Predictive analysis sa pag-iwas sa aksidente sa isang komplikadong sistema

Maaaring suportahan ng predictive analytics ang pamamahala sa panganib sa pamamagitan ng pagtukoy kung saan ang mga pagkabigo ay malamang na mangyari at kung ano ang maaaring gawin upang maiwasan ang mga ito.

Tinatayang oras ng pagbabasa: 6 minuto

Context

Ang mga kumpanya ay bumubuo ng patuloy na dumaraming data na nauugnay sa mga pagpapatakbo ng negosyo, na humahantong sa panibagong interes sa predictive analytics, isang field na nagsusuri ng malalaking set ng data upang matukoy ang mga pattern, hulaan ang mga resulta at gabayan ang paggawa ng desisyon. Nahaharap din ang mga kumpanya sa masalimuot at patuloy na lumalawak na hanay ng mga panganib sa pagpapatakbo na kailangang maagap na matukoy at mapagaan. Bagama't maraming kumpanya ang nagsimulang gumamit ng predictive analytics upang matukoy ang mga pagkakataon sa marketing/benta, hindi gaanong karaniwan ang mga katulad na diskarte sa pamamahala ng panganib, kabilang ang seguridad.

Ang mga algorithm ng pag-uuri, isang pangkalahatang klase ng predictive analytics, ay maaaring maging partikular na kapaki-pakinabang para sa mga industriya ng pagpino at petrochemical sa pamamagitan ng paghula sa tiyempo at lokasyon ng mga insidente sa kaligtasan batay sa data ng inspeksyon at pagpapanatili na nauugnay sa kaligtasan, na pangunahing mga pangunahing tagapagpahiwatig. Mayroong dalawang pangunahing hamon na nauugnay sa pamamaraang ito: (1) pagtiyak na ang nasusukat na nangungunang mga tagapagpahiwatig ay aktwal na predictive ng mga pag-crash at (2) pagsukat ng mga nangungunang tagapagpahiwatig ng madalas na sapat upang magkaroon ng predictive na halaga.

pamamaraan

Gamit ang regular na na-update na data ng inspeksyon, maaaring gumawa ng modelo gamit ang logistic regression. Sa ganitong paraan maaari kang lumikha ng isang modelo, halimbawa, upang mahulaan ang posibilidad ng pagkabigo ng riles para sa bawat milya ng track. Maaaring ma-update ang mga probabilidad habang nakolekta ang karagdagang data.

Bilang karagdagan sa mga hinulaang probabilidad ng rail failure, sa parehong modelo ay matutukoy natin ang mga variable na may higit na predictive validity (yaong mga makabuluhang nag-aambag sa rail failure). Gamit ang mga resulta ng modelo, matutukoy mo nang eksakto kung saan itutuon ang mga mapagkukunan sa pagpapanatili, inspeksyon at pagpapahusay ng kapital at kung anong mga salik ang dapat tugunan sa mga aktibidad na ito.

Ang parehong pamamaraan ay maaaring gamitin sa mga industriya ng pagdadalisay at petrochemical upang pamahalaan ang mga panganib sa pamamagitan ng paghula at pagpigil sa mga aksidente, sa kondisyon na ang mga organisasyon ay:

• Kilalanin ang mga nangungunang tagapagpahiwatig na may predictive validity;
• Regular nilang sinusukat ang mga nangungunang tagapagpahiwatig (inspeksyon, pagpapanatili at data ng kagamitan);
• Lumilikha sila ng modelong predictive system batay sa mga nasusukat na indicator;
• I-update ang modelo habang kinokolekta ang data;
• Gamitin ang mga natuklasan upang bigyang-priyoridad ang pagpapanatili, mga inspeksyon at mga proyekto sa pagpapahusay ng kapital at suriin ang mga proseso/gawi sa pagpapatakbo;

Mahuhulaang Pagsusuri

Ang predictive analytics ay isang malawak na larangan na sumasaklaw sa mga aspeto ng iba't ibang disiplina, kabilang ang machine learning,artipisyal na katalinuhan, mga istatistika at data mining. Ang predictive analytics ay nagbubunyag ng mga pattern at trend sa malalaking set ng data. Ang isang uri ng predictive analytics, mga algorithm ng pag-uuri, ay maaaring maging partikular na kapaki-pakinabang sa mga industriya ng pagpino at petrochemical.

Maaaring uriin ang mga algorithm ng pag-uuri bilang pinangangasiwaang machine learning. Sa pinangangasiwaang pag-aaral, ang user ay may dataset na kinabibilangan ng mga sukat ng predictive variable na maaaring i-link sa mga kilalang resulta. Sa modelong tinalakay sa seksyon ng case study ng artikulong ito, ang iba't ibang sukat ng track (hal. curvature, crossings) ay kinuha sa loob ng isang yugto para sa bawat milya ng track. Ang alam na resulta, sa kasong ito, ay kung ang isang track failure ay naganap sa bawat milya ng tren sa loob ng dalawang taong iyon.

Algorithm ng Pagmomodelo

Ang isang naaangkop na algorithm sa pagmomodelo ay pipiliin at ginagamit upang suriin ang data at tukuyin ang mga ugnayan sa pagitan ng mga variable na sukat at mga resulta upang lumikha ng mga predictive na panuntunan (isang modelo). Kapag nagawa na, bibigyan ang modelo ng bagong dataset na naglalaman ng mga sukat ng hindi kilalang mga variable at resulta ng predictor at pagkatapos ay kakalkulahin ang posibilidad ng resulta batay sa mga panuntunan ng modelo. Inihahambing ito sa mga uri ng hindi pinangangasiwaang pag-aaral, kung saan nakakakita ang mga algorithm ng mga pattern at trend sa isang dataset nang walang anumang partikular na direksyon mula sa user, maliban sa ginamit na algorithm.

Kasama sa mga karaniwang algorithm ng pag-uuri ang linear regression, logistic regression, decision tree, neural network, support vector/flexible discriminant machine, naive Bayes classifier, at marami pang iba. Ang mga linear regression ay nagbibigay ng isang simpleng halimbawa kung paano gumagana ang isang algorithm ng pag-uuri. Sa isang linear regression, kinakalkula ang isang best fit line batay sa mga umiiral nang data point, na nagbibigay ng line equation ay = mx + b. Ang paglalagay ng kilalang variable (x) ay nagbibigay ng hula para sa hindi kilalang variable (y).

Karamihan sa mga ugnayan sa pagitan ng mga variable sa totoong mundo ay hindi linear, ngunit kumplikado at hindi regular ang hugis. Samakatuwid, madalas na hindi kapaki-pakinabang ang linear regression. Ang iba pang mga algorithm ng pag-uuri ay may kakayahang magmodelo ng mas kumplikadong mga relasyon, tulad ng mga curvilinear o logarithmic na relasyon. Halimbawa, ang isang logistic regression algorithm ay maaaring magmodelo ng mga kumplikadong relasyon, maaaring magsama ng mga non-numeric na variable (hal., mga kategorya), at kadalasan ay maaaring lumikha ng makatotohanan at wastong istatistikal na mga modelo. Ang karaniwang output ng isang logistic regression model ay ang hinulaang probabilidad ng resulta/pangyayari na magaganap. Ang iba pang mga algorithm ng pag-uuri ay nagbibigay ng katulad na output sa logistic regression, ngunit ang mga kinakailangang input ay naiiba sa pagitan ng mga algorithm.

Pamamahala sa peligro

Ang pagmomodelo ng mga kumplikadong relasyon ay partikular na kapaki-pakinabang sa pamamahala ng peligro, kung saan ang panganib ay karaniwang inuuna batay sa posibilidad at potensyal na kalubhaan ng isang partikular na resulta. Ang pagmomodelo sa mga salik ng panganib na nag-aambag sa resultang iyon ay nagreresulta sa isang tumpak at wastong istatistikal na pagtatantya ng posibilidad ng resulta. Sa kabaligtaran, maraming mga pagtatasa ng panganib ang sumusukat sa "probability" sa isang kategoryang sukat (isang beses sa isang dekada, isang beses sa isang taon, ilang beses sa isang taon), na hindi gaanong tumpak, mas subjective, at ginagawang imposibleng makilala sa pagitan ng mga panganib na nasa panganib. parehong malawak na kategorya. Mayroong iba pang mga diskarte para sa quantifiably pagtatasa ng potensyal na kalubhaan sa isang pagtatasa ng panganib, ngunit ito ay lampas sa saklaw ng artikulong ito.

Mga Kaugnay na Pagbasa

• Ano ang Predictive Analytics, at bakit ito mahalaga sa negosyo
• Pag-uuri ng Mga Algoritma sa Pag-aaral ng Machine: Linear Regression, Classification at Clustering
• pinapabilis ang pag-digitize sa aerospace, depensa at seguridad. Genoa Pole ng pambansang kakayahan sa industriya
• Ipinanganak si Spondee, ang unang startup na, salamat sa isang algorithm, kinakalkula at nag-aalok ng kumpletong mga garantiya ng breakdown para sa mga may-ari ng ginamit na kotse
• Halimbawa ng Machine Learning na may Python: Multiple Linear Regression

BlogInnovazione.it