Yapay Zeka Teknikleri Kullanılarak Proje Üretim Sistemlerinin Tasarımı ve Geliştirilmesi

Öz

Belirlenen hedefler doğrultusunda süreç, yöntem, bilgi, beceri ile deneyimlerin uygulanması süreçlerini kapsayan proje yönetimi sürecinde başarıya ulaşmak için şüphesiz gelişen teknolojinin birlikte getirdiği yöntem ve tekniklerin uygulanması gerekmektedir. Proje yönetim sürecinde tanımlanan görevlere atanan personelin, süreç içerisinde veya sonunda görevi yerine getirmede göstermiş olduğu performansın değerlendirilmesi özellikle kurum ve kuruluşlara daha sonra hayata geçirecekleri projelerde yol gösterici olacaktır. Çalışma kapsamında oluşturulan sistem modeli ile proje yönetim sürecinde, farklı tür ve büyüklükteki kurum ve kuruluşların, sahip oldukları personelin yeterlilikleri doğrultusunda proje tanımlanmasının gerçekleştirilmesine, değerlendirilmesine ve geçmiş deneyimler sonucu elde edilen proje verisi doğrultusunda makine öğrenmesi süreçleri işletilerek proje başarısının öngörümlenmesine olanak sağlanacaktır. Geliştirilen sistem modeli bünyesinde proje tanımlamasının gerçekleştirilebileceği PHP betik dili tabanlı web uygulaması, proje yönetim sürecinde ihtiyaç duyulan verinin tutulduğu ilişkisel MySQL veri tabanı ve makine öğrenmesi sürecinin işletilebilmesi için gerekli olan kütüphanelerin bulunduğu Python kod dosyaları bulunmaktadır. Çalışma kapsamında gerçekleştirilen uygulama Türkiye’de bulunan bir üniversitede yürütülen bilimsel araştırma projesinin değerlendirme verisi kapsamında oluşturulmuştur. Makine öğrenmesi süreçlerine dahil edilen veri setinde Karar Ağaçları Regresyon modelinin, sahip olduğu 1.01 MSE ve 0.96 R-Kare değeri ile en yüksek doğruluğu elde ettiği gözlemlenmiştir. Çalışma kapsamında oluşturulan yazılım proje yürütücülerine, gelecekte yapılacak benzer projelerin başarısını öngörümleyerek, iş zekası ve verilecek kararlara destek sunma noktalarında fayda sağlamaktadır.

Anahtar Kelimeler

• Makine Öğrenmesi
• Web Uygulamaları
• Yönetim Bilişim Sistemleri
• Karar Destek Sistemleri
• Proje Yönetimi

Kaynakça

1. Alnıak, M.Oktay. (2011). Proje Yönetimi: Makaleler, Derlemeler, Örnek Olaylar. İstanbul: Beta Yayınları.
2. Topçu, M. K. (2021). Savunma tedarik proje yönetiminde entegre proje ekiplerinin kullanımına yönelik bir model önerisi. Savunma Bilimleri Dergisi, (39), 211-248.
3. Erdem, A. Proje değerlendirme ölçeğinin uygulamasının analizi: fen bilimleri öğretmen projeleri örneği. Dokuz Eylül Üniversitesi Buca Eğitim Fakültesi Dergisi, (38), 79-94.
4. Kılınç, M., Tarhan, Ç., & Aydın, C. (2020). Kitle Fonlaması Projelerinin Karar Ağacı ve Rastgele Orman Algoritmalarıyla Sınıflandırılması. Journal of Information Systems and Management Research, 2(2), 16-25.
5. Çelebi, F., & Bulut, Y. (2016). Kurumsal kaynak planlaması (erp) ve erp yazılımı kullanan bir işletmenin incelenmesi. Akademik Bakış Uluslararası Hakemli Sosyal Bilimler Dergisi, (57), 166-177.
6. Ömürbek, N., Makas, Y., & Ömürbek, V. (2015). AHP ve TOPSIS yöntemleri ile kurumsal proje yönetim yazilimi seçimi. Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (21), 59-83.
7. Bilir, C. & İnce, Y. (2019). Kurumsal proje yönetimi olgunluk modeli ve yerel yönetimler uygulaması. Hacettepe Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 37(3), 391-422.
8. Relich, M. (2013). Project parameter estimation on the basis of an ERP database. Foundations of Management, 5(2), 49-58.

9. Pellerin, R., Perrier, N., Guillot, X. & Léger, P. M. (2013). Project management software utilization and project performance. Procedia Technology, 9, 857-866.
10. Gil Ruiz, J., Martínez Torres, J. & González Crespo, R. (2020). The Application of Artificial Intelligence in Project Management Research: A review. International Journal of Interactive Multimedia and Artificial Intelligence, http://dx.doi.org/10.9781/ijimai.2020.12.003
11. Calp, M. H. & Akcayol, M. A. (2020). Yazılım projeleri için yapay sinir ağlarına dayalı web tabanlı risk yönetim sisteminin tasarımı ve gerçekleştirilmesi: WEBRISKIT. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 26(5), 993-1014.
12. Li, H., Tang, S. & Love, P. E. (2002). VHBuild. com: a Web‐based system for managing knowledge in projects. Internet Research.
13. Ong, S. & Uddin, S. (2020). Data science and artificial intelligence in project management: the past, present and future. The Journal of Modern Project Management, 7(4).
14. Buah, E., Linnanen, L., Wu, H. & Kesse, M. A. (2020). Can Artificial Intelligence Assist Project Developers in Long-Term Management of Energy Projects? The Case of CO2 Capture and Storage. Energies, 13(23), 6259.
15. ManikReddy, P. & Iyer, J. (2018, May). Effective collaboration across the globe through digital dash boards and machine learning. In 2018 IEEE/ACM 13th International Conference on Global Software Engineering (ICGSE) (pp. 30-34). IEEE.
16. Ertuğrul, E., Baytar, Z., Çatal, Ç. & Muratli, Ö. C. (2019). Performance tuning for machine learning-based software development effort prediction models. Turkish Journal of Electrical Engineering & Computer Sciences, 27(2), 1308-1324.
17. Sabahi, S. & Parast, M. M. (2020). The impact of entrepreneurship orientation on project performance: A machine learning approach. International Journal of Production Economics, 226, 107621. (pp. 1-14)
18. Pospieszny, P., Czarnacka-Chrobot, B. & Kobylinski, A. (2018). An effective approach for software project effort and duration estimation with machine learning algorithms. Journal of Systems and Software, 137, 184-196.
19. Mahdi, M. N., MH, M. Z., Yusof, A., Cheng, L. K., Azmi, M. S. M., & Ahmad, A. R. (2020, August). Design and Development of Machine Learning Technique for Software Project Risk Assessment-A Review. In 2020 8th International Conference on Information Technology and Multimedia (ICIMU) (pp. 354-362). IEEE.
20. Peña, A. B., Castro, G. F., Alvarez, D. M. L., Alcivar, I. A. M., Núñez, G. L., Cevallos, D. S., & Santa, J. L. Z. (2019). Method for Project Execution Control based on Soft Computing and Machine Learning. In 2019 XLV Latin American Computing Conference (CLEI) (pp. 1-7). IEEE.
21. Calp, M. H., & Akcayol, M. A. (2018). Optimization of project scheduling activities in dynamic CPM and PERT networks using genetic algorithms. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22(2), 615-627.
22. Huber, S., Wiemer, H., Schneider, D., & Ihlenfeldt, S. (2019). DMME: Data mining methodology for engineering applications–a holistic
23. Fahmy, A. F., Mohamed, H. K., & Yousef, A. H. (2017). A data mining experimentation framework to improve six sigma projects. In 2017 13th International Computer Engineering Conference
24. Kavitha, S., Varuna, S., & Ramya, R. (2016, November). A comparative analysis on linear regression and support vector regression. In 2016 online international conference on green engineering and technologies (IC-GET) (pp. 1-5). IEEE.
25. Cherkassky, V., & Ma, Y. (2002, August). Selection of meta-parameters for support vector regression. In International Conference on Artificial Neural Networks (pp. 687-693). Springer, Berlin, Heidelberg.
26. San Millan-Castillo, R., Morgado, E., & Goya-Esteban, R. (2019). On the use of decision tree regression for predicting vibration frequency response of handheld probes. IEEE Sensors Journal, 20(8), 4120-4130.
27. Doğan, S., Büyükkör, Y., & Atan, M. (2022). A comparative study of corporate credit ratings prediction with machine learning. Operations Research and Decisions, 32(1), 25-47.
28. Liang, L., Di, L., Huang, T., Wang, J., Lin, L., Wang, L., & Yang, M. (2018). Estimation of leaf nitrogen content in wheat using new hyperspectral indices and a random forest regression algorithm. Remote Sensing, 10(12), 1940.
29. Doğan, S., & Büyükkör, Y. (2022). Makine Öğrenmesi ile Finansal Zaman Serisi Tahminleme. Ankara Hacı Bayram Veli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 24(3), 1205-1230.
30. Israeli, O. (2007). A Shapley-based decomposition of the R-square of a linear regression. The Journal of Economic Inequality, 5(2), 199.