Q:
Aké druhy obchodných problémov dokáže strojové učenie zvládnuť?
A:V spoločnosti LeanTaaS sa zameriavame na používanie prediktívnej analytiky, optimalizačných algoritmov, strojového učenia a simulačných metód na odblokovanie kapacity vzácnych aktív v zdravotníctve - tento problém predstavuje výzvu kvôli vysokej variabilite spojenej so zdravotnou starostlivosťou.
Riešenie musí byť schopné generovať dostatočne konkrétne odporúčania, aby frontová línia mohla každý deň robiť stovky hmatateľných rozhodnutí. Zamestnanci musia mať istotu, že stroj prišiel k týmto odporúčaniam a spracoval veľké množstvo údajov, okrem toho, že sa poučil zo všetkých zmien v objeme pacienta, zmesi, ošetrení, kapacite, personálnom zabezpečení, vybavení atď., Ktoré sa nevyhnutne nevyhnutne vyskytujú sa v priebehu času.
Zvážte riešenie, ktoré poskytuje inteligentné vedenie plánovačom v správnom časovom úseku, v ktorom by sa malo naplánovať konkrétne stretnutie. Algoritmy strojového učenia môžu porovnávať vzory pre stretnutia, ktoré boli skutočne rezervované, a odporúčané vzory stretnutí. Nezrovnalosti je možné analyzovať automaticky a v mierke, aby sa klasifikácie „miss“ mohli klasifikovať buď ako jedinečné udalosti, chyby plánovača alebo ako indikátor toho, že optimalizované šablóny sa pohybujú mimo zarovnania, a preto si vyžadujú obnovenie.
Ďalším príkladom je desiatky dôvodov, prečo môžu pacienti prísť skôr, včas alebo neskoro na svoje naplánované stretnutia. Použitím vzoru časov príchodu sa môžu algoritmy neustále „učiť“ stupeň presnosti (alebo nedostatku) na základe denného času a konkrétneho dňa v týždni. Tieto môžu byť začlenené do tvorby konkrétnych vylepšení optimálnej šablóny vymenovania tak, aby boli odolné voči nevyhnutným šokom a oneskoreniam, ktoré sa vyskytujú v akomkoľvek systéme skutočného života, ktorý zahŕňa stretnutia pacientov.
