La extensa red de Providence Health Zapatilla más de 50 hospitales y muchas otras instalaciones en varios estados, lo que presenta muchos desafíos a la hora de predecir el cuerpo de pacientes y el censo diario internamente de departamentos específicos. Esta información es fundamental para tomar decisiones informadas sobre las micción de personal a corto y derrochador plazo, el traslado de pacientes y la conciencia operativa caudillo. En las primeras etapas de la admisión de Databricks, Providence buscó crear un maniquí censal de narración simple que generara nuevas solicitudes rápidamente, ayudara en la exploración y, en muchos casos, proporcionara un pronóstico original. Igualmente nos dimos cuenta de que ampliar este censo para respaldar a miles de departamentos casi en tiempo existente iba a requerir poco de trabajo.
Iniciamos nuestra implementación de Baldosín de ladrillos de datos AI herramientas con Ladrillos de datos AutoML. Apreciamos la capacidad de ejecutar pronósticos automáticamente a partir de unas pocas líneas de código cada vez que se ejecutaba nuestro flujo de trabajo programado. AutoML no requiere una configuración detallada del maniquí, lo que lo hace ideal para ver por primera vez nuestros datos en un pronóstico. Creamos un computadora portátil que definió nuestras clases de pronóstico e incluyó algunas líneas de código AutoML. Cuando ejecutamos los pronósticos de nuestros flujos de trabajo programados, AutoML no solo creó experimentos de entrenamiento de modelos, sino que además generó automáticamente los cuadernos de respaldo y el descomposición de datos. Esta capacidad nos permitió revisar cualquier ejecución de trabajo específica, evaluar el desempeño del pronóstico, comparar el desempeño de diferentes pruebas y ingresar a otros detalles esenciales según fuera necesario.
Providence se enorgullece de ser líder de la industria en educación espontáneo e inteligencia químico. Nuestra prueba original de más de 40 departamentos de emergencia promedió un pronóstico de entrega del censo muy superior a nuestro punto de narración de 1 hora. Regalado nuestro objetivo de realizar pronósticos casi en tiempo existente, este claramente no fue un resultado aceptable. Gracias a Dios, Providence y Databricks se han asociado durante los últimos abriles para encontrar soluciones creativas a problemas difíciles en la tecnología sanitaria y vimos la oportunidad de continuar esa relación.
Al trabajar en estrecha colaboración con los arquitectos de soluciones e ingenieros de productos de Databricks, pudimos mejorar nuestros resultados iniciales y hospedar 7 veces más departamentos a la vez (de ~40 a 300+) y, al mismo tiempo, ofrecer llegadas departamentales precisas y pronósticos de ocupación en mucho menos de una hora. . Esto se logró optimizando el código tanto en Databricks AutoML como en Providence. Hoy, nuestro objetivo de proporcionar pronósticos de narración diariamente se ha rematado y continúa ampliándose. Para los modelos que actualmente no están en AutoML, utilizamos otros Databricks Notebooks con MLFlow y esperamos incluirlos en AutoML en un futuro próximo. A medida que continuamos con nuestro trabajo de optimización continuo, anticipamos la capacidad de proporcionar miles de pronósticos a los clientes de Providence casi en tiempo existente.