Eeldatav lugemisaeg: 6 minutit
Ettevõtted genereerivad üha suuremaid äritegevusega seotud andmeid, mis toob kaasa uue huvi ennustava analüütika vastu – valdkond, mis analüüsib suuri andmekogumeid, et tuvastada mustreid, ennustada tulemusi ja suunata otsuste langetamist. Samuti seisavad ettevõtted silmitsi keeruliste ja pidevalt laienevate tegevusriskidega, mis tuleb ennetavalt tuvastada ja maandada. Kuigi paljud ettevõtted on hakanud turundus-/müügivõimaluste tuvastamiseks kasutama ennustavat analüütikat, on sarnased strateegiad riskijuhtimises, sealhulgas turvalisuses, vähem levinud.
Klassifitseerimisalgoritmid, mis on üldine ennustava analüütika klass, võivad olla eriti kasulikud rafineerimis- ja naftakeemiatööstusele, ennustades ohutusjuhtumite ajastust ja asukohta ohutusega seotud kontrolli- ja hooldusandmete põhjal, mis on põhinäitajad. Selle meetodiga on seotud kaks peamist väljakutset: (1) tagada, et mõõdetud juhtnäitajad ennustaksid tegelikult kokkujooksmisi, ja (2) mõõta juhtnäitajaid piisavalt sageli, et neil oleks prognoositav väärtus.
Kasutades regulaarselt uuendatavaid kontrolliandmeid, saab logistilise regressiooni abil luua mudeli. Nii saate luua mudeli näiteks rööbaste rikke tõenäosuse ennustamiseks iga teemiili kohta. Tõenäosusi võidakse ajakohastada, kui kogutakse täiendavaid andmeid.
Lisaks ennustatavatele rööbasõrke tõenäosustele saame sama mudeliga tuvastada suurema ennustava valiidsusega muutujad (need, mis oluliselt soodustavad rööbaste rikkeid). Mudeli tulemusi kasutades saate täpselt kindlaks teha, kuhu suunata hooldus-, kontrolli- ja kapitaliparandusressursid ning milliste teguritega nende tegevuste käigus tähelepanu pöörata.
Sama metoodikat võiks kasutada rafineerimis- ja naftakeemiatööstuses, et juhtida riske õnnetusi ennustades ja ennetades, eeldusel, et organisatsioonid:
Ennustav analüütika on lai valdkond, mis hõlmab erinevate erialade aspekte, sealhulgas masinõpet,tehisintellekt, statistika ja andmete kaevandamine. Ennustav analüüs paljastab suurte andmekogumite mustrid ja suundumused. Üks ennustav analüütika tüüp, klassifitseerimisalgoritmid, võiks olla eriti kasulik rafineerimis- ja naftakeemiatööstusele.
Klassifitseerimisalgoritme võib liigitada juhendatud masinõppeks. Järelevalvega õppimise korral on kasutajal andmestik, mis sisaldab prognoositavate muutujate mõõtmisi, mida saab seostada teadaolevate tulemustega. Käesoleva artikli juhtumianalüüsi osas käsitletud mudelis tehti iga rajamiili kohta teatud perioodi jooksul erinevaid rööbastee mõõtmisi (nt kõverus, ristumised). Sel juhul on teadaolev tulemus see, kas sellel kaheaastasel perioodil tekkis rööbastee rike igal raudteemiilil.
Seejärel valitakse sobiv modelleerimisalgoritm, mida kasutatakse andmete analüüsimiseks ning muutujate mõõtmiste ja tulemuste vaheliste seoste kindlakstegemiseks, et luua ennustavad reeglid (mudel). Pärast loomist antakse mudelile uus andmekogum, mis sisaldab tundmatute ennustavate muutujate ja tulemuste mõõtmisi, ning seejärel arvutab mudeli reeglite põhjal tulemuse tõenäosuse. Seda võrreldakse järelevalveta õppimise tüüpidega, kus algoritmid tuvastavad andmekogus mustreid ja suundumusi ilma kasutaja konkreetse juhiseta, välja arvatud kasutatud algoritm.
Levinud klassifitseerimisalgoritmid hõlmavad lineaarset regressiooni, logistilist regressiooni, otsustuspuud, närvivõrku, tugivektorit/paindlikku diskrimineerivat masinat, naiivset Bayesi klassifikaatorit ja paljusid teisi. Lineaarsed regressioonid annavad lihtsa näite selle kohta, kuidas klassifitseerimisalgoritm töötab. Lineaarses regressioonis arvutatakse olemasolevate andmepunktide põhjal parim sobivusjoon, mis annab joone võrrandi ay = mx + b. Tuntud muutuja (x) sisestamine annab ennustuse tundmatu muutuja (y) kohta.
Enamik muutujate vahelisi seoseid reaalses maailmas ei ole lineaarsed, vaid keerulised ja ebakorrapärase kujuga. Seetõttu pole lineaarne regressioon sageli kasulik. Teised klassifitseerimisalgoritmid on võimelised modelleerima keerukamaid seoseid, näiteks kõverjoonelisi või logaritmilisi seoseid. Näiteks saab logistilise regressiooni algoritmi modelleerida keerulisi seoseid, lisada mittenumbrilisi muutujaid (nt kategooriaid) ning sageli luua realistlikke ja statistiliselt kehtivaid mudeleid. Logistilise regressioonimudeli tüüpiline väljund on tulemuse/sündmuse toimumise prognoositav tõenäosus. Teised klassifitseerimisalgoritmid annavad logistilise regressiooniga sarnase väljundi, kuid nõutavad sisendid on algoritmide vahel erinevad.
Keeruliste suhete modelleerimine on eriti kasulik riskijuhtimisel, kus risk seatakse tavaliselt prioriteediks konkreetse tulemuse tõenäosuse ja võimaliku tõsiduse alusel. Sellele tulemusele kaasaaitavate riskitegurite modelleerimine annab tulemuse tõenäosuse täpse ja statistiliselt kehtiva hinnangu. Seevastu paljud riskihinnangud mõõdavad “tõenäosust” kategoorilisel skaalal (üks kord kümnendis, kord aastas, mitu korda aastas), mis on ebatäpsem, subjektiivsem ja muudab võimatuks riskides esinevate riskide eristamise. sama lai kategooria. Riskianalüüsi võimaliku tõsiduse kvantifitseerimiseks on ka teisi meetodeid, kuid see ei kuulu käesoleva artikli reguleerimisalasse.
BlogInnovazione.it
Veeami Coveware jätkab küberväljapressimise juhtumitele reageerimise teenuste pakkumist. Coveware pakub kohtuekspertiisi ja heastamisvõimalusi…
Ennustav hooldus muudab nafta- ja gaasisektori pöördeliseks uuendusliku ja ennetava lähenemisega tehaste juhtimisele.…
Ühendkuningriigi CMA on väljastanud hoiatuse Big Techi käitumise kohta tehisintellekti turul. Seal…
Euroopa Liidu poolt hoonete energiatõhususe suurendamiseks koostatud roheliste majade dekreet on lõpetanud oma seadusandliku protsessi…
