अनुमानित पढ़ने का समय: 6 मिनट
कंपनियां व्यावसायिक संचालन से जुड़े डेटा की लगातार बढ़ती मात्रा उत्पन्न कर रही हैं, जिससे भविष्य कहनेवाला विश्लेषण में नए सिरे से रुचि पैदा हो रही है, एक ऐसा क्षेत्र जो पैटर्न की पहचान करने, परिणामों की भविष्यवाणी करने और निर्णय लेने का मार्गदर्शन करने के लिए बड़े डेटा सेट का विश्लेषण करता है। कंपनियों को परिचालन जोखिमों की एक जटिल और लगातार बढ़ती सीमा का भी सामना करना पड़ता है जिन्हें सक्रिय रूप से पहचानने और कम करने की आवश्यकता होती है। जबकि कई कंपनियों ने विपणन/बिक्री के अवसरों की पहचान करने के लिए पूर्वानुमानित विश्लेषण का उपयोग करना शुरू कर दिया है, सुरक्षा सहित जोखिम प्रबंधन में समान रणनीतियाँ कम आम हैं।
वर्गीकरण एल्गोरिदम, भविष्य कहनेवाला विश्लेषण का एक सामान्य वर्ग, सुरक्षा से संबंधित निरीक्षण और रखरखाव डेटा, अनिवार्य रूप से अग्रणी संकेतकों के आधार पर सुरक्षा घटनाओं के समय और स्थान की भविष्यवाणी करके रिफाइनिंग और पेट्रोकेमिकल उद्योगों के लिए विशेष रूप से उपयोगी हो सकता है। इस पद्धति से जुड़ी दो मुख्य चुनौतियाँ हैं: (1) यह सुनिश्चित करना कि मापे गए अग्रणी संकेतक वास्तव में दुर्घटनाओं का पूर्वानुमान लगाते हैं और (2) पूर्वानुमानित मूल्य रखने के लिए अग्रणी संकेतकों को बार-बार मापना।
नियमित रूप से अद्यतन निरीक्षण डेटा का उपयोग करके, लॉजिस्टिक रिग्रेशन का उपयोग करके एक मॉडल बनाया जा सकता है। इस तरह आप एक मॉडल बना सकते हैं, उदाहरण के लिए, ट्रैक के प्रत्येक मील के लिए रेल विफलता की संभावना की भविष्यवाणी करने के लिए। अतिरिक्त डेटा एकत्र होने पर संभावनाओं को अद्यतन किया जा सकता है।
रेल विफलता की अनुमानित संभावनाओं के अलावा, उसी मॉडल से हम अधिक पूर्वानुमानित वैधता वाले चर की पहचान कर सकते हैं (वे जो रेल विफलता में महत्वपूर्ण योगदान देते हैं)। मॉडल परिणामों का उपयोग करके, आप यह पहचानने में सक्षम होंगे कि रखरखाव, निरीक्षण और पूंजी सुधार संसाधनों पर कहाँ ध्यान केंद्रित करना है और इन गतिविधियों के दौरान किन कारकों पर ध्यान देना है।
दुर्घटनाओं की भविष्यवाणी और रोकथाम करके जोखिमों का प्रबंधन करने के लिए रिफाइनिंग और पेट्रोकेमिकल उद्योगों में उसी पद्धति का उपयोग किया जा सकता है, बशर्ते कि संगठन:
प्रिडिक्टिव एनालिटिक्स एक व्यापक क्षेत्र है जिसमें मशीन लर्निंग सहित विभिन्न विषयों के पहलू शामिल हैं।कृत्रिम बुद्धिमत्ता, सांख्यिकी और आँकड़ा खनन. पूर्वानुमानित विश्लेषण बड़े डेटा सेटों में पैटर्न और रुझानों को उजागर करता है। एक प्रकार का पूर्वानुमानित विश्लेषण, वर्गीकरण एल्गोरिदम, रिफाइनिंग और पेट्रोकेमिकल उद्योगों के लिए विशेष रूप से फायदेमंद हो सकता है।
वर्गीकरण एल्गोरिदम को पर्यवेक्षित मशीन लर्निंग के रूप में वर्गीकृत किया जा सकता है। पर्यवेक्षित शिक्षण के साथ, उपयोगकर्ता के पास एक डेटासेट होता है जिसमें पूर्वानुमानित चर के माप शामिल होते हैं जिन्हें ज्ञात परिणामों से जोड़ा जा सकता है। इस लेख के केस स्टडी अनुभाग में चर्चा किए गए मॉडल में, ट्रैक के प्रत्येक मील के लिए एक अवधि के दौरान विभिन्न ट्रैक माप (जैसे वक्रता, क्रॉसिंग) लिए गए थे। इस मामले में ज्ञात परिणाम यह है कि क्या उस दो साल की अवधि के दौरान प्रत्येक रेल मील पर ट्रैक विफलता हुई थी।
फिर एक उपयुक्त मॉडलिंग एल्गोरिदम का चयन किया जाता है और डेटा का विश्लेषण करने और पूर्वानुमान नियम (एक मॉडल) बनाने के लिए परिवर्तनीय माप और परिणामों के बीच संबंधों की पहचान करने के लिए उपयोग किया जाता है। एक बार बनने के बाद, मॉडल को एक नया डेटासेट दिया जाता है जिसमें अज्ञात भविष्यवक्ता चर और परिणामों के माप होते हैं और फिर मॉडल के नियमों के आधार पर परिणाम की संभावना की गणना की जाएगी। इसकी तुलना बिना पर्यवेक्षित शिक्षण के प्रकारों से की जाती है, जहां एल्गोरिदम उपयोग किए गए एल्गोरिदम के अलावा, उपयोगकर्ता से किसी विशिष्ट दिशा के बिना डेटासेट में पैटर्न और रुझान का पता लगाता है।
सामान्य वर्गीकरण एल्गोरिदम में रैखिक प्रतिगमन, लॉजिस्टिक प्रतिगमन, निर्णय वृक्ष, तंत्रिका नेटवर्क, समर्थन वेक्टर/लचीली विभेदक मशीन, अनुभवहीन बेयस क्लासिफायरियर और कई अन्य शामिल हैं। रैखिक प्रतिगमन एक सरल उदाहरण प्रदान करता है कि वर्गीकरण एल्गोरिदम कैसे काम करता है। एक रेखीय प्रतिगमन में, मौजूदा डेटा बिंदुओं के आधार पर सबसे उपयुक्त रेखा की गणना की जाती है, जिससे रेखा समीकरण ay = mx + b मिलता है। ज्ञात चर (x) दर्ज करने से अज्ञात चर (y) के लिए एक भविष्यवाणी मिलती है।
वास्तविक दुनिया में चरों के बीच अधिकांश संबंध रैखिक नहीं हैं, बल्कि जटिल और अनियमित आकार के हैं। इसलिए, रैखिक प्रतिगमन अक्सर उपयोगी नहीं होता है। अन्य वर्गीकरण एल्गोरिदम अधिक जटिल संबंधों को मॉडल करने में सक्षम हैं, जैसे कि वक्ररेखीय या लघुगणकीय संबंध। उदाहरण के लिए, एक लॉजिस्टिक रिग्रेशन एल्गोरिदम जटिल रिश्तों को मॉडल कर सकता है, गैर-संख्यात्मक चर (उदाहरण के लिए, श्रेणियां) को शामिल कर सकता है, और अक्सर यथार्थवादी और सांख्यिकीय रूप से मान्य मॉडल बना सकता है। लॉजिस्टिक रिग्रेशन मॉडल का विशिष्ट आउटपुट परिणाम/घटना घटित होने की अनुमानित संभावना है। अन्य वर्गीकरण एल्गोरिदम लॉजिस्टिक रिग्रेशन के समान आउटपुट प्रदान करते हैं, लेकिन एल्गोरिदम के बीच आवश्यक इनपुट भिन्न होते हैं।
जोखिम प्रबंधन में जटिल रिश्तों की मॉडलिंग विशेष रूप से उपयोगी होती है, जहां आमतौर पर किसी विशेष परिणाम की संभावना और संभावित गंभीरता के आधार पर जोखिम को प्राथमिकता दी जाती है। उस परिणाम में योगदान देने वाले जोखिम कारकों की मॉडलिंग से परिणाम की संभावना का सटीक और सांख्यिकीय रूप से मान्य अनुमान प्राप्त होता है। इसके विपरीत, कई जोखिम मूल्यांकन "संभावना" को एक श्रेणीबद्ध पैमाने (दशक में एक बार, वर्ष में एक बार, वर्ष में कई बार) पर मापते हैं, जो कम सटीक, अधिक व्यक्तिपरक है, और जोखिम में मौजूद जोखिमों के बीच अंतर करना असंभव बनाता है। वही विस्तृत श्रेणी. जोखिम मूल्यांकन में संभावित गंभीरता का मात्रात्मक आकलन करने के लिए अन्य तकनीकें हैं, लेकिन यह इस लेख के दायरे से परे है।
BlogInnovazione.it
रंग भरने के माध्यम से बढ़िया मोटर कौशल विकसित करना बच्चों को लेखन जैसे अधिक जटिल कौशल के लिए तैयार करता है। रंग भरना…
नौसैनिक क्षेत्र एक सच्ची वैश्विक आर्थिक शक्ति है, जो 150 अरब के बाज़ार की ओर बढ़ चुका है...
पिछले सोमवार को, फाइनेंशियल टाइम्स ने OpenAI के साथ एक समझौते की घोषणा की। एफटी अपनी विश्व स्तरीय पत्रकारिता को लाइसेंस देता है...
लाखों लोग स्ट्रीमिंग सेवाओं के लिए मासिक सदस्यता शुल्क का भुगतान करते हैं। यह आम राय है कि आप...
