“İnsan Onayı” ile HES Üretim Tahmin Kalitesini Artırma (Human-in-the-Loop)

Stratejik Dönüşüm: HES Üretim Tahmininde AI’dan Kontrollü Otonomiye

HES üretim tahmini artık yalnızca “AI doğru tahmini versin” problemi değildir. Kurumsal ölçekte asıl soru şudur: Model hangi koşullarda güvenilir kabul edilir? Hangi sinyaller müdahale gerektirir? Nihai kararın sorumluluğu kimdedir?

Hidroelektrik üretim; meteorolojik belirsizlik, havza hidrodinamikleri, rezervuar seviyesi, türbin performans eğrileri ve piyasa fiyat sinyalleri gibi çok katmanlı değişkenlerin birleşiminden oluşur. Bu kadar dinamik ve lineer olmayan bir sistemde, tek başına doğruluk metriği yeterli değildir. Kararın güvenilirliği, izlenebilirliği ve gerektiğinde müdahale edilebilir olması en az doğruluk kadar kritiktir.

Yapay zekâ sistemleri geçmiş veriye dayanarak yüksek performans sağlayabilir. Ancak hidrolojik sistemler deterministik değildir. Özellikle ekstrem hava olayları, ani sıcaklık geçişleri, rain-on-snow senaryoları veya veri kalitesindeki bozulmalar modelin eğitim dağılımının dışına çıkmasına neden olabilir. Bu noktada model belirsizliği artar. Eğer sistem tamamen otomatik çalışıyorsa, bu belirsizlik doğrudan üretim planına ve dolaylı olarak finansal sonuçlara yansıyabilir.

Kritik altyapılarda tam otomasyon yalnızca teknik bir risk değildir; aynı zamanda yönetişim riskidir. EU AI Act, yüksek riskli sistemlerde insan gözetimini açıkça tanımlar [1]. NIST AI Risk Management Framework, AI kararlarının ölçülebilir, izlenebilir ve sorumluluk zinciri içinde yönetilmesini önerir [2].

Enerji sektöründe sürdürülebilir yaklaşım nettir: AI önerir, insan onaylar.

Human-in-the-Loop (HITL) modeli, AI tahminini karar destek çıktısına dönüştürür ve nihai onayı insan uzmanlığına bırakır. Bu yaklaşım tahmin sistemini yalnızca daha doğru değil; daha güvenilir, daha denetlenebilir ve daha kurumsal hale getirir.

• AI tahminleri yüksek doğruluk sağlar; ancak belirsizlik içerir ve kritik altyapılarda tek başına karar mekanizması olmamalıdır [1][2].
• Human-in-the-Loop modeli, confidence score ve alarm eşiği ile müdahale gereksinimini sistematikleştirir.
• Operatör override mekanizması, ekstrem sapmaları azaltarak finansal riski düşürür.
• İnsan onayı, audit trail ve versiyonlama ile regülasyon uyumunu güçlendirir.
• Hydrowise yaklaşımı, AI + operatör etkileşimini kurumsal SaaS mimarisi içinde ölçülebilir kalite artışına dönüştürür.

Kuramsal Çerçeve ve Temel Kavramlar

1. Human-in-the-Loop (HITL) Nedir?

Human-in-the-Loop, AI sistemlerinin nihai karar öncesinde insan gözetimine tabi tutulduğu kontrollü otonomi mimarisidir. Bu yaklaşım, AI’yı tamamen devre dışı bırakmaz; tam tersine AI’nın hızını ve analitik kapasitesini, insan uzmanlığının bağlam okuma, risk sezgisi ve operasyonel kısıt bilgisiyle dengeler. Kurumsal ölçekte HITL aynı zamanda bir “kontrol prosedürü”dür: Kim onaylar, hangi eşiklerde onay zorunludur, hangi durumlar eskalasyon gerektirir, hangi kararlar loglanır ve hangi KPI’larla izlenir?

Üç temel prensip:

1. Kontrollü Otonomi: AI otomatik üretir, insan gerektiğinde müdahale eder.
2. Şeffaflık: Belirsizlik aralığı ve güven skoru görünürdür.
3. Sorumluluk Zinciri: Nihai karar insan tarafından onaylanır.

Kurumsal uygulamada bu üç prensip “iş akışı”na dönüşür: tahmin üretimi → risk değerlendirme → onay → kayıt → performans izlemesi. Böylece HITL yalnızca “insan bakıyor” değil; kurallı, denetlenebilir, ölçeklenebilir bir süreç olur [2][14].

2. Model Belirsizliği (Uncertainty) ve Enerji Sistemleri

HES üretim tahmininde belirsizlik kaçınılmazdır. İki temel bileşeni vardır:

• Aleatoric belirsizlik: Doğal sistemin rastlantısallığı (hava ve hidrologik süreçlerin değişkenliği).
• Epistemic belirsizlik: Modelin bilgi eksikliğinden kaynaklanan hata potansiyeli (veri eksikliği, temsil yetersizliği) [3][6].

Epistemic belirsizlik özellikle ekstrem senaryolarda artar. Örneğin ani sıcaklık artışı sonucu hızlanan kar erimesi, modelin geçmişte sınırlı gözlemlediği bir durum olabilir. Benzer şekilde havza koşullarında (toprak nemi, kar su eşdeğeri, baseflow) değişim olduğunda aynı yağış miktarı farklı debi tepkisi üretebilir; bu da “concept drift” riskini büyütür [6][8]. Bu nedenle tahmin değeri tek başına yeterli değildir; belirsizlik aralığı ve confidence score birlikte değerlendirilmelidir.

Kurumsal perspektifte belirsizlik yönetimi “modelin kötü olduğu” anlamına gelmez; doğru yaklaşım şudur: Belirsizliği ölç, görünür kıl ve karar sürecine dahil et. HITL’nin ana değeri burada başlar: belirsizlik yükseldiğinde karar yükünü otomasyondan alıp, insan uzmanlığına taşır.

3. Güven Skoru (Confidence Score) ve Alarm Eşiği Tasarımı

Confidence score genellikle:

• Ensemble varyansı
• Olasılıksal tahmin aralığı (prediction interval genişliği)
• Model dağılım sapması / out-of-distribution göstergeleri

üzerinden hesaplanır [4][11]. Kurumsal sistemlerde yalnızca confidence score göstermek yeterli değildir. Kritik olan, bu skorun hangi aksiyonu tetiklediğidir. Bu nedenle “alarm eşiği” tasarımı kurumsal kontrolün çekirdeğidir.

Örnek eşik yaklaşımı:

• %85+ → Otomatik onay / hızlı akış: Tahmin, rutin operasyon içinde doğrudan kullanılabilir.
• %70–85 → Operatör gözden geçirme: Tahmin kullanılmadan önce kısa kontrol ve yorum eklenir.
• %70 altı → Manuel doğrulama zorunlu: Tahmin, piyasa/operasyon kararı için kritik kabul edilir; revizyon veya eskalasyon gerekir.

Bu eşiklerin kurumsal olarak belirlenmesi, farklı tesis tiplerinde farklı olabilir: regülatörlü HES, run-of-river, pompaj depolamalı sistemler; her birinde risk toleransı ve müdahale maliyeti farklıdır. Bu nedenle “tek eşik” yerine, tesis profiline göre parametrik eşik setleri daha sürdürülebilirdir [2][9].

4. AI Governance ve Kritik Altyapılar

EU AI Act, yüksek riskli sistemlerde insan gözetimi, şeffaflık, izlenebilirlik ve risk yönetimi gerekliliklerini çerçeveler [1]. NIST AI RMF ise “govern–map–measure–manage” yapısıyla AI risklerinin kurumsal süreçlere bağlanmasını önerir [2]. Enerji üretim tahmini özelinde bu çerçeveler şu soruları gündeme getirir:

• Tahmin kararının sahibi kim?
• Model hangi veriyle eğitildi, hangi koşullarda güvenilir?
• Model performansı nasıl izleniyor, drift nasıl yönetiliyor?
• İnsan override kararları nasıl loglanıyor ve geri besleniyor?

HITL bu sorulara operasyonel cevap üretir: “insan onayı” yalnızca güvenlik katmanı değil; aynı zamanda yönetişim ve denetim katmanıdır.

Human-in-the-Loop Neden Stratejik Bir Gereklilik?

AI sistemleri geçmiş veriye dayanarak tahmin üretir. Ancak hidrolojik sistemler lineer değildir ve ekstrem hava olayları modelin eğitim dağılımı dışına çıkmasına neden olabilir [6]. Bu nedenle HITL, sadece “ek güvenlik” değil, aynı zamanda kalite stratejisidir: hatanın en pahalı olduğu anlarda insan uzmanlığı devreye girer.

1. Automation Bias

Operatörler, geçmişte yüksek performans gösteren modele sorgulamadan güvenebilir [7]. Bu, özellikle “modelin genelde doğru olduğu” kurumlarda daha sık görülür; çünkü karar hızı baskısı ve operasyonel yoğunluk, model çıktısını varsayılan doğru kabul etmeyi teşvik eder. Automation bias’ın kritik etkisi şudur: Model nadir bir durumda hatalıysa, insan kontrolü devreye girmeden karar yürürlüğe girer. HITL, bu davranış riskini “prosedüre bağlayarak” azaltır: düşük confidence → zorunlu inceleme.

2. Data Drift ve Concept Drift

Veri dağılımı zamanla değişebilir (data drift) veya fiziksel süreçler farklı davranabilir (concept drift) [8]. Örneğin sensör kalibrasyonu bozulduğunda, rating curve güncellenmediğinde veya havza koşulları değiştiğinde model girişleri sinsi biçimde kayar. Drift tespit edilmezse model performansı kademeli düşer; kurum, düşüşü ancak finansal sonuçlar büyüdüğünde fark eder. Bu nedenle HITL tek başına yeterli değildir; HITL’nin yanında izleme + alarm + versiyonlama gerekir [8][11].

3. Finansal Çarpan Etkisi: Hata Neden “Pahalı” Hale Gelir?

HES üretim tahminindeki küçük bir sapma:

Debi → Üretim → Gün Öncesi Teklif → Gerçekleşme → Dengesizlik → Finansal Uzlaştırma zincirinde büyüyebilir [9][10].

Buradaki kritik nokta şudur: Hata yalnızca MW cinsinden büyümez; piyasa koşullarına bağlı olarak TL etkisi katlanır. Özellikle fiyat volatilitesi yüksek saatlerde, aynı MW sapmasının mali etkisi çok daha yüksek olabilir. Bu yüzden “ortalama hata” metrikleri iyi görünse bile, nadir saatlerdeki ekstrem sapmalar kurum için asıl riski üretir [4][9]. HITL, tam olarak bu “nadir ama yüksek etkili” durumlarda devreye girerek risk profilini iyileştirir.

Operasyonel İş Akışı – AI + Operatör Etkileşimi

Operasyonel akış beş katmandan oluşur:

1. Tahmin Katmanı: AI modeli debi ve üretim tahmini oluşturur.
2. Belirsizlik Analizi: Güven skoru ve tahmin aralığı hesaplanır.
3. Alarm Mekanizması: Güven eşiği altındaysa manuel doğrulama zorunlu olur.
4. Operatör Onayı: Tahmin onaylanır veya override edilir.
5. Kayıt ve Versiyonlama: Her işlem audit trail olarak saklanır.

Kurumsal ölçekte bu akışa iki kritik boyut daha eklenmelidir:

• Rol bazlı yetkilendirme (RBAC): Kim onaylayabilir, kim revize edebilir, kim “final karar” verebilir?
• Eskalasyon ve SLA: Belirli eşik altında ve belirli zaman ufkunda, karar gecikirse hangi birime eskale edilir?

Bu iki boyut olmadan HITL “insan bakıyor” seviyesinde kalır. Kurumsal HITL, “insan onayı”nı yönetişim prosedürüne dönüştürür [2][14].

Bu yapı, yalnızca kaliteyi değil kurumsal sorumluluğu da güvence altına alır; çünkü denetim anında “neden böyle karar verildi?” sorusunun cevabı sistemde bulunur.

HES İşletmesi Açısından Etkiler

Enerji tesislerinde bu mekanizma doğrudan finansal sonuç üretir; ancak etki yalnızca finansal değildir. HITL’nin sahaya yansıması üç eksende okunur:

1. Operasyonel stabilite: Vardiya içinde sürpriz düzeltme baskısı azalır.
2. Rezervuar stratejisi: Su yönetimi daha tutarlı hale gelir; ileri gün esnekliği korunur.
3. Piyasa güvenilirliği: Teklif kalitesi yükselir; dengesizlik riski daha öngörülebilir olur [9][10].

Örneğin:

• AI tahmini: 520 m³/s
• Gerçek debi: 480 m³/s
• Sapma: 40 m³/s

Bu sapma:

• Yanlış Gün Öncesi Piyasası teklifi
• Dengesizlik maliyeti
• Rezervuar stratejisinde bozulma
• Teminat yükü artışı

gibi zincirleme etkilere yol açabilir [9]. Ayrıca operasyon ekipleri açısından, beklenmeyen sapmalar türbin işletim noktasını ve verim bandını da etkileyebilir; bu da aynı suyla daha düşük enerji üretimi gibi ikincil kayıplar doğurabilir [15]. Bu nedenle HITL yalnızca “tahmini düzeltmek” değil; tesisin işletim kalitesini kurumsal ölçekte iyileştirmektir.

HITL’nin ek bir faydası da “öğrenen organizasyon” etkisidir: Operatörün override kararları, modelin hangi koşullarda zorlandığını gösteren değerli bir etikettir. Bu etiketler doğru saklanırsa, model iyileştirme döngüsü hızlanır (ör. ekstrem olay veri seti genişletme, özellik seti güncelleme, sensör kalite kontrolleri) [8][11].

Örnek Senaryo: Müdahale ile Risk Azaltımı

Senaryo:
AI tahmini: 500 m³/s
Confidence score: %58
Alarm eşiği: %70

Operatör meteorolojik modelde ani sıcaklık artışı görür ve tahmini 470 m³/s’ye revize eder.

Bu müdahale, büyük finansal kaybın önüne geçebilir. Ancak kurumsal değer açısından daha önemlisi şudur: Bu revizyon, sistemde neden etiketiyle kaydedilir (“rain-on-snow riski”, “sıcaklık anomalisi”, “sensör drift şüphesi”). Böylece hem denetim izi oluşur hem de model geliştirme ekibi “hangi koşullarda müdahale geldiğini” ölçebilir.

Örnek Ekran: Karar Destek Arayüzünde Ne Görülmeli?

Kurumsal bir HITL ekranında yalnızca “tahmin” görünmesi yeterli değildir. Operatöre şu bileşenler sunulmalıdır:

• Tahmini debi ve üretim (saatlik)
• Confidence score + belirsizlik aralığı (±)
• Alarm nedeni (ör. “güven skoru düşük”, “drift sinyali”)
• Son 7/30 gün hata dağılımı (MAPE/RMSE trendi) [4]
• Veri kalitesi göstergeleri (eksik veri, gecikme, sensör outlier)
• Operatör yorum alanı + revizyon nedeni etiketi
• Onay durumu (taslak / onaylandı / revize edildi) + zaman damgası
• Kim onayladı (rol bazlı) + versiyon numarası

Bu ekran yaklaşımı, HITL’yi “insan bakıyor”dan çıkarır; “insan kontrollü karar” seviyesine taşır [2][14].

Hydrowise / Renewasoft Yaklaşımı

Hydrowise Forecast modülü, tahmini üç katmanlı kontrol mimarisi içinde ele alır:

1. Hibrit Modelleme: Fiziksel + AI model kombinasyonu.
2. Risk Skorlama: Confidence score ve belirsizlik analizi.
3. Human Approval Workflow: Operatör onayı ve versiyon takibi.

Bu mimari:

• Drift durumunda alarm üretir
• Düşük güven skorunda manuel inceleme zorunlu kılar
• Override işlemlerini kayıt altına alır
• Regülasyon uyumunu destekler
• Performansı yalnızca “ortalama hata” ile değil, uç sapmalar ve risk saatleriyle izler [4][9][11]

Kurumsal açıdan Hydrowise’ın kritik farkı, tahmin üretimini tek başına “model çıktısı” olmaktan çıkarıp kurumsal iş akışına bağlamasıdır. Böylece tahmin, operasyon ve ticaret birimleri arasında ortak bir karara dönüşür: onaylı tahmin, ölçülebilir risk, izlenebilir süreç.

Hydrowise yaklaşımı ayrıca şunu hedefler: Operatörü her saat manuel iş yüküne boğmadan, yalnızca riskli durumlarda devreye almak. Alarm eşiği ve güven skoru tasarımı, bu dengeyi sağlar. Sonuçta hedef; hem hız hem kontrol, hem otomasyon hem sorumluluk, hem doğruluk hem yönetişimdir.

Sık Sorulan Sorular

1. Human-in-the-Loop zorunlu mu?
   Kritik altyapılarda güçlü biçimde önerilir; EU AI Act’in insan gözetimi vurgusu bu yaklaşımı destekler [1].
2. Güven skoru olmadan AI kullanılabilir mi?
   Belirsizlik ölçülmeden risk yönetimi sürdürülebilir değildir; confidence score, HITL’nin tetikleyici sinyalidir [4][11].
3. Operatör müdahalesi modeli zayıflatır mı?
   Doğru tasarımda tam tersi olur: ekstrem hatalar azalır, model geliştirme döngüsü hızlanır (override etiketleri “öğrenme verisi”dir) [8][11].
4. Drift nasıl tespit edilir?
   İstatistiksel dağılım analizi, veri kalite metrikleri ve performans trendleri birlikte izlenmelidir [8][11].
5. Bu yaklaşım finansal fayda sağlar mı?
   Evet. Ekstrem sapmaların azalması dengesizlik maliyeti ve teminat baskısını düşürebilir [9][10].
6. Operatör onayı “insan hatası” riski yaratmaz mı?
   Kurumsal HITL’de bu risk, rol bazlı yetkilendirme, ikinci göz onayı ve audit trail ile yönetilir [2][14].

Tahmin Kalitesi = Doğruluk + Güven + Yönetişim

HES üretim tahmini artık yalnızca matematiksel doğruluk değildir. Kalite; güvenilirlik, izlenebilirlik ve insan gözetimi ile tanımlanır. Human-in-the-Loop yaklaşımı:

• Ekstrem hataları azaltır
• Finansal riski düşürür
• Regülasyon uyumunu güçlendirir
• Kurumsal güveni artırır
• Operasyon–ticaret arasında ortak karar çerçevesi oluşturur [1][2][9]

Hydrowise, bu yaklaşımı ölçeklenebilir SaaS mimarisi içinde sunar. Eğer tahmin sisteminizde confidence score, alarm eşiği ve human approval workflow yoksa, risk görünmezdir.

HES üretim tahmininizi daha güvenli, daha kontrollü ve daha kurumsal hale getirmek için Hydrowise demo talep edin.