Thời gian đọc ước tính: 6 minuti
Các công ty đang tạo ra lượng dữ liệu liên quan đến hoạt động kinh doanh ngày càng tăng, dẫn đến mối quan tâm mới về phân tích dự đoán, một lĩnh vực phân tích các tập dữ liệu lớn để xác định mô hình, dự đoán kết quả và hướng dẫn ra quyết định. Các công ty cũng phải đối mặt với một loạt rủi ro hoạt động phức tạp và ngày càng mở rộng cần được xác định và giảm thiểu một cách chủ động. Trong khi nhiều công ty đã bắt đầu sử dụng phân tích dự đoán để xác định các cơ hội tiếp thị/bán hàng, các chiến lược tương tự ít phổ biến hơn trong quản lý rủi ro, bao gồm cả bảo mật.
Các thuật toán phân loại, một loại phân tích dự đoán chung, có thể đặc biệt hữu ích cho các ngành công nghiệp lọc dầu và hóa dầu bằng cách dự đoán thời gian và vị trí xảy ra sự cố an toàn dựa trên dữ liệu kiểm tra và bảo trì liên quan đến an toàn, về cơ bản là các chỉ số hàng đầu. Có hai thách thức chính liên quan đến phương pháp này: (1) đảm bảo rằng các chỉ số dự báo được đo lường thực sự mang tính dự đoán về các vụ va chạm và (2) đo lường các chỉ báo dự báo đủ thường xuyên để có giá trị dự đoán.
Bằng cách sử dụng dữ liệu kiểm tra được cập nhật thường xuyên, một mô hình có thể được tạo bằng phương pháp hồi quy logistic. Bằng cách này, bạn có thể tạo một mô hình chẳng hạn để dự đoán xác suất xảy ra sự cố đường sắt cho mỗi dặm đường ray. Xác suất có thể được cập nhật khi dữ liệu bổ sung được thu thập.
Ngoài xác suất dự đoán về sự cố đường sắt, với cùng một mô hình, chúng ta có thể xác định các biến có giá trị dự đoán cao hơn (những biến góp phần đáng kể vào sự cố đường sắt). Sử dụng kết quả mô hình, bạn sẽ có thể xác định chính xác nơi cần tập trung nguồn lực bảo trì, kiểm tra và cải thiện vốn cũng như những yếu tố cần giải quyết trong các hoạt động này.
Phương pháp tương tự có thể được sử dụng trong các ngành lọc hóa dầu để quản lý rủi ro bằng cách dự đoán và ngăn ngừa tai nạn, với điều kiện các tổ chức:
Phân tích dự đoán là một lĩnh vực rộng lớn bao gồm các khía cạnh của nhiều ngành khác nhau, bao gồm học máy,trí tuệ nhân tạo, thống kê và khai thác dữ liệu. Phân tích dự đoán khám phá các mô hình và xu hướng trong các tập dữ liệu lớn. Một loại phân tích dự đoán, thuật toán phân loại, có thể đặc biệt có lợi cho ngành công nghiệp lọc hóa dầu.
Các thuật toán phân loại có thể được phân loại là học máy có giám sát. Với phương pháp học có giám sát, người dùng có một tập dữ liệu bao gồm các phép đo các biến dự đoán có thể liên kết với các kết quả đã biết. Trong mô hình được thảo luận trong phần nghiên cứu điển hình của bài viết này, nhiều phép đo đường ray khác nhau (ví dụ: độ cong, điểm giao nhau) được thực hiện trong một khoảng thời gian cho mỗi dặm đường ray. Trong trường hợp này, kết quả đã biết là liệu có xảy ra sự cố đường ray trên mỗi dặm đường sắt trong khoảng thời gian hai năm đó hay không.
Sau đó, một thuật toán lập mô hình phù hợp sẽ được chọn và sử dụng để phân tích dữ liệu cũng như xác định mối quan hệ giữa các phép đo biến đổi và kết quả để tạo ra các quy tắc dự đoán (một mô hình). Sau khi được tạo, mô hình sẽ được cung cấp một tập dữ liệu mới chứa các phép đo các biến dự đoán và kết quả chưa xác định, sau đó sẽ tính toán xác suất của kết quả dựa trên các quy tắc của mô hình. Điều này được so sánh với các loại học tập không giám sát, trong đó các thuật toán phát hiện các mẫu và xu hướng trong tập dữ liệu mà không có bất kỳ hướng dẫn cụ thể nào từ người dùng, ngoài thuật toán được sử dụng.
Các thuật toán phân loại phổ biến bao gồm hồi quy tuyến tính, hồi quy logistic, cây quyết định, mạng lưới thần kinh, vectơ hỗ trợ/máy phân biệt linh hoạt, bộ phân loại Bayes ngây thơ và nhiều thuật toán khác. Hồi quy tuyến tính cung cấp một ví dụ đơn giản về cách hoạt động của thuật toán phân loại. Trong hồi quy tuyến tính, đường phù hợp nhất được tính toán dựa trên các điểm dữ liệu hiện có, đưa ra phương trình đường ay = mx + b. Nhập biến đã biết (x) sẽ cung cấp dự đoán cho biến chưa biết (y).
Hầu hết các mối quan hệ giữa các biến số trong thế giới thực không phải là tuyến tính mà phức tạp và có hình dạng không đều. Vì vậy, hồi quy tuyến tính thường không hữu ích. Các thuật toán phân loại khác có khả năng mô hình hóa các mối quan hệ phức tạp hơn, chẳng hạn như mối quan hệ đường cong hoặc logarit. Ví dụ: thuật toán hồi quy logistic có thể mô hình hóa các mối quan hệ phức tạp, có thể kết hợp các biến không phải số (ví dụ: danh mục) và thường có thể tạo ra các mô hình thực tế và có giá trị thống kê. Đầu ra điển hình của mô hình hồi quy logistic là xác suất dự đoán của kết quả/sự kiện xảy ra. Các thuật toán phân loại khác cung cấp đầu ra tương tự như hồi quy logistic, nhưng đầu vào bắt buộc giữa các thuật toán là khác nhau.
Việc lập mô hình các mối quan hệ phức tạp đặc biệt hữu ích trong quản lý rủi ro, trong đó rủi ro thường được ưu tiên dựa trên khả năng và mức độ nghiêm trọng tiềm ẩn của một kết quả cụ thể. Việc lập mô hình các yếu tố rủi ro góp phần vào kết quả đó sẽ mang lại ước tính chính xác và có giá trị thống kê về xác suất của kết quả đó. Ngược lại, nhiều đánh giá rủi ro đo lường “xác suất” theo thang phân loại (mỗi thập kỷ một lần, mỗi năm một lần, vài lần một năm), kém chính xác hơn, chủ quan hơn và khiến không thể phân biệt giữa các rủi ro có trong rủi ro. cùng một phạm trù rộng lớn. Có các kỹ thuật khác để đánh giá định lượng mức độ nghiêm trọng tiềm ẩn trong đánh giá rủi ro, nhưng điều này nằm ngoài phạm vi của bài viết này.
BlogInnovazione.it
Ngành hải quân là một cường quốc kinh tế toàn cầu thực sự, đang hướng tới thị trường 150 tỷ...
Thứ Hai tuần trước, Financial Times đã công bố một thỏa thuận với OpenAI. FT cấp phép cho hoạt động báo chí đẳng cấp thế giới…
Hàng triệu người trả tiền cho các dịch vụ phát trực tuyến, trả phí thuê bao hàng tháng. Ý kiến chung là bạn…
Coveware của Veeam sẽ tiếp tục cung cấp dịch vụ ứng phó sự cố tống tiền trên mạng. Coveware sẽ cung cấp khả năng điều tra và khắc phục…