Makine öğrenme algoritmalarıyla hatalı ürün tahmini

Teknolojideki gelişmelerle birlikte günümüzde veri toplamak ve veri depolamak oldukça rahat bir hale gelmiştir. Hem bireysel anlamda hem de kurumsal anlamda hayatımızda günlük olarak birçok veri istemli olarak veya istemsiz olarak kaydedilip depolanmaktadır. Her verinin toplanması, kayıt altına alınması avantaj gibi gözükse de gün geçtikçe bu kadar büyük veri içinden anlamlı ve faydalı bilgiler çıkarmak zorlaşmıştır. Bu durum büyük veri (big data) kavramını tartışılır hale getirmiştir. İnsanlar için analiz edilip anlamdırılabilen veriler ancak bir anlam ve bilgi ifade eder. Bu nedenle verileri işlemek ve çözümlemek için yapay zekâ gibi özel yöntemlere gereksinim duyulmuştur. İnsanın zekasından esinlenerek aynı sistem ve kurguyu robot ve makinelerde uygulanabilir hale getirmeyi hedefleyen yapay zeka kavramı; tahmin, sınıflandırma, kümeleme gibi amaçlar için makine öğrenmesi kavramının ortaya çıkmasına sebep olmuştur. Makinelerin ve bilgisayarların da insan gibi öğrenip en iyi kararı verebilme arzusu makine öğrenmesi kavramının temel amacı olmuştur. Bu da ancak makine öğrenmesi kavramıyla bilgisayarların da insanlar gibi eğitilip öğretilerek belli bir seviyeye ulaştırılmasını gerekli kılmıştır. Makine öğrenmesi yardımıyla geçmişte var olan verilere dayanarak ileriye yönelik tahmin ve planlama yaparak daha doğru ve geçerli sonuçlar elde edilebilmektedir. Bu çalışmada, makine öğrenme algoritmalarının hatalı ürünü önceden tahminlemede kullanımı incelenmiş, Rastgele Orman (Random Forest), Basit Bayes (Naive Bayes), Destek Vektör Makineleri (Support Vector Machines) ve k-En Yakın Komşu (k-Nearest Neighbor) algoritmalarının başarımı bir uygulama üzerinden değerlendirilmiştir. Çalışmada öncelikle makine öğrenmesi kavramına, makine öğrenmesi yöntemlerine ve süreçlerine değinilmiştir. Ardından makine öğrenme algoritmaları genel olarak incelenmiş, bu algoritmaların çalışma yöntemleri, başarımları ve avantajlarına değinilmiştir. Tezin uygulama aşamasında, beyaz eşya sektöründe Türkiye'nin önde gelen şirketlerinden birine ait çamaşır makinesi toz boyama ünitesi girdi ve çıktı ölçümleri temin edilmiştir. Öncelikle bu verilerle çamaşır makinesi parçalarının toz boyama ünitesinden çıktıktan sonra istenilen boya kalınlık değer aralığında olup olmadığı belirlenmiş, bu doğrultuda algoritmada kullanılmak üzere hedef değişken oluşturulmuştur. Sonradan ilavelerle gözlem sayısı zenginlentirilmiş ve daha etkin olacağı düşünülen yeni değişken veri setine dahil edilmiştir. Ve algoritmalarda değerlendirilmek üzere 327 satırlı veri seti kullanılmıştır. Verideki girdi değişkenlerine, işletmenin amaçlarına ve veriye uygun olarak makine öğrenmesi algoritmaları değerlendirilmiştir. Bu doğrultuda Rastgele Orman, Basit Bayes, Destek Vektör Makineleri ve k-En Yakın Komşu algoritmaları veri setinde uygulanmaya başlanılmıştır. Veri setinin 70%'i eğitim seti, 30%'u test seti olacak şekilde kullanılmıştır. Veri setinde bu algoritmaları çalıştırabilmek için RapidMiner isimli yazılım kullanılmıştır. RapidMiner ile belirlenen algoritmalar veriler üzerinde çalıştırılarak her bir algoritma için bir sınıflandırma sonucu elde edilmiştir. Makine öğrenmesindeki 4 farklı algoritma kullanılarak sınıflandırma başarıları ölçülmüş ve birbiriyle karşılaştırılmıştır. Karşılaştırmada algoritmaların doğruluk değerleri kullanılarak, her algoritmanın hatalı ürün tahminindeki sınıflandırma performansının ölçülmesi istenilmiştir. Daha sonra veriler normalize edilerek ve ölçeklenerek veriler üzerinde öznitelik mühendisliği çalışmaları yapılmış ve işlenmiş veriler için tekrardan aynı algoritmalar ile performansları ölçümlenerek karşılaştırılmıştır. Son olarak da performansı en yüksek çıkan algortimanın sonuçlarının genel geçerliliği test edilerek yorumlanmıştır. Çamaşır makinesindeki hatalı ürün tahmininde Rastgele Orman, Basit Bayes, Destek Vektör Makineleri ve k-En Yakın Komşu algoritmaları arasından Rastgele Orman algoritması en üstün performansı göstermiştir. Başka bir başarılı hatalı ürün sınıflandırıcı algoritması olarak Basit Bayes algoritması gözlemlenmiştir. Ayrıca şirketin odaklanması gereken, bir sonraki iyileştirme ve çalışmalarda kullanılmak üzere yardımcı olacak en önemli girdi değişkenleri de bu analiz sonucunda ortaya çıkarılmıştır. Şirketler için hatalı üründen kaynaklı maliyetleri azaltmaya yardımcı olacak, hatalı ürünü tahminlemede sınıflandırma performansı yüksek algoritma olarak Rastgele Orman algoritması tespit edilmiştir. Elde edilen bulgulardan ve sonuçlardan yararlanılarak sonraki çalışmalar için öneri ve tavsiyelerde bulunulmuştur