Obsah
Q:
Jaké druhy obchodních problémů dokáže strojové učení zvládnout?
A:
Ve společnosti LeanTaaS se zaměřujeme na použití prediktivní analýzy, optimalizačních algoritmů, strojového učení a simulačních metod k uvolnění kapacity vzácných aktiv ve zdravotnickém systému - náročný problém kvůli vysoké variabilitě spojené se zdravotní péčí.
Řešení musí být schopno generovat doporučení, která jsou dostatečně konkrétní, aby přední linie mohla každý den dělat stovky hmatatelných rozhodnutí. Personál musí mít jistotu, že stroj dospěl k těm doporučením, která zpracovali obrovské množství údajů a kromě toho se poučili ze všech změn v objemu pacienta, mixu, ošetření, kapacitě, personálu, vybavení atd., Které nevyhnutelně nevyhnutelně dochází v průběhu času.
Zvažte řešení, které poskytuje inteligentní vedení plánovačům ve správném časovém úseku, ve kterém by mělo být naplánováno konkrétní jmenování. Algoritmy strojového učení mohou porovnávat vzorce pro schůzky, které byly skutečně rezervovány, a doporučené vzorce schůzek. Nesrovnalosti lze analyzovat automaticky a v měřítku a klasifikovat tak „chybí“ jako jedinečné události, chyby plánovače nebo jako indikátor toho, že se optimalizované šablony pohybují mimo zarovnání, a proto vyžadují aktualizaci.
Jako další příklad existují desítky důvodů, proč mohou pacienti dorazit včas, včas nebo pozdě do svého naplánovaného termínu. Pomocí dolování vzoru časů příjezdu se mohou algoritmy průběžně „učit“ stupeň přesnosti (nebo nedostatku) na základě denní doby a konkrétního pracovního dne. Ty mohou být začleněny do vytváření konkrétních vylepšení optimální šablony jmenování tak, aby byly odolné vůči nevyhnutelným šokům a zpožděním, ke kterým dochází v jakémkoli skutečném systému zahrnujícím jmenování pacientů.