Q:
Quels types de problèmes commerciaux le machine learning peut-il gérer?
UNE:Chez LeanTaaS, notre objectif est d'utiliser l'analyse prédictive, les algorithmes d'optimisation, l'apprentissage automatique et les méthodes de simulation pour libérer la capacité des actifs rares dans un système de santé - un problème difficile en raison de la grande variabilité inhérente aux soins de santé.
La solution doit être en mesure de générer des recommandations suffisamment spécifiques pour que la ligne de front puisse prendre des centaines de décisions tangibles chaque jour. Le personnel doit avoir la certitude que la machine est arrivée à ces recommandations après avoir traité de grandes quantités de données en plus d'avoir appris de tous les changements dans le volume du patient, la composition, les traitements, la capacité, le personnel, l'équipement, etc., qui seront inévitablement se produire au fil du temps.
Envisagez une solution qui fournit des conseils intelligents aux planificateurs sur le bon créneau horaire dans lequel un rendez-vous spécifique doit être planifié. Les algorithmes d'apprentissage automatique peuvent comparer les modèles des rendez-vous qui ont été effectivement réservés par rapport au modèle de rendez-vous recommandé. Les écarts peuvent être analysés automatiquement et à grande échelle pour classer les «ratés» comme des événements uniques, des erreurs de planificateur ou un indicateur que les modèles optimisés dérivent de l'alignement et justifient donc une actualisation.
Comme autre exemple, il existe des dizaines de raisons pour lesquelles les patients peuvent arriver tôt, à l'heure ou en retard à leurs rendez-vous prévus. En explorant le modèle des heures d'arrivée, les algorithmes peuvent continuellement «apprendre» le degré de ponctualité (ou d'absence) en fonction de l'heure de la journée et du jour de la semaine spécifique. Ceux-ci peuvent être incorporés pour apporter des ajustements spécifiques au modèle de rendez-vous optimal afin qu'ils résistent aux chocs et retards inévitables qui se produisent dans tout système du monde réel impliquant des rendez-vous avec des patients.
