Muda uliokadiriwa wa kusoma: 6 minuti
Makampuni yanazalisha kiasi cha data kinachoongezeka kila mara kinachohusishwa na shughuli za biashara, na hivyo kusababisha shauku mpya katika uchanganuzi wa ubashiri, uga ambao huchanganua seti kubwa za data ili kubaini ruwaza, kutabiri matokeo na kuongoza maamuzi. Kampuni pia zinakabiliwa na anuwai ngumu na inayopanuka kila wakati ya hatari za kufanya kazi ambazo zinahitaji kutambuliwa kwa uangalifu na kupunguzwa. Ingawa makampuni mengi yameanza kutumia uchanganuzi wa ubashiri ili kutambua fursa za uuzaji/mauzo, mikakati kama hiyo haitumiki sana katika udhibiti wa hatari, ikijumuisha usalama.
Kanuni za uainishaji, darasa la jumla la uchanganuzi wa kubashiri, zinaweza kuwa muhimu sana kwa tasnia ya usafishaji na kemikali ya petroli kwa kutabiri muda na eneo la matukio ya usalama kulingana na data ya ukaguzi na matengenezo inayohusiana na usalama, viashiria muhimu. Kuna changamoto kuu mbili zinazohusiana na mbinu hii: (1) kuhakikisha kwamba viashirio vikuu vinavyopimwa vinatabiri matukio ya kuacha kufanya kazi na (2) kupima viashirio vinavyoongoza mara kwa mara vya kutosha ili kuwa na thamani ya ubashiri.
Kwa kutumia data ya ukaguzi iliyosasishwa mara kwa mara, modeli inaweza kuundwa kwa kutumia urekebishaji wa vifaa. Kwa njia hii unaweza kuunda mfano, kwa mfano, kutabiri uwezekano wa kushindwa kwa reli kwa kila maili ya wimbo. Uwezekano unaweza kusasishwa kadri data ya ziada inavyokusanywa.
Mbali na uwezekano uliotabiriwa wa kushindwa kwa reli, kwa mtindo huo huo tunaweza kutambua vigeuzo vilivyo na uhalali mkubwa wa utabiri (zile ambazo huchangia kwa kiasi kikubwa kushindwa kwa reli). Kwa kutumia matokeo ya kielelezo, utaweza kutambua mahali hasa pa kuzingatia matengenezo, ukaguzi na rasilimali za kuboresha mtaji na mambo gani ya kushughulikia wakati wa shughuli hizi.
Mbinu hiyo hiyo inaweza kutumika katika tasnia ya usafishaji na kemikali za petroli ili kudhibiti hatari kwa kutabiri na kuzuia ajali, mradi tu mashirika:
Uchanganuzi wa kutabiri ni uwanja mpana unaojumuisha vipengele vya taaluma mbalimbali, ikiwa ni pamoja na kujifunza kwa mashine,akili ya bandia, takwimu na uchimbaji wa data. Uchanganuzi wa ubashiri hugundua mifumo na mitindo katika seti kubwa za data. Aina moja ya uchanganuzi wa ubashiri, kanuni za uainishaji, zinaweza kuwa na manufaa hasa kwa tasnia ya usafishaji na kemikali ya petroli.
Kanuni za uainishaji zinaweza kuainishwa kama mafunzo ya mashine yanayosimamiwa. Kwa mafunzo yanayosimamiwa, mtumiaji ana mkusanyiko wa data unaojumuisha vipimo vya vibadala vinavyotabirika ambavyo vinaweza kuunganishwa na matokeo yanayojulikana. Katika kielelezo kilichojadiliwa katika sehemu ya kifani ya makala haya, vipimo mbalimbali vya wimbo (k.m. mpindano, vivuko) vilichukuliwa katika kipindi cha kila maili ya wimbo. Matokeo yanayojulikana, katika kesi hii, ni kama hitilafu ya njia ilitokea kwa kila maili ya reli katika kipindi hicho cha miaka miwili.
Algorithm ifaayo ya kielelezo huchaguliwa na kutumiwa kuchanganua data na kutambua uhusiano kati ya vipimo tofauti na matokeo ili kuunda kanuni za ubashiri (mfano). Baada ya kuunda, muundo hupewa seti mpya ya data iliyo na vipimo vya viashiria visivyojulikana na matokeo na kisha itahesabu uwezekano wa matokeo kulingana na sheria za muundo. Hii inalinganishwa na aina za mafunzo yasiyosimamiwa, ambapo algoriti hugundua ruwaza na mienendo katika mkusanyiko wa data bila mwelekeo maalum kutoka kwa mtumiaji, isipokuwa algoriti inayotumika.
Algorithms za kawaida za uainishaji ni pamoja na urejeleaji wa mstari, urejeshaji wa vifaa, mti wa uamuzi, mtandao wa neva, vekta ya usaidizi/mashine ya kibaguzi inayoweza kunyumbulika, kiainishi cha Bayes kisichojua, na vingine vingi. Rejea za mstari hutoa mfano rahisi wa jinsi kanuni ya uainishaji inavyofanya kazi. Katika urejeshaji wa mstari, mstari unaofaa zaidi huhesabiwa kulingana na vidokezo vya data vilivyopo, ikitoa equation ya mstari ay = mx + b. Kuingiza kigezo kinachojulikana (x) hutoa utabiri wa kigezo kisichojulikana (y).
Mahusiano mengi kati ya viambajengo katika ulimwengu wa kweli si ya mstari, bali ni changamano na yenye umbo lisilo la kawaida. Kwa hivyo, urejeshaji wa mstari mara nyingi sio muhimu. Kanuni zingine za uainishaji zina uwezo wa kuiga uhusiano changamano zaidi, kama vile uhusiano wa curvilinear au logarithmic. Kwa mfano, algorithm ya urejeshaji kumbukumbu inaweza kuwa mfano wa mahusiano changamano, inaweza kujumuisha viambajengo visivyo vya nambari (k.m. kategoria), na mara nyingi inaweza kuunda miundo halisi na halali ya kitakwimu. Matokeo ya kawaida ya modeli ya urejeshaji kumbukumbu ni uwezekano uliotabiriwa wa matokeo/tukio kutokea. Algorithms zingine za uainishaji hutoa matokeo sawa na urekebishaji wa vifaa, lakini pembejeo zinazohitajika ni tofauti kati ya algoriti.
Kuiga mahusiano changamano ni muhimu hasa katika udhibiti wa hatari, ambapo hatari kwa kawaida hupewa kipaumbele kulingana na uwezekano na ukali unaowezekana wa matokeo fulani. Kuiga vipengele vya hatari vinavyochangia matokeo hayo husababisha makadirio sahihi na halali ya kitakwimu ya uwezekano wa matokeo. Kinyume chake, tathmini nyingi za hatari hupima "uwezekano" kwa kiwango cha kategoria (mara moja kwa muongo, mara moja kwa mwaka, mara kadhaa kwa mwaka), ambayo sio sahihi zaidi, ya kibinafsi zaidi, na inafanya kuwa haiwezekani kutofautisha kati ya hatari zilizopo katika hatari. jamii pana sawa. Kuna mbinu zingine za kutathmini kwa umilisi ukali unaowezekana katika tathmini ya hatari, lakini hii ni nje ya upeo wa makala haya.
BlogInnovazione.it
Jumatatu iliyopita, Financial Times ilitangaza makubaliano na OpenAI. FT inatoa leseni kwa uandishi wake wa habari wa kiwango cha kimataifa…
Mamilioni ya watu hulipia huduma za utiririshaji, kulipa ada za usajili za kila mwezi. Ni maoni ya kawaida kwamba wewe…
Coveware by Veeam itaendelea kutoa huduma za kukabiliana na matukio ya ulaghai mtandaoni. Coveware itatoa uwezo wa uchunguzi na urekebishaji…
Matengenezo ya kitabiri yanaleta mapinduzi katika sekta ya mafuta na gesi, kwa mbinu bunifu na makini ya usimamizi wa mitambo.…
