Maliye Bakanlığı, yürürlüğe koymuş olduğu elektronik fatura, elektronik defter, elektronik arşiv, elektronik beyanname ve elektronik tebligat sistemleri ile işletmelerin muhasebe süreçlerinin işlevselliğinin ve denetiminin daha iyi seviyelere ulaşmasını amaçlamaktadır. Bu nedenle, ilgili sistemlerin daha geniş kapsamda kullanımının sağlanması için gerekli yasal düzenlemeler yapılmıştır. Ancak bu sistemlerin istenen amaca ulaşabilmesi için, Maliye Bakanlığı tarafından sunulan hizmet ve yasal düzenlemelerin yanında, muhasebe meslek mensupları tarafından üst seviyede benimsenmesi ve üst seviyede kullanılması gerekmektedir. Bu çalışma, ilgili elektronik belge sistemlerinin muhasebe meslek mensupları tarafından ne derecede kabullenildiğini ortaya koymayı amaçlamaktadır. Elde edilen verilerin analizi sonucunda e-belge sistemlerinin kabullenme durumunun kararsızım ile katılıyorum arasında olduğu tespit edilmiştir.

Birimler arasında sağlıklı veri akışının sağlanması ile dijitalleşen üretim sistemleri ve bu dijitalleşme süreci doğrultusunda otomatikleşen zeki fabrika yapıları gün geçtikçe üretim endüstrisinde kendisine daha fazla yer bulmaktadır. Bu tür sistemler, üretim önemli gelişmeler ve teknolojik ilerlemeler sağlamış olsa da çeşitli sorunları da beraberinde getirmektedir. Bunlardan bir tanesi de otonom çalışan üretim sistemlerinde gerçekleşen bir anormal durumun hızlı bir şekilde tespit edilerek, çözüme kavuşturulması sürecidir. Bu kapsamda son zamanlarda anomali tespiti için çeşitli çalışmalar yapılmaktadır. Anomali tespiti konusunda en çok destek alınan alanlardan bir tanesi de makine öğrenmesi algoritmalarıdır. Bu çalışmada, yüksek depolama sistemlerinin enerji optimizasyonu hakkında uygulanmış bir prototip çalışmadan elde edilmiş olan iki farklı veri seti üzerinde çeşitli makine öğrenmesi algoritmalarının performansları test edilmiştir. Sonuç olarak, Yapay Sinir Ağları, C4.5 Karar Ağacı, Rastgele Orman ve k En Yakın Komşu algoritmaları ile oluşturulan öğrenme modelleri, test edilen veri setleri içerisindeki anomalileri tespit etme konusunda yüksek başarım oranı elde etmişlerdir. Özellikle bu algoritmalar içerisinde Rastgele Orman algoritması yaklaşık %98 seviyesindeki doğruluk performansı ile dikkat çekmiştir.

The mining industry faces complex operational hazards that necessitate systematic risk assessments to enable proactive accident prevention. While Large Language Models (LLMs) offer significant potential for the automated generation of safety measures, the limited availability of domain-specific terminology and high-quality labelled safety data (in low-resource environments) hinders their direct application. This study investigates and optimises data augmentation strategies to fine-tune LLMs to generate accurate, context-sensitive safety measures from structured coal mine risk records. The study systematically explored four experimental configurations, leveraging the Mistral-7B-Instruct model in conjunction with Quantised Low-Rank Adaptation (QLoRA) for efficient fine-tuning. These configurations comprised: (i) a baseline without augmentation, (ii) input-side lexical augmentation, (iii) output-side multi-reference augmentation, and (iv) a combined strategy. Performance was measured using BLEU, ROUGE, METEOR, and BERTScore metrics, along with statistical significance testing and qualitative analyses. The results show that, compared to other strategies, the input-side data augmentation strategy performs better. The findings indicate that input-side data augmentation yields significant improvements; this strategy increased the BERTScore (F1) from 0.360 to 0.530 and the BLEU score from 16.02 to 29.50 compared to the baseline model. In contrast, output-side multi-reference augmentation contributed to greater learning uncertainty and a consequent decline in performance. Statistical and qualitative analyses confirm that increasing input variety minimises model overfitting and enables the model to generate consistent, applicable, domain-specific safety measures. The proposed methodology provides a highly scalable solution for automated risk management in high-risk industrial environments, such as mining, offering a reliable, data-driven decision-support mechanism that minimises the limitations of manual review.

This study focuses on predicting blasting efficiency in underground mining operations using real-world operational data. The primary objective is to accurately estimate blasting efficiency through regression analysis, leveraging the predictive power of state-of-the-art boosting-based machine learning (ML) algorithms. Given the relatively small and multi-variate nature of the dataset, algorithms with low overfitting risk, flexibility, and high speed were preferred. We comparatively evaluate five different cutting-edge boosting algorithms: Light Gradient Boosting Machine (LightGBM), Extreme Gradient Boosting (XGBoost), Categorical Boosting (CatBoost), Natural Gradient Boosting (NGBoost), and Histogram-based Gradient Boosting Machine (HistGBM). Additionally, to further enhance prediction performance, three distinct ensemble learning strategies—Simple Averaging, Weighted Averaging, and Weighted Average with the Best 3 Models—were implemented and tested. The methodology involved comprehensive data preprocessing, including the removal of irrelevant variables like Date, numerical transformation of categorical features using Target Encoding, and normalization of numerical inputs with StandardScaler. The dataset, comprising 652 observations from 2019-2020 underground blasting operations, was split into 80% training and 20% testing sets, and 10-Fold Cross Validation was employed for model training. Hyperparameter optimization for each boosting algorithm was performed using manual tuning, GridSearchCV, and RandomizedSearchCV. Model performance was assessed using R2, Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and Mean Absolute Error (MAE) metrics for both cross-validation and test sets. Our findings indicate that ensemble methods significantly improve prediction accuracy. The comparative analysis allowed for the identification of the most suitable machine learning approach for blasting efficiency prediction. This research contributes significantly to the scientific literature by providing a robust framework for enhancing blasting efficiency and optimizing operational processes through data-driven decision support systems in mining environments. The results demonstrate the effectiveness of combining multiple boosting algorithms and ensemble techniques for accurate and reliable blasting efficiency prediction.

Bilgi ve iletişim teknolojilerindeki gelişmeler sayesinde işletmelerin muhasebe süreçleri hissedilir derecede hızlanmıştır. Muhasebe servisinde bilgisayarın faydalarının görülmesi üzerine sistem daha da büyütülerek işletme içerisindeki diğer birimlerle muhasebe birimi arasındaki iletişim otomasyon ve barkod sistemleriyle geliştirilmiştir. Otomasyon ve barkod sistemleri, mevcut stok ve satılan mallara ait bilgileri, müşteri, tedarikçi ve personel bilgilerinin hızlı ve güvenilir şekilde muhasebe birimine iletilmesinde kullanılan önemli araçlardır. Gelişmiş bir barkod uygulaması olan kare kod uygulaması mal ve hizmetlerin tedarik ve sunum aşamalarında daha geniş olanaklara sahiptir. Bu çalışmada, otomasyon ve barkod sistemlerinin işletmelerin muhasebe süreçlerine olan katkıları ve kare kod uygulamasının getirdiği yenilikler incelenmiştir.