وقت القراءة المقدر: 6 دقيقة
تقوم الشركات بتوليد كميات متزايدة باستمرار من البيانات المرتبطة بالعمليات التجارية، مما يؤدي إلى تجدد الاهتمام بالتحليلات التنبؤية، وهو مجال يحلل مجموعات كبيرة من البيانات لتحديد الأنماط والتنبؤ بالنتائج وتوجيه عملية صنع القرار. تواجه الشركات أيضًا مجموعة معقدة ومتزايدة باستمرار من المخاطر التشغيلية التي يجب تحديدها والتخفيف منها بشكل استباقي. في حين أن العديد من الشركات بدأت في استخدام التحليلات التنبؤية لتحديد فرص التسويق/المبيعات، فإن الاستراتيجيات المماثلة أقل شيوعًا في إدارة المخاطر، بما في ذلك الأمن.
يمكن أن تكون خوارزميات التصنيف، وهي فئة عامة من التحليلات التنبؤية، مفيدة بشكل خاص لصناعات التكرير والبتروكيماويات من خلال التنبؤ بتوقيت وموقع حوادث السلامة بناءً على بيانات التفتيش والصيانة المتعلقة بالسلامة، وهي مؤشرات رائدة بشكل أساسي. هناك تحديان رئيسيان مرتبطان بهذه الطريقة: (1) التأكد من أن المؤشرات الرئيسية المقاسة تنبئ فعليًا بالحوادث و(2) قياس المؤشرات الرئيسية بشكل متكرر بما يكفي للحصول على قيمة تنبؤية.
باستخدام بيانات الفحص المحدثة بانتظام، يمكن إنشاء نموذج باستخدام الانحدار اللوجستي. بهذه الطريقة يمكنك إنشاء نموذج، على سبيل المثال، للتنبؤ باحتمالية تعطل السكك الحديدية لكل ميل من المسار. قد يتم تحديث الاحتمالات مع جمع بيانات إضافية.
بالإضافة إلى الاحتمالات المتوقعة لفشل السكك الحديدية، يمكننا باستخدام نفس النموذج تحديد المتغيرات ذات الصلاحية التنبؤية الأكبر (تلك التي تساهم بشكل كبير في فشل السكك الحديدية). وباستخدام نتائج النموذج، ستتمكن من تحديد المكان الذي يجب أن تركز فيه موارد الصيانة والتفتيش وتحسين رأس المال بالضبط وما هي العوامل التي يجب معالجتها خلال هذه الأنشطة.
ويمكن استخدام نفس المنهجية في صناعات التكرير والبتروكيماويات لإدارة المخاطر من خلال التنبؤ بالحوادث ومنعها، شريطة أن تقوم المنظمات بما يلي:
التحليلات التنبؤية هي مجال واسع يشمل جوانب من مختلف التخصصات، بما في ذلك التعلم الآلي،الذكاء الاصطناعيوالإحصائيات و استخراج البيانات. تكشف التحليلات التنبؤية عن الأنماط والاتجاهات في مجموعات البيانات الكبيرة. يمكن أن يكون أحد أنواع التحليلات التنبؤية، وهو خوارزميات التصنيف، مفيدًا بشكل خاص لصناعات التكرير والبتروكيماويات.
يمكن تصنيف خوارزميات التصنيف على أنها تعلم آلي خاضع للإشراف. من خلال التعلم الخاضع للإشراف، يكون لدى المستخدم مجموعة بيانات تتضمن قياسات للمتغيرات التنبؤية التي يمكن ربطها بالنتائج المعروفة. في النموذج الذي تمت مناقشته في قسم دراسة الحالة في هذه المقالة، تم أخذ قياسات المسار المختلفة (مثل الانحناء والمعابر) خلال فترة لكل ميل من المسار. والنتيجة المعروفة، في هذه الحالة، هي ما إذا كان قد حدث فشل في المسار على كل ميل من السكك الحديدية خلال فترة السنتين تلك.
يتم بعد ذلك اختيار خوارزمية النمذجة المناسبة واستخدامها لتحليل البيانات وتحديد العلاقات بين القياسات المتغيرة والنتائج لإنشاء قواعد تنبؤية (نموذج). بمجرد إنشائه، يتم إعطاء النموذج مجموعة بيانات جديدة تحتوي على قياسات لمتغيرات ونتائج تنبؤ غير معروفة، ثم سيتم حساب احتمالية النتيجة بناءً على قواعد النموذج. تتم مقارنة ذلك بأنواع التعلم غير الخاضع للرقابة، حيث تكتشف الخوارزميات الأنماط والاتجاهات في مجموعة البيانات دون أي توجيه محدد من المستخدم، بخلاف الخوارزمية المستخدمة.
تتضمن خوارزميات التصنيف الشائعة الانحدار الخطي، والانحدار اللوجستي، وشجرة القرار، والشبكة العصبية، وآلة التمييز المرنة/متجه الدعم، ومصنف بايز الساذج، وغيرها الكثير. توفر الانحدارات الخطية مثالاً بسيطًا لكيفية عمل خوارزمية التصنيف. في الانحدار الخطي، يتم حساب الخط الأفضل بناءً على نقاط البيانات الموجودة، مما يعطي معادلة الخط ay = mx + b. إن إدخال المتغير المعروف (x) يوفر توقعًا للمتغير غير المعروف (y).
معظم العلاقات بين المتغيرات في العالم الحقيقي ليست خطية، ولكنها معقدة وغير منتظمة الشكل. ولذلك، فإن الانحدار الخطي غالبا ما يكون غير مفيد. خوارزميات التصنيف الأخرى قادرة على نمذجة علاقات أكثر تعقيدًا، مثل العلاقات المنحنية أو اللوغاريتمية. على سبيل المثال، يمكن لخوارزمية الانحدار اللوجستي أن تصمم علاقات معقدة، ويمكن أن تتضمن متغيرات غير رقمية (مثل الفئات)، ويمكنها في كثير من الأحيان إنشاء نماذج واقعية وصالحة إحصائيًا. الناتج النموذجي لنموذج الانحدار اللوجستي هو الاحتمال المتوقع لحدوث النتيجة/الحدث. توفر خوارزميات التصنيف الأخرى مخرجات مشابهة للانحدار اللوجستي، لكن المدخلات المطلوبة تختلف بين الخوارزميات.
تعد نمذجة العلاقات المعقدة مفيدة بشكل خاص في إدارة المخاطر، حيث يتم تحديد أولويات المخاطر عادةً بناءً على الاحتمالية والشدة المحتملة لنتيجة معينة. إن نمذجة عوامل الخطر التي تساهم في هذه النتيجة تؤدي إلى تقدير دقيق وصحيح إحصائيًا لاحتمالية النتيجة. وفي المقابل، فإن العديد من تقييمات المخاطر تقيس "الاحتمالية" على مقياس فئاتي (مرة كل عقد، مرة كل سنة، عدة مرات في السنة)، وهو أقل دقة وأكثر ذاتية، ويجعل من المستحيل التمييز بين المخاطر الموجودة في الخطر. نفس الفئة الواسعة هناك تقنيات أخرى لتقييم الخطورة المحتملة بشكل كمي في تقييم المخاطر، ولكن هذا خارج نطاق هذه المقالة.
BlogInnovazione.it
أعلنت صحيفة فاينانشيال تايمز يوم الاثنين الماضي عن صفقة مع OpenAI. "فاينانشيال تايمز" ترخص صحافتها ذات المستوى العالمي...
يدفع الملايين من الأشخاص مقابل خدمات البث، ويدفعون رسوم الاشتراك الشهرية. من الشائع أنك…
سوف تستمر شركة Coveware by Veeam في تقديم خدمات الاستجابة لحوادث الابتزاز السيبراني. ستوفر Coveware إمكانات الطب الشرعي والمعالجة...
تُحدث الصيانة التنبؤية ثورة في قطاع النفط والغاز، من خلال اتباع نهج مبتكر واستباقي لإدارة المحطات.
