Tedarik Zinciri Yönetiminde Yapay Zeka Teknikler

Transkript

1 Tedarik Zinciri Yönetiminde Yapay Zeka Teknikler Doç.Dr.Mehmet Hakan Satman İstanbul Üniversitesi Doç.Dr.Mehmet Hakan Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

2 Doğa Çarpıştırılan iki kum taneciği nereye saçılacağını bilir mi? Taneciklerin nereye saçılacağı her an hesap edilir mi? Doç.Dr.Mehmet Hakan Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

3 Doğa Yaprak, üzerine düşen su damlacağını hisseder mi? Doç.Dr.Mehmet Hakan Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

4 Doğa Kediler neden medeniyet kuramamış olduklarının farkında mıdır? Doç.Dr.Mehmet Hakan Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

5 Doğa İnsan, yukarıda değinilenlerden ne derece farklıdır? Doç.Dr.Mehmet Hakan Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

6 Turing Varsayalım ki: Düşünebilen bir makina yapılsın İnsan deneklerin makine ile sohbet etmesi sağlansın. Denekler bir makina ile değil, bir insanla sohbet ettiğini sansın Soru: Karar alırken duygu, sezgi ve insana özgü özelliklerimizi işin içine kattığımızı sanarken yalnızca beynimizin zihinsel fonksiyonlarını mekanik bir şekilde kullanıyor olabilir miyiz? Doç.Dr.Mehmet Hakan Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

7 Turing Taklit edilebilen bir zeka, doğal zekanın yerini tutabilir mi? Zekayı taklit edebilir miyiz? Doç.Dr.Mehmet Hakan Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

8 Deep Mind by Google Our mission is to solve intelligence We combine the best techniques from machine learning and systems neuroscience to build powerful general-purpose learning algorithms. Doç.Dr.Mehmet Hakan Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

9 Kural Çıkarma Aşağıdaki işlem doğrusal bir fonksiyon ile ifade edilebilir mi? X 1 X 2 Y Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

10 Yapay Sinir Ağları Doç.Dr.Mehmet Hakan Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

11 Yapay Sinir Ağları Belirli girdiler ve çıktılar arasındaki doğrusal olmayan ilişkileri, beyni taklit ederek ortaya çıkarabilir miyiz? Doç.Dr.Mehmet Hakan Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

12 Yapay Sinir Ağları XOR verisi için tek gizli katmanlı yapay sinir ağı Y = 1 + e e X 1 W 11 X 2 W W e X 1 W 21 X 2 W W W 11, W 12, W 21, W 22 ne olmalıdır ki verilen girdiler beklenen çıktıları üretsin? Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

13 Yapay Sinir Ağları Çıktılar reel, tam veya ikili sayılar olarak düzenlenebilir. Tahmin edilen parametre sayısı (W ij ) gözlem sayısından büyük olabilir. Dağılım varsayımı aranmaz. Doğrusal olan ve olmayan ilişkiler keşfedilebilir. Bir regresyon ve kümeleme aracı olarak ele alınabilir. Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

14 Genetik Programlama Yapay sinir ağı: Kaç bağımsız değişken içermelidir? Kaç gizli katman içermelidir? Her gizli katmanda kaç nöron yer almalıdır? Nöronları birbirine bağlayan W ij değerleri ne olmalıdır? Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

15 GP, LISP ve PREFIX Notasyonu LISP dilinde programlar prefix notasyonu ile yazilir ifadesi ( + 2 ( 5 3 ) ) Böylece ifadeler Abstract Syntax Tree (Soyut Yazım Ağacı) şeklinde yeniden yapılandırılabilir. Bu gösterim, kod bloklarının parçalar halinde birleştirilmesini olanaklı kılar. Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

16 GP, LISP ve PREFIX Notasyonu Doç.Dr.Mehmet Hakan Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

17 GP, LISP ve PREFIX Notasyonu Doç.Dr.Mehmet Hakan Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

18 GP, LISP ve PREFIX Notasyonu // Parent 1 if ( sqrt ( x + y ) <= 10){ return( x ) } else { return ( x / y ) } // Parent 2 if ( sqrt(17) * sqrt(x) <= 10 ){ return(x) } else { return ( x + y ) } Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

19 GP, LISP ve PREFIX Notasyonu // Caprazlama Sonrası Dol Cozum (Child 1) if ( (x+y) <= 10 ){ return(x) } else { return(x / y) } // Caprazlama Sonrası Dol Cozum (Child 2) if (sqrt(17) * sqrt(x) <= 10){ return(x) } else { return( sqrt( x + y) ) } Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

20 Genetik Algoritmalar Doç.Dr.Mehmet Hakan Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

21 Genetik Algoritmalar Rasgele belirlenmiş aday çözümler oluşturur. Amaç fonksiyonunu en iyi sağlayan adaylar ile yeni aday çözümler oluşturulur. İyi çözümlerin çaprazlanması ile daha iyi çözümlere ulaşılabilmesi beklenir. Amaç fonksiyonunun sürekli veya türevlenebilir olması gerekmez. Yapay sinir ağlarında optimum W ij değerlerinin aranmasında genetik algoritmalar kullanılabilir. Genetik programlamadan farklı olarak, GA ile yapay sinir ağının eğitilmesine bir optimizasyon problemi olarak bakılır. Ancak uygulamada GA hem ağ yapısının belirlenmesinde hem de W ij değerlerinin seçilmesinde kullanılmıştır. Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

22 Genetik Algoritmalar Model, Y t = β 0 + β 1 Y t 1 + β 2 Y t 8 + β 3 Y t 17 + α 1 ɛ t 1 + ɛ t olsun. Uygun ARIMA modeli bulunabilir mi? Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

23 Genetik Algoritmalar Model, Y = β 0 + β 1 X 5 + β 2 X 8 + β 3 X 17 + ɛ olsun. Değişken havuzunda X 1, X 2,..., X p yer almış olsun. Uygun modelin keşfedilmesi için tüm mümkün alt kümeler denenebilir mi? 1 1 Bu süreç 2 p adet arama gerektirir! Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

24 Genetik Algoritmalar Aday modeller kromozomlarla ifade edilebilir: Kromozom Model Uygunluk Y = β 0 + β 1 X 5 + ɛ U Y = β 0 + β 1 X 8 + ɛ U 2 Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

25 Genetik Algoritmalar Uygunluğu U 1 ve U 2 olan iki kromozom çaprazlandığında, uygunluğu U 3 > U 1, U 2 olan yeni bir kromozom oluşturulabilir. Kromozom Model Uygunluk Y = β 0 + β 1 X 5 + ɛ U Y = β 0 + β 1 X 8 + ɛ U Y = β 0 + β 1 X 5 + β 2 X 8 + ɛ U Y = β 0 + ɛ U 4 Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

26 Genetik Algoritmalar Model, Y = β 0 + β 1 X 1 + β 2 X 2 + β 3 D 1 + ɛ modeli aşağıdaki veriden tahmin edilecek olsun: Y X D ? ? ? ? ? 1 ve 0 değerleri alabilen D değişkeninin kendisi tahmin edilebilir mi? Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

27 Talep Tahmini Q = f (P, P R, P T,...) + ɛ TR(Q) = P Q TC(Q) = aq 3 + bq 2 + cq + constant T π(q) = TR(Q) TC(Q) Asıl soru: Bir sonraki dönem Q ne olacak? Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

28 Talep Tahmini Q = f (P, P R, P T,...) + ɛ modeli Hangi değişkenleri içerir? (Genetik algoritmalar) Fonksiyonal yapı nasıldır? (Genetik programlama ve Genetik algoritmalar) Fonksiyonal yapı bilinmeden bir tahmin gerçekleştirilebilir mi? (Yapay sinir ağları) Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

29 Depo Yeri Seçimi Doç.Dr.Mehmet Hakan Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

30 Depo Yeri Seçimi Koordinatları (X 1, Y 1 ), (X 2, Y 2 ),..., (X k, Y k ) olan birimlere toplam ulaşım maliyetleri en küçük olan depo nereye kurulmalıdır? Spatial median (Uzamsal medyan), k noktaya olan toplam uzaklıkları minimize eder. Problem bu haliyle bir optimizasyon problemidir. Uzaklıklar veya maliyetler doğası gereği doğrusal değildir. Uygun depo yeri genetik algoritmalar ile belirlenebilir. Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

31 Ciro Tahmini ile Mağaza Yeri Seçimi Mevcut mağazanın geçmiş verileri ile gelecekteki cirosu tahmin edilebilir. Henüz kurulmamış bir mağazanın geçmiş verileri de olmayacaktır. Bu mağazanın cirosu yine de tahmin edilebilir mi? Doç.Dr.Mehmet Hakan Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

32 Doğrusal olmayan kümeleme Mağaza veya alt kuruluşların belirli özelliklere göre kümelenmesi gerekebilir k-means, single-linkage gibi kümeleme yöntemleri başarısız olabilir Alternatif olarak SOM (Self organizing maps), segmentasyon için kullanılabilir. Doç.Dr.Mehmet Hakan Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

33 Parc acık Su ru Optimizasyonu Doc.Dr.Mehmet Hakan Tedarik Zinciri(I stanbul Yo netiminde U niversitesi) Yapay Zeka Teknikler / 35

34 Parçacık Sürü Optimizasyonu Kuşların veya balıkların göç yollarını araması modellenebilir mi? Doğru yönü bulmak bir amaç fonksiyonu mudur? Bu hayvanlar doğru yönü bulduklarında bir amaç fonksiyonunu minimize etmiş olur mu? PSO nerelerde kullanılabilir? Doç.Dr.Mehmet Hakan Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35

35 Teşekkürler Doç.Dr.Mehmet Hakan Tedarik Zinciri (İstanbul Yönetiminde Üniversitesi) Yapay Zeka Teknikler / 35