پڑھنے کا تخمینہ وقت: 6 منٹو
کمپنیاں کاروباری کارروائیوں سے وابستہ ڈیٹا کی مسلسل بڑھتی ہوئی مقدار پیدا کر رہی ہیں، جس کی وجہ سے پیشین گوئی کرنے والے تجزیات میں نئے سرے سے دلچسپی پیدا ہو رہی ہے، ایک ایسا شعبہ جو نمونوں کی شناخت، نتائج کی پیشن گوئی کرنے اور فیصلہ سازی کی رہنمائی کے لیے بڑے ڈیٹا سیٹوں کا تجزیہ کرتا ہے۔ کمپنیوں کو آپریشنل خطرات کی ایک پیچیدہ اور مسلسل پھیلتی ہوئی رینج کا بھی سامنا کرنا پڑتا ہے جن کی شناخت اور تخفیف کی ضرورت ہے۔ اگرچہ بہت سی کمپنیوں نے مارکیٹنگ/فروخت کے مواقع کی نشاندہی کرنے کے لیے پیشین گوئی کے تجزیات کا استعمال شروع کر دیا ہے، اسی طرح کی حکمت عملی خطرے کے انتظام میں کم عام ہے، بشمول سیکیورٹی۔
درجہ بندی الگورتھم، پیش گوئی کرنے والے تجزیات کی ایک عام کلاس، خاص طور پر اہم اشارے، حفاظت سے متعلق معائنہ اور دیکھ بھال کے ڈیٹا کی بنیاد پر حفاظتی واقعات کے وقت اور مقام کی پیشین گوئی کرتے ہوئے ریفائننگ اور پیٹرو کیمیکل صنعتوں کے لیے خاص طور پر مفید ہو سکتی ہے۔ اس طریقہ سے منسلک دو اہم چیلنجز ہیں: (1) اس بات کو یقینی بنانا کہ ماپا جانے والے اہم اشارے درحقیقت کریشوں کی پیشین گوئی کر رہے ہوں اور (2) پیشین گوئی کی قدر رکھنے کے لیے سرکردہ اشاریوں کی کثرت سے پیمائش کریں۔
باقاعدگی سے اپ ڈیٹ کردہ معائنہ کے اعداد و شمار کا استعمال کرتے ہوئے، لاجسٹک ریگریشن کا استعمال کرتے ہوئے ایک ماڈل بنایا جا سکتا ہے۔ اس طرح آپ ایک ماڈل بنا سکتے ہیں، مثال کے طور پر، ٹریک کے ہر میل کے لیے ریل کی ناکامی کے امکان کی پیش گوئی کرنے کے لیے۔ امکانات کو اپ ڈیٹ کیا جا سکتا ہے کیونکہ اضافی ڈیٹا اکٹھا کیا جاتا ہے۔
ریل کی ناکامی کے پیش گوئی شدہ امکانات کے علاوہ، اسی ماڈل کے ساتھ ہم زیادہ پیش گوئی کی درستگی کے ساتھ متغیرات کی شناخت کر سکتے ہیں (وہ جو ریل کی ناکامی میں نمایاں طور پر حصہ ڈالتے ہیں)۔ ماڈل کے نتائج کا استعمال کرتے ہوئے، آپ یہ شناخت کرنے کے قابل ہو جائیں گے کہ دیکھ بھال، معائنہ اور سرمائے میں بہتری کے وسائل پر کہاں توجہ مرکوز کرنی ہے اور ان سرگرمیوں کے دوران کن عوامل کو حل کرنا ہے۔
اسی طریقہ کار کو ریفائننگ اور پیٹرو کیمیکل صنعتوں میں حادثات کی پیش گوئی اور روک تھام کے ذریعے خطرات کا انتظام کرنے کے لیے استعمال کیا جا سکتا ہے، بشرطیکہ تنظیمیں:
پیشین گوئی کے تجزیات ایک وسیع میدان ہے جس میں مشین لرننگ سمیت مختلف شعبوں کے پہلوؤں کو شامل کیا گیا ہے،مصنوعی ذہانت، شماریات اور اعداد و شمار کوجھنا. پیشین گوئی کرنے والے تجزیات بڑے ڈیٹا سیٹس میں پیٹرن اور رجحانات سے پردہ اٹھاتے ہیں۔ ایک قسم کی پیش گوئی کرنے والے تجزیات، درجہ بندی الگورتھم، خاص طور پر ریفائننگ اور پیٹرو کیمیکل صنعتوں کے لیے فائدہ مند ہو سکتے ہیں۔
درجہ بندی الگورتھم کو زیر نگرانی مشین لرننگ کے طور پر درجہ بندی کیا جا سکتا ہے۔ زیر نگرانی سیکھنے کے ساتھ، صارف کے پاس ایک ڈیٹا سیٹ ہوتا ہے جس میں پیشین گوئی کرنے والے متغیرات کی پیمائش شامل ہوتی ہے جنہیں معلوم نتائج سے منسلک کیا جا سکتا ہے۔ اس مضمون کے کیس اسٹڈی سیکشن میں زیر بحث ماڈل میں، ٹریک کے ہر ایک میل کے وقفے کے دوران ٹریک کی مختلف پیمائشیں (مثلاً گھماؤ، کراسنگ) لی گئیں۔ معلوم نتیجہ، اس معاملے میں، یہ ہے کہ کیا اس دو سال کی مدت کے دوران ہر ریل میل پر ٹریک کی ناکامی واقع ہوئی ہے۔
اس کے بعد ایک مناسب ماڈلنگ الگورتھم کو منتخب کیا جاتا ہے اور ڈیٹا کا تجزیہ کرنے اور متغیر پیمائش اور نتائج کے درمیان تعلقات کی نشاندہی کرنے کے لیے استعمال کیا جاتا ہے تاکہ پیشن گوئی کے اصول (ایک ماڈل) بنایا جا سکے۔ ایک بار بننے کے بعد، ماڈل کو ایک نیا ڈیٹاسیٹ دیا جاتا ہے جس میں نامعلوم پیش گوئی کرنے والے متغیرات اور نتائج کی پیمائش ہوتی ہے اور پھر ماڈل کے قواعد کی بنیاد پر نتائج کے امکان کا حساب لگائے گا۔ اس کا موازنہ غیر زیر نگرانی سیکھنے کی اقسام سے کیا جاتا ہے، جہاں الگورتھم استعمال کیے گئے الگورتھم کے علاوہ صارف کی طرف سے کسی مخصوص سمت کے بغیر ڈیٹا سیٹ میں پیٹرن اور رجحانات کا پتہ لگاتے ہیں۔
عام درجہ بندی کے الگورتھم میں لکیری ریگریشن، لاجسٹک ریگریشن، ڈیسیکشن ٹری، نیورل نیٹ ورک، سپورٹ ویکٹر/لچکدار امتیازی مشین، بولی Bayes کلاسیفائر، اور بہت سے دوسرے شامل ہیں۔ لکیری رجعت ایک سادہ مثال فراہم کرتی ہے کہ درجہ بندی الگورتھم کیسے کام کرتا ہے۔ لکیری رجعت میں، موجودہ ڈیٹا پوائنٹس کی بنیاد پر ایک بہترین فٹ لائن کا حساب لگایا جاتا ہے، جس سے لائن کی مساوات ay = mx + b ہوتی ہے۔ معلوم متغیر (x) کو داخل کرنا نامعلوم متغیر (y) کے لیے پیشین گوئی فراہم کرتا ہے۔
حقیقی دنیا میں متغیرات کے درمیان زیادہ تر تعلقات لکیری نہیں ہوتے بلکہ پیچیدہ اور بے ترتیب شکل کے ہوتے ہیں۔ لہذا، لکیری رجعت اکثر مفید نہیں ہے. دوسرے درجہ بندی کے الگورتھم زیادہ پیچیدہ رشتوں کی ماڈلنگ کرنے کی صلاحیت رکھتے ہیں، جیسے منحنی خطوط یا لوگاریتھمک تعلقات۔ مثال کے طور پر، ایک لاجسٹک ریگریشن الگورتھم پیچیدہ تعلقات کا نمونہ بنا سکتا ہے، غیر عددی متغیرات (جیسے زمرے) کو شامل کر سکتا ہے، اور اکثر حقیقت پسندانہ اور شماریاتی اعتبار سے درست ماڈل بنا سکتا ہے۔ لاجسٹک ریگریشن ماڈل کا عام آؤٹ پٹ نتیجہ/واقعہ کے پیش آنے کا امکان ہے۔ دیگر درجہ بندی الگورتھم لاجسٹک ریگریشن کو اسی طرح کی پیداوار فراہم کرتے ہیں، لیکن الگورتھم کے درمیان مطلوبہ ان پٹ مختلف ہیں۔
پیچیدہ تعلقات کی ماڈلنگ خطرے کے انتظام میں خاص طور پر مفید ہے، جہاں خطرے کو عام طور پر کسی خاص نتیجہ کے امکان اور ممکنہ شدت کی بنیاد پر ترجیح دی جاتی ہے۔ خطرے کے عوامل کو ماڈلنگ کرنا جو اس نتیجے میں حصہ ڈالتے ہیں نتیجہ کے امکان کا ایک درست اور شماریاتی اعتبار سے درست تخمینہ ہوتا ہے۔ اس کے برعکس، بہت سے خطرے کے جائزے ایک واضح پیمانے پر "امکان" کی پیمائش کرتے ہیں (ایک دہائی میں ایک بار، سال میں ایک بار، سال میں کئی بار)، جو کم درست، زیادہ ساپیکش ہے، اور خطرے میں موجود خطرات کے درمیان فرق کرنا ناممکن بنا دیتا ہے۔ ایک ہی وسیع زمرہ۔ خطرے کی تشخیص میں ممکنہ شدت کا اندازہ لگانے کے لیے دوسری تکنیکیں موجود ہیں، لیکن یہ اس مضمون کے دائرہ کار سے باہر ہے۔
BlogInnovazione.it
ایپل ویژن پرو کمرشل ویور کا استعمال کرتے ہوئے ایک آنکھ کا آپریشن کیٹینیا پولی کلینک میں کیا گیا…
رنگ کاری کے ذریعے موٹر کی عمدہ مہارتوں کو تیار کرنا بچوں کو لکھنے جیسی پیچیدہ مہارتوں کے لیے تیار کرتا ہے۔ رنگنے کے لیے…
بحری شعبہ ایک حقیقی عالمی اقتصادی طاقت ہے، جس نے 150 بلین کی مارکیٹ کی طرف گامزن کیا ہے۔
گزشتہ پیر کو، Financial Times نے OpenAI کے ساتھ ایک معاہدے کا اعلان کیا۔ FT نے اپنی عالمی سطح کی صحافت کا لائسنس…
