Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Tedarikçi Seçimi Karar Destek Sistemi

Tedarikçi Seçimi Karar Destek Sistemi

Tedarikçi Seçimi Karar Destek Sistemi
Metin Uslu & Haydar Özler
Türkiye Yapay Zeka İnisiyatifi (TRAI)
16.03.2022

Metin USLU

July 03, 2023
Tweet

More Decks by Metin USLU

Other Decks in Technology

Transcript

  1. Tedarikçi Seçimi Karar Destek Sistemi Haydar Özler | LC Waikiki

    Veri Analitiği Direktörü Metin Uslu | LC Waikiki Kıdemli Veri Bilimci Türkiye Yapay Zeka İnisiyatifi (TRAI) 16.03.2022
  2. Ajanda Akıllı Perakende-Tedarik Zinciri ve Lojistik - Türkiye Yapay Zeka

    İnisiyatifi (TRAI) 2 ▪ Problem ▪ Modelleme Süreçleri ▪ Veri Kaynakları ▪ Modelleme: LightGBM, Decision Tree, Ensemble Model ▪ Performans Metrikleri ▪ Feature Importance ▪ Shap ▪ Model Sunumu(Model Serving) ▪ Mimari Yapı (Architecture Blueprint) ▪ Özet(ReCap)
  3. Problem ▪ Tedarikçi Seçimi Karar Destek Sistemi projesi ile, Buyerların

    siparişlerini geçerken doğru tedarikçiye sipariş geçmelerini sağlayacak karar destek yapısı kurmaktır. ▪ Özetle; bir X ürününü Y tedarikçisi zamanında teslim edebilir mi? Yada tersinden düşünürsek buradaki risk ve bu riski açıklayan parametreler nelerdir? Akıllı Perakende-Tedarik Zinciri ve Lojistik - Türkiye Yapay Zeka İnisiyatifi (TRAI) 3 Yıl Sezon Tedarikçi Alım Sipariş Sayısı Option Sayısı Net Alım Sipariş Miktarı 2021 S1+W1 868 ~93K ~90K ~506M
  4. Modelleme Süreci ▪ Veri Kaynakları ▪ Temel Tablolar : Tedarikçi

    Tablosu, Termin Tablosu, Sipariş Tablosu, Ürün Tablosu, … ▪ Aday Input : ~100 [Tarihsel inputlar, Tedarikçiye ait inputlar, Termin ile ilgili inputlar, Sipariş ile ilgili inputlar, ek olarak Aggregate edilerek oluşturulan inputlar] ▪ Final Model Input : 35 + 1 (Target Variable) ▪ Target Variable : SiparisZamanindaTeslimOrani = ZamanindaGirenMiktar / GelmesiGerekenMiktar ▪ Target Value : 0 ile 1 arasında sürekli bir değer alıyor. Ardından [1 if SiparisZamanindaTeslimOrani>=0.90 else 0] ▪ Problem : Binary Classification ▪ Modelleme ▪ LightGBM : Gradient boosting framework’lerinden ağaç tabanlı öğrenme algoritması ▪ Decision Tree : Ağaç tabanlı öğrenme algoritması ▪ Ensemble Method : LightGBM + Decision Tree algoritmalarını birlikte kullanımı Akıllı Perakende-Tedarik Zinciri ve Lojistik - Türkiye Yapay Zeka İnisiyatifi (TRAI) 4
  5. Modelleme ▪ Performans 1: Algoritma Performansı Area Under Curve (AUC)

    ▪ Performans 2: Model bazlı olmak üzere modellerin daha iyi performe ettiği bölgelerdeki gücüne baktık. Olasılık uzayının sadece uç bölgeleri ile ilgilendik. (Arada kalan gri alanları ignore ettik); Proba<0.30 ve Proba>0.70 olanlar gözlemler için Ensemble Model (LGBM +Decision Tree) %72’lik bir başarım sağladık. Akıllı Perakende-Tedarik Zinciri ve Lojistik - Türkiye Yapay Zeka İnisiyatifi (TRAI) 5 Model Metrik TestSet LGBM AUC ~ 0.68 – 0.70 DecisionTree
  6. Model Serving ▪ Modelleme için Python ▪ Experiment ve başarımları

    gözlemlemek için mlflow ▪ Servis için Python Flask-RESTful ▪ Konteyner Rancher ve CI/CD için AzureDevOps (Pipeline + Release) ▪ Credential & Token Management Vault ▪ Aggregate Data & Api Response MongoDB Akıllı Perakende-Tedarik Zinciri ve Lojistik - Türkiye Yapay Zeka İnisiyatifi (TRAI) 8
  7. Model Serving(devam) Servisimizi parametreler ile call ettiğimizde Response { "DateTime":

    "2022-03-15 20:11:28", "Proba": 0.942, "Top3Features": { "CariKlasmanPerformans": 0.906, "TerminSuresi": 0.068, "FiyatOrani": 0.006 }, "Bottom3Features": { "TedarikciSehir": 0.438, "SiparisKHafta": 0.427, "ModelBudgetKHafta": 0.076 } } Akıllı Perakende-Tedarik Zinciri ve Lojistik - Türkiye Yapay Zeka İnisiyatifi (TRAI) 9 Proba Risk Derecesi <=0.30 Yüksek Risk >0.30 & <0.70 Orta Risk >=0.70 Düşük Risk