예상 독서 시간: 6 세부 사항
기업은 비즈니스 운영과 관련하여 점점 더 많은 양의 데이터를 생성하고 있으며, 이는 대규모 데이터 세트를 분석하여 패턴을 식별하고 결과를 예측하며 의사 결정을 안내하는 분야인 예측 분석에 대한 새로운 관심을 불러일으키고 있습니다. 또한 기업은 사전에 식별하고 완화해야 하는 복잡하고 계속 확대되는 운영 위험에 직면해 있습니다. 많은 기업이 마케팅/영업 기회를 식별하기 위해 예측 분석을 사용하기 시작했지만 보안을 포함한 위험 관리에서는 유사한 전략이 흔하지 않습니다.
예측 분석의 일반적인 클래스인 분류 알고리즘은 기본적으로 선행 지표인 안전 관련 검사 및 유지 관리 데이터를 기반으로 안전 사고의 시기와 위치를 예측함으로써 정유 및 석유화학 산업에 특히 유용할 수 있습니다. 이 방법과 관련된 두 가지 주요 과제는 (1) 측정된 선행 지표가 실제로 충돌을 예측하는지 확인하는 것과 (2) 예측 가치를 가질 만큼 충분히 자주 선행 지표를 측정하는 것입니다.
정기적으로 업데이트되는 검사 데이터를 사용하여 로지스틱 회귀를 사용하여 모델을 생성할 수 있습니다. 예를 들어, 이 방법을 사용하면 선로 1마일당 철도 고장 확률을 예측하는 모델을 만들 수 있습니다. 추가 데이터가 수집되면 확률이 업데이트될 수 있습니다.
예측된 철도 고장 확률 외에도 동일한 모델을 사용하여 예측 타당성이 더 높은 변수(철도 고장에 크게 기여하는 변수)를 식별할 수 있습니다. 모델 결과를 사용하면 유지 관리, 검사 및 자본 개선 리소스에 집중할 위치와 이러한 활동 중에 해결해야 할 요소를 정확하게 식별할 수 있습니다.
정유 및 석유화학 산업에서도 동일한 방법론을 사용하여 조직이 다음과 같은 조건을 충족한다면 사고를 예측하고 예방하여 위험을 관리할 수 있습니다.
예측 분석은 기계 학습을 비롯한 다양한 분야의 측면을 포괄하는 광범위한 분야입니다.인공 지능, 통계 및 데이터 마이닝. 예측 분석은 대규모 데이터 세트의 패턴과 추세를 밝혀냅니다. 예측 분석의 한 유형인 분류 알고리즘은 정유 및 석유화학 산업에 특히 유용할 수 있습니다.
분류 알고리즘은 지도형 기계 학습으로 분류될 수 있습니다. 지도 학습을 통해 사용자는 알려진 결과와 연결될 수 있는 예측 변수의 측정값을 포함하는 데이터 세트를 갖게 됩니다. 이 기사의 사례 연구 섹션에서 논의된 모델에서는 트랙의 각 마일에 대한 기간 동안 다양한 트랙 측정(예: 곡률, 교차점)이 수행되었습니다. 이 경우 알려진 결과는 해당 2년 동안 각 철도 마일에서 선로 고장이 발생했는지 여부입니다.
그런 다음 적절한 모델링 알고리즘을 선택하고 데이터를 분석하고 변수 측정과 결과 간의 관계를 식별하여 예측 규칙(모델)을 만드는 데 사용됩니다. 일단 생성되면 모델에는 알 수 없는 예측 변수 및 결과의 측정값을 포함하는 새로운 데이터 세트가 제공되며 그런 다음 모델의 규칙을 기반으로 결과의 확률을 계산합니다. 이는 사용된 알고리즘 외에 사용자의 특정 지시 없이 알고리즘이 데이터세트의 패턴과 추세를 감지하는 비지도 학습 유형과 비교됩니다.
일반적인 분류 알고리즘에는 선형 회귀, 로지스틱 회귀, 의사결정 트리, 신경망, 지원 벡터/유연 판별 기계, Naive Bayes 분류기 등이 포함됩니다. 선형 회귀는 분류 알고리즘이 작동하는 방식에 대한 간단한 예를 제공합니다. 선형 회귀에서는 기존 데이터 포인트를 기반으로 최적선이 계산되어 선 방정식 ay = mx + b가 제공됩니다. 알려진 변수(x)를 입력하면 알려지지 않은 변수(y)에 대한 예측이 제공됩니다.
현실 세계의 변수 간의 관계는 대부분 선형이 아니라 복잡하고 불규칙한 형태입니다. 따라서 선형 회귀는 종종 유용하지 않습니다. 다른 분류 알고리즘은 곡선 관계 또는 로그 관계와 같은 보다 복잡한 관계를 모델링할 수 있습니다. 예를 들어, 로지스틱 회귀 알고리즘은 복잡한 관계를 모델링하고, 숫자가 아닌 변수(예: 범주)를 통합할 수 있으며, 종종 현실적이고 통계적으로 유효한 모델을 생성할 수 있습니다. 로지스틱 회귀 모델의 일반적인 출력은 결과/사건 발생의 예측 확률입니다. 다른 분류 알고리즘은 로지스틱 회귀와 유사한 출력을 제공하지만 필요한 입력은 알고리즘마다 다릅니다.
복잡한 관계를 모델링하는 것은 일반적으로 특정 결과의 가능성과 잠재적 심각도를 기준으로 위험의 우선순위를 결정하는 위험 관리에 특히 유용합니다. 해당 결과에 기여하는 위험 요소를 모델링하면 결과 확률에 대한 정확하고 통계적으로 유효한 추정치가 도출됩니다. 이와 대조적으로 많은 위험 평가에서는 범주형 척도(10년에 한 번, 1년에 한 번, 1년에 여러 번)로 "확률"을 측정하는데, 이는 덜 정확하고 주관적이며 위험에 존재하는 위험을 구별하는 것이 불가능합니다. 동일한 광범위한 카테고리. 위험 평가에서 잠재적인 심각도를 정량적으로 평가하는 다른 기술이 있지만 이는 이 기사의 범위를 벗어납니다.
BlogInnovazione.it
색칠을 통해 소근육 운동 능력을 키우면 아이들이 글쓰기와 같은 보다 복잡한 기술을 준비할 수 있습니다. 색칠하다…
지난 월요일, Financial Times는 OpenAI와의 계약을 발표했습니다. FT는 세계적 수준의 저널리즘에 라이선스를 부여합니다…
수백만 명의 사람들이 스트리밍 서비스 비용을 지불하고 월간 구독료를 지불합니다. 당신은…
