Saha verimliliği ve anomali tespiti
Terminal veritabanındaki hareket ve birim kayıtlarından verimsizliği, riski ve olağan dışı durumları çıkaran ML servisi ve panosu.
- Gradyan artırma
- ML.NET FastTree ile bekleme süresi regresyonu ve yer değiştirme riski sınıflandırması.
- Gözetimsiz anomali
- RandomizedPCA yeniden kurma hatası, yüzdelik dilim kalibrasyonuyla skora çevriliyor.
- Sürekli eğitim
- Her gece 180 günlük pencereden yeniden eğitim; eğitim geçmişi ve model sağlığı raporu, model yoksa açılışta eğitim.
- Özellik deneyi
- A/B testinde alıcı geçmişi özellikleri bekleme modelinde R²’yi 0,28’den 0,38’e çıkardı.
- Sıralı kurallar
- Yer değiştirmeler 7 öncelikli kuralla zorunlu ya da önlenebilir diye ayrılıyor, maliyet mesafe ve ekipman süresinden hesaplanıyor.
- Veri dürüstlüğü
- Geride kalan okuma replikası algılanıp “şimdi” son veri anına sabitleniyor; veri kalitesi sessizce değil raporla düşüyor.
- risk modeli, canlı veri
- AUC 0,76
- konteyner, 180 gün
- ~170 bin
- gece eğitim süresi
- ~2,5 dk