תוֹכֶן
ש:
באילו סוגים של בעיות עסקיות יכול למידת מכונה להתמודד?
ת:
ב- LeanTaaS, המוקד שלנו הוא להשתמש בניתוח חיזוי, אלגוריתמים לאופטימיזציה, למידת מכונות ושיטות סימולציה כדי לפתוח את יכולתם של נכסים נדירים במערכת בריאות - בעיה מאתגרת בגלל השונות הגבוהה הטמונה בבריאות.
הפתרון צריך להיות מסוגל לייצר המלצות ספציפיות מספיק כדי שהקו הקדמי יקבל מאות החלטות מוחשיות בכל יום. על הצוות להיות סמוך ובטוח שהמכונה הגיעה להמלצות אלו שעיבדה כמויות עצומות של נתונים בנוסף על כך שלמדה מכל השינויים בנפח המטופל, התמהיל, הטיפולים, הקיבולת, האיוש, הציוד וכו ', זה בהכרח. מתרחשים לאורך זמן.
שקול פיתרון המספק הדרכה חכמה למתזמנים שבמשך הזמן הנכון בו יש לתאם פגישה ספציפית. אלגוריתמים של למידת מכונה יכולים להשוות בין התבניות לפגישות שהוזמנו בפועל לעומת דפוס הפגישות המומלץ. ניתן לנתח פערים באופן אוטומטי ובסולם כדי לסווג את "החמצות" כאירועים יחודיים, שגיאות מתזמן או אינדיקטור לכך שהתבניות האופטימיזציה נסחרות מהיישור ולכן מצדיקות רענון.
כדוגמה נוספת, יש עשרות סיבות לכך שחולים עשויים להגיע מוקדם, בזמן או מאוחר לקביעתם. על ידי כריית דפוס זמני ההגעה, האלגוריתמים יכולים "ללמוד" ברציפות את מידת הדייקנות (או היעדר) בהתבסס על זמן היום ויום השבוע הספציפי. ניתן לשלב אותם ביצירת ציוצים ספציפיים בתבנית הפגישה האופטימלית כך שהם יהיו עמידים בפני הזעזועים והעיכובים הבלתי נמנעים המתרחשים בכל מערכת בעולם האמיתי הכרוכה בפגישות מטופלים.