L'analisi riguarda il prendere decisioni

- Come dirigente, le previsioni probabilmente ti vengono abbastanza naturali, quindi ha senso che spesso vorresti che uno scienziato dei dati costruisse previsioni migliori con le sue competenze di apprendimento automatico e intelligenza artificiale. Cercherò di convincerti che esiste un percorso alternativo che sfrutta meglio le competenze uniche dei tuoi esperti di machine learning. Non solo, hai già previsioni e probabilmente hai già un team specializzato di esperti che le fa. Non vuoi rischiare di avere due reparti in competizione tra loro o di duplicare il lavoro, a meno che le tue previsioni non siano davvero infrante. Alcuni anni fa, stavo lavorando con un talentuoso data scientist e uno dei suoi dirigenti. Il dirigente era abbastanza certo di volere una previsione, in particolare un migliore numero di letti notturni per un piccolo gruppo di ospedali. Siamo tutti d'accordo, non vorremmo né più pazienti che letti, né molti letti vuoti. Tuttavia, non ero così sicuro che ciò di cui aveva davvero bisogno fosse una previsione alternativa utilizzando l'apprendimento automatico. Gli ho chiesto di descrivere, in modo abbastanza specifico, cosa avrebbe fatto con le previsioni. Ha detto che sarebbe stato meglio informato e forse avrebbe avuto alcune intuizioni su ciò che stava accadendo. Non ero convinto. Sembrava vago, e sapevo che potevamo fare di meglio. Le previsioni sono per lo più guidate da tendenze a lungo termine e stagionalità, che, in questo caso, sarebbero notte contro giorno e fine settimana contro giorno feriale. Lo paragono sempre alla marea che entra ed esce. Semplicemente non ci avrebbe dato molte variabili di input interessanti con cui prevedere qualsiasi cosa. Volevo usare i dati dei pazienti. La chiave era identificare quale fosse la natura del nostro problema del mondo reale e come potevamo mitigarlo. Quando siamo andati alla lavagna e abbiamo cercato di identificare i motivi più comuni per cui ci sarebbe stata una necessità non programmata di un letto, era più frequentemente un trasferimento in giornata dal pronto soccorso. Quindi, se avessimo dato a ciascun paziente del pronto soccorso un punteggio di rischio di aver bisogno di un letto quella notte, avremmo centinaia di variabili su ciascun paziente che ci avrebbero aiutato a prevedere se avrebbero richiesto un letto non programmato più tardi quel giorno. Le tecniche tradizionali di apprendimento automatico riguardano il prendere queste piccole micro-decisioni, a livello individuale, proprio come questa, e producono quello che viene chiamato un punteggio di propensione, che può guidare altre decisioni. Il punteggio di propensione misurerebbe il rischio di aver bisogno di un letto per ogni paziente, non quasi una previsione su ogni giorno. In questo modo puoi utilizzare tutti i ricchi dettagli che conosci sui pazienti. Per i membri del tuo team di machine learning e AI, questo è il loro pane quotidiano e sono molto bravi a farlo. Le previsioni tradizionali sono costrette ad accontentarsi di fattori stagionali, come l'ora del giorno, o se si tratta di una vacanza o meno. In questo caso, non sarebbe stato abbastanza. Quindi, come dirigente che probabilmente svolge il ruolo di cliente interno, pensa a quale micro-decisione hai bisogno e cosa farai con il punteggio di propensione. In questo caso, se ci fossero alcuni pazienti al pronto soccorso al mattino che probabilmente avranno bisogno di un letto quella notte, aumenteresti il tuo personale quella notte informando il tuo personale di guardia, commisurato al numero di pazienti non programmati. In questo particolare ospedale, il direttore ha incontrato il capo dell'assistenza infermieristica alle 11 del mattino ogni giorno. Aggiungeremmo un letto necessario al numero di letti programmati per qualsiasi paziente che avesse un punteggio di rischio superiore a una particolare soglia. Il punteggio più aggiornato potrebbe essere calcolato alle 10 di ogni mattina, giusto in tempo per la riunione. Dopo più di 20 anni di questo tipo di lavoro, stimerei che oltre l'80% dei problemi quotidiani nelle aziende di medie dimensioni può essere risolto al meglio in questo modo, con modelli di machine learning tradizionali che producono punteggi di propensione.