Odhadovaný čas čítania: 6 minúty
Spoločnosti generujú stále väčšie množstvo údajov spojených s obchodnými operáciami, čo vedie k obnovenému záujmu o predikčnú analytiku, oblasť, ktorá analyzuje veľké súbory údajov s cieľom identifikovať vzory, predpovedať výsledky a usmerňovať rozhodovanie. Spoločnosti tiež čelia zložitému a neustále sa rozširujúcemu spektru operačných rizík, ktoré je potrebné proaktívne identifikovať a zmierniť. Zatiaľ čo mnohé spoločnosti začali používať prediktívne analýzy na identifikáciu marketingových/predajných príležitostí, podobné stratégie sú menej bežné pri riadení rizík vrátane bezpečnosti.
Klasifikačné algoritmy, všeobecná trieda prediktívnej analýzy, by mohli byť užitočné najmä pre rafinérsky a petrochemický priemysel tým, že predpovedajú načasovanie a miesto bezpečnostných incidentov na základe údajov z inšpekcií a údržby súvisiacich s bezpečnosťou, čo sú v podstate hlavné ukazovatele. S touto metódou sú spojené dve hlavné výzvy: (1) zabezpečiť, aby namerané hlavné ukazovatele skutočne predpovedali nehody a (2) meranie hlavných ukazovateľov dostatočne často na to, aby mali predpovednú hodnotu.
Pomocou pravidelne aktualizovaných inšpekčných údajov je možné vytvoriť model pomocou logistickej regresie. Takto by ste mohli vytvoriť model, napríklad na predpovedanie pravdepodobnosti zlyhania koľajnice pre každú míľu trate. Pravdepodobnosti sa môžu aktualizovať, keď sa zhromažďujú ďalšie údaje.
Okrem predpovedaných pravdepodobností zlyhania koľajnice môžeme pomocou rovnakého modelu identifikovať premenné s väčšou predikčnou platnosťou (tie, ktoré významne prispievajú k poruche koľajnice). Pomocou výsledkov modelu budete schopní presne identifikovať, kam zamerať zdroje údržby, kontroly a kapitálového zvyšovania a na aké faktory sa počas týchto činností zamerať.
Rovnaká metodika by sa mohla použiť v rafinérskom a petrochemickom priemysle na riadenie rizík predpovedaním a prevenciou nehôd za predpokladu, že organizácie:
Prediktívna analytika je široká oblasť, ktorá zahŕňa aspekty rôznych disciplín vrátane strojového učenia,umelá inteligencia, štatistiky a data mining. Prediktívna analytika odhaľuje vzory a trendy vo veľkých súboroch údajov. Jeden typ prediktívnej analýzy, klasifikačné algoritmy, by mohol byť obzvlášť prospešný pre rafinérsky a petrochemický priemysel.
Klasifikačné algoritmy možno klasifikovať ako riadené strojové učenie. S riadeným učením má používateľ k dispozícii súbor údajov, ktorý obsahuje merania prediktívnych premenných, ktoré možno prepojiť so známymi výsledkami. V modeli, o ktorom sa hovorí v časti prípadovej štúdie tohto článku, sa vykonali rôzne merania trate (napr. zakrivenie, križovatky) počas určitého obdobia pre každú míľu trate. Známym výsledkom v tomto prípade je, či došlo k zlyhaniu trate na každej koľajovej míli počas tohto dvojročného obdobia.
Potom sa vyberie vhodný modelovací algoritmus a použije sa na analýzu údajov a identifikáciu vzťahov medzi meraniami premenných a výsledkami, aby sa vytvorili prediktívne pravidlá (model). Po vytvorení dostane model nový súbor údajov obsahujúci merania neznámych prediktorových premenných a výsledkov a potom vypočíta pravdepodobnosť výsledku na základe pravidiel modelu. Je to v porovnaní s typmi učenia bez dozoru, kde algoritmy zisťujú vzory a trendy v súbore údajov bez akéhokoľvek špecifického smerovania od používateľa, okrem použitého algoritmu.
Bežné klasifikačné algoritmy zahŕňajú lineárnu regresiu, logistickú regresiu, rozhodovací strom, neurónovú sieť, podporný vektor/flexibilný diskriminačný stroj, naivný Bayesov klasifikátor a mnohé ďalšie. Lineárne regresie poskytujú jednoduchý príklad toho, ako funguje klasifikačný algoritmus. Pri lineárnej regresii sa vypočíta najvhodnejšia línia na základe existujúcich údajových bodov, čím sa získa priamka rovnica ay = mx + b. Zadanie známej premennej (x) poskytuje predpoveď pre neznámu premennú (y).
Väčšina vzťahov medzi premennými v reálnom svete nie je lineárna, ale komplexná a má nepravidelný tvar. Preto lineárna regresia často nie je užitočná. Iné klasifikačné algoritmy sú schopné modelovať zložitejšie vzťahy, ako sú krivočiare alebo logaritmické vzťahy. Napríklad algoritmus logistickej regresie môže modelovať zložité vzťahy, môže zahŕňať nečíselné premenné (napr. kategórie) a často môže vytvárať realistické a štatisticky platné modely. Typickým výstupom modelu logistickej regresie je predpokladaná pravdepodobnosť výskytu výsledku/udalosti. Iné klasifikačné algoritmy poskytujú podobný výstup ako logistická regresia, ale požadované vstupy sa medzi algoritmami líšia.
Modelovanie zložitých vzťahov je užitočné najmä pri riadení rizík, kde sa riziko zvyčajne uprednostňuje na základe pravdepodobnosti a potenciálnej závažnosti konkrétneho výsledku. Výsledkom modelovania rizikových faktorov, ktoré prispievajú k tomuto výsledku, je presný a štatisticky platný odhad pravdepodobnosti výsledku. Naproti tomu mnohé hodnotenia rizík merajú „pravdepodobnosť“ na kategorickej škále (raz za desaťročie, raz za rok, niekoľkokrát za rok), ktorá je menej presná, subjektívnejšia a znemožňuje rozlišovať medzi rizikami prítomnými v riziku. rovnako široká kategória. Existujú aj iné techniky na kvantifikovateľné posúdenie potenciálnej závažnosti v hodnotení rizika, ale to je nad rámec tohto článku.
BlogInnovazione.it
Námorný sektor je skutočnou globálnou ekonomickou veľmocou, ktorá smerovala k 150 miliardovému trhu...
Minulý pondelok Financial Times oznámili dohodu s OpenAI. FT licencuje svoju žurnalistiku svetovej triedy…
Milióny ľudí platia za streamovacie služby a platia mesačné predplatné. Je bežný názor, že si…
Coveware od Veeam bude aj naďalej poskytovať služby reakcie na incidenty v oblasti kybernetického vydierania. Coveware ponúkne forenzné a sanačné schopnosti…
