Преобразование данных о происшествиях на производстве в действенные идеи с помощью ИИ

Службы безопасности на производстве генерируют данные о происшествиях каждый год, но миллионы работников все равно получают травмы, некоторые из них со смертельным исходом. Отчеты о происшествиях, gần misses, наблюдения за опасностями и расследования записываются во всех отраслях, от производства до строительства и коммунальных услуг. Однако, несмотря на масштаб этих данных, многие организации испытывают трудности в превращении этих данных в устойчивую профилактику.

В Соединенных Штатах alone, работодатели сообщили о примерно 2,6 миллиона не смертельных травм на производстве и заболеваний в 2023 году, подчеркивая продолжающуюся необходимость более эффективных мер безопасности. Хотя долгосрочные тенденции показывают улучшение, с показателями травм существенно снижающимися с 1970-х годов, прогресс замедлился в последние годы, особенно в секторах с высоким риском.

Пробел между отчетностью и профилактикой

Многие процессы управления происшествиями предназначены для обеспечения соблюдения правил OSHA или компенсации работникам. Специалисты по безопасности и компенсации работникам завершают расследования, записывают результаты и хранят отчеты для целей аудита и соблюдения правил.

Руководители служб безопасности могут выявить коренные причины и факторы, способствующие происшествиям, но перевод этих выводов в своевременные корректирующие меры, особенно в виде целевой переобучения, может быть длительным и включать различные системы. Специалисты по безопасности могут потребовать проведения обширного анализа данных для определения закономерностей или тенденций.

Исследования показали, что предыдущие происшествия являются одними из наиболее сильных предикторов будущих травм, когда корректирующие меры задерживаются или оказываются недостаточными, подчеркивая, насколько критически важным может быть послепроисшественный период для профилактики. Инструменты ИИ могут начать изменять потоки безопасности, когда они связаны с послепроисшественными рекомендациями.

Использование ИИ для понимания нарративов происшествий в масштабе

Отчеты о происшествиях содержат ценные идеи в неструктурированном тексте: заметки следователей, заявления сотрудников и контекстные описания условий и поведения.

До недавнего времени анализ этой информации в нескольких происшествиях требовал длительного ручного обзора. Инструменты ИИ теперь могут изменить эту динамику, с моделями, способными изучать нарративные данные в масштабе, выявлять повторяющиеся закономерности, общие факторы, способствующие происшествиям, и тонкие тенденции, которые могут не быть легко видны через структурированные поля alone.

Дополнительные исследования показали, что неструктурированные нарративы безопасности часто выявляют ранние индикаторы систематического риска – такие как путаница в процедурах или повторяющиеся условия окружающей среды – задолго до того, как они появляются в агрегированных статистиках. Вместо того, чтобы заменять следователей, инструменты ИИ могут дополнить их экспертизу, выявляя сигналы, которые требуют более пристального внимания.

Службы безопасности могут использовать инструменты ИИ сразу после происшествия, чтобы:

• Интерпретировать детали происшествия – включая тяжесть, поведение и контекстные описания – для выделения соответствующих факторов, способствующих происшествиям
• Выявлять закономерности в аналогичных происшествиях, которые могут не быть очевидными на индивидуальном уровне
• Направлять следователей к корректирующим мерам, соответствующим этим выводам

Эти возможности снижают зависимость от ручного обзора и институциональной памяти, позволяя командам реагировать с большей последовательностью и скоростью.

От анализа коренных причин к немедленным действиям

Выявление коренной причины имеет значение только в том случае, если оно приводит к действию. Однако службы безопасности часто сталкиваются с знакомым препятствием после завершения расследования: какие корректирующие меры предпринять и как быстро их предпринять.

Инструменты ИИ все чаще используются для преодоления этого разрыва, анализируя характеристики происшествий – тип, тяжесть, поведение, способствующее происшествию, и контекстные факторы. Инструмент ИИ затем направляет следователей к наиболее актуальным корректирующим мерам. На практике специалисты по безопасности менее зависят от памяти, ручного поиска или общих заданий переобучения.

Использование глубокого и конкретного анализа соответствует международным стандартам управления безопасностью, таким как ISO 45001, которые подчеркивают, что корректирующие меры должны trực tiếp устранять выявленные опасности и коренные причины, а не полагаться на широкие, универсальные реакции. Сокращая расстояние между расследованием и действием, организации могут вмешаться, пока контекст еще свеж и наиболее эффективен.

Закрытие цикла между происшествиями и подотчетностью

Другой постоянной проблемой в программах безопасности является видимость после корректирующих мер, включающих обучение. Руководители служб безопасности часто испытывают трудности в ответе на基本ные вопросы, такие как: было ли обучение завершено? Было ли оно завершено вовремя? Есть ли четкая запись, соединяющая происшествие с предпринятой мерой?

Инструменты ИИ, поддерживающие потоки безопасности, все чаще подчеркивают закрытую подотчетность, гарантируя, что корректирующие меры не только рекомендуются, но и отслеживаются до завершения и документируются вместе с исходным происшествием. С точки зрения зрелости программы это позволяет организациям выйти за рамки отчетности о соблюдении правил и сосредоточиться на измеримом улучшении, включая:

• Быстрое время от расследования происшествия до корректирующей меры
• Большую последовательность в назначении и верификации переобучения
• Четкие аудиторские следы, соединяющие происшествия, меры и результаты

Руководство по регулированию от OSHA давно подчеркивает важность документации и верификации в системах управления безопасностью, особенно для эффективности обучения и готовности к аудиту.

Результаты безопасности несут этические, юридические и человеческие последствия, требующие профессиональной оценки. Эффективная реализация инструментов ИИ следует модели “человек в цикле”, где инструмент ИИ предоставляет объяснимые рекомендации и поддерживающие доказательства, а специалисты по безопасности сохраняют полную власть над решениями. Этот подход соответствует более широким рамкам управления рисками ИИ, таким как NIST AI Risk Management Framework, который подчеркивает прозрачность и подотчетность, сохраняя при этом надзор.

Когда инструменты ИИ позиционируются как поддержка решений, а не автоматизация ради самой автоматизации, они становятся более достоверными и более вероятными для принятия.

Взгляд в будущее и измерение воздействия за пределами соблюдения правил

Когда данные о происшествиях становятся более действенными, программы безопасности могут выйти за рамки лагging индикаторов, таких как показатели травм, и начать сосредотачиваться на ведущих индикаторах риска. Организации с зрелыми программами аналитики безопасности продемонстрировали меньшее количество серьезных происшествий со временем, поскольку они лучше оснащены для выявления возникающих рисков и раннего вмешательства.

Связывая происшествия напрямую с обучением, подотчетностью и измеримыми результатами, ИИ помогает службам безопасности учиться не только из происшествий, но и благодаря им.

Будущее безопасности на производстве не заключается в сборе большего количества данных. Оно заключается в более интеллектуальном использовании существующих данных. Инструменты ИИ предлагают службам безопасности способ преобразовать записи о происшествиях из статической документации в динамические инструменты профилактики, помогая организациям быстрее переходить от расследования к действию, не жертвуя человеческой оценкой. В средах, где стоимость повторяющихся происшествий высока, превращение данных о происшествиях в действительно действенные идеи может быть одним из наиболее эффективных шагов, которые руководители служб безопасности могут предпринять.