Болжалды оқу уақыты: 6 минуты
Компаниялар бизнес операцияларымен байланысты деректердің үнемі өсіп келе жатқан көлемін жасайды, бұл болжамдық аналитикаға, үлгілерді анықтау, нәтижелерді болжау және шешім қабылдауға басшылық жасау үшін үлкен деректер жиынын талдайтын өріске деген қызығушылықты арттырады. Компаниялар сондай-ақ белсенді түрде анықтауды және азайтуды қажет ететін операциялық тәуекелдердің күрделі және ұдайы кеңеюіне тап болады. Көптеген компаниялар маркетинг/сату мүмкіндіктерін анықтау үшін болжамды аналитиканы пайдалана бастағанымен, қауіпсіздікті қоса алғанда, тәуекелдерді басқаруда ұқсас стратегиялар сирек кездеседі.
Жіктеу алгоритмдері, болжамды аналитиканың жалпы класы, негізінен жетекші көрсеткіштердің, қауіпсіздікке қатысты тексеру және техникалық қызмет көрсету деректеріне негізделген қауіпсіздік оқиғаларының уақыты мен орнын болжау арқылы өңдеу және мұнай-химия өнеркәсібі үшін әсіресе пайдалы болуы мүмкін. Бұл әдіспен байланысты екі негізгі қиындық бар: (1) өлшенген жетекші көрсеткіштердің шын мәнінде апаттарды болжайтынын қамтамасыз ету және (2) болжамдық мәнге ие болу үшін жетекші көрсеткіштерді жеткілікті жиі өлшеу.
Үнемі жаңартылып отыратын тексеру деректерін пайдалана отырып, логистикалық регрессия арқылы модель жасауға болады. Осылайша, мысалы, жолдың әрбір мильі үшін рельстің істен шығу ықтималдығын болжау үшін үлгі жасауға болады. Ықтималдықтар қосымша деректер жиналған сайын жаңартылуы мүмкін.
Темір жолдың істен шығуының болжамды ықтималдығына қосымша, дәл сол модель арқылы біз үлкен болжамды негізділігі бар айнымалыларды анықтай аламыз (теміржолдың бұзылуына айтарлықтай ықпал ететіндер). Үлгі нәтижелерін пайдалана отырып, сіз техникалық қызмет көрсету, тексеру және капиталды жақсарту ресурстарын қайда бағыттау керектігін және осы әрекеттер кезінде қандай факторларды шешу керектігін анықтай аласыз.
Дәл осындай әдістеме мұнай өңдеу және мұнай-химия өнеркәсібінде апаттарды болжау және алдын алу арқылы тәуекелдерді басқару үшін қолданылуы мүмкін, егер ұйымдар:
Болжамдық аналитика әртүрлі пәндердің аспектілерін қамтитын кең өріс, соның ішінде машиналық оқыту,жасанды интеллект, статистика және деректерді өңдеу. Болжалды аналитика үлкен деректер жиынындағы үлгілер мен үрдістерді ашады. Болжалды аналитиканың бір түрі, жіктеу алгоритмдері, әсіресе мұнай өңдеу және мұнай-химия өнеркәсібі үшін пайдалы болуы мүмкін.
Жіктеу алгоритмдерін бақыланатын машиналық оқыту ретінде жіктеуге болады. Бақыланатын оқыту арқылы пайдаланушыда белгілі нәтижелермен байланыстыруға болатын болжамды айнымалылардың өлшемдерін қамтитын деректер жинағы болады. Осы мақаланың кейстерді зерттеу бөлімінде талқыланған модельде жолдың әр мильі үшін кезең ішінде әртүрлі жол өлшемдері (мысалы, қисықтық, қиылысу) алынды. Белгілі нәтиже, бұл жағдайда, сол екі жылдық кезеңде әрбір рельс мильінде жолдың бұзылуы орын алды ма.
Содан кейін сәйкес модельдеу алгоритмі таңдалады және болжамдық ережелерді (үлгі) жасау үшін деректерді талдау және айнымалы өлшемдер мен нәтижелер арасындағы қатынастарды анықтау үшін пайдаланылады. Құрылғаннан кейін модельге белгісіз болжау айнымалылары мен нәтижелерінің өлшемдерін қамтитын жаңа деректер жинағы беріледі, содан кейін үлгі ережелері негізінде нәтиже ықтималдығын есептейді. Бұл бақылаусыз оқыту түрлерімен салыстырылады, мұнда алгоритмдер деректер жиынындағы үлгілер мен трендтерді қолданылған алгоритмнен басқа пайдаланушының нақты бағытынсыз анықтайды.
Жалпы жіктеу алгоритмдеріне сызықтық регрессия, логистикалық регрессия, шешім ағашы, нейрондық желі, қолдау векторы/икемді дискриминант машинасы, аңғал Бейс классификаторы және т.б. кіреді. Сызықтық регрессиялар жіктеу алгоритмі қалай жұмыс істейтінінің қарапайым мысалын береді. Сызықтық регрессияда ең жақсы сәйкестік сызығы ay = mx + b сызық теңдеуін бере отырып, бар деректер нүктелері негізінде есептеледі. Белгілі айнымалыны (x) енгізу белгісіз айнымалы (y) үшін болжамды қамтамасыз етеді.
Нақты әлемдегі айнымалылар арасындағы қатынастардың көпшілігі сызықтық емес, күрделі және дұрыс емес пішінді. Сондықтан сызықтық регрессия жиі пайдалы емес. Басқа жіктеу алгоритмдері қисық сызықтық немесе логарифмдік қатынастар сияқты күрделі қатынастарды модельдеуге қабілетті. Мысалы, логистикалық регрессия алгоритмі күрделі қатынастарды модельдей алады, сандық емес айнымалыларды (мысалы, санаттар) қоса алады және жиі шынайы және статистикалық жарамды үлгілерді жасай алады. Логистикалық регрессия моделінің типтік нәтижесі нәтиженің/оқиғаның орын алуының болжамды ықтималдығы болып табылады. Басқа жіктеу алгоритмдері логистикалық регрессияға ұқсас нәтиже береді, бірақ алгоритмдер арасында қажетті кірістер әртүрлі.
Күрделі қарым-қатынастарды модельдеу әсіресе тәуекелді басқаруда пайдалы, мұнда тәуекел әдетте белгілі бір нәтиженің ықтималдығы мен әлеуетті ауырлығына байланысты басымдыққа ие болады. Осы нәтижеге ықпал ететін тәуекел факторларын модельдеу нәтиженің ықтималдығының нақты және статистикалық негізделген бағасына әкеледі. Керісінше, көптеген тәуекелдерді бағалау категориялық шкала бойынша «ықтималдылықты» өлшейді (он жылда бір рет, жылына бір рет, жылына бірнеше рет), бұл дәлірек емес, субъективті және тәуекелде бар тәуекелдерді ажыратуды мүмкін емес етеді. бірдей кең категория. Тәуекелді бағалауда ықтимал ауырлық дәрежесін сандық түрде бағалаудың басқа әдістері бар, бірақ бұл осы мақаланың ауқымынан тыс.
BlogInnovazione.it
Өткен дүйсенбіде Financial Times OpenAI-мен келісім туралы жариялады. FT өзінің әлемдік деңгейдегі журналистикасына лицензия береді…
Миллиондаған адамдар ай сайынғы абоненттік төлемді төлей отырып, ағынды қызметтерге ақы төлейді. Жалпы пікір, сіз…
Veeam ұсынған Coveware кибербопсалау оқиғаларына жауап беру қызметтерін көрсетуді жалғастырады. Coveware криминалистикалық және қалпына келтіру мүмкіндіктерін ұсынады ...
Болжалды техникалық қызмет көрсету зауытты басқаруға инновациялық және белсенді көзқараспен мұнай және газ секторында төңкеріс жасайды.…
