Tempo estimado de lectura: 6 minutos
As empresas están a xerar cantidades cada vez máis grandes de datos asociados ás operacións comerciais, o que leva a un renovado interese pola análise preditiva, un campo que analiza grandes conxuntos de datos para identificar patróns, predecir resultados e orientar a toma de decisións. As empresas tamén afrontan unha gama complexa e en constante expansión de riscos operativos que deben ser identificados e mitigados de forma proactiva. Aínda que moitas empresas comezaron a usar análises preditivas para identificar oportunidades de mercadotecnia/vendas, as estratexias similares son menos comúns na xestión de riscos, incluída a seguridade.
Os algoritmos de clasificación, unha clase xeral de análise preditiva, poderían ser particularmente útiles para as industrias de refino e petroquímica ao prever o momento e a localización dos incidentes de seguridade baseándose en datos de inspección e mantemento relacionados coa seguridade, esencialmente indicadores principais. Hai dous desafíos principais asociados a este método: (1) garantir que os indicadores principais medidos sexan realmente preditivos de accidentes e (2) medir os indicadores principais con suficiente frecuencia para ter un valor preditivo.
Usando datos de inspección actualizados regularmente, pódese crear un modelo mediante unha regresión loxística. Deste xeito, poderías crear un modelo, por exemplo, para predecir a probabilidade de falla de ferrocarril para cada milla de vía. As probabilidades pódense actualizar a medida que se recollen datos adicionais.
Ademais das probabilidades previstas de fallo do ferrocarril, co mesmo modelo podemos identificar as variables con maior validez preditiva (aquelas que contribúen significativamente á rotura do ferrocarril). Usando os resultados do modelo, poderás identificar exactamente onde concentrar os recursos de mantemento, inspección e mellora de capital e cales son os factores a tratar durante estas actividades.
A mesma metodoloxía podería utilizarse nas industrias de refino e petroquímica para xestionar os riscos mediante a previsión e prevención de accidentes, sempre que as organizacións:
A analítica preditiva é un campo amplo que abarca aspectos de varias disciplinas, incluíndo a aprendizaxe automática,intelixencia artificial, estatísticas e minería de datos. A análise preditiva descobre patróns e tendencias en grandes conxuntos de datos. Un tipo de análise preditiva, os algoritmos de clasificación, poderían ser particularmente beneficiosos para as industrias de refino e petroquímica.
Os algoritmos de clasificación pódense clasificar como aprendizaxe automática supervisada. Coa aprendizaxe supervisada, o usuario dispón dun conxunto de datos que inclúe medicións de variables preditivas que se poden vincular a resultados coñecidos. No modelo discutido na sección de estudo de caso deste artigo, realizáronse varias medicións de vías (por exemplo, curvatura, cruces) durante un período para cada milla de vía. O resultado coñecido, neste caso, é se se produciu un fallo de vía en cada milla ferroviaria durante ese período de dous anos.
A continuación, selecciónase e utilízase un algoritmo de modelado axeitado para analizar os datos e identificar as relacións entre as medicións variables e os resultados para crear regras preditivas (un modelo). Unha vez creado, o modelo recibe un novo conxunto de datos que contén medidas de variables preditivas descoñecidas e resultados e, a continuación, calculará a probabilidade do resultado en función das regras do modelo. Isto compárase cos tipos de aprendizaxe non supervisada, onde os algoritmos detectan patróns e tendencias nun conxunto de datos sen ningunha dirección específica do usuario, que non sexa o algoritmo utilizado.
Os algoritmos de clasificación comúns inclúen a regresión lineal, a regresión loxística, a árbore de decisións, a rede neuronal, o vector de soporte/máquina discriminante flexible, o clasificador Bayes inxenuo e moitos outros. As regresións lineais ofrecen un exemplo sinxelo de como funciona un algoritmo de clasificación. Nunha regresión lineal, calcúlase unha liña de mellor axuste en función dos puntos de datos existentes, dando a ecuación da liña ay = mx + b. Introducir a variable coñecida (x) proporciona unha predición para a variable descoñecida (y).
A maioría das relacións entre variables no mundo real non son lineais, senón complexas e de forma irregular. Polo tanto, a regresión lineal moitas veces non é útil. Outros algoritmos de clasificación son capaces de modelar relacións máis complexas, como relacións curvilíneas ou logarítmicas. Por exemplo, un algoritmo de regresión loxística pode modelar relacións complexas, pode incorporar variables non numéricas (por exemplo, categorías) e moitas veces pode crear modelos realistas e estatisticamente válidos. A saída típica dun modelo de regresión loxística é a probabilidade prevista de que se produza o resultado/evento. Outros algoritmos de clasificación proporcionan resultados similares á regresión loxística, pero as entradas necesarias son diferentes entre os algoritmos.
O modelado de relacións complexas é particularmente útil na xestión de riscos, onde o risco normalmente se prioriza en función da probabilidade e da gravidade potencial dun resultado particular. A modelización dos factores de risco que contribúen a ese resultado dá como resultado unha estimación precisa e estatisticamente válida da probabilidade do resultado. Pola contra, moitas avaliacións de risco miden a “probabilidade” nunha escala categórica (unha vez por década, unha vez ao ano, varias veces ao ano), que é menos precisa, máis subxectiva e imposibilita a distinción entre os riscos presentes no risco. mesma categoría ampla. Existen outras técnicas para avaliar de forma cuantificable a gravidade potencial nunha avaliación de risco, pero isto está fóra do alcance deste artigo.
BlogInnovazione.it
O sector naval é unha verdadeira potencia económica mundial, que navega cara a un mercado de 150 millóns...
O pasado luns, o Financial Times anunciou un acordo con OpenAI. FT licencia o seu xornalismo de clase mundial...
Millóns de persoas pagan por servizos de streaming, pagando taxas de subscrición mensuais. É unha opinión común que vostede...
Coveware by Veeam continuará ofrecendo servizos de resposta a incidentes de extorsión cibernética. Coveware ofrecerá capacidades forenses e de remediación...