Q:
Kokias verslo problemas gali išspręsti mašininis mokymasis?
A:„LeanTaaS“ programoje pagrindinis dėmesys skiriamas numatančiai analizei, optimizavimo algoritmams, mašininio mokymosi ir modeliavimo metodams, kad būtų atlaisvintas menkas turtas sveikatos sistemoje - sudėtinga problema dėl didelio sveikatos priežiūros būdingo kintamumo.
Sprendimas turi sugebėti pateikti pakankamai konkrečias rekomendacijas, kad fronto linija kiekvieną dieną galėtų priimti šimtus realių sprendimų. Darbuotojai turi būti tikri, kad aparatas pateikė šias rekomendacijas, apdorojęs didžiulį duomenų kiekį, be to, kad sužinojo apie visus paciento apimties, mišinio, gydymo, pajėgumų, personalo, įrangos ir kt. Pokyčius, kurie neišvengiamai atsirasti laikui bėgant.
Apsvarstykite sprendimą, kuriame pateikiamos intelektualios rekomendacijos planuotojams tinkamame laiko tarpsnyje, kuriame turėtų būti suplanuotas konkretus susitikimas. Mašinų mokymosi algoritmai gali palyginti iš tikrųjų užsakytų susitikimų modelius su rekomenduojamais susitikimų modeliais. Neatitikimai gali būti analizuojami automatiškai ir mastu, kad „praleidimai“ būtų klasifikuojami kaip unikalūs įvykiai, planavimo klaidos arba rodiklis, kad optimizuoti šablonai nutolsta nuo suderinimo ir todėl juos reikia atnaujinti.
Kitas pavyzdys yra dešimtys priežasčių, dėl kurių pacientai gali atvykti anksčiau, laiku ar vėlai į numatytą paskyrimą. Išgrynindami atvykimo laiko modelį, algoritmai gali nuolat „sužinoti“ punktualumo laipsnį (arba jo nebuvimą), atsižvelgiant į dienos laiką ir konkrečią savaitės dieną. Tai galima panaudoti atliekant konkrečius optimalaus paskyrimo šablono patarimus, kad jie būtų atsparūs neišvengiamiems sukrėtimams ir vėlavimams, atsirandantiems bet kurioje realaus pasaulio sistemoje, apimančioje pacientų paskyrimus.
