Szacowany czas czytania: 6 minuti
Firmy generują coraz większe ilości danych związanych z operacjami biznesowymi, co prowadzi do ponownego zainteresowania analityką predykcyjną – dziedziną, która analizuje duże zbiory danych w celu identyfikowania wzorców, przewidywania wyników i wspomagania procesu decyzyjnego. Firmy stoją także w obliczu złożonego i stale rosnącego zakresu ryzyk operacyjnych, które należy aktywnie identyfikować i minimalizować. Chociaż wiele firm zaczęło korzystać z analityki predykcyjnej w celu identyfikacji możliwości marketingowych/sprzedażowych, podobne strategie są mniej powszechne w zarządzaniu ryzykiem, w tym bezpieczeństwem.
Algorytmy klasyfikacyjne, ogólna klasa analiz predykcyjnych, mogą być szczególnie przydatne w przemyśle rafineryjnym i petrochemicznym poprzez przewidywanie czasu i miejsca zdarzeń związanych z bezpieczeństwem w oparciu o dane z inspekcji i konserwacji związanej z bezpieczeństwem, zasadniczo wskaźniki wyprzedzające. Z tą metodą wiążą się dwa główne wyzwania: (1) zapewnienie, że zmierzone wskaźniki wyprzedzające rzeczywiście pozwalają na przewidywanie wypadków oraz (2) pomiar wskaźników wiodących na tyle często, aby miały one wartość predykcyjną.
Wykorzystując regularnie aktualizowane dane z inspekcji, można stworzyć model wykorzystujący regresję logistyczną. W ten sposób można na przykład stworzyć model przewidujący prawdopodobieństwo awarii kolei dla każdej mili torów. Prawdopodobieństwa mogą być aktualizowane w miarę gromadzenia dodatkowych danych.
Oprócz przewidywanych prawdopodobieństw awarii kolei, za pomocą tego samego modelu możemy zidentyfikować zmienne o większej trafności predykcyjnej (te, które w istotny sposób przyczyniają się do awarii kolei). Korzystając z wyników modelu, będziesz w stanie dokładnie określić, gdzie skoncentrować zasoby związane z konserwacją, inspekcją i ulepszaniem kapitału oraz na jakie czynniki należy zwrócić uwagę podczas tych działań.
Tę samą metodologię można zastosować w przemyśle rafineryjnym i petrochemicznym do zarządzania ryzykiem poprzez przewidywanie wypadków i zapobieganie im, pod warunkiem że organizacje:
Analityka predykcyjna to szeroka dziedzina obejmująca aspekty różnych dyscyplin, w tym uczenie maszynowe,sztuczna inteligencja, statystyki i data mining. Analityka predykcyjna odkrywa wzorce i trendy w dużych zbiorach danych. Jeden rodzaj analiz predykcyjnych, algorytmy klasyfikacji, może być szczególnie korzystny dla przemysłu rafineryjnego i petrochemicznego.
Algorytmy klasyfikacyjne można sklasyfikować jako nadzorowane uczenie maszynowe. Dzięki uczeniu nadzorowanemu użytkownik dysponuje zbiorem danych obejmującym pomiary zmiennych predykcyjnych, które można powiązać ze znanymi wynikami. W modelu omawianym w części poświęconej studium przypadku tego artykułu wykonano różne pomiary toru (np. krzywizny, skrzyżowania) w okresie przypadającym na każdą milę toru. W tym przypadku znanym wynikiem jest to, czy w ciągu tych dwóch lat na każdej mili kolejowej wystąpiła awaria torów.
Następnie wybierany jest odpowiedni algorytm modelowania, który służy do analizy danych i identyfikacji zależności pomiędzy zmiennymi pomiarami a wynikami w celu stworzenia reguł predykcyjnych (modelu). Po utworzeniu model otrzymuje nowy zbiór danych zawierający pomiary nieznanych zmiennych predykcyjnych i wyników, a następnie oblicza prawdopodobieństwo wyniku w oparciu o reguły modelu. Porównuje się to do typów uczenia się bez nadzoru, w których algorytmy wykrywają wzorce i trendy w zbiorze danych bez żadnych konkretnych wskazówek ze strony użytkownika, innych niż zastosowany algorytm.
Typowe algorytmy klasyfikacji obejmują regresję liniową, regresję logistyczną, drzewo decyzyjne, sieć neuronową, wektor nośny/elastyczną maszynę dyskryminacyjną, naiwny klasyfikator Bayesa i wiele innych. Regresje liniowe stanowią prosty przykład działania algorytmu klasyfikacji. W przypadku regresji liniowej linia najlepszego dopasowania jest obliczana na podstawie istniejących punktów danych, co daje równanie linii ay = mx + b. Wprowadzenie znanej zmiennej (x) umożliwia przewidywanie nieznanej zmiennej (y).
Większość relacji między zmiennymi w świecie rzeczywistym nie ma charakteru liniowego, ale złożonego i o nieregularnym kształcie. Dlatego regresja liniowa często nie jest przydatna. Inne algorytmy klasyfikacji umożliwiają modelowanie bardziej złożonych relacji, takich jak relacje krzywoliniowe lub logarytmiczne. Na przykład algorytm regresji logistycznej może modelować złożone relacje, może uwzględniać zmienne nienumeryczne (np. Kategorie) i często może tworzyć realistyczne i statystycznie ważne modele. Typowym wynikiem modelu regresji logistycznej jest przewidywane prawdopodobieństwo wystąpienia wyniku/zdarzenia. Inne algorytmy klasyfikacji zapewniają podobne wyniki regresji logistycznej, ale wymagane dane wejściowe różnią się w zależności od algorytmu.
Modelowanie złożonych relacji jest szczególnie przydatne w zarządzaniu ryzykiem, gdzie zazwyczaj ustala się priorytety ryzyka na podstawie prawdopodobieństwa i potencjalnej dotkliwości określonego wyniku. Modelowanie czynników ryzyka, które przyczyniają się do tego wyniku, skutkuje precyzyjnym i statystycznie ważnym oszacowaniem prawdopodobieństwa wyniku. Natomiast wiele ocen ryzyka mierzy „prawdopodobieństwo” w skali kategorycznej (raz na dekadę, raz na rok, kilka razy w roku), która jest mniej precyzyjna, bardziej subiektywna i uniemożliwia rozróżnienie ryzyk występujących w ryzyku. ta sama szeroka kategoria. Istnieją inne techniki wymiernej oceny potencjalnej dotkliwości w ocenie ryzyka, ale wykracza to poza zakres tego artykułu.
BlogInnovazione.it
Coveware by Veeam będzie w dalszym ciągu świadczyć usługi reagowania na incydenty związane z wyłudzeniami cybernetycznymi. Coveware będzie oferować funkcje kryminalistyczne i naprawcze…
Konserwacja predykcyjna rewolucjonizuje sektor naftowo-gazowy dzięki innowacyjnemu i proaktywnemu podejściu do zarządzania zakładami.…
Brytyjskie CMA wydało ostrzeżenie dotyczące zachowań Big Tech na rynku sztucznej inteligencji. Tam…
Rozporządzenie w sprawie zielonych domów, opracowane przez Unię Europejską w celu zwiększenia efektywności energetycznej budynków, zakończyło proces legislacyjny…
