İş sağlığı ve güvenliği kapsamında yapay zekâ destekli genel risk yönetimi sistemi tasarımı ve uygulaması

Bu tez çalışmasında, İş Sağlığı ve Güvenliği (İSG) alanında farklı sektörlerde karşılaşılabilecek fiziksel, kimyasal, biyolojik, ergonomik ve psikososyal riskleri değerlendirebilen yapay zekâ (YZ) destekli bir risk yönetim modeli geliştirilmiştir. Geliştirilen risk yönetim modeli ile geleneksel risk değerlendirme yöntemlerinin sınırlılıklarının aşılarak daha dinamik, açıklanabilir ve duruma özgü bir karar destek mekanizmasının oluşturulması hedeflenmiştir. Simüle veri setiyle eğitilen bu modelde, karar ağacı tabanlı topluluk algoritmaları kullanılmış; XGBoost algoritması %88 doğruluk ve 0,92 AUC skoru ile yüksek sınıflandırma başarısı göstermiştir. Random Forest algoritması ise benzer doğruluk düzeyine ek olarak özellik önem düzeylerini belirleyerek modelin yorumlanabilirliğini artırmıştır. Model, genel risk sınıflandırması yapmakla birlikte, her bir gözlem için sürekli ve nümerik olasılık skorları üreterek daha hassas ve önceliklendirilebilir analiz imkânı sunmuştur. Eğitim ve hiperparametre optimizasyon süreçleri Google Colab platformunda, yerel sistemlere kıyasla 3 ila 6 kat daha hızlı tamamlanmış; model, cron tabanlı betiklerle periyodik olarak güncellenebilir biçimde yapılandırılmıştır. Geliştirilen model, Fine–Kinney ve 5×5 risk matrisi gibi klasik yöntemlerle karşılaştırıldığında, veri temelli analiz kapasitesiyle daha yüksek çözünürlükte değerlendirmeler yapabilmiş; risk nedenlerini daha açık biçimde ortaya koyarak önleyici stratejilerin etkinliğini artırmıştır. Ayrıca, geleneksel yöntemlerle çelişmeyen, onları tamamlayıcı nitelikte tasarlanan hibrit yapısıyla yasal uyum korunmuş; İSG süreçlerine öngörü, esneklik ve duyarlılık kazandırılmıştır. Sonuç olarak, bu çalışma kapsamında geliştirilen YZ tabanlı İSG risk değerlendirme modeli; açıklanabilirlik, esneklik ve sektörel uyarlanabilirlik gibi nitelikleriyle dijital dönüşüm sürecine katkı sağlayan, öğrenebilir ve sürdürülebilir bir karar destek sistemi olarak literatüre katkı sunmaktadır.

This thesis presents the development of an artificial intelligence (AI)-based risk management model capable of evaluating physical, chemical, biological, ergonomic, and psychosocial hazards across various sectors within the domain of Occupational Health and Safety (OHS). The proposed model aims to overcome the limitations of traditional risk assessment methods by delivering a more dynamic, interpretable, and context-specific decision support mechanism. Trained on a simulated dataset, the model employs ensemble tree-based algorithms, notably the XGBoost classifier, which achieved a high classification performance with an accuracy of 88% and an AUC score of 0.92. Complementarily, the Random Forest algorithm provided comparable accuracy while enhancing model interpretability through feature importance analysis. Beyond categorical risk classification, the model generates continuous and numerical probability scores for each observation, enabling a more precise and prioritized risk evaluation. Training and hyperparameter optimization processes were conducted on the Google Colab platform, resulting in a 3 to 6-fold acceleration compared to local systems. Furthermore, the model architecture incorporates cron-based scripting for periodic updates, ensuring adaptability and sustainability in dynamic workplace environments. Compared to classical methods such as Fine–Kinney and the 5×5 risk matrix, the AI-driven model offers higher-resolution, data-driven analyses that more transparently elucidate risk causality and enhance the efficacy of preventive strategies. Designed as a hybrid system that complements rather than conflicts with conventional approaches, the model maintains regulatory compliance while introducing foresight, flexibility, and sensitivity to OHS management processes. In summary, the developed AI-supported OHS risk assessment model, characterized by interpretability, flexibility, and sectoral adaptability, contributes to digital transformation initiatives as a learnable and sustainable decision support system.