П:
Које пословне проблеме може да реши машинско учење?
О:У ЛеанТааС, наш фокус је да се користе предиктивном аналитиком, алгоритми оптимизације, методом машинског учења и симулација како би се откључао капацитет оскудне имовине у здравственом систему - изазован проблем због велике варијабилности својствене здравственој заштити.
Решење мора бити у стању да генерише препоруке које су довољно конкретне да би фронта донијела стотине опипљивих одлука сваког дана. Особље мора имати поверења да је машина стигла до тих препорука обрадивши огромне количине података, осим што су научили од свих промена у обиму пацијента, мешавина, третмана, капацитета, особља, опреме итд., Што ће неминовно бити појављују се с временом.
Размотрите решење које планерима пружа интелигентно упутство о правом термину у којем треба заказати одређени састанак. Алгоритми машинског учења могу упоредити обрасце за термине који су заправо резервисани у односу на препоручени образац обавеза. Неподударности се могу анализирати аутоматски и на скали за класификацију „пропуста“ као јединствених догађаја, грешака планера или као показатеља да оптимизовани предлошци одлазе из поравнања и стога гарантују освежавање.
Као још један пример, постоје десетине разлога због којих пацијенти могу доћи рано, на време или касно на своје заказане термине. Ископавањем обрасца времена доласка алгоритми могу континуирано „научити“ степен тачности (или недостатка) на основу доба дана и одређеног радног дана. Оне се могу уградити у прављење одређених подешавања на оптималном обрасцу за именовање тако да буду отпорни на неизбјежне шокове и кашњења који се догађају у било којем стварном систему који укључује састанке пацијената.
