Очаквано време за четене: 6 Minuti
Компаниите генерират непрекъснато нарастващи количества данни, свързани с бизнес операциите, което води до подновен интерес към предсказуемия анализ, поле, което анализира големи набори от данни, за да идентифицира модели, да предскаже резултатите и да насочва вземането на решения. Компаниите също така са изправени пред сложна и непрекъснато разширяваща се гама от оперативни рискове, които трябва да бъдат проактивно идентифицирани и смекчени. Въпреки че много компании са започнали да използват прогнозни анализи за идентифициране на възможности за маркетинг/продажби, подобни стратегии са по-рядко срещани при управлението на риска, включително сигурността.
Алгоритмите за класифициране, общ клас прогнозни анализи, биха могли да бъдат особено полезни за рафиниращата и нефтохимическата промишленост чрез прогнозиране на времето и местоположението на инциденти, свързани с безопасността, въз основа на свързани с безопасността данни за проверка и поддръжка, по същество водещи индикатори. Има две основни предизвикателства, свързани с този метод: (1) гарантиране, че измерените водещи индикатори действително предсказват сривове и (2) измерване на водещите индикатори достатъчно често, за да имат прогнозна стойност.
С помощта на редовно актуализирани данни от инспекции може да се създаде модел с помощта на логистична регресия. По този начин можете да създадете модел, например, за да предвидите вероятността от повреда на релсата за всяка миля от коловоза. Вероятностите могат да бъдат актуализирани при събирането на допълнителни данни.
В допълнение към прогнозираните вероятности за повреда на релса, със същия модел можем да идентифицираме променливите с по-голяма прогнозна валидност (тези, които значително допринасят за повреда на релса). Използвайки резултатите от модела, ще можете да идентифицирате точно къде да насочите ресурсите за поддръжка, инспекция и капиталово подобрение и кои фактори да обърнете внимание по време на тези дейности.
Същата методология може да се използва в рафиниращата и нефтохимическата промишленост за управление на рисковете чрез прогнозиране и предотвратяване на аварии, при условие че организациите:
Прогнозният анализ е широко поле, което обхваща аспекти на различни дисциплини, включително машинно обучение,изкуствен интелект, статистика и извличане на данни. Предсказуемият анализ разкрива модели и тенденции в големи набори от данни. Един вид прогнозен анализ, алгоритмите за класифициране, може да бъде особено полезен за рафиниращата и нефтохимическата промишленост.
Алгоритмите за класифициране могат да бъдат класифицирани като контролирано машинно обучение. С контролираното обучение потребителят разполага с набор от данни, който включва измервания на предсказуеми променливи, които могат да бъдат свързани с известни резултати. В модела, обсъден в раздела за казуси на тази статия, различни измервания на коловози (напр. кривини, кръстовища) са направени по време на период за всяка миля коловоз. Известният резултат в този случай е дали е настъпила повреда на коловоза на всяка железопътна миля през този двугодишен период.
След това се избира подходящ алгоритъм за моделиране и се използва за анализиране на данните и идентифициране на връзки между променливи измервания и резултати за създаване на предсказуеми правила (модел). Веднъж създаден, моделът получава нов набор от данни, съдържащ измервания на неизвестни предикторни променливи и резултати, и след това ще изчисли вероятността за резултат въз основа на правилата на модела. Това се сравнява с видовете неконтролирано обучение, при което алгоритмите откриват модели и тенденции в набор от данни без никаква конкретна насока от потребителя, различна от използвания алгоритъм.
Общите алгоритми за класификация включват линейна регресия, логистична регресия, дърво на решенията, невронна мрежа, поддържаща векторна/гъвкава дискриминантна машина, наивен класификатор на Бейс и много други. Линейните регресии предоставят прост пример за това как работи алгоритъмът за класификация. При линейна регресия най-подходящата линия се изчислява въз основа на съществуващите точки от данни, давайки уравнението на линията ay = mx + b. Въвеждането на известната променлива (x) дава прогноза за неизвестната променлива (y).
Повечето връзки между променливите в реалния свят не са линейни, а сложни и с неправилна форма. Следователно линейната регресия често не е полезна. Други алгоритми за класификация са в състояние да моделират по-сложни връзки, като криволинейни или логаритмични връзки. Например алгоритъмът за логистична регресия може да моделира сложни връзки, може да включва нечислови променливи (напр. категории) и често може да създава реалистични и статистически валидни модели. Типичният резултат от логистичен регресионен модел е прогнозираната вероятност за настъпване на резултата/събитието. Други алгоритми за класифициране предоставят подобен изход на логистичната регресия, но необходимите входни данни са различни за различните алгоритми.
Моделирането на сложни взаимоотношения е особено полезно при управлението на риска, където рискът обикновено се приоритизира въз основа на вероятността и потенциалната сериозност на конкретен резултат. Моделирането на рисковите фактори, които допринасят за този резултат, води до точна и статистически валидна оценка на вероятността от резултата. Обратно, много оценки на риска измерват „вероятността“ по категориална скала (веднъж на десетилетие, веднъж годишно, няколко пъти годишно), което е по-малко прецизно, по-субективно и прави невъзможно разграничаването между рисковете, присъстващи в риска. същата широка категория. Има и други техники за количествено оценяване на потенциалната сериозност при оценка на риска, но това е извън обхвата на тази статия.
BlogInnovazione.it
Операция по офталмопластика с помощта на търговския зрител Apple Vision Pro беше извършена в поликлиниката в Катания...
Развитието на фини двигателни умения чрез оцветяване подготвя децата за по-сложни умения като писане. Оцветявам…
Военноморският сектор е истинска световна икономическа сила, която се е насочила към пазар от 150 милиарда...
Миналия понеделник Financial Times обяви сделка с OpenAI. FT лицензира своята журналистика от световна класа...