K:
Millaisia yritysongelmia koneoppiminen voi käsitellä?
V:LeanTaaS: ssä painopisteemme on käyttää ennustavaa analysointia, optimointialgoritmeja, koneoppimista ja simulaatiomenetelmiä terveydenhuoltojärjestelmän niukkojen omaisuuksien vapauttamiseksi - haastava ongelma, joka johtuu terveydenhuoltoon liittyvästä suuresta vaihtelusta.
Ratkaisun on kyettävä tuottamaan riittävän tarkat suositukset, jotta etulinja voi tehdä satoja konkreettisia päätöksiä päivittäin. Henkilöstöllä on oltava luottamus siihen, että kone saapui suosituksiin käsitellessään valtavia määriä tietoja sen lisäksi, että hän on oppinut kaikista potilaan määrän, sekoituksen, hoidojen, kapasiteetin, henkilöstön, välineiden jne. Muutoksista, jotka väistämättä tapahtuu ajan myötä.
Harkitse ratkaisua, joka tarjoaa älykkäät ohjeet ajoittajille oikealla aikavälillä, johon tietty tapaaminen tulisi ajoittaa. Koneoppimisalgoritmit voivat verrata tosiasiallisesti varattujen tapaamisten malleja suhteessa suositeltuihin tapaamismalleihin. Eroavuudet voidaan analysoida automaattisesti ja mittakaavassa luokitellaksesi "puutteet" joko yksittäisiksi tapahtumiksi, aikataulutusvirheiksi tai indikaattoriksi siitä, että optimoidut mallit ovat ajautumassa linjauksesta pois ja siksi taattavat päivityksen.
Toisena esimerkkinä on kymmeniä syitä, miksi potilaat voivat saapua aikatauluun, hyvissä ajoin tai myöhässä suunnitellulle tapaamiselleen. Kaivosta saapumisaikojen mallia algoritmit voivat jatkuvasti ”oppia” täsmällisyysasteen (tai puutteen) päiväajan ja tietyn viikonpäivän perusteella. Ne voidaan sisällyttää optimaalisen tapaamismallin erityisten hienosäätelyjen tekemiseen, jotta ne kestävät väistämättömiä iskuja ja viivästyksiä, joita tapahtuu missä tahansa reaalimaailman järjestelmässä, johon potilaan tapaamiset liittyvät.
