En İyi 20 Sürdürülebilirlik Yapay Zeka Uygulaması ve 7 Araç

Üretken yapay zekayı lojistik optimizasyonu, talep tahmini ve atık azaltmaya uygulayarak şirketler, yapay zeka sistemlerinin ötesinde operasyonları genelinde emisyonları azaltabilir.

Daha akıllı, daha verimli ve daha sürdürülebilir bir gelecek inşa etmek için yapay zekadan yararlanan gerçek dünya örnekleriyle 7 sürdürülebilirlik yapay zeka aracını ve 20 uygulamayı keşfedin.

Sürdürülebilirlik için en iyi 7 yapay zeka aracı

Google Sürdürülebilirlik Yapay Zekası

Google Sürdürülebilirlik Yapay Zekası, emisyonları doğrudan azaltan bir dizi uygulamalı yapay zeka projesini içerir.

Projeler arasında, trafiği modellemek ve şehir mühendislerine trafik ışığı zamanlama değişiklikleri önermek için yapay zeka ve Google Maps sürüş eğilimlerini kullanan Green Light; Maps’te yakıt tasarruflu rota; çatı güneş enerjisi potansiyelini haritalayan bir Solar API; ve sel ve orman yangını tahmini yer alır.

Şekil 1: Partner şehirler için Green Light öneri örneği.¹

Nasdaq Metrio

Nasdaq Metrio bir sürdürülebilirlik raporlama platformudur. ESG ve GHG verilerini toplar, doğrular ve raporlar; bunları CSRD, TCFD, ISSB ve Kaliforniya iklim yasaları gibi çerçeveler için denetime hazır beyanlara dönüştürür. İlk beyanı taslak haline getirmek ve binlerce şirketle kıyaslama yapmak için yapay zekadan yararlanır.

Manifest Climate

Manifest Climate sürdürülebilirlik beyanlarını analiz eder, birçok şirkette aynı anda yapay zeka değerlendirmeleri yapar ve kaynak denetimine hazır bulgular döndürür. Yaygın kullanıcılar arasında danışmanlar, denetçiler, varlık yöneticileri ve STK’lar bulunur.

Pulsora

Pulsora, işletmeler için bir ESG ve karbon yönetim platformudur. Sürdürülebilirlik ekipleri için veri toplama, ölçüm ve raporlamayı otomatikleştirir; hem yapılandırılmış hem de yapılandırılmamış ESG verilerini tek bir platformda birleştirir. İş akışı; veri toplama, Kapsam 1–3 genelinde karbon ölçümü, raporlama ve analizi kapsar.

Persefoni

Persefoni, her ölçekten işletme için Kapsam 1, 2 ve 3 ayak izlerini ölçen bir karbon muhasebesi platformudur. Başlıca iklim beyanı düzenlemeleri için güvence dereceli GHG raporlaması üretir.

Yapay zeka bileşenleri arasında bir karbon muhasebesi sohbet yardımcı pilotu ve elektrik tüketimi verileri gibi büyük veri kümelerinde anormallik tespiti yer alır. Ayrıca finansal hizmet şirketleri için finanse edilen emisyonları ölçer.

Greenly

Greenly; karbon değerlendirmesi, tedarikçi katılımı, karbonsuzlaştırma stratejisi, yaşam döngüsü değerlendirmesi ve ESG yönetimini kapsayan, CSRD, SBTi, IFRS/ISSB ve Kaliforniya yasaları gibi standartlarla uyumlu bir karbon yönetim platformudur. Yapay zeka asistanı EcoPilot, iklim sorularını yanıtlama ve toplanan verileri işleme gibi veri ağırlıklı görevleri üstlenir.

Microsoft Sustainability Manager

Microsoft Sustainability Manager, Microsoft’un çevresel veriler için bulut çözümüdür. Kuruluşların; önceden oluşturulmuş hesaplama yöntemleriyle karbon (Kapsam 1–3), su ve atığı kapsayarak veri ve yapay zeka kullanarak çevresel etkilerini kaydetmesine, raporlamasına ve azaltmasına yardımcı olur.

Microsoft Copilot; CSRD, GRI, IFRS ve SASB gibi çerçeveler için doğal dil sorguları, yapay zeka içgörüleri ve rapor oluşturma ekler. Microsoft Cloud for Sustainability üzerinde çalışır ve daha geniş Microsoft yığınıyla entegre olur.

Araştırmacılar sürdürülebilirlik ve yapay zeka hakkında ne söylüyor?

Yapay zekanın sürdürülebilirlikteki rolü üzerine, uygulamaları, çevresel etkileri, enerji verimliliği zorlukları ve sorumlu yapay zeka gelişimi için gelecek yönelimlerine odaklanan üç sistematik derleme ve araştırma makalesini analiz ettik (Artificial intelligence in sustainable development research² , Artificial Intelligence for Sustainability: A Systematic Review and Critical Analysis of YZ Applications, Challenges, and Future Directions³ ve Green YZ: Enhancing Sustainability and Energy Efficiency in YZ-Integrated Enterprise Systems). Şunları derledik:

• Önceki çalışmalar esas olarak yapay zekanın; tahmin, optimizasyon, uzaktan algılama, kaynak yönetimi, temiz enerji sistemleri ve kurumsal otomasyon yoluyla sürdürülebilirliği nasıl destekleyebileceğini göstermeye odaklandı.
• Makaleler, yapay zekanın iklim eylemi, su ve enerji yönetimi, tarım, akıllı şehirler, sağlık, eğitim ve endüstriyel verimlilik gibi alanlara uygulandığını göstermektedir.
• Aynı zamanda, geçmiş araştırmalar yapay zekanın kendisinin; eğitim ve çıkarım sırasında yüksek enerji tüketimi, karbon emisyonları, e-atık, veri önyargısı, şeffaflık eksikliği ve yapay zeka teknolojilerine eşit olmayan erişim gibi sürdürülebilirlik zorlukları yarattığını giderek daha fazla kabul etmiştir.
• Gelecekteki çabalar, yapay zekayı sürdürülebilirlik sorunlarına uygulamaktan, sürdürülebilir yapay zeka sistemlerinin kendilerini inşa etmeye yönelmelidir. Bu; yapay zeka modellerinin enerji ayak izini azaltmak, gerçek zamanlı enerji izleme kullanmak, doğruluğu enerji verimliliğiyle dengelemek, açıklanabilirliği ve yönetişimi iyileştirmek, yapay zeka araçlarına erişimi genişletmek ve teknik yapay zeka araştırmalarına daha derin sürdürülebilirlik uzmanlığını entegre etmek anlamına gelir.
• Gelecek araştırmalar; eşitsizlik, kapsayıcılık ve küresel erişim gibi yeterince incelenmemiş sosyal boyutları da ele almalıdır; böylece yapay zeka çevresel verimliliğe katkıda bulunur ve adil ve sorumlu sürdürülebilir kalkınma sağlar.

Yapay zeka kaynaklı enerji tüketimi ve verimlilik eğilimlerini öğrenmek için Yapay zeka enerji tüketimi başlığını okuyun.

Yapay zekanın sürdürülebilirliği nasıl değerlendiriliyor?

Yapay zeka kullanımı sürdürülebilirlik girişimlerinde yaygınlaştıkça, yapay zekanın sürdürülebilirliğinin nasıl değerlendirilmesi gerektiğine ilişkin sorular giderek daha fazla gündeme gelmektedir.

Son araştırmalar ve politika tartışmaları, yalnızca verimlilik veya emisyon azaltımlarındaki iyileşmelerin uzun vadeli etkiyi değerlendirmek için yetersiz olduğunu göstermektedir. Yapay zeka sistemlerinin geliştirilmesi ve devreye alınmasının çevresel, sosyal ve yapısal sonuçlarını anlamak için daha geniş bir değerlendirme gereklidir.

Aşağıda, Eylül 2025’teki Sustainable YZ Conference’tan⁴ , yapay zeka uygulamalarının kısa vadeli operasyonel kazanımların ötesinde sürdürülebilirlik hedeflerini anlamlı şekilde destekleyip desteklemediğini değerlendirmek için kullanılan bazı bakış açıları yer almaktadır.

Konferansın temel çıkarımları; yapay zekanın çevresel, sosyal, politik ve adalet etkilerini birlikte ele aldığında sürdürülebilir kabul edilebileceğidir; çünkü sınırsız ölçekleme ve verimlilik yaklaşımları, teknik kazanımlara rağmen eşitsizliği, sömürüyü ve yapısal zararı güçlendirme riski taşır.

Sürdürülebilirlik enerji verimliliğinin ötesine geçer

Konferansa göre sürdürülebilirlik, dar bir teknik ölçütten ziyade geniş bir kavramdır. Birçok katkı, enerji verimliliğine veya karbon azaltımına odaklanmanın yapay zeka sistemlerinin temel etkilerini gözden kaçırdığını savunmaktadır.

Sürdürülebilirlik birden çok boyutta ele alınmalıdır:

• Enerji kullanımı, su tüketimi, mineraller ve e-atık gibi çevresel maliyetler
• Çalışma koşulları, eşitsizlik ve toplumsal cinsiyet etkileri dahil sosyal etkiler
• Güç yoğunlaşması ve altyapı üzerindeki kontrol gibi politik ve ekonomik meseleler
• Epistemik çeşitliliğin kaybı ve zayıflayan eleştirel düşünme gibi bilgiyle ilgili kaygılar

Genel görüş, yapay zekanın çevresel açıdan iyi performans gösterse bile sosyal veya yapısal zarara yol açıyorsa sürdürülebilir kabul edilemeyeceğidir.

Yapay zekayı ölçeklemek sürdürülebilirlik hedefleriyle çelişir

Yinelenen bir tema, büyük ölçekli yapay zeka geliştirme ile sürdürülebilirlik arasındaki gerilimdir. Mevcut yapay zeka yörüngeleri daha büyük modelleri, daha fazla veriyi ve daha yüksek hesaplama talebini vurgularken, sürdürülebilirlik sınırlar ve seçicilik gerektirir. Daha fazlası için LLM ölçekleme yasalarına bakın.

Bazı araştırmacılar alternatif yönelimlere dikkat çekiyor:

• Genel amaçlı sistemler yerine daha küçük, göreve özel modeller
• Küresel ölçekleme yerine yerel veya alana özgü dağıtım
• Yüksek performanslı bilgi işlem kullanımı için dikkatli gerekçelendirme
• Temel ve temel olmayan yapay zeka uygulamaları arasında net ayrım

Argüman, ölçeklemenin her zaman yanlış olduğu değil; sınırsız ölçeklemenin uzun vadeli çevresel ve sosyal kısıtlarla bağdaşmadığıdır.

Güç ve sömürü temel kaygılardır

Birçok katkı, yapay zeka sürdürülebilirliğini yalnızca teknolojiden ziyade bir güç meselesi olarak ele alır. Yapay zeka sistemleri, genellikle sömürücü uygulamalara dayanan küresel tedarik zincirlerine bağımlıdır.

Tartışılan temel meseleler şunlardır:

• Marjinalleştirilmiş ve yerli topluluklardan veri çıkarımı
• Yeşil dönüşüm anlatılarıyla meşrulaştırılan kaynak madenciliği
• Bilgi işlem, bulut hizmetleri ve veri merkezlerinin birkaç bölgede yoğunlaşması
• Yapay zeka dağıtımıyla bağlantılı enerji altyapısı üzerinde kurumsal kontrol

Bu bakış açısına göre, faydaların ve yüklerin bölgeler ve nüfuslar arasında nasıl dağıldığını göz ardı eden sürdürülebilirlik iddiaları zayıftır.

Adalet temelli çerçeveler tartışmaya hâkimdir

Adalet, sürdürülebilir yapay zeka için temel bir gereklilik olarak ele alınır. Yapay zeka sistemlerini değerlendirmek için çeşitli etik mercekler tekrar uygulanır.

Yaygın çerçeveler şunlardır:

• Enerji maliyetlerini kimin ödediğine ve kimin yararlandığına odaklanan enerji adaleti
• Özen, tanınma ve ilişkisel etkileri vurgulayan feminist etik
• Veri egemenliği ve rızayı öne çıkaran dekolonyal ve yerli yaklaşımlar
• Bireysel geliştiricilerin ötesinde sistemlere ve kurumlara bakan yapısal sorumluluk

Bu bakış açıları genelinde ortak bir sonuç ortaya çıkmaktadır: Eşitsizliği veya baskıyı güçlendiren yapay zeka sürdürülebilir kabul edilemez.

Yönetişim mekanizmaları yetersizdir

Hukuk ve politika odaklı makaleler, mevcut yönetişim çerçevelerinin yapay zeka sistemlerinin maddi gerçekliklerinin gerisinde kaldığını savunur. Çevresel etkiler genellikle zayıf şekilde düzenlenir veya gönüllü kaygılar olarak ele alınır.

Tespit edilen boşluklar şunlardır:

• Yapay zeka çevresel etkilerini ölçmek ve açıklamak için sınırlı gereklilikler
• Mevcut yapay zeka düzenlemesinde zayıf yaptırım mekanizmaları
• Kurumsal öz bildirime aşırı güven
• Bireysel haklar çerçevelerini yapısal zararlara uygulama güçlüğü

Alternatif yapay zeka yolları öneriliyor

Eleştirilere rağmen konferans yapay zekayı tamamen reddetmez. Birçok katkı, yapay zekayı sürdürülebilirlikle daha uyumlu şekilde geliştirmenin ve kullanmanın alternatif yollarını ana hatlarıyla ortaya koyar.

Önerilen yönelimler şunlardır:

• Belirli bağlamlar için tasarlanmış küçük ve verimli modeller
• Kamu yararına ve açık kaynaklı yapay zeka altyapıları
• Katılımcı ve topluluk öncülüğünde yapay zeka tasarım süreçleri
• Genişleme yerine yeterliliği önceleyen küçülme odaklı yaklaşımlar

Sürdürülebilirlikte yapay zeka ajanları

Sürdürülebilirlikteki yapay zeka ajanları; çevresel, sosyal ve yönetişim (ESG) hedefleriyle ilgili belirli görevleri yerine getirmek için yapay zeka kullanan otonom veya yarı otonom sistemlerdir.

Sürdürülebilirlik verilerini analiz eder, eğilimleri tespit eder ve minimum insan girdisiyle eylemler gerçekleştirirler. Bu ajanlar; sürdürülebilirlik yönetiminde karar verme ve operasyonel verimliliği desteklemek için veri işleme, doğal dil anlama ve makine öğrenimini birleştirir.

Temel amaçları, sürdürülebilirlik verilerini toplamak, analiz etmek ve raporlamak için gereken manuel işi azaltmaktır. Tekrarlayan, veri yoğun görevleri otomatikleştirerek yapay zeka ajanları, sürdürülebilirlik profesyonellerinin stratejik planlama, uyumluluk ve performans iyileştirmeye odaklanmasını sağlar.

Otonomi düzeylerine bağlı olarak bağımsız çalışabilir ya da tanımlı süreçleri tamamlamada insan ekiplere yardımcı olabilirler.

Sürdürülebilirlikte iki tür yapay zeka ajanı vardır:

• Otonom ajanlar: Bunlar bağımsız çalışır; doğrudan insan denetimi olmadan veriye dayalı kararlar alır ve eylemler gerçekleştirir.
• Yardımcı ajanlar: Bunlar, belirli görevler için öneriler, analiz ve otomasyon sunarak insan ekipleri destekler.

Gerçek hayattan örnek: CO2 YZ⁵ , karbon yönetimini otomatikleştirir ve sürdürülebilirlik taahhütlerini ölçülebilir sonuçlara dönüştürür. Platform, tekrarlayan ve veri yoğun görevleri azaltarak sürdürülebilirlik ekiplerinin analiz ve emisyon azaltımına odaklanmasını sağlar.

Yapay zeka ajanları; veri temizliği, standardizasyon ve emisyon tahminini ölçekli olarak otomatikleştirerek tutarsız veriler, karmaşık karbon hesaplamaları ve tedarikçi katılımı gibi sorunları ele alır.

Sistem ayrıca; veri güvenliği ve bölgesel veri kontrolü sağlarken SBTi, CSRD, CBAM ve SB253 dahil çerçeve ve düzenlemelere uyumu destekler.

Veri Ajanı

• Birden çok kaynaktan gelen verileri dakikalar içinde standartlaştırır.
• Büyük veri kümelerini denetime uygun, uyumlu biçimlere yapılandırır.
• Doğru ve şeffaf emisyon raporlaması sağlar.

Kapsam 3 Ajanı

• Doğrulanmış tedarikçi emisyon verilerini tanımlar ve alır.
• Şirket ve satın alma bağlamını kullanarak tedarikçi kuruluşlarını tanır ve eşleştirir.
• Raporlama kalitesi ve hedef taahhütlerine göre tedarikçi olgunluğunu değerlendirir.

Emisyon Faktörü Eşleştirme Ajanı (EFM Agent)

• Ürünleri ve malzemeleri kapsamlı veritabanlarındaki en ilgili emisyon faktörleriyle eşleştirir.
• Teknik terimleri yorumlamak ve doğru eşleşmeleri sağlamak için anlamsal analiz yapar.
• Geleneksel yaşam döngüsü değerlendirmesinin maliyetinin çok küçük bir kısmına büyük ölçekli emisyon tahmini yapılmasını sağlar.

1. Veri ve raporlama otomasyonu ajanları

Yapay zeka ajanları; birden çok iç ve dış kaynaktan sürdürülebilirlik verilerini toplamak, doğrulamak ve yapılandırmak için sıklıkla kullanılır. Veri bütünlüğünü ve raporlama standartlarıyla uyumu sağlamak için büyük veri kümelerini işleyebilirler.

• ESRS, SASB, CDP ve GRI gibi çerçevelere göre ESG ve sürdürülebilirlik raporlarını otomatikleştirme.
• 10-K raporları gibi mevzuat başvuruları için bölümler hazırlama ve denetim izlerini sürdürme.
• Tutarlı analiz için emisyon verilerini, kaynak kullanım ölçütlerini ve diğer temel göstergeleri toplama.

2. Paydaş katılımı ve iletişim

Yapay zeka ajanları, sürdürülebilirlik verisi veya güncelleme talep eden iç ve dış paydaşlarla iletişimi yönetmeye yardımcı olur.

• Yatırımcı veya düzenleyici sorularını doğrulanmış verilerle yanıtlama.
• Tedarikçi anketlerini ve sürdürülebilirlik anketlerini otomatikleştirme.
• Yöneticiler, müşteriler veya kamu için özel sürdürülebilirlik özetleri üretme.

3. Operasyonel verimlilik ve kaynak yönetimi

Yapay zeka ajanları, sürdürülebilirlikle ilgili operasyonları iyileştirmek için tahmine dayalı ve optimizasyon modelleri kullanır.

• Atıkları ve arıza süresini önlemek için ekipmanı izleme ve bakım ihtiyaçlarını tahmin etme.
• Sürdürülebilir satın alma kararlarını desteklemek için tedarikçi performansını değerlendirme.
• Emisyonları ve kaynak kullanımını en aza indirmek için lojistik ve saha operasyonlarını optimize etme.

Doğal afetlere hazırlık

Afet müdahale sistemleri, uyarılar çok geç ulaştığı veya coğrafi hassasiyetten yoksun olduğu için sıklıkla başarısız olur. Yapay zeka destekli izleme ve tahmin sistemleri; gerçek zamanlı sensör ve uydu verilerini, manuel sistemlerin erişemeyeceği ölçek ve hızlarda işleyerek bu sorunu ele alır.

Gerçek hayattan örnek: Google Earth YZ; hava tahmini, sel tahmini ve orman yangını tespiti gibi uygulamalar için kullanılan bir dizi jeo-uzamsal yapay zeka modeli ve veri kümesidir.

Bu girişimin temel bir bileşeni; kentsel planlama, halk sağlığı ve çevresel izleme gibi kullanım durumlarını desteklemek için büyük ölçekli uydu görüntülerini ve nüfus verilerini analiz eden AlphaEarth Foundations’tır.⁶

AlphaEarth Foundations; kara ve kıyı alanlarının yüksek çözünürlüklü temsillerini üretmek için petabaytlarca Dünya gözlem verisini işler. Google Earth Engine aracılığıyla embedding olarak yayımlanan çıktıları; ekosistem sınıflandırması, tarımsal değerlendirme ve arazi kullanımı izleme gibi görevler için Birleşmiş Milletler ve akademik kurumlar dahil 50'den fazla kuruluş tarafından kullanılır. Model ayrıca veri sıkıştırma ve haritalama doğruluğunu iyileştirerek büyük ölçekli çevresel analizi daha verimli hale getirir.⁷

Gerçek hayattan örnek: Ormansızlaşmayı önlemek, orman kaybının nerede gerçekleştiğini ve bir sonraki nerede olabileceğini belirlemeyi gerektirir. Google DeepMind, World Resources Institute iş birliğiyle, uydu görüntülerini analiz ederek ormansızlaşma riskini tahmin eden bir yapay zeka modeli geliştirdi.

Model, yol ağları gibi yerel altyapı verilerine dayanmak yerine uydu girdilerini kullanarak tarım, ağaç kesimi, madencilik ve yangın gibi orman kaybının altında yatan nedenleri belirlemeye odaklanır. Vision transformer mimarileri üzerine inşa edilen model; geniş bölgelerde, 2000'den 2024'e kadar olan dönemi kapsayarak 30 metreye kadar hassas çözünürlükte ormansızlaşma riski tahminleri üretir.

Bu yaklaşım, politika yapıcıların ve koruma kuruluşlarının, orman kaybı gerçekleşmeden önce yüksek riskli alanlardaki müdahaleleri önceliklendirmesini sağlar.⁸

4. Sel uyarısı

Son verilere göre her yıl 250 milyon kişi selden etkilenmektedir. PwC, yapay zeka destekli sel uyarı sistemlerindeki iyileştirmelerin 3.000'den fazla hayat kurtarabileceğini ve ekonomik zararları $14 milyona kadar azaltabileceğini öne sürmektedir. Bu teknolojiler, afet gerçekleşmeden önce toplulukların harekete geçmesine yardımcı olan zamanında uyarılar sağlar.⁹

Gerçek hayattan örnek: Google'ın operasyonel sel tahmin sistemi, hidroloji için LSTM tabanlı büyük bir dil modeline dayanır ve 2018'de başlatılmıştır. İki yapay zeka modelini birleştirir: nehir seviyelerini tahmin eden hidrolojik aşama tahmini LSTM'si ve selin yayılımını ve derinliğini simüle ederek yedi güne kadar önceden uyarı üreten bir su baskını modeli (eşik ve “manifold” algoritmalarını kullanır).¹⁰

Sistem şu anda “sanal ölçüm istasyonları” ve doğrulanmış nehir havzaları aracılığıyla 100'den fazla ülkeyi kapsıyor; Google Search, Maps, Android, Flood Hub ve hükümet ortakları aracılığıyla iletilen sel tahmin uyarılarıyla yaklaşık 700 milyon kişiye ulaşıyor.¹¹

Temel başarılar şunlardır:

• LSTM aşama ve su baskını modelleriyle sel tahmini.
• 2018'den bu yana 100'den fazla ülkede olgun dağıtım.
• 700 milyon kişiye gerçek zamanlı uyarılarla 7 güne kadar öncü süre.
• Nature/HESS yayınları aracılığıyla güçlü kanıtlar.

Şekil 2: Görsel, Flood Hub’ın küresel erişimini göstererek 700 milyondan fazla kişi için sel tahminini nasıl desteklediğini ortaya koymaktadır.

5. Orman yangınları

Yapay zeka, orman yangınlarıyla mücadelede de güçlü bir araçtır ve yıkıcı kayıpların önlenmesine yardımcı olur. Yüksek kulelerdeki dronlar, uydular ve sensörler ormanları sürekli izleyerek olağandışı sıcak noktalar veya yükselen duman gibi olası bir yangının işaretlerini tespit eder.

Uygun eğitimle yapay zeka sistemleri, duman ile diğer çevresel sinyalleri ayırt edebilir; bu da daha erken ve daha güvenilir orman yangını tespitini sağlar

Gerçek hayattan örnek: Dryad Networks, orman yangınlarından ağır şekilde etkilenen Brandenburg’daki Eberswalde ormanına yaklaşık 400 “elektronik burun” yerleştirmiştir. Bu cihazlar; sıcaklık, nem ve hava basıncını da izlerken bir yangının en erken aşamalarındaki gazları tespit edebilir.

Çevresel koşullar hakkında gerçek zamanlı veri sağlayarak bu sensörler olası yangın risklerini erken belirlemeye yardımcı olur; hızlı müdahale etme ve hasarı en aza indirme yeteneğini artırır.¹²

Hava kirliliğiyle mücadele

Hava kirliliği kötüleşiyor ve her yıl yedi milyondan fazla erken ölüme ve yalnızca sağlık zararlarında $8.1 trilyona yol açan küresel bir halk sağlığı ve çevre acil durumuna dönüşebilir.¹³

Yapay zeka, gerçek zamanlı uyarılar ve tahmine dayalı modellerle hava kirliliğinin azaltılmasına yardımcı olabilir:

6. Gerçek zamanlı uyarılar

Hava kalitesi monitörlerinden sağlanan verilerle yapay zeka, hava kalitesinin insanlar üzerindeki etkisine ilişkin içgörüler sunabilir ve sağlık koruma politikalarının belirlenmesine yardımcı olabilir.¹⁴

Ayrıca, farklı monitörlerden gelen verileri gerçek zamanlı olarak işleyerek, kirlilik seviyesi yükseldiğinde uyarılar gönderebilir. Bu şekilde insanlar hemen harekete geçebilir: ya içeride kalın ya da maske takın.

Gerçek hayattan örnek: IQAir uygulaması, hangi şehirlerde havada en fazla kirlilik olduğunu gerçek zamanlı gösteren bir sıralamaya sahiptir. Plume Labs uygulaması, kirliliğin en kötü olduğu yerleri gösteren tam haritalar sunar. Uygulama ayrıca, seviyeler gün içinde önemli ölçüdeğişebildiğinden hava kalitesinin her saat nasıl olacağını da söyler.¹⁵

7. Tahmine dayalı modeller

Yapay zeka ve makine öğrenimi ile geliştirilen tahmine dayalı modeller, hava kirletici konsantrasyonları gibi bilgileri tahmin edebilir.

Gerçek hayattan örnek: Cornell'den mühendisler, insanların akciğerlerine giren kamyon ve arabalardan kaynaklanan kurum, toz ve egzoz gazı olan ince partikül maddeleri (PM2.5) hesaplayabilen bir model tasarladı. Bu modeller, risklerin daha erken belirlenmesini sağlayarak çevresel veya sağlık etkileri artmadan önleyici eylem yapılmasını mümkün kılar.¹⁶

Biyoçeşitlilik

8. Biyoçeşitlilik izleme ve koruma

Biyoçeşitliliği korumak, iklim değişikliğinin getirdiği en büyük zorluklardan biridir. Yapay zeka, biyoçeşitlilik izleme ve korumayı iyileştirmek için çözümler sunar.

Sinir ağları, bilgisayar görüşü ve uydu görüşü gibi teknolojiler; araştırmacıların görüntülerdeki hayvanları tespit etmesine ve bir tür içindeki belirli hayvanları tanımlamasına yardımcı olabilir. Araştırmacılar kuşlar, amfibiler ve deniz memelileri gibi hayvanları, hatta balıkları izleyebilir ve verileri makine öğrenimi araçlarıyla analiz edebilir.¹⁷

Bu teknolojilerle bilim insanları şunları yapabilir:

• Daha iyi habitat analizi.
• Yaban hayatı ve türler hakkında daha kesin tahminler.
• İklim değişikliğinin hayvanlar üzerindeki etkisini gerçek zamanlı olarak analiz etme.

Gerçek hayattan örnek: Etkili koruma, türlerin nerede yaşadığını bilmeye bağlıdır; ancak küresel biyoçeşitliliğin ölçeği ve çeşitliliği göz önüne alındığında doğru tür yayılış haritaları üretmek zordur. Bunu ele almak için Google araştırmacıları, geniş coğrafyalarda tür dağılım haritaları üretmek için yapay zeka tabanlı bir sistem geliştirdi.

Sistem; açık biyoçeşitlilik veritabanlarından saha gözlem kayıtlarını, AlphaEarth Foundations'tan uydu kaynaklı embedding'leri ve vücut kütlesi gibi tür düzeyindeki özellikleri birleştirir. Bir graf sinir ağı (GNN) modeli; bu bilgileri kullanarak birçok tür için olası coğrafi dağılımları aynı anda çıkarır ve bunlar daha sonra yerel uzmanlar tarafından iyileştirilebilir.

Pilot projelerde model, Greater Glider dahil Avustralya memeli türlerini haritalamak için kullanılmış ve bu haritaların bir alt kümesi UN Biodiversity Lab ve Google Earth Engine gibi platformlar aracılığıyla yayımlanmıştır.

Gerçek hayattan örnek: Wildbook; görüntülerdeki hayvanları tanımlamak ve saymak, ayrıca bir grup içindeki bireysel hayvanları ayırt etmek için sinir ağları ve bilgisayar görüşü algoritmalarını kullanır. Bu bilgiyle yaban hayatı popülasyon büyüklükleri daha doğru tahmin edilebilir.¹⁸

Sürdürülebilirlik için veri analizi

Büyük dil modelleri (LLM'ler) gibi GPT'ler; kuruluşların büyük veri kümelerine dayalı olarak analiz yapmasına ve eyleme geçmesine yardımcı olarak daha sürdürülebilir bir geleceği yönlendirmek için kritik öneme sahiptir. Bu alandaki bazı temel yapay zeka uygulamaları şunlardır:

9. İş belgelerini analiz etme ve atığı azaltma

Üretken yapay zeka sistemleri iş belgelerini inceleyip analiz edebilir; şirketlerin atıkları azaltma ve sürdürülebilirlik çabalarını iyileştirme fırsatlarını belirlemelerine yardımcı olur. Örneğin:

• Üretken yapay zeka araçları; daha düşük maliyetle doğru karbon ayak izi hesaplamaları sağlamak için ulaşım, enerji kullanımı ve diğer kaynak tüketimine ilişkin verileri analiz edebilir.
• Yapay zeka algoritmaları; verimsizlikleri belirleyerek ve yakıt tüketimini azaltmanın yollarını önererek tedarik zinciri süreçlerini optimize edebilir. Bu teknolojiler sera gazı emisyonlarını azaltmaya ve kaynak kullanımını en aza indirmeye yardımcı olur.
• Şirketler yapay zekadan yararlanarak enerji tüketimlerine ilişkin değerli içgörüler elde edebilir; bu da yenilenebilir enerji kaynaklarına geçmelerine ve genel enerji verimliliğini artırmalarına yardımcı olur.

Yapay zeka teknolojilerinin bu entegrasyonu; işletmelerin sürdürülebilirliği operasyonlarına yerleştirirken çevresel etkilerini azaltmalarını sağlar.

10. Kapsam 3 risklerini belirleme

Kapsam 3 sera gazı emisyonlarını, yani tedarik zincirleri ve ürün yaşam döngüleri yoluyla dolaylı olarak oluşanları tespit etmek zor olabilir. Ancak şirketler, ChatGPT gibi yapay zeka araçlarını kullanarak; haber makaleleri, sektör raporları gibi büyük hacimli kamuya açık verileri analiz ederek bu riskleri etkili bir şekilde belirleyebilir:

• Tedarikçiler veya üretim süreçleriyle ilgili çevresel zorlukları vurgulayan haber makaleleri, sektör raporları ve sosyal medya gönderileri.
• Sürdürülebilirlik stratejilerini etkileyebilecek yeni ortaya çıkan çevresel sürdürülebilirlik riskleri.

İşletmeler bu riskleri belirleyerek iklim değişikliği kaygılarını proaktif şekilde ele alabilir ve çevresel adalet ilkeleriyle uyum sağlayabilir.

11. Enerji ve kaynak optimizasyonu için yapay zeka

Bulut hizmeti sağlayıcılarının devreye aldığı sistemler de dahil olmak üzere yapay zeka sistemleri işletmelere ve kuruluşlara şunlarda yardımcı olabilir:

• Soğutma sistemlerini iyileştirerek ve güç kullanım etkinliğini (PUE) azaltarak veri merkezlerinde enerji kullanımını optimize etme.
• Enerji depolama ihtiyaçlarını tahmin etme ve yönetme; yenilenebilir enerji üretimini taleple uyumlu hale getirme.
• Yapay zeka destekli bakım önerileriyle cihaz yaşam döngülerini uzatarak elektronik atıkları azaltma.

Gerçek hayattan örnek: NVIDIA’nın Earth‑2’si, kilometre ölçeğinde küresel modellemeyi mümkün kılan GPU hızlandırmalı bir iklim simülasyonu platformudur.

Haziran 2025'te cBottle (“Climate in a Bottle”) adlı üretken yapay zeka modelini piyasaya sürdü. Model; günün saati ve deniz yüzeyi sıcaklıkları gibi girdilere bağlı olarak, 1‑2 km'ye kadar çözünürlükte ve önemli ölçüde azaltılmış hesaplama süresi ve enerji kullanımıyla küresel atmosfer durumları üretebilir.¹⁹

Bu sistem şunları başarır:

• Numune başına 3.000×'e kadar veri sıkıştırma oranları.
• Geleneksel yöntemlerden binlerce kat daha hızlı tahmin hızları ve 10.000×'e kadar daha enerji verimli.
• Süper çözünürlüklü hava durumu içgörüleri sağlamak için yapay zeka tabanlı ölçek küçültme (CorrDiff) entegrasyonu.
• Önde gelen araştırma kurumları tarafından aktif olarak benimsenmesi (MPI‑M, YZ², Alan Turing Enstitüsü) etkileşimli dijital ikiz iklim keşfini kolaylaştırır.

Temel özellikler şunlardır:

• Kilometre ölçeğinde iklim simülasyonu ve etkileşimli görselleştirme.
• Hızlı, yüksek çözünürlüklü tahminler için üretken yapay zeka (cBottle + CorrDiff).
• Gerçek dünya testleri (GTC, hackathonlar) ve kurumsal iş birliğiyle kanıtlanmıştır.

Simülasyon ve tahmin platformlarının ötesinde, birçok kuruluş şebeke, pil, piyasa ve bina ölçeklerinde somut enerji ve iklim direnci sorunlarını ele almak için yapay zekayı uyguluyor.

Gerçek hayattan örnek: Bir mega kentin elektrik şebekesini yönetmek; üretim, talep, ticaret ve düzenleme genelinde gerçek zamanlı koordinasyon gerektirir; bu görevler dağıtık enerji kaynakları ölçeklendikçe giderek zorlaşır. State Grid Corporation of China, bu kısıtlar altında Şanghay’ın elektrik şebekesini yönetmek için yapay zeka uygular.

Platformu; tahmin, ticaret, düzenleyici gözetim ve mutabakatı tek bir sistemde birleştirerek dağıtık enerji varlıklarının saniye altı koordinasyonunu sağlar. Sistem, 15.000'den fazla kullanıcıyı destekler ve büyük kentsel şebekelerin yenilenebilir entegrasyonu artırırken direnci nasıl iyileştirebileceğini gösterir.²⁰

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

Sürdürülebilir tarım

Tarımdaki yapay zeka teknolojileri; kaynak verimsizliği ve çevresel etki gibi zorlukları ele almalarına yardımcı oluyor. Tarım robotları, hava durumu izleme sistemleri ve arazi yönetimi algoritmaları gibi araçları dahil ederek çiftçiler; operasyonları optimize edebilir, atıkları azaltabilir ve sürdürülebilirlik hedeflerine ulaşabilir.

Ayrıca yapay zeka destekli ürün ve hayvan izleme; sorunları erken tespit ederek, kimyasal ihtiyacını azaltarak ve kaynak kullanımını en aza indirerek daha sağlıklı verimler ve daha sağlıklı hayvanlar elde edilmesine yardımcı olur.

12. Tarım robotları

Sürücüsüz bir araba gibi, yapay zeka destekli robotlar hareket edebilir ve ürünler hazır ve olgun olduğunda hasat yapabilir. Bu, atıkları azaltmaya ve üretim hatlarını iyileştirmeye yardımcı olur.

13. Hava durumu izleme

Yapay zeka ayrıca hava durumunu izleyebilir ve tahmin edebilir. Bu; çiftçilerin belirli bir konumdaki hava durumunu tahmin etmelerine, ürünlerini ne zaman sulayacakları ve ne zaman ekim veya hasat yapmanın en iyi olduğu konusunda içgörüler kazanmalarına yardımcı olur.

14. Arazi yönetimi

Yapay zekanın bir başka kullanım durumu tarım arazisi planlamasıdır. Uydu görüntüleri, algoritmalar ve arazi kullanım verilerini kullanarak çiftçiler, ürünlerini nereye ve ne zaman ekeceklerini planlayabilir. Bu aynı zamanda mevzuat uyumluluğunu sağlamalarına da yardımcı olabilir.

15. Ürün ve hayvan izleme

Yapay zeka, çiftçilerin ürünlerini ve hayvanlarını sağlıklı tutmasına yardımcı olabilir. Ürün koşullarını tespit etmek için görüntü tanıma ve sensörlerle yapay zeka, ürünlere saldıran böcekleri veya hayvan hastalıklarının erken belirtilerini azaltmaya yardımcı olabilir.

Çiftçiler daha sonra aşırı miktarda kimyasal veya ilaç kullanmadan soruna müdahale edip çözebilir, böylece olası kayıpları azaltır.

Sürdürülebilir üretim ve iş yeri

16. Daha az hatalı üretim

Yapay zeka destekli bilgisayar görüşü sistemleri; üretim aşamasındaki hataları en aza indirerek kusurlardan veya müşteri memnuniyetsizliğinden kaynaklanan ürün iadesi sorunlarını ele alabilir.

Konveyör bant veya üretim hattına kurulan bilgisayar görüşü destekli kalite kontrol sistemleri, ürünün kalitesini manuel incelemeden daha doğru ve verimli şekilde denetleyebilir.

Nasıl çalıştığını görün:

Hatalı ürünlerdeki bu azalma; nihayetinde kuruluşun ürün iadelerini ve tersine lojistik ve diğer iade süreçleriyle ilgili GHG emisyonlarını azaltabilir.

17. Üretimde daha iyi sızıntı tespiti

Bilgisayar görüşü sistemleri; bir üretim tesisindeki su sızıntılarını ve diğer zararlı kimyasalları tespit etmeye ve yetkilileri hızlı önlem almaları için uyarmaya yardımcı olabilir. Bu, işletmelerin çevresel etkilerini azaltmalarına yardımcı olabilir.

Nasıl çalıştığını görün:

18. Daha güvenli iş yeri

Sürdürülebilirlik üç bölümden oluşur: çevresel, sosyal ve yönetişimsel. Gerçekten sürdürülebilir olmak için bir işletmenin üçüne de odaklanması gerekir.

Yapay zeka destekli bilgisayar görüşü sistemleri, güvenlik kurallarına uyumu sağlayarak çalışan güvenliğini artırmaya yardımcı olabilir. Bu, işletmeyi çalışanları için daha güvenli hale getirerek işletmenin sosyal sürdürülebilirliğini iyileştirmeye katkıda bulunabilir.

Üretim tesisindeki kilit noktalara; çalışanların kurallara uyup uymadığını ve güvenlik ekipmanı takıp takmadığını izlemek için akıllı kameralar kurulabilir. Sistem ayrıca tesisteki diğer riskleri de belirleyebilir ve ilgili operasyon veya güvenlik yöneticisini daha fazla işlem yapması için bilgilendirebilir.

Enerji ve lojistik

19. Azaltılmış enerji tüketimi

Şekil 3: Yenilenebilir kaynaklardan elde edilen elektriğin küresel payı.

Son birkaç yılda yenilenebilir enerji yatırımları önemli ölçüde artmış olsa da yenilenebilir enerji, dünya elektrik üretiminin %30'unu oluşturmaktadır.²¹

Yapay zeka; enerji tüketim kalıplarını inceleyerek ve şirketin verimliliğinden ödün vermeden tüketimi azaltma ve iyileştirme konusunda içgörüler sağlayarak yenilenebilir enerji kullanımının artırılmasına yardımcı olabilir.

20. Optimize edilmiş ve sürdürülebilir lojistik

Yapay zeka, bir işletmenin toplam kurumsal karbon ayak izinin önemli bir bölümünü oluşturan dağıtım ve lojistik operasyonlarının sürdürülebilirliğini iyileştirmeye de yardımcı olabilir.

Yapay zeka destekli yazılımlar, sürdürülebilirliği temel bir faktör olarak dahil ederek ürün teslimat rotalarını optimize edebilir. Rota optimizasyon sistemleri, önemli finansal ve çevresel faydalar sağladıkları için lojistik firmaları için bir zorunluluk haline gelmiştir.

Yapay zeka ve dijital ikiz teknolojilerinin sürdürülebilir son kilometre teslimatına nasıl yardımcı olduğunu izleyin:

Yapay zekanın lojistik sektörünü nasıl devrim niteliğinde dönüştürdüğünü öğrenmek için lojistik yapay zeka kullanım durumlarına göz atın.

Sürdürülebilirlik yapay zekasının zorlukları nelerdir?

Yapay zeka, çevrenin korunmasına yardımcı olma konusunda umut verici görünmektedir; ancak bazı zorluklar da sunmaktadır:

Bilgi işlem enerjisi

Gelişmiş yapay zeka modelleri önemli bilgi işlem gücüne ihtiyaç duyar; bu da çok fazla enerji kullandıkları anlamına gelir.²²

Bu; hem operasyonel maliyetleri hem de karbon emisyonlarını etkiler. Bu nedenle çevresel sürdürülebilirlik hizmetinde enerji yoğun yapay zeka teknolojilerini kullanmak paradoksal olabilir.

İşgücü istismarı

ChatGPT gibi büyük dil modelleri, modeli zehirli metinlerden uzak tutmak için etiketler gerektirebilir. Bu etiketleri elde etmek için OpenAI, Kenya'daki bir firmaya on binlerce parça metin gönderdi. Şirketin çalıştırdığı veri etiketleyicilere saat başına yaklaşık $1.32 ile $2 dolar arasında ödeme yapılıyor.²³

Bu, sürdürülebilir bir gelecek için yapay zeka araçları geliştirilirken işçi haklarının gasp edilip edilmediğine dair soruları gündeme getirmektedir.

Yapay zeka önyargısı ve etik

Yapay zeka modelleri verilerden öğrenir ve veriler önyargılı veya gerçekliğin belirli bir bölümünü temsil ediyorsa modeller yanlış sonuçlar üretebilir. Örneğin, konuma özgü verilerle eğitilmiş bir yapay zeka modeli diğer alanlar için veri üretemeyebilir.

Yapay zeka sonuçlarına dayalı kararlar toplumu ve dünyayı büyük ölçüde etkileyebilir. Bu nedenle veri gizliliği ve sahipliği hakkında sorular ortaya çıkabilir.

Zorlukları azaltmak için en iyi uygulamalar

Enerji verimli yapay zeka

Öncelik, daha az enerji kullanan algoritmalar ve cihazlar kullanmak olmalıdır. Araştırma grupları, yapay zeka performansı ile enerji kullanımını dengeleyen modeller tasarlamaya çalışabilir.²⁴

Yapay zeka bilgi işlem altyapısı yenilenebilir enerji kaynaklarıyla çalıştırılabilir; bu da karbon ayak izinin daha da düşürülmesine yardımcı olabilir.

Yapay zeka önyargısını ele alma

Yapay zeka modelleri; önyargıyı önlemek için veri toplama, test etme ve doğrulama için uygun yöntemler kullanmalıdır. Temsili verilerin dahil edilmesi ve koşulların farklı konumlarda nasıl değişebileceğinin dikkate alınması da önemlidir.

Etik yönergeler geliştirme

Yapay zekanın çevreyi koruması için etik yönergeler ve politikalar tasarlanmalı ve izlenmelidir. Bu; verilerin kime ait olduğu, nasıl gizli tutulacağı ve yapay zekanın nasıl etik kullanılacağı konusunda net kurallar içerir.

Paydaş katılımını teşvik etme

Paydaşları, özellikle yapay zekanın sonuçlarından etkilenecek grupları karar alma sürecine dahil edin. Bu, herkesin yapay zeka modellerinin nasıl çalıştığını ve hangi verileri kullandığını bilmesini sağlamak anlamına gelir.

Bu araştırmayı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{En İyi 20 Sürdürülebilirlik Yapay Zeka Uygulaması ve 7 Araç}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/sustainability-ai}},
  note   = {AIMultiple. Erişim tarihi: 12 Ağustos 2026}
}

Referans Linkleri

1.

Green Light - Green Light

2.

Artificial intelligence in sustainable development research | Nature Sustainability

Nature Publishing Group UK

3.

Artificial Intelligence for Sustainability: A Systematic Review and Critical Analysis of AI Applications, Challenges, and Future Directions

MDPI

4.

Sustainable AI Conference 2025 — Institute for Science and Ethics

5.

Purpose-Built AI for Carbon Management | CO2 AI

CO2 AI

6.

Google announces state-of-the-art geospatial AI models with Earth AI

Google

7.

AlphaEarth Foundations helps map our planet in unprecedented detail — Google DeepMind

8.

Three ways Google scientists use AI to better understand nature — Google DeepMind

Ecosystem Modeling team

9.

https://www.pwc.co.uk/sustainability-climate-change/assets/pdf/how-ai-can-enable-a-sustainable-future.pdf

10.

https://arxiv.org/pdf/2111.02780

11.

Flood Forecasting - Flood Forecasting

12.

These electronic ‘noses’ can sniff out wildfires and alert fire authorities using AI | Euronews

euronews

13.

https://uploads-ssl.webflow.com/5a25e6430f93020001836dfa/63737b7254fad4b301c5ad89_GHV_CAF_AQM%20Report_FINAL.pdf

14.

How artificial intelligence is helping tackle environmental challenges

United Nations Environment Programme

15.

AirNow and Other Apps to Help You Track Air Quality Near You - The New York Times

The New York Times

16.

Frontiers | Applications of artificial intelligence in the field of air pollution: A bibliometric analysis

Frontiers

17.

AI empowers conservation biology | Nature

Nature Publishing Group UK

18.

https://lynx.wildbook.org/

19.

New NVIDIA Earth-2 Generative AI Foundation Model Simulates Global Climate at Kilometer-Scale Resolution | NVIDIA Blog

20.

The leading companies turning AI into real-world impact | World Economic Forum

21.

30% of the world's electricity came from renewable sources in 2023 | Our World in Data

Our World in Data

22.

As the AI industry booms, what toll will it take on the environment? | AI (artificial intelligence) | The Guardian

The Guardian

23.

OpenAI Used Kenyan Workers on Less Than $2 Per Hour: Exclusive

Time

24.

New hardware offers faster computation for artificial intelligence, with much less energy | MIT News | Massachusetts Institute of Technology

Cem Dilmegani

Baş Analist

Takip Et

Cem, 2017'den beri AIMultiple'da baş analisttir. AIMultiple, her ay Fortune 500'ün %60'ı dahil olmak üzere (similarWeb'e göre) yüz binlerce işletmeyi bilgilendirmektedir.

Cem'in çalışmaları Business Insider, Forbes, Washington Post gibi önde gelen küresel yayınlar, Deloitte, HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslarüstü kuruluşlar tarafından alıntılanmıştır.

Cem, kariyeri boyunca teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yapmıştır. On yıldan fazla bir süre McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararlarında danışmanlık yapmıştır. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayımlamıştır.

CEO'ya rapor verirken bir telekomünikasyon şirketinin teknoloji stratejisini ve satın alımını yönetmiştir. Ayrıca, 2 yıl içinde 0'dan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetmiştir. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınları tarafından ele alınmıştır.

Cem, uluslararası teknoloji konferanslarında düzenli olarak konuşma yapmaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisi olarak mezun olmuş ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Araştıran

Sıla Ermut

Endüstri Analisti

Takip Et

Sıla Ermut, AIMultiple'da yapay zeka model'leri, yapay zeka altyapısı, yapay zeka yönetişimi ve kurumsal yapay zeka uygulamalarını kapsayan bir endüstri analistidir. Araştırmaları çoğunlukla yapay zekanın pazarlama, sağlık hizmetleri, tedarik zincirleri ve sürdürülebilirlik alanlarındaki kullanımına odaklanmaktadır. Daha önce proje yönetimi ve danışmanlık firmalarında işe alım uzmanı olarak çalışmıştır. Sıla, Sosyal Psikoloji alanında Yüksek Lisans ve Uluslararası İlişkiler alanında Lisans derecesine sahiptir.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder