Yapay Zekâ Destekli MİP Modülünün Oluşturulması
Bitirme ve TÜBİTAK 2209-A projem: panel radyatör üretimi için yapay zekâ destekli talep tahmini ve malzeme ihtiyaç planlaması (MİP).
Problem
Panel radyatör üreten bir tesiste üretim planlaması, talep tahmininin zayıf olması yüzünden zorlanıyordu. Elimde yalnızca dört aylık gerçek üretim verisi vardı. Bu kadar kısa bir seriyle güvenilir bir tahmin modeli kurmak, üstelik bunu malzeme ihtiyaç planlamasına bağlamak kolay değildi.
Amacım, yapay zekâ destekli bir talep tahmini kurup çıktısını doğrudan bir malzeme ihtiyaç planlama (MİP) modülüne bağlamaktı. Bu çalışmayı hem TÜBİTAK 2209-A projesi hem de bitirme ve tasarım ödevim olarak yürüttüm.
Yaklaşım
Kısa veriyle başladığım için önce veriyi büyütmem gerekti. Profil tabanlı parametrik simülasyon yöntemiyle dört aylık örneklemi 2.870 kayda genişlettim ve ürettiğim sentetik verinin gerçek dağılıma uygunluğunu Kolmogorov-Smirnov testiyle doğruladım.
Ardından Random Forest, XGBoost ve LSTM modellerini üç ayrı senaryoda karşılaştırdım; özellikle LSTM'in veri hacmine ne kadar duyarlı olduğunu gözlemledim. Tahmin çıktısını, ürün ağacı (BOM) entegrasyonu, kapasite analizi ve hammadde hesapları içeren bir MİP modülüne bağladım. Her şeyi yedi sayfalık bir Streamlit uygulamasında topladım; uygulama Hugging Face Spaces'te canlı.
Sonuç
En iyi sonucu, genişletilmiş veri üzerinde XGBoost-Combined modeli verdi: MAE 109.9 ve R² 0.657. Model, talebi MİP modülüne besleyerek malzeme ihtiyacını ve kapasiteyi tek bir arayüzden planlanabilir hâle getirdi.
Proje, bölüm değerlendirme komisyonu tarafından başarılı bulunup derece aldı ve SDÜ Mühendislik ve Doğa Bilimleri Fakültesi Dekanlık Proje Sergisi'nde bölümümüzü temsil etti. Çalışmayı Doç. Dr. Mehmet Onur Olgun danışmanlığında, Ahmet Furkan Doğruyol ile birlikte yürüttüm.
Öğrendiklerim
En büyük ders, veri kısıtının kendisiyle çalışmak oldu. Kısa bir seriyi olduğu gibi modele vermek yerine, önce dağılımı koruyan sentetik veri üretip bunu istatistiksel olarak doğrulamak sonuçları belirgin biçimde iyileştirdi. LSTM gibi derin modellerin az veriyle beklediğim kadar iyi çalışmadığını, bu ölçekte XGBoost'un daha sağlam olduğunu pratikte gördüm. Bir de tahmini tek başına bırakmayıp MİP modülüne bağlamak, akademik bir çalışmayı gerçek bir planlama aracına dönüştürdü.
