YAPAY ZEKÂ TEKNOLOJİLERİNİN KALİTE MALİYETLERİ ÜZERİNE ETKİSİ

Yıl 2022, Cilt: 31 Sayı: 1, 59 - 72, 30.04.2022

Demet Ever , Elif Nursun Demircioğlu

https://doi.org/10.35379/cusosbil.1023004

Cited By: 5

Öz

Yapay zekâ teknolojilerinin gelişmesiyle birlikte, işletmeler için dijital dönüşüm gerekli hale gelmiştir. Artan rekabet ortamında işletmelerin, sürdürülebilir olmayı hedefleyerek, maliyetleri azaltmak ve kârlılığı arttırmak için yeni fırsatlar keşfetmek üzere yapay zekâ teknolojilerine yatırım yapmaları önemli olmaktadır. İşletmeler, yapay zekâ teknolojilerini üretim planlama, iyileştirme ve kalite kontrol faaliyetlerinde kullanarak verimliliklerini arttırmayı ve mevcut sorunlara en kısa zamanda çözüm üretmeyi amaçlamaktadırlar. Yapay zekâ teknolojilerinin, algılama, tanıma, analiz, tahmin ve karar verme yeteneği sayesinde kalite yönetim sistemleri daha etkin ve verimli bir şekilde kullanılabilmektedir. Bu modern teknolojilerin kullanıldığı işletmelerde geleneksel maliyet sistemleri yetersiz kalabilmekte ve bu nedenle yeni yöntemlere duyulan ihtiyaç artmaktadır. Bu ihtiyaç doğrultusunda maliyet/yönetim muhasebesi alanında çağdaş bir yaklaşım olan kalite maliyetleri önem arz etmektedir. Zira yapay zekâ destekli kalite yönetim sistemlerinin endüstrilerde yaygın olarak tasarlanması ve uygulanmasıyla, kaliteye yönelik faaliyetlerin iyileştirilerek, hataların erken tespit edilmesi ve ortadan kaldırılması suretiyle kalite maliyetleri azaltılabilmektedir. Böylelikle yapay zekâya muhasebe perspektifinden bakıldığında, kalite maliyetleri modellerinin avantajlarını ve işletmelerin dijital dönüşümünü teşvik etmedeki rollerini incelemek önemli olmaktadır. Bu kapsamda bu çalışmada yapay zekâ teknolojilerinin kalite maliyetleri üzerine etkisini ortaya koymak amaçlanmıştır. Bu doğrultuda yapay zekâ teknolojilerinin kalite yönetim sisteminde kullanılmasıyla ortaya çıkan faaliyetlerin, kalite maliyetleri üzerine etkileri teorik olarak ortaya konulmuştur.

Anahtar Kelimeler

Yapay zekâ, kalite yönetimi, kalite maliyetleri

Kaynakça

• Assen, M., Banerjee, I., ve De Cecco, C. N. (2020). Beyond the artificial intelligence hype: what lies behind the algorithms and what we can achieve. Journal of thoracic imaging, 35, s.3-10.
• Aylak, B.L. Oral O. ve Yazıcı, K. (2021). Yapay zekâ ve makine öğrenmesi tekniklerinin lojistik sektöründe kullanımı, El-Cezrî Fen ve Mühendislik Dergisi, 8(1), S.74-93.
• Aytaç, E. (2006). Kalite kontrolde bulanık mantık yaklaşımı ve bir uygulama (Yüksek Lisans Tezi). Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü, Denizli.
• Başoğlu, B. ve Bulut, M. (2017). Kısa dönem elektrik talep tahminleri için yapay sinir ağları ve uzman sistemler tabanlı hibrit sistem geliştirilmesi. Journal of the Faculty of Engineering and Architecture of Gazi University, 32(2), 575-583.
• Bayraktar, C. ve Gökçen, H. (2020). Yüksek raflı depolama sistemlerinin enerji optimizasyonunda anomali tespiti için sınıflama algoritmalarının karşılaştırılması, Uluslararası Yönetim Bilişim Sistemleri ve Bilgisayar Bilimleri Dergisi, 4(2):89-109.
• Bolatan, G. İ. S. (2019). Kalite 4.0, Iğdır Üniversitesi Sosyal Bilimler Dergisi, 21, s.437-454.
• Brynjolfsson, E., ve Andrew, M. (2017). Artificial intelligence, for real. Harvard Business Review. https://starlab-alliance.com/wp-content/uploads/2017/09/AI-Article.pdf Erişim: 19.05.2021.
• Buchmeister, B., Palcic, I., ve Ojstersek, R. (2019). Artıfıcıal ıntellıgence ın manufacturıng companıes and broader: an overvıew. Chapter 07 in DAAAM International Scientific Book, 081-098.
• Chiarini, A. (2020). Industry 4.0, quality management and TQM world. A systematic literature review and a proposed agenda for further research. The TQM Journal. 32(4), pp.603-616.
• Demircioğlu, E. N. (2016). Yönetim Muhasebesinde Çağdaş Yaklaşımlar. Adana: Karahan.
• Demircioğlu, E. N. ve Küçüksavaş N. (2009). Kalite maliyetleri. Çukurova Üniversitesi İİBF Dergisi, 13(81), 32-67.
• Du‐Harpur, X., Watt, F. M., Luscombe, N. M., ve Lynch, M. D. (2020). What is AI? Applications of artificial intelligence to dermatology. British Journal of Dermatology, 183(3), 423-430.
• Erkalan, M., Calp, M.H. ve Şahin, İ. (2012). Çoklu zekâ kuramından yararlanılarak meslek seçiminde kullanılacak bir uzman sistem tasarımı ve gerçekleştirilmesi. Bilişim Teknolojileri Dergisi, 5(2), 49-55.
• Ever, D. (2019). Karlılık üzerine etkileri açısından kalite maliyetlerinin incelenmesi ve demir çelik işletmesinde bir uygulama (Yüksek Lisans Tezi). Çukurova Üniversitesi Sosyal Bilimler Enstitüsü, Adana.
• Gacar, A. (2019). Yapay zekâ ve yapay zekânın muhasebe mesleğine olan etkileri: Türkiye’ye yönelik fırsat ve tehditler. Balkan Sosyal Bilimler Dergisi, 8, 389-394.
• Gökten P.O. (2018). Karanlıkta üretim: Yeni çağda maliyetin kapsamı. Muhasebe Bilim Dünyası Dergisi, 20(4), 880-897.
• Gümüşoğlu, Ş. (2018). Bilimsel yaklaşımlarla değişim, dönüşüm ve kalite 4.0. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 33(2), 543-568.
• Gür, Y. E., Ayden, C., ve Yücel, A. Yapay zekâ alanındaki gelişmelerin insan kaynakları yönetimine etkisi. Fırat Üniversitesi Uluslararası İktisadi ve İdari Bilimler Dergisi, 3(2), 137-158.
• Gürsoy, M. Ü., Çolak, U. C., Gökçe, M. H., Akkulak, C., ve Ötleş, S. (2019). Endüstri için kestirimci bakım. International Journal of 3D Printing Technologies and Digital Industry, 3(1), 56-66.
• Hackernoon, (2018, Mayıs). Yapay zekâ (AI): bugün ve yarın. hackernoon.com, https://hackernoon.com/artificial-intelligence-ai-today-and-tomorrow-6e65bad829c4, Erişim tarihi:19.05.2021
• IFS, (2020, Nisan). Yapay Zekânın Üretim Endüstrisine Etkileri. https://www.ifs.com/tr/news-and-events/newsroom/2020/04/07/yapay-zekânin-uretim-endustrilerine-etkileri/ Erişim tarihi:19.05.2021
• Janiesch, C., Zschech, P., ve Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets, 1-11.
• Kaya, İ. ve Engin, O. (2005). Kalite iyileştirme sürecinde yapay zekâ tekniklerinin kullanımı, Mühendislik Bilimleri Dergisi, 1 (1), 103-114.
• Kaya, İ., Gözen, Ş., ve Engin, O. (2004). Kalite kontrol problemlerinin çözümünde uzman sistemlerin kullanımı. Havacılık ve Uzay Teknolojileri Dergisi, 1 (4), 87-101.
• Kaya, İ., Oktay, S. ve ENGİN, O. (2005). Kalite kontrol problemlerinin çözümünde yapay sinir ağlarının kullanımı. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 21(1), 92-107.
• Kazu, İ. Y., ve Özdemir, O. (2009). Öğrencilerin bireysel özelliklerinin yapay zekâ ile belirlenmesi (Bulanık mantık örneği). Akademik Bilişim, 11-13.
• Kefe, İ. ve Tanış, V. N. (2014). Kalite Maliyetleri ve Otomotiv Sektöründe Bir Uygulama. MÖDAV Muhasebe bilim dünyası dergisi. 16 (1). s45-62.
• Kesici, B., ve Yıldız, M. S. (2016). Kalite kontrol faaliyetlerinde yapay zekâ kullanımı ve bir otomotiv yan sanayisinde uygulanması. Yalova Sosyal Bilimler Dergisi, 6(12), 307-323.
• Kim, K. J., ve Han, I. (2003). Application of a hybrid genetic algorithm and neural network approach in activity-based costing. Expert Systems with Applications, 24(1), 73-77.
• Konzek Teknoloji, A.Ş. (2021), Üretimde Yapay zekâ 2021, Ocak, Konzek Teknoloji, A.Ş. https://www.konzek.com/blog/uretimde-yapay-zekâ, Erişim: 25.03.2021.
• Lee, S. M., Lee, D., ve Kim, Y. S. (2019). The quality management ecosystem for predictive maintenance in the Industry 4.0 era. International Journal of Quality Innovation, 5(1), 1-11.
• Li, B. H., Hou, B. C., Yu, W. T., Lu, X. B., ve Yang, C. W. (2017). Applications of artificial intelligence in intelligent manufacturing: a review. Frontiers of Information Technology & Electronic Engineering, 18(1), 86-96.
• McCarthy, J. (2004). What is Artificial Intelligence. Erişim: https://homes.di.unimi.it/borghese/Teaching/AdvancedIntelligentSystems/Old/IntelligentSystems_2008_2009/Old/IntelligentSystems_2005_2006/Documents/Symbolic/04_McCarthy_whatisai.pdf, Erişim: 19.03.2021.
• McCarthy, J., Minsky, M. L., Rochester, N., ve Shannon, C. E. (2006). A proposal for the dartmouth summer research project on artificial intelligence, august 31, 1955. AI magazine, 27(4), 12-14.
• Meireles, M. R., Almeida, P. E., ve Simões, M. G. (2003). A comprehensive review for industrial applicability of artificial neural networks. IEEE transactions on industrial electronics, 50(3), 585-601.
• Nabiyev, V. V. (2012). Yapay zekâ: insan- bilgisayar etkileşimi. (gözden geçirilmiş ve genişletilmiş 4. Baskı). Ankara: Seçkin Yayıncılık
• Nilsson, N. J. (2009). The quest for artificial intelligence. Cambridge University Press. https://books.google.com.tr/ Erişim: 21.05.2021
• Ongsulee, P. (2017, November). Artificial intelligence, machine learning and deep learning. In 2017 15th International Conference on ICT and Knowledge Engineering (ICT&KE), 1-6.
• Özcan, A., Erçil, A., Güvenoğlu, E., Sümen, H. H., ve Özen, S. (2015, Ekim). Kalite kontrol uygulamalarında yapay görme sistemlerinin yatırım karlılığına yönelik karar destek sistemi önerisi, 2.Ulusal Yönetim Bilişim Sistemleri Kongresi Bildiriler Kitabı, 377-385.
• Özcan, A., Erçil, A., Güvenoğlu, E., Sümen, H. H., ve Özen, S. (2015). Kalite kontrol uygulamalarında yapay görme sistemlerinin yatırım karlılığına yönelik karar destek sistemi öneris, (Doktora Tezi). Maltepe Üniversitesi Sosyal Bilimler Enstitüsü.
• Öztürk, K., ve Şahin, M. E. (2018). Yapay sinir ağları ve yapay zekâ’ya genel bir bakış. Takvim-i Vekayi, 6(2), 25-36.
• Pham, D. T., ve Pham, P. T. N. (1999). Artificial intelligence in engineering. International Journal of Machine Tools and Manufacture, 39(6), 937-949.
• Pipiay, G. T., Chernenkaya, L. V., ve Mager, V. E. (2021). Quality Indicators of Instrumentation Products According to the «Quality 4.0» Concept. Ocak 2021, IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus), 1032-1036.
• Pirim, H. (2006). Yapay zekâ. Journal of Yaşar University, 1(1), 81-93.
• Reese, H. (2017). Understanding the differences between AI, machine learning, and deep learning. 1-12. 13 Haziran 2021 tarihinde https://www.techrepublic. com/article/understandingthedifferencesbetweenaimachine learninganddeeplearning adresinden erişildi.
• Ren, J. ve Guo, S. (2019). Research on the cost accounting under the transformation of manufacturing, 2019, 8th International Conference on Social Science, Education and Humanities Research (SSEHR 2019), 131-135.
• Sader, S., Husti, I., ve Daróczi, M. (2019). Industry 4.0 as a key enabler toward successful implementation of total quality management practices. Periodica Polytechnica Social and Management Sciences, 27(2), 131-140.
• Sarma, R. K., Kumar, D. ve Kumar, P. (2007). Quality costing in process industries through QCAS: A Pratical Case. International Journal Of Production Research, 45(15), 3381-3403.
• Schalkoff, R. J. (1990). Artificial intelligence: an engineering approach, McGraw-Hill: New York.Schiffauerova, A. ve Thomson, V. (2006). A review of research on the cost of quality models and best practice. Journal Of Quality & Reliability Management, 23(6), 647-669.
• Schiffauerova, A. ve Thomson, V. (2006). A review of research on the cost of quality models and best practice. Journal Of Quality & Reliability Management, 23(6), 647-669.
• Shin, W. S., Dahlgaard, J. J., Dahlgaard-Park, S. M., ve Kim, M. G. (2018). A Quality Scorecard for the era of Industry 4.0. Total Quality Management & Business Excellence, 29(9-10), 959-976.
• Sony, M., Antony, J., Douglas, J.A. ve McDermott, O. (2021), “Motivations, barriers and readiness factors for Quality 4.0 implementation: an exploratory study”, published in The TQM Journal, 1-14.
• Sony, M., Antony, J., ve Douglas, J. A. (2020). Essential ingredients for the implementation of Quality 4.0: A narrative review of literature and future directions for research. The TQM Journal. 32(4), 779-793.
• Souza, F. F., Corsi, A., Pagani, R. N., Balbinotti, G., ve Kovaleski, J. L. (2021). Total quality management 4.0: adapting quality management to Industry 4.0. The TQM Journal. 1-21.
• Stancheva-Todorova, E. P. (2018). How artificial intelligence is challenging accounting profession. Journal of International Scientific Publications" Economy & Business, 12, 126-141.
• Sucu, İ., ve Ataman, E. (2020). Dijital evrenin yeni dünyası olarak yapay zekâ ve her filmi üzerine bir çalışma. Yeni Medya Elektronik Dergisi, 4(1), 40-52.
• Şahan, A. N. (2020). Stratejik yönetim perspektifinden sigortacılık sektöründe makine öğrenmesi algoritmaları ile anomali tespiti (Doktora Tezi). İstanbul teknik üniversitesi Fen Bilimleri Enstitüsü.
• Tanış, V. N. (2005). Teknolojik Değişim ve Maliyet Muhasebesi. Adana: Nobel Kitabevi.
• Tas, O., Mert, H., (2019). An application of artificial intelligence on auditing. PressAcademia Procedia (PAP), 9, 65-68.
• Taş, O. ve Mert, H. (2019). An Application of Artifıcial Intelligence on Auditing. 9, Global Business Research Congress, 30-31 Mayıs, İstanbul.
• Uygunoğlu, T., ve Yurtçu, Ş. (2006). Yapay zekâ tekniklerinin inşaat mühendisliği problemlerinde kullanımı. Yapı Teknolojileri Elektronik Dergisi, 2(1), 61-70.
• Ünver, M., ve Altunok, C. (2020). Medikal endüstride yapay zekâ ve uzman sistemlerin sürekli iyileştirmeye etkisi. In 8th International Symposium on Innovative Technologies in Engineering and Science (ISITES), 23-25.
• Versace, M., Bhatt, R., Hinds, O., ve Shiffer, M. (2004). Predicting the exchange traded fund DIA with a combination of genetic algorithms and neural networks. Expert systems with applications, 27(3), 417-425.
• Wang, P. (2019). On defining artificial intelligence. Journal of Artificial General Intelligence, 10(2), 1-37.
• Whitby, B. (2003). Yapay zekâ. (çeviren: Çiğdem Karabağlı). İleitişim yayınları: İstanbul
• Yang, J. P., Wang, W. L., ve Zhou, S. K. (2019). A Design Of Integrated Quality Management System Based On Artificial Intelligence (Aı) Technology. Destech Transactions On Computer Science And Engineering, 15-20.
• Zhang, Y., Peng, P., Liu, C., ve Zhang, H. (2019). Anomaly detection for industry product quality inspection based on Gaussian restricted Boltzmann machine. Ekim 2019, IEEE İnternational Conference On Systems, Man And Cybernetics, 1-6.