SafetyRank: comparação de técnicas de aprendizado de máquina para classificação de alertas de segurança industriais
Resumo
Nas áreas industriais emitem-se alertas de segurança em formato digital após a ocorrência de acidentes. Neste contexto, este trabalho propõe a criação de uma base de dados de alerta de seguranças, bem como uma comparação de técnicas de aprendizado de máquina para classificação de textos. A base de dados foi elaborada pelos autores, através de coleta de documentos públicos obtidos da internet. Classificadores clássicos, KNN, SVM, Naive Bayes, Árvores de decisão e Floresta Aleatórias foram aplicados à base de dados, sendo a melhor acurácia obtida pelo SVM com 0,79% seguido da Floresta Aleatória com 0,75%. Os resultados instigam a continuação do trabalho, pois uma base de dados pública de acidentes e alertas de segurança aumentam a divulgação destas informações.
Palavras-chave:
classificação de textos, segurança industrial, aprendizado de máquina
Referências
Aggarwal, C. C. and Zhai, C. (2012). A Survey of Text Classification Algorithms, pages 163–222. Springer US, Boston, MA.
Allahyari, M., Pouriyeh, S., Assefi, M., Safaei, S., Trippe, E. D., Gutierrez, J. B., and Kochut, K. (2017). A brief survey of text mining: Classification, clustering and extraction techniques. arXiv preprint arXiv:1707.02919.
ANP (2018). Alertas de segurança. Acessado em 18 dez. 2019.
BSEE (2019). Bureau of safety and environmental enforcement. Acessado em 18 dez. 2019.
CCPS (2019). Process safety beacon. Acessado em 18 dez. 2019.
Ceravolo, I., Brasil, A. A., and Komati, K. (2019). Classifying readers with dyslexia from eye movements using machine learning and wavelets. In ENIAC 2019.
Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep learning. MIT press.
IADC (2019). International association of drilling contractors - safety alerts. Acessado em 18 dez. 2019.
IOGP (2019). International association of oil and gas producers. Acessado em 18 dez. 2019.
Jimenez, S., Gonzalez, F. A., and Gelbukh, A. (2016). Mathematical properties of soft cardinality: Enhancing jaccard, dice and cosine similarity measures with element-wise distance. Information Sciences, 367:373–389.
Kadhim, A. I. (2019). Survey on supervised machine learning techniques for automatic text classification. Artificial Intelligence Review, 52(1):273–292.
Kletz, T. A. (1993). Lessons from disaster: how organizations have no memory and accidents recur. IChemE.
Kowsari, K., Jafari Meimandi, K., Heidarysafa, M., Mendu, S., Barnes, L., and Brown, D. (2019). Text classification algorithms: A survey. Information, 10(4):150.
Lorena, A. C., Gama, J., and Faceli, K. (2000). Inteligencia Artificial. LTC, Rio de Janeiro.
Neto, W. B. d. R., Jr., J. M. P. d. M., and Souza, R. V. L. (2017). Analise de dados obtidos atraves de um sistema de telemetria automotivo utilizando k-nn. XIV Encontro Nacional de Inteligencia Artificial e Computacional, pages 960–971.
NOPSEMA (2019). National offshore petroleum safety and environmental management authority. Acessado em 18 dez. 2019.
Pal, M. (2008). Multiclass approaches for support vector machine based land cover classification. arXiv preprint arXiv:0802.2411.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12.
Petrobras (2018). Sustentabilidade 2018. Acessado em 18 dez. 2019.
Rasmussen, C. E. (2003). Gaussian processes in machine learning. In Summer School on Machine Learning, pages 63–71. Springer
Rodrigues, D. S. et al. (2018). A comparative analysis of loan requests classification algorithms in a peer-to-peer lending platform. In Proceedings of the XIV Brazilian Symposium on Information Systems, page 42. ACM.
SmartLab (2019). Observatorio de segurança e saúde no trabalho. Acessado em 18 dez. 2019.
Sun, A., Lim, E.-P., and Liu, Y. (2009). On strategies for imbalanced text classification using svm: A comparative study. Decision Support Systems, 48(1):191–201.
USCG (2019). United states coast guard - safety alerts. Acessado em 18 dez. 2019.
Zhai, C. and Massung, S. (2016). Text data management and analysis: a practical introduction to information retrieval and text mining. Morgan & Claypool.
Allahyari, M., Pouriyeh, S., Assefi, M., Safaei, S., Trippe, E. D., Gutierrez, J. B., and Kochut, K. (2017). A brief survey of text mining: Classification, clustering and extraction techniques. arXiv preprint arXiv:1707.02919.
ANP (2018). Alertas de segurança. Acessado em 18 dez. 2019.
BSEE (2019). Bureau of safety and environmental enforcement. Acessado em 18 dez. 2019.
CCPS (2019). Process safety beacon. Acessado em 18 dez. 2019.
Ceravolo, I., Brasil, A. A., and Komati, K. (2019). Classifying readers with dyslexia from eye movements using machine learning and wavelets. In ENIAC 2019.
Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep learning. MIT press.
IADC (2019). International association of drilling contractors - safety alerts. Acessado em 18 dez. 2019.
IOGP (2019). International association of oil and gas producers. Acessado em 18 dez. 2019.
Jimenez, S., Gonzalez, F. A., and Gelbukh, A. (2016). Mathematical properties of soft cardinality: Enhancing jaccard, dice and cosine similarity measures with element-wise distance. Information Sciences, 367:373–389.
Kadhim, A. I. (2019). Survey on supervised machine learning techniques for automatic text classification. Artificial Intelligence Review, 52(1):273–292.
Kletz, T. A. (1993). Lessons from disaster: how organizations have no memory and accidents recur. IChemE.
Kowsari, K., Jafari Meimandi, K., Heidarysafa, M., Mendu, S., Barnes, L., and Brown, D. (2019). Text classification algorithms: A survey. Information, 10(4):150.
Lorena, A. C., Gama, J., and Faceli, K. (2000). Inteligencia Artificial. LTC, Rio de Janeiro.
Neto, W. B. d. R., Jr., J. M. P. d. M., and Souza, R. V. L. (2017). Analise de dados obtidos atraves de um sistema de telemetria automotivo utilizando k-nn. XIV Encontro Nacional de Inteligencia Artificial e Computacional, pages 960–971.
NOPSEMA (2019). National offshore petroleum safety and environmental management authority. Acessado em 18 dez. 2019.
Pal, M. (2008). Multiclass approaches for support vector machine based land cover classification. arXiv preprint arXiv:0802.2411.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12.
Petrobras (2018). Sustentabilidade 2018. Acessado em 18 dez. 2019.
Rasmussen, C. E. (2003). Gaussian processes in machine learning. In Summer School on Machine Learning, pages 63–71. Springer
Rodrigues, D. S. et al. (2018). A comparative analysis of loan requests classification algorithms in a peer-to-peer lending platform. In Proceedings of the XIV Brazilian Symposium on Information Systems, page 42. ACM.
SmartLab (2019). Observatorio de segurança e saúde no trabalho. Acessado em 18 dez. 2019.
Sun, A., Lim, E.-P., and Liu, Y. (2009). On strategies for imbalanced text classification using svm: A comparative study. Decision Support Systems, 48(1):191–201.
USCG (2019). United states coast guard - safety alerts. Acessado em 18 dez. 2019.
Zhai, C. and Massung, S. (2016). Text data management and analysis: a practical introduction to information retrieval and text mining. Morgan & Claypool.
Publicado
30/06/2020
Como Citar
FERNANDES JUNIOR, Wander; KOMATI, Karin; GAZOLLI, Kelly.
SafetyRank: comparação de técnicas de aprendizado de máquina para classificação de alertas de segurança industriais. In: ENCONTRO NACIONAL DE COMPUTAÇÃO DOS INSTITUTOS FEDERAIS (ENCOMPIF), 7. , 2020, Evento Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 37-44.
ISSN 2763-8766.
DOI: https://doi.org/10.5753/encompif.2020.11066.
