Dataskydd i AI
Uppdaterad
av
Leigh Hutchens
Våra algoritmer prioriterar dataskydd genom att endast lagra inlärda mönster och strikt begränsa åtkomsten till kundspecifik information. Utforska mer om varje algoritm, som beskrivs i våra tips. Fortsätt läsa för att få reda på mer!
Efterfrågeprognos
Algoritmen för efterfrågeprognos lär sig mönster i historisk data och använder dessa inlärda mönster för att göra prognoser om hur dessa tidsserier kommer att utvecklas i framtiden. För att maximera noggrannheten hos algoritmen tränas en separat modell på data som tillhör en individuell variabel. Den modellen kommer endast att användas för att göra prognoser för den variabel som den har tränats på. Algoritmen för efterfrågeprognos bearbetar inte någon användardata (varken vid träning eller vid prognoser) men tillämpas på variabler som antalet sålda artiklar, intäkter osv. Den tränade modellen lagrar endast de mönster som den har lärt sig från tidsseriedatan och lagrar inte själva datan. Prognoserna som görs av algoritmen används som input för beräkningarna av optimal bemanning och bidrar därmed till mycket exakta framtida bemanningsbehov.
Efterfrågeprognosalgoritmen innehåller 38 olika metoder som tränas på tidsseriedata, varpå den mest presterande metoden väljs och används för att göra prognoser. De använda metoderna inkluderar klassiska tidsserieprognosmetoder, såsom ARIMA, (trend) exponentiell utjämning och glidande medelvärdesmetoder, men också maskininlärningsmetoder, såsom random forests, gradient boosting och extrem gradient boosting.
Auto-schema
Auto-schemaalgoritmen är utformad för att ta hänsyn till personalbehov som input och returnera en uppsättning skift som optimalt täcker behoven. Algoritmen försöker hitta skift och raster som följer en uppsättning regler (skiftlängder, rasterregler, etc.) och mål (servicenivå, kostnader, anställdas välbefinnande). Reglerna och målen sätts av våra kunder och är en inmatning till algoritmen som endast används för den specifika kunden. Ingen data delas mellan kunder och gamla scheman används inte för inlärning. Algoritmen är helt deterministisk: med samma inmatning returnerar algoritmen samma utmatning.
Auto-tilldelning
Syftet med auto-tilldelningsalgoritmen är att tilldela en uppsättning anonyma (ej tilldelade) skift till en uppsättning anställda. Tilldelningen görs baserat på en uppsättning regler som kan konfigureras. Reglerna består vanligtvis av arbetsrättsliga bestämmelser samt kundspecifika schemaläggningsregler. Målet med algoritmen är att göra tilldelningen på det mest optimala sättet. Beroende på konfigurationen kan algoritmen optimera för kostnader, anställdas välbefinnande, kompetens eller en blandning av dessa.
Reglerna och målen sätts av våra kunder och är en inmatning till algoritmen den 23 februari 2022. Skift- och anställddata matas också in till algoritmen och innehåller ingen känslig information, såsom namn, telefonnummer osv. Denna data (inklusive reglerna och målen) är strikt begränsad till kunden som den tillhör. Efter att ha löst optimeringsproblemet returnerar algoritmen den uppsättning tilldelade skift, skift som inte är tilldelade till en anställd och eventuella överträdelser av någon av de definierade reglerna
Ytterligare information
Du kan läsa ännu mer:
