Aytaş Gıda Satış Gücü Otomasyonu Kurulumu

AYTAŞ Gıda’da, Datakod Northstar SFA kurulumu tamamlandı.

AYTAŞ Gıda, satış gücü otomasyonunda 70+ satış temsilcisi, 3 ayrı bölgede kullanmaktadır.
Çiğli (Nestle Ekibi), Kaynaklar (Karma Ekip) (İzmir), Denizli (Karma Ekip).

Sipariş, tahsilat, tefat işlemleri yapmakta. Risk ve vade kontrolleri yapılmaktadır.

Datakod Northstar SFA üzerinden, gelişmiş koşul iskonto ve fiyat tanımlanmakta ve Netsis ile entegre çalışmaktadır.

 

Üretim Planlamada Yapay Sinir Ağı Modeli

Yapay sinir ağlarının kullanımı birçok alanda giderek yaygınlaşmaktadır. Yapılan çalışmalar yapay sinir ağlarının birçok alanda başarı ile kullanıldığını göstermektedir. Firmalar hızlı ve daha doğru kararlar alabilmek için iş süreçlerinde yapay sinir ağlarına kullanmaya başlamışlardır. Bu çalışmamız da yapay sinir ağlarının tekstil endüstrisinde üretim planlamada kullanımı üzerine çalışılmıştır. Çalışmamızda Weka ve R yazılımlarının da dahil olduğu bazı yapay sinir ağı kütüphaneleriyle testler yapılmıştır. Bir tekstil veri seti üzerinde Levenberg-Marquardt geri yayılım yöntemini içeren yapay sinir ağı yöntemi denenmiştir. Test sonuçlarında %81.44 lük başarılı eşleştirilmiş sonuçlara ulaşıldığı görülmüştür. Bir geri yayılım yöntemi olan Levenberg-Marquardt yöntemi ile istenen başarının elde edildiği sonucuna ulaşılmıştır. Çalışmamız ile tekstil endüstrisinde; üretim planlamada yapay sinir ağları kullanımı sayesinde, üretim planlamanın hızlı ve doğru bir şekilde yapılabileceği sonucuna ulaşılmıştır.

I. GİRİŞ
Yapay sinir ağları; sayısal mevcut verilerden öğrenme, öğrenilen verileri hafızaya alma ve hafızaya alınmış verileri kullanılarak insan beyni gibi veriler arasındaki ilişkiyi ortaya çıkarmayı hedefleyen bilgisayar tabanlı modellenme sistemidir. Yapay Sinir ağlarının kullanım alanları, büyük veri yığınlarının oluştuğu günümüzde, verilerin anlamlandırılması ve ilişkilendirmesine olan ihtiyaçtan dolayı git gide artmaktadır. Büyük veri yığınlarının olduğu, bu verileri kullanarak anlamlı sonuç ve analizlere ihtiyaç duyan temel alanların başında endüstri uygulamaları gelmektedir.

Endüstriyel alandaki uygulamalara, inşaat alanındaki ekipmanların üretkenliğinin tahminlenmesi [1], iş memnuniyeti ile iş performansı arasındaki ilişkinin tahminlenmesi [2] ve tarımsal alanda süt üretiminin tahminlenmesi [3] gibi birçok farklı alanlarda yapılan çalışmalar ve farklı kullanımlar örnek olarak verilebilir.

Tekstil alanı da; firmaların planlama, tedarik, üretim ve sevkiyat süreçleri gibi farklı bileşenleri bir arada bulunduran endüstriyel alanlardan biri olarak öne çıkmaktadır. Bu alandaki temel ihtiyaç üretim sırasındaki işlemlerin doğru bir şekilde planlanmasını ve gerçekleşmesini sağlamak adına tahminlemelerin yapılmasıdır. Ülkemizdeki tekstil sektörü gerek firma sayısı gerekse bağlı olduğu alt firmalarda ki çalışan sayısı bakımından önemli bir sektör olarak öne çıkmaktadır. Planlama sürecinde önceden kestirilemeyen durumlar, tedarik sürecinde firmaların gerekli olan teslim sürelerine uyamaması, üretim sürecindeki planlama eksiklikleri ve sevkiyat sürecindeki sorunlar ele alındığında birçok farklı sürece bağımlı olaylar dizgisinin bir arada bulunduğu görülmektedir. Bu kadar farklı etkenin bir arada bulunmasından dolayı, gelen taleplerin termin sürelerinde gecikmeler oluşmaktadır. Bu da işletmelerin güvenilirliğinde sorunlar oluşturmaktadır.

Üretim sürecinde planlanan işlerin zamanında gerçekleşip gerçekleşmeyeceğinin karar destek sistemleri ile tahminlenmesi ve iş planının doğru şekilde oluşturulması firmaların sürdürülebilirliği açısından genel bir ihtiyaç haline gelmektedir.

Giysi üretimi ve sevkiyatı sırasında kumaşın tedarik edilmesinden teslim edilmesine kadar birden fazla işlem süreçleri bulunmaktadır.

Bu işlemlerin bazılarının birbiriyle eş zamanlı, bazılarınınsa birbirini takip edecek şekilde gerçekleşmesi ve planlanması gerekmektedir. Birbirini takip edecek olan işlemlerden, ilk yapılan işlemlerde oluşan gecikmeler siparişin tamamlanmasını aksatabilmektedir.

Her bir işlemin doğru bir şekilde planlanması ve bu plana göre gerçekleşmesi, müşteri memnuniyeti, firma güvenilirliği ve pazar payına olan etkisini de önemli derecede etkilemektedir. Bu çalışma kapsamında; siparişler için yapılan planlamaların daha başarılı olması adına bir karar destek sistemi geliştirilmesi hedeflenmiştir.

Çalışma sonucunda; üretim planlama yapan firmalar, benzeri bir iş geldiğinde bu işin doğru zamanda yapılıp yapılamayacağına karar verebilmektedir. İstenilen zamanda üretilemeyecek ürünlerin belirlenmesi sonucunda firmalar; planlamasını değiştirebilecekleri ya da üretim sürecini gözden geçibilecekleri imkanı kazanmış olacaklardır.

Çalışma içerisinde veri seti öncelikle Weka[4] ve R[5] yazılımlarının içerdiği birden çok tahminleme yöntemleriyle test edilmiştir. Weka ve R yazılımlarının da dâhil olduğu bazı yapay sinir ağı kütüphaneleriyle, modelin eğitimi için iki farklı geri yayılım (backpropagation) yöntemi kullanılarak testler yenilenmiştir.

Çalışma kapsamında test edilmiş olan yapay sinir ağı yöntemlerinde veri setinin yapısından kaynaklı olarak yeterli başarı yüzdeleri alınamamıştır.

Bunun üzerine, Accord.NET kütüphanesinin Levenberg-Marquardt geri yayılım yöntemini içeren yapay sinir ağı yöntemi denenmiştir. Alınan sonuçların olumlu olduğu değerlendirilerek, yöntemin içerdiği parametrelerin değiştirilmesiyle testler uygulanmış ve başarı oranının olabildiğince yükseltilmesi sağlanmıştır.

Testlerin sonunda iyi bir başarı oranı yakalandıktan sonra, bir Windows Form uygulaması geliştirilerek kullanıcıya kolayca yeni verileri test edebileceği bir karar destek platform oluşturulmuştur. Çalışmanın organizasyonu şu şekildedir: 2. Bölümde ilişkili çözümler ve bu alanda yapılmış güncel akademik çalışmalar yer almaktadır. 3. bölümde veri setinin hazırlanması, uygulanan tahminleme testleri, uygulanan Levenberg-Marquardt yöntemi aktarılmıştır.
Bölüm 4’te geliştirilen uygulamadan bahsedilmiştir. 5. bölümde yapılan testlerin değerlendirilmesi ve sonuç kısmı aktarılmıştır. Bölüm 6 da, gelecek çalışmalar yer almaktadır.

II. İLİŞKİLİ ÇALıŞMALAR
Günümüzde, yapay sinir ağlarının kullanımı; firmaların iflas tahmini [6], kısa zamanlı rüzgâr gücünün tahmini [7], borsa durumunun tahmini [8], alternatif bir yakıt kullanımındaki motorun performans tahmini [9] nişasta bazlı gıda maddelerinin sterilizasyonu için gerekli sıcaklığın tahmini [10] gibi çeşitli alanlarda karar destek sistemleri için kullanılan yöntemler arasında yaygınlaşmaktadır.

Yapay sinir ağlarının kullanıldığı alanlardan birisi de maliyet tahminidir. Yapılan bir çalışmada, maliyetin hesaplanmasının kolay olmadığı metal levha parçalarının maliyetin tahminlenmesi üzerine çalışılmıştır [11]. İdeal bir durumda, bir ürünün maliyetini hesaplamak için tüm gerekli bilgiler elde olsa da, bazı ürünler için bu geçerli olamamaktadır.

Metal levha parçalarının üretimi ve üretim esnasındaki parametrelerin farklılığından oluşan durum, maliyetin hesaplanmasını zorlaştırmaktadır. Çalışmada doğrusal regresyon ve yapay sinir ağları kullanılarak maliyet tahminlemesi yapılmıştır. Bu iki yöntemin başarıları karşılaştırılmış ve değerlendirilmiştir.

Yapılan testlerin sonucunda, hesaplama içerisindeki girdi değişkenlerinin sayısı sınırlı olduğunda doğrusal regresyon kullanılabilecekken; girdi değişkenlerinin sayısının arttığı durumlarda ve değişkenlerin birbiriyle olan ilişkileri karmaşıklaştığında, tahminlemenin yapay sinir ağlarıyla daha başarılı bir şekilde gerçekleştiği görülmüştür.

Maliyet tahminiyle ilgili yapılan bir diğer çalışmada ise, fren disklerinin üretim maliyetlerinin tahminlenmesi için regresyon yöntemleri ve yapay sinir ağları karşılaştırılmıştır [12].

Ulaşılan sonuç, bir önceki çalışmayla aynı olup, girdi değişkenlerinin fazla ve aralarındaki ilişkilerin karmaşık olduğu durumlarda yapay sinir ağları, regresyon yöntemlerine göre çok daha iyi sonuçlar vermiştir.

Çalışanların verimi ve hizmet kalitesini inceleyebilmek adına, Kanada da bir banka şubesi verileri üzerinde, veri zarflama analizi (data envelopment analysis) ile birlikte geri yayılım yöntemiyle yapay sinir ağları kullanılmıştır [13].

Yapılan test yöntemlerine yapay sinir ağlarının dahil olmasıyla, daha fazla parametreyi içeren ve iyi performans oluşturan farklı modeller keşfedilmiştir. Bu modellemeler kullanılarak banka şubesi içersindeki verimli birimlere ulaşılabilmiştir. Kötü performans gösteren birimlere, performanslarını nasıl yükseltebilecekleri konusunda yönlendirmeler yapılmıştır. Enerji alanında; Al-Fattah ve Startzman’ın [14] yaptığı bir çalışma içerisinde, 2020 yılında ABD’nin sağlayacağı doğal gazı tahminlemek adına yapay sinir ağları kullanılarak bir model geliştirilmiştir. 1950-1990 tarihleri arasındaki yıllık veriler üzerinde bir takım optimizasyonlar gerçekleştirilmiştir.

Optimizasyon sonucu elde edilen veriler hızlı yayılım (quick-propagation) yöntemi ile yapay sinir ağının eğitimin de kullanılmıştır. Eğitim seti içerisinde bulunmayan 1990-1998 tarihleri arasındaki veriler ile tahminlemeler yapılmıştır.

Yapılan testin sonucunda tahminlemenin, gerçek veri ile birebir örtüştüğü görülmüştür. Bir diğer çalışmada Yunanistan’ın uzun dönemli enerji tüketimini tahminlemek adına yapay sinir ağları kullanılmıştır [15]. Bu çalışma içerisinde, Yunanistan’ın 2005-2008 tarihleri arasındaki enerji tüketim verileri, 5 adet geri yayılım yöntemlerinin (Levenberg-Marquardt, Gradient descent, Quasi-Newton ve Random Order Incremental) farklı kombinasyonlarda beraber kullanılmasıyla eğitilmiştir.

Yapılan testlerin ardından, Levenberg-Marquardt ve Gradient Descent yöntemlerinin beraber kullanılmasıyla oluşturulan yöntemin en iyi sonucu verdiği gözlenmiştir. Daha sonra, bu kullanılan yöntem, başarılı bir sınıflandırma yöntemi olan Support Vector Machine (SVM) yöntemi ile karşılaştırılmış ve yapay sinir ağlarının SVM yöntemi kadar başarılı olduğu gözlenmiştir. Bu sonuçlara bakıldığında enerji tüketiminin tahminlenmesinde yapay sinir ağlarının kullanımının yararlı olabileceği kanısına varılmıştır.

Başka bir çalışmada, geri yayılım yöntemini kullanan bir yapay sinir ağı modeliyle, her şekle sahip olan gıda ürünlerinin dondurulma süresinin tahminlenmesi gerçekleştirilmiştir [16]. Yapay sinir ağı içerisindeki gizli katmanda bulunan sinir sayısı ve yapay sinir ağının momentumu değiştirilerek, yöntemin başarısının arttırılması hedeflenmiştir.

Yapılan testlerin sonucunda, geri yayılım yönteminin gıda ürünlerinin donma sürelerini tahminlemede başarılı olduğu sonucuna varılmıştır. Tüm bu çalışmalar farklı birçok alanda yapay sinir ağlarının başarı ile kullanıldığını göstermektedir.

Çalışmalar da yapay sinir ağının sahip olduğu parametrelerin iyi bir şekilde ayarlanmasının gerekliliği öne çıkmıştır. Bu çalışma kapsamında da farklı parametrelerin oluşturduğu üretim verileri kullanılmıştır.

Çalışma ile de tekstil alanında gelen bir üretim işinin doğru zamanda yapılıp yapılamayacağına karar verebilmesi hedeflenmektedir.

III. YÖNTEM
Çalışma içerisinde, 2014-2016 yılları arasındaki 21 aylık giysi üretim işlemlerini içeren bir veri seti kullanılmıştır. Kullanılan veri seti ile işlemlerin planlanan tamamlanma süresinde başarılı bir şekilde gerçekleşip gerçekleşmeyeceğinin tahminlenmesi yapay sinir ağlarının kullanımıyla yapılmıştır.

Elde edilen tahminleme verisi mevcut veriler ile karşılaştırılıp sistemin tutarlılığı / tahminleme oranı kontrol edilmiştir. Yaklaşık olarak 80.000 adet veri içeren veri seti içerisinde 12 adet (müşteri gurubu, müşteri adı, ürün grubu, kumaş tipi, işlem adı, başlangıç tarihi, bitiş tarihi, özel işlem türleri vb.) nitelik bulunmaktadır. Bu niteliklerden sınıflandırmada kullanılacak olan nitelik; plana uyumluluk olup, başarılı veya başarısız olarak iki olası değeri bulunmaktadır.

Başarılı olması üretimin zamanında yapıldığını, başarısız olması ise üretimin istenilen termin süresinde yapılmadığı anlamına gelmektedir. İlk aşamada veriler üzerinde veri seti düzenlenmesi işlemi gerçekleştirilmiştir.

A. Veri Setinin Düzenlenmesi
Veri seti ile yapılacak olan testlerde başarı oranını arttırmak ve güvenilirliği sağlamak adına uç değer (outlier) olan veriler tespit edilmiş ve veri setinden çıkarılmıştır. Uç değerler, diğer gözlemlenmiş noktalara uzak olan bir gözlem noktalarıdır [17]. Uç değerlerin tespit edilmesi için, Weka yazılımı içerisindeki SVM algoritmasına ait olan tek sınıf (one-class) yöntemi kullanılmıştır.

Bu yöntem ile tüm veriler tek bir sınıf altında toplanmıştır. Bu sayede bu sınıfa giremeyecek uzaklıktaki veriler (uç değerler) tespit edilmiştir.

Yapılan tespitin sonucunda yaklaşık olarak 40.000 verinin uç değer olduğu belirlenmiştir ve bu veriler veri setinden çıkarılmıştır. Uç değerlerin veri setinden çıkarılmasının ardından yapılan bir tahminleme testindeki başarı oranı, uç değerlerin çıkarılmamış haliyle yapılan teste göre %12 artış göstermiştir. Veri seti üzerinde daha iyi sonuçlar almak ve işlemlerin hızlıca yapılması adına, yapay sinir ağları üzerinde normalizasyon yapmanın önemi bilinmektedir [18]. Bu nedenle uç değerlerin çıkarılmasından sonra veri seti üzerinde normalizasyon işlemi gerçekleştirilmiştir.

Veri seti üzerinde veriler, maksimum ve minimum değerlere göre Denklem 1’de görülebilecek olan formül ile [-1,1] aralığına ölçeklendirilmiştir. Normalizasyonun ardından veri seti %70/%30 oranında eğitim ve test seti olarak ayrılmıştır. Bu oranlar yöntemlerin eğitiminde ve test edilmesinde kullanılmak üzere belirlenmiştir.

B. Uygulanan Tahminleme
Testleri Yapay sinir ağlarının kendi içerisinde kullanılan yöntemlere göre ve diğer yöntemlere göre başarısı karşılaştırmak amacıyla, veri seti birçok yöntem ile test edilmiştir. Veri seti ile aşağıdaki belirtilen yöntemler kullanılarak testler gerçekleştirilmiştir:

• Weka yazılımı içerisinde bulunan Random Forest, Random Tree, J48 karar ağacı yöntemleri, Naive Bayes olasılıksal sınıflandırma yöntemi, SVM sınıflandırma yöntemi ve Multilayer Perceptron isimli eğitim için Broyden–Fletcher–Goldfarb–Shanno (BFGS) [19] geri yayılım yöntemini kullanan çok katmanlı sinir ağı yöntemi,

• R yazılımı içerisinde bulunan Random Forest karar ağacı yöntemi, SVM sınıflandırma yöntemi ve eğitim için Resillent Backpropagation (RPROP) [20] geri yayılım yöntemini kullanan çok katmanlı yapay sinir ağı yöntemi,

• Fast Artificial Neural Network (FANN) [21] kütüphanesinin içerdiği, eğitim için RPROP yönteminin kullanıldığı yapay sinir ağı yöntemi.

Yapılan testlerin ardından, en iyi başarı oranını sağlayan yöntemlerin karar ağacı yapıları olan Random Forest, Random Tree ve J48 yöntemlerinin olduğu görülmüştür. Eğitimi BFGS ve RPROP geri yayılım yöntemi ile gerçekleştiren yapay sinir ağı yöntemlerinin kullanımıyla yeterli başarı oranı sağlanamamıştır.

Testlerin en yüksek başarı yüzdesine sahip olan ilk 10 sonucu Tablo 1 üzerinde gösterilmektedir. Yapay sinir ağları ile yapılan testlerden yeterli başarı alınamamasından dolayı, geri yayılım yöntemi olarak Levenberg-Marquardt [22] yönteminin kullanıldığı yapay sinir ağı yönteminin denenmesine karar verilmiştir.

TABLO I. VERİ SETİ İLE YAPıLAN TEST SONUÇLARI

Sıralama Yöntem Başarı Yüzdesi
1 Random Forest – Weka 77.98
2 Random Tree – Weka 77.69
3 Random Forest- R 76.94
4 J48 – Weka 76.79
5 Neural Network – R 68.51
6 Multilayer Perceptron – Weka 65.92
7 SVM – R 65.51
8 Neural Network – FANN 62.63
9 Naive Bayes – R 59.38
10 Naive Bayes – Weka 58.57

 

C. Levenberg-Marquardt Yöntemi
Levenberg-Marquardt algoritması, bir fonksiyonun tahminlenmesi için basit ve güçlü bir yöntemdir. Temelde denklem 2’nin çözülmesini içermektedir [22].

J, sistemin Jacobian matrisi, λ Levenberg’in sönümleme faktörü, δ, bulmak istenen ağırlık güncelleme vektörü ve E, her girdi vektörüne karşılık gelen çıktı hatalarını içeren hata vektörüdür. δ, daha iyi sonuç alabilmek adına ağın ağırlıklarının ne kadar değiştirilmesini gösterir. JtJ matrisi aynı zamanda Hessian matrisi olarak da bilinir [22].

Sönümleme faktörü olan λ, her iterasyonda ayarlanır ve optimizasyon işlemine kılavuzluk eder. Eğer E’nin alçalması hızlıysa, sönümleme faktörü için daha küçük bir değer seçilerek algoritma Gauss-Newton algoritmasına [23] yaklaşır; eğer E’nin alçalması yavaşsa, sönümleme faktörü arttırılarak dereceli alçalma (gradient descent) yöntemine [24] yaklaştırılır.

1) Jacobian Matrisinin Hesaplanması: Jacobian matrisi, vektör değerli bir fonksiyonun tüm birinci derece kısmi türevlerinin matrisidir. Yapay sinir ağlarında, Jacobian matrisi bir NxW boyutlarında bir matristir. N eğitim seti içerisindeki veri sayısını ve W toplam parametre sayısını (ağırlıklar + sapmalar) göstermektedir. Denklem 3 de gösterilen Jacobian matrisi, her çıktıya karşılık gelen ağırlık göz önüne alınarak çıktıların kısmi türevlerinin alınmasıyla oluşturulur [22].

 

F (xi, w) fonksiyonu, ağırlık vektörünün kullanılarak eğitim setinin i endeksli girdi vektörünün değerlendirildiği ağ fonksiyonudur. Jacobian matrisi, yapay sinir ağlarında, zincir kuralının uygulanmasıyla verimli bir şekilde hesaplanabilir [22]. 2) Hessian Matrisinin Yaklaşık Değerinin Bulunması: En küçük kareler problemi için Hessian matrisinin genellikle hesaplanmasına gerek duyulmaz. Önceden de belirtildiği gibi, Jacobian matrisinin kullanılmasıyla yaklaşık olarak değeri Denklem 4 ile bulunabilir [22].

Bu denklem sonucunda hesaplanan Hessian matrisinin yaklaşık değeri, çözüm içerisindeki artık hataların küçük olduğu durumlarda daha iyi bir şekilde bulunur.

3) Levenberg-Marquart Denkleminin Çözümlenmesi:
Levenberg’in bu yönteme yaptığı en önemli katkı, sönümleme faktörüdür (λ). Bu değer, sistem çözülmeden önce, Hessian matrisindeki diyagonal olan elemanların hepsine eklenir. Genellikle bu değer 0.1 gibi küçük bir değerden başlar. Daha sonra, Levenberg-Marquardt denklemi sıkça LU ayrıştırma .

(LU decomposition) [25] yöntemi kullanılarak çözülür. Denklemin çözülmesinden sonra ağırlıklar (w), eğitim veri seti içerisindeki her bir veri için δ kullanımıyla hesaplanarak güncellenir. Eğer yeni bulunan hataların karelerinin toplamı azalmışsa, λ azaltılır ve iterasyon biter. Diğer türlü, bulunan yeni ağırlıklar kullanılmaz ve yöntem daha yüksek bir λ değeriyle tekrar edilir. λ için yapılan düzeltme, düzeltme faktörü olan ve genellikle değeri 10 olarak belirlenen v ile gerçekleştirilir. λ’nin artması gereken durumlarda v ile çarpılır, diğer durumda v’ye bölünür. Bu işlemler hata azalana kadar tekrar edilir. Hatanın azaldığı durumda gerçekleştirilen iterasyon sonlandırılır.

4) Levenberg-Marquardt Algoritması:
Önceden belirtildiği gibi, Levenberg-Marquardt algoritması Denklem 2’nin, farklı λ değerleri ile hataların karelerinin azaldığı duruma kadar çözülmesini içerir. Her bir öğrenme iterasyonu aşağıdaki adımları içerir [22]:

• Jacobian matrisini hesaplanması
• Hata eğiminin hesaplanması (g = JtE)
• Hessian matrisinin Jacobian matrisinin kullanılmasıyla yaklaşık değerini bulunması (H = JtJ)
• δ değerinin bulunması için (H + λI)δ = g denkleminin çözülmesi
• δ kullanımıyla ağ ağırlıklarının (w) güncellenmesi
• Güncellenen ağırlıklarla hataların karelerinin toplamının bulunması
• Hataların karelerinin toplamı azalmamışsa, yeni ağırlıklar kullanılmadan v ile λ değerinin arttırılması ve 4. adıma geri dönülmesi
• Eğer azalmışsa λ değerinin v kullanılarak azaltılması ve işlemin bitirilmesi

IV. TAHMİNLEME FORM UYGULAMASI
Yapılan yapay sinir ağı modelinin denenmesi amacıyla bir form uygulaması geliştirilmiştir. Geliştirilen uygulamaya Şekil 1’de gerekli niteliklerin girilmesiyle, Levenberg-Marquardt yöntemi içerisindeki model üzerinde işlenerek bir tahminleme gerçekleştirmektedir.

Uygulama üzerinde, müşteri grubu, müşteri, ürün grubu, kumaş tipi ve işlem adının girilebileceği tüm olası değerler Şekil 2’de gösterilmiştir.

Kullanıcı, Şekil 1 deki liste kutuları üzerinden bu nitelikleri kolayca seçebilmektedir. Bazı siparişlerin özel iplik ve özel boya gibi özel durumları olabildiği için, kullanıcının bu durumu seçebileceği Evet/Hayır durumlarını içeren radio button grupları bulunmaktadır.

Fig. 1. Uygulama ekran görüntüsü

Kullanıcının, siparişin planlanan başlangıç ve bitiş tarihini girebileceği iki adet metin kutusu bulunmaktadır. Bu metin kutularına tarihler gün.ay.yıl formatında girilmektedir. Sınıflandırmada kullanılacak olan en önemli nitelik olan sipariş gerçekleşme süresi ise, planlanan bitiş tarihinden, planlanan başlangıç tarihinin çıkarılmasıyla bulunur. Tahminlenmenin başlatılabilmesi için, uygulama üzerinde “Tahminle” tuşu bulunmaktadır.

Fig. 2. Liste kutuları içerisindeki niteliklerin olası değerleri

“Tahminle” tuşuna basıldığında, girilen bilgilere göre bir tahminleme yapılır. Eğer tahminlemenin sonucu “başarılı” ise kullanıcıya “Planlanan Zamanda Gerçekleşecektir” mesajı (Şekil 3-a) gösterilir. Fakat tahminlemenin sonucu “başarısız” ise, bu durumu oluşturabilecek iki olası durum bulunmaktadır: ya sipariş planlanan zamanda bitirilemeyecektir ya da sipariş planlanan zamandan önce bitirilecektir. Siparişin planlanan zamanda bitirilemeyecek olması (siparişin gecikmesi) durumunda, siparişin “başarısız” olarak sınıflandıracak olması mantığa uygundur.

Ancak siparişin erken bittiği durumların da “başarısız” olarak sınıflandırılması mantığa ters gelebilir. Bunun sebebi, veri seti ile gerçekleştirilen eğitimden sonra, kullanılan yöntemin belirli gün aralıklarını başarılı olarak kabul etmesi; geri kalan gün aralıklarını başarısız olarak kabul etmesinden kaynaklanmaktadır. Örneğin, eğitim sonucunda bir işlemin gerçekleşme süresi 20-25 gün olarak hesaplandığında, bu işlemin tamamlanması için planlanan süreye “25 gün ve üzeri” bir süre verildiğinde, o işlem yöntem içerisinde “başarısız” olarak kabul edilmektedir. Kullanıcıya planın başarısız olduğu durumlarda, doğrudan planın başarısız olacağı mesajının verilmesi yerine, daha açıklayıcı ve doğru bir mesaj verilmesi hedeflenmiştir.

Uygulamada planda gecikmenin yaşanacağı veya planın erken tamamlanacağı mesajı ile birlikte, kaç gün gecikme yaşanacağı veya kaç gün erken tamamlanacağı mesajının verilmesi sağlanmıştır. Bunu gerçekleştirebilmek adına öncelikle planlanan süreden, “başarılı” sonucu alınana kadar ve en fazla 500 iterasyon gerçekleşecek şekilde her iterasyonda bir gün çıkarılmış ve yeni elde edilen süreyle test edilmiştir.

Eğer 500 iterasyonun bitimine kadar “başarılı” sonucu alınmışsa, kullanıcıya “[İterasyon Sayısı] Gün Erken Bitecektir” mesajı (Şekil 3-b) gösterilmektedir. 500 iterasyon sonucunda “başarılı” sonucu alınmamışsa, planlanan süreye “başarılı” sonucu alınana kadar ve en fazla 500 iterasyon gerçekleşecek şekilde her iterasyonda bir gün eklenmiş ve yeni elde edilen süreyle test edilmiştir. Eğer 500 iterasyonun bitimine kadar “başarılı” sonucu alınmışsa, kullanıcıya “[İterasyon Sayısı] Gün Gecikme Yaşanacaktır” mesajı (Şekil 3-c) gösterilmektedir. Veri seti içerisinde bulunan işlemlerin en fazla 200 gün içerisinde gerçekleşmesinden dolayı, planlanan sürenin ±500 gün aralığının dışına çıkmayacağı açıkça görülmektedir ve bu sebepten ötürü, iterasyonlar 500’de sınırlandırılmıştır.

Fig. 3. Tahminleme sonuçlarının gösterilmesi

V. YAPıLAN TEST DEĞERLENDİRMELERİ VE SONUÇ
Veri Setinin eğitiminde Levenberg-Marquardt geri yayılım yöntemi ile sağlayan yapay sinir ağını içeren Accord.NET kütüphanesi [26], tahminleme başarısını arttırmak amacıyla kullanılmıştır. Oluşturulan yapay sinir ağı modeli içerisinde: girdi katmanında 11 adet nöron (her bir nitelik için), eşit sayıda nöronlara sahip olan 2 adet gizli katman ve çıktı katmanında 2 adet nöron (Başarılı/Başarısız) bulunmaktadır. Aynı veri seti ile toplamda 30 adet test yapılmıştır.
Testler, gizli katmanlardaki nöron sayılarının (10-10, 15-15, 20-20, 25-25, 30-30) ve eğitimin yapıldığı iterasyon sayısının (epoch) (25, 50, 100, 250, 500, 1000) değiştirilmesiyle uygulanmıştır. Tablo 2 içerisinde görülebileceği üzere, gizli katmanlardaki nöron sayılarının 25-25 olduğu durumda en başarılı sonuçlar alınmıştır. Bu sebepten dolayı, nöron sebeplerinin 25-25 olduğu durumda, iterasyon sayısı arttırılarak daha iyi başarı alınması hedeflenmiştir.

TABLO II. LEVENBERG-MARQUARDT TEST SONUÇLARI

İterasyon Sayısı Nöron Sayıları (İlk Katman – İkinci Katman)
10-10 15-15 20-20 25-25 30-30
25 73.61 73.92 74.57 73.52 74.57
50 75.07 75.65 75.89 75.53 77.20
100 75.04 75.76 76.77 77.34 77.06
250 75.23 75.68 76.73 77.44 77.13
500 75.08 75.96 76.70 77.59 77.03
1000 74.68 76.14 76.72 77.45 77.31

İterasyon sayısının 3000 yapılmasıyla veri seti tekrar test edilmiştir. Yapılan testin sonucunda, 1300. iterasyonun sonunda modelin içerisindeki hata değerlerinin toplamının karesinde bir değişim gözlenmemiş, model yakınsanmıştır. Veri seti ile elde edilen son başarı oranının %81.44 olduğu gözlenmiştir. Testin sonuçları Tablo 3’de görülebilir.

TABLO III. LEVENBERG-MARQUARDT İTERASYON

İterasyon Başarı Oranı Hataların Karelerinin Toplamı Hata Toplamı Değişimi
0 54.22 21434.22 0.000
100 77.66 11040.15 10394.073
200 77.40 10829.33 210.822
300 77.27 10786.48 42.847
400 77.31 10779.65 6.831
500 77.28 10779.51 0.140
800 77.38 10777.68 0.099
1000 77.49 10777.67 0.010
1100 81.44 10777.55 0.119
1200 81.44 10777.55 0.002
1300 81.44 10777.55 0.000
1400 81.44 10777.55 0.000
…. …. ….. …..
3000 81.44 10777.55 0.000

Bu çalışma içerisinde endüstri alanında yapay sinir ağlarının kullanımı ile bir tahminleme gerçekleştirilmiştir. Tahminlemenin yapılmasında sıklıkla kullanılan tahminleme yöntemleri ile yapay sinir ağı yöntemleri karşılaştırılmıştır.

Bazı yapay sinir ağı yöntemlerinin, bu çalışma içerisinde çok iyi başarı gösteremediği değerlendirilmiştir. Bir geri yayılım yöntemi olan Levenberg-Marquardt yöntemi ile istenen başarının elde edildiği görülmüştür. Levenberg-Marquardt yöntemi ile yapılan testlerin başarı yüzdesi, denenen tahminleme yöntemlerinden en başarılı olanlarının (Random Forest, Random Tree ve J48) başarı yüzdesine yaklaşık olarak eşit olduğu ve tahminleme modelinin eğitiminin gerçekleştirilmesi diğer yöntemlerin sahip olduğu tahminleme modellerinin eğitiminin gerçekleştirilmesinden uzun sürdüğü görülmüştür.

VI. GELECEK ÇALıŞMALAR
Bu çalışmanın sonucunda, yapay sinir ağlarının, diğer tahminleme yöntemlerine göre daha başarılı olduğu gözlenmiştir.

Test sonuçları değerlendirildiğinde tekstil endüstrisinde üretim planlamada kullanımının uygun olduğu kanısına varılmıştır. Yapılan çalışmanın farklı veri setleri üzerinde ve veri kümelerinin daha geniş olduğu alanlarda kullanımı konusunda çalışmalar devam etmektedir.

Çalışmanın sonucunda elde edilen modelin firmaların kullanmış oldukları Enterprise Resource Planning (ERP) uygulamalarının içerisine entegre edilerek çalışması planlanmaktadır. Bu entegrasyon sürecinde modelin, servis mimarisi ile çalışabilecek yapıda entegrasyon sürecinde farklı uygulamalara kolaylıkla uyum sağlayabileceği düşünülmektedir.

Farklı veri setleri için olası kütüphanenin geliştirilmesi ve farklı yapay sinir ağları modelleri ile de çalışabilecek bir yapıda bir servis mimarisinin oluşturulması, çalışmanın ilerleyen süreçlerinde planlanmaktadır.

TEŞEKKÜRLER
7150520 proje numarası ile TÜBİTAK–1507 KOBİ Ar-Ge Başlangıç Programı Projesi “DYNEX – Kurumsal Performans Yönetim Sistemi” isimli çalışmadaki veriler kullanılarak gerçekleştirilmiştir. Katkılılarından dolayı TÜBİTAK’a, teşekkür ederiz.

REFERANSLAR
[1] S.C. Ok, and S.K. Sinha, “Construction equipment productivity estimation using artificial neural network model.” Constr. Manage. Econ., vol. 24(10), pp. 1029-1044, 2006.

[2] M.J. Somers, and J.C. Casal, “Using artificial neural networks to model nonlinearity: the case of the job satisfaction‐job performance relationship”, Organ. Res. Methods., vol. 12, pp. 403-417, 2009.

[3] L. Sanzogni, and D. Kerr, “Milk production estimates using feed forward artificial neural networks”, Comput. Electron. Agr., vol.32(1), pp. 21-30, 2001.

[4] G. Holmes, A. Donkin, and I. H. Witten, “WEKA: A machine learning workbench,” in Proc. 2nd Australian and New Zealand Conf. on Intell. Inf. Syst., Brisbane, Australia, 1994.

[5] D. Chessel, A.B. Dufour, and J. Thioulouse, “The ade4 package-I – One-table methods”, R News, vol. 4: pp. 5–10, 2004.

[6] M. Leshno and Y. Spector, “Neural network prediction analysis: The bankruptcy case”, Neurocomputing, vol. 10, pp. 125-147, 1996.

[7] H. Quan, D. Srinivasan and A. Khosravi, “Short-term load and wind power forecasting using neural network-based prediction intervals”, IEEE Trans. Neural Netw. Learn. Syst., vol. 25, no. 2, pp. 303-315, 2014.

[8] J. L. Ticknor, “A Bayesian regularized artificial neural network for stock market forecasting”, Expert Syst. Appl., vol. 40, no. 14, pp. 5501-5506, 2013.

[9] Y. Cay, A. Cicek, F. Kara, and S. Sağiroğlu, “Prediction of engine performance for an alternative fuel using artificial neural network”, Appl. Therm. Eng., vol. 37 pp. 217–225, 2012.

[10] Y.A. Llave, T. Hagiwara, and T. Sakiyama, “Artificial neural network model for prediction of cold spot temperature in retort sterilization of starch- based foods”, J. Food Eng., vol. 109, pp. 553–560, 2012.

[11] B. Verlinden, J.R. Duflou, P. Collin, and D. Cattrysse, “Cost estimation for sheet metal parts using multiple regression and artificial neural networks: a case study”, Int. J. Prod. Econ., vol. 111, pp. 484–492, 2008.

[12] S. Cavalieri, P. Maccarrone, and R. Pinto, “Parametric vs. neural network models for the estimation of production costs: A case study in the automotive industry”, Int. J. Prod. Econ., vol. 91(2), pp. 165-177, 2004.

[13] D. Wu, Z. Yang, and L. Liang, “Using DEA-neural network approach to evaluate branch efficiency of a large Canadian bank”, Expert Syst. Appl., vol. 31 (1), pp. 108-115, 2006. S.M.

[14] Al-Fattah, and R.A. Startzman, “Predicting natural-gas production using artificial neural network”, SPE Hydrocarbon Economics and Evaluation Symposium, Dallas, USA, 2001, pp. 1-11.

[15] L. Ekonomou, “Greek long-term energy consumption prediction using artificial neural networks”, Energy, vol. 35 (2), pp. 512–517, 2010.

[16] G.S. Mittal,and J. Zhang, “Prediction of freezing time for food products using a neural network”, Food Res. Int., vol. 33(7), pp. 557-562, 2000.

[17] G.S. Maddala, and K. Lahiri, Introduction to econometrics, New York: Macmillan, 1992.

[18] J. Sola, and J. Sevilla, “Importance of input data normalization for the application of neural networks to complex industrial problems”, IEEE Transactions on Nuclear Science, vol. 44, no. 3, pp. 1464-1468, 1997.

[19] F. Günther, and S. Fritsch, “neuralnet: Training of neural networks”. The R journal, vol. 2(1), pp.30-38, 2010.

[20] R. Battiti, and F. Masulli, “BFGS optimization for faster and automated supervised learning”, In International neural network conference, Springer Netherlands, 1990, pp. 757-760.

[21] S. Nissen: “Fast Artificial Neural Network Library”, [Online] 2016. Available: http://leenissen.dk/fann/wp/news/.

[22] G.Lera, and M.Pinzolas, “Neighborhood Based Levenberg-Marquardt Algorithm for Neural Network Training”, IEEE Trans. on Neural Networks, vol. 13(5), pp. 1200-1203, 2002.

[23] F. Foresee, and M. Hagan, “Gauss-Newton approximation to Bayesian regularization”, Proc. 1997 Int. Joint Conf. Neural Networks, pp. 1930-1935, 1997.

[24] B. Chris, S. Tal, R. Erin, L. Ari, D. Matt, H. Nicole, and H. Greg, “Learning to rank using gradient descent”, Proceedings of the 22nd international conference on Machine learning, 2005, pp.89-96.

[25] S. Abbasbandy, R. Ezzati, and A. Jafarian, “LU decomposition method for solving fuzzy system of linear equations”, Appl Math Comput., vol. 172(1), pp. 633-643, 2006.

[26] Accord.net Framework [Online]. Available: http://accord-framework.net.

Hazırlayanlar

Semih UTKU
Department of Computer Engineering Dokuz Eylül University İzmir, Turkey

Seycan ÇAĞLAN
Barsesa Eğitim ve Danışmanlık A.Ş. İzmir, Turkey

Ali İhsan ERTOK
Datakod Yazılım Teknolojileri A.Ş. İzmir, Turkey