Предвиђено време читања: 6 минута
Компаније генеришу све веће количине података повезаних са пословним операцијама, што доводи до обновљеног интересовања за предиктивну аналитику, поље које анализира велике скупове података како би идентификовало обрасце, предвидело исходе и водило доношење одлука. Компаније се такође суочавају са сложеним и све ширим опсегом оперативних ризика које треба проактивно идентификовати и ублажити. Док су многе компаније почеле да користе предиктивну аналитику за идентификацију маркетиншких/продајних могућности, сличне стратегије су мање уобичајене у управљању ризицима, укључујући безбедност.
Класификациони алгоритми, општа класа предиктивне аналитике, могли би бити посебно корисни за прерађивачку и петрохемијску индустрију предвиђањем времена и локације безбедносних инцидената на основу података инспекције и одржавања везаних за безбедност, у суштини водећих индикатора. Постоје два главна изазова повезана са овом методом: (1) обезбеђивање да измерени водећи индикатори заправо предвиђају падове и (2) мерење водећих индикатора довољно често да имају предиктивну вредност.
Користећи редовно ажуриране податке инспекције, модел се може креирати коришћењем логистичке регресије. На овај начин можете креирати модел, на пример, да предвидите вероватноћу квара шине за сваку миљу пруге. Вероватноће се могу ажурирати како се прикупљају додатни подаци.
Поред предвиђених вероватноћа отказивања шине, истим моделом можемо идентификовати варијабле са већом предиктивном валидношћу (оне које значајно доприносе отказу шине). Користећи резултате модела, моћи ћете тачно да идентификујете где да фокусирате ресурсе одржавања, инспекције и капиталног побољшања и на које факторе треба да се позабавите током ових активности.
Иста методологија би се могла користити у рафинерској и петрохемијској индустрији за управљање ризицима предвиђањем и спречавањем несрећа, под условом да организације:
Предиктивна аналитика је широко поље које обухвата аспекте различитих дисциплина, укључујући машинско учење,вештачка интелигенција, статистика и дата мининг. Предиктивна аналитика открива обрасце и трендове у великим скуповима података. Једна врста предиктивне аналитике, класификациони алгоритми, могла би бити посебно корисна за рафинерску и петрохемијску индустрију.
Класификациони алгоритми се могу класификовати као надгледано машинско учење. Уз надгледано учење, корисник има скуп података који укључује мерења предиктивних варијабли које се могу повезати са познатим исходима. У моделу о којем се говори у одељку студије случаја у овом чланку, различита мерења стазе (нпр. кривина, укрштања) су узета током периода за сваку миљу стазе. Познати исход, у овом случају, је да ли је дошло до квара колосека на свакој шинској миљи током тог двогодишњег периода.
Одговарајући алгоритам за моделирање се затим бира и користи за анализу података и идентификацију односа између променљивих мерења и исхода како би се креирала правила предвиђања (модел). Једном креиран, модел добија нови скуп података који садржи мерења непознатих предикторских варијабли и исхода, а затим ће израчунати вероватноћу исхода на основу правила модела. Ово се пореди са типовима ненадгледаног учења, где алгоритми откривају обрасце и трендове у скупу података без икаквог одређеног упутства од корисника, осим алгоритма који се користи.
Уобичајени класификациони алгоритми укључују линеарну регресију, логистичку регресију, стабло одлучивања, неуронску мрежу, вектор подршке/флексибилну дискриминантну машину, наивни Бајесов класификатор и многе друге. Линеарне регресије пружају једноставан пример како функционише класификациони алгоритам. У линеарној регресији, најповољнија линија се израчунава на основу постојећих тачака података, дајући једначину линије аи = мк + б. Уношење познате променљиве (к) даје предвиђање за непознату променљиву (и).
Већина односа између варијабли у стварном свету нису линеарни, већ сложени и неправилног облика. Стога, линеарна регресија често није корисна. Други класификациони алгоритми су способни да моделују сложеније односе, као што су криволинијски или логаритамски односи. На пример, алгоритам логистичке регресије може да моделира сложене односе, може да укључи ненумеричке варијабле (нпр. категорије) и често може да креира реалистичне и статистички валидне моделе. Типичан излаз модела логистичке регресије је предвиђена вероватноћа да ће се исход/догађај догодити. Други алгоритми за класификацију дају сличан излаз као логистичка регресија, али потребни улази се разликују између алгоритама.
Моделирање сложених односа је посебно корисно у управљању ризиком, где се ризик обично даје приоритету на основу вероватноће и потенцијалне озбиљности одређеног исхода. Моделирање фактора ризика који доприносе том исходу резултира прецизном и статистички валидном проценом вероватноће исхода. Насупрот томе, многе процене ризика мере „вероватноћу” на категоричној скали (једном деценију, једном годишње, неколико пута годишње), што је мање прецизно, више субјективно и онемогућава разликовање ризика присутних у ризику. иста широка категорија. Постоје и друге технике за квантификативну процену потенцијалне озбиљности у процени ризика, али то је ван оквира овог чланка.
BlogInnovazione.it
Поморски сектор је права глобална економска сила, која је кренула ка тржишту од 150 милијарди...
Прошлог понедељка, Финанциал Тимес је објавио договор са ОпенАИ. ФТ лиценцира своје новинарство светске класе…
Милиони људи плаћају услуге стриминга, плаћајући месечне претплате. Увријежено је мишљење да сте…
Цовеваре од Вееам-а ће наставити да пружа услуге одговора на инциденте са сајбер изнудом. Цовеваре ће понудити форензику и могућности санације…
