زمان تخمینی مطالعه: 6 minuti
شرکت ها در حال تولید مقادیر فزاینده ای از داده های مرتبط با عملیات تجاری هستند که منجر به علاقه مجدد به تجزیه و تحلیل پیشگویانه می شود، زمینه ای که مجموعه داده های بزرگ را برای شناسایی الگوها، پیش بینی نتایج و هدایت تصمیم گیری تجزیه و تحلیل می کند. شرکت ها همچنین با طیف پیچیده و در حال گسترش ریسک های عملیاتی روبرو هستند که باید به طور فعال شناسایی و کاهش یابد. در حالی که بسیاری از شرکت ها شروع به استفاده از تجزیه و تحلیل پیش بینی برای شناسایی فرصت های بازاریابی/فروش کرده اند، استراتژی های مشابه در مدیریت ریسک، از جمله امنیت، کمتر رایج است.
الگوریتمهای طبقهبندی، یک کلاس کلی از تحلیلهای پیشبینیکننده، میتوانند به ویژه برای صنایع پالایشی و پتروشیمی با پیشبینی زمان و مکان حوادث ایمنی بر اساس دادههای بازرسی و نگهداری مرتبط با ایمنی، که اساساً شاخصهای پیشرو هستند، مفید باشند. دو چالش اصلی در ارتباط با این روش وجود دارد: (1) اطمینان از اینکه شاخص های پیشرو اندازه گیری شده واقعاً پیش بینی کننده خرابی هستند و (2) اندازه گیری شاخص های پیشرو به اندازه کافی برای داشتن ارزش پیش بینی.
با استفاده از داده های بازرسی که به طور منظم به روز می شوند، می توان یک مدل با استفاده از رگرسیون لجستیک ایجاد کرد. به این ترتیب شما می توانید یک مدل، برای مثال، برای پیش بینی احتمال شکست ریل برای هر مایل مسیر ایجاد کنید. احتمالات ممکن است با جمع آوری داده های اضافی به روز شوند.
علاوه بر احتمالات پیشبینیشده شکست ریل، با همین مدل میتوانیم متغیرهایی را با اعتبار پیشبینی بیشتر (آنهایی که به طور قابلتوجهی در شکست ریل نقش دارند) شناسایی کنیم. با استفاده از نتایج مدل، میتوانید دقیقاً شناسایی کنید که منابع تعمیر و نگهداری، بازرسی و بهبود سرمایه و چه عواملی را در طول این فعالیتها مورد توجه قرار دهید.
از همین روش می توان در صنایع پالایشی و پتروشیمی برای مدیریت ریسک ها از طریق پیش بینی و پیشگیری از حوادث استفاده کرد، مشروط بر اینکه سازمان ها:
تجزیه و تحلیل پیش بینی یک زمینه گسترده است که جنبه های مختلف رشته ها از جمله یادگیری ماشین را در بر می گیرد.هوش مصنوعی، آمار و داده کاوی. تجزیه و تحلیل پیشگویانه الگوها و روندها را در مجموعه داده های بزرگ آشکار می کند. یکی از انواع تحلیل های پیش بینی، الگوریتم های طبقه بندی، می تواند به ویژه برای صنایع پالایش و پتروشیمی مفید باشد.
الگوریتم های طبقه بندی را می توان به عنوان یادگیری ماشینی تحت نظارت طبقه بندی کرد. با یادگیری نظارت شده، کاربر مجموعه داده ای دارد که شامل اندازه گیری متغیرهای پیش بینی است که می تواند به نتایج شناخته شده مرتبط شود. در مدل مورد بحث در بخش مطالعه موردی این مقاله، اندازهگیریهای مسیر مختلف (مانند انحنا، تقاطعها) در طول یک دوره برای هر مایل مسیر انجام شد. نتیجه شناخته شده، در این مورد، این است که آیا در هر مایل ریل در طول آن دوره دو ساله، خرابی مسیر رخ داده است یا خیر.
سپس یک الگوریتم مدل سازی مناسب انتخاب شده و برای تجزیه و تحلیل داده ها و شناسایی روابط بین اندازه گیری های متغیر و نتایج برای ایجاد قوانین پیش بینی (یک مدل) استفاده می شود. پس از ایجاد، به مدل مجموعه داده جدیدی داده می شود که حاوی اندازه گیری متغیرهای پیش بینی کننده ناشناخته و نتایج است و سپس احتمال نتیجه را بر اساس قوانین مدل محاسبه می کند. این با انواع یادگیری بدون نظارت مقایسه میشود، که در آن الگوریتمها الگوها و روندها را در یک مجموعه داده بدون هیچ جهت خاصی از سوی کاربر، غیر از الگوریتم مورد استفاده، شناسایی میکنند.
الگوریتمهای طبقهبندی متداول شامل رگرسیون خطی، رگرسیون لجستیک، درخت تصمیم، شبکه عصبی، بردار پشتیبان/ماشین تفکیک انعطافپذیر، طبقهبندی کننده ساده بیز و بسیاری دیگر است. رگرسیون خطی یک مثال ساده از نحوه عملکرد یک الگوریتم طبقه بندی را ارائه می دهد. در یک رگرسیون خطی، بهترین خط برازش بر اساس نقاط داده موجود محاسبه می شود و معادله خط ay = mx + b را می دهد. با وارد کردن متغیر شناخته شده (x) یک پیش بینی برای متغیر مجهول (y) ارائه می شود.
بیشتر روابط بین متغیرها در دنیای واقعی خطی نیستند، بلکه پیچیده و نامنظم هستند. بنابراین، رگرسیون خطی اغلب مفید نیست. سایر الگوریتمهای طبقهبندی قادر به مدلسازی روابط پیچیدهتر، مانند روابط منحنی یا لگاریتمی هستند. به عنوان مثال، یک الگوریتم رگرسیون لجستیک میتواند روابط پیچیده را مدلسازی کند، میتواند متغیرهای غیر عددی (مثلاً دستهها) را در خود جای دهد و اغلب میتواند مدلهای واقعی و آماری معتبر ایجاد کند. خروجی معمولی یک مدل رگرسیون لجستیک، احتمال پیشبینیشده وقوع نتیجه/رویداد است. سایر الگوریتمهای طبقهبندی خروجی مشابه با رگرسیون لجستیک ارائه میکنند، اما ورودیهای مورد نیاز بین الگوریتمها متفاوت است.
مدل سازی روابط پیچیده به ویژه در مدیریت ریسک مفید است، جایی که ریسک معمولاً بر اساس احتمال و شدت بالقوه یک نتیجه خاص اولویت بندی می شود. مدلسازی عوامل خطری که در آن پیامد نقش دارند، منجر به برآورد دقیق و معتبر آماری از احتمال نتیجه میشود. در مقابل، بسیاری از ارزیابیهای ریسک، «احتمال» را در مقیاسی طبقهبندی میکنند (یک بار در یک دهه، یک بار در سال، چندین بار در سال)، که کمتر دقیق، ذهنیتر است و تمایز بین ریسکهای موجود در ریسک را غیرممکن میکند. همان دسته گسترده تکنیک های دیگری برای ارزیابی کمی شدت بالقوه در ارزیابی ریسک وجود دارد، اما این خارج از محدوده این مقاله است.
BlogInnovazione.it
بخش دریایی یک قدرت واقعی اقتصادی جهانی است که به سمت یک بازار 150 میلیاردی حرکت کرده است.
دوشنبه گذشته، فایننشال تایمز از قراردادی با OpenAI خبر داد. FT مجوز روزنامه نگاری در سطح جهانی خود را صادر می کند…
میلیونها نفر برای خدمات استریم پرداخت میکنند و هزینه اشتراک ماهانه میپردازند. این عقیده رایج است که شما…
Coveware توسط Veeam به ارائه خدمات پاسخگویی به حوادث اخاذی سایبری ادامه خواهد داد. Coveware قابلیتهای پزشکی قانونی و اصلاحی را ارائه میدهد…