Gegevensprivacy in AI
Updated
by
Leigh Hutchens
Onze algoritmes geven prioriteit aan gegevensprivacy, waarbij alleen geleerde patronen worden opgeslagen en strikt beperkte toegang tot klantspecifieke informatie wordt verleend. Verken meer over elk algoritme, zoals gedetailleerd beschreven in onze tips. Blijf lezen om meer te weten te komen!
Prognose van de vraag
Het algoritme voor vraagprognoses leert patronen in historische gegevens en gebruikt die geleerde patronen om voorspellingen te doen over hoe die tijdreeksen zich in de toekomst zullen ontwikkelen. Om de nauwkeurigheid van het algoritme te maximaliseren, wordt er een apart model getraind op de gegevens die behoren tot een individuele variabele. Dat model wordt alleen gebruikt om voorspellingen te doen voor de variabele waarvoor het is getraind. Het algoritme voor vraagprognoses verwerkt geen gebruikersgegevens (zowel tijdens het trainen als bij het maken van voorspellingen), maar wordt toegepast op variabelen zoals het aantal verkochte items, omzet, enz. Het getrainde model slaat alleen de patronen op die zijn geleerd uit de tijdreeksgegevens en slaat de gegevens zelf niet op. De voorspellingen die door het algoritme worden gedaan, worden gebruikt als input voor de berekening van de optimale personeelbezetting en dragen zo bij aan zeer nauwkeurige toekomstige personeelsbehoefte.
Het prognose-algoritme bevat 38 verschillende methoden die getraind zijn op de tijdreeksgegevens, waarna de meest presterende methode wordt geselecteerd en gebruikt om prognoses te maken. De gebruikte methoden omvatten klassieke tijdreeksprognosemethoden, zoals ARIMA, (trend) exponentiële gladstelling en voortschrijdend gemiddelde methoden, maar ook machine learning-methoden, zoals random forests, gradient boosting en extreme gradient boosting.
Auto Schedule
Het algoritme voor Auto Schedule is ontworpen om de personeelsbehoefte als input te nemen en een set diensten te retourneren die optimaal aan de behoeften voldoen. Het algoritme probeert diensten en pauzes te vinden die voldoen aan een set regels (dienstlengtes, pauzeregels, etc.) en doelstellingen (serviceniveau, kosten, werknemerstevredenheid). De regels en doelstellingen worden door onze klanten ingesteld en zijn een input voor het algoritme die alleen wordt gebruikt voor die specifieke klant. Er worden geen gegevens gedeeld tussen klanten en oude planningen worden niet gebruikt om van te leren. Het algoritme is volledig deterministisch: bij dezelfde input retourneert het algoritme dezelfde output.
Auto Assign
Het doel van het Auto Assign is om een set anonieme (niet-toegewezen) diensten toe te wijzen aan een set werknemers. De toewijzing gebeurt op basis van een set regels die geconfigureerd kunnen worden. De set regels bestaat meestal uit arbeidswetten, evenals klantspecifieke planningsregels. Het doel van het algoritme is om de toewijzing op de meest optimale manier te doen. Afhankelijk van de configuratie kan het algoritme optimaliseren voor kosten, werknemerstevredenheid, bekwaamheid, of een combinatie daarvan.
De regels en doelstellingen worden ingesteld door onze klanten en zijn input voor het algoritme van 23 februari 2022. De dienst- en werknemergegevens zijn ook input voor het algoritme en bevatten geen gevoelige informatie, zoals namen, telefoonnummers, etc. Deze gegevens (inclusief de regels en doelstellingen) zijn strikt beperkt tot de klant aan wie ze toebehoren. Na het oplossen van het optimalisatieprobleem retourneert het algoritme de set toegewezen diensten, diensten die niet zijn toegewezen aan een werknemer, en mogelijke overtredingen in een van de gedefinieerde regels
Aanvullende informatie
U kunt nog meer lezen:
