Deconstructing Risk Factors for Predicting Risk Assessment in Supply Chains Using Machine Learning
Notice bibliographique
Résumé
Risk management is an ongoing process that includes several stages of mapping and identification, analysis, and evaluation, planning, and implementation to reduce risks and ensure ongoing control. Risk management along the supply chains has become more significant in recent years due to an increased complexity of the relationships between components in the chain as well as various disruptions such as climate change, COVID-19, or geo-political scenarios. The current literature alongside the increase in complexity and frequency of risk events, leads us to the single, most prominent challenge in risk management today: the auditor’s subjectivity in determining the risk levels. Simply stated, two different auditors may assess a given situation differently due to their specific history and experience. Specifically, it seems to be extremely difficult to find cases in which different auditors, working on the same organization, made the same risk assessment. With that in mind, this research aims to reduce the human subjectivity bias and reach a risk evaluation that is as objective as possible, by using the machine learning approach. For this aim the paper introduces a new risk assessment framework based on factors analysis and artificial neural network as the predictive model. We first introduced a new approach of deconstructing the risk factors into their basic elements and analyzing them as a feature vector. Next, we collected unique, real-world data of risk surveys and audit reports from 60 industrial companies of various industries (from plastic and metal factories to logistic and medical devices companies). Lastly, we constructed a neural network to predict the risk levels of operational processes in the industry. We trained our model on 42 samples and managed to achieve a R2 score of 0.9 on the test set of 18 samples. Our model was validated and managed to predict the risk accuracy with R = 0.95 in accordance with the human auditor results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».