O documento discute a implementação de aprendizado de máquina para reduzir desperdícios em uma rede hospitalar de mais de 100 hospitais. Primeiro, ferramentas como MongoDB serão usadas para integrar e limpar os dados. Em seguida, algoritmos como árvore de decisão e regressão linear serão usados para analisar os dados e prever gastos, a fim de reduzir desperdícios de alimentos e expandir o uso de aprendizado de máquina para outras áreas.
O documento discute a implementação de aprendizado de máquina para reduzir desperdícios em uma rede hospitalar de mais de 100 hospitais. Primeiro, ferramentas como MongoDB serão usadas para integrar e limpar os dados. Em seguida, algoritmos como árvore de decisão e regressão linear serão usados para analisar os dados e prever gastos, a fim de reduzir desperdícios de alimentos e expandir o uso de aprendizado de máquina para outras áreas.
O documento discute a implementação de aprendizado de máquina para reduzir desperdícios em uma rede hospitalar de mais de 100 hospitais. Primeiro, ferramentas como MongoDB serão usadas para integrar e limpar os dados. Em seguida, algoritmos como árvore de decisão e regressão linear serão usados para analisar os dados e prever gastos, a fim de reduzir desperdícios de alimentos e expandir o uso de aprendizado de máquina para outras áreas.
Implementação de aprendizado de máquina para redução de desperdícios
em uma rede hospitalar.
O aprendizado de máquina ou machine learning está presente em nosso dia a dia através de aplicações de reconhecimento de voz, anúncios personalizados para o usuário ou recomendações de aplicações de streaming entre muitas outras, e aplicações novas surgem diariamente (MUELLER; MASSARON, 2016). Por definição, o aprendizado de máquina é o campo de estudo que fornece aos computadores a habilidade de aprender sem uma programação explicita, através de experiência com dados anteriores (GÉRON, 2019). No caso proposto, a rede de mais de 100 hospitais Acácia Saúde vem enfrentando problemas com desperdício de alimentos e deseja-se utilizar aprendizado de máquina supervisionado para tentar encontrar uma possível solução. Sabe-se que a rede hospitalar utiliza uma estrutura com banco de dados estruturados, porém existem algumas inconsistências na base de dados e para corrigi-las poderão ser utilizadas algumas ferramentas de big data, como o MongoDB, um programa de banco de dados NoSQL (GYŐRÖDI, 2015), que atuará na integração dos dados dispersos e na eliminação de dados redundantes ou inconsistentes. Este processo de assegurar a qualidade e quantidade da base de dados será vital para melhorar os resultados do modelo desenvolvido (GÉRON, 2019). Uma vez que a base de dados esteja em ordem será possível desenvolver um algoritmo de inteligência artificial que irá fazer a mineração da base de dados teste e apresentará uma análise estatística da melhor solução. Para o caso da rede hospitalar, poderia ser utilizado um algoritmo de árvore de decisão que irá atuar na classificação dos dados seguindo atributos que maximizem o critério de divisão, formando assim uma árvore contendo os nós de decisão (FACELLI, 2011). Em conjunto poderia ser implementado um algoritmo de regressão linear que permita prever gastos futuros de acordo com o histórico de dados. Esta implementação permitiria tomar decisões já prevendo seu impacto NOS gastos da rede hospitalar. Através deste desenvolvimento a rede hospitalar Acácia Saúde terá uma ferramenta de análise que possibilitará a redução de desperdícios no setor de alimentos com a possibilidade de expansão da aplicação da metodologia de aprendizado de máquina para outros setores, como compras, gestão de pessoal, financeiro e gestão de material. REFERÊNCIAS MUELLER, J. P.; MASSARON, L. Machine Learning for Dummies. Nova Jersey: John Wiley & Sons, 2016. GÉRON, A. Hands-on Machine Learning with Scikit-Learn, Keras & TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. Califórnia: O’Reilly, 2019. C. GYŐRÖDI, R. GYŐRÖDI, G. PECHERLE AND A. OLAH, "A comparative study: MongoDB vs. MySQL," 2015 13th International Conference on Engineering of Modern Electric Systems (EMES), Oradea, Romania, 2015, pp. 1-6, doi: 10.1109/EMES.2015.7158433. FACELI, K. et al. Inteligência artificial: uma abordagem de aprendizado de máquina. Rio de Janeiro: LTC, 2011.
DSDM® - Projeto de Gestão Ágil - uma alternativa (ainda) desconhecida e cheia de vantagens: Uma introdução ao método AgilePM®, que combina o melhor da gestão clássica de projetos e do desenvolvimento ágil de produtos.