Perkiraan waktu membaca: 6 minuti
Perusahaan menghasilkan jumlah data yang terkait dengan operasi bisnis dalam jumlah yang terus meningkat, yang mengarah pada minat baru terhadap analisis prediktif, yaitu bidang yang menganalisis kumpulan data besar untuk mengidentifikasi pola, memprediksi hasil, dan memandu pengambilan keputusan. Perusahaan juga menghadapi risiko operasional yang kompleks dan terus berkembang sehingga perlu diidentifikasi dan dimitigasi secara proaktif. Meskipun banyak perusahaan telah mulai menggunakan analisis prediktif untuk mengidentifikasi peluang pemasaran/penjualan, strategi serupa kurang umum digunakan dalam manajemen risiko, termasuk keamanan.
Algoritme klasifikasi, yang merupakan suatu kelas umum dari analitik prediktif, dapat sangat berguna untuk industri pengilangan dan petrokimia dengan memprediksi waktu dan lokasi insiden keselamatan berdasarkan data inspeksi dan pemeliharaan terkait keselamatan, yang pada dasarnya merupakan indikator utama. Terdapat dua tantangan utama yang terkait dengan metode ini: (1) memastikan bahwa indikator-indikator utama yang diukur benar-benar dapat memprediksi kecelakaan dan (2) mengukur indikator-indikator utama tersebut secara cukup sering sehingga mempunyai nilai prediktif.
Dengan menggunakan data inspeksi yang diperbarui secara berkala, model dapat dibuat menggunakan regresi logistik. Dengan cara ini Anda dapat membuat model, misalnya, untuk memprediksi kemungkinan kegagalan rel pada setiap mil lintasan. Probabilitas dapat diperbarui seiring dengan pengumpulan data tambahan.
Selain prediksi kemungkinan kegagalan rel, dengan model yang sama kita dapat mengidentifikasi variabel dengan validitas prediksi yang lebih besar (variabel yang berkontribusi signifikan terhadap kegagalan rel). Dengan menggunakan hasil model, Anda akan dapat mengidentifikasi dengan tepat di mana harus memfokuskan sumber daya pemeliharaan, inspeksi, dan peningkatan modal serta faktor apa yang harus diatasi selama aktivitas ini.
Metodologi yang sama dapat digunakan dalam industri pengilangan dan petrokimia untuk mengelola risiko dengan memprediksi dan mencegah kecelakaan, dengan syarat organisasi:
Analisis prediktif adalah bidang luas yang mencakup aspek berbagai disiplin ilmu, termasuk pembelajaran mesin,kecerdasan buatan, statistik dan data mining. Analisis prediktif mengungkap pola dan tren dalam kumpulan data besar. Salah satu jenis analisis prediktif, yaitu algoritma klasifikasi, dapat sangat bermanfaat bagi industri pengilangan dan petrokimia.
Algoritme klasifikasi dapat diklasifikasikan sebagai pembelajaran mesin yang diawasi. Dengan pembelajaran yang diawasi, pengguna memiliki kumpulan data yang mencakup pengukuran variabel prediktif yang dapat dikaitkan dengan hasil yang diketahui. Dalam model yang dibahas pada bagian studi kasus artikel ini, berbagai pengukuran lintasan (misalnya kelengkungan, perlintasan) dilakukan selama suatu periode untuk setiap mil lintasan. Hasil yang diketahui, dalam hal ini, adalah apakah terjadi kegagalan jalur pada setiap mil rel selama periode dua tahun tersebut.
Algoritme pemodelan yang sesuai kemudian dipilih dan digunakan untuk menganalisis data dan mengidentifikasi hubungan antara pengukuran variabel dan hasil untuk membuat aturan prediktif (model). Setelah dibuat, model diberikan kumpulan data baru yang berisi pengukuran variabel prediktor dan hasil yang tidak diketahui dan kemudian akan menghitung probabilitas hasil berdasarkan aturan model. Hal ini dibandingkan dengan jenis pembelajaran tanpa pengawasan, di mana algoritme mendeteksi pola dan tren dalam kumpulan data tanpa arahan khusus dari pengguna, selain algoritme yang digunakan.
Algoritme klasifikasi umum mencakup regresi linier, regresi logistik, pohon keputusan, jaringan saraf, vektor pendukung/mesin diskriminan fleksibel, pengklasifikasi Bayes naif, dan banyak lainnya. Regresi linier memberikan contoh sederhana tentang cara kerja algoritma klasifikasi. Dalam regresi linier, garis yang paling sesuai dihitung berdasarkan titik data yang ada, sehingga menghasilkan persamaan garis ay = mx + b. Memasukkan variabel yang diketahui (x) memberikan prediksi untuk variabel yang tidak diketahui (y).
Kebanyakan hubungan antar variabel di dunia nyata tidak linier, melainkan kompleks dan bentuknya tidak beraturan. Oleh karena itu, regresi linier seringkali tidak berguna. Algoritme klasifikasi lain mampu memodelkan hubungan yang lebih kompleks, seperti hubungan lengkung atau logaritmik. Misalnya, algoritme regresi logistik dapat memodelkan hubungan yang kompleks, dapat menggabungkan variabel non-numerik (misalnya kategori), dan seringkali dapat membuat model yang realistis dan valid secara statistik. Keluaran khas dari model regresi logistik adalah prediksi probabilitas terjadinya hasil/peristiwa. Algoritme klasifikasi lainnya memberikan keluaran yang serupa dengan regresi logistik, tetapi masukan yang diperlukan berbeda antar algoritme.
Pemodelan hubungan yang kompleks sangat berguna dalam manajemen risiko, dimana risiko biasanya diprioritaskan berdasarkan probabilitas dan potensi tingkat keparahan dari hasil tertentu. Pemodelan faktor-faktor risiko yang berkontribusi terhadap hasil tersebut akan menghasilkan perkiraan kemungkinan hasil yang tepat dan valid secara statistik. Sebaliknya, banyak penilaian risiko yang mengukur “probabilitas” dalam skala kategoris (sekali dalam satu dekade, sekali dalam setahun, beberapa kali dalam setahun), yang kurang tepat, lebih subyektif, dan tidak memungkinkan untuk membedakan risiko-risiko yang ada dalam risiko tersebut. kategori luas yang sama. Terdapat teknik lain untuk menilai potensi tingkat keparahan dalam penilaian risiko secara kuantitatif, namun hal ini berada di luar cakupan artikel ini.
BlogInnovazione.it
Operasi oftalmoplasti menggunakan penampil komersial Apple Vision Pro dilakukan di Poliklinik Catania…
Mengembangkan keterampilan motorik halus melalui mewarnai mempersiapkan anak untuk keterampilan yang lebih kompleks seperti menulis. Mewarnai…
Sektor angkatan laut adalah kekuatan ekonomi global sejati, yang telah menuju pasar 150 miliar...
Senin lalu, Financial Times mengumumkan kesepakatan dengan OpenAI. FT melisensikan jurnalisme kelas dunianya…
