluk zaten iyi düzeydeydi. Ancak sapmaların nedeni sistematik olarak incelenmiyor, kaynaklar tek bir katmanda birleştirilmiyor, raporlar elle hazırlanıyor ve gün öncesi teklif tek bir nokta tahminine dayanıyordu. Asıl soru “tahmini nasıl düzeltiriz?” değil, “iyi bir tahminle nasıl daha iyi karar veririz?” oldu.

## Yaklaşım

1. Önce dürüst ölçüm. Mevcut başarı metriğini ham veriden yeniden hesaplayıp yöntemini doğruladık.
2. Her tahmin revizyonunu ayrı saklayan bir veri omurgası kurduk. Böylece tahmin sürecinin kendisi de ölçülebilir hâle geldi.
3. Fizik tabanlı modelin üstüne, yalnızca sistematik sapmayı öğrenen makine öğrenmesini ve belirsizlik bantlarını ekledik.
4. Teklif kararını belirsizlik ve asimetrik maliyetle ele alan bir optimizasyon katmanı geliştirdik.
5. Sapma nedenlerini anlatan ve raporlamayı otomatikleştiren bir dil modeli katmanı ekledik.

## Kritik kararlar

### Doğrulukta mucize vaat etmemek

Mevcut tahmin zaten iyiydi. Büyük bir iyileşme iddiası hem gerçekçi değil hem riskli olurdu. Değeri kök neden analizi, belirsizlik ve karar desteğinde aradık.

### Önce veri omurgası

Her iyileştirme, tahminlerin ne zaman ve hangi hedef saat için üretildiğini ayrı ayrı izleyebilmeye bağlıydı. Bu yüzden ilk kurulan parça veri yapısı oldu.

### Fiziği koru, makine öğrenmesi sapmayı düzeltsin

Model ham veriden değil, fiziksel temel modelin hatasından öğrenir. Açıklanabilirlik korunur, öğrenilen kısım sınırlı kalır.

### Kontrol edebildiğimiz belirsizlikle çalışmak

Tesisin kendi üretim belirsizliğini modelledik. Kontrol edemediğimiz piyasa yönünü tahmin etmeyi hedeflemedik; başarı ölçütünü de buna göre kurduk.

### Gölge modda devreye alma

Öneriler önce uygulanmadan, gerçek kararlarla paralel kaydedildi. Devreye alma, kanıt oluştukça kademeli ilerleyecek şekilde kurgulandı.

### Dil modeli çekirdekte değil, analizde

Sayıyı istatistiksel modeller üretir. Dil modeli bu sayıları açıklayıcı bir anlatıya, rapora ve operatörün sorabileceği sorulara dönüştürür.

## Ayrıntılar

### Neden bu örnek?

Bu çalışma, yaklaşımımızı somutlaştırıyor: önce problemi doğru tanımlamak, mevcut sistemin neyi iyi yaptığını kabul etmek ve değeri gerçekten açık olan alanda aramak.

### Aşamalar

| Aşama | Odak |
| --- | --- |
| Veri omurgası | Tahmin revizyonları, ölçüm, veri doğrulama |
| Ölçüm ve kök neden | Otomatik başarı raporu, sapma nedenleri |
| Tahmin ve belirsizlik | Fizik + makine öğrenmesi, belirsizlik bantları |
| Karar optimizasyonu | Teklif kararı, gölge mod |
| Operatör asistanı | Doğal dil sorgu, otomatik raporlama |

Her aşamaya, bir öncekinin çıktıları ölçülerek geçildi. Müşteri gizliliği nedeniyle kurum ve tesis bilgileri paylaşılmamaktadır.

---

One Eye Systems — Kurumsal yapay zekâ danışmanlığı ve uygulaması · https://www.oneeyesystems.com/ · info@oneeyesystems.com · https://www.linkedin.com/company/oneeyesystems/