| Metoda i źródło | Opis | Narzędzie wspierające | Zastosowanie | Zalety | Wady |
|---|---|---|---|---|---|
| Bayesian Networks [1], [5] | Jest to model graficzny ilustrujący związki przyczynowe między kluczowymi czynnikami (przyczynami) a jednym lub większą liczbą zdarzeń wynikowych (między symptomami a chorobą). Określa czynniki, które mogą wpłynąć na zdarzenie; ilustruje związek między różnymi czynnikami wpływającymi na ryzyko; oblicza prawdopodobieństwo wystąpienia zdarzenia. | Analiza sieci bayesowskiej jest kompleksową metodą, która może być wykorzystana do wielu różnych celów. W ostatnich latach wykorzystanie teorii i sieci Bayesa stało się powszechne częściowo ze względu na ich intuicyjność, a także ze względu na dostępność narzędzi komputerowych.Wykorzystywane do modelowania założeń, stawianych tez w wielu dziedzinach, np. medycynie, biologii obliczeniowej, bioinformatyce, w przetwarzaniu obrazów, inżynierii. | Prowadzona na wykresie z intuicyjną interpretacją; może zastąpić analizę drzewa błędów w ramach analizy ryzyka; jest bardziej elastyczna niż analiza drzewa błędów; może zawierać informacje ilościowe i jakościowe. | Wymaga użycia programu komputerowego nawet w bardzo małych systemach; obciążenie obliczeniowe systemu rośnie niemal wykładniczo wraz z liczbą węzłów. |
Bayesian networks
Metodę przedstawił Charniak (1991) oraz Kjaerlff i Madsen (2008). Sieć bayesowska to sieć probabilistyczna do modelowania relacji przyczyna-skutek (“Risk and Interdependencies in Critical Infrastructures. A Guideline for Analysis” [2]). Kierunek zależności określa hierachię między węzłami sieci. Sieć bayesowska jest modelem graficznym przedstawiającym związek przyczynowo-skutkowy pomiędzy jednym wieloma elementami sieci (wynikami w systemie) [5]. Sieć składa się z węzłów i strzałek. Węzeł opisuje stan lub warunek, a łuk symbolizuje bezpośredni wpływ. Elementom sieci można przypisać wartości prawdopodobieństwa i na tej podstawie wyliczyć końcowe prawdopodobieństwo dla wystąpienia zdarzenia (podobnie jak przy analizie drzewa błędów – FTA). Sieci te są bardziej elastyczne niż analiza drzewa błędów i mogą zastąpić je w analizie ryzyka. Sieć bayesowska jest czasami nazywana „siecią wierzeń Bayesa” (“Bayesian belief network”), „siecią przyczynową” (“causal network”) lub „siecią przekonań” (“belief network”).
Jest to kompleksowa metoda, która może być wykorzystana do wielu różnych celów, i wymaga pewnego doświadczenia (szkolenia). Sieci bayesowskie są stosowane w wielu dziedzinach, takich jak: diagnoza medyczna, modelowanie obrazu, genetyka, ekonomia, statystyka, uczenie maszynowe, sztuczna inteligencja, wyszukiwarki internetowe oraz analizy ryzyka i niezawodności. Metoda została szeroko opisana w literaturze (książkach, artykułach, poradnikach i wytycznych).
Cele metody obejmują [5]:
• Identyfikację wszystkich czynników ryzyka (RIF), które prowadzą do zdarzenia krytycznego (niebezpieczne zdarzenie lub wypadek) – można stosować czynniki techniczne, ludzkie, organizacyjne, środowiskowe i regulacyjne (prawne);
• Graficzne przedstawienie w sieci relacji między czynnikami mającymi wpływ na ryzyko;
• Obliczanie wartości prawdopodobieństwa zdarzenia;
• Identyfikację najważniejszych czynników mających wpływ na prawdopodobieństwo wystąpienia zdarzenia.
Podstawowe zalety metody [5]:
• Tworzy graficzny obraz związków między czynnikami ryzyka, który jest łatwy do zinterpretowania;
• Bazuje na matematycznej teorii (obliczeniach matematycznych);
• Może zastąpić analizę drzewa błędów (FTA) w ramach analizy ryzyka;
• Jest bardziej elastyczna niż FTA;
• Może zawierać informacje ilościowe i jakościowe;
• Może być dostosowana w miarę zdobywania nowych informacji.
Metoda ma również swoje ograniczenia. Metoda ma zastosowanie tylko do dwóch etapów oceny ryzyka: analiza skutków i ocena ryzyka (tabela A.1 w ISO / IEC 31010: 2009 [1]). Złożoność analizy jest dość duża [2] i wymaga dużego nakładu zasobów (pod względem czasu i poziomu wiedzy specjalistycznej, wymaganych danych i kosztów) (zob. Tabela A.2 w [1]). Złożoność analizowanego problemu (liczba węzłów), ma duży wpływ na nakład wymaganej pracy, który rośnie wraz z liczbą węzłów. Metoda wymaga najczęściej użycia narzędzia komputerowego (np. GeniE w tabeli narzędzi poniżej) nawet w przypadku małych systemów.
