Перетворення даних про інциденти на робочому місці у дієвій інформації за допомогою штучного інтелекту

Команди з безпеки на робочому місці генерують дані про інциденти щороку, але мільйони працівників все одно травмуються щороку, деякі з них смертельно. Звіти про інциденти, майже інциденти, спостереження за небезпеками та розслідування інцидентів реєструються в різних галузях, починаючи від виробництва і закінчуючи будівництвом та комунальними послугами. Однак багато організацій все одно борються з тим, щоб перетворити дані про інциденти у тривалу профілактику.

У Сполучених Штатах лише роботодавці повідомили про приблизно 2,6 мільйона не смертельних травм на робочому місці та захворювань у 2023 році, що підкреслює тривалу необхідність більш ефективних заходів безпеки. Хоча довгострокові тенденції показують покращення, з показниками травматизму значно знижуються з 1970-х років, прогрес сповільнився в останні роки, особливо в галузях високого ризику.

Пропуск між звітністю та профілактикою

Багато процесів управління інцидентами розроблені для забезпечення дотримання нормативних вимог OSHA або компенсації працівкам. Спеціалісти з безпеки та компенсації працівників проводять розслідування, реєструють результати та зберігають звіти для нормативних та аудиторських цілей.

Лідери з безпеки можуть визначити причини та фактори, що сприяють інцидентам, але переклад цих висновків у своєчасні корективні дії, особливо націлені на повторну підготовку, може бути тривалим процесом і вимагати різних систем. Спеціалісти з безпеки можуть потребувати проведення обширного аналізу даних для визначення закономірностей або тенденцій.

Дослідження показало, що попередні інциденти є одним з найсильніших передбачуваних факторів майбутніх травм, коли корективні дії затримуються або є недостатніми, підкреслюючи, наскільки критично може бути післяінцидентний період для профілактики. Інструменти штучного інтелекту можуть почати змінювати робочі процеси безпеки, коли вони пов’язані з післяінцидентними рекомендаціями.

Використання штучного інтелекту для розуміння інцидентних наративів у масштабі

Звіти про інциденти містять цінну інформацію в неструктурованому тексті: нотатки розслідувача, заяви працівників, контекстні описи умов та поведінки.

До недавнього часу аналіз цієї інформації за кілька інцидентів вимагав тривалого ручного перегляду. Інструменти штучного інтелекту тепер можуть змінити цю динаміку, оскільки моделі можуть аналізувати наративні дані у масштабі, визначати повторювані закономірності, спільні фактори, що сприяють інцидентам, та тонкі тенденції, які можуть не бути легко помітними через структуровані поля.

Додаткове дослідження показало, що неструктуровані наративи безпеки часто висвітлюють ранні індикатори систематичного ризику – такі як плутанина у процедурах або повторювані умови довкілля – ще до того, як вони з’являються в агрегованих статистиках. Замість заміни розслідувачів інструменти штучного інтелекту можуть доповнити їхню експертизу, висвітлюючи сигнали, які вимагають більшої уваги.

Команди з безпеки можуть використовувати інструменти штучного інтелекту негайно після інциденту для:

• Інтерпретації деталей інциденту – включаючи тяжкість, поведінку та контекстні описи – для підкреслення відповідних факторів, що сприяють інцидентам
• Визначення закономірностей серед подібних інцидентів, які можуть не бути очевидними на рівні окремого випадку
• Направлення розслідувачів до корективних дій, узгоджених з цими висновками

Ці можливості зменшують залежність від ручного перегляду та інституційної пам’яті, дозволяючи командам реагувати з більшою послідовністю та швидкістю.

Від аналізу причини до негайних дій

Визначення причини інциденту має значення лише тоді, коли воно призводить до дій. Однак команди з безпеки часто стикаються з відомим瓶нем після завершення розслідування: які корективні дії вжити та як швидко їх вжити.

Інструменти штучного інтелекту все частіше використовуються для подолання цього розриву шляхом аналізу характеристик інцидентів – типу, тяжкості, поведінки, що сприяє інцидентам, та контекстних факторів. Інструмент штучного інтелекту потім направляє розслідувачів до найбільш відповідних корективних дій. На практиці спеціалісти з безпеки менше залежать від пам’яті, ручних пошуків або загальних завдань з повторної підготовки.

Використання глибокого та конкретного аналізу узгоджується з міжнародними стандартами управління безпекою, такими як ISO 45001, які підкреслюють, що корективні дії повинні безпосередньо адресувати визначені небезпеки та причини інцидентів, а не покладатися на широкі, універсальні реакції. Зменшуючи відстань між розслідуванням та діями, організації можуть втрутитися, поки контекст ще свіжий і найбільш ефективний.

Закриття циклу між інцидентами та підзвітністю

Іншою постійною проблемою в програмах безпеки є видимість після корективних дій, пов’язаних з підготовкою. Лідери з безпеки часто борються з відповідями на базові питання, такі як: чи було завершено навчання? Чи було воно завершено вчасно? Чи є чіткий запис, що зв’язує інцидент з вжитими діями?

Інструменти штучного інтелекту для безпеки все частіше підкреслюють закритий цикл підзвітності, забезпечуючи, щоб корективні дії не тільки рекомендувалися, але й відстежувалися до завершення та документувалися поряд з первинним інцидентом. З точки зору зрілості програми це дозволяє організаціям рухатися за межі звітності про дотримання нормативних вимог та до вимірюваного покращення, включаючи:

• Швидше час від розслідування інциденту до корективних дій
• Більшу послідовність у призначенні та верифікації повторної підготовки
• Чіткіші аудиторські сліди, що зв’язують інциденти, дії та результати

Нормативна документація OSHA підкреслювала важливість документації та верифікації в системах управління безпекою, особливо для ефективності підготовки та готовності до аудиту.

Результати безпеки мають етичні, юридичні та людські наслідки, які вимагають професійної уваги. Ефективна реалізація інструментів штучного інтелекту слідує моделі “людина в циклі”, де інструмент штучного інтелекту надає пояснювані рекомендації та супровідні докази, а спеціалісти з безпеки зберігають повну владу над рішеннями. Цій підході відповідають ширші рамки управління ризиками штучного інтелекту, такі як Ністівський каркас управління ризиками штучного інтелекту, який підкреслює прозорість та підзвітність, зберігаючи нагляд.

Коли інструменти штучного інтелекту позиціонуються як інструменти підтримки рішень, а не автоматизації заради самої автоматизації, вони стають легшими для довіри та більш схильними до прийняття.

Погляд у майбутнє та вимірювання впливу за межами нормативних вимог

Когда дані про інциденти стають більш дієвими, програми безпеки можуть рухатися за межі лагуючих індикаторів, таких як показники травматизму, та почати фокусуватися на лідуючих індикаторах ризику. Організації з зрілими програмами аналізу безпеки демонстрували менше серйозних інцидентів з часом, оскільки вони краще підготовлені до виявлення нових ризиків та раннього втручання.

Зв’язуючи інциденти безпосередньо з навчанням, підзвітністю та вимірюваними результатами, штучний інтелект допомагає командам з безпеки навчатися не лише з інцидентів, а завдяки їм.

Майбутнє безпеки на робочому місці не полягає у зборі більше даних. Воно полягає у використанні існуючих даних більш інтелектуально. Інструменти штучного інтелекту пропонують командам з безпеки спосіб перетворити записи про інциденти з статичної документації у динамічні інструменти профілактики, допомагаючи організаціям рухатися швидше від розслідування до дії без жертвування людською увагою. В середовищах, де вартість повторюваних інцидентів висока, перетворення даних про інциденти у дієвої інформації може бути одним з найбільш впливаючих кроків, які лідери з безпеки можуть зробити.