Τι είδους επιχειρησιακά προβλήματα μπορεί να χειριστεί η μάθηση της μάθησης;

Συγγραφέας: Roger Morrison
Ημερομηνία Δημιουργίας: 1 Σεπτέμβριος 2021
Ημερομηνία Ενημέρωσης: 21 Ιούνιος 2024
Anonim
Τι είδους επιχειρησιακά προβλήματα μπορεί να χειριστεί η μάθηση της μάθησης; - Τεχνολογία
Τι είδους επιχειρησιακά προβλήματα μπορεί να χειριστεί η μάθηση της μάθησης; - Τεχνολογία

Περιεχόμενο

Ερ:

Τι είδους επιχειρησιακά προβλήματα μπορεί να χειριστεί η μάθηση της μάθησης;


ΕΝΑ:

Στο LeanTaaS, η εστίασή μας είναι να χρησιμοποιούμε προγνωστικά, αλγόριθμους βελτιστοποίησης, μεθόδους μηχανικής μάθησης και προσομοίωσης για να ξεκλειδώσετε την ικανότητα των σπάνιων περιουσιακών στοιχείων σε ένα σύστημα υγείας - ένα δύσκολο πρόβλημα λόγω της μεγάλης ποικιλότητας που είναι εγγενής στην υγειονομική περίθαλψη.

Η λύση πρέπει να είναι σε θέση να παράγει συστάσεις που είναι αρκετά συγκεκριμένες ώστε η πρώτη γραμμή να κάνει εκατοντάδες απτές αποφάσεις κάθε μέρα. Το προσωπικό πρέπει να έχει την πεποίθηση ότι το μηχάνημα έφτασε σε αυτές τις συστάσεις έχοντας επεξεργαστεί τεράστιες ποσότητες δεδομένων πέρα ​​από το γεγονός ότι έχει μάθει από όλες τις αλλαγές στον όγκο του ασθενούς, το μείγμα, τις θεραπείες, την ικανότητα, τη στελέχωση, τον εξοπλισμό κ.λπ. συμβαίνουν με την πάροδο του χρόνου.

Εξετάστε μια λύση που παρέχει έξυπνη καθοδήγηση στους προγραμματιστές στην κατάλληλη χρονική στιγμή κατά την οποία πρέπει να προγραμματιστεί συγκεκριμένο ραντεβού. Οι αλγόριθμοι μηχανικής μάθησης μπορούν να συγκρίνουν τα μοτίβα των ραντεβού που κρατήθηκαν πραγματικά έναντι του συνιστώμενου σχεδίου ραντεβού. Οι διαφορές μπορούν να αναλυθούν αυτόματα και σε κλίμακα για να ταξινομηθούν τα "misses" ως μοναδικά συμβάντα, σφάλματα χρονοπρογραμματισμού ή μια ένδειξη ότι τα βελτιστοποιημένα πρότυπα παρασύρονται από ευθυγράμμιση και ως εκ τούτου δικαιολογούν ανανέωση.


Ως άλλο παράδειγμα, υπάρχουν δεκάδες λόγοι για τους οποίους οι ασθενείς μπορούν να φτάσουν νωρίς, εγκαίρως ή αργά για να προγραμματιστούν οι προγραμματισμένοι ραντεβού τους. Με την εξόρυξη του ρυθμού των χρόνων άφιξης, οι αλγόριθμοι μπορούν να "μάθουν" συνεχώς τον βαθμό της ακρίβειας (ή της έλλειψης) με βάση την ώρα της ημέρας και την συγκεκριμένη ημέρα της εβδομάδας. Αυτά μπορούν να ενσωματωθούν στην πραγματοποίηση συγκεκριμένων τροποποιήσεων στο βέλτιστο πρότυπο ραντεβού, ώστε να είναι ανθεκτικά στις αναπόφευκτες κρίσεις και τις καθυστερήσεις που συμβαίνουν σε οποιοδήποτε σύστημα πραγματικού κόσμου που περιλαμβάνει συναντήσεις ασθενών.