Q:
Hva slags forretningsproblemer kan maskinlæring håndtere?
EN:Hos LeanTaaS er vårt fokus å bruke prediktive analyser, optimaliseringsalgoritmer, maskinlæring og simuleringsmetoder for å låse opp kapasiteten til knappe eiendeler i et helsesystem - et utfordrende problem på grunn av den store variasjonen som ligger i helsevesenet.
Løsningen må kunne generere anbefalinger som er spesifikke nok til at frontlinjen kan ta hundrevis av håndfaste beslutninger hver dag. Personalet må ha tillit til at maskinen kom til de anbefalingene som har behandlet store datamengder i tillegg til at de har lært av alle endringene i pasientvolum, blanding, behandlinger, kapasitet, bemanning, utstyr, etc., som uunngåelig vil oppstår over tid.
Vurder en løsning som gir intelligent veiledning til planleggere på riktig tidsperiode der en bestemt avtale skal planlegges. Maskinlæringsalgoritmer kan sammenligne mønstrene for avtalene som faktisk ble bestilt kontra det anbefalte mønstermønsteret. Avvik kan analyseres automatisk og på skala for å klassifisere “missene” som enten unike hendelser, planleggerfeil eller en indikator på at de optimaliserte malene driver ut av justering og derfor garanterer en oppdatering.
Som et annet eksempel er det dusinvis av grunner til at pasienter kan ankomme tidlig, til rett tid eller sent til planlagte avtaler. Ved å utvinne mønsteret av ankomsttider, kan algoritmer kontinuerlig "lære" graden av punktlighet (eller mangel på) basert på tidspunktet på dagen og den spesifikke ukedagen. Disse kan innarbeides i å lage spesifikke justeringer på den optimale avtalsmalen slik at de er motstandsdyktige mot de uunngåelige støt og forsinkelser som oppstår i ethvert reelt system som involverer pasientavtaler.
