Algoritmos de aprendizaje automático para la predicción de la productividad de la confección textil

Abstract

Trabajo de Máster en Economía, Finanzas y Computación. Tutores: Dr. D. Diego Marín Santos ; Manuel Emilio Gegúndez Arias. La precisa estimación de la productividad es uno de los factores claves para planificar la producción. Actualmente, las empresas de la confección de prendas de vestir están enfocadas en realizar pronósticos sustentados por la toma de decisiones inteligentes. En esta investigación se presenta un procedimiento para detectar si la productividad de las líneas de producción de la confección será cumplida, en base a conocimientos previos. Para ello se aplican técnicas de aprendizaje supervisado, clasificando la productividad en cumplida o no cumplida. Estas técnicas fueron aplicadas a un conjunto de registros desbalanceados del área de producción de una empresa de confección textil de Bangladesh. Después de un análisis comparativo de los datos experimentales obtenidos en el proceso de pruebas, se demuestra que los algoritmos de clasificación son más eficientes cuando el conjunto de entrenamiento de datos esta equilibrado. Siendo la técnica de Random Forest la que mejor resultados ofrece sobre los criterios de evaluación definidos (Precisión, Sensibilidad y F1-Score). Finalmente, se puede visualizar mediante la curva ROC que el modelo Random Forest entrenado con datos balanceados obtiene el mejor AUC con un 75% en el punto de corte cuando la sensibilidad alcanza un 73%, especificidad un 76%, y como umbral óptimo 1. Siendo favorable para el proceso de identificación de los casos cuando la productividad no es cumplida.

The precise estimation of productivity is one of the key factors in planning production. Today, apparel companies are focused on forecasting supported by smart decision-making. In this research, a procedure is presented to detect if the productivity of the clothing production lines will be fulfilled, based on previous knowledge. For this, supervised learning techniques are applied, classifying productivity as fulfilled or not fulfilled. These techniques were applied to a set of unbalanced records from the production area of a textile garment company in Bangladesh. After a comparative analysis of the experimental data obtained in the testing process, it is shown that the classification algorithms are more efficient when the training set of data is balanced. Being the Random Forest technique is the one that offers the best results on the defined evaluation criteria (Precision, Sensitivity, and F1-Score). Finally, it can be visualized through the ROC curve that the Random Forest model trained with balanced data obtains the best AUC with 75% at the cut-off point when sensitivity reaches 73%, specificity 76%, and 1 as the optimal threshold. Being favorable for the process of identifying cases when productivity is not met.