Проведение исследований в университетских химических лабораториях может быть опасно. В отличие от промышленных производств, где все процессы обычно стандартизированы, в научной среде процессы постоянно модифицируются, поэтому подход к оценке рисков, используемый на предприятиях, здесь работает плохо. Недостаточно статистики для глубокой оценки риска, при этом человеческий фактор может быть очень велик.

Специалисты GSCP (Group of Chemical and Physical Safety) Института химических наук и техники разработали специальную методику для оценки риска проведения лабораторных исследований и принятия решения о необходимых мероприятиях для снижения этого риска. Нашей задачей была разработка информационной системы, которая позволит пользователю (аналитику рисков) ввести в систему все необходимые данные и провести автоматические расчеты и анализ на основе данной методики. Система получила название LARA+D (Laboratory Assessment, Risk Analysis and Decision making).

Для проведения оценки риска лабораторного исследования аналитик заполняет подробную электронную анкету. В этот опросник вносится количественная и качественная (на основании субъективных оценок аналитика как эксперта) информация о проводимом исследовании. Эта информация включает в себя:

• Оценку психо-социального климата в лаборатории
• Оценку климата безопасности в лаборатории
• Оценку рабочей среды
• Информацию об этапах исследования и используемых субстанциях
• Информацию об опасностях, связанных с каждой их используемых субстанций
• Возможные аварийные сценарии, которые рассматриваются во взаимосвязи между этапами исследований, субстанциями и их опасностями
• Набор различных факторов, которые влияют на вероятность аварийного сценария, его тяжесть и продолжительность
• Оценку последствий аварийного сценария, их тип (травмы, поломка оборудования, финансовые затраты, репутационные потери) и тяжесть

На основании введенных данных рассчитываются количественные показатели основных факторов, влияющих на оценку риска. Из этих показателей рассчитывается итоговая оценка риска проводимого исследования - RiCS (Risk Criticality Score), выраженное в 10-бальной системе (чем больше бал, тем опаснее риски исследований и тяжесть последствий возможных аварий).

Для расчета RiCS используется метод оценки риска на основе Байесовской сети.

Почему Байес

Оценка риска представляет собой значение вероятности наиболее тяжелого сценария. На вероятность такого события влияют различные факторы. Эти факторы могут влиять как напрямую, так и опосредовано - один фактор может влиять на другой фактор, тот на еще один и так далее. На один и тот же фактор, может влиять как один, так и сразу несколько других “дочерних” факторов, и все они увеличивают или уменьшают вероятность какого-то события. В итоге у нас получается достаточно сложная взаимосвязь между факторами, которые можно изобразить в виде графа.

Для расчета итоговой оценки нам нужно “пройтись” по всему графу и рассчитать взаимозависимые вероятности на каждом из узлов графа, чтобы в итоге получить итоговое значение на центральном узле. Такой метод представления вероятности события и его расчета называют Байесовской сетью, так как для оценки расчета условной вероятности на каждом шаге лежит знаменитая теорема Байеса. Байесовские сети лежат в основе множества современных алгоритмов оценки сложных вероятностных событий, систем принятия решений и искусственного интеллекта.

После того как оценка риска рассчитана, аналитик рассматривает возможности его снижения. На этом этапе аналитик вводит в программу информацию о проведении возможных мероприятий по снижению риска. Каждое из этих мероприятий может влиять на тот или иной фактор, а так же иметь свою стоимость (например, проведение дополнительного инструктажа сотрудников, или закупка специального оборудования). Программа рассчитывает новую оценку риска, с учетом использования различных наборов мероприятий по снижению риска, а также их стоимость. В итоге аналитик может видеть как снижается оценка до целевых значений и принять решение об использовании наиболее эффективных мероприятий как с точки зрения снижения риска, так и с точки зрения стоимости.

Распределение вероятности для каждого узла Байесовской сети, в зависимости от используемых наборов мероприятий по снижению риска аналитик может увидеть в одном из разделов программы - это позволяет оценить эффективность того или иного набора и силу его влияния на те или иные факторы риска.

В итоге пользователь может построить отчет в формате PDF по всему проведенному исследованию с детальной информацией.

Вся система разработана на платформе FileMaker. Работа аналитика в программе предствляет собой последовательность шагов. На каждом шаге пользователь вводит новую информацию об исследовании. Переходя с одной формы на другую, пользователь наполняет информацией данные об исследовании, пока их не станет достаточно для расчетов. FileMaker - прекрасно подходит для реализации подобных интерфейсов. Он имеет гибкие возможности создания инструментов для наглядного внесения данных.

Для отображения графиков и схем мы использовали JavaScript и компонент webviewer, который позволяет встраивать “куски” интерфейса, написанные на JavaScript, в FileMaker-приложение.

На начальном этапе некоторые сомнения вызывали вычислительные возможности FileMaker - обсчет Байесовской сети может быть довольно тяжелым с точки зрения объема вычислений. Но тестирование показало, что FileMaker прекрасно справляется с задачей, обсчитывая сеть прямо “на ходу” по мере ввода данных пользователем. Для расчетов были разработаны специальные FileMaker Custom Functions, выполняющие необходимые математические операции - получение значений кумулятивной функции нормального распределения, перемножение матриц, нормализацию векторов, генерацию таблиц условной вероятности (CPT) и др.