Procijenjeno vrijeme čitanja: 6 minuti
Kompanije generiraju sve veće količine podataka povezanih s poslovnim operacijama, što dovodi do ponovnog interesa za prediktivnu analitiku, polje koje analizira velike skupove podataka kako bi se identificirali obrasci, predvidjeli ishodi i usmjerilo donošenje odluka. Tvrtke se također suočavaju sa složenim i sve većim rasponom operativnih rizika koje je potrebno proaktivno identificirati i ublažiti. Dok su mnoge tvrtke počele koristiti prediktivnu analitiku za prepoznavanje marketinških/prodajnih prilika, slične strategije manje su uobičajene u upravljanju rizikom, uključujući sigurnost.
Klasifikacijski algoritmi, opća klasa prediktivne analitike, mogli bi biti osobito korisni za rafineriju i petrokemijsku industriju predviđanjem vremena i lokacije sigurnosnih incidenata na temelju sigurnosnih podataka o inspekciji i održavanju, u biti vodećih pokazatelja. Dva su glavna izazova povezana s ovom metodom: (1) osigurati da izmjereni vodeći indikatori stvarno predviđaju sudare i (2) mjerenje vodećih indikatora dovoljno često da imaju prediktivnu vrijednost.
Koristeći redovito ažurirane inspekcijske podatke, model se može izraditi pomoću logističke regresije. Na taj način možete stvoriti model, na primjer, za predviđanje vjerojatnosti kvara tračnica za svaku milju pruge. Vjerojatnosti se mogu ažurirati kako se prikupljaju dodatni podaci.
Osim predviđenih vjerojatnosti kvara tračnica, istim modelom možemo identificirati varijable s većom prediktivnom valjanošću (one koje značajno doprinose kvaru tračnica). Koristeći rezultate modela, moći ćete točno identificirati gdje usmjeriti resurse za održavanje, inspekciju i kapitalna poboljšanja te kojim se čimbenicima treba pozabaviti tijekom ovih aktivnosti.
Ista bi se metodologija mogla koristiti u rafinerijskoj i petrokemijskoj industriji za upravljanje rizicima predviđanjem i sprječavanjem nesreća, pod uvjetom da organizacije:
Prediktivna analitika je široko polje koje obuhvaća aspekte raznih disciplina, uključujući strojno učenje,umjetna inteligencija, statistika i data mining. Prediktivna analitika otkriva obrasce i trendove u velikim skupovima podataka. Jedna vrsta prediktivne analitike, algoritmi klasifikacije, mogli bi biti osobito korisni za rafineriju i petrokemijsku industriju.
Klasifikacijski algoritmi mogu se klasificirati kao nadzirano strojno učenje. Uz nadzirano 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 kolosijeka (npr. zakrivljenosti, križanja) poduzeta su tijekom razdoblja za svaku milju pruge. Poznati ishod, u ovom slučaju, jest je li došlo do kvara na svakoj željezničkoj milji tijekom tog dvogodišnjeg razdoblja.
Odgovarajući algoritam modeliranja se zatim odabire i koristi za analizu podataka i identificiranje odnosa između varijabli mjerenja i ishoda za stvaranje prediktivnih pravila (model). Nakon što je izrađen, model dobiva novi skup podataka koji sadrži mjerenja nepoznatih prediktorskih varijabli i ishoda, a zatim će izračunati vjerojatnost ishoda na temelju pravila modela. To se uspoređuje s vrstama učenja bez nadzora, gdje algoritmi otkrivaju uzorke i trendove u skupu podataka bez ikakvih posebnih uputa korisnika, osim upotrijebljenog algoritma.
Uobičajeni algoritmi klasifikacije uključuju linearnu regresiju, logističku regresiju, stablo odlučivanja, neuronsku mrežu, potporni vektor/fleksibilni diskriminantni stroj, naivni Bayesov klasifikator i mnoge druge. Linearne regresije daju jednostavan primjer kako funkcionira algoritam klasifikacije. U linearnoj regresiji, linija najboljeg pristajanja izračunava se na temelju postojećih podatkovnih točaka, dajući jednadžbu linije ay = mx + b. Unos poznate varijable (x) daje predviđanje za nepoznatu varijablu (y).
Većina odnosa između varijabli u stvarnom svijetu nije linearna, već složena i nepravilnog oblika. Stoga linearna regresija često nije korisna. Drugi algoritmi klasifikacije sposobni su modelirati složenije odnose, kao što su krivuljasti ili logaritamski odnosi. Na primjer, algoritam logističke regresije može modelirati složene odnose, može uključiti nenumeričke varijable (npr. kategorije) i često može stvoriti realne i statistički valjane modele. Tipični izlaz logističkog regresijskog modela je predviđena vjerojatnost nastanka ishoda/događaja. Drugi algoritmi klasifikacije daju sličan rezultat kao logistička regresija, ali potrebni ulazi razlikuju se među algoritmima.
Modeliranje složenih odnosa posebno je korisno u upravljanju rizikom, gdje se riziku obično daje prioritet na temelju vjerojatnosti i potencijalne ozbiljnosti određenog ishoda. Modeliranje čimbenika rizika koji pridonose tom ishodu rezultira preciznom i statistički valjanom procjenom vjerojatnosti ishoda. Nasuprot tome, mnoge procjene rizika mjere "vjerojatnost" na kategoričkoj ljestvici (jednom u desetljeću, jednom godišnje, nekoliko puta godišnje), koja je manje precizna, subjektivnija i onemogućuje razlikovanje rizika prisutnih u riziku. ista široka kategorija. Postoje i druge tehnike za kvantificiranje potencijalne ozbiljnosti u procjeni rizika, ali to je izvan dosega ovog članka.
BlogInnovazione.it
Pomorski sektor je prava globalna gospodarska sila, koja je krenula prema tržištu od 150 milijardi...
Prošlog ponedjeljka, Financial Times je najavio dogovor s OpenAI-jem. FT licencira svoje novinarstvo svjetske klase...
Milijuni ljudi plaćaju usluge strujanja, plaćajući mjesečne pretplate. Uvriježeno je mišljenje da ste…
Coveware by Veeam nastavit će pružati usluge odgovora na incidente cyber iznude. Coveware će ponuditi forenziku i mogućnosti sanacije...
