Зміст
Q:
З якими проблемами у бізнесі може впоратися машинне навчання?
A:
У LeanTaaS наша мета полягає у використанні прогнозної аналітики, алгоритмів оптимізації, машинного навчання та методів моделювання, щоб розблокувати потужність дефіцитних активів у системі охорони здоров’я - складна проблема через велику мінливість, властиву охороні здоров'я.
Рішення повинно бути здатне генерувати рекомендації, які є достатньо конкретними для того, щоб фронт щодня приймав сотні відчутних рішень. Персонал повинен бути впевнений, що машина прийшла до цих рекомендацій, обробивши величезну кількість даних, крім того, що дізналася про всі зміни в обсязі пацієнтів, суміші, способах лікування, можливостях, комплектуванні, обладнанні тощо, що неминуче виникають з часом.
Розглянемо рішення, яке надає інтелектуальні вказівки для планувальників щодо потрібного проміжку часу, в якому слід запланувати конкретну зустріч. Алгоритми машинного навчання можуть порівнювати шаблони зустрічей, які були фактично заброньовані, порівняно з рекомендованою схемою зустрічей. Розбіжності можна проаналізувати автоматично та масштабно, щоб класифікувати «промахи» як унікальні події, помилки планувальника або як показник того, що оптимізовані шаблони виходять із вирівнювання і тому вимагають оновлення.
Як інший приклад, є десятки причин, через які пацієнти можуть приїхати рано, вчасно або пізно, щоб запланувати свої призначення. Виконуючи схему часу прибуття, алгоритми можуть постійно «дізнаватися» ступінь пунктуальності (або відсутність) залежно від часу дня та конкретного тижня дня. Вони можуть бути включені до створення конкретних налаштувань на оптимальному шаблоні призначення, щоб вони були стійкими до неминучих потрясінь та затримок, які виникають у будь-якій системі реального світу, що передбачає призначення пацієнтів.