Beräknad lästid: 6 minuter
Företag genererar ständigt ökande mängder data kopplade till affärsverksamhet, vilket leder till förnyat intresse för prediktiv analys, ett område som analyserar stora datamängder för att identifiera mönster, förutsäga resultat och vägleda beslutsfattande. Företag står också inför ett komplext och ständigt växande utbud av operativa risker som måste identifieras och mildras proaktivt. Medan många företag har börjat använda prediktiv analys för att identifiera marknadsförings-/försäljningsmöjligheter, är liknande strategier mindre vanliga inom riskhantering, inklusive säkerhet.
Klassificeringsalgoritmer, en allmän klass av prediktiv analys, kan vara särskilt användbar för raffinerings- och petrokemisk industri genom att förutsäga tidpunkten och platsen för säkerhetsincidenter baserat på säkerhetsrelaterade inspektions- och underhållsdata, huvudsakligen ledande indikatorer. Det finns två huvudutmaningar förknippade med denna metod: (1) att säkerställa att de uppmätta ledande indikatorerna faktiskt är förutsägande för krascher och (2) att mäta de ledande indikatorerna tillräckligt ofta för att ha prediktivt värde.
Med hjälp av regelbundet uppdaterade inspektionsdata kan en modell skapas med hjälp av en logistisk regression. På så sätt kan du skapa en modell, till exempel för att förutsäga sannolikheten för rälsbrott för varje mil spår. Sannolikheter kan uppdateras när ytterligare data samlas in.
Utöver de förutspådda sannolikheterna för rälsbrott kan vi med samma modell identifiera variablerna med större prediktiv validitet (de som signifikant bidrar till rälsbrott). Med hjälp av modellresultaten kommer du att kunna identifiera exakt var du ska fokusera underhålls-, inspektions- och kapitalförbättringsresurser och vilka faktorer som ska åtgärdas under dessa aktiviteter.
Samma metod skulle kunna användas inom raffinerings- och petrokemisk industri för att hantera risker genom att förutsäga och förebygga olyckor, förutsatt att organisationer:
Predictive analytics är ett brett fält som omfattar aspekter av olika discipliner, inklusive maskininlärning,artificiell intelligens, statistik och data mining. Prediktiv analys avslöjar mönster och trender i stora datamängder. En typ av prediktiv analys, klassificeringsalgoritmer, kan vara särskilt fördelaktig för raffinerings- och petrokemisk industri.
Klassificeringsalgoritmer kan klassificeras som övervakad maskininlärning. Med övervakat lärande har användaren en datauppsättning som innehåller mätningar av prediktiva variabler som kan kopplas till kända utfall. I modellen som diskuteras i fallstudiedelen av denna artikel togs olika spårmätningar (t.ex. kurvatur, korsningar) under en period för varje mil spår. Det kända resultatet, i detta fall, är om ett spårfel inträffade på varje järnvägsmil under den tvåårsperioden.
En lämplig modelleringsalgoritm väljs sedan ut och används för att analysera data och identifiera samband mellan variabla mätningar och utfall för att skapa prediktiva regler (en modell). När modellen väl har skapats får den ett nytt dataset innehållande mätningar av okända prediktorvariabler och utfall och kommer sedan att beräkna sannolikheten för utfallet baserat på modellens regler. Detta jämförs med typer av oövervakad inlärning, där algoritmer upptäcker mönster och trender i en datauppsättning utan någon specifik riktning från användaren, annat än den algoritm som används.
Vanliga klassificeringsalgoritmer inkluderar linjär regression, logistisk regression, beslutsträd, neuralt nätverk, stödvektor/flexibel diskriminantmaskin, naiv Bayes-klassificerare och många andra. Linjära regressioner ger ett enkelt exempel på hur en klassificeringsalgoritm fungerar. I en linjär regression beräknas en linje som passar bäst baserat på befintliga datapunkter, vilket ger linjeekvationen ay = mx + b. Inmatning av den kända variabeln (x) ger en förutsägelse för den okända variabeln (y).
De flesta relationer mellan variabler i den verkliga världen är inte linjära, utan komplexa och oregelbundet formade. Därför är linjär regression ofta inte användbar. Andra klassificeringsalgoritmer är kapabla att modellera mer komplexa samband, såsom kurvlinjära eller logaritmiska samband. Till exempel kan en logistisk regressionsalgoritm modellera komplexa relationer, kan inkorporera icke-numeriska variabler (t.ex. kategorier) och kan ofta skapa realistiska och statistiskt giltiga modeller. Den typiska utmatningen av en logistisk regressionsmodell är den förutsagda sannolikheten för att utfallet/händelsen ska inträffa. Andra klassificeringsalgoritmer ger liknande utdata som logistisk regression, men de nödvändiga ingångarna är olika mellan algoritmerna.
Att modellera komplexa relationer är särskilt användbart i riskhantering, där risker vanligtvis prioriteras baserat på sannolikheten och potentiella svårighetsgraden av ett visst resultat. Att modellera de riskfaktorer som bidrar till det utfallet resulterar i en exakt och statistiskt giltig uppskattning av sannolikheten för utfallet. Däremot mäter många riskbedömningar "sannolikhet" på en kategorisk skala (en gång per decennium, en gång om året, flera gånger om året), vilket är mindre exakt, mer subjektivt och gör det omöjligt att skilja mellan risker som finns i risken. samma breda kategori. Det finns andra tekniker för att kvantifierbart bedöma potentiell svårighetsgrad i en riskbedömning, men detta ligger utanför ramen för denna artikel.
BlogInnovazione.it
Miljontals människor betalar för streamingtjänster och betalar månatliga prenumerationsavgifter. Det är en allmän uppfattning att du...
Coveware by Veeam kommer att fortsätta att tillhandahålla svarstjänster för cyberutpressning. Coveware kommer att erbjuda kriminaltekniska och saneringsmöjligheter...
Förutsägande underhåll revolutionerar olje- och gassektorn, med ett innovativt och proaktivt förhållningssätt till anläggningsförvaltning.…
UK CMA har utfärdat en varning om Big Techs beteende på marknaden för artificiell intelligens. Där…
