Çok Kriterli Karar Verme ve Makine Öğrenmesi: Entegrasyon ve Uygulamalar

Günümüzde karar verme süreçleri, çok sayıda alternatif ve çelişkili kriterlerin varlığı nedeniyle karmaşıklaşmıştır. Çok Kriterli Karar Verme (ÇKKV) yöntemleri, bu tür problemleri sistematik ve matematiksel yaklaşımlarla çözmeyi sağlar. Ancak, artan veri hacmi ve karmaşık yapı, klasik ÇKKV yöntemlerinin sınırlarını zorlamaktadır. Makine Öğrenmesi (MÖ) ise veriden öğrenme yeteneğiyle, karar destek sistemlerinde önemli avantajlar sunmaktadır. Makina öğrenme dilleri arasında yer alan denetimli, denetimsiz ve pekiştirmeli öğrenme yöntemlerikriter ağırlıklandırma, alternatif sınıflandırma ve dinamik karar modellerinde kullanılarak ÇKKV yöntemleriyle hibrit yaklaşımlar geliştirilmiştir. Bu birleşim hem karar sürecinin açıklanabilirliğini artırmakta hem de veri tabanlı adaptif karar mekanizmaları sağlamaktadır. Ayrıca, model açıklanabilirliği ve etik karar verme konusu, günümüzdeki araştırmaların önemli odak noktalarındandır. Bu çalışma, ÇKKV yöntemleriyle MÖ yöntemlerinin entegrasyonunu kuramsal ve uygulamalı bir çerçevede ele alarak, karmaşık karar problemlerine yönelik daha esnek, veri odaklı ve açıklanabilir çözümler sunmayı amaçlamaktadır. Geleneksel ÇKKV yöntemleri, yapılandırılmış karar süreçleri oluşturmada güçlü araçlar sunarken; dinamik, büyük ve belirsiz veri ortamlarında yetersiz kalmaktadır. MÖ algoritmaları, geçmiş verilere dayanarak karar fonksiyonlarını öğrenebilir, kriter ağırlıklarını otomatik olarak çıkarabilir ve alternatifleri sınıflandırabilir. Bu bağlamda, denetimli, denetimsiz ve pekiştirmeli öğrenme türleri karar süreçlerine farklı katkılar sağlamaktadır. Uygulamalı örnek olarak, tedarikçi seçiminde Random Forest sınıflandırıcısı ve SMOTE kullanılarak, azınlık sınıfların başarıyla tahmin edilebildiği ve model doğruluğunun %15 oranında arttığı gösterilmiştir. Ayrıca açıklanabilir yapay zekâ (XAI) tekniklerinin, şeffaf ve etik karar sistemlerinin geliştirilmesinde rolü vurgulanmaktadır. Sonuç olarak, ÇKKV ve MÖ’nün birleşimi, karar destek sistemlerini daha güvenilir, çevik ve kullanıcı dostu hale getirme potansiyeli taşımakta; açıklanabilirlik, etik ve yasal uyumluluk gibi alanlarda ise ileri araştırmaların gerekliliğini ortaya koymaktadır.