Fault diagnosis in white goods using natural language processing techniques on customer complaints

Bu tez, beyaz eşya sektöründe arıza sınıflandırması amacıyla Doğal Dil İşleme (NLP) tekniklerinin uygulanmasını, gerçek teknik servis verileri üzerinden incelemektedir. İki aşamalı hibrit bir işlem hattı geliştirilmiştir: İlk aşamada, yapılandırılmamış müşteri şikayet metinleri hem kural tabanlı ön işleme hem de Büyük Dil Modeli (LLM) temelli zenginleştirme yöntemleriyle yapılandırılmış temsillere dönüştürülmektedir. İkinci aşamada ise, Random Forest, Naive Bayes, LightGBM, BiLSTM, CNN-BiLSTM ve DistilBERT gibi çeşitli makine öğrenimi sınıflandırıcıları kullanılarak onarım kodları tahmin edilmektedir. Sistem, 103.000 teknik servis kaydından oluşan büyük ölçekli bir veri kümesi üzerinde değerlendirilmiştir. Deneysel sonuçlar, GPT-4o-mini tarafından üretilen anlamsal olarak zenginleştirilmiş temsillerin, hem işlenmemiş hem de kural tabanlı girdilere kıyasla tutarlı şekilde üstün performans gösterdiğini ortaya koymuştur. Tüm sınıflandırıcılarda, LLM-Rich (LLM-Zengin) ön işleme stratejisi en yüksek performansı sağlamış ve karmaşıklık ağırlıklı ortalama F1 skorlarında \%63{,}4'e kadar başarı elde etmiştir; bu oran, en iyi işlenmemiş giriş için \%54{,}1 ve en iyi kural tabanlı alternatif için \%52{,}2'dir. Ayrıca çalışma, her bir onarım kodu için bir karmaşıklık skoru tanıtarak model performansının görev zorluğuna göre analiz edilmesine olanak tanımaktadır. Sonuçlar, LLM ile zenginleştirilmiş girdilerin yalnızca doğruluğu artırmakla kalmayıp, aynı zamanda yüksek karmaşıklıktaki sınıflarda da modelin dayanıklılığını güçlendirdiğini göstermektedir. Genel olarak, elde edilen bulgular, anlamsal olarak zenginleştirilmiş NLP işlem hatlarının, özellikle Türkçe gibi düşük kaynaklı dillerde, yarı otomatik arıza teşhisi için ölçeklenebilir ve güçlü bir temel sunduğunu ve ilgili sınıflandırma modellerinin dayanıklılığını önemli ölçüde artırdığını ortaya koymaktadır.