Tempo di lettura stimato: 6 minuti
Le aziende generano quantità sempre crescenti di dati associati alle operazioni aziendali, portando a un rinnovato interesse per l’analisi predittiva, un campo che analizza grandi set di dati per identificare modelli, prevedere risultati e guidare il processo decisionale. Le aziende si trovano inoltre ad affrontare una gamma complessa e in continua espansione di rischi operativi da identificare e mitigare in modo proattivo. Sebbene molte aziende abbiano iniziato a utilizzare l’analisi predittiva per identificare opportunità di marketing/vendita, strategie simili sono meno comuni nella gestione del rischio, compresa la sicurezza.
Gli algoritmi di classificazione, una classe generale di analisi predittiva, potrebbero essere particolarmente utili per le industrie di raffinazione e petrolchimica prevedendo il periodo e il luogo degli incidenti di sicurezza sulla base dei dati di ispezione e manutenzione relativi alla sicurezza, essenzialmente indicatori anticipatori. Ci sono due sfide principali associate a questo metodo: (1) garantire che gli indicatori anticipatori misurati siano effettivamente predittivi degli incidenti e (2) misurare gli indicatori anticipatori con una frequenza sufficiente da avere valore predittivo.
Utilizzando dati di ispezione regolarmente aggiornati, è possibile creare un modello utilizzando una regressione logistica. In questo modo si potrebbe creare un modello, ad esempio, per prevede le probabilità di rottura delle rotaie per ogni miglio di binario. Le probabilità si possono aggiornare man mano che vengono raccolti dati aggiuntivi.
Oltre alle probabilità previste di rottura delle rotaie, con lo stesso modello possiamo identificare le variabili con maggiore validità predittiva (quelle che contribuiscono in modo significativo alla rottura delle rotaie). Utilizzando i risultati del modello, sarà possibile di identificare esattamente dove concentrare le risorse di manutenzione, ispezione e miglioramento del capitale e quali fattori affrontare durante queste attività.
La stessa metodologia potrebbe essere utilizzata nelle industrie di raffinazione e petrolchimica per gestire i rischi prevedendo e prevenendo gli incidenti, a condizione che le organizzazioni:
L’analisi predittiva è un campo ampio che comprende aspetti di varie discipline, tra cui l’apprendimento automatico, l’intelligenza artificiale, la statistica e il data mining. L’analisi predittiva scopre modelli e tendenze in grandi set di dati. Un tipo di analisi predittiva, gli algoritmi di classificazione, potrebbero essere particolarmente vantaggiosi per le industrie di raffinazione e petrolchimica.
Gli algoritmi di classificazione possono essere classificati come apprendimento automatico supervisionato. Con l’apprendimento supervisionato, l’utente dispone di un set di dati che include misurazioni di variabili predittive che possono essere collegate a risultati noti. Nel modello discusso nella sezione dei casi di studio di questo articolo, sono state effettuate varie misurazioni del binario (ad esempio curvatura, incroci) durante un periodo per ogni miglio di rotaia. Il risultato noto, in questo caso, è se si è verificata una rottura del binario su ciascun miglio ferroviario durante quel periodo di due anni.
Un algoritmo di modellazione appropriato viene quindi selezionato e utilizzato per analizzare i dati e identificare le relazioni tra le misurazioni delle variabili e i risultati per creare regole predittive (un modello). Una volta creato, al modello viene fornito un nuovo set di dati contenente misurazioni di variabili predittive e risultati sconosciuti e quindi calcolerà la probabilità del risultato in base alle regole del modello. Questo rispetto ai tipi di apprendimento non supervisionato, in cui gli algoritmi rilevano modelli e tendenze in un set di dati senza alcuna direzione specifica da parte dell’utente, diversa dall’algoritmo utilizzato.
Gli algoritmi di classificazione comuni includono regressione lineare, regressione logistica, albero decisionale, rete neurale, macchina vettoriale di supporto/discriminanti flessibili, classificatore Bayes ingenuo e molti altri. Le regressioni lineari forniscono un semplice esempio di come funziona un algoritmo di classificazione. In una regressione lineare, viene calcolata una linea di adattamento migliore in base ai punti dati esistenti, fornendo l’equazione della linea ay = mx + b. L’immissione della variabile conosciuta (x) fornisce una previsione per la variabile sconosciuta (y).
La maggior parte delle relazioni tra variabili nel mondo reale non sono lineari, ma complesse e di forma irregolare. Pertanto, la regressione lineare spesso non è utile. Altri algoritmi di classificazione sono in grado di modellare relazioni più complesse, come le relazioni curvilinee o logaritmiche. Ad esempio, un algoritmo di regressione logistica può modellare relazioni complesse, può incorporare variabili non numeriche (ad esempio, categorie) e spesso può creare modelli realistici e statisticamente validi. L’output tipico di un modello di regressione logistica è la probabilità prevista del verificarsi del risultato/evento. Altri algoritmi di classificazione forniscono un output simile alla regressione logistica, ma gli input richiesti sono diversi tra gli algoritmi.
La modellazione di relazioni complesse è particolarmente utile nella gestione del rischio, dove al rischio viene generalmente assegnata la priorità in base alla probabilità e alla potenziale gravità di un particolare risultato. La modellazione dei fattori di rischio che contribuiscono a tale risultato si traduce in una stima precisa e statisticamente valida della probabilità del risultato. Al contrario, molte valutazioni del rischio misurano la “probabilità” su una scala categorica (una volta ogni dieci anni, una volta all’anno, più volte all’anno), che è meno precisa, più soggettiva e rende impossibile distinguere tra i rischi presenti nel rischio. stessa ampia categoria. Esistono altre tecniche per valutare in modo quantificabile la potenziale gravità in una valutazione del rischio, ma ciò va oltre lo scopo di questo articolo.
BlogInnovazione.it
Coveware by Veeam continuerà a fornire servizi di risposta agli incidenti di cyber-estorsione. Coveware offrirà funzionalità di forensics e remediation…
La manutenzione predittiva sta rivoluzionando il settore dell'oil & gas, con un approccio innovativo e proattivo alla gestione degli impianti.…
La CMA del Regno Unito ha lanciato un avvertimento circa il comportamento delle Big Tech sul mercato dell’intelligenza artificiale. La…
Il Decreto "Case Green", formulato dall'Unione Europea per potenziare l'efficienza energetica degli edifici, ha concluso il suo iter legislativo con…
