Temps de lecture estimé : 6 minuti
Les entreprises génèrent des quantités toujours croissantes de données associées à leurs opérations commerciales, ce qui suscite un regain d'intérêt pour l'analyse prédictive, un domaine qui analyse de grands ensembles de données pour identifier des modèles, prédire les résultats et guider la prise de décision. Les entreprises sont également confrontées à une gamme complexe et toujours croissante de risques opérationnels qui doivent être identifiés et atténués de manière proactive. Alors que de nombreuses entreprises ont commencé à utiliser l’analyse prédictive pour identifier les opportunités de marketing/vente, des stratégies similaires sont moins courantes en matière de gestion des risques, notamment en matière de sécurité.
Les algorithmes de classification, une classe générale d'analyse prédictive, pourraient être particulièrement utiles pour les industries du raffinage et de la pétrochimie en prédisant le moment et le lieu des incidents de sécurité sur la base des données d'inspection et de maintenance liées à la sécurité, essentiellement des indicateurs avancés. Cette méthode présente deux défis principaux : (1) garantir que les indicateurs avancés mesurés sont réellement prédictifs des accidents et (2) mesurer les indicateurs avancés suffisamment fréquemment pour avoir une valeur prédictive.
À l’aide de données d’inspection régulièrement mises à jour, un modèle peut être créé à l’aide d’une régression logistique. De cette façon, vous pouvez créer un modèle, par exemple, pour prédire la probabilité de défaillance d'un rail pour chaque kilomètre de voie. Les probabilités peuvent être mises à jour à mesure que des données supplémentaires sont collectées.
En plus des probabilités prédites de rupture de rail, avec le même modèle, nous pouvons identifier les variables ayant une plus grande validité prédictive (celles qui contribuent de manière significative à la rupture de rail). À l’aide des résultats du modèle, vous serez en mesure d’identifier exactement où concentrer les ressources de maintenance, d’inspection et d’amélioration des immobilisations et quels facteurs prendre en compte au cours de ces activités.
La même méthodologie pourrait être utilisée dans les industries du raffinage et de la pétrochimie pour gérer les risques en prévoyant et en prévenant les accidents, à condition que les organisations :
L'analyse prédictive est un vaste domaine qui englobe des aspects de diverses disciplines, notamment l'apprentissage automatique,l'intelligence artificielle, les statistiques et data mining. L'analyse prédictive révèle des modèles et des tendances dans de grands ensembles de données. Un type d’analyse prédictive, les algorithmes de classification, pourrait être particulièrement bénéfique aux industries du raffinage et de la pétrochimie.
Les algorithmes de classification peuvent être classés comme apprentissage automatique supervisé. Avec l’apprentissage supervisé, l’utilisateur dispose d’un ensemble de données comprenant des mesures de variables prédictives pouvant être liées à des résultats connus. Dans le modèle discuté dans la section étude de cas de cet article, diverses mesures de voie (par exemple courbure, croisements) ont été prises pendant une période pour chaque mile de voie. Le résultat connu, dans ce cas, est de savoir si une rupture de voie s'est produite sur chaque mille ferroviaire au cours de cette période de deux ans.
Un algorithme de modélisation approprié est ensuite sélectionné et utilisé pour analyser les données et identifier les relations entre les mesures variables et les résultats afin de créer des règles prédictives (un modèle). Une fois créé, le modèle reçoit un nouvel ensemble de données contenant des mesures de variables prédictives et de résultats inconnus, puis calculera la probabilité du résultat en fonction des règles du modèle. Ceci est comparé aux types d’apprentissage non supervisé, dans lesquels les algorithmes détectent des modèles et des tendances dans un ensemble de données sans aucune instruction spécifique de la part de l’utilisateur, autre que l’algorithme utilisé.
Les algorithmes de classification courants incluent la régression linéaire, la régression logistique, l'arbre de décision, le réseau neuronal, le vecteur de support/machine discriminante flexible, le classificateur naïf de Bayes et bien d'autres. Les régressions linéaires fournissent un exemple simple du fonctionnement d’un algorithme de classification. Dans une régression linéaire, une ligne de meilleur ajustement est calculée sur la base des points de données existants, donnant l'équation de ligne ay = mx + b. La saisie de la variable connue (x) fournit une prédiction pour la variable inconnue (y).
La plupart des relations entre variables dans le monde réel ne sont pas linéaires, mais complexes et de forme irrégulière. Par conséquent, la régression linéaire n’est souvent pas utile. D'autres algorithmes de classification sont capables de modéliser des relations plus complexes, telles que des relations curvilignes ou logarithmiques. Par exemple, un algorithme de régression logistique peut modéliser des relations complexes, incorporer des variables non numériques (par exemple, des catégories) et peut souvent créer des modèles réalistes et statistiquement valides. Le résultat typique d’un modèle de régression logistique est la probabilité prédite que le résultat/l’événement se produise. D'autres algorithmes de classification fournissent des résultats similaires à la régression logistique, mais les entrées requises sont différentes selon les algorithmes.
La modélisation de relations complexes est particulièrement utile dans la gestion des risques, où le risque est généralement hiérarchisé en fonction de la probabilité et de la gravité potentielle d'un résultat particulier. La modélisation des facteurs de risque qui contribuent à ce résultat aboutit à une estimation précise et statistiquement valide de la probabilité du résultat. En revanche, de nombreuses évaluations des risques mesurent la « probabilité » sur une échelle catégorielle (une fois par décennie, une fois par an, plusieurs fois par an), qui est moins précise, plus subjective et rend impossible la distinction entre les risques présents dans le risque. même grande catégorie. Il existe d’autres techniques permettant d’évaluer de manière quantifiable la gravité potentielle d’une évaluation des risques, mais cela dépasse le cadre de cet article.
BlogInnovazione.it
Développer la motricité fine grâce au coloriage prépare les enfants à des compétences plus complexes comme l’écriture. Colorier…
Le secteur naval est une véritable puissance économique mondiale, qui a navigué vers un marché de 150 milliards...
Lundi dernier, le Financial Times a annoncé un accord avec OpenAI. FT autorise son journalisme de classe mondiale…
Des millions de personnes paient pour des services de streaming en payant des frais d’abonnement mensuels. Il est communément admis que vous…
