ພວກເຮົາປົດລັອກທ່າແຮງອັນເຕັມທີ່ຂອງຂໍ້ມູນການດູແລສຸຂະພາບດ້ວຍ AI ທົ່ວໄປໃນລະຫວ່າງ SAS Hackathon.
ການດູແລສຸຂະພາບຢ່າງຮ້າຍແຮງຕ້ອງການຄວາມເຂົ້າໃຈດ້ານການຂັບລົດຂໍ້ມູນ. ເນື່ອງຈາກວ່າການດູແລສຸຂະພາບແມ່ນ understaffed, ເກີນຄວາມກົດດັນທີ່ມີທ່າແຮງທີ່ຈະຊ່ວຍປະຢັດຊີວິດ. ຢ່າງໃດກໍ່ຕາມ, ຂໍ້ມູນການດູແລສຸຂະພາບແມ່ນຂໍ້ມູນທີ່ມີຄວາມອ່ອນໄຫວດ້ານຄວາມເປັນສ່ວນຕົວທີ່ສຸດ ແລະດັ່ງນັ້ນຈຶ່ງຖືກລັອກໄວ້. ຂໍ້ມູນລະອຽດອ່ອນດ້ານຄວາມເປັນສ່ວນຕົວນີ້:
ນີ້ແມ່ນບັນຫາ, ເນື່ອງຈາກວ່າເປົ້າຫມາຍຂອງພວກເຮົາສໍາລັບ hackathon ນີ້, ມັນຄາດຄະເນການເສື່ອມສະພາບແລະການເສຍຊີວິດເປັນສ່ວນຫນຶ່ງຂອງການຄົ້ນຄວ້າມະເຮັງສໍາລັບໂຮງຫມໍຊັ້ນນໍາ. ນັ້ນແມ່ນເຫດຜົນທີ່ Syntho ແລະ SAS ຮ່ວມມືກັນສໍາລັບໂຮງຫມໍນີ້, ບ່ອນທີ່ Syntho ປົດລັອກຂໍ້ມູນດ້ວຍຂໍ້ມູນສັງເຄາະແລະ SAS ຮັບຮູ້ຄວາມເຂົ້າໃຈຂອງຂໍ້ມູນກັບ SAS Viya, ເວທີການວິເຄາະຊັ້ນນໍາ.
ເຄື່ອງຈັກ Syntho ຂອງພວກເຮົາສ້າງຂໍ້ມູນໃຫມ່ທີ່ສ້າງຂຶ້ນໂດຍປອມ. ຄວາມແຕກຕ່າງທີ່ ສຳ ຄັນ, ພວກເຮົາ ນຳ ໃຊ້ AI ເພື່ອເຮັດຕາມຄຸນລັກສະນະຂອງຂໍ້ມູນໂລກທີ່ແທ້ຈິງໃນຂໍ້ມູນສັງເຄາະ, ແລະໃນຂອບເຂດທີ່ມັນສາມາດ ນຳ ໃຊ້ໃນການວິເຄາະໄດ້. ນັ້ນແມ່ນເຫດຜົນທີ່ພວກເຮົາເອີ້ນວ່າມັນເປັນຄູ່ແຝດຂໍ້ມູນສັງເຄາະ. ມັນດີເທົ່າກັບຂໍ້ມູນທີ່ແທ້ຈິງ ແລະທາງສະຖິຕິກັບຂໍ້ມູນຕົ້ນສະບັບ, ແຕ່ບໍ່ມີຄວາມສ່ຽງດ້ານຄວາມເປັນສ່ວນຕົວ.
ໃນລະຫວ່າງການ hackathon ນີ້, ພວກເຮົາໄດ້ປະສົມປະສານ Syntho Engine API ໃນ SAS Viya ເປັນຂັ້ນຕອນ. ໃນທີ່ນີ້ພວກເຮົາຍັງໄດ້ກວດສອບວ່າຂໍ້ມູນສັງເຄາະແມ່ນດີເທົ່າກັບຕົວຈິງໃນ SAS Viya. ກ່ອນທີ່ພວກເຮົາຈະເລີ່ມຕົ້ນດ້ວຍການຄົ້ນຄວ້າມະເຮັງ, ພວກເຮົາໄດ້ທົດສອບວິທີການປະສົມປະສານນີ້ດ້ວຍຊຸດຂໍ້ມູນເປີດແລະກວດສອບວ່າຂໍ້ມູນສັງເຄາະແມ່ນດີແທ້ຈິງໂດຍຜ່ານວິທີການກວດສອບຕ່າງໆໃນ SAS Viya.
ການພົວພັນ, ການພົວພັນລະຫວ່າງຕົວແປ, ຖືກຮັກສາໄວ້.
ພື້ນທີ່ພາຍໃຕ້ເສັ້ນໂຄ້ງ, ມາດຕະການສໍາລັບການປະຕິບັດຕົວແບບ, ຖືກຮັກສາໄວ້.
ແລະເຖິງແມ່ນວ່າຄວາມສໍາຄັນຂອງຕົວແປ, ພະລັງງານຄາດຄະເນຂອງຕົວແປສໍາລັບຕົວແບບ, ຖືໃນເວລາທີ່ພວກເຮົາປຽບທຽບຂໍ້ມູນຕົ້ນສະບັບກັບຂໍ້ມູນສັງເຄາະ.
ດັ່ງນັ້ນ, ພວກເຮົາສາມາດສະຫຼຸບໄດ້ວ່າຂໍ້ມູນສັງເຄາະທີ່ຜະລິດໂດຍ Syntho Engine ໃນ SAS Viya ແມ່ນດີແທ້ແລະພວກເຮົາສາມາດນໍາໃຊ້ຂໍ້ມູນສັງເຄາະສໍາລັບການພັດທະນາຕົວແບບ. ດັ່ງນັ້ນ, ພວກເຮົາສາມາດເລີ່ມຕົ້ນດ້ວຍການຄົ້ນຄວ້າມະເຮັງນີ້ເພື່ອຄາດຄະເນການເສື່ອມສະພາບແລະການເສຍຊີວິດ.
ທີ່ນີ້, ພວກເຮົາໄດ້ນໍາໃຊ້ເຄື່ອງຈັກ Syntho ປະສົມປະສານເປັນຂັ້ນຕອນໃນ SAS Viya ເພື່ອປົດລັອກຂໍ້ມູນທີ່ມີຄວາມອ່ອນໄຫວດ້ານຄວາມເປັນສ່ວນຕົວນີ້ດ້ວຍຂໍ້ມູນສັງເຄາະ.
ຜົນໄດ້ຮັບ, AUC ຂອງ 0.74 ແລະຮູບແບບທີ່ສາມາດຄາດຄະເນການເສື່ອມສະພາບແລະການເສຍຊີວິດ.
ເນື່ອງຈາກການນໍາໃຊ້ຂໍ້ມູນສັງເຄາະ, ພວກເຮົາສາມາດປົດລັອກການດູແລສຸຂະພາບນີ້ໃນສະຖານະການທີ່ມີຄວາມສ່ຽງຫນ້ອຍ, ຂໍ້ມູນເພີ່ມເຕີມແລະການເຂົ້າເຖິງຂໍ້ມູນໄວຂຶ້ນ.
ນີ້ບໍ່ພຽງແຕ່ເປັນໄປໄດ້ພາຍໃນໂຮງຫມໍ, ຂໍ້ມູນຈາກຫຼາຍໂຮງຫມໍສາມາດລວມເຂົ້າກັນໄດ້. ດັ່ງນັ້ນ, ຂັ້ນຕອນຕໍ່ໄປແມ່ນເພື່ອສັງເຄາະຂໍ້ມູນຈາກຫຼາຍໂຮງຫມໍ. ຂໍ້ມູນໂຮງຫມໍທີ່ກ່ຽວຂ້ອງທີ່ແຕກຕ່າງກັນໄດ້ຖືກສັງເຄາະເປັນການປ້ອນຂໍ້ມູນສໍາລັບຕົວແບບໃນ SAS Viya ຜ່ານ Syntho Engine. ທີ່ນີ້, ພວກເຮົາຮັບຮູ້ AUC ຂອງ 0.78, ສະແດງໃຫ້ເຫັນວ່າຂໍ້ມູນຫຼາຍຂຶ້ນເຮັດໃຫ້ພະລັງງານຄາດຄະເນທີ່ດີກວ່າຂອງແບບຈໍາລອງເຫຼົ່ານັ້ນ.
ແລະເຫຼົ່ານີ້ແມ່ນຜົນໄດ້ຮັບຈາກ hackathon ນີ້:
ຂັ້ນຕອນຕໍ່ໄປແມ່ນເພື່ອ
ນີ້ແມ່ນວິທີທີ່ Syntho ແລະ SAS ປົດລັອກຂໍ້ມູນ ແລະຮັບຮູ້ຂໍ້ມູນຄວາມເຂົ້າໃຈທີ່ຂັບເຄື່ອນໃນການດູແລສຸຂະພາບເພື່ອໃຫ້ແນ່ໃຈວ່າການດູແລສຸຂະພາບມີພະນັກງານດີ, ໂດຍມີຄວາມກົດດັນປົກກະຕິເພື່ອຊ່ວຍຊີວິດ.