Her işletmenin temel hedefi; ürün ve hizmet üretim süreçlerini icra ederek değer oluşturabilmek, pazara bu ürün/hizmetleri sunarak kar elde etmektir. Bu hedefe ulaşabilmek için, üretim faktörlerinin etkin kullanımı zorunludur. İşletmeler için binalar, makinalar, teknik donanımlar, enerji, çalışanlar, çeşitli hizmetler ve ham maddeler gibi kaynaklar vazgeçilmezdir. Bu kaynaklar, üretim hedeflerine uygun olarak işletmenin farklı bölümlerine dağıtılır. Teorik bir bakış açısıyla, üretim faaliyetleri, mevcut üretim faktörlerinin son ürün satışa sunulana kadar süren iş birliği içindeki birleşim sürecidir (Demirdöğen ve Güzel, 2009).

Böyle bir faaliyet, önemli bir yönetim süreci olan planlamayı gerektirir. Çünkü örgütlerin hedeflerine ulaşmaları, etkili planlara bağlıdır. Etkili bir plan, uygun hedeflerin belirlenmesine, bu hedeflerin başarılması için gereken faaliyetlerin tanımlanmasına ve her faaliyetin düzgün ve etkin bir şekilde gerçekleştirilmesi için yeterli ön sürelere dayanır. Bu nedenle, örgütler planlama faaliyetlerinde öncelikli olarak üretim planlamasına odaklanırlar (Demir ve Gümüşoğlu, 2003).

Müşterilere ürün sunarken yaşanacak gecikmeler, müşteri memnuniyetsizliğine yol açarak, işletmenin itibarına ve pazar payına ciddi zararlar verir. Gecikmeler; müşteri kaybına, olumsuz geri bildirimlere ve rakiplere yönelmeye neden olabilirken, zamanında ve kaliteli teslimatlar ise müşteri sadakatini artırır, olumlu referanslar sağlar ve uzun vadede işletmenin kârlılığını yükseltir. Bu nedenle, doğru üretim planlaması ve zaman yönetimi, müşteri memnuniyetini sağlamak açısından kritik bir rol oynar. Bu sürecin etkin şekilde kurgulanmaması; müşteri kaybından doğan satış kaybını maskelemek amacıyla daha fazla satış yapabilmek için satış noktalarının artırılması (yeni satış alanları açmak gibi) sıklıkla tercih edilen bir stratejidir. Bu durum, başlangıçta suni bir büyüme etkisi yaratsa da, belirli bir noktadan sonra satış/gider dengesi bozulmaya başlar. Artan satış alanları, yüksek operasyonel maliyetleri beraberinde getirir ve müşteri kayıpları telafi edilemez hale geldiğinde işletme, hızlı bir küçülme sürecine girer. Bu süreç; işletmenin finansal yıkımına ve kalıcı zararlara yol açabilir. Ayrıca, marka prestiji de ciddi şekilde zedelenir; müşteri gözünde güven kaybı ve olumsuz algı oluşur. Bu durum, markanın uzun vadeli rekabet gücünü olumsuz etkileyerek pazar payında kalıcı kayıplara neden olur.

Üretim etkinliğinin artırılması amacıyla 2024 yılında hazırladığım yüksek lisans tez çalışmasında, makine öğrenmesi tekniklerini kullandığım bir çalışma gerçekleştirdim. Açıkçası ilk başta makine öğrenmesini sadece CNC tezgahlara program yazmak veya üretim süreçlerinde basit otomasyon sağlamak olarak düşünüyordum. Ancak araştırmalarımı bu alana yoğunlaştırdıkça, makine öğrenmesinin aslında yapay zekânın temel taşlarından biri olduğunu ve bilgisayarların, insanlar gibi veri yoluyla öğrenme yeteneği kazandığını fark ettim. Bu keşif, beni bu alanda daha derinlemesine çalışmaya teşvik etti. Makine öğrenmesinin sadece bir yazılım değil, büyük veriyle beslenen, her yeni veri ile kendini geliştirebilen, karmaşık süreçleri anlamlandırabilen bir sistem olduğunu görmek oldukça etkileyiciydi. Üstelik bu tekniklerin, üretim süreçlerinde planlama ve verimliliği artırma gibi çok önemli işlevleri olduğunu anladığımda bu alandaki potansiyelin sandığımdan çok daha büyük olduğunu fark ettim. Şimdi, bir üretim sürecine yaklaşırken, sadece programlama değil, veriyi nasıl işleyebileceğimi ve doğru tahminler yaparak sürece nasıl katkı sağlayabileceğimi de düşünerek hareket ediyorum. Bu sayede, tez çalışmam, gelecekteki projelerime de ilham kaynağı oldu.

Makine öğrenmesinin ilk adımları 1950’lerde atılmıştır fakat “Yapay zekâ kış uykusu” olarak da adlandırılan dönemde başta donanımsal kısıtlamalar ve diğer problemler sebebi ile bu alandaki çalışmalar durma noktasına gelmiştir (Şeker, Diri ve Balık, 2017).

Makine öğrenimi tarihte ilk kez 1959 senesinde “Arthur Lee Samuel” tarafından IBM için geliştirilen dama oyununu tasarlarken bu terimi kullanmıştır. Makine öğrenimi için; “Bilgisayarların açıkça programlanmadan öğrenmesini sağlaması gereken bir araştırma alanıdır” denmiştir (Samuel, 1959).

Makine öğrenmesinin ilerlemesi, birkaç temel faktörün bir araya gelmesiyle gerçekleşmiştir. İlk olarak, veri miktarındaki büyük artış (özellikle internetin yaygınlaşmasıyla) makine öğrenmesi algoritmalarının beslenmesi ve daha doğru sonuçlar üretmesi için yeterli veri sağladı. Bu büyük veri kaynakları, algoritmaların daha karmaşık ilişkileri öğrenmesine ve genelleştirme yeteneklerini geliştirmesine olanak tanıdı.

İkincisi, hesaplama gücündeki dramatik artış, özellikle grafik işlemciler (GPU'lar) ve dağıtık sistemlerin kullanımı, makine öğrenmesi modellerinin çok daha hızlı ve verimli şekilde eğitilmesine olanak verdi. Derin öğrenme gibi karmaşık modellerin eğitilmesi, bu yeni nesil donanım ile mümkün hale geldi.

Son olarak, algoritmalarda yapılan önemli iyileştirmeler (özellikle optimizasyon yöntemlerinde ve model yapılandırmalarında), makine öğrenmesinin performansını önemli ölçüde artırdı. Stokastik gradyan inişi, destek vektör makineleri, derin sinir ağları ve XGBoost gibi teknikler, veri bilimcilerinin daha hassas ve genellenebilir modeller oluşturmasına imkân tanıdı. Böylece, veri, hesaplama gücü ve algoritmalardaki gelişmeler makine öğrenmesinin günümüzde hızla ilerlemesini sağladı.

Makine öğrenmesi algoritmalarının gelişimiyle birlikte, bu alanda elde edilen tecrübelerin üretim sektöründe uygulanmasına yönelik birçok çalışma gerçekleştirilmiştir. Üretim etkinliğinin artırılması; kapasitenin doğru hesaplanması, kaynak tahsislerinin optimize edilmesi ve teslimat sürelerinin rasyonel şekilde planlanması ile mümkündür. Bu aktivitelerin tümünü başarıyla gerçekleştirebilmenin ilk adımı ise standart zamanların doğru belirlenmesidir. Geleneksel standart zaman hesaplama yöntemleri, üretim süreçlerinin karmaşık ve dinamik yapısı nedeniyle karar vericilerin ve yöneticilerin uygulamada çeşitli kısıtlamalarla karşılaşmasına neden olabilmektedir. Özellikle yüksek partili işler, değişken sipariş miktarları ve ürün yapıları, el işçiliğinin yüksek olduğu ürünler ve uzun iş akışına sahip işler söz konusu olduğunda, standart sürenin doğrudan veya dolaylı geleneksel yöntemlerle belirlenmesi yoğun emek ve yatırım gerektirmekte, buna rağmen çoğu zaman doğru hesaplamalar yapmak mümkün olmamaktadır. Gerçekleştirdiğim çalışmada, yapay sinir ağları, destek vektör makineleri ve karar ağaçları algoritmalarını kullanarak üretilen ürünlerin standart zamanlarını tespit etmeyi ve böylece üretim planlama etkinliğini artırmayı amaçladım.

Yapay Sinir Ağları (YSA); insan beynindeki sinir hücrelerinin çalışma mantığını taklit eden bir sistemdir. Birçok veri noktası üzerinden bağlantılar kurarak, bu verilerden öğrenir ve gelecekteki sonuçları tahmin eder. Örneğin, bir insanın deneyimlerinden öğrenerek karar vermesi gibi, bu sistem de geçmiş verilerden öğrenir ve yeni durumlar için sinir hücrelerini taklit ederek tahminlerde bulunur.

Destek Vektör Makineleri (DVM); farklı veri noktaları arasında en iyi ayırıcı çizgiyi bulmaya çalışır. Üretim süreçlerinde, örneğin bir işin tamamlanma süresiyle ilgili verileri toplarız (bu veriler işlem süresi, çalışan sayısı, kullanılan ekipman gibi olabilir). DVM, bu verileri kullanarak, standart zamanın ne kadar olması gerektiğini tahmin etmek için bir model oluşturur. Model, mevcut verilerle işin ne kadar süreceğini tahmin etmek için çizgiyi belirler ve gelecekteki benzer işlemler için tahminler yapar. Bu, DVM'nin geçmişteki verilere dayanarak en uygun tahminleri yapmasını sağlar.

Karar Ağaçları ise daha farklı bir yaklaşımla çalışır. Karar ağaçları, standart zamanı belirlemek için sorular sormaya benzer bir süreç izler. Örneğin, "Bu işlem yüksek el işçiliği mi gerektiriyor?" ya da "Kullanılan ekipmanın türü ne?" gibi sorularla veri setini dallara ayırır. Her bir sorunun cevabına göre, ağacın farklı dallarına yöneliriz ve sonunda bir tahmin yaparız. Bu, adım adım sorularla ilerleyerek doğru tahmini bulmaya çalışır. Karar ağacı, üretim sürecinde farklı faktörlerin etkisini adım adım analiz ederek, standart zamanı tahmin eder.

Her üç yöntemde de temel amaç, geçmiş verilerden öğrenerek, talep edilen parçaların standart zamanını doğru bir şekilde tahmin etmektir.

Gerçekleştirdiğim çalışma kapsamında incelenen üretim süreci; karmaşıklığı, insan gücüne bağımlılığı ve parça çeşitliliğinin fazla olması nedeniyle uzun ölçüm süreleri gerektirmektedir. Bu nedenle doğrudan iş ölçüm teknikleri uygulanamamakta ve kesin standart süreler belirlenememektedir.

Gerçekleştirilen literatür taramaları doğrultusunda belirlenen dört ana faktör; tasarım geometrisi, ürünün katman sayısı (ev yapımı pastanın kat sayısı gibi düşünülebilir), malzeme çeşidi, malzeme miktarı özelliklerine odaklandım. Gözlemler sırasında, hangi faktörlerin üretim sürecini nasıl etkilediği detaylı olarak incelenmiştir. Örneğin, karmaşık tasarımlara sahip ürünlerin üretim süreçleri daha uzun sürmekte ve daha fazla el işçiliği gerektirmektedir. Bu nedenle, kullanılan malzemelerin özellikleri, miktarları, uygulama yapılan yüzeyin zorluğu ve uygulama sayısı gibi faktörlerin belirlenmesi, standart sürelerin hesaplanmasında kritik bir rol oynamaktadır.

Çeşitli denemeler yapılarak hazırlanan algoritmalardan en iyileri belirlenmiş ve değerlendirilen ürün ailesi için standart sürelerin tahminine yönelik geliştirilen modellerin performans sonuçları derlenerek model tahmin performansları tespit edilmiştir.

Yukarıdaki tabloda görüldüğü üzere saatler süren imalat aktivitelerinin tahmininde ortalama yarım saat hata ile %83- %86 doğruluk oranı ile tahmin yapıldığı tespit edilmiştir.

Gerçekleştirilen çalışma neticesinde, yüksek güvenilirlik oranları ile belirlenen standart zamanlar sayesinde, müşterilerden siparişleri topluca aktarılan ürünlerin taahhüt edilen tarihlerde teslim edilebilmesi amacıyla kapasite planlarının gerçekçi hazırlanmasını ve doğru üretim planı yapılmasını sağlayacak araçlar geliştirilmiştir. Geliştirilen makine öğrenmesi modellerinin kullanılan Kurumsal Kaynak Planlaması Sistemine entegre edilmesi durumunda, doğru parametrelerin girilmesiyle zaman tahminlerinin otomatik olarak güncellenebileceği, ERP sistemi entegrasyonu ile üretim süreçlerindeki değişikliklerin hızlı bir şekilde değerlendirilebileceği ve güncel verilere dayalı tahminlerin yapılabileceği, bu sayede iş süreçlerine büyük katkı sağlayabileceği görülmüştür.

Bu çalışma ile hiçbir ek maliyet getirecek yatırım yapılmadan, parça üretim sürelerini dakikalar içerisinde belirleyecek bir sistem kurulmuş, her yıl firma bünyesine 200 çeşit parçanın eklendiği varsayılırsa geleneksel yöntemlerle belirlenmesi için gereken 6000 saatlik işçilik süresi, oluşturulan modeller aracılığıyla birkaç dakikaya indirilmiştir.

Makine öğrenmesi, iş dünyasında giderek daha fazla tercih edilen bir teknoloji haline gelmiştir çünkü veri odaklı karar alma süreçlerini hızlandırır ve doğruluk oranlarını artırır. Üretim sektöründe, makine öğrenmesi algoritmaları sayesinde, geçmiş verilerden öğrenerek gelecekteki operasyonel süreçleri daha iyi tahmin edebilmek mümkün hale gelmiştir. Bu, maliyetlerin azaltılması, verimliliğin artırılması ve operasyonel süreçlerdeki belirsizliklerin minimize edilmesi açısından büyük avantajlar sunar. Özellikle kapasite planlaması, üretim yönetimi ve kalite kontrol gibi alanlarda makine öğrenmesi, geleneksel yöntemlere kıyasla çok daha hızlı ve doğru sonuçlar sağlayarak iş süreçlerinde rekabet avantajı elde edilmesini sağlar.

Makine öğrenmesi modellerinin entegre edilmesi, sadece üretim süreçlerinde değil, şirket genelinde stratejik karar alma süreçlerinde de iyileştirmeler sağlar. Bu modeller, mevcut veriler kullanılarak anlık tahminler yapabildiği için değişen piyasa koşullarına hızlı adaptasyonu mümkün kılar. Böylece firmalar, müşteri taleplerini daha doğru öngörebilir, üretim süreçlerini optimize edebilir ve genel iş süreçlerinde etkinlik sağlayarak sürdürülebilir büyüme elde edebilirler.

Makine öğrenmesinin iş dünyasında artan kullanımı, veriye dayalı bir dönüşüm sürecini hızlandırmakta ve bu teknolojiyi uygulayan firmalara uzun vadede önemli stratejik avantajlar sağlamaktadır. 

Sonuç olarak, elde edilen bulgular, işletmelerin üretim süreçlerinde makine öğrenimi uygulamalarının, süreçlerin standart zamanlarının belirlenmesi ve iyileştirilmesi konusunda önemli katkılar sağladığını göstermektedir. Makine öğrenimi tekniklerinin kullanımıyla yapılan standart zaman tahminleri, geleneksel yöntemlere göre daha hassas ve güvenilir sonuçlar vermekte; bu durum da işletmelerin üretim planlama süreçlerini daha etkin bir şekilde yönetmelerine imkân tanımaktadır. Bu çalışmada elde edilen veriler, işletmelerin stratejik karar alma süreçlerine destek olacak ve rekabet avantajı elde etmelerine katkı sağlayacaktır.

Kaynakça: Demirdöğen, O. ve Güzel, D. (2009). Üretim Planlama ve İş Yükleme Metotları. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi. // Demir, H. ve Gümüşoğlu, Ş. (2003). Üretim Yönetimi (6. Baskı). İstanbul: Beta Yayınları. // Şeker, A., Diri, B. ve Balık, H. H. (2017). Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme. Gazi Mühendislik Bilimleri Dergisi. // Samuel, A. L. (1959). Some Studies in Machine Learning Using the Game of Checkers. IBM Journal of Research and Development.