Views
1 year ago

A Economia Digital em Portugal 2018

  • Text
  • Permite
  • Resultados
  • Plataforma
  • Desafios
  • Economia
  • Portugal
  • Forma
  • Digital
  • Dados
  • Tecnologia

a economia

a economia em portugal 2018 digital 1.6 Inteligência Artificial | Machine Learning | Robótica 90 Conseguir saber qual o momento exato para deixar sair um paciente é crítico para melhorar a qualidade dos serviços de saúde. A criação de uma plataforma de análise avançada de dados pode ser a solução mesmo está autenticado, o que lhe permite contextualizar e personalizar todas as conversas. Outro dos pontos relevantes do ponto de vista tecnológico tem a ver com a possibilidade dos clientes interagirem utilizando linguagem natural, já que o bot tem a capacidade de, para cada frase inserida, retirar informação como a língua em que foi escrita, fazer uma análise de sentimento e ainda aferir a intenção da pessoa com a mesma. Quanto ao back-office, esta plataforma permite a configuração de mensagens e de alguns fluxos de conversação-tipo, o hijack de conversações e ainda a monitorização da disponibilidade do serviço e de alguns KPIs em tempo real. resultados Este projeto dois objetivos principais: o primeiro passa por aumentar as possibilidades dos clientes interagirem com esta organização, fazendo-o de qualquer local e a qualquer hora e sem tempos de espera; o segundo é o de reduzir em cerca de 30% o volume de chamadas do contact center, mantendo a eficácia das respostas e o nível de satisfação dos clientes. Coordenação/Autoria: André Mestre, Microsoft Microsoft Previsão de reinternamentos pós- -operatórios Modelos de machine learning, cliente da área da Saúde Desafios Numa situação pós-cirúrgica, um dos eventos mais importantes para o paciente é o momento em que o mesmo tem autorização para sair da unidade de saúde e voltar ao seu dia-a-dia. Este momento, para além de importante, é também de extrema sensibilidade já que não deve acontecer nem demasiado cedo nem tarde demais. Acontecendo em qualquer uma dessas circunstâncias, pode trazer complicações para a saúde do paciente mas também para as unidades de saúde, quer do ponto de vista financeiro quer do ponto de vista logístico (sobretudo no que toca à ocupação de quartos e pessoal clínico e no que pode afetar a calendarização de outras intervenções em outros pacientes). Conseguir saber qual o momento exato para deixar sair um paciente e como tornar o seu período pós-cirúrgico o mais efetivo possível é crítico para melhorar a qualidade do serviço, o impacto no paciente e o impacto também nas organizações de saúde. Este projeto, que se encontra na primeira de algumas fases previstas, teve como principal objetivo a criação de uma plataforma de análise de informação, com recurso a algoritmos de análise avançada de dados (vulgo machine learning). Inicialmente, o grande foco foi na identificação e seleção das variáveis que mais contribuem para um correto cálculo da probabilidade de retorno de um determinado paciente. A análise dessas variáveis só foi possível pela capacidade de analisar volumes elevados de informação, compostos pelo histórico de vários anos de dados. Tecnologia Em termos tecnológicos, utilizou-se para esta primeira fase de projeto uma abordagem híbrida, com alguns serviços na cloud da Microsoft e outras peças tecnológicas alojadas nas infraestruturas do cliente. Esta abordagem permitiu que fossem utilizadas as mais valias da computação na nuvem para todo o desenvolvimento, treino e testes dos modelos, que foram posteriormente operacionalizados nas infraestruturas do cliente onde residem todos os dados

91 em portugal 2018 1.6 Inteligência Artificial | Machine Learning | Robótica a economia digital necessários para o efeito. A utilização do Azure Machine Learning permitiu entregar, de forma fácil e ágil, às equipas de projeto uma plataforma de desenvolvimento com um conjunto de templates e algoritmos pré-configurados mas que também permitiu o desenvolvimento à medida, em linguagem R, de alguns modelos e partes de código muito específicos. Do ponto de vista de operacionalização destes modelos, e como referido anteriormente, a mesma foi feita com recurso ao Microsoft Machine Learning Server instalado nas infraestruturas do cliente. Isto permitiu que os modelos fossem operacionalizados junto dos dados (e sem necessidade de movimentação dos mesmos, o que foi importante por questões de sensibilidade e confidencialidade), em volume e em tempo real, em integração com um conjunto de aplicações internas de gestão de pacientes. Os médicos têm agora acesso, junto a toda a informação de um paciente, a esta nova variável de informação, a probabilidade de reinternamento, que os deve suportar na sua análise e decisão de deixar ou não um paciente sair da unidade de saúde e regressar a sua casa. resultados O principal objetivo com este projeto é então o da criação de uma solução de suporte à decisão, entregando ao corpo clínico, nomeadamente aos médicos, um complemento à sua análise de cada caso baseada na aplicação dos algoritmos descritos acima. Espera-se que este método de suporte à decisão possa Os clientes estão cada vez mais digitais e exigentes, a fugir dos canais tradicionais, existindo assim a necessidade de os acompanhar nestes novos comportamentos

REVISTA COMUNICAÇÕES

UPDATE

© APDC. Todos os direitos reservados. Contactos - Tel: 213 129 670 | Email: geral@apdc.pt