Î:
Ce fel de probleme de afaceri pot face față învățării automate?
A:La LeanTaaS, obiectivul nostru este să utilizăm analize predictive, algoritmi de optimizare, învățare automată și metode de simulare pentru a debloca capacitatea resurselor rare într-un sistem de sănătate - o problemă provocatoare datorită variabilității mari inerente în îngrijirea sănătății.
Soluția trebuie să poată genera recomandări suficient de specifice pentru ca prima linie să poată lua sute de decizii concrete în fiecare zi. Personalul trebuie să aibă încrederea că mașina a ajuns la acele recomandări care a prelucrat cantități mari de date, pe lângă faptul că a aflat de la toate modificările în volumul pacientului, amestec, tratamente, capacitate, personal, echipament etc., care va fi inevitabil apar în timp.
Luați în considerare o soluție care oferă orientări inteligente pentru programatori pe intervalul de timp potrivit în care ar trebui programată o anumită programare. Algoritmii de învățare automată pot compara tiparele pentru programările care au fost rezervate efectiv față de modelul recomandat al programărilor. Discrepanțele pot fi analizate automat și la scară pentru a clasifica „ratările” ca fiind evenimente unice, erori de planificare sau un indicator că șabloanele optimizate sunt în derivă din aliniere și, prin urmare, justifică o actualizare.
Ca un alt exemplu, există zeci de motive pentru care pacienții pot ajunge devreme, la timp sau cu întârziere la programările programate. Prin extragerea modelului orelor de sosire, algoritmii pot „învăța” în mod continuu gradul de punctualitate (sau lipsa) în funcție de ora din zi și de ziua specifică a săptămânii. Acestea pot fi încorporate în realizarea unor modificări specifice asupra modelului de numire optim, astfel încât acestea să fie rezistente la șocurile și întârzierile inevitabile care apar în orice sistem din lumea reală care implică numiri de pacienți.
