Tahmini okuma süresi: 6 minuti
Şirketler, iş operasyonlarıyla ilişkili giderek artan miktarda veri üretiyor; bu da kalıpları belirlemek, sonuçları tahmin etmek ve karar almayı yönlendirmek için büyük veri kümelerini analiz eden bir alan olan tahmine dayalı analitiklere olan ilginin artmasına yol açıyor. Şirketler aynı zamanda proaktif olarak tanımlanması ve azaltılması gereken karmaşık ve sürekli genişleyen bir dizi operasyonel riskle de karşı karşıyadır. Pek çok şirket pazarlama/satış fırsatlarını belirlemek için tahmine dayalı analitiği kullanmaya başlasa da, benzer stratejiler güvenlik de dahil olmak üzere risk yönetiminde daha az yaygındır.
Tahmine dayalı analitiklerin genel bir sınıfı olan sınıflandırma algoritmaları, güvenlikle ilgili inceleme ve bakım verilerine (esasen öncü göstergeler) dayalı olarak güvenlik olaylarının zamanlamasını ve konumunu tahmin ederek rafinaj ve petrokimya endüstrileri için özellikle yararlı olabilir. Bu yöntemle ilgili iki temel zorluk vardır: (1) ölçülen öncü göstergelerin aslında kazaları tahmin etmesini sağlamak ve (2) öncü göstergeleri tahmin değeri taşıyacak kadar sık ölçmek.
Düzenli olarak güncellenen denetim verileri kullanılarak lojistik regresyon kullanılarak bir model oluşturulabilir. Bu şekilde, örneğin demiryolunun her milinde demiryolu arızası olasılığını tahmin etmek için bir model oluşturabilirsiniz. Ek veriler toplandıkça olasılıklar güncellenebilir.
Tahmin edilen demiryolu arızası olasılıklarına ek olarak, aynı model ile tahmin geçerliliği daha yüksek olan değişkenleri (demiryolu arızasına önemli ölçüde katkıda bulunanlar) belirleyebiliriz. Model sonuçlarını kullanarak bakım, inceleme ve sermaye iyileştirme kaynaklarının tam olarak nereye odaklanacağını ve bu faaliyetler sırasında hangi faktörlerin ele alınacağını belirleyebileceksiniz.
Aynı metodoloji, kuruluşların aşağıdaki şartları sağlaması koşuluyla, rafineri ve petrokimya endüstrilerinde kazaları tahmin ederek ve önleyerek riskleri yönetmek için kullanılabilir:
Tahmine dayalı analitik, makine öğrenimi de dahil olmak üzere çeşitli disiplinlerin özelliklerini kapsayan geniş bir alandır.yapay zeka, istatistikler ve veri madenciliği. Tahmine dayalı analitik, büyük veri kümelerindeki kalıpları ve eğilimleri ortaya çıkarır. Tahmine dayalı analitiklerin bir türü olan sınıflandırma algoritmaları, rafinaj ve petrokimya endüstrileri için özellikle faydalı olabilir.
Sınıflandırma algoritmaları denetimli makine öğrenimi olarak sınıflandırılabilir. Denetimli öğrenmeyle kullanıcı, bilinen sonuçlarla ilişkilendirilebilecek öngörücü değişkenlerin ölçümlerini içeren bir veri kümesine sahip olur. Bu makalenin örnek olay bölümünde tartışılan modelde, yolun her bir mili için belirli bir süre boyunca çeşitli yol ölçümleri (örneğin eğrilik, geçişler) alınmıştır. Bu durumda bilinen sonuç, bu iki yıllık süre boyunca her demiryolu milinde bir hat arızasının meydana gelip gelmediğidir.
Daha sonra uygun bir modelleme algoritması seçilir ve verileri analiz etmek ve tahmine dayalı kurallar (bir model) oluşturmak için değişken ölçümler ve sonuçlar arasındaki ilişkileri tanımlamak için kullanılır. Model oluşturulduktan sonra, bilinmeyen öngörücü değişkenlerin ve sonuçların ölçümlerini içeren yeni bir veri seti verilir ve daha sonra modelin kurallarına göre sonucun olasılığını hesaplar. Bu, algoritmaların, bir veri kümesindeki kalıpları ve eğilimleri, kullanılan algoritma dışında kullanıcıdan herhangi bir özel yönlendirme olmadan tespit ettiği denetimsiz öğrenme türleriyle karşılaştırılır.
Yaygın sınıflandırma algoritmaları arasında doğrusal regresyon, lojistik regresyon, karar ağacı, sinir ağı, destek vektörü/esnek ayırma makinesi, saf Bayes sınıflandırıcısı ve daha birçokları bulunur. Doğrusal regresyonlar, bir sınıflandırma algoritmasının nasıl çalıştığına dair basit bir örnek sağlar. Doğrusal bir regresyonda, mevcut veri noktalarına dayalı olarak ay = mx + b çizgi denklemini vererek en uygun çizgi hesaplanır. Bilinen değişkenin (x) girilmesi, bilinmeyen değişken (y) için bir tahmin sağlar.
Gerçek dünyadaki değişkenler arasındaki ilişkilerin çoğu doğrusal değil, karmaşık ve düzensiz şekillidir. Bu nedenle doğrusal regresyon çoğu zaman kullanışlı değildir. Diğer sınıflandırma algoritmaları, eğrisel veya logaritmik ilişkiler gibi daha karmaşık ilişkileri modelleme yeteneğine sahiptir. Örneğin, bir lojistik regresyon algoritması karmaşık ilişkileri modelleyebilir, sayısal olmayan değişkenleri (örneğin kategoriler) dahil edebilir ve sıklıkla gerçekçi ve istatistiksel olarak geçerli modeller oluşturabilir. Lojistik regresyon modelinin tipik çıktısı, sonucun/olayın meydana gelmesinin tahmin edilen olasılığıdır. Diğer sınıflandırma algoritmaları lojistik regresyona benzer çıktılar sağlar ancak gerekli girdiler algoritmalar arasında farklıdır.
Karmaşık ilişkilerin modellenmesi, riskin tipik olarak belirli bir sonucun olasılığına ve potansiyel ciddiyetine göre önceliklendirildiği risk yönetiminde özellikle yararlıdır. Bu sonuca katkıda bulunan risk faktörlerinin modellenmesi, sonucun olasılığına ilişkin kesin ve istatistiksel olarak geçerli bir tahminle sonuçlanır. Buna karşılık, çoğu risk değerlendirmesi "olasılığı" kategorik bir ölçekte (on yılda bir, yılda bir, yılda birkaç kez) ölçer; bu daha az kesindir, daha özneldir ve riskte mevcut riskler arasında ayrım yapmayı imkansız hale getirir. aynı geniş kategori. Bir risk değerlendirmesinde potansiyel ciddiyeti ölçülebilir şekilde değerlendirmek için başka teknikler de vardır, ancak bu, bu makalenin kapsamı dışındadır.
BlogInnovazione.it
Katanya Polikliniği'nde Apple Vision Pro ticari görüntüleyici kullanılarak göz estetiği operasyonu gerçekleştirildi…
Boyama yoluyla ince motor becerilerini geliştirmek, çocukları yazma gibi daha karmaşık becerilere hazırlar. Renklendirmek…
Denizcilik sektörü, 150 milyarlık bir pazara doğru yol alan gerçek bir küresel ekonomik güçtür...
Geçen Pazartesi Financial Times, OpenAI ile bir anlaşma yaptığını duyurdu. FT, birinci sınıf gazeteciliğine lisans veriyor…
