Makine öğrenmesi ile metin sınıflandırma: Bakım yönetim sistemi örneği

Günümüzde firmalar için bilgiyi yönetmek, süreçleri kişilerden bağımsız hale getirmek açısından önem arz etmektedir. Bir çalışan tarafından elde edilen bilgi diğer çalışanlara da ulaştırılabilmeli ve çalışan iş yerinden ayrılsa dahi bilgi firmada kalıcı olmalıdır. Bu nedenle, firmaların farklı senaryolar için farklı bilgi yönetim sistemlerine ihtiyaçları giderek artmaktadır. Firmalarda kurulu makine, ekipman, ısıtma ve soğutma sistemleri gibi tüm varlıkların yönetilmesi, bakım süreçlerinin sağlıklı bir şekilde organize edilmesi, bakım işlerinin zamanında yapılması, yapılan bakım işlerinin takip edilebilmesi ve bakımların daha ekonomik yapılabilmesi için elektronik ortamda bir yönetim programı kullanmasının gerekliliği ortaya çıkmaktadır. Bu gerekliliği karşılamaya yönelik yazılan varlık ve bakım yönetimi programları yalnızca etkin bir şekilde kullanılabildiğinde istenen faydaları sağlamaktadır. Çalışmada iplik firmasında kullanılmakta olan varlık ve bakım yönetim programının ana işlevlerinden olan varlıklarda oluşan arızaların kaydedilmesi sürecine odaklanılmaktadır. Kayıt sürecinin kolaylaştırılması, hızlandırılması ve insan hatasının azaltılması üzerine önerilen makine öğrenmesi tekniği anlatılmaktadır. Bu teknik ile kayıt esnasında yazılan arıza açıklamasının makine öğrenmesi ile sınıflandırılarak ilgili arıza kategorisine atanması amaçlanmaktadır. Çalışma ile veri girişi yapanların işlerinin kolaylaşması ve hızlanması, bakımı yapacakların doğru bilgiye ulaşması, sistemin daha etkin ve verimli kullanılmasının süreci iyileştirmesi beklenmektedir. Bu çalışmada, makine öğrenmesi ile bakım yönetim sistemindeki arıza açıklamalarının, arıza tanımlarına göre sınıflandırılması için öznitelikler kelime torbası yöntemleri ile çıkarılmış ve model lojistik regresyon, lineer destek vektörü sınıflandırması (SVC), stokastik gradyan azalma sınıflandırıcısı (SGDC) ve Naive Bayes (NB) algoritmaları ile eğitilmiştir. Lineer SVC algoritması ve terim frekansı – ters doküman frekansı (TF-IDF) öznitelik çıkarma yöntemi ile bakım yönetim sistemindeki tüm arızaların %72,12'sine denk gelen 46 arıza tanımının tahminini %87 başarı ile yapabilen model oluşturulmuştur.