Zawartość
P:
Jakie problemy biznesowe może poradzić sobie z uczeniem maszynowym?
ZA:
W LeanTaaS skupiamy się na analizie predykcyjnej, algorytmach optymalizacyjnych, uczeniu maszynowym i metodach symulacji, 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, przetwarzając ogromne ilości danych, a także wyciągając wnioski ze wszystkich zmian w objętości pacjenta, mieszance, leczeniu, wydajności, personelu, sprzęcie itp., Które nieuchronnie zdarzają się z czasem.
Rozważ rozwiązanie, które zapewnia inteligentne wskazówki dla harmonogramów w odpowiednim przedziale czasowym, w którym należy zaplanować określone spotkanie. Algorytmy uczenia maszynowego mogą porównywać wzorce rzeczywiście zarezerwowanych spotkań z zalecanym wzorcem 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. Wyszukując wzór 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 konkretnych poprawek w optymalnym szablonie spotkań, tak aby były one odporne na nieuniknione wstrząsy i opóźnienia występujące w każdym rzeczywistym systemie obejmującym wizyty pacjentów.