Beregnet lesetid: 6 minutter
Bedrifter genererer stadig økende mengder data knyttet til forretningsdrift, noe som fører til fornyet interesse for prediktiv analyse, et felt som analyserer store datasett for å identifisere mønstre, forutsi utfall og veilede beslutningstaking. Selskaper står også overfor et komplekst og stadig voksende spekter av operasjonelle risikoer som må identifiseres og reduseres proaktivt. Mens mange selskaper har begynt å bruke prediktiv analyse for å identifisere markedsførings-/salgsmuligheter, er lignende strategier mindre vanlige i risikostyring, inkludert sikkerhet.
Klassifiseringsalgoritmer, en generell klasse av prediktiv analyse, kan være spesielt nyttig for raffinerings- og petrokjemisk industri ved å forutsi tidspunktet og plasseringen av sikkerhetshendelser basert på sikkerhetsrelaterte inspeksjons- og vedlikeholdsdata, i hovedsak ledende indikatorer. Det er to hovedutfordringer knyttet til denne metoden: (1) å sikre at de målte ledende indikatorene faktisk er prediktive for krasj og (2) å måle ledende indikatorer ofte nok til å ha prediktiv verdi.
Ved å bruke regelmessig oppdaterte inspeksjonsdata kan en modell lages ved hjelp av en logistisk regresjon. På denne måten kan du lage en modell, for eksempel for å forutsi sannsynligheten for skinnesvikt for hver kilometer spor. Sannsynlighetene kan bli oppdatert etter hvert som ytterligere data samles inn.
I tillegg til de predikerte sannsynlighetene for skinnesvikt, kan vi med samme modell identifisere variablene med større prediktiv validitet (de som i betydelig grad bidrar til skinnesvikt). Ved å bruke modellresultatene vil du kunne identifisere nøyaktig hvor du skal fokusere vedlikeholds-, inspeksjons- og kapitalforbedringsressurser og hvilke faktorer du skal forholde deg til under disse aktivitetene.
Den samme metodikken kan brukes i raffinerings- og petrokjemisk industri for å håndtere risiko ved å forutsi og forhindre ulykker, forutsatt at organisasjoner:
Prediktiv analyse er et bredt felt som omfatter aspekter av ulike disipliner, inkludert maskinlæring,kunstig intelligens, statistikk og data mining. Prediktiv analyse avdekker mønstre og trender i store datasett. Én type prediktiv analyse, klassifiseringsalgoritmer, kan være spesielt gunstig for raffinerings- og petrokjemisk industri.
Klassifiseringsalgoritmer kan klassifiseres som overvåket maskinlæring. Med veiledet læring har brukeren et datasett som inkluderer målinger av prediktive variabler som kan knyttes til kjente utfall. I modellen diskutert i casestudiedelen av denne artikkelen, ble ulike spormålinger (f.eks. kurvatur, kryssinger) tatt i løpet av en periode for hver mil med spor. Det kjente utfallet, i dette tilfellet, er om det oppstod sporfeil på hver jernbanemil i løpet av den toårsperioden.
En passende modelleringsalgoritme velges deretter og brukes til å analysere dataene og identifisere sammenhenger mellom variable målinger og utfall for å lage prediktive regler (en modell). Når den er opprettet, får modellen et nytt datasett som inneholder målinger av ukjente prediktorvariabler og utfall og vil deretter beregne sannsynligheten for utfallet basert på modellens regler. Dette sammenlignes med typer uovervåket læring, der algoritmer oppdager mønstre og trender i et datasett uten noen spesifikk retning fra brukeren, annet enn algoritmen som brukes.
Vanlige klassifiseringsalgoritmer inkluderer lineær regresjon, logistisk regresjon, beslutningstre, nevralt nettverk, støttevektor/fleksibel diskriminantmaskin, naiv Bayes-klassifisering og mange andre. Lineære regresjoner gir et enkelt eksempel på hvordan en klassifiseringsalgoritme fungerer. I en lineær regresjon beregnes en best passende linje basert på de eksisterende datapunktene, og gir linjeligningen ay = mx + b. Å angi den kjente variabelen (x) gir en prediksjon for den ukjente variabelen (y).
De fleste forhold mellom variabler i den virkelige verden er ikke lineære, men komplekse og uregelmessig formet. Derfor er lineær regresjon ofte ikke nyttig. Andre klassifiseringsalgoritmer er i stand til å modellere mer komplekse relasjoner, for eksempel kurvlineære eller logaritmiske relasjoner. For eksempel kan en logistisk regresjonsalgoritme modellere komplekse relasjoner, kan inkorporere ikke-numeriske variabler (f.eks. kategorier), og kan ofte lage realistiske og statistisk gyldige modeller. Den typiske utgangen til en logistisk regresjonsmodell er den forutsagte sannsynligheten for at utfallet/hendelsen inntreffer. Andre klassifiseringsalgoritmer gir lignende utdata som logistisk regresjon, men de nødvendige inngangene er forskjellige mellom algoritmer.
Modellering av komplekse relasjoner er spesielt nyttig i risikostyring, der risiko vanligvis prioriteres basert på sannsynligheten og potensiell alvorlighetsgrad av et bestemt utfall. Modellering av risikofaktorene som bidrar til dette resultatet resulterer i et presist og statistisk gyldig estimat av sannsynligheten for utfallet. Derimot måler mange risikovurderinger «sannsynlighet» på en kategorisk skala (en gang i tiåret, en gang i året, flere ganger i året), noe som er mindre presist, mer subjektivt og gjør det umulig å skille mellom risikoer som er tilstede i risikoen. samme brede kategori. Det finnes andre teknikker for kvantifiserbar vurdering av potensiell alvorlighetsgrad i en risikovurdering, men dette er utenfor rammen av denne artikkelen.
BlogInnovazione.it
Sist mandag kunngjorde Financial Times en avtale med OpenAI. FT lisensierer sin journalistikk i verdensklasse...
Millioner av mennesker betaler for strømmetjenester og betaler månedlige abonnementsavgifter. Det er vanlig oppfatning at du...
Coveware by Veeam vil fortsette å tilby responstjenester for cyberutpressing. Coveware vil tilby kriminaltekniske og utbedringsmuligheter...
Prediktivt vedlikehold revolusjonerer olje- og gasssektoren, med en innovativ og proaktiv tilnærming til anleggsledelse...
