論文の概要: Data-Driven Risk Modeling for Infrastructure Projects Using Artificial
Intelligence Techniques
- arxiv url: http://arxiv.org/abs/2311.14203v1
- Date: Thu, 23 Nov 2023 21:02:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-27 16:12:31.407192
- Title: Data-Driven Risk Modeling for Infrastructure Projects Using Artificial
Intelligence Techniques
- Title(参考訳): 人工知能を用いたインフラプロジェクトのデータ駆動リスクモデリング
- Authors: Abdolmajid Erfani
- Abstract要約: 本研究では,リスクを自動的に識別するデータ駆動型フレームワークを導入し,早期リスクレジスタの品質とリスク評価について検討する。
アメリカの主要交通計画70以上のリスクレジスターが入力データセットを構成している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Managing project risk is a key part of the successful implementation of any
large project and is widely recognized as a best practice for public agencies
to deliver infrastructures. The conventional method of identifying and
evaluating project risks involves getting input from subject matter experts at
risk workshops in the early phases of a project. As a project moves through its
life cycle, these identified risks and their assessments evolve. Some risks are
realized to become issues, some are mitigated, and some are retired as no
longer important. Despite the value provided by conventional expert-based
approaches, several challenges remain due to the time-consuming and expensive
processes involved. Moreover, limited is known about how risks evolve from
ex-ante to ex-post over time. How well does the project team identify and
evaluate risks in the initial phase compared to what happens during project
execution? Using historical data and artificial intelligence techniques, this
study addressed these limitations by introducing a data-driven framework to
identify risks automatically and to examine the quality of early risk registers
and risk assessments. Risk registers from more than 70 U.S. major
transportation projects form the input dataset.
- Abstract(参考訳): プロジェクトリスクの管理は、あらゆる大規模プロジェクトの成功の鍵となる部分であり、公共機関がインフラを提供するためのベストプラクティスとして広く認識されている。
プロジェクトのリスクを識別し評価する従来の方法は、プロジェクトの初期段階のリスクワークショップにおいて、主題の専門家からインプットを受けることを伴う。
プロジェクトがライフサイクルを進むにつれて、これらのリスクと評価が進化します。
一部のリスクは問題になり、一部は軽減され、一部はもはや重要でないとして引退する。
従来のエキスパートベースのアプローチが提供した価値にもかかわらず、時間とコストのかかるプロセスのために、いくつかの課題が残っている。
さらに、リスクが前者から前者へとどのように進化していくかは、時間とともに限られている。
プロジェクト実行中に何が起こるかと比較して、プロジェクトチームは初期段階のリスクを特定し、評価しますか?
過去のデータと人工知能技術を用いて、リスクを自動的に識別し、早期のリスクレジスタとリスク評価の品質を調べるデータ駆動型フレームワークを導入することで、これらの制限に対処した。
70以上のアメリカの主要輸送プロジェクトのリスクレジスタが入力データセットを形成する。
関連論文リスト
- The WMDP Benchmark: Measuring and Reducing Malicious Use With Unlearning [88.26832208495078]
ホワイトハウス人工知能に関する大統領令は、生物、サイバー、化学兵器の開発において悪意あるアクターに力を与える大きな言語モデル(LLM)のリスクを強調している。
現在の評価は非公開であり、リスク軽減のさらなる研究を妨げている。
Weapons of Mass Destruction Proxyベンチマークを公開しています。
論文 参考訳(メタデータ) (2024-03-05T18:59:35Z) - RiskBench: A Scenario-based Benchmark for Risk Identification [4.263035319815899]
この研究は、リスク識別、ダイナミックなトラフィック参加者と予期せぬイベントから生じるリスクを特定し分析するプロセスに焦点を当てている。
リスク識別のための大規模シナリオベースベンチマークである textbfRiskBench を紹介する。
我々は,(1)リスクの検出と発見,(2)リスクの予測,(3)意思決定の促進を行う10のアルゴリズムの能力を評価する。
論文 参考訳(メタデータ) (2023-12-04T06:21:22Z) - Risk Analysis in the Selection of Project Managers Based on ANP and FMEA [0.0]
本研究は, ANP-FMEA と組み合わせたアプローチを用いて, 土木事業におけるプロジェクトマネージャ選択のリスクを特定することを目的とする。
その結果, プロジェクトマネージャの選択において, 政治的影響の欠如, 建設経験の欠如, プロジェクトマネジメントの専門知識の欠如が最も重大なリスクであることがわかった。
論文 参考訳(メタデータ) (2023-11-06T16:08:10Z) - A Counterfactual Safety Margin Perspective on the Scoring of Autonomous
Vehicles' Riskiness [52.27309191283943]
本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。
本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
論文 参考訳(メタデータ) (2023-08-02T09:48:08Z) - Capsa: A Unified Framework for Quantifying Risk in Deep Neural Networks [142.67349734180445]
ディープニューラルネットワークにリスク認識を提供する既存のアルゴリズムは複雑でアドホックである。
ここでは、リスク認識でモデルを拡張するためのフレームワークであるcapsaを紹介します。
論文 参考訳(メタデータ) (2023-08-01T02:07:47Z) - Judge Me in Context: A Telematics-Based Driving Risk Prediction
Framework in Presence of Weak Risk Labels [1.52292571922932]
テレマティクスデータを使用して、現実世界のアプリケーションでリスク予測フレームワークを構築します。
私たちは、弱いリスクラベルを増やすために、新しいデータ駆動プロセスを採用しています。
米国の主要都市における実世界のデータをもとに,提案手法の有効性を実証した。
論文 参考訳(メタデータ) (2023-05-05T02:21:08Z) - Foveate, Attribute, and Rationalize: Towards Physically Safe and
Trustworthy AI [76.28956947107372]
包括的不安全テキストは、日常的なシナリオから生じる可能性のある特定の関心領域であり、有害なテキストを検出するのが困難である。
安全の文脈において、信頼に値する合理的な生成のために外部知識を活用する新しいフレームワークであるFARMを提案する。
実験の結果,FARMはSafeTextデータセットの最先端結果を得ることができ,安全性の分類精度が5.9%向上したことがわかった。
論文 参考訳(メタデータ) (2022-12-19T17:51:47Z) - Quantitative AI Risk Assessments: Opportunities and Challenges [9.262092738841979]
AIベースのシステムは、組織、個人、社会に価値を提供するために、ますます活用されている。
リスクは、提案された規制、訴訟、および一般的な社会的懸念につながった。
本稿では,定量的AIリスクアセスメントの概念について考察する。
論文 参考訳(メタデータ) (2022-09-13T21:47:25Z) - A Survey of Risk-Aware Multi-Armed Bandits [84.67376599822569]
我々は、様々な利害リスク対策をレビューし、その特性についてコメントする。
我々は,探索と探索のトレードオフが現れる,後悔の最小化設定のためのアルゴリズムを検討する。
今後の研究の課題と肥大化についてコメントし、締めくくりに締めくくります。
論文 参考訳(メタデータ) (2022-05-12T02:20:34Z) - Look Before You Leap! Designing a Human-Centered AI System for Change
Risk Assessment [0.5741525024018875]
変更管理は、運用にデプロイされる変更を体系的に管理し、レビューする、運用における有望なサブフィールドである。
日常的に多数の変更を手動でレビューし、それらに関連するリスクを評価することは事実上不可能である。
この問題に対処する商用ソリューションはいくつかありますが、これらのソリューションには、ドメインの知識と、ドメインの専門家からの継続的なフィードバックをリスク評価プロセスに組み込む能力がありません。
論文 参考訳(メタデータ) (2021-08-18T02:41:48Z) - Leveraging Expert Consistency to Improve Algorithmic Decision Support [89.01584399789951]
歴史的専門家の意思決定を豊富な情報源として利用することを検討します。
観察されたラベルだけで学習する制限を緩和するために活用できることを示しています。
論文 参考訳(メタデータ) (2021-01-24T05:40:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。