Կանխատեսելի վերլուծություն վթարների կանխարգելման բարդ համակարգում

Կանխատեսող վերլուծությունը կարող է աջակցել ռիսկերի կառավարմանը՝ բացահայտելով, թե որտեղ են հնարավոր ձախողումները և ինչ կարելի է անել դրանք կանխելու համար:

Ընթերցանության գնահատված ժամանակը. 6 արձանագրություն

Համատեքստ

Ընկերությունները ստեղծում են անընդհատ աճող քանակությամբ տվյալներ՝ կապված բիզնես գործառնությունների հետ, ինչը հանգեցնում է կանխատեսող վերլուծության նկատմամբ նոր հետաքրքրության, մի դաշտ, որը վերլուծում է տվյալների մեծ հավաքածուները՝ օրինաչափությունները հայտնաբերելու, արդյունքները կանխատեսելու և որոշումների կայացման ուղղորդման համար: Ընկերությունները նաև բախվում են գործառնական ռիսկերի բարդ և անընդհատ ընդլայնվող շարքին, որոնք պետք է ակտիվորեն բացահայտվեն և մեղմվեն: Թեև շատ ընկերություններ սկսել են օգտագործել կանխատեսող վերլուծություններ՝ բացահայտելու շուկայավարման/վաճառքի հնարավորությունները, նմանատիպ ռազմավարություններն ավելի քիչ տարածված են ռիսկերի կառավարման, այդ թվում՝ անվտանգության ոլորտում:

Դասակարգման ալգորիթմները՝ կանխատեսող վերլուծության ընդհանուր դասը, կարող են հատկապես օգտակար լինել վերամշակման և նավթաքիմիական արդյունաբերության համար՝ կանխատեսելով անվտանգության միջադեպերի ժամանակն ու վայրը՝ հիմնվելով անվտանգության հետ կապված ստուգումների և պահպանման տվյալների վրա, որոնք հիմնականում առաջատար ցուցանիշներ են: Այս մեթոդի հետ կապված երկու հիմնական խնդիր կա՝ (1) ապահովել, որ չափված առաջատար ցուցիչները իրականում կանխատեսեն վթարները և (2) առաջատար ցուցիչները բավական հաճախ չափել՝ կանխատեսող արժեք ունենալու համար:

Մեթոդաբանությունը

Օգտագործելով պարբերաբար թարմացվող ստուգման տվյալները, մոդելը կարող է ստեղծվել՝ օգտագործելով լոգիստիկ ռեգրեսիա: Այս կերպ դուք կարող եք ստեղծել մոդել, օրինակ, կանխատեսել երկաթուղու խափանման հավանականությունը ուղու յուրաքանչյուր մղոնի համար: Հավանականությունները կարող են թարմացվել, քանի որ լրացուցիչ տվյալներ են հավաքվում:

Ի հավելումն երկաթուղու խափանման կանխատեսված հավանականությունների, նույն մոդելով մենք կարող ենք բացահայտել ավելի մեծ կանխատեսող վավերականությամբ փոփոխականները (նրանք, որոնք զգալիորեն նպաստում են երկաթուղու խափանումներին): Օգտագործելով մոդելի արդյունքները, դուք կկարողանաք ճշգրիտ որոշել, թե որտեղ պետք է կենտրոնացնել պահպանման, ստուգման և կապիտալի բարելավման ռեսուրսները և ինչ գործոնների վրա պետք է ուշադրություն դարձնել այդ գործողությունների ընթացքում:

Նույն մեթոդաբանությունը կարող է օգտագործվել վերամշակման և նավթաքիմիական արդյունաբերություններում՝ վթարները կանխատեսելու և կանխելու միջոցով ռիսկերը կառավարելու համար, պայմանով, որ կազմակերպությունները.

• Բացահայտեք կանխատեսող վավերականությամբ առաջատար ցուցանիշները.
• Նրանք պարբերաբար չափում են առաջատար ցուցանիշները (ստուգման, սպասարկման և սարքավորումների տվյալները);
• Նրանք ստեղծում են մոդելային կանխատեսման համակարգ՝ հիմնված չափված ցուցանիշների վրա.
• Թարմացրեք մոդելը, քանի որ տվյալները հավաքվում են.
• Օգտագործել գտածոները՝ տեխնիկական սպասարկման, ստուգումների և կապիտալ բարելավման նախագծերը առաջնահերթություն տալու և գործառնական գործընթացները/պրակտիկան վերանայելու համար.

Կանխատեսող վերլուծություն

Կանխատեսող վերլուծությունը լայն ոլորտ է, որն ընդգրկում է տարբեր առարկաների ասպեկտներ, ներառյալ մեքենայական ուսուցումը,արհեստական ​​բանականություն, վիճակագրություն և Data Mining. Կանխատեսող վերլուծությունը բացահայտում է տվյալների մեծ հավաքածուների օրինաչափություններն ու միտումները: Կանխատեսող վերլուծությունների մի տեսակ՝ դասակարգման ալգորիթմները, կարող են հատկապես օգտակար լինել վերամշակման և նավթաքիմիական արդյունաբերության համար:

Դասակարգման ալգորիթմները կարող են դասակարգվել որպես վերահսկվող մեքենայական ուսուցում: Վերահսկվող ուսուցման դեպքում օգտվողն ունի տվյալների բազա, որը ներառում է կանխատեսող փոփոխականների չափումներ, որոնք կարող են կապված լինել հայտնի արդյունքների հետ: Այս հոդվածի դեպքի ուսումնասիրության բաժնում քննարկված մոդելում տարբեր ուղու չափումներ (օրինակ՝ կորություն, հատումներ) կատարվել են ուղու յուրաքանչյուր մղոնի համար որոշակի ժամանակահատվածում: Այս դեպքում հայտնի արդյունքն այն է, թե արդյոք այդ երկու տարվա ընթացքում երկաթուղու յուրաքանչյուր մղոնի վրա տեղի է ունեցել գծի խափանում:

Մոդելավորման ալգորիթմ

Այնուհետև ընտրվում է համապատասխան մոդելավորման ալգորիթմ և օգտագործվում է տվյալների վերլուծության և փոփոխական չափումների և արդյունքների միջև հարաբերությունները պարզելու համար՝ կանխատեսող կանոններ (մոդել) ստեղծելու համար: Ստեղծվելուց հետո մոդելին տրվում է նոր տվյալների բազա, որը պարունակում է անհայտ կանխատեսող փոփոխականների և արդյունքների չափումներ, և այնուհետև կհաշվարկի արդյունքի հավանականությունը՝ հիմնվելով մոդելի կանոնների վրա: Սա համեմատվում է չվերահսկվող ուսուցման տեսակների հետ, որտեղ ալգորիթմները տվյալների բազայում հայտնաբերում են օրինաչափություններ և միտումներ՝ առանց օգտագործողի կողմից որևէ կոնկրետ ուղղության, բացի օգտագործվող ալգորիթմից:

Դասակարգման ընդհանուր ալգորիթմները ներառում են գծային ռեգրեսիա, լոգիստիկ ռեգրեսիա, որոշումների ծառ, նեյրոնային ցանց, օժանդակ վեկտոր/ճկուն դիսկրիմինանտ մեքենա, միամիտ Bayes դասակարգիչ և շատ ուրիշներ: Գծային ռեգրեսիաները պարզ օրինակ են տալիս, թե ինչպես է աշխատում դասակարգման ալգորիթմը: Գծային ռեգրեսիայի դեպքում լավագույն պիտանի գիծը հաշվարկվում է առկա տվյալների կետերի հիման վրա՝ տալով ay = mx + b գծային հավասարումը: Հայտնի փոփոխականի մուտքագրումը (x) ապահովում է անհայտ փոփոխականի (y) կանխատեսում:

Իրական աշխարհում փոփոխականների միջև փոխհարաբերությունների մեծ մասը գծային չեն, այլ բարդ և անկանոն ձևավորված: Հետեւաբար, գծային ռեգրեսիան հաճախ օգտակար չէ: Դասակարգման այլ ալգորիթմները կարող են մոդելավորել ավելի բարդ հարաբերություններ, ինչպիսիք են կորագիծ կամ լոգարիթմական հարաբերությունները: Օրինակ, լոգիստիկ ռեգրեսիայի ալգորիթմը կարող է մոդելավորել բարդ հարաբերություններ, կարող է ներառել ոչ թվային փոփոխականներ (օրինակ՝ կատեգորիաներ) և հաճախ կարող է ստեղծել իրատեսական և վիճակագրորեն վավեր մոդելներ։ Լոգիստիկ ռեգրեսիոն մոդելի բնորոշ արդյունքը արդյունքի/իրադարձության կանխատեսված հավանականությունն է: Դասակարգման այլ ալգորիթմներն ապահովում են լոգիստիկ ռեգրեսիայի նման արդյունք, սակայն պահանջվող մուտքերը տարբեր են ալգորիթմների միջև:

Ռիսկի կառավարում

Բարդ հարաբերությունների մոդելավորումը հատկապես օգտակար է ռիսկերի կառավարման մեջ, որտեղ ռիսկը սովորաբար առաջնահերթություն է ստանում՝ ելնելով որոշակի արդյունքի հավանականությունից և պոտենցիալ ծանրությունից: Ռիսկի գործոնների մոդելավորումը, որոնք նպաստում են այդ արդյունքին, հանգեցնում է արդյունքի հավանականության ճշգրիտ և վիճակագրորեն վավերական գնահատմանը: Ի հակադրություն, շատ ռիսկերի գնահատումներ «հավանականությունը» չափում են կատեգորիկ մասշտաբով (տասնամյակը մեկ, տարին մեկ անգամ, տարին մի քանի անգամ), ինչը պակաս ճշգրիտ է, ավելի սուբյեկտիվ և անհնար է դարձնում տարբերակել ռիսկի մեջ առկա ռիսկերը: նույն լայն կատեգորիան: Գոյություն ունեն ռիսկի գնահատման պոտենցիալ ծանրության քանակականորեն գնահատելու այլ մեթոդներ, սակայն դա դուրս է այս հոդվածի շրջանակներից:

Առնչվող ընթերցումներ

• Ինչ է Predictive Analytics, և ինչու է այն կարևոր բիզնեսում
• Մեքենաշինական ալգորիթմների դասակարգում. Գծային ռեգրեսիա, դասակարգում և կլաստերացում
• արագացնում է թվայնացումը օդատիեզերական, պաշտպանության և անվտանգության ոլորտներում: Ազգային արդյունաբերական իրավասության Ջենովա բևեռ
• Spondee-ն ծնվել է՝ առաջին ստարտափը, որն ալգորիթմի շնորհիվ հաշվարկում և առաջարկում է ամբողջական խափանման երաշխիքներ օգտագործված մեքենաների սեփականատերերի համար։
• Մեքենայի ուսուցման օրինակ Python-ով. Բազմակի գծային ռեգրեսիա

BlogInnovazione.it