P:
Jakie problemy biznesowe może poradzić sobie z uczeniem maszynowym?
ZA:W LeanTaaS skupiamy się na analizie predykcyjnej, algorytmach optymalizacyjnych, uczeniu maszynowym i metodach symulacyjnych, aby odblokować zdolność ograniczonych zasobów w systemie opieki zdrowotnej - trudny problem ze względu na dużą zmienność związaną z opieką zdrowotną.
Rozwiązanie musi być w stanie wygenerować rekomendacje, które są wystarczająco szczegółowe, aby linia frontu mogła podejmować setki konkretnych decyzji każdego dnia. Personel musi mieć pewność, że maszyna dotarła do tych zaleceń po przetworzeniu ogromnej ilości danych, oprócz wyciągnięcia wniosków ze wszystkich zmian w objętości pacjenta, mieszance, leczeniu, wydajności, obsadzie personelu, sprzęcie itp., Które nieuchronnie zdarzają się z czasem.
Rozważ rozwiązanie, które zapewnia inteligentne wskazówki dla planistów w odpowiednim przedziale czasowym, w którym należy zaplanować określone spotkanie. Algorytmy uczenia maszynowego mogą porównywać wzorce spotkań, które zostały faktycznie zarezerwowane, z zalecanymi wzorcami spotkań. Rozbieżności można analizować automatycznie i na dużą skalę, aby sklasyfikować „chybienia” jako niepowtarzalne zdarzenia, błędy harmonogramu lub wskaźnik, że zoptymalizowane szablony odchodzą od wyrównania, a zatem gwarantują odświeżenie.
Innym przykładem jest dziesiątki powodów, dla których pacjenci mogą przybyć wcześniej, na czas lub późno na umówione spotkanie. Poprzez wyszukiwanie wzoru czasów przybycia algorytmy mogą stale „uczyć się” stopnia punktualności (lub jej braku) na podstawie pory dnia i określonego dnia tygodnia. Można je włączyć w dokonywanie określonych poprawek w optymalnym szablonie spotkań, aby były one odporne na nieuniknione wstrząsy i opóźnienia występujące w każdym rzeczywistym systemie obejmującym wizyty pacjentów.
