Becsült olvasási idő: 6 minuti
A vállalatok egyre nagyobb mennyiségű adatot állítanak elő az üzleti műveletekkel kapcsolatban, ami új érdeklődést mutat a prediktív analitika iránt. A vállalatok a működési kockázatok összetett és folyamatosan bővülő skálájával is szembesülnek, amelyeket proaktívan azonosítani és mérsékelni kell. Míg sok vállalat prediktív elemzést kezdett használni a marketing/értékesítési lehetőségek azonosítására, a hasonló stratégiák kevésbé gyakoriak a kockázatkezelésben, beleértve a biztonságot is.
Az osztályozási algoritmusok, a prediktív analitika általános osztálya, különösen hasznosak lehetnek a finomító és a petrolkémiai ipar számára, mivel a biztonsággal kapcsolatos ellenőrzési és karbantartási adatok alapján előrejelzik a biztonsági események időpontját és helyét, amelyek alapvetően vezető mutatók. Két fő kihívás kapcsolódik ehhez a módszerhez: (1) annak biztosítása, hogy a mért vezető mutatók valóban előre jelezzék az összeomlásokat, és (2) a vezető mutatók elég gyakran mérése ahhoz, hogy prediktív értékük legyen.
A rendszeresen frissített vizsgálati adatok felhasználásával logisztikus regresszióval modell hozható létre. Így létrehozhat egy modellt például a sínhiba valószínűségének előrejelzésére minden egyes mérföldre. A valószínűségek a további adatok gyűjtésekor frissíthetők.
A megjósolt sínmeghibásodási valószínűségek mellett ugyanazzal a modellel azonosíthatjuk a nagyobb prediktív érvényességű változókat (olyanokat, amelyek jelentősen hozzájárulnak a sínmeghibásodáshoz). A modell eredményeit felhasználva pontosan meghatározhatja, hová kell összpontosítania a karbantartási, ellenőrzési és tőkejavítási erőforrásokat, és milyen tényezőkkel kell foglalkoznia e tevékenységek során.
Ugyanez a módszertan alkalmazható a finomító és a petrolkémiai iparban a kockázatok kezelésére a balesetek előrejelzésével és megelőzésével, feltéve, hogy a szervezetek:
A prediktív analitika egy széles terület, amely felöleli a különböző tudományágak szempontjait, beleértve a gépi tanulást,mesterséges intelligencia, statisztikák és adatbányászat. A prediktív analitika nagy adathalmazokban tár fel mintákat és trendeket. A prediktív analitika egyik típusa, az osztályozási algoritmusok különösen előnyösek lehetnek a finomító és a petrolkémiai ipar számára.
Az osztályozási algoritmusok a felügyelt gépi tanuláshoz sorolhatók. Felügyelt tanulás esetén a felhasználó olyan adatkészlettel rendelkezik, amely az ismert eredményekhez kapcsolható prediktív változók mérését tartalmazza. A jelen cikk esettanulmány-részében tárgyalt modellben különféle pályaméréseket (pl. görbület, keresztezés) végeztek a pálya minden mérföldjére egy adott időszakban. Az ismert eredmény ebben az esetben az, hogy a kétéves időszak alatt minden egyes mérföldön előfordult-e vágányhiba.
Ezután kiválasztunk egy megfelelő modellező algoritmust, és felhasználjuk az adatok elemzésére, valamint a változó mérések és az eredmények közötti kapcsolatok azonosítására prediktív szabályok (modell) létrehozásához. A létrehozás után a modell egy új adatkészletet kap, amely ismeretlen előrejelző változók és eredmények mérését tartalmazza, majd a modell szabályai alapján kiszámítja az eredmény valószínűségét. Ezt hasonlítják össze a felügyelet nélküli tanulás típusaival, ahol az algoritmusok a használt algoritmustól eltérő felhasználói utasítások nélkül észlelik a mintákat és trendeket egy adatkészletben.
Az általános osztályozási algoritmusok közé tartozik a lineáris regresszió, a logisztikus regresszió, a döntési fa, a neurális hálózat, a támogatási vektor/rugalmas diszkrimináns gép, a naiv Bayes osztályozó és sok más. A lineáris regressziók egyszerű példát adnak az osztályozási algoritmus működésére. Lineáris regresszióban a legjobb illeszkedés vonalat számítjuk ki a meglévő adatpontok alapján, így az ay = mx + b egyenes egyenletet kapjuk. Az ismert változó (x) megadása előrejelzést ad az ismeretlen változóra (y).
A változók közötti kapcsolatok többsége a való világban nem lineáris, hanem összetett és szabálytalan alakú. Ezért a lineáris regresszió gyakran nem hasznos. Más osztályozási algoritmusok képesek bonyolultabb összefüggések, például görbevonalas vagy logaritmikus kapcsolatok modellezésére. Például egy logisztikus regressziós algoritmus képes komplex összefüggéseket modellezni, nem numerikus változókat (pl. kategóriákat) tartalmazhat, és gyakran reális és statisztikailag érvényes modelleket hozhat létre. A logisztikus regressziós modell tipikus kimenete az eredmény/esemény bekövetkezésének előre jelzett valószínűsége. Más osztályozási algoritmusok a logisztikus regresszióhoz hasonló kimenetet biztosítanak, de a szükséges bemenetek algoritmusonként eltérőek.
Az összetett kapcsolatok modellezése különösen hasznos a kockázatkezelésben, ahol a kockázatot jellemzően egy adott kimenetel valószínűsége és lehetséges súlyossága alapján rangsorolják. Az eredményhez hozzájáruló kockázati tényezők modellezése pontos és statisztikailag érvényes becslést eredményez az eredmény valószínűségére vonatkozóan. Ezzel szemben sok kockázatértékelés kategorikus skálán méri a „valószínűséget” (tizedente egyszer, évente egyszer, évente többször), ami kevésbé pontos, szubjektívebb, és lehetetlenné teszi a kockázatban jelen lévő kockázatok megkülönböztetését. ugyanaz a széles kategória. Vannak más technikák is a potenciális súlyosság számszerűsítésére a kockázatértékelés során, de ez meghaladja e cikk kereteit.
BlogInnovazione.it
A finom motoros készségek színezéssel történő fejlesztése felkészíti a gyerekeket olyan összetettebb készségekre, mint az írás. Kiszínezni…
A haditengerészeti szektor igazi világgazdasági hatalom, amely egy 150 milliárdos piac felé navigált...
Múlt hétfőn a Financial Times bejelentette, hogy megállapodást köt az OpenAI-val. Az FT engedélyezi világszínvonalú újságírását…
Emberek milliói fizetnek a streaming szolgáltatásokért, havi előfizetési díjat fizetve. Általános vélemény, hogy Ön…
