Amser darllen amcangyfrifedig: 6 minuti
Mae cwmnïau'n cynhyrchu symiau cynyddol o ddata sy'n gysylltiedig â gweithrediadau busnes, gan arwain at ddiddordeb o'r newydd mewn dadansoddeg ragfynegol, maes sy'n dadansoddi setiau data mawr i nodi patrymau, rhagfynegi canlyniadau ac arwain y broses o wneud penderfyniadau. Mae cwmnïau hefyd yn wynebu ystod gymhleth a chynyddol o risgiau gweithredol y mae angen eu nodi a'u lliniaru'n rhagweithiol. Er bod llawer o gwmnïau wedi dechrau defnyddio dadansoddeg ragfynegol i nodi cyfleoedd marchnata/gwerthu, mae strategaethau tebyg yn llai cyffredin mewn rheoli risg, gan gynnwys diogelwch.
Gallai algorithmau dosbarthu, sef dosbarth cyffredinol o ddadansoddeg ragfynegol, fod yn arbennig o ddefnyddiol ar gyfer y diwydiannau mireinio a phetrocemegol trwy ragfynegi amseriad a lleoliad digwyddiadau diogelwch yn seiliedig ar ddata arolygu a chynnal a chadw sy'n gysylltiedig â diogelwch, sef dangosyddion blaenllaw yn y bôn. Mae dwy brif her yn gysylltiedig â'r dull hwn: (1) sicrhau bod y dangosyddion arweiniol a fesurwyd yn rhagfynegi damweiniau a (2) mesur y dangosyddion arweiniol yn ddigon aml i gael gwerth rhagfynegol.
Gan ddefnyddio data arolygu a ddiweddarir yn rheolaidd, gellir creu model gan ddefnyddio atchweliad logistaidd. Fel hyn fe allech chi greu model, er enghraifft, i ragfynegi'r tebygolrwydd o fethiant rheilffordd ar gyfer pob milltir o drac. Mae’n bosibl y caiff tebygolrwyddau eu diweddaru wrth i ddata ychwanegol gael ei gasglu.
Yn ogystal â’r tebygolrwydd o fethiant rheilffyrdd a ragwelir, gyda’r un model gallwn nodi’r newidynnau â mwy o ddilysrwydd rhagfynegol (y rhai sy’n cyfrannu’n sylweddol at fethiant rheilffyrdd). Gan ddefnyddio canlyniadau'r model, byddwch yn gallu nodi'n union ble i ganolbwyntio adnoddau cynnal a chadw, arolygu a gwella cyfalaf a pha ffactorau i fynd i'r afael â hwy yn ystod y gweithgareddau hyn.
Gellid defnyddio’r un fethodoleg yn y diwydiannau mireinio a phetrocemegol i reoli risgiau drwy ragfynegi ac atal damweiniau, ar yr amod bod sefydliadau:
Mae dadansoddeg ragfynegol yn faes eang sy'n cwmpasu agweddau ar ddisgyblaethau amrywiol, gan gynnwys dysgu peirianyddol,deallusrwydd artiffisial, ystadegau a cloddio data. Mae dadansoddeg ragfynegol yn datgelu patrymau a thueddiadau mewn setiau data mawr. Gallai un math o ddadansoddeg ragfynegol, sef algorithmau dosbarthu, fod yn arbennig o fuddiol i'r diwydiannau mireinio a phetrocemegol.
Gellir dosbarthu algorithmau dosbarthu fel dysgu peirianyddol dan oruchwyliaeth. Gyda dysgu dan oruchwyliaeth, mae gan y defnyddiwr set ddata sy'n cynnwys mesuriadau o newidynnau rhagfynegol y gellir eu cysylltu â chanlyniadau hysbys. Yn y model a drafodwyd yn adran astudiaeth achos yr erthygl hon, cymerwyd gwahanol fesuriadau trac (e.e. crymedd, croesfannau) yn ystod cyfnod ar gyfer pob milltir o drac. Y canlyniad hysbys, yn yr achos hwn, yw a ddigwyddodd methiant trac ar bob milltir reilffordd yn ystod y cyfnod hwnnw o ddwy flynedd.
Yna caiff algorithm modelu priodol ei ddewis a'i ddefnyddio i ddadansoddi'r data a nodi perthnasoedd rhwng mesuriadau a chanlyniadau amrywiol i greu rheolau rhagfynegol (model). Unwaith y caiff ei greu, rhoddir set ddata newydd i'r model sy'n cynnwys mesuriadau o newidynnau a chanlyniadau rhagfynegydd anhysbys a bydd wedyn yn cyfrifo tebygolrwydd y canlyniad yn seiliedig ar reolau'r model. Mae hyn yn cael ei gymharu â mathau o ddysgu heb oruchwyliaeth, lle mae algorithmau yn canfod patrymau a thueddiadau mewn set ddata heb unrhyw gyfeiriad penodol gan y defnyddiwr, ac eithrio'r algorithm a ddefnyddir.
Mae algorithmau dosbarthu cyffredin yn cynnwys atchweliad llinol, atchweliad logistaidd, coeden benderfynu, rhwydwaith niwral, fector cymorth / peiriant gwahaniaethol hyblyg, dosbarthwr Bayes naïf, a llawer o rai eraill. Mae atchweliadau llinol yn rhoi enghraifft syml o sut mae algorithm dosbarthu yn gweithio. Mewn atchweliad llinol, cyfrifir llinell ffit orau ar sail y pwyntiau data presennol, gan roi hafaliad y llinell ay = mx + b. Mae nodi'r newidyn hysbys (x) yn rhoi rhagfynegiad ar gyfer y newidyn anhysbys (y).
Nid yw'r rhan fwyaf o'r perthnasoedd rhwng newidynnau yn y byd go iawn yn llinol, ond yn gymhleth ac wedi'u siapio'n afreolaidd. Felly, yn aml nid yw atchweliad llinol yn ddefnyddiol. Mae algorithmau dosbarthu eraill yn gallu modelu perthnasoedd mwy cymhleth, megis perthnasoedd cromliniol neu logarithmig. Er enghraifft, gall algorithm atchweliad logistaidd fodelu perthnasoedd cymhleth, gall ymgorffori newidynnau nad ydynt yn rhifol (e.e., categorïau), ac yn aml gall greu modelau realistig ac ystadegol ddilys. Allbwn nodweddiadol model atchweliad logistaidd yw'r tebygolrwydd y bydd y canlyniad/digwyddiad yn digwydd. Mae algorithmau dosbarthu eraill yn darparu allbwn tebyg i atchweliad logistaidd, ond mae'r mewnbynnau gofynnol yn wahanol rhwng algorithmau.
Mae modelu perthnasoedd cymhleth yn arbennig o ddefnyddiol wrth reoli risg, lle mae risg fel arfer yn cael ei flaenoriaethu yn seiliedig ar debygolrwydd a difrifoldeb canlyniad penodol. Mae modelu’r ffactorau risg sy’n cyfrannu at y canlyniad hwnnw yn arwain at amcangyfrif manwl gywir ac ystadegol ddilys o debygolrwydd y canlyniad. Mewn cyferbyniad, mae llawer o asesiadau risg yn mesur “tebygolrwydd” ar raddfa bendant (unwaith y ddegawd, unwaith y flwyddyn, sawl gwaith y flwyddyn), sy'n llai manwl gywir, yn fwy goddrychol, ac yn ei gwneud yn amhosibl gwahaniaethu rhwng risgiau sy'n bresennol yn y risg. yr un categori eang. Mae technegau eraill ar gyfer asesu difrifoldeb posibl yn fesuradwy mewn asesiad risg, ond mae hyn y tu hwnt i gwmpas yr erthygl hon.
BlogInnovazione.it
Perfformiwyd gweithrediad offthalmoplasti gan ddefnyddio gwyliwr masnachol Apple Vision Pro yn y Catania Polyclinic…
Mae datblygu sgiliau echddygol manwl trwy liwio yn paratoi plant ar gyfer sgiliau mwy cymhleth fel ysgrifennu. I liwio…
Mae'r sector llyngesol yn bŵer economaidd byd-eang gwirioneddol, sydd wedi llywio tuag at farchnad 150 biliwn...
Ddydd Llun diwethaf, cyhoeddodd y Financial Times gytundeb ag OpenAI. Mae FT yn trwyddedu ei newyddiaduraeth o safon fyd-eang…
