Sadržaj
P:
Koje se poslovne probleme mogu riješiti strojnim učenjem?
A:
U LeanTaaS, naš fokus je koristiti prediktivnu analitiku, algoritme optimizacije, metode strojnog učenja i simulacije za otključavanje kapaciteta oskudne imovine u zdravstvenom sustavu - izazovan problem zbog velike varijabilnosti svojstvene zdravstvu.
Rješenje mora biti u stanju stvoriti preporuke koje su dovoljno konkretne da bi fronta donijela stotine opipljivih odluka svaki dan. Osoblje mora imati povjerenja da je stroj došao do tih preporuka obradio ogromne količine podataka, osim što je naučio iz svih promjena u količini pacijenta, mješavine, tretmana, kapaciteta, osoblja, opreme, itd., Što će neizbježno javljaju se s vremenom.
Razmislite o rješenju koje planerima pruža inteligentne smjernice o pravom vremenu u kojem treba zakazati određeni sastanak. Algoritmi strojnog učenja mogu usporediti obrasce za termine koji su zapravo rezervirani u odnosu na preporučeni obrazac obaveza. Odstupanja se mogu analizirati automatski i na ljestvici kako biste klasificirali „promašaje“ kao jedinstvene događaje, greške planera ili kao pokazatelj da optimizirani predlošci odlaze iz poravnanja i stoga opravdavaju obnavljanje.
Kao još jedan primjer, postoje deseci razloga zbog kojih pacijenti mogu doći rano, na vrijeme ili kasno na svoje zakazane sastanke. Iskopavanjem obrasca vremena dolaska algoritmi mogu kontinuirano „učiti“ stupanj točnosti (ili nedostatka) na temelju doba dana i određenog radnog dana. Oni se mogu uključiti u izradu specifičnih podešavanja na optimalnom obrascu sastanka, tako da budu otporni na neizbježne šokove i kašnjenja koji se događaju u bilo kojem stvarnom sustavu koji uključuje preglede pacijenata.