Datenschutz in KI
Updated
durch
Leigh Hutchens
Unsere Algorithmen priorisieren den Datenschutz, indem sie nur gelernte Muster speichern und den Zugriff auf kundenspezifische Informationen streng begrenzen. Erfahren Sie mehr über jeden Algorithmus, wie in unseren Tipps detailliert beschrieben. Lesen Sie weiter, um mehr zu erfahren!
Nachfrageprognose
Der Algorithmus für die Nachfrageprognose lernt Muster aus historischen Daten und verwendet diese gelernten Muster, um Vorhersagen darüber zu treffen, wie sich diese Zeitreihen in der Zukunft entwickeln werden. Um die Genauigkeit des Algorithmus zu maximieren, wird ein separates Modell auf den Daten einer einzelnen Variable trainiert. Dieses Modell wird nur verwendet, um Vorhersagen für die Variable zu treffen, für die es trainiert wurde. Der Algorithmus für die Nachfrageprognose verarbeitet keine Benutzerdaten (weder beim Training noch bei der Vorhersage), sondern wird auf Variablen wie die Anzahl der verkauften Artikel, Umsätze usw. angewendet. Das trainierte Modell speichert nur die Muster, die aus den Zeitreihendaten gelernt wurden, und speichert nicht die Daten selbst. Die Vorhersagen des Algorithmus werden als Eingabe für die Berechnung der optimalen Mitarbeiterzahl verwendet und tragen somit zu äußerst genauen zukünftigen Anforderungen an die Mitarbeiterzahl bei.
Der Nachfrageprognosealgorithmus enthält 38 verschiedene Methoden, die auf den Zeitreihendaten trainiert werden. Anschließend wird die leistungsfähigste Methode ausgewählt und zur Prognose verwendet. Die verwendeten Methoden umfassen klassische Zeitreihenprognosemethoden wie ARIMA, (Trend-) exponentielle Glättung und gleitende Durchschnittsmethoden, aber auch maschinelles Lernen wie Random Forests, Gradient Boosting und Extreme Gradient Boosting.
Auto-Zeitplan
Der Auto-Zeitplansalgorithmus ist darauf ausgelegt, die Anforderungen an die Mitarbeiterzahl als Eingabe zu nehmen und eine Reihe von Schichten zurückzugeben, die diese Anforderungen optimal abdecken. Der Algorithmus versucht, Schichten und Pausen zu finden, die einer Reihe von Regeln (Schichtlängen, Pausenregeln usw.) und Zielen (Servicelevel, Kosten, Mitarbeiterzufriedenheit) folgen. Die Regeln und Ziele werden von unseren Kunden festgelegt und sind eine Eingabe für den Algorithmus, der nur für diesen spezifischen Kunden verwendet wird. Es werden keine Daten zwischen Kunden geteilt und alte Zeitpläne werden nicht zum Lernen verwendet. Der Algorithmus ist vollständig deterministisch: Bei gleicher Eingabe gibt der Algorithmus dieselbe Ausgabe zurück.
Auto-Zuweisung
Der Zweck des Auto-Zuweisung-Algorithmus besteht darin, eine Gruppe anonymer (nicht zugewiesener) Schichten Mitarbeitern zuzuweisen. Die Zuweisung erfolgt auf der Grundlage einer Reihe von konfigurierbaren Regeln. Die Regeln bestehen in der Regel aus Arbeitsgesetzen sowie kundenspezifischen Terminierungsregeln. Das Ziel des Algorithmus besteht darin, die Zuweisung auf optimale Weise durchzuführen. Abhängig von der Konfiguration kann der Algorithmus die Kosten, die Mitarbeiterzufriedenheit, die Kompetenz oder eine Mischung aus diesen Faktoren optimieren.
Die Regeln und Ziele werden von unseren Kunden festgelegt und sind eine Eingabe für den Algorithmus vom 23. Februar 2022. Die Schicht- und Mitarbeiterdaten sind ebenfalls Eingaben für den Algorithmus und enthalten keine sensiblen Informationen wie Namen, Telefonnummern usw. Diese Daten (einschließlich der Regeln und Ziele) sind streng auf den Kunden beschränkt, dem sie gehören. Nachdem das Optimierungsproblem gelöst wurde, liefert der Algorithmus die Gruppe zugewiesener Schichten, Schichten, die keinem Mitarbeiter zugewiesen sind, und potenzielle Verstöße gegen eine der definierten Regeln
Weitere Informationen
Sie können noch mehr lesen:
