ഒരു സങ്കീർണ്ണ സംവിധാനത്തിൽ അപകടം തടയുന്നതിനുള്ള പ്രവചന വിശകലനം

എവിടെയാണ് പരാജയങ്ങൾ സംഭവിക്കാൻ സാധ്യതയെന്നും അവ തടയാൻ എന്തുചെയ്യാനാകുമെന്നും തിരിച്ചറിയുന്നതിലൂടെ പ്രവചനാത്മക വിശകലനത്തിന് റിസ്ക് മാനേജ്മെൻ്റിനെ പിന്തുണയ്ക്കാൻ കഴിയും.

ഉള്ളടക്ക പട്ടിക

കണക്കാക്കിയ വായന സമയം: 6 minuti

സന്ദർഭം

പാറ്റേണുകൾ തിരിച്ചറിയുന്നതിനും ഫലങ്ങൾ പ്രവചിക്കുന്നതിനും തീരുമാനങ്ങൾ എടുക്കുന്നതിനുമായി വലിയ ഡാറ്റാ സെറ്റുകൾ വിശകലനം ചെയ്യുന്ന ഒരു മേഖലയായ പ്രവചന അനലിറ്റിക്‌സിൽ പുതുക്കിയ താൽപ്പര്യത്തിലേക്ക് നയിക്കുന്ന ബിസിനസ്സ് പ്രവർത്തനങ്ങളുമായി ബന്ധപ്പെട്ട ഡാറ്റയുടെ വർദ്ധിച്ചുവരുന്ന അളവുകൾ കമ്പനികൾ സൃഷ്ടിക്കുന്നു. കമ്പനികൾ സങ്കീർണ്ണവും എപ്പോഴും വികസിച്ചുകൊണ്ടിരിക്കുന്നതുമായ പ്രവർത്തന അപകടസാധ്യതകളെ അഭിമുഖീകരിക്കുന്നു, അത് മുൻകൂട്ടി തിരിച്ചറിയുകയും ലഘൂകരിക്കുകയും വേണം. മാർക്കറ്റിംഗ്/സെയിൽസ് അവസരങ്ങൾ തിരിച്ചറിയാൻ പല കമ്പനികളും പ്രവചനാത്മക വിശകലനങ്ങൾ ഉപയോഗിക്കാൻ തുടങ്ങിയിട്ടുണ്ടെങ്കിലും, സുരക്ഷ ഉൾപ്പെടെയുള്ള റിസ്ക് മാനേജ്മെൻ്റിൽ സമാനമായ തന്ത്രങ്ങൾ കുറവാണ്.

പ്രവചനാത്മക വിശകലനത്തിൻ്റെ ഒരു പൊതുവിഭാഗമായ ക്ലാസിഫിക്കേഷൻ അൽഗോരിതങ്ങൾ, സുരക്ഷാസംബന്ധിയായ പരിശോധനയുടെയും അറ്റകുറ്റപ്പണികളുടെയും അടിസ്ഥാനത്തിലുള്ള പ്രധാന സൂചകങ്ങളെ അടിസ്ഥാനമാക്കി സുരക്ഷാ സംഭവങ്ങളുടെ സമയവും സ്ഥാനവും പ്രവചിക്കുന്നതിലൂടെ റിഫൈനിംഗ്, പെട്രോകെമിക്കൽ വ്യവസായങ്ങൾക്ക് പ്രത്യേകിച്ചും ഉപയോഗപ്രദമാകും. ഈ രീതിയുമായി ബന്ധപ്പെട്ട രണ്ട് പ്രധാന വെല്ലുവിളികൾ ഉണ്ട്: (1) അളന്ന മുൻനിര സൂചകങ്ങൾ യഥാർത്ഥത്തിൽ ക്രാഷുകളെ പ്രവചിക്കുന്നതാണെന്ന് ഉറപ്പുവരുത്തുക, (2) പ്രവചന മൂല്യം ലഭിക്കുന്നതിന് ആവശ്യമായ മുൻനിര സൂചകങ്ങളെ ഇടയ്ക്കിടെ അളക്കുക.

മെറ്റോഡോളജിയ

പതിവായി പുതുക്കിയ പരിശോധനാ ഡാറ്റ ഉപയോഗിച്ച്, ഒരു ലോജിസ്റ്റിക് റിഗ്രഷൻ ഉപയോഗിച്ച് ഒരു മോഡൽ സൃഷ്ടിക്കാൻ കഴിയും. ഇതുവഴി നിങ്ങൾക്ക് ഒരു മാതൃക സൃഷ്ടിക്കാൻ കഴിയും, ഉദാഹരണത്തിന്, ട്രാക്കിൻ്റെ ഓരോ മൈലിനും റെയിൽ പരാജയത്തിൻ്റെ സാധ്യത പ്രവചിക്കാൻ. അധിക ഡാറ്റ ശേഖരിക്കുന്നതിനനുസരിച്ച് സാധ്യതകൾ അപ്ഡേറ്റ് ചെയ്തേക്കാം.

റെയിൽ പരാജയത്തിൻ്റെ പ്രവചിക്കപ്പെട്ട സാദ്ധ്യതകൾക്ക് പുറമേ, അതേ മാതൃകയിൽ നമുക്ക് കൂടുതൽ പ്രവചന സാധുതയുള്ള വേരിയബിളുകൾ തിരിച്ചറിയാൻ കഴിയും (റെയിൽ പരാജയത്തിന് കാര്യമായ സംഭാവന നൽകുന്നവ). മോഡൽ ഫലങ്ങൾ ഉപയോഗിച്ച്, അറ്റകുറ്റപ്പണികൾ, പരിശോധന, മൂലധന മെച്ചപ്പെടുത്തൽ ഉറവിടങ്ങൾ എന്നിവ എവിടെ കേന്ദ്രീകരിക്കണമെന്നും ഈ പ്രവർത്തനങ്ങളിൽ ഏതൊക്കെ ഘടകങ്ങളെ അഭിസംബോധന ചെയ്യണമെന്നും കൃത്യമായി തിരിച്ചറിയാൻ നിങ്ങൾക്ക് കഴിയും.

റിഫൈനിംഗ്, പെട്രോകെമിക്കൽ വ്യവസായങ്ങളിൽ അപകടങ്ങൾ പ്രവചിക്കുകയും തടയുകയും ചെയ്യുന്നതിലൂടെ അപകടസാധ്യതകൾ കൈകാര്യം ചെയ്യുന്നതിനായി ഇതേ രീതിശാസ്ത്രം ഉപയോഗിക്കാവുന്നതാണ്.

പ്രവചന സാധുതയുള്ള മുൻനിര സൂചകങ്ങൾ തിരിച്ചറിയുക;
അവർ പതിവായി മുൻനിര സൂചകങ്ങൾ അളക്കുന്നു (പരിശോധന, പരിപാലനം, ഉപകരണ ഡാറ്റ);
അളന്ന സൂചകങ്ങളെ അടിസ്ഥാനമാക്കി അവർ ഒരു മാതൃകാ പ്രവചന സംവിധാനം സൃഷ്ടിക്കുന്നു;
ഡാറ്റ ശേഖരിക്കുന്നതിനനുസരിച്ച് മോഡൽ അപ്ഡേറ്റ് ചെയ്യുക;
അറ്റകുറ്റപ്പണികൾ, പരിശോധനകൾ, മൂലധന മെച്ചപ്പെടുത്തൽ പദ്ധതികൾ എന്നിവയ്ക്ക് മുൻഗണന നൽകാനും പ്രവർത്തന പ്രക്രിയകൾ/നടപടികൾ അവലോകനം ചെയ്യാനും കണ്ടെത്തലുകൾ ഉപയോഗിക്കുക;

പ്രവചനാത്മക വിശകലനം

മെഷീൻ ലേണിംഗ് ഉൾപ്പെടെ വിവിധ വിഭാഗങ്ങളുടെ വശങ്ങൾ ഉൾക്കൊള്ളുന്ന വിശാലമായ ഒരു മേഖലയാണ് പ്രവചന വിശകലനം,കൃത്രിമ ബുദ്ധി, സ്ഥിതിവിവരക്കണക്കുകൾ ഒപ്പം ഡാറ്റ ഖനനം. പ്രവചന അനലിറ്റിക്‌സ് വലിയ ഡാറ്റാ സെറ്റുകളിലെ പാറ്റേണുകളും ട്രെൻഡുകളും കണ്ടെത്തുന്നു. ഒരു തരം പ്രവചന വിശകലനം, വർഗ്ഗീകരണ അൽഗോരിതങ്ങൾ, ശുദ്ധീകരണ, പെട്രോകെമിക്കൽ വ്യവസായങ്ങൾക്ക് പ്രത്യേകിച്ചും ഗുണം ചെയ്യും.

വർഗ്ഗീകരണ അൽഗോരിതങ്ങളെ സൂപ്പർവൈസ്ഡ് മെഷീൻ ലേണിംഗ് എന്ന് തരം തിരിക്കാം. സൂപ്പർവൈസുചെയ്‌ത പഠനത്തിലൂടെ, അറിയപ്പെടുന്ന ഫലങ്ങളുമായി ബന്ധിപ്പിക്കാൻ കഴിയുന്ന പ്രവചന വേരിയബിളുകളുടെ അളവുകൾ ഉൾപ്പെടുന്ന ഒരു ഡാറ്റാസെറ്റ് ഉപയോക്താവിന് ഉണ്ട്. ഈ ലേഖനത്തിൻ്റെ കേസ് സ്റ്റഡി വിഭാഗത്തിൽ ചർച്ച ചെയ്ത മാതൃകയിൽ, ട്രാക്കിൻ്റെ ഓരോ മൈലിനും ഒരു കാലയളവിൽ വിവിധ ട്രാക്ക് അളവുകൾ (ഉദാ: വക്രത, ക്രോസിംഗുകൾ) എടുത്തിട്ടുണ്ട്. ഈ സാഹചര്യത്തിൽ, അറിയപ്പെടുന്ന ഫലം, ആ രണ്ട് വർഷത്തെ കാലയളവിൽ ഓരോ റെയിൽ മൈലിലും ഒരു ട്രാക്ക് തകരാർ സംഭവിച്ചോ എന്നതാണ്.

മോഡലിംഗ് അൽഗോരിതം

പ്രവചന നിയമങ്ങൾ (ഒരു മോഡൽ) സൃഷ്ടിക്കുന്നതിന് ഡാറ്റ വിശകലനം ചെയ്യുന്നതിനും വേരിയബിൾ അളവുകളും ഫലങ്ങളും തമ്മിലുള്ള ബന്ധം തിരിച്ചറിയുന്നതിനും ഉചിതമായ മോഡലിംഗ് അൽഗോരിതം തിരഞ്ഞെടുക്കുകയും ഉപയോഗിക്കുകയും ചെയ്യുന്നു. സൃഷ്ടിച്ചുകഴിഞ്ഞാൽ, മോഡലിന് അജ്ഞാത പ്രവചന വേരിയബിളുകളുടെയും ഫലങ്ങളുടെയും അളവുകൾ അടങ്ങിയ ഒരു പുതിയ ഡാറ്റാസെറ്റ് നൽകുന്നു, തുടർന്ന് മോഡലിൻ്റെ നിയമങ്ങളെ അടിസ്ഥാനമാക്കി ഫലത്തിൻ്റെ സാധ്യത കണക്കാക്കും. ഇത് മേൽനോട്ടമില്ലാത്ത പഠന തരങ്ങളുമായി താരതമ്യപ്പെടുത്തുന്നു, ഇവിടെ അൽഗരിതങ്ങൾ ഒരു ഡാറ്റാസെറ്റിലെ പാറ്റേണുകളും ട്രെൻഡുകളും കണ്ടെത്തുന്നത്, ഉപയോഗിക്കുന്ന അൽഗോരിതം ഒഴികെയുള്ള ഉപയോക്താവിൽ നിന്നുള്ള ഒരു പ്രത്യേക ദിശയും കൂടാതെ.

ലീനിയർ റിഗ്രഷൻ, ലോജിസ്റ്റിക് റിഗ്രഷൻ, ഡിസിഷൻ ട്രീ, ന്യൂറൽ നെറ്റ്‌വർക്ക്, സപ്പോർട്ട് വെക്റ്റർ/ഫ്ലെക്‌സിബിൾ ഡിസ്‌ക്രിമിനൻ്റ് മെഷീൻ, നേവ് ബയേസ് ക്ലാസിഫയർ എന്നിവയും മറ്റു പലതും പൊതുവായ വർഗ്ഗീകരണ അൽഗോരിതങ്ങളിൽ ഉൾപ്പെടുന്നു. ഒരു വർഗ്ഗീകരണ അൽഗോരിതം എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിൻ്റെ ലളിതമായ ഉദാഹരണം ലീനിയർ റിഗ്രഷനുകൾ നൽകുന്നു. ഒരു ലീനിയർ റിഗ്രഷനിൽ, നിലവിലുള്ള ഡാറ്റാ പോയിൻ്റുകളെ അടിസ്ഥാനമാക്കി മികച്ച ഫിറ്റ് ലൈൻ കണക്കാക്കുന്നു, ഇത് ay = mx + b എന്ന സമവാക്യം നൽകുന്നു. അറിയപ്പെടുന്ന വേരിയബിളിൽ (x) പ്രവേശിക്കുന്നത് അജ്ഞാത വേരിയബിളിന് (y) ഒരു പ്രവചനം നൽകുന്നു.

യഥാർത്ഥ ലോകത്തിലെ വേരിയബിളുകൾ തമ്മിലുള്ള മിക്ക ബന്ധങ്ങളും രേഖീയമല്ല, സങ്കീർണ്ണവും ക്രമരഹിതവുമായ ആകൃതിയിലാണ്. അതിനാൽ, ലീനിയർ റിഗ്രഷൻ പലപ്പോഴും ഉപയോഗപ്രദമല്ല. മറ്റ് വർഗ്ഗീകരണ അൽഗോരിതങ്ങൾക്ക് വളവ് അല്ലെങ്കിൽ ലോഗരിഥമിക് ബന്ധങ്ങൾ പോലുള്ള കൂടുതൽ സങ്കീർണ്ണമായ ബന്ധങ്ങളെ മാതൃകയാക്കാൻ കഴിയും. ഉദാഹരണത്തിന്, ഒരു ലോജിസ്റ്റിക് റിഗ്രഷൻ അൽഗോരിതത്തിന് സങ്കീർണ്ണമായ ബന്ധങ്ങളെ മാതൃകയാക്കാൻ കഴിയും, നോൺ-ന്യൂമറിക് വേരിയബിളുകൾ (ഉദാ. വിഭാഗങ്ങൾ) സംയോജിപ്പിക്കാൻ കഴിയും, കൂടാതെ പലപ്പോഴും റിയലിസ്റ്റിക്, സ്റ്റാറ്റിസ്റ്റിക്കൽ സാധുതയുള്ള മോഡലുകൾ സൃഷ്ടിക്കാനും കഴിയും. ഒരു ലോജിസ്റ്റിക് റിഗ്രഷൻ മോഡലിൻ്റെ സാധാരണ ഔട്ട്പുട്ട് ഫലത്തിൻ്റെ/സംഭവത്തിൻ്റെ പ്രവചിക്കപ്പെട്ട സംഭാവ്യതയാണ്. മറ്റ് വർഗ്ഗീകരണ അൽഗോരിതങ്ങൾ ലോജിസ്റ്റിക് റിഗ്രഷനോട് സമാനമായ ഔട്ട്പുട്ട് നൽകുന്നു, എന്നാൽ ആവശ്യമായ ഇൻപുട്ടുകൾ അൽഗോരിതങ്ങൾക്കിടയിൽ വ്യത്യസ്തമാണ്.

റിസ്ക് മാനേജ്മെൻ്റ്

സങ്കീർണ്ണമായ ബന്ധങ്ങളുടെ മോഡലിംഗ് റിസ്ക് മാനേജ്മെൻ്റിൽ പ്രത്യേകിച്ചും ഉപയോഗപ്രദമാണ്, അവിടെ ഒരു പ്രത്യേക ഫലത്തിൻ്റെ സാധ്യതയും സാധ്യതയുള്ള കാഠിന്യവും അടിസ്ഥാനമാക്കിയാണ് അപകടസാധ്യതയ്ക്ക് മുൻഗണന നൽകുന്നത്. ആ ഫലത്തിലേക്ക് സംഭാവന ചെയ്യുന്ന അപകടസാധ്യത ഘടകങ്ങളെ മാതൃകയാക്കുന്നത്, ഫലത്തിൻ്റെ സംഭാവ്യതയുടെ കൃത്യവും സ്ഥിതിവിവരക്കണക്കനുസരിച്ച് സാധുവായതുമായ ഒരു വിലയിരുത്തലിന് കാരണമാകുന്നു. നേരെമറിച്ച്, പല അപകടസാധ്യത വിലയിരുത്തലുകളും "സംഭാവ്യത" അളക്കുന്നത് ഒരു വർഗ്ഗീകരണ സ്കെയിലിൽ (ദശകത്തിലൊരിക്കൽ, വർഷത്തിലൊരിക്കൽ, വർഷത്തിൽ പല തവണ), ഇത് കുറച്ച് കൃത്യവും കൂടുതൽ ആത്മനിഷ്ഠവുമാണ്, കൂടാതെ അപകടസാധ്യതകൾ തമ്മിൽ വേർതിരിച്ചറിയുന്നത് അസാധ്യമാക്കുന്നു. ഒരേ വിശാലമായ വിഭാഗം. അപകടസാധ്യത വിലയിരുത്തുന്നതിൽ സാധ്യതയുള്ള കാഠിന്യം അളക്കുന്നതിനുള്ള മറ്റ് സാങ്കേതിക വിദ്യകളുണ്ട്, എന്നാൽ ഇത് ഈ ലേഖനത്തിൻ്റെ പരിധിക്കപ്പുറമാണ്.