En İyi 20 Sürdürülebilirlik YZ Uygulaması ve Örnekler

Şirketler, üretken yapay zekayı lojistik optimizasyonuna, talep tahminine ve atık azaltımına uygulayarak, yapay zeka sistemlerinin ötesinde, operasyonları genelinde emisyonları azaltabilirler.

YZ'yi kullanarak daha akıllı, daha verimli ve daha sürdürülebilir bir gelecek inşa etmeye yardımcı olan sürdürülebilirlik YZ uygulamalarını gerçek dünyadan örneklerle keşfedin.

Araştırmacılar sürdürülebilirlik ve yapay zeka hakkında ne diyor?

Sürdürülebilirlikte yapay zekanın uygulamaları, çevresel etkileri, enerji verimliliği zorlukları ve sorumlu YZ gelişimi için gelecekteki yönelimlerine odaklanan, yapay zekanın sürdürülebilirlikteki rolü üzerine üç sistematik inceleme ve araştırma makalesini (Sürdürülebilir kalkınma araştırmalarında yapay zeka¹ , Sürdürülebilirlik için Yapay Zeka: YZ Uygulamalarının, Zorluklarının ve Gelecek Yönelimlerinin Sistematik İncelemesi ve Eleştirel Analizi² , ve Yeşil YZ: YZ Entegre Kurumsal Sistemlerde Sürdürülebilirliği ve Enerji Verimliliğini Artırma³ ) analiz ettik. Şu bulguları topladık:

• Önceki çalışmalar ağırlıklı olarak YZ'nin tahmin, optimizasyon, uzaktan algılama, kaynak yönetimi, temiz enerji sistemleri ve kurumsal otomasyon yoluyla sürdürülebilirliği nasıl destekleyebileceğini göstermeye odaklandı.
• Makaleler, YZ'nin iklim eylemi, su ve enerji yönetimi, tarım, akıllı şehirler, sağlık, eğitim ve endüstriyel verimlilik gibi alanlara uygulandığını göstermektedir.
• Aynı zamanda, geçmiş araştırmalar, YZ'nin kendisinin eğitim ve çıkarım sırasında yüksek enerji tüketimi, karbon emisyonları, elektronik atık, veri önyargısı, şeffaflık eksikliği ve YZ teknolojilerine eşitsiz erişim gibi sürdürülebilirlik zorlukları yarattığını giderek daha fazla kabul etmektedir.
• Gelecekteki çabalar, YZ'yi sürdürülebilirlik sorunlarına uygulamaktan, sürdürülebilir YZ sistemlerini inşa etmeye doğru evrilmelidir. Bu, YZ modellerinin enerji ayak izini azaltmayı, gerçek zamanlı enerji izlemeyi kullanmayı, doğruluğu enerji verimliliği ile dengelemeyi, açıklanabilirliği ve yönetişimi iyileştirmeyi, YZ araçlarına erişimi genişletmeyi ve teknik YZ araştırmasına daha derin sürdürülebilirlik uzmanlığını entegre etmeyi gerektirir.
• Gelecekteki araştırmalar, YZ'nin çevresel verimliliğe katkıda bulunurken adil ve sorumlu sürdürülebilir kalkınma olmasını sağlamak için eşitsizlik, kapsayıcılık ve küresel erişim gibi yeterince araştırılmamış sosyal boyutları da ele almalıdır.

YZ ile ilgili enerji tüketimi ve verimlilik eğilimlerini öğrenmek için YZ enerji tüketimi makalesini okuyun.

Yapay zekanın sürdürülebilirliği nasıl değerlendiriliyor?

YZ'nin sürdürülebilirlik girişimlerinde kullanımı genişledikçe, YZ'nin kendisinin sürdürülebilirliğinin nasıl değerlendirilmesi gerektiğine dair sorular giderek daha fazla gündeme gelmektedir.

Son araştırmalar ve politika tartışmaları, verimlilik veya emisyon azaltımındaki iyileştirmelerin uzun vadeli etkiyi değerlendirmek için tek başına yeterli olmadığını göstermektedir. YZ sistemlerini geliştirme ve dağıtmanın çevresel, sosyal ve yapısal sonuçlarını anlamak için daha geniş bir değerlendirmeye ihtiyaç vardır.

İşte Eylül 2025'teki Sürdürülebilir YZ Konferansı'ndan⁴ YZ uygulamalarının kısa vadeli operasyonel kazanımların ötesinde sürdürülebilirlik hedeflerini anlamlı bir şekilde destekleyip desteklemediğini değerlendirmek için kullanılan bazı bakış açıları.

Konferansın temel çıkarımları, yapay zekanın çevresel, sosyal, politik ve adalet etkilerini birlikte ele alması durumunda sürdürülebilir olarak kabul edilebileceği, çünkü sınırsız ölçeklendirme ve verimlilik yaklaşımlarının teknik kazanımlara rağmen eşitsizliği, çıkarımcılığı ve yapısal zararı pekiştirme riski taşıdığıdır.

Sürdürülebilirlik enerji verimliliğinin ötesine geçer

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

Sürdürülebilirlik birden çok boyutta tartışılmalıdır:

• Enerji kullanımı, su tüketimi, mineraller ve elektronik atık gibi çevresel maliyetler
• Çalışma koşulları, eşitsizlik ve toplumsal cinsiyet etkileri dahil olmak üzere sosyal etkiler
• Güç yoğunlaşması ve altyapı üzerindeki kontrol gibi politik ve ekonomik sorunlar
• Epistemik çeşitliliğin kaybı ve zayıflamış eleştirel düşünme gibi bilgiyle ilgili endişeler

Genel görüş, çevresel olarak iyi performans gösteren ancak sosyal veya yapısal zarara neden olan YZ'nin sürdürülebilir olarak kabul edilemeyeceğidir.

YZ'yi ölçeklendirmek sürdürülebilirlik hedefleriyle çelişiyor

Tekrarlayan bir tema, büyük ölçekli YZ gelişimi ile sürdürülebilirlik arasındaki gerilimdir. Mevcut YZ yörüngeleri daha büyük modelleri, daha fazla veriyi ve daha yüksek hesaplama taleplerini vurgularken, sürdürülebilirlik sınırlar ve seçicilik gerektirir. Daha fazla bilgi için LLM ölçeklendirme yasalarına bakın.

Birkaç araştırmacı alternatif yönlerin altını çiziyor:

• Genel amaçlı sistemler yerine daha küçük, göreve özgü modeller
• Küresel ölçeklendirme yerine yerel veya alan sınırlı dağıtım
• Yüksek performanslı hesaplama kullanımı için dikkatli gerekçelendirme
• Temel ve temel olmayan YZ uygulamaları arasında net ayrım

Argüman, ölçeklendirmenin her zaman yanlış olduğu değil, sınırsız ölçeklendirmenin uzun vadeli çevresel ve sosyal kısıtlarla uyumsuz olduğudur.

Güç ve çıkarımcılık merkezi endişelerdir

Birçok katkı, YZ sürdürülebilirliğini yalnızca teknoloji değil, bir güç meselesi olarak çerçeveler. YZ sistemleri genellikle çıkarımcı uygulamalara dayanan küresel tedarik zincirlerine bağlıdır.

Tartışılan temel konular şunlardır:

• Marjinalleştirilmiş ve yerli topluluklardan veri çıkarımı
• Yeşil dönüşüm anlatılarıyla meşrulaştırılan kaynak madenciliği
• Hesaplama, bulut hizmetleri ve veri merkezlerinin birkaç bölgede yoğunlaşması
• YZ dağıtımına bağlı enerji altyapısı üzerindeki kurumsal kontrol

Bu perspektiften bakıldığında, faydaların ve yüklerin bölgeler ve nüfuslar arasında nasıl dağıtıldığını göz ardı eden sürdürülebilirlik iddiaları zayıftır.

Adalet temelli çerçeveler tartışmaya hâkimdir

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

Yaygın çerçeveler şunlardır:

• Enerji adaleti; enerji maliyetini kimin ödediğine ve kimin faydalandığına odaklanır
• Feminist etik; özen, tanınma ve ilişkisel etkileri vurgular
• Dekolonyal ve yerli yaklaşımlar; veri egemenliği ve rızayı öne çıkarır
• Yapısal sorumluluk, bireysel geliştiricilerin ötesine geçerek sistemlere ve kurumlara bakar

Bu perspektifler boyunca ortak bir sonuç ortaya çıkar: eşitsizliği veya baskıyı pekiştiren YZ sürdürülebilir olarak kabul edilemez.

Yönetişim mekanizmaları yetersizdir

Hukuki ve politika odaklı makaleler, mevcut yönetişim çerçevelerinin YZ sistemlerinin maddi gerçeklerinin gerisinde kaldığını savunmaktadır. Çevresel etkiler genellikle zayıf bir şekilde düzenlenmekte veya gönüllü endişeler olarak ele alınmaktadır.

Belirlenen boşluklar şunlardır:

• YZ çevresel etkilerini ölçme ve açıklama konusunda sınırlı gereklilikler
• Mevcut YZ düzenlemelerinde zayıf uygulama mekanizmaları
• Kurumsal öz raporlamaya aşırı güven
• Bireysel haklar çerçevelerini yapısal zararlara uygulama zorluğu

Alternatif YZ yolları önerilmektedir

Eleştirilere rağmen konferans YZ'yi tamamen reddetmez. Birçok katkı, sürdürülebilirlikle daha uyumlu şekilde YZ geliştirme ve kullanmanın alternatif yollarını ana hatlarıyla belirtir.

Önerilen yönler şunlardır:

• Belirli bağlamlar için tasarlanmış küçük ve verimli modeller
• Kamu yararına ve açık kaynaklı YZ altyapıları
• Katılımcı ve topluluk liderliğinde YZ tasarım süreçleri
• Genişleme yerine yeterliliğe öncelik veren küçülme odaklı yaklaşımlar

Sürdürülebilirlikte YZ ajanları

Sürdürülebilirlikte YZ ajanları, çevresel, sosyal ve yönetişim (ESG) hedefleriyle ilgili belirli görevleri yerine getirmek için yapay zekayı kullanan otonom veya yarı otonom sistemlerdir.

Sürdürülebilirlik verilerini analiz eder, eğilimleri belirler 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.

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

Otonomi düzeylerine bağlı olarak, bağımsız çalışabilir veya insan ekiplerine tanımlanmış süreçleri tamamlamada yardımcı olabilirler.

Sürdürülebilirlikte iki tür YZ ajanı vardır:

• Otonom ajanlar: Doğrudan insan denetimi olmadan veri odaklı kararlar alarak bağımsız çalışırlar.
• Yardımcı ajanlar: Belirli görevler için öneriler, analiz ve otomasyon sunarak insan ekiplerini destekler.

Gerçek hayattan örnek: CO2 AI⁵ karbon yönetimini otomatikleştirir ve sürdürülebilirlik taahhütlerini ölçülebilir çıktılara dönüştürür. Platform, tekrarlayan, veri yoğun görevleri azaltarak sürdürülebilirlik ekiplerinin analiz ve emisyon azaltımına odaklanmasını sağlar.

YZ ajanları, tutarsız veriler, karmaşık karbon hesaplamaları ve tedarikçi katılımı gibi sorunları, veri temizliği, standardizasyon ve ölçekte emisyon tahminini otomatikleştirerek ele alır.

Sistem ayrıca, SBTi, CSRD, CBAM ve SB253 dahil olmak üzere çerçevelere ve düzenlemelere uyumu desteklerken veri güvenliğini ve bölgesel veri kontrolünü sağlar.

Veri Ajanı

• Birden çok kaynaktan gelen verileri dakikalar içinde standartlaştırır.
• Büyük veri setlerini denetim kalitesinde, uyumlu formatlara dönüştürür.
• 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 dayanarak tedarikçi olgunluğunu değerlendirir.

Emisyon Faktörü Eşleştirme Ajanı (EFM Ajanı)

• Ürünleri ve malzemeleri kapsamlı veritabanlarındaki en ilgili emisyon faktörleriyle eşleştirir.
• Teknik terimleri yorumlamak ve doğru eşleşmeler sağlamak için anlamsal analiz yapar.
• Geleneksel yaşam döngüsü değerlendirmesinin maliyetinin çok daha azına büyük ölçekli emisyon tahminine olanak tanır.

1. Veri ve raporlama otomasyonu ajanları

YZ ajanları, birden çok iç ve dış kaynaktan sürdürülebilirlik verilerini toplamak, doğrulamak ve yapılandırmak için sıklıkla kullanılır. Veri bütünlüğünü ve raporlama standartlarına uyumu sağlamak için büyük veri setlerini işleyebilirler.

• ESRS, SASB, CDP ve GRI gibi çerçevelere uygun olarak ESG ve sürdürülebilirlik raporlarını otomatikleştirme.
• 10-K raporları gibi düzenleyici dosyalamalar için bölümler hazırlama ve denetim izlerini koruma.
• Tutarlı analiz için emisyon verilerini, kaynak kullanım metriklerini ve diğer temel göstergeleri bir araya getirme.

2. Paydaş katılımı ve iletişim

YZ ajanları, sürdürülebilirlik verilerine veya güncellemelere ihtiyaç duyan iç ve dış paydaşlarla iletişimi yönetmede yardımcı olur.

• Doğrulanmış verileri kullanarak yatırımcı veya düzenleyici sorularını yanıtlama.
• Tedarikçi anketlerini ve sürdürülebilirlik anketlerini otomatikleştirme.
• Yöneticiler, müşteriler veya halk için özel sürdürülebilirlik özetleri oluşturma.

3. Operasyonel verimlilik ve kaynak yönetimi

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

• Atık ve duruş süresini önlemek için ekipmanı izleme ve bakım ihtiyaçlarını tahmin etme.
• Sürdürülebilir tedarik 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 genellikle uyarıların çok geç ulaşması veya coğrafi hassasiyetten yoksun olması nedeniyle başarısız olur. YZ destekli izleme ve tahmin sistemleri, manuel sistemlerin ulaşamayacağı ölçek ve hızlarda gerçek zamanlı sensör ve uydu verilerini işleyerek bu sorunu ele alır.

Gerçek hayattan örnek: Google Earth AI, hava durumu tahmini, sel tahmini ve orman yangını tespiti gibi uygulamalar için kullanılan bir dizi coğrafi YZ modeli ve veri setidir.

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, arazi ve kıyı alanlarının yüksek çözünürlüklü temsillerini oluşturmak için petabaytlarca Dünya gözlem verisini işler. Google Earth Engine aracılığıyla gömmeler olarak yayınlanan çıktıları, ekosistem sınıflandırması, tarımsal değerlendirme ve arazi kullanımı izleme gibi görevler için Birleşmiş Milletler ve akademik kurumlar da dahil olmak üzere 50'den fazla kuruluş tarafından halihazırda kullanılmaktadır. 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 olacağının belirlenmesini gerektirir. Google DeepMind, Dünya Kaynakları Enstitüsü ile iş birliği içinde, uydu görüntülerini analiz ederek ormansızlaşma riskini tahmin etmek için bir YZ modeli geliştirdi.

Model, yol ağları gibi yerel altyapı verilerine güvenmek yerine uydu girdilerini kullanarak tarım, ağaç kesimi, madencilik ve yangın gibi orman kaybının altında yatan nedenleri belirlemeye odaklanır. Görü transformatörü mimarileri üzerine inşa edilen model, 2000'den 2024'e kadar olan dönemi kapsayan, geniş bölgeler boyunca 30 metre gibi ince çözünürlüklerde ormansızlaşma riski tahminleri üretir.

Bu yaklaşım, politika yapıcıların ve koruma kuruluşlarının, orman kaybı meydana gelmeden önce yüksek riskli alanlardaki müdahalelere öncelik vermesine olanak tanır.⁸

4. Sel uyarısı

Yeni verilere göre, her yıl 250 milyon insan selden etkileniyor. PwC, yapay zeka destekli sel uyarı sistemlerindeki iyileştirmelerin 3.000'den fazla hayat kurtarabileceğini ve ekonomik hasarı $14 milyona kadar azaltabileceğini öne sürüyor. Bu teknolojiler, zamanında uyarılar sağlayarak toplulukların felaket gerçekleşmeden önce harekete geçmesine yardımcı oluyor.⁹

Gerçek hayattan örnek: Google'ın operasyonel sel tahmin sistemi, hidroloji için büyük bir LSTM tabanlı dil modeline dayalı olup 2018'de başlatılmıştır. İki YZ modelini birleştirir: nehir seviyelerini tahmin eden bir hidrolojik aşama tahmini LSTM'si ve yedi gün öncesine kadar uyarılar üretmek için sel kapsamını ve derinliğini simüle eden 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 ve Google Arama, Haritalar, Android, Flood Hub ve hükümet ortakları aracılığıyla iletilen sel tahmin uyarılarıyla yaklaşık 700 milyon kişiye ulaşıyor.¹¹

Temel başarılar şunları içerir:

• LSTM aşama ve su baskını modelleri aracılığıyla sel tahmini.
• 2018'den beri 100'den fazla ülkede olgun dağıtım.
• 700 milyon kişiye gerçek zamanlı uyarılarla 7 güne kadar ön süre.
• Nature/HESS yayınları aracılığıyla güçlü kanıt.

Şekil 1: Görsel, Flood Hub'ın küresel erişimini gösteriyor ve 700 milyondan fazla kişiye sel tahminini nasıl desteklediğini anlatıyor.

5. Orman yangınları

YZ ayrıca orman yangınlarıyla mücadelede güçlü bir araçtır ve yıkıcı kayıpların önlenmesine yardımcı olur. Dronlar, uydular ve yüksek kulelerdeki sensörler, olağandışı sıcak noktalar veya yükselen duman gibi potansiyel bir yangının belirtilerini tespit ederek ormanları sürekli izler.

Uygun eğitimle YZ sistemleri, duman ile diğer çevresel sinyaller arasında ayrım yapabilir ve daha erken ve daha güvenilir orman yangını tespiti sağlar.

Gerçek hayattan örnek: Dryad Networks, orman yangınlarından yoğun şekilde etkilenen Brandenburg'daki Eberswalde ormanına yaklaşık 400 "elektronik burun" yerleştirmiştir. Bu cihazlar, bir yangının en erken aşamalarında gazları tespit ederken sıcaklık, nem ve hava basıncını da izler.

Çevresel koşullar hakkında gerçek zamanlı veri sağlayarak bu sensörler, potansiyel yangın risklerini erken tespit etmeye yardımcı olur, hızlı müdahale etme ve hasarı en aza indirme yeteneğini geliştirir.¹²

Hava kirliliğiyle mücadele

Hava kirliliği kötüleşiyor ve her yıl yedi milyondan fazla erken ölüme ve yalnızca sağlık hasarlarında $8,1 trilyona neden olan küresel bir halk sağlığı ve çevre acil durumuna dönüşebilir.¹³

YZ, gerçek zamanlı uyarılar ve tahmine dayalı modellerle hava kirliliğini azaltmaya yardımcı olabilir:

6. Gerçek zamanlı uyarılar

Hava kalitesi monitörlerinden sağlanan verilerle YZ, hava kalitesinin insanlar üzerindeki etkisine ilişkin içgörüler sunabilir ve sağlık koruma politikalarına karar verilmesine yardımcı olabilir.¹⁴

Ayrıca, farklı monitörlerden gelen verileri gerçek zamanlı olarak işleyerek, kirlilik seviyeleri aniden yükseldiğinde uyarılar gönderebilir. Böylece insanlar hemen harekete geçebilir: ya içeride kalabilir ya da maske takabilir.

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

7. Tahmine dayalı modeller

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

Gerçek hayattan örnek: Cornell'den mühendisler, insanların ciğerlerine giren kurum, toz ve kamyonlar ile arabalardan çıkan egzoz gazı olan ince partikül maddeyi (PM2.5) hesaplayabilen bir model tasarladı. Bu modeller, risklerin daha erken tespit edilmesini ve çevresel veya sağlık etkileri artmadan önce önleyici eylemde bulunulmasını sağlar.¹⁶

Biyoçeşitlilik

8. Biyoçeşitlilik izleme ve koruma

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

Sinir ağları, bilgisayar görüşü ve uydu görüşü gibi teknolojiler, araştırmacıların görüntülerde hayvanları tespit etmesine ve bir tür içindeki belirli hayvanları tanımlamasına yardımcı olabilir. Araştırmacılar kuşlar, amfibiler, setaseler ve hatta balıklar gibi hayvanları izleyebilir ve verileri makine öğrenimi araçlarını kullanarak analiz edebilir.¹⁷

Bu teknolojilerle bilim insanları şunları yapabilir:

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

Gerçek hayattan örnek: Etkili koruma, türlerin nerede yaşadığını bilmeye dayanır, ancak küresel biyoçeşitliliğin ölçeği ve çeşitliliği göz önüne alındığında doğru tür dağılım haritaları üretmek zor olmaya devam etmektedir. Buna çözüm olarak Google araştırmacıları, geniş coğrafyalar boyunca tür dağılım haritaları oluşturmak için YZ tabanlı bir sistem geliştirdi.

Sistem, açık biyoçeşitlilik veritabanlarından saha gözlem kayıtlarını, AlphaEarth Foundations'tan elde edilen uydu kaynaklı gömmeler ve vücut kütlesi gibi tür düzeyindeki özelliklerle birleştirir. Bir grafik sinir ağı (GNN) modeli, bu bilgiyi, birçok tür için eş zamanlı olarak olası coğrafi dağılımları çıkarmak için kullanır ve bu da daha sonra yerel uzmanlar tarafından rafine edilebilir.

Pilot projelerde model, Büyük Uçan Keseli (Greater Glider) dahil olmak üzere Avustralya memeli türlerini haritalamak için kullanılmış ve bu haritaların bir alt kümesi BM Biyoçeşitlilik Laboratuvarı ve Google Earth Engine gibi platformlar aracılığıyla yayınlanmıştır.

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

Sürdürülebilirlik için veri analizi

GPT'ler gibi büyük dil modelleri (LLM'ler), kuruluşların büyük veri setlerini analiz etmesine ve bunlara dayalı eylemde bulunmasına yardımcı olarak daha sürdürülebilir bir geleceği yönlendirmede çok önemlidir. Bu alandaki bazı temel YZ uygulamaları şunları içerir:

9. İş belgelerini analiz etme ve atığı azaltma

Üretken yapay zeka sistemleri iş belgelerini inceleyip analiz ederek şirketlerin atığı azaltma ve sürdürülebilirlik çabalarını iyileştirme fırsatlarını belirlemelerine yardımcı olabilir. 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.
• YZ algoritmaları, verimsizlikleri belirleyerek ve yakıt tüketimini azaltma yolları önererek tedarik zinciri süreçlerini optimize edebilir. Bu teknolojiler sera gazı emisyonlarını azaltmaya ve kaynak kullanımını en aza indirmeye yardımcı olur.
• YZ'den yararlanarak şirketler, enerji tüketimleri hakkında değerli içgörüler elde edebilir, bu da yenilenebilir enerji kaynaklarına geçiş yapmalarına ve genel enerji verimliliğini artırmalarına yardımcı olur.

YZ teknolojilerinin bu entegrasyonu, işletmelerin sürdürülebilirliği operasyonlarına dahil ederken çevresel etkilerini azaltmalarına olanak tanır.

10. Kapsam 3 risklerini belirleme

Tedarik zincirleri ve ürün yaşam döngüleri aracılığıyla dolaylı olarak oluşan Kapsam 3 sera gazı emisyonlarını tespit etmek zorlayıcı olabilir. Bununla birlikte, ChatGPT gibi YZ araçlarını kullanarak şirketler, aşağıdakiler gibi büyük hacimli halka açık verileri analiz ederek bu riskleri etkili bir şekilde belirleyebilir:

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

İşletmeler, bu riskleri belirleyerek iklim değişikliği endişelerini proaktif olarak ele alabilir ve çevresel adalet ilkeleriyle uyum sağlayabilir.

11. Enerji ve kaynak optimizasyonu için YZ

Bulut hizmet sağlayıcıları tarafından dağıtılanlar da dahil olmak üzere YZ sistemleri, işletmelere ve kuruluşlara şu konularda yardımcı olabilir:

• Soğutma sistemlerini iyileştirerek ve güç kullanım etkinliğini (PUE) azaltarak veri merkezlerindeki enerji kullanımını optimize etme.
• Enerji depolama ihtiyaçlarını tahmin etme ve yönetme, yenilenebilir enerji üretimini taleple uyumlu hale getirme.
• YZ destekli bakım önerileriyle cihaz ömürlerini uzatarak elektronik atığı azaltma.

Gerçek hayattan örnek: NVIDIA'nın Earth‑2'si, kilometre ölçeğinde küresel modellemeye olanak tanıyan GPU hızlandırmalı bir iklim simülasyon platformudur.

Haziran 2025'te cBottle ("Şişede İklim") adlı üretken bir YZ modelini piyasaya sürdü. Model, günün saati ve deniz yüzeyi sıcaklıkları gibi girdilere bağlı olarak küresel atmosferik durumları, 1‑2 km'ye varan çözünürlükte, önemli ölçüde azaltılmış hesaplama süresi ve enerji kullanımıyla üretebilir.¹⁹

Bu sistem şunları başarır:

• Numune başına 3.000 kata kadar veri sıkıştırma oranları.
• Geleneksel yöntemlerden binlerce kat daha hızlı ve 10.000 kata kadar daha enerji verimli tahmin hızları.
• Süper çözünürlüklü hava durumu içgörüleri sağlamak için YZ tabanlı ölçek küçültme (CorrDiff) entegrasyonu.
• Önde gelen araştırma kurumları (MPI‑M, AI², Alan Turing Enstitüsü) tarafından aktif olarak benimsenmesi, etkileşimli dijital ikiz iklim keşfini kolaylaştırır.

Temel özellikler şunlardır:

• Kilometre ölçeğinde iklim simülasyonu ve etkileşimli görselleştirme.
• Hızlı, yüksek çözünürlüklü tahminler için üretken YZ (cBottle + CorrDiff).
• Gerçek dünya testleri (GTC, hackathon'lar) ve kurumsal iş birliği ile kanıtlanmıştır.

Simülasyon ve tahmin platformlarının ötesinde, çeşitli kuruluşlar şebeke, batarya, piyasa ve bina ölçeklerinde somut enerji ve iklim direnci zorluklarını ele almak için YZ'yi uyguluyor.

Gerçek hayattan örnek: Bir megaşehir elektrik şebekesini yönetmek, üretim, talep, ticaret ve düzenleme boyunca gerçek zamanlı koordinasyon gerektirir; bu görevler dağıtık enerji kaynakları ölçeklendikçe giderek zorlaşır. Çin Devlet Şebeke Şirketi, bu kısıtlar altında Şanghay'ın elektrik şebekesini yönetmek için YZ'yi uyguluyor.

Platformu, tahmin, ticaret, düzenleyici gözetim ve mutabakatı tek bir sistemde entegre ederek dağıtık enerji varlıklarının saniyenin altındaki sürelerde koordinasyonunu sağlar. Sistem 15.000'den fazla kullanıcıyı destekler ve büyük kentsel şebekelerin yenilenebilir entegrasyonu artırırken dayanıklılığı nasıl iyileştirebileceğini gösterir.²⁰

Sürdürülebilir tarım

Tarımdaki YZ teknolojileri, çiftçilerin kaynak verimsizliği ve çevresel etki gibi zorlukları ele almasına yardımcı oluyor. Tarımsal robotik, hava durumu izleme sistemleri ve arazi yönetim algoritmaları gibi araçları dahil ederek çiftçiler operasyonları optimize edebilir, atığı azaltabilir ve sürdürülebilirlik hedeflerine ulaşabilir.

Ayrıca YZ destekli mahsul ve hayvan izleme, sorunları erken tespit ederek, kimyasal ihtiyacını azaltarak ve kaynak kullanımını en aza indirerek daha sağlıklı verim ve daha sağlıklı hayvanlar sağlar.

12. Tarımsal robotik

Sürücüsüz bir araba gibi, yapay zeka destekli robotlar hareket edebilir ve ürünleri hazır olduklarında ve olgunlaştıklarında hasat edebilir. Bu, atığı azaltmaya ve üretim hatlarını iyileştirmeye yardımcı olur.

13. Hava durumu izleme

YZ ayrıca hava durumunu izleyebilir ve tahmin edebilir. Bu, çiftçilerin belirli bir konumdaki hava durumunu tahmin etmelerine yardımcı olarak, mahsullerini ne zaman sulayacakları, ne zaman ekim veya hasat yapacakları konusunda içgörü sağlar.

14. Arazi yönetimi

YZ'nin bir başka kullanım alanı da tarım arazisi planlamasıdır. Uydu görüntüleri, algoritmalar ve arazi kullanım verilerini kullanarak çiftçiler, mahsullerini nereye ve ne zaman ekeceklerini planlayabilir. Bu, aynı zamanda düzenleyici uyumu sağlamalarına da yardımcı olabilir.

15. Mahsul ve hayvan izleme

YZ, çiftçilerin mahsullerini ve hayvanlarını sağlıklı tutmalarına yardımcı olabilir. Mahsul durumunu tespit etmek için görüntü tanıma ve sensörlerle YZ, mahsullere saldıran böcekleri veya hayvan hastalıklarının erken belirtilerini azaltmaya yardımcı olabilir.

Çiftçiler daha sonra aşırı miktarda kimyasal veya ilaç kullanmadan soruna müdahale edebilir ve potansiyel kayıpları azaltabilir.

Google Arama'da daha fazla kıyaslamamızı ve veri odaklı içgörülerimizi görün.

Tercih edilen kaynak olarak ekle

Sürdürülebilir üretim ve işyeri

16. Daha az kusurlu üretim

YZ etkin bilgisayar görüşü sistemleri, üretim aşamasında üretim hatalarını en aza indirerek kusurlardan veya müşteri memnuniyetsizliğinden kaynaklanan ürün iadesi sorunlarını ele alabilir.

Konveyör bandına veya üretim hattına kurulan bilgisayar görüşü etkin kalite kontrol sistemleri, ürünün kalitesini manuel denetimden daha doğru ve verimli bir şekilde inceleyebilir.

Nasıl çalıştığını görün:

Kusurlu ürünlerdeki bu azalma, sonuçta kuruluşun ürün iadelerini ve tersine lojistik ve diğer iade süreçleriyle ilgili sera gazı emisyonlarını azaltabilir.

17. Üretimde daha iyi sızıntı tespiti

Bilgisayar görüşü sistemleri, bir üretim tesisi içindeki su sızıntılarını ve diğer zararlı kimyasalları tespit etmeye ve yetkilileri hızlı harekete geçmeleri için uyarmaya yardımcı olabilir. Bu, işletmelerin çevresel etkilerini azaltmalarına yardımcı olabilir. 

Nasıl çalıştığını görün:

18. Daha güvenli işyeri

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

YZ etkin bilgisayar görüşü sistemleri, güvenlik kurallarına uyumu sağlayarak işçi güvenliğini iyileştirmeye yardımcı olabilir. Bu, işletmeyi çalışanları için daha güvenli hale getirerek bir işletmenin sosyal sürdürülebilirliğini iyileştirmeye yardımcı olabilir.

Üretim tesisindeki kilit noktalara akıllı kameralar kurularak çalışanların kurallara uyup uymadığı ve güvenlik ekipmanı giyip giymediği izlenebilir. Sistem ayrıca tesisteki diğer riskleri belirleyebilir ve daha ileri işlem yapılması için ilgili operasyon veya güvenlik yöneticisine bildirimde bulunabilir.

Enerji ve lojistik

19. Azaltılmış enerji tüketimi

Şekil 2: Yenilenebilir kaynaklardan küresel elektrik payı.

Yenilenebilir enerjiye yapılan yatırımlar son birkaç yılda önemli ölçüde artmış olsa da, yenilenebilir enerji dünya elektrik üretiminin 30%'unu oluşturuyor.²¹

YZ, enerji tüketim kalıplarını inceleyerek ve şirketin üretkenliğinden ödün vermeden tüketimi azaltma ve iyileştirme konusunda içgörüler sağlayarak yenilenebilir enerji kullanımını artırmaya yardımcı olabilir.

20. Optimize edilmiş ve sürdürülebilir lojistik

YZ aynı zamanda, toplam kurumsal karbon ayak izinin önemli bir kısmını oluşturan bir işletmenin dağıtım ve lojistik operasyonlarının sürdürülebilirliğini iyileştirmeye de yardımcı olabilir.

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

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

YZ'nin lojistik sektöründe nasıl devrim yarattığı hakkında daha fazla bilgi edinmek için lojistik YZ kullanım örneklerine göz atın.

Sürdürülebilirlik YZ'sinin zorlukları nelerdir?

Yapay zeka çevreyi korumaya yardımcı olma konusunda umut verici görünüyor, ancak bazı zorlukları da beraberinde getiriyor:

Hesaplama enerjisi

Gelişmiş YZ modelleri önemli miktarda hesaplama 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 YZ teknolojilerini kullanmak paradoksal olabilir.

İşgücü suistimalleri

ChatGPT gibi büyük dil modelleri, modeli toksik metinlerden uzak tutmak için etiketlere ihtiyaç duyabilir. Bu etiketleri almak için OpenAI Kenya'daki bir firmaya on binlerce parçacık metin göndermiştir. Şirket tarafından istihdam edilen veri etiketleyicilere saat başına yaklaşık $1,32 ve $2 ödenmektedir.²³

Bu, sürdürülebilir bir gelecek için YZ araçları geliştirirken işçi haklarının gasp edilip edilmediği sorusunu gündeme getiriyor.

YZ önyargısı ve etik

YZ modelleri veriden öğrenir ve eğer veri önyargılıysa veya gerçekliğin belirli bir bölümünü temsil ediyorsa, modeller yanlış sonuçlar üretebilir. Örneğin, konuma özgü veriler üzerinde eğitilmiş bir YZ modeli, diğer alanlar için veri oluşturamaz.

YZ sonuçlarına dayanan kararlar toplumu ve dünyayı büyük ölçüde etkileyebilir. Bu nedenle veri gizliliği ve sahipliği hakkında sorular ortaya çıkabilir.

Zorlukları hafifletmek için en iyi uygulamalar

Enerji verimli YZ

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

YZ hesaplama altyapısı, karbon ayak izini daha da düşürmeye yardımcı olabilecek yenilenebilir enerji kaynaklarıyla çalıştırılabilir.

YZ önyargısını ele almak

YZ modelleri, önyargıdan kaçınmak için veri toplama, test etme ve doğrulama için uygun yöntemler kullanmalıdır. Temsili verileri dahil etmek ve koşulların farklı konumlarda nasıl değişebileceğini dikkate almak da önemlidir.

Etik yönergeler geliştirmek

YZ'nin çevreyi koruması için etik yönergeler ve politikalar tasarlanmalı ve takip edilmelidir. Bu, verilerin kime ait olduğu, nasıl gizli tutulacağı ve YZ'nin nasıl etik kullanılacağı konusunda net kuralları içerir.

Paydaş katılımını teşvik etmek

Karar alma sürecine paydaşları dahil edin, özellikle de YZ sonuçlarından etkilenecek grupları. Bu, herkesin YZ modellerinin nasıl çalıştığını ve hangi verileri kullandığını bildiğinden emin olmayı gerektirir.

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 YZ Uygulaması ve Örnekler}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/sustainability-ai}},
  note   = {AIMultiple. Erişim tarihi: 9 Haziran 2026}
}

Referans Linkleri

1.

Artificial intelligence in sustainable development research | Nature Sustainability

Nature Publishing Group UK

2.

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

MDPI

3.

Sustainable AI Conference 2025 — Institute for Science and Ethics

4.

Purpose-Built AI for Carbon Management | CO2 AI

CO2 AI

5.

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

Google

6.

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

7.

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

Ecosystem Modeling team

8.

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

9.

https://arxiv.org/pdf/2111.02780

10.

Flood Forecasting - Flood Forecasting

11.

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

euronews

12.

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

13.

How artificial intelligence is helping tackle environmental challenges

United Nations Environment Programme

14.

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

The New York Times

15.

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

Frontiers

16.

AI empowers conservation biology

Nature Publishing Group UK

17.

https://lynx.wildbook.org/

18.

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

19.

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

20.

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

21.

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

The Guardian

22.

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

Time

23.

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

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 analist olarak görev yapmaktadır. AIMultiple, her ay Fortune 500 şirketlerinin %55'i de dahil olmak üzere yüz binlerce işletmeye (benzer Web'e göre) bilgi sağlamaktadır. 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 uluslararası kuruluşlar tarafından alıntılanmıştır. AIMultiple'ı referans gösteren daha fazla saygın şirket ve kaynağı görebilirsiniz. Kariyeri boyunca Cem, teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yapmıştır. On yıldan fazla bir süre McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararları konusunda danışmanlık yapmıştır. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayınlamıştır. Bir telekom şirketinin CEO'suna bağlı olarak teknoloji stratejisi ve tedarikini yönetmiştir. Ayrıca, 2 yıl içinde sıfırdan 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 yayınlarında yer aldı. Cem düzenli olarak uluslararası teknoloji konferanslarında konuşmacı olarak yer almaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisliği diplomasına ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Araştıran

Sıla Ermut

Sektör Analisti

Takip Et

Sıla Ermut, AIMultiple'ta e-posta pazarlama ve satış videolarına odaklanan bir sektör analistidir. Daha önce proje yönetimi ve danışmanlık firmalarında işe alım uzmanı olarak çalıştı. 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