欢迎光临
我们一直在努力
您的位置:首页>资讯 >

使用人工智能识别严重伤害和死亡的可能性

直到最近,对严重伤害和死亡可能性进行分类的最佳方法还是决策树。在每个事件之后,都会提出一系列问题。如果任何问题得到肯定回答,则该事件被视为具有 SIFp。

决策树有效,但我们发现许多组织都在努力完全实施该系统。他们也很难维持。因此,一些组织依赖一个人来做决定,这就造成了瓶颈。

对于其他组织,对决策树方法论的理解受到侵蚀,人们对他们的称呼也不一致。

最后,一些组织完全放弃了决策树方法,并要求人们简单地将事件评定为是否具有 SIFp,从而使主观性成为一个问题。

在目睹了组织在 SIFp 分类方面面临的挑战后,我们探索了人工智能如何成为一种解决方案。

案例叙述和自然语言处理

自然语言处理是计算机理解书面和口头文本的方式。自然语言处理技术已经广泛应用于我们的日常生活中,从搜索算法、拼写和语法检查软件到语言翻译。

在 DEKRA,我们专注于快速发展的 Transformer 神经网络领域。这项技术于 2018 年由 Google 的研究人员首次提供(Devlin 等人,2018 年)。我们有兴趣在我们的事件数据库上微调神经网络,以提高算法对事件数据的理解。这种方法使用事件描述来预测 SIFp。

我们发现,在适当的情况下,人工智能可以根据对案例叙述的分析对 SIFp 进行分类,从而达到可接受的准确度水平。然而,合适的情况很少见。

人工智能面临的挑战

SIF 预防计划的一个重要元素是 SIFp 事件后立即分类。需要对所有类型的情况进行分类,包括急救和未遂事故。进行这种分类需要案例叙述。

但是,我们发现一些组织只要求对医疗事故进行报告或调查。很少有组织需要对未遂事件进行调查。尽管如此,对于其他人来说,如果事件无法记录,则唯一需要提供的信息是伤害类型。

对于要训练的 AI,案例叙述必须包含有关造成漏洞的暴露信息和最少的基本事实集。例如,叙述可能会说员工从梯子上掉下来(暴露)。但是,要确定它是否具有 SIFp,我们需要知道该人是否向后跌倒、跌落的距离是否超过 4 英尺以及跌倒的位置。在我们对数以千计的事件叙述进行审查时,很少能同时捕捉到曝光和基本细节。

行话也有问题

案例叙述中缺乏细节是我们经常遇到的一个问题。另一个是行业特定的行话和拼写错误。例如:

“可以掉进 45 B 过道,差点撞到员工。”

“XD-99 击中了 XD-87,导致员工撞到了他们的头。”

“员工从卡车上跳下来时脚踝骨折了。”

“溴胺洒了,员工吸入了一些。被带到护士站。”

每个事件都有 SIFp:

该组织的“罐”是 40 英尺货柜的简写。

XD 编号代表公司对其叉车的名称。

坠落是由一大块采矿设备造成的。卡车下坡时刹车失灵,员工决定最好的行动路径是跳跃。

实际的化学物质是溴,它被吸入。

除了拼写和语法更正外,案例叙述不能在学习阶段进行调整。

Transformer 模型是一项巨大的技术进步,因为可以根据上下文调整嵌入的单词。

但是,要在算法中达到一定程度的理解,需要大量数据。

我们学到了什么?

对于拥有数千个优质案例叙述和通用术语的组织来说,开发一种可以预测 SIFp 的算法是可能的。在这两种情况下,都可以训练算法来识别导致事件和 SIFp 的暴露。

然而,为了从客观、可重复和即时的 SIFp 分类中受益,更多的组织需要将基本信息输入报告系统以创建更多数据。

在 DEKRA,我们开发了一种专家系统方法,可以立即对 SIFp 进行分类,从而使决策树方法过时,并且是迈向使用 AI 的第一步。在我们 9 月的专栏中,我们将进一步探讨这个话题。

免责声明:本网站图片,文字之类版权申明,因为网站可以由注册用户自行上传图片或文字,本网站无法鉴别所上传图片或文字的知识版权,如果侵犯,请及时通知我们,本网站将在第一时间及时删除。