Imagine a heavy snowstorm hitting Istanbul one winter morning. Within a few hours, hundreds of flights are cancelled. Part of the scheduled crew is stranded in other cities — no flights, they can't get here. Part of the available crew has already reached their legal flight hours — they cannot be put to work before their rest period is complete. The rule is strict.

You have to replan with the crew you have left. Who can go where? Which pilot is certified for which aircraft type? And you have to solve all of this within hours.

This is the real test of airline crew scheduling.

Why Is This Problem So Hard?

Airline crew scheduling is one of the mathematically hard problem classes. Finding an optimal solution quickly in large-scale real operations is often far from straightforward.

Even in normal operations, dozens of constraints are active simultaneously: if a pilot's legal flight hours are up, rest is mandatory; if a crew member is in another city, positioning takes time; some pilots are certified only for specific aircraft types; crew pairings, duty periods, connection times, and rest rules must all be satisfied together.

And when operational disruption hits on top of all this, the picture changes entirely. A snowstorm, a technical fault, airspace closure, geopolitical tension — any of these can break the plan. And in a crisis, the challenge isn't just finding a new plan; it's finding a good enough plan before the decision window closes.

Because operations don't wait.

What Do Classical Methods Do?

Airline crew planning has been solved with mathematical optimization for decades. Among possible crew assignments, the search is for plans that satisfy constraints, keep costs low, and are operationally feasible. This approach is very powerful in normal operations.

But when the plan breaks down, the problem changes. The pre-built schedule is no longer valid. The system now has to think not just about "the best plan" but about how to repair a broken plan with minimum damage. Classical optimization can do this. But in a large airline, the number of variables grows fast. In a crisis, hours matter — sometimes minutes.

Where Do Learning Systems Come In?

In recent years, hybrid approaches have been gaining importance. The core idea: classical optimization solves the problem; machine learning helps make the solving process smarter.

Machine learning can learn certain patterns from historical operational data: which crew changes tend to create cascading delays, which recovery strategies have been more effective for which types of disruption. This knowledge helps the optimization model focus on more promising candidates rather than blindly scanning all possibilities.

Reinforcement learning opens up a particularly interesting area in disruption management. RL learns the long-term effects of different interventions: which decision produces fewer cancellations, fewer delays, fewer crew violations, and lower cost.

But What's Still Missing?

One of the places where today's models still struggle most is the human factor.

Fatigue, stress, night flights, biological rhythm, the cumulative effect of back-to-back assignments — these are all at the center of operations. Legal rules are indispensable for safety; but assuming everyone experiences fatigue the same way is also limiting. Personalized, dynamic fatigue modeling using wearable data is an area where ML and RL can contribute.

Just like the driver's tacit knowledge in the previous article, the human factor here too emerges as the hardest but most critical part of the model.

Conclusion

Optimization will remain the backbone of airline crew scheduling. But in a crisis, optimization alone may not be enough. Learning systems, by learning from historical disruption data, can narrow the search space and accelerate replanning. The hardest part of this equation is still not technical: it's human.

Would you like to discuss this topic? You can reach me at zuhalkartal.com

Let's think about a cargo shipment.

The shipment is collected from the customer, arrives at a local collection center, and from there is transported to the airport. A flight out of Istanbul takes it to a hub in Europe. There it merges with other loads — some cargo splits off, new cargo is added. Then another flight carries it to America. In the final leg, it comes back down to road transport and reaches the recipient's door.

So air cargo is not simply "an aircraft going from A to B." In door-to-door transport, the air leg, the road network, hub decisions, flight connections, and delivery times all become parts of the same system.

That's why designing an air cargo network is one of the hardest decision problems in logistics.

Why Is the Air Cargo Network So Complex?

In aviation, bilateral agreements and international regulations directly shape how networks are designed. Airlines organize their operations around designated hubs, and cargo often has to move through specific connection points — sometimes for operational efficiency, sometimes because the regulatory framework leaves limited alternatives.

This constraint also gives rise to an optimization problem: How much cargo do you drop at which hub, what do you pick up from where, how do you sequence the route? Capacity, fuel, time constraints, and regulations are all active simultaneously. Mathematical optimization is indispensable here — solving a problem of this scale by hand is simply not possible.

What Happens When the Operational Plan Breaks Down?

Weather deteriorates. An airport closes. A technical fault emerges. A geopolitical crisis forces a route to deviate.

Classical optimization methods are forced to recalculate the entire solution from scratch. The US Air Force Research Laboratory's Airlift Challenge competition addressed exactly this problem, and the paper states it clearly: "MILP solutions have to recalculate the entire solution when an operational disruption occurs. Reinforcement learning is promising for rapid replanning."

So the answer is the same for the air leg too: pure optimization is powerful but fragile. When the plan breaks down, a hybrid approach — optimization + reinforcement learning — is far more resilient.

The Industry Is Moving Toward Door-to-Door Delivery

Air cargo no longer ends at airport-to-airport transport. Major carriers are moving to door-to-door service — cargo is collected from the sender and delivered all the way to the recipient's door.

This brings road transport into the system as well — both on the collection and distribution legs. And the problems we described in the first article of this series apply here too: time window constraints, time-dependent traffic, and the driver's tacit knowledge.

A delay in the collection phase means missing the flight. A delay in the distribution phase means losing the customer. And all legs are connected — if one breaks, they all break.

Would you like to discuss this topic? You can reach me at zuhalkartal.com

In the previous articles of this series, we talked about the same loop: the model runs, the system produces a recommendation, the human approves. Agentic AI moves one step beyond that loop.

Generative AI offers insight — it calculates the best route, predicts disruption. Agentic AI acts on that insight itself. It applies the route, reschedules the crew, notifies the customer. The difference looks small on the surface. The operational impact can be significant.

Who Is Doing What in Logistics?

Major logistics firms have started taking steps in this space. DHL integrated AI agents into its logistics network in 2025 — automating operational communication workflows and enabling real-time monitoring. Amazon has deployed AI agents in warehouse operations — inventory management, shelf optimization, order picking. SAP introduced Agentic AI agents for supply chain at Hannover Messe 2026; the system now produces not just recommendations, but direct actions.

Some of these applications are mature, some are still developing. But the direction is clear.

What Could It Mean for Aviation and Air Cargo?

Aviation is moving more cautiously here — and for good reason. Safety requirements, regulatory density, and system complexity mean steps in this space need to be taken carefully.

But it is possible to look at the potential areas. The problems we addressed in this series — crew disruption management, cargo routing, route replanning — are places where Agentic AI could make sense. In a disruption, crew members' locations, legal status, and qualifications could be evaluated across connected systems. Replanning could be produced far more quickly. Critical decisions could be submitted for human approval.

We are watching how aviation will shape this technology — the sector is evolving rapidly.

The Human Factor Still Has the Final Word

Throughout this series, we encountered the same reality. The driver's tacit knowledge can't enter the model. Individual crew factors still can't be fully modeled. Trust takes time to build.

Agentic AI doesn't solve these problems — it makes them faster and more autonomous. Without human knowledge, clean data, and trust at the foundation, the system remains incomplete. Strategic decisions, safety decisions — these still rest with humans. The agent takes on repetitive, fast, multi-variable decisions.

The system acts. The human decides what to decide. That's the difference.

Would you like to discuss this topic? You can reach me at zuhalkartal.com

Bir lojistik şirketine en iyi rotalama sistemini kurdunuz. Matematik mükemmel. Sistem en kısa yolu, en az yakıtı, en hızlı teslimatı hesaplıyor. Sabah sürücülere rotaları veriyorsunuz.

Öğleden sonra bakıyorsunuz — kimse sistemi takip etmemiş.

"Ben bu yolu on yıldır biliyorum" diyor biri. Öbürü hiç açıklama yapmadan kendi rotasıyla gitmiş. Ve ilginç olan şu: çoğu zaman haklılar.

Tacit Knowledge — Söze Dökülemeyen Bilgi

Buna literatürde tacit knowledge deniyor — örtük bilgi, zımni bilgi. Yıllarca o bölgede çalışan bir sürücünün kafasında biriken, söze dökülemeyen, formüle edilemeyen ama son derece değerli bilgi.

Bu bilgi şunları kapsıyor:

Bunların hiçbiri optimizasyon modelinde yok. Çünkü veri değiller henüz. Sürücünün kafasında var — modelin içinde değil.

MIT araştırmacıları bunu çok net ifade ediyor: "Deneyimli sürücüler, hangi yolların zor olduğunu, trafiğin ne zaman kötü olduğunu, nerede park yeri bulunabileceğini daha iyi biliyor. Bu bilgi optimizasyon modeline doğrudan dahil edilmesi zor nedenlerle teorik olarak optimal rotalardan sapıyorlar."

Türkiye Gerçeği Daha da Karmaşık

Plansız şehirleşme. Düzensiz sokak yapısı. Haritaya yansımayan değişimler. Türkiye gibi ülkelerde tacit knowledge çok daha kritik hale geliyor. Bir İstanbul sürücüsünün kafasındaki bilgi, Avrupa'nın düzenli şehir ağlarındaki meslektaşından çok daha zengin — ve çok daha zor formüle edilebilir.

Amazon ve MIT Ne Yaptı?

2021'de Amazon tam bu problemi sahaya attı. MIT ile birlikte büyük bir yarışma açtı: Last Mile Routing Research Challenge. Amaç sürücüleri devre dışı bırakmak değildi. Deneyimli sürücülerin yıllarca biriktirdiği tacit knowledge'ı modele dahil etmek.

9.184 gerçek Amazon sürücüsü rotası veri olarak verildi. Dünyadan 2.285 araştırmacı katıldı. Kazanan takım ne yaptı? Matematiksel optimizasyonu sürücü verisiyle hibritleştirdi.

UPS Ne Yaptı?

UPS'in ORION sistemi milyonlarca gerçek teslimat verisini graph-based optimizasyon algoritmaları ile işliyor. Her sürücü için 200.000'den fazla rota seçeneği değerlendiriliyor.

Ama en kritik kısım teknik değildi. Sürücüler güvenmiyordu. UPS sistemi zorla dayatmadı — şeffaf hale getirdi. Sürücüler neden o rotanın önerildiğini görebiliyordu. Güven inşa ettikçe benimseme geldi.

Sonuç: Sürücü başına günlük 6-8 mil azalma. Yılda 100 milyon mil, 10 milyon galon yakıt tasarrufu. 300-400 milyon dolar yıllık kazanım.

Optimizasyonu Atmıyoruz — Öğreten Sistemle Birleştiriyoruz

Burada kritik bir nokta var: Pure optimizasyon vazgeçilmez. Matematiksel garantisi var. Ama statik — bilmediği şeyi bilmiyor.

Machine learning ve reinforcement learning ise geçmişten öğreniyor. Sürücü davranışını, örüntüleri, sapmaları öğrenebilir. Ama tek başına optimizasyonun gücünü veremiyor.

İkisini birleştiren hibrit yaklaşımlar kaçınılmaz hale geliyor. Ve bu birleşimin önkoşulu: temiz veri. Anormal günler ayıklanmış, tutarlı, gerçeği yansıtan geçmiş. Makine kirli geçmişi de öğrenir.

Sonraki yazıda bu hibrit yaklaşımın havayollarında ekip çizelgelemeye nasıl girdiğine bakacağız — disruption yönetimi, bireysel faktörler ve reinforcement learning ile.

Bu konuyu konuşmak ister misiniz? zuhalkartal.com üzerinden ulaşabilirsiniz.

İstanbul'da bir kış sabahı yoğun bir kar fırtınası başladığını düşünelim. Birkaç saat içinde yüzlerce uçuş iptal ediliyor. Planlı ekiplerin bir kısmı farklı şehirlerde mahsur kaldı — uçuş yok, buraya gelemezler. Mevcut ekibin bir kısmı ise yasal uçuş saatini doldurmuş — dinlenme süresi bitmeden çalıştıramazsın, kural katı.

Elimde kalanlarla yeniden plan yapmak zorundasın. Kim nereye gidebilir? Hangi pilot hangi rotaya uygun? Ve tüm bunları saatler içinde çözmek zorundasın.

İşte bu, havayolu ekip çizelgelemesinin gerçek sınav anı.

Problem Neden Bu Kadar Zor?

Havayolu ekip çizelgeleme matematiksel olarak zorlu bir problem sınıfı. Büyük ölçekte gerçek operasyonda hızla optimal çözüm bulmak çoğu zaman doğrudan mümkün değil.

Normal operasyonda bile onlarca kısıt var aynı anda: pilotun yasal uçuş saati dolmuşsa dinlenmesi şart; ekip üyesi başka şehirdeyse transferi zaman alır; bazı pilotlar sadece belirli uçak tipleri için sertifikalı; ekip eşleştirmeleri, görev süreleri, bağlantı süreleri ve dinlenme kurallarının hepsi birlikte sağlanmak zorunda.

Bir de üstüne operasyonel aksamalar gelince tablo çok daha karmaşıklaşıyor. Kar fırtınası, teknik arıza, hava sahası kapanması, jeopolitik gerilim — bunların her biri planı bozabiliyor. Ve kriz anında sorun sadece yeni plan bulmak değil: karar penceresi kapanmadan yeterince iyi bir plan üretmek.

Çünkü operasyon beklemez.

Klasik Yöntemler Ne Yapıyor?

Havayolu ekip planlaması onlarca yıldır matematiksel optimizasyonla çözülüyor. Olası ekip ataması kombinasyonları arasından kısıtlara uygun, maliyeti minimize eden planı buluyor. Normal operasyonda çok iyi çalışıyor.

Ama plan bozulduğunda problem değişiyor. Önceden kurulmuş çizelge artık geçerli değil. Bazı uçuşlar iptal, bazı ekipler yanlış şehirde, bazı atamalar yasal kısıtları ihlal etmeye başlıyor. Sistem artık sadece "en iyi planı" değil, minimum hasarla bozulan planı nasıl onaracağını düşünmek zorunda.

Klasik optimizasyon bunu yapabiliyor. Ama büyük bir havayolunda değişken sayısı hızla büyüyor. Tüm olasılıkları yeniden değerlendirmek zaman alıyor. Kriz anında saatler önemli — bazen dakikalar.

Öğrenen Sistemler Nerede Devreye Giriyor?

Son yıllarda hibrit yaklaşımlar güç kazanıyor. Temel fikir: klasik optimizasyon problemi çözüyor, makine öğrenmesi bu çözüm sürecini daha akıllı hale getiriyor.

Makine öğrenmesi geçmiş operasyonel veriden belirli kalıpları öğrenebiliyor: hangi ekip değişiklikleri zincirleme gecikme yaratıyor, hangi rotalar ağda daha kritik düğümler gibi davranıyor, hangi recovery stratejileri hangi aksama türlerinde daha etkili olmuş. Bu bilgi optimizasyon modelinin tüm olasılıkları körce taramak yerine daha umut vaat eden adaylara odaklanmasına yardımcı olabiliyor. Arama uzayı daralıyor, çözüm süresi kısalıyor.

Reinforcement learning ise aksama yönetiminde özellikle ilginç bir alan açıyor. Çünkü krizde alınan kararlar tek seferlik değil — birbini takip ediyor. RL, aksama senaryolarıyla sürekli etkileşime girerek öğreniyor: farklı müdahalelerin uzun vadeli etkilerini, hangi kararın daha az iptal, daha az gecikme ve daha az kural ihlali ürettiğini.

Ama Asıl Eksik Ne?

Bugünkü modellerin en çok zorlandığı yer insan faktörü.

Matematiksel modelin gözünden bir ekip üyesi genellikle belirli özelliklerle temsil ediliyor: hangi uçak tipini uçurabileceği, kaç saat uçtuğu, ne kadar dinlenmesi gerektiği. Ama gerçek operasyonda bir insan bundan daha fazlası.

Yorgunluk, stres, gece uçuşları, biyolojik ritim, arka arkaya atamaların birikmesi ve karar verme performansı — bunların hepsi operasyonun merkezinde. Yasal kurallar güvenlik için vazgeçilmez; ama herkesin yorgunluğu aynı şekilde yaşadığını varsaymak da kısıtlayıcı. Giyilebilir cihazlardan gelen veriyle kişiselleştirilmiş ve dinamik yorgunluk modellemesi, ML ve RL'nin katkı yapabileceği bir alan olarak öne çıkıyor.

Tıpkı önceki yazıda sürücünün tacit knowledge'ı gibi — insan faktörü burada da en zor ama en kritik parça olmaya devam ediyor.

Sonuç

Optimizasyon, havayolu ekip çizelgelemesinin omurgası olmaya devam edecek. Güvenlik, yasal uyum ve maliyet; sezgiyle değil, titiz matematiksel modellerle yönetilmesi gereken konular.

Ama kriz anında optimizasyon tek başına yetmeyebiliyor. Öğrenen sistemler, geçmiş aksama verilerinden öğrenerek arama uzayını daraltabiliyor, kritik kararları önceliklendirebiliyor ve yeniden planlamayı hızlandırabiliyor. En güçlü yaklaşım muhtemelen burada ortaya çıkacak: optimizasyonun hassasiyetini öğrenen sistemlerin uyum kapasitesiyle birleştiren hibrit modeller.

Yine de bu denklemin en zor parçası teknik değil: insan. Çünkü bir ekip çizelgesi sadece uçuşları değil — yorgunluğu, güvenliği, düzenlemeyi ve operasyonel stresi de taşıyor.

Bu konuyu konuşmak ister misiniz? zuhalkartal.com üzerinden ulaşabilirsiniz.

Bir kargo gönderisini düşünelim.

Gönderi müşteriden toplanıyor, yerel bir toplama merkezine geliyor ve oradan havalimanına taşınıyor. İstanbul'dan kalkan bir uçuş onu Avrupa'daki bir hub'a götürüyor. Orada başka yüklerle birleşiyor — bir kısım kargo ayrılıyor, yeni kargo ekleniyor. Sonra bir uçuş daha, bu sefer Amerika'ya. Son bacakta tekrar karayoluna iniyor ve alıcının kapısına ulaşıyor.

Yani hava kargo, sadece "A'dan B'ye giden bir uçak" değil. Kapıdan kapıya taşımacılıkta hava bacağı, karayolu ağı, hub kararları, uçuş bağlantıları ve teslimat süreleri aynı sistemin parçası haline geliyor.

Bu yüzden hava kargo ağı tasarlamak, lojistiğin en zor karar problemlerinden biri.

Hava Kargo Ağında İşler Neden Karmaşık?

Havacılıkta ikili anlaşmalar ve uluslararası düzenlemeler, ağın nasıl kurulacağını doğrudan şekillendirir. Havayolları operasyonlarını belirli hub'lar etrafında organize eder; kargo da çoğu zaman belirli bağlantı noktalarından geçmek zorunda kalır — bazen operasyonel verimlilik için, bazen de düzenleyici çerçeve başka seçenek bırakmadığı için.

Bu kısıt aynı zamanda bir optimizasyon problemi doğuruyor: Hangi hub'a ne kadar kargo bırakacaksın, nereden ne alacaksın, rotayı nasıl sıralayacaksın? Kapasite, yakıt, zaman kısıtları ve düzenlemeler aynı anda devrede. Matematiksel optimizasyon burada vazgeçilmez — bu boyuttaki problemi elle çözmek mümkün değil.

Operasyonel Plan Aksaması Gelince Ne Oluyor?

Hava durumu bozuldu. Bir havalimanı kapandı. Teknik arıza çıktı. Jeopolitik kriz nedeniyle rota sapmak zorunda kaldı.

Klasik optimizasyon yöntemleri bu anda tüm çözümü sıfırdan yeniden hesaplamak zorunda kalıyor. ABD Hava Kuvvetleri Araştırma Laboratuvarı'nın (AFRL) Airlift Challenge yarışması tam bu problemi ele aldı ve makalede net bir tespit var: "MILP çözümleri operasyonel aksama olduğunda tüm çözümü yeniden hesaplamak zorunda kalıyor. Reinforcement learning ise hızlı yeniden planlama için umut verici."

Yani hava bacağında da cevap aynı: salt optimizasyon güçlü ama kırılgan. Plan bozulduğunda hibrit yaklaşım — optimizasyon + reinforcement learning — çok daha dayanıklı.

Sektör Kapıdan Kapıya Teslimat'a Gidiyor

Hava kargo artık sadece havalimanından havalimanına taşımakla bitmiyor. Büyük taşıyıcılar kapıdan kapıya hizmetine geçiyor — kargo gönderenden alınıp alıcının kapısına kadar götürülüyor.

Bu kara yolu taşımacılığını da sisteme dahil ediyor — hem toplama hem dağıtım bacağında. Ve bu seride ilk yazıda anlattığımız sorunlar burada da geçerli: zaman penceresi kısıtları, zaman bağımlı trafik, sürücünün tacit knowledge'ı.

Toplama aşamasında gecikme uçuşu kaçırır. Dağıtım aşamasında gecikme müşteriyi kaybettirir. Ve tüm bacaklar birbirine bağlı — biri bozulursa hepsi bozulur.

Serinin son yazısında bu sistemlerin bir üst katmanına bakacağız: Agentic AI. Artık sadece öneri sunmayan, kendi başına karar veren sistemler lojistikte ne anlama geliyor?

Bu konuyu konuşmak ister misiniz? zuhalkartal.com üzerinden ulaşabilirsiniz.

Bu serinin önceki üç yazısında hep aynı döngüden bahsettik: model çalışıyor, sistem öneri üretiyor, insan onaylıyor. Agentic AI bu döngünün bir adım ötesine geçiyor.

Generative AI içgörü sunar — en iyi rotayı hesaplar, disruption'ı tahmin eder. Agentic AI ise o içgörü üzerine kendisi harekete geçer. Rotayı uygular, ekibi yeniden planlar, müşteriyi bilgilendirir. Fark görünürde küçük, operasyonel etkisi büyük olabilir.

Lojistikte Kim Ne Yapıyor?

Büyük lojistik firmaları bu alanda adımlar atmaya başladı. DHL 2025'te AI ajanlarını lojistik ağına entegre etti — operasyonel iletişim süreçlerini otomatize ediyor, gerçek zamanlı izleme yapıyor. Amazon depo operasyonlarında AI ajanlarını devreye aldı — envanter yönetimi, raf optimizasyonu, sipariş toplama. SAP ise Hannover Messe 2026'da tedarik zinciri için Agentic AI ajanlarını tanıttı; sistem artık sadece öneri değil, doğrudan aksiyon üretiyor.

Bu uygulamaların bir kısmı olgunlaşmış durumda, bir kısmı hâlâ gelişiyor. Ama yön belirginleşiyor.

Havacılık ve Hava Kargoda Ne Anlama Gelebilir?

Havacılık bu konuda daha temkinli ilerliyor — ve haklı sebepleri var. Güvenlik gereksinimleri, regülasyon yoğunluğu ve sistemlerin karmaşıklığı bu alanda adımların yavaş atılmasını gerektiriyor.

Ama potansiyel alanlara bakmak mümkün. Bu seride ele aldığımız problemler — ekip disruption yönetimi, kargo yönlendirme, rota yeniden planlama — Agentic AI'ın anlam ifade edebileceği yerler. Örneğin bir disruption anında ekip üyelerinin konumu, yasal durumu ve yetkinlikleri birbirine bağlı sistemler üzerinden değerlendirilebilir. Yeniden planlama çok daha hızlı üretilebilir. Kritik kararlar insan onayına sunulabilir.

Havacılığın bu teknolojiyi nasıl şekillendireceğini izliyoruz — sektör bu alanda hızla gelişiyor.

İnsan Faktörü Yine Son Söz

Bu serinin her yazısında aynı sonuca ulaştık. Sürücünün tacit knowledge'ı modele giremiyor. Ekip bireysel faktörleri hâlâ tam modellenemiyor. Güven inşası zaman alıyor.

Agentic AI bu sorunları çözmüyor — daha hızlı ve otonom hale getiriyor. Temele insan bilgisi, temiz veri ve güven girmeden sistem yine eksik kalıyor. Stratejik kararlar, güvenlik kararları hâlâ insanda. Ajan tekrarlayan, hızlı, çok değişkenli kararları üstleniyor.

Nereye varacağını tam olarak kimse bilmiyor. Teknoloji hızlı ilerliyor. Ama şunu söyleyebiliriz: insan bu denklemin dışına çıkmıyor — sadece nerede durduğu yeniden tanımlanıyor.

Sistem harekete geçiyor. İnsan neye karar vereceğini seçiyor. Fark bu.

Bu konuyu konuşmak ister misiniz? zuhalkartal.com üzerinden ulaşabilirsiniz.