લેખ

જટિલ સિસ્ટમમાં અકસ્માત નિવારણમાં અનુમાનિત વિશ્લેષણ

અનુમાનિત વિશ્લેષણો ક્યાં નિષ્ફળતાઓ થવાની સંભાવના છે અને તેને રોકવા માટે શું કરી શકાય છે તે ઓળખીને જોખમ સંચાલનને સમર્થન આપી શકે છે.

સામગ્રીનું કોષ્ટક

અંદાજિત વાંચન સમય: 6 મિનુટી

સંદર્ભ

કંપનીઓ વ્યાપાર કામગીરી સાથે સંકળાયેલા ડેટાની સતત વધતી જતી માત્રા જનરેટ કરી રહી છે, જે અનુમાનિત વિશ્લેષણોમાં નવી રુચિ તરફ દોરી જાય છે, એક ક્ષેત્ર કે જે પેટર્નને ઓળખવા, પરિણામોની આગાહી કરવા અને નિર્ણય લેવામાં માર્ગદર્શન આપવા માટે મોટા ડેટા સેટનું વિશ્લેષણ કરે છે. કંપનીઓ ઓપરેશનલ જોખમોની જટિલ અને સતત વિસ્તરતી શ્રેણીનો પણ સામનો કરે છે જેને સક્રિય રીતે ઓળખવા અને ઘટાડવાની જરૂર છે. જ્યારે ઘણી કંપનીઓએ માર્કેટિંગ/વેચાણની તકોને ઓળખવા માટે અનુમાનિત વિશ્લેષણનો ઉપયોગ કરવાનું શરૂ કર્યું છે, ત્યારે સુરક્ષા સહિત જોખમ વ્યવસ્થાપનમાં સમાન વ્યૂહરચના ઓછી સામાન્ય છે.

વર્ગીકરણ અલ્ગોરિધમ્સ, અનુમાનિત વિશ્લેષણોનો સામાન્ય વર્ગ, ખાસ કરીને રિફાઇનિંગ અને પેટ્રોકેમિકલ ઉદ્યોગો માટે સલામતી-સંબંધિત નિરીક્ષણ અને જાળવણી ડેટા, આવશ્યકપણે અગ્રણી સૂચકાંકોના આધારે સલામતી ઘટનાઓના સમય અને સ્થાનની આગાહી કરીને ઉપયોગી થઈ શકે છે. આ પદ્ધતિ સાથે સંકળાયેલા બે મુખ્ય પડકારો છે: (1) એ સુનિશ્ચિત કરવું કે માપેલા અગ્રણી સૂચકાંકો વાસ્તવમાં ક્રેશની આગાહી કરે છે અને (2) પૂર્વાનુમાન મૂલ્ય ધરાવવા માટે અગ્રણી સૂચકાંકોને વારંવાર માપવા.

મેટોડોલોજિયા

નિયમિતપણે અપડેટ થયેલ નિરીક્ષણ ડેટાનો ઉપયોગ કરીને, લોજિસ્ટિક રીગ્રેસનનો ઉપયોગ કરીને મોડેલ બનાવી શકાય છે. આ રીતે તમે એક મોડેલ બનાવી શકો છો, ઉદાહરણ તરીકે, ટ્રેકના દરેક માઇલ માટે રેલ નિષ્ફળતાની સંભાવનાની આગાહી કરવા માટે. વધારાનો ડેટા એકત્ર કરવામાં આવ્યો હોવાથી સંભાવનાઓ અપડેટ થઈ શકે છે.

રેલ નિષ્ફળતાની અનુમાનિત સંભાવનાઓ ઉપરાંત, સમાન મોડલ વડે આપણે વધુ અનુમાનિત માન્યતા ધરાવતા ચલોને ઓળખી શકીએ છીએ (જે રેલ નિષ્ફળતામાં નોંધપાત્ર રીતે યોગદાન આપે છે). મોડેલ પરિણામોનો ઉપયોગ કરીને, તમે બરાબર ઓળખી શકશો કે જાળવણી, નિરીક્ષણ અને મૂડી સુધારણા સંસાધનોને ક્યાં ધ્યાન કેન્દ્રિત કરવું અને આ પ્રવૃત્તિઓ દરમિયાન કયા પરિબળોને સંબોધિત કરવા.

આ જ પદ્ધતિનો ઉપયોગ રિફાઇનિંગ અને પેટ્રોકેમિકલ ઉદ્યોગોમાં અકસ્માતોની આગાહી અને નિવારણ દ્વારા જોખમોનું સંચાલન કરવા માટે કરી શકાય છે, જો કે સંસ્થાઓ:

અનુમાનિત માન્યતા સાથે અગ્રણી સૂચકોને ઓળખો;
તેઓ નિયમિતપણે અગ્રણી સૂચકાંકોને માપે છે (નિરીક્ષણ, જાળવણી અને સાધનોનો ડેટા);
તેઓ માપેલા સૂચકાંકોના આધારે મોડેલ અનુમાનિત સિસ્ટમ બનાવે છે;
ડેટા એકત્રિત થાય તેમ મોડલ અપડેટ કરો;
જાળવણી, નિરીક્ષણો અને મૂડી સુધારણા પ્રોજેક્ટ્સને પ્રાથમિકતા આપવા અને ઓપરેશનલ પ્રક્રિયાઓ/પ્રેક્ટિસની સમીક્ષા કરવા માટે તારણોનો ઉપયોગ કરો;

અનુમાનિત વિશ્લેષણ

અનુમાનિત વિશ્લેષણ એ એક વ્યાપક ક્ષેત્ર છે જે મશીન લર્નિંગ સહિત વિવિધ શાખાઓના પાસાઓને સમાવે છે.કૃત્રિમ બુદ્ધિ, આંકડા અને માહિતી ખાણકામ. પ્રિડિક્ટિવ એનાલિટિક્સ મોટા ડેટા સેટ્સમાં પેટર્ન અને વલણોને ઉજાગર કરે છે. એક પ્રકારનું અનુમાનિત વિશ્લેષણ, વર્ગીકરણ ગાણિતીક નિયમો, ખાસ કરીને શુદ્ધિકરણ અને પેટ્રોકેમિકલ ઉદ્યોગો માટે ફાયદાકારક હોઈ શકે છે.

વર્ગીકરણ અલ્ગોરિધમ્સને દેખરેખ કરેલ મશીન લર્નિંગ તરીકે વર્ગીકૃત કરી શકાય છે. નિરીક્ષિત શિક્ષણ સાથે, વપરાશકર્તા પાસે એક ડેટાસેટ છે જેમાં અનુમાનિત ચલોના માપનો સમાવેશ થાય છે જેને જાણીતા પરિણામો સાથે લિંક કરી શકાય છે. આ લેખના કેસ સ્ટડી વિભાગમાં ચર્ચા કરાયેલા મોડેલમાં, ટ્રેકના દરેક માઇલના સમયગાળા દરમિયાન વિવિધ ટ્રેક માપન (દા.ત. વક્રતા, ક્રોસિંગ) લેવામાં આવ્યા હતા. જાણીતા પરિણામ, આ કિસ્સામાં, તે બે વર્ષના સમયગાળા દરમિયાન દરેક રેલ માઇલ પર ટ્રેકની નિષ્ફળતા આવી છે કે કેમ તે છે.

મોડેલિંગ અલ્ગોરિધમ

પછી યોગ્ય મોડેલિંગ અલ્ગોરિધમ પસંદ કરવામાં આવે છે અને તેનો ઉપયોગ ડેટાનું વિશ્લેષણ કરવા અને આગાહીના નિયમો (એક મોડેલ) બનાવવા માટે ચલ માપન અને પરિણામો વચ્ચેના સંબંધોને ઓળખવા માટે કરવામાં આવે છે. એકવાર બનાવ્યા પછી, મોડેલને એક નવો ડેટાસેટ આપવામાં આવે છે જેમાં અજ્ઞાત આગાહી કરનાર ચલો અને પરિણામોના માપન હોય છે અને તે પછી મોડેલના નિયમોના આધારે પરિણામની સંભાવનાની ગણતરી કરશે. આની સરખામણી અસુપરવાઇઝ્ડ લર્નિંગના પ્રકારો સાથે કરવામાં આવે છે, જ્યાં અલ્ગોરિધમ્સ ઉપયોગમાં લેવાતા અલ્ગોરિધમ સિવાય, વપરાશકર્તાની કોઈ ચોક્કસ દિશા વિના ડેટાસેટમાં પેટર્ન અને વલણો શોધી કાઢે છે.

સામાન્ય વર્ગીકરણ અલ્ગોરિધમ્સમાં રેખીય રીગ્રેસન, લોજિસ્ટિક રીગ્રેસન, નિર્ણય વૃક્ષ, ન્યુરલ નેટવર્ક, સપોર્ટ વેક્ટર/લવચીક ભેદભાવ મશીન, નિષ્કપટ બેયસ વર્ગીકૃત અને અન્ય ઘણા લોકોનો સમાવેશ થાય છે. રેખીય રીગ્રેશન્સ વર્ગીકરણ અલ્ગોરિધમ કેવી રીતે કાર્ય કરે છે તેનું એક સરળ ઉદાહરણ પૂરું પાડે છે. રેખીય રીગ્રેશનમાં, વર્તમાન ડેટા બિંદુઓના આધારે શ્રેષ્ઠ ફિટ લાઇનની ગણતરી કરવામાં આવે છે, જે રેખા સમીકરણ ay = mx + b આપે છે. જાણીતા ચલ (x) દાખલ કરવાથી અજાણ્યા ચલ (y) માટે અનુમાન મળે છે.

વાસ્તવિક દુનિયામાં ચલો વચ્ચેના મોટાભાગના સંબંધો રેખીય નથી, પરંતુ જટિલ અને અનિયમિત આકારના છે. તેથી, રેખીય રીગ્રેસન ઘણીવાર ઉપયોગી નથી. અન્ય વર્ગીકરણ ગાણિતીક નિયમો વધુ જટિલ સંબંધોનું મોડેલિંગ કરવામાં સક્ષમ છે, જેમ કે વક્રીકૃત અથવા લઘુગણક સંબંધો. ઉદાહરણ તરીકે, લોજિસ્ટિક રીગ્રેસન અલ્ગોરિધમ જટિલ સંબંધોનું મોડેલ બનાવી શકે છે, બિન-સંખ્યાત્મક ચલો (દા.ત. કેટેગરીઝ) ને સમાવી શકે છે અને ઘણીવાર વાસ્તવિક અને આંકડાકીય રીતે માન્ય મોડલ બનાવી શકે છે. લોજિસ્ટિક રીગ્રેસન મોડલનું લાક્ષણિક આઉટપુટ પરિણામ/ઘટના બનવાની અનુમાનિત સંભાવના છે. અન્ય વર્ગીકરણ અલ્ગોરિધમ્સ લોજિસ્ટિક રીગ્રેસન માટે સમાન આઉટપુટ પ્રદાન કરે છે, પરંતુ જરૂરી ઇનપુટ્સ એલ્ગોરિધમ્સ વચ્ચે અલગ છે.

જોખમ સંચાલન

જટિલ સંબંધોનું મોડેલિંગ જોખમ સંચાલનમાં ખાસ કરીને ઉપયોગી છે, જ્યાં જોખમને સામાન્ય રીતે ચોક્કસ પરિણામની સંભાવના અને સંભવિત ગંભીરતાને આધારે પ્રાથમિકતા આપવામાં આવે છે. તે પરિણામમાં ફાળો આપતા જોખમી પરિબળોનું મોડેલિંગ પરિણામની સંભાવનાના ચોક્કસ અને આંકડાકીય રીતે માન્ય અંદાજમાં પરિણમે છે. તેનાથી વિપરીત, ઘણા જોખમ મૂલ્યાંકનો સ્પષ્ટ ધોરણે "સંભાવના"ને માપે છે (દશકામાં એકવાર, વર્ષમાં એકવાર, વર્ષમાં ઘણી વખત), જે ઓછા ચોક્કસ, વધુ વ્યક્તિલક્ષી છે અને જોખમમાં હાજર જોખમો વચ્ચે તફાવત કરવાનું અશક્ય બનાવે છે. સમાન વ્યાપક શ્રેણી. જોખમ મૂલ્યાંકનમાં સંભવિત ગંભીરતાના પરિમાણાત્મક મૂલ્યાંકન માટે અન્ય તકનીકો છે, પરંતુ તે આ લેખના અવકાશની બહાર છે.