Predviđeno vrijeme čitanja: 6 minute
Kompanije generišu sve veće količine podataka povezanih sa poslovnim operacijama, što dovodi do obnovljenog interesa za prediktivnu analitiku, polje koje analizira velike skupove podataka kako bi identifikovalo obrasce, predvidelo ishode i vodilo donošenje odluka. Kompanije se takođe suočavaju sa složenim i sve širim opsegom operativnih rizika koje je potrebno proaktivno identifikovati i ublažiti. Dok su mnoge kompanije počele da koriste prediktivnu analitiku za identifikaciju marketinških/prodajnih mogućnosti, slične strategije su manje uobičajene u upravljanju rizicima, uključujući sigurnost.
Klasifikacioni algoritmi, opšta klasa prediktivne analitike, mogli bi biti posebno korisni za rafinersku i petrohemijsku industriju predviđanjem vremena i lokacije bezbednosnih incidenata na osnovu podataka o inspekcijama i održavanju vezanim za bezbednost, u suštini vodećim indikatorima. Dva su glavna izazova povezana sa ovom metodom: (1) osiguravanje da izmjereni vodeći indikatori zapravo predviđaju padove i (2) mjerenje vodećih indikatora dovoljno često da imaju prediktivnu vrijednost.
Koristeći redovno ažurirane podatke inspekcije, model se može kreirati pomoću logističke regresije. Na ovaj način možete kreirati model, na primjer, da predvidite vjerovatnoću kvara šine za svaku milju pruge. Vjerovatnoće se mogu ažurirati kako se prikupljaju dodatni podaci.
Pored predviđenih vjerovatnoća kvara šine, istim modelom možemo identificirati varijable s većom prediktivnom valjanošću (one koje značajno doprinose kvaru šine). Koristeći rezultate modela, moći ćete tačno da identifikujete gde da fokusirate resurse održavanja, inspekcije i kapitalnog poboljšanja i na koje faktore treba da se pozabavite tokom ovih aktivnosti.
Ista metodologija bi se mogla koristiti u rafinerskoj i petrohemijskoj industriji za upravljanje rizicima predviđanjem i sprečavanjem nesreća, pod uslovom da organizacije:
Prediktivna analitika je široko polje koje obuhvata aspekte različitih disciplina, uključujući mašinsko učenje,vještačka inteligencija, statistika i data mining. Prediktivna analitika otkriva obrasce i trendove u velikim skupovima podataka. Jedna vrsta prediktivne analitike, klasifikacioni algoritmi, mogla bi biti posebno korisna za rafinerijsku i petrohemijsku industriju.
Klasifikacioni algoritmi se mogu klasifikovati kao nadgledano mašinsko učenje. Uz nadgledano učenje, korisnik ima skup podataka koji uključuje mjerenja prediktivnih varijabli koje se mogu povezati s poznatim ishodima. U modelu o kojem se govori u odjeljku studije slučaja u ovom članku, razna mjerenja staze (npr. zakrivljenost, ukrštanja) su uzeta tokom perioda za svaku milju staze. Poznati ishod, u ovom slučaju, je da li je došlo do kvara kolosijeka na svakoj željezničkoj milji tokom tog dvogodišnjeg perioda.
Zatim se odabire odgovarajući algoritam za modeliranje i koristi se za analizu podataka i identifikaciju odnosa između varijabilnih mjerenja i ishoda kako bi se kreirala pravila predviđanja (model). Nakon kreiranja, modelu se daje novi skup podataka koji sadrži mjerenja nepoznatih prediktorskih varijabli i ishoda, a zatim će izračunati vjerovatnoću ishoda na osnovu pravila modela. Ovo se poredi sa tipovima učenja bez nadzora, gde algoritmi otkrivaju obrasce i trendove u skupu podataka bez ikakvog specifičnog uputstva od strane korisnika, osim algoritma koji se koristi.
Uobičajeni algoritmi klasifikacije uključuju linearnu regresiju, logističku regresiju, stablo odlučivanja, neuronsku mrežu, vektor podrške/fleksibilnu diskriminantnu mašinu, naivni Bayesov klasifikator i mnoge druge. Linearne regresije pružaju jednostavan primjer kako radi klasifikacijski algoritam. U linearnoj regresiji, linija koja se najbolje uklapa se izračunava na osnovu postojećih tačaka podataka, dajući jednadžbu linije ay = mx + b. Unošenje poznate varijable (x) daje predviđanje za nepoznatu varijablu (y).
Većina veza između varijabli u stvarnom svijetu nisu linearne, već složene i nepravilnog oblika. Stoga, linearna regresija često nije korisna. Drugi klasifikacioni algoritmi su sposobni za modeliranje složenijih odnosa, kao što su krivolinijski ili logaritamski odnosi. Na primjer, algoritam logističke regresije može modelirati složene odnose, može uključiti nenumeričke varijable (npr. kategorije) i često može stvoriti realistične i statistički valjane modele. Tipičan izlaz modela logističke regresije je predviđena vjerovatnoća da će se ishod/događaj dogoditi. Drugi algoritmi klasifikacije daju sličan izlaz kao logistička regresija, ali potrebni ulazi se razlikuju između algoritama.
Modeliranje složenih odnosa je posebno korisno u upravljanju rizikom, gdje se rizik obično daje prioritetu na osnovu vjerovatnoće i potencijalne ozbiljnosti određenog ishoda. Modeliranje faktora rizika koji doprinose tom ishodu rezultira preciznom i statistički validnom procjenom vjerovatnoće ishoda. Nasuprot tome, mnoge procjene rizika mjere „vjerovatnost“ na kategoričnoj skali (jednom u deceniji, jednom godišnje, nekoliko puta godišnje), što je manje precizno, više subjektivno i onemogućava razlikovanje rizika prisutnih u riziku. ista široka kategorija. Postoje i druge tehnike za kvantifikativnu procjenu potencijalne ozbiljnosti u procjeni rizika, ali to je izvan okvira ovog članka.
BlogInnovazione.it
Razvijanje finih motoričkih sposobnosti kroz bojenje priprema djecu za složenije vještine poput pisanja. Za bojenje…
Pomorski sektor je prava globalna ekonomska sila, koja je krenula ka tržištu od 150 milijardi...
Prošlog ponedjeljka Financial Times je objavio dogovor sa OpenAI. FT licencira svoje novinarstvo svjetske klase…
Milioni ljudi plaćaju usluge striminga, plaćajući mjesečne pretplate. Uvriježeno je mišljenje da vi…
