Hani, Geçen sonbahar, Kasım 2025’te İstanbul’da bir editör masasında otururken bu konuyla ilk kez gerçekten kafa kafaya geldim. Bir yanda yapay zekâ ile lojistik optimize etmeu konuşuyoruz, öbür yanda iklim kriziyle birlikte büyüyen orman yangınları… İşin aslı şu: teknoloji dünyası çoğu zaman en parlak oyuncaklarını yanlış soruna harcıyor. Paket teslimatını dakikaya indiriyoruz. Ama afet anında insanların nasıl çıkacağını hâlâ eski usul kağıt planlarla çözmeye çalışıyoruz. Düşününce tuhaf geliyor.
Dürüst olmak gerekirse, Rikin Patel’in anlattığı çerçeve tam burada kıymet kazanıyor. Bu yazıdaki fikir, klasik “hadi bir simülasyon yapalım, iki üç senaryo koşalım” yaklaşımından çok daha iddialı bir şey: aynı anda yüzlerce, hatta binlerce olası felaket gerçekliği üretmek ve tahliye ağını bunlara göre tek tek test etmek. Açık konuşayım, kağıt üstünde biraz çılgın duruyor. Ama benzer bir mantığı 2024 başında kendi küçük veri projemde denemiştim; farklı trafik yükleri altında sistemin tam olarak nerede dağıldığını görmüşneredeyse tüm ve sonuçlar beni şaşırttı açıkçası — bayağı öğreticiydi.
Neden Klasik Tahliye Modelleri Yetersiz Kalıyor?
Klasik modeller genelde tek bir yangın yayılımı varsayar. Nüfusu sabit kabul eder, yol ağını da neredeyse taş gibi düşünür — hani şehirde herkes aynı anda aynı yerden kaçacakmış gibi bir şey. Gerçekte böyle olmuyor ki. Rüzgâr değişiyor, duman görüşü kapatıyor, sosyal medya panik yayıyor, bazı yollar kapanıyor, bazen de elektrik kesintisi yüzünden sinyalizasyon bayağı gidiyor.
Peki neden?
Şöyle söyleyeyim, Ben bunu ilk kez 2023 yazında İzmir’deki saha toplantılarından birinde çok daha net gördüm. Orada bir mühendis arkadaşım “plan güzel ama alev yön değiştirince bütün model kâğıt gibi katlanıyor” demişti. Abartmıyordu. Tahliye lojistiğinde en büyük sorun tahmin edilemeyen zincirleme etkiler: bir kavşak kapanıyor. Yarım ilçenin akışı başka sokağa kayıyor; o sokak tıkanınca ambulans gecikiyor; geciken müdahale yeni riski tetikliyor… Domino taşları gibi, tek farkla — domino taşlarının nereye düşeceğini en azından önceden görürsünüz.
Ne yalan söyleyeyim, İşte generatif simülasyonun cazibesi tam burada başlıyor. Tek bir doğruyu aramak yerine çok sayıda makul senaryoyu üretiyor. Bu yaklaşım biraz hava durumu tahminine benziyor aslında: size “yarın kesin şurada yağacak” demiyor, olasılık kümeleri veriyor. Afet tarafında bu çok daha değerli olabilir — bence kesinlikle daha değerli.
Tek senaryo yerine olasılık bulutu
Biraz teknik konuşayım ama sıkmadan. Generatif yaklaşımda amaç yalnızca rastgele sayı çekmek değil, gerçek dünyadaki desenleri öğrenip onlara benzeyen ama birebir aynı olmayan yeni durumlar üretmek. Yani model “benzer ama hiç görmediğimiz” yangın yayılımı profilleri oluşturabiliyor (ciddiyim) — dürüst olayım, biraz hayal kırıklığı —. Bu da stres testini güçlendiriyor — hem de ciddi ölçüde.
Hmm, bunu nasıl anlatsamdı…
Kritik nokta şu: Afet planlamasında tek bir doğru senaryo yoktur; hazırlıklı olan ekipler, beklenmeyen kombinasyonlara karşı dayanıklı olan ekiplerdir.
Bu Sistem Nasıl Kuruluyor?
İşin garibi, Patel’in anlattığı yapı birkaç parçadan oluşuyor. Dürüst olayım — hepsini aynı anda okumak ilk bakışta göz korkutabiliyor. Ama parçalara ayırınca tablo netleşiyor. Bir tarafta tarihî yangın kayıtları var, diğer tarafta uydu görüntüleri. Iklim modelleri; üstüne sosyal medya akışları ile altyapı sensörleri eklenince ortaya canlı, nefes alan bir kriz resmi çıkıyor (yanlış duymadınız)
Bunu kafamda en iyi açıklayan benzetme şu oldu: klasik simülasyon satranç tahtasıysa, generatif simülasyon açık dünya oyunu gibi çalışıyor. Tahta sabit değil; rüzgâr var, enerji kesintisi var, yol kapatma var, beklenmedik insan kararları var… Yani hareket alanı çok daha geniş ve haliyle belirsizlik de artıyor. Bu ne anlama geliyor? Bazıları için bu rahatsız edici, ama işin gerçeği de tam bu.
Dört teknik omurga
- Senaryo üretimi: CVAE veya GAN türevleriyle farklı yangın ve insan davranışı kombinasyonları yaratılıyor.
- Ajan tabanlı modelleme: İnsanlar tek blok değil; yaşlılar, çocuklu aileler, sürücüler ve acil durum ekipleri ayrı davranış setleriyle ele alınıyor. (bence en önemlisi)
- Ağ dayanıklılığı testi: Yol ağının yanı sıra mikro şebekeler, sensör düğümleri ve can alıcı tesisler de sisteme giriyor.
- Kuantum-esinli iyileştirme: En kısa rota kadar en güvenli rota da aranıyor; bazen hızlı olan yol en mantıklı seçenek olmuyor.
| Yaklaşım | Güçlü Yani | Zayıf Yani |
|---|---|---|
| Klasik Monte Carlo | Pek çok rastgele örnek verir | Sabit dağılıma bağımlıdır |
| Generatif Simülasyon | Makul yeni senaryolar üretir | Eğitim verisi kalitesine çok bağlıdır |
| Ajan Tabanlı + GSB | Davranış + altyapıyı birlikte görür | Hesaplama maliyeti yükselir |
Tablonun son satırı meseleyi iyi özetliyor aslında. Bu tip sistemlerde güzellik kadar hantallık da var. Küçük bir startup için bu kadar ağır mimari erken aşamada gereksiz yük olabilir — GPU maliyetleri sizi bunaltır. Ama kurumsal projede, özellikle afet yönetimi ya da sigorta analitiği tarafında, iş görebilir düzeye gayet güzel ulaşıyor. JavaScript Mülakatları İçin RAG Motoru: İşte Çalışma Şekli yazımızda bu konuya da değinmiştik. PDF Dünyasında Bir Nefes: Ücretsiz ve Limitsiz Araçlar yazımızda bu konuya da değinmiştik.
Karbon-Negatif Altyapı Neden Oyunu Değiştiriyor?
Burası benim için yazının en ilginç kısmıydı (bizzat test ettim). Çünkü konu sadece yollar değil; enerji altyapısı da tam ortasında yer alıyor. Karbon-negatif kampüsler, biyokütle hatları, güneş destekli mikro şebekeler. Karbon yakalama tesisleri — bunların hepsi afet anında ya korunması gereken ya da kontrollü biçimde devre dışı bırakılması gereken kilit düğümlere dönüşüyor.
Evet, doğru duydunuz.
Aynen öyle. Bir afet planına enerji katmanı ekleyince iş bambaşka bir boyut kazanıyor. Mesela Temmuz 2024’te Ankara’daki bir demo ortamında buna benzer bir kurgu test etmiştim; jeneratörlerin devreye giriş sırası yanlış ayarlanmıştı ve trafikteki gecikmeden önce iletişim ağı çökmüştü — küçük ayrıntılar bazen büyük felaket çıkarır, gerçekten. Dolayısıyla tahliye rotası artık sadece “hangi yoldan çıkılır?” sorusu değil; “hangi enerji adımıyla sistem ayakta kalır?” sorusuna da dönüşüyor. İki soruyu aynı anda çözmek zorundayız. Skoda’nın ANC’ye Karşı Sessiz Saldırısı: DuoBell yazımızda bu konuya da değinmiştik.
Sadece kaçış değil, sistem devamlılığı meselesi
Kritik tesislerin hangisinin öncelikli olduğu burada belirleyici oluyor. Her şeyi kurtaramazsınız. Bazı sistemlerin kontrollü kapanması gerekiyor ki daha büyük zarar çıkmasın — bu zor bir karar ama kaçınılmaz. Bu yüzden generatif benchmark yaklaşımı sadece insan akışını değil, elektronik kontrol noktalarını, haberleşmeyi ve enerji sürekliliğini de ölçüyor. Hepsini bir arada görmeden yarım kalıyor.
Kimin İçin Mantıklı? Startup mı Kurumsal mı?
Araya gireyim: Lafı gevelemeden söyleyeyim: bu mimari herkese göre değil. Kısacası, küçük bir startup iseniz önce dar kapsamlı başlayın — mesela tek bölge için yangın-tahliye eşleştirmesi yapıp modeli doğrulayın. Aksi halde GPU maliyetleri gerçekten can sıkıyor, inanın. Kurumsal tarafta ise resim farklı. Belediye, enerji şirketi, lojistik operatörü veya sigorta firmasıysanız bu tarz generatif testler sizi epey ileri taşır. Çünkü siz zaten karmaşık veri havuzlarına sahipsinizdir. Sorun veri eksikliği değil, veriyi anlamlı bir stres testine sokamamak.
Bir de şunu ekleyeyim. Her güçlü teknoloji hemen faydalı görünmez (evet, doğru duydunuz) — bence çok yerinde bir karar —. Ben bunu kendi iş akışlarımda defalarca yaşadım. 2025 Mart’ında yaptığım küçük otomasyon denemesinde model harika sonuç verdi, ama operasyon ekibi çıktıyı okuyamadığı için proje neredeyse rafa kalkıyordu. Yani teknik başarı ile saha başarısı kesinlikle aynı şey değil — bunu her seferinde yeniden hatırlatmak gerekiyor.
Zor taraf ne?
Vallahi, Etik boyut ciddi bir mesele. Afet verisi hassas iştir; yanlış veri temizliği veya yanlış etiketleme gerçek insanların hayatını etkileyebilir. Bu ciddiye alınması gereken — en azından ben öyle düşünüyorum — bir sorumluluk, pas geçilecek bir detay değil. Diğer zor taraf ise doğrulama: model kâğıt üstünde süper görünse bile gerçek dünyadaki davranışı tutmuyorsa değeri sınırlı kalır. Pratikte göreceğiz tabii — ama bu belirsizliği baştan kabullenmek şart.
Bana Göre Asıl Güç Nerede?
Şöyle ki, Asıl güç tekil optimizasyon yerine dayanıklılık odaklı düşünmede yatıyor. Tahliyede amaç her zaman en kısa yol değildir. Bazen ikinci en kısa yol ama yüzde kırk daha güvenlidir — işte orası altın değerinde olur. Ben geçen ay Adana’dan dönerken bunu yeniden düşündüm: otobüs şoförü yoğunluğu azaltmak için ana yolu bırakıp yan bağlantıya girdi, ilk bakışta yavaş gibiydi ama toplam süreyi uzatmadığı gibi, içerideki stresi de belirgin biçimde azalttı. Afet lojistiğinde tam olarak bu tür ince kararlar kilit fark yaratıyor. MXRoute’ta Güven Krizi: Bir E-Posta Servisi Nasıl Yıpranır? yazımızda bu konuya da değinmiştik. Bu konuyla ilgili Butterfly CSS: 2026’da Dikkat Çeken Hafif Bir Seçenek yazımıza da göz atmanızı tavsiye ederim.
E tabi eksikleri yok mu? Var elbette. Veri entegrasyonu zor, hesaplama maliyeti yüksek, kurumlar arası paylaşım kültürü zayıf kalabiliyor… Ama buna rağmen bu yaklaşımı ciddiye almak gerekiyor. Çünkü iklim krizi artık teoride kalmadı. Yangın sezonu uzadı, belirsizlik arttı ve eski planların ömrü dolmaya başladı. Maalesef.
Sıkça Sorulan Sorular
Generatif simülasyon tam olarak ne işe yarar?
Daha önce görülmemiş ama makul afet senaryolarını üretip sisteminizi zorlamaya yarar.
Böylece tek bir plana güvenmek yerine farklı koşullarda ne olacağını önceden görürsünüz.
Klasik Monte Carlo yöntemi neden yetmiyor?
Klasik yöntem genelde sabit dağılımdan örnek çeker. Generatif yaklaşım ise dağılımın kendisini öğrenmeye çalışır — Bu yüzden daha esnek senaryolar verebilir.
Küçük işletmeler bu sistemi kullanabilir mi?
Evet ama doğrudan tam ölçekle değil.
Önce dar alanlarda pilot yapmak daha mantıklı olur;
aksi halde maliyet ve hesaplama yükü gereksiz yere artar.
Karbon-negatif altyapının burada rolü ne?
Tahliye sırasında enerji sürekliliği,
sensörlerin çalışması
ve kritik tesislerin güvenliği önem kazanır.
Yani mesele sadece kaçış yolu değil;
altyapının hayatta kalmasıdır.
Kaynaklar ve İleri Okuma
Orijinal Yazının Dev.to Sayfasi
NIST Resmi Sitesi — Kritik Altyapılar Üzerine Kaynaklar
IPCC Resmi Raporları — İklim Riski Çalışmaları
20+ yıl deneyimli Azure Solutions Architect. Microsoft sertifikalı bulut mimari ve DevOps danışmanı. Azure, yapay zekâ ve bulut teknolojileri üzerine Türkçe teknik içerikler üretiyor.
İlgili Yazılar
Bu içerik işinize yaradı mı?
Benzer içerikleri kaçırmamak için beni sosyal medyada takip edin.
