V:
Katere poslovne težave lahko reši strojno učenje?
A:V LeanTaaS je naš poudarek na uporabi prediktivne analitike, optimizacijskih algoritmov, strojnega učenja in simulacijskih metod za odklepanje zmogljivosti omejenih sredstev v zdravstvenem sistemu - težaven problem zaradi velike variabilnosti, ki je značilna za zdravstveno varstvo.
Rešitev mora biti sposobna ustvarjati priporočila, ki so dovolj specifična, da lahko fronta vsak dan sprejme stotine oprijemljivih odločitev. Osebje mora imeti zaupanje, da je stroj prišel do teh priporočil in obdeloval ogromne količine podatkov, poleg tega, da se je naučil vseh sprememb v pacientu, mešanice, zdravljenja, zmogljivosti, osebja, opreme itd., Kar bo neizogibno se pojavijo sčasoma.
Razmislite o rešitvi, ki načrtovalcem ponuja inteligentne napotke o pravem času, v katerem je treba določiti določen sestanek. Algoritmi za strojno učenje lahko primerjajo vzorce za sestanke, ki so bili dejansko rezervirani, in priporočeni vzorec sestankov. Neskladja je mogoče analizirati samodejno in na lestvici, da razvrstite "manjkajoče" kot edinstvene dogodke, napake načrtovalca ali kot indikator, da optimizirane predloge iztekajo iz poravnave in zato upravičujejo osvežitev.
Drugi primer je več deset razlogov, zakaj lahko bolniki pridejo zgodaj, pravočasno ali pozno na svoje načrtovane termine. Z rudarjenjem vzorca časa prihoda lahko algoritmi nenehno »spoznajo« stopnjo natančnosti (ali pomanjkanja) glede na čas dneva in določen teden. Te lahko vključimo v izdelavo določenih sprememb na optimalni predlogi za sestanek, tako da so odporni na neizogibne šoke in zamude, ki se zgodijo v katerem koli resničnem sistemu, ki vključuje bolniške sestanke.
