1. Anasayfa
2. Sayfalar
3. Yapay Zekâ Destekli DAG Tabanlı Dağıtık Defter Teknolojilerinin Gıda Tedarik Zinciri İzlenebilirliğindeki Yeri

Öğr.Gör. Hakan AKGÜL

Gıda tedarik zincirlerinde izlenebilirlik; gıda güvenliği, tağşişin önlenmesi, coğrafi işaretli ürünlerin korunması ve tüketici güveninin tesisi açısından kritik bir gereksinim olarak öne çıkmaktadır. Son yıllarda blokzincir teknolojisi, merkeziyetsiz ve değiştirilemez yapısı sayesinde bu alanda en sık başvurulan dijital çözümlerden biri olmuştur. Ancak nesnelerin interneti (IoT) cihazlarının yoğun olarak kullanıldığı modern tedarik zincirlerinde, klasik blokzincir mimarilerinin ölçeklenebilirlik, gecikme süresi ve enerji tüketimi açısından önemli darboğazlarla karşılaştığı bilinmektedir. Bu boşluğun doldurulmasında Yönlü Çevrimsiz Çizge (Directed Acyclic Graph, DAG) tabanlı dağıtık defterler ve bu defterlerin yapay zekâ yöntemleriyle bütünleştirilmesi olmak üzere öne çıkan iki teknolojik yön bulunmaktadır.

Klasik Blokzincirin Sınırlılıkları

Bitcoin ve Ethereum gibi klasik blokzincir mimarileri, işlemleri zaman sırasına göre dizilmiş bloklar halinde saklayan doğrusal yapılardır. Bu yaklaşım, veri bütünlüğü açısından güçlü garantiler sunsa da aynı anda yalnızca tek bir bloğun deftere eklenebilmesi nedeniyle sınırlı bir geçirim kapasitesine sahiptir. Cao ve arkadaşlarının (2020) farklı uzlaşı mekanizmalarını karşılaştırdığı çalışmalarında, klasik mimarilerin onay gecikmesi, geçirim ve enerji tüketimi açısından DAG tabanlı yaklaşımlara göre belirgin biçimde geride kaldığı raporlanmıştır. Tarımsal izlenebilirlik özelinde Villafranca ve arkadaşlarının (2025) yaptığı benzetimde, yüksek ağ yükü altında Bitcoin’in işlem dahil etme süresinin 700 saniyeyi aştığı, Ethereum’un 12,9-35,7 saniye arasında oynadığı ve DAG tabanlı bir mimarinin ise 4,3-22,3 saniye aralığında kaldığı gösterilmiştir. Hasat döneminde sahaya yayılan onlarca IoT sensörünün düşünüldüğü senaryolarda bu fark, sistemin gerçekten kullanılabilir olup olmamasını belirleyen bir eşiktir.

DAG Tabanlı Dağıtık Defterler

DAG, düğümleri ve aralarındaki yönlü kenarları içeren, döngü barındırmayan bir çizge yapısıdır. Klasik blokzincirin aksine, DAG tabanlı bir defterde her yeni işlem birden fazla önceki işlemi referans alarak doğrulayabilmekte; bu durum işlemlerin paralel olarak deftere eklenmesine olanak tanımaktadır. IOTA, Hedera Hashgraph, Nano ve Avalanche gibi platformlar bu yaklaşımın bilinen örnekleri arasındadır. DAG’ın gıda tedarik zinciri için sunduğu üç temel avantaj öne çıkmaktadır: paralel işlem doğrulama imkânı, küçük yüklü IoT mikro-işlemlerinin düşük maliyetle deftere yazılabilmesi (Hellani vd., 2021) ve kaynakları kısıtlı uçnokta cihazların ağa katılabilmesini sağlayan hafif uzlaşı tasarımları (Kably vd., 2022). Bunlar, üretim ya da işleme tesislerinde yüzlerce sensörün eş zamanlı veri ürettiği yoğun gıda zinciri senaryolarında klasik blokzincirin sahada karşılayamadığı ihtiyaçlardır.

Yapay Zekânın Devreye Girmesi

DAG’ın asıl dönüştürücü etkisi, üzerine inşa edilen yapay zekâ katmanlarıyla birlikte ortaya çıkmaktadır. Son beş yılda, DAG tabanlı dağıtık defterlerin yapay zekâ yöntemleriyle birleştirilmesi yönünde belirgin bir araştırma eğilimi gözlemlenmektedir.

Federe öğrenme tarafında, istemcilerin ham verilerini paylaşmaksızın ortak bir model eğittiği bu paradigmaya DAG’ın merkeziyetsiz yapısı doğal bir altyapı sunmaktadır. Beilharz ve arkadaşları (2021), DAG tabanlı federe öğrenmede modellerin istemcilerin yerel verilerine göre kendiliğinden uzmanlaştığını göstermiş; bu özellik, veri dağılımının türdeş olmadığı tedarik zinciri gibi heterojen ortamlarda klasik federe öğrenme yöntemlerine göre üstünlük sağlamaktadır. Bu yaklaşım, farklı bölgelerdeki gıda işletmelerinin kendi verilerini paylaşmaksızın ortak bir kalite ve sahtecilik tespit modeline katkı verebilmesi gibi senaryolar için doğrudan uygulanabilir bir çerçeve sunmaktadır.

Anomali tespiti tarafında, Fatima ve Pasha (2025), Rastgele Orman sınıflandırıcısını DAG tabanlı bir defter mimarisine entegre ederek hileli işlemleri ve düğüm itibar puanlarını dinamik olarak değerlendiren bir model önermişlerdir. Bu yaklaşım, gıda tedarik zincirinde “tutarsız sıcaklık kaydı bildiren bir nakliyeci” ya da “olağan dışı verim raporlayan bir parsel” gibi davranışsal sapmaların otomatik olarak işaretlenmesi için elverişli bir altyapı sağlamaktadır.

Uzlaşı süreçlerine yapay zekânın katılımı da hızla yaygınlaşmaktadır. Yu ve arkadaşlarının (2025) önerdiği O-DAG mimarisi, derin pekiştirmeli öğrenme ile uzlaşı sürecini optimize ederek federe öğrenme yakınsama hızında %38,64, model doğruluğunda %7,47 iyileşme bildirmiştir. Moya Pérez ve arkadaşlarının (2025) Energy uzlaşı algoritması ise düşük gecikme ve düşük enerji tüketimiyle, IoT verisinin gerçek zamanlı doğrulanmasını ve doğrulanmış akışın yapay zekâ modellerini sürekli güncellemesini hedeflemektedir.

Türkiye Bağlamı

Türkiye, geniş bir gıda üretim ve ihracat hacmine sahip; coğrafi işaretli ürünlerin korunması, tağşiş tespiti, soğuk zincir bütünlüğü ve menşe doğrulaması gibi alanlarda önemli zorluklarla karşı karşıyadır. DAG tabanlı bir izlenebilirlik altyapısı ile bu altyapı üzerine inşa edilebilecek anomali tespiti, federe öğrenme ve akıllı uzlaşı katmanları, sektörün hem ulusal hem de uluslararası pazarda güven inşası için kullanabileceği yeni nesil bir araç seti oluşturmaktadır. Ancak Evdokimov ve arkadaşlarının (2025) belirttiği gibi DAG protokolleri henüz olgunluk yolunun başındadır; protokoller arası karşılaştırma için ortak bir değerlendirme çerçevesi henüz tam olarak yerleşmemiştir. IOTA platformunun 2025 yılı itibarıyla mimari dönüşüm geçirmesi de sahanın hâlâ hareket halinde olduğunu göstermektedir.

Bu durum, klasik blokzincir tabanlı çözümlerin geriden takipçisi olmak yerine, DAG-yapay zekâ ekseninde özgün araştırma ve uygulama geliştirmenin Türkiye akademisi ve sektörü için stratejik bir fırsat olduğunu düşündürmektedir. Tarladan çatala kadar uzanan veri akışının hem hızlı hem güvenli hem de akıllı biçimde yönetilebilmesi, gıda izlenebilirliğinin geleceğini şekillendirecek temel kabiliyetler arasında yer almaktadır.

Sonuç olarak, gıda tedarik zincirlerindeki izlenebilirlik ihtiyacı klasik blokzincir mimarilerinin sınırlarını aşmış durumdadır. DAG tabanlı dağıtık defterler paralel doğrulama, düşük gecikme ve IoT uyumlulukla bu sınırları geride bırakacak yapısal bir alternatif sunmaktadır. Ayrıca üzerine inşa edilen federe öğrenme, anomali tespiti ve akıllı uzlaşı gibi yapay zekâ katmanları ise defteri pasif bir kayıt aracı olmaktan çıkararak veri-güdümlü, kendini koruyan bir izlenebilirlik ekosistemine dönüştürmektedir. Türkiye için bu kavşak, klasik blokzincirin geriden takipçisi olmak yerine DAG-yapay zekâ ekseninde özgün araştırma ve uygulama geliştirmek için stratejik bir fırsat penceresi anlamına gelmektedir.

Kaynakça

Beilharz, J., Pfitzner, B., Schmid, R., Geppert, P., Arnrich, B., & Polze, A. (2021). Implicit model specialization through DAG-based decentralized federated learning. In Proceedings of the 22nd International Middleware Conference (Middleware '21) (pp. 310–322). Association for Computing Machinery. https://doi.org/10.1145/3464298.3493403

Cao, B., Li, Y., Zhang, L., Zhang, L., Mumtaz, S., Zhou, Z., & Peng, M. (2020). Performance analysis and comparison of PoW, PoS and DAG based blockchains. Digital Communications and Networks, 6(4), 480–485. https://doi.org/10.1016/j.dcan.2019.12.001

Evdokimov, I., Kamentsev, S., Alexeev, A., Mikheev, K., Kalinin, I. (2025). An Overview of DAG-Based Blockchain Protocols and Their Trade-Offs. In: Awan, I., Younas, M., Ghinea, G., Tor-Morten, G., Şen, S. (eds) The 6th Joint International Conference on AI, Big Data and Blockchain (AIBB 2025). AIBB 2025. Lecture Notes in Networks and Systems, vol 1618. Springer, Cham. https://doi.org/10.1007/978-3-032-04728-1_2

Fatima, S., Pasha, M. (2025). A Study of Directed Acyclic Graph-Distributed Ledger Technology Based System with Anomaly Detection and Dynamic Consensus Mechanisms. In: Roy, N.R., Singh, A.P., Kumar, P., Kaul, A. (eds) Cyber Security and Digital Forensics. redcysec 2024. Lecture Notes in Networks and Systems, vol 1287. Springer, Singapore. https://doi.org/10.1007/978-981-96-3284-8_31

Hellani, H., Sliman, L., Samhat, A. E., & Exposito, E. (2021). Tangle the blockchain: Towards connecting blockchain and DAG. In 2021 IEEE 30th International Conference on Enabling Technologies: Infrastructure for Collaborative Enterprises (WETICE) (pp. 63–68). IEEE. https://doi.org/10.1109/WETICE53228.2021.00023

Kably, S., Arioua, M., & Alaoui, N. (2022). Lightweight Direct Acyclic Graph blockchain for enhancing resource-constrained IoT environment. Computers, Materials & Continua, 71(3), 5271–5291. https://doi.org/10.32604/cmc.2022.020833

Moya Perez, F., Quesada Real, F. J., Martínez López, L., & Estrella Liebana, F. J. (2025). Energy: Reducing latency in IoT DLTs for AI-driven real-time solutions. International Journal of Web Information Systems, 21(5), 567–593. https://doi.org/10.1108/IJWIS-11-2024-0332

Villafranca, A., Tasic, I., Gallegos, V., Gimenez, A., Ochoa Rego, J., Fernandez, J. A., & Cano, M.-D. (2025). Comparing blockchain and DAG technologies for smart agriculture traceability in terms of efficiency and latency. Simulation Modelling Practice and Theory, 142, 103131. https://doi.org/10.1016/j.simpat.2025.103131

Yu, Y., Hu, W., Hao, X., Li, Q., Guo, L. ve Li, Y. (2025). O-DAG blockchain: Improving model parameter selection for blockchained federated learning. IEEE Transactions on Vehicular Technology, 74(12), pp. 19754-19759.

Mayıs 2026 Bülten