Günümüzde yazılım ekipleri, karmaşık projeleri hızlandırmak için yapay zekanın ürettiği kodlara giderek daha fazla güveniyor. Peki ya bu kodlardaki hatalar? Bir grup geliştirici, gerçek bir projeye dayanan deneylerinde, üç kritik hatanın nasıl ortaya çıktığını ve neden hiçbir otomatik araç tarafından tespit edilmediğini anlatıyor. Bu hikaye, yapay zekanın yazdığı kodların güvenilirliği konusunda önemli soruları gündeme getiriyor.
Bir Nakit Taşıma Şirketi için Optimal Rota Çözümü
Proje, bir nakit taşıma şirketi için araç rotalama problemi üzerine odaklanıyordu. 20 adet ATM’ye hizmet veren ve her ATM’nin farklı günlerde farklı nakit taleplerine sahip olduğu bir senaryo ele alındı. Geleneksel yöntemler, talepleri ortalama değerlere göre planlıyor ve bu da ciddi sorunlara yol açıyordu: ATM’lerin %42’sinde nakit bittiği tespit edildi. Bu durum, şirket için önemli mali kayıplara neden oluyordu.
Ekip, problemi iki katmanda çözmeyi tercih etti:
- Belirleyici temel model (CVRP): Standart araç rotalama problemi çözümü.
- Karar odaklı makine öğrenmesi modeli (SPO+): Taleplerin belirsizliğini öğrenerek daha esnek bir planlama yapmayı hedefliyordu.
Sonuçlar çarpıcıydı: SPO+ modeli, ATM’lerdeki stok kalma oranını %42’den %25’e düşürdü. Hatta teorik olarak mükemmel bilgiye sahip bir model kadar başarılıydı. Bu veriler, makine öğrenmesinin geleneksel yöntemlere göre ne kadar üstün olduğunu gösteriyordu.
Kuantum Hesaplama Deneyi: İyi Bir Fikir mi, Yanıltıcı Sonuçlar mı?
Araç rotalama problemi, kuantum hesaplama için ideal adaylardan biri olarak görülüyor. Bu nedenle ekip, Q# dilinde Kuantum Yaklaşımlı Optimizasyon Algoritması (QAOA) kullanarak bir çözüm geliştirmeyi denedi. Yapay zekaya soruldu ve birkaç saat içinde tamamlanmış bir uygulama elde edildi. Tablolar, grafikler ve sayılar her şeyi mükemmel gösteriyordu.
Ancak sonuçlar derinlemesine incelendiğinde, endişe verici bir durum ortaya çıktı. QAOA’nın kısıtlamaları ihlal ettiği halde, aynı enerji değerini ürettiği görüldü. Üstelik farklı devre derinliklerinde (p=1 ve p=3) neredeyse aynı sonuçlar elde edildi. Bu matematiksel olarak tutarsız bir durumdu. Ceza terimleri nedeniyle kısıtlamaları ihlal eden bir çözümün daha kötü puan alması gerekirdi. Peki ne yanlış gidiyordu?
Üç Kritik Hata ve Farklı Yüzleri
Hata 1: Ceza Ağırlığının Gözden Kaçması
Kod incelemesinde, kapasite kısıtlamalarını ihlal eden bir durumda ceza teriminin neredeyse hiç etkisinin olmadığı ortaya çıktı. Ceza ağırlığı (LAMBDA_C) sadece 0.5 olarak ayarlanmıştı. Bu değer, ihlal durumunda oluşan ek maliyetin toplam maliyetin sadece %1.5’i kadar olmasına neden oluyordu. Yani QAOA, kapasite ihlallerini
Yapay zeka özeti
Bir optimizasyon projesinde üç kritik hatanın ortaya çıkması, modern yazılım geliştirmenin en büyük kör noktasını gözler önüne serdi. Peki, hatalar neden fark edilmedi? İşte yanıtı ve önerilen çözüm yolu.
