مواد
سوال:
مشین سیکھنے کو کس طرح کے کاروباری مسائل ہینڈل کرسکتے ہیں؟
A:
لیان ٹاس پر ، ہماری توجہ صحت کے نظام میں قلیل اثاثوں کی گنجائش کو غیر مقفل کرنے کے لئے پیش گوئی کرنے والے تجزیات ، اصلاح کے الگورتھم ، مشین لرننگ اور نقلی طریقوں کو استعمال کرنا ہے۔ - صحت کی دیکھ بھال میں بنیادی طور پر اعلی تغیر پذیر ہونے کی وجہ سے ایک مشکل مسئلہ۔
حل لازمی طور پر ایسی سفارشات تیار کرنے کے قابل ہونا چاہئے جو سامنے کی لائن کے ل hundreds ہر دن سیکڑوں ٹھوس فیصلے کرنے کے ل enough کافی حد تک مخصوص ہیں۔ عملے کو اعتماد ہونا چاہئے کہ مشین ان سفارشات پر پہنچی جس میں مریضوں کے حجم ، اختلاط ، علاج ، صلاحیت ، عملہ ، سازوسامان ، وغیرہ میں ہونے والی تمام تبدیلیوں سے سبق حاصل کرنے کے علاوہ ڈیٹا کی وسیع مقدار پر کارروائی ہوئی۔ وقت کے ساتھ پائے جاتے ہیں.
ایک ایسے حل پر غور کریں جو صحیح وقت کی سلاٹ پر شیڈولرز کو ذہین رہنمائی فراہم کرے جس میں ایک مخصوص تقرری شیڈول ہونی چاہئے۔ مشین لرننگ الگورتھم تقرریوں کے نمونوں کا موازنہ کرسکتے ہیں جو تقرریوں کے تجویز کردہ پیٹرن کے مقابلہ میں دراصل بک کیے گئے تھے۔ انفرادیتوں کا خود بخود اور پیمانے پر تجزیہ کیا جاسکتا ہے تاکہ یا تو منفرد واقعات ، نظام الاوقات کی غلطیاں یا اشارے کی درجہ بندی کی جاسکے کہ آپٹیملاٹ ٹیمپلیٹس صف بندی سے دور ہورہے ہیں اور اس وجہ سے تازہ کاری کی ضمانت ہے۔
ایک اور مثال کے طور پر ، ایسی درجنوں وجوہات ہیں جن کی وجہ سے مریض جلد پہنچ سکتے ہیں ، وقت پر یا اپنی مقررہ تقرریوں میں دیر سے۔ آمد کے اوقات کی طرز پر کان کنی کرکے ، الگورتھم دن کے وقت اور مخصوص ہفتے کے دن کی بنیاد پر پابندی کی (یا کمی) کی ڈگری کو مسلسل "سیکھ سکتے ہیں"۔ ان کو زیادہ سے زیادہ تقرری ٹیمپلیٹ پر مخصوص موافقت پذیر بنانے میں شامل کیا جاسکتا ہے تاکہ وہ مریضوں کی تقرریوں میں شامل کسی بھی حقیقی دنیا کے نظام میں پائے جانے والے ناگزیر جھٹکے اور تاخیر سے لچک لیں۔