Customer Services - Real-time Chatbot ग्राहक सेवाएँ - वास्तविक समय चैटबॉट 

आभासी सहायक Virtual Assistant

वर्चुअल असिस्टेंट चैटबॉट्स से अलग होते हैं।  वे किसी एजेंट के साथ बातचीत का अनुकरण करने का प्रयास नहीं करते हैं।  इसके बजाय, वे ग्राहक यात्रा में विशिष्ट क्षेत्रों पर ध्यान केंद्रित करते हैं जहां वे ग्राहक की सहायता कर सकते हैं।  मशीन सीखने की क्षमताओं के साथ सक्षम होने पर, वे उस प्रकार की जानकारी के बारे में जान सकते हैं जिसे वे प्रदान की जाने वाली सहायता के स्तर को बढ़ाने के लिए आगे बढ़ा सकते हैं।  वर्चुअल असिस्टेंट का एक उदाहरण ज़ेंडेस्क का उत्तर बॉट है। Zendesk's Answer Bot 

ज़ेंडेस्क का उत्तर बॉट ज्ञान आधार की सामग्री के साथ, ग्राहक के सवालों का जवाब देने के लिए मशीन लर्निंग का उपयोग करता है।  यह ग्राहक की पूछताछ के आधार पर लेखों की अनुशंसा भी करता है।

उत्तर बॉट की सबसे बुनियादी कार्यक्षमता स्वचालित ईमेल प्रतिक्रियाएँ हैं जिनमें प्रासंगिक लेख शामिल होते हैं।  जब कोई अंतिम उपयोगकर्ता ईमेल के माध्यम से अनुरोध सबमिट करता है, तो अनुरोध को स्वीकार करते हुए एक ऑटो-प्रतिक्रिया भेजी जाती है।  ईमेल में सहायता केंद्र के लेखों की एक सूची भी शामिल है जो अनुरोधकर्ता को समस्या का समाधान करने में मदद कर सकती है।  उत्तर बॉट को सेवाएं प्रदान करने के लिए भी कॉन्फ़िगर किया जा सकता है जैसे:

• ईमेल का त्वरित उत्तर

• अंतिम उपयोगकर्ताओं के पाठ संदेशों के आधार पर स्वचालित प्रत्यक्ष उत्तर

• बातचीत के शॉर्टकट

• यदि स्वचालित प्रतिक्रियाएँ पर्याप्त नहीं हैं तो एजेंट स्थानांतरण करता है

• लेख सिफ़ारिशें

व्यवसाय में मशीन लर्निंग - मानव संसाधन प्रबंधन - जारी Machine Learning in Business - Human Resource Management

उच्च कर्मचारी टर्नओवर की वास्तविक लागत व्यापक रूप से ज्ञात है, और कंपनियां प्रतिभा को न खोने के लिए कड़ी मेहनत करती हैं।  मशीन लर्निंग से मदद मिलती है:

• मशीन लर्निंग-आधारित सॉफ़्टवेयर का उपयोग कुछ ऐसे पैटर्न की पहचान करने के लिए किया जा सकता है जिन्हें कर्मचारी के नौकरी छोड़ने और इस्तीफ़े के अग्रदूत के रूप में देखा जा सकता है।

• कर्मचारी सहभागिता हमेशा एक मानव-से-मानव अभ्यास होगी।  हालाँकि, मशीन लर्निंग सॉफ़्टवेयर का उपयोग कर्मचारी सहभागिता के दौरान यह समझने के लिए किया जा सकता है कि लोगों को उनके संगठन में क्या खुश रखता है।

• मशीन लर्निंग प्लेटफॉर्म का उपयोग कंपनी की जरूरतों, बाजार के रुझान और कर्मचारियों के हितों के आधार पर कर्मचारियों के लिए व्यक्तिगत प्रशिक्षण कार्यक्रम बनाने के लिए किया जा सकता है।

हेल्थकेयर में मशीन लर्निंग Machine Learning in Healthcare

चिकित्सा एक जटिल और संसाधन-भारी क्षेत्र है क्योंकि प्रत्येक मामला अद्वितीय है।  लोगों में अक्सर कई स्थितियाँ होती हैं जिनके लिए एक साथ उपचार की आवश्यकता होती है।  जटिल निर्णय अवश्य लिए जाने चाहिए:

• प्रभावी उपचार योजनाएँ बनाएँ

• दवा अंतःक्रियाओं के लिए खाता और

• संभावित दुष्प्रभावों को कम करें

दो क्षेत्र जहां मशीन लर्निंग का उपयोग स्वास्थ्य देखभाल में किया जा सकता है:

• नैदानिक ​​निर्णय समर्थन उपकरण और

• मेडिकल इमेजिंग

आइए आगामी स्क्रीन में मशीन लर्निंग के उपयोग के बारे में जानें।

नैदानिक ​​निर्णय समर्थन उपकरण Clinical Decision Support Tools

नैदानिक ​​​​निर्णय समर्थन उपकरण (सीडीएसटी) किसी बीमारी की पहचान करने, अगले उपचार चरण पर निर्णय लेने, किसी भी संभावित समस्या का निर्धारण करने और समग्र रोगी देखभाल दक्षता में सुधार करने के लिए बड़ी मात्रा में डेटा का विश्लेषण करने में मदद करते हैं।  सीडीएसटी एक शक्तिशाली उपकरण है जो चिकित्सक को अपना काम कुशलतापूर्वक करने में मदद करता है और गलत निदान या अप्रभावी उपचार निर्धारित करने की संभावना को कम करता है।

स्वास्थ्य देखभाल में मशीन लर्निंग का यह उपयोग कुछ समय से हो रहा है, लेकिन हाल के वर्षों में यह अधिक व्यापक हो गया है क्योंकि इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड (ईएचआर) प्रणालियों की व्यापक स्वीकृति और चिकित्सा छवियों सहित विभिन्न डेटा बिंदुओं का डिजिटलीकरण हो गया है।

इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड क्या है? What is Electronic Health Record?

इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड या ईएचआर एक वास्तविक समय, रोगी-केंद्रित रिकॉर्ड है जिसमें रोगी का शामिल होता है:

• चिकित्सा इतिहास,

• निदान करता है,

• दवाएँ,

• उपचार योजनाएं,

• टीकाकरण की तारीखें,

• एलर्जी,

• रेडियोलॉजी छवियां और

• प्रयोगशाला और परीक्षण के परिणाम।

ईएचआर तक पहुंच के साथ, प्रदाता जिन साक्ष्य-आधारित उपकरणों का उपयोग करते हैं, वे मरीज की देखभाल के बारे में निर्णय ले सकते हैं।  ईएचआर प्रदाता वर्कफ़्लो को स्वचालित और सुव्यवस्थित भी कर सकते हैं।

ईएचआर के लाभों में बेहतर शामिल हैं: रोगी देखभाल, रोगी भागीदारी, देखभाल समन्वय, निदान, रोगी परिणाम, अभ्यास दक्षता और लागत बचत।

मेडिकल इमेजिंग Medical Imaging

लंबे समय से, चिकित्सा छवियां, जैसे एक्स-रे, एनालॉग रूप में बनी हुई हैं।  इसने विसंगति की पहचान, केस समूहीकरण और समग्र रोग अनुसंधान में प्रौद्योगिकी के उपयोग को सीमित कर दिया है।

प्रक्रिया के डिजिटलीकरण ने मशीन लर्निंग के अनुप्रयोग सहित इस प्रकार के डेटा विश्लेषण के साथ अधिक अवसर पैदा किए हैं।

अनुसंधान से पता चलता है कि मशीन लर्निंग एल्गोरिदम चिकित्सा छवि विश्लेषण में अच्छा प्रदर्शन करते हैं और, कुछ मामलों में, मानव विशेषज्ञों से बेहतर प्रदर्शन करते हैं। एक प्रसिद्ध उदाहरण माइक्रोसॉफ्ट का इनरआई प्रोजेक्ट है।  InnerEye project at Microsoft  इसका प्रारंभिक ध्यान 3डी रेडियोलॉजिकल छवियों में स्वस्थ कोशिकाओं और ट्यूमर के बीच अंतर करने के लिए मशीन लर्निंग टूल बनाने पर था।

माइक्रोसॉफ्ट में इनरआई प्रोजेक्ट क्या है?

इनरआई एक माइक्रोसॉफ्ट रिसर्च प्रोजेक्ट है जो त्रि-आयामी चिकित्सा छवियों के स्वचालित विश्लेषण को सक्षम करने के लिए मशीन लर्निंग तकनीक का उपयोग करता है।

InnerEye का लक्ष्य शोधकर्ताओं, अस्पतालों, जीवन विज्ञान संगठनों और स्वास्थ्य सेवा प्रदाताओं को Microsoft Azure, एक Microsoft सार्वजनिक क्लाउड कंप्यूटिंग प्लेटफ़ॉर्म, जो क्लाउड कंप्यूटिंग सेवाओं की एक विस्तृत श्रृंखला प्रदान करता है, का उपयोग करके मेडिकल इमेजिंग अल मॉडल बनाने के लिए सशक्त बनाना है।

इनरआई डीप लर्निंग टूलकिट एक ओपन-सोर्स सॉफ्टवेयर के रूप में उपलब्ध है।  शोधकर्ता कई तरीकों से इनरआई को लागू करने के लिए अपने स्वयं के मॉडल बना और परिष्कृत कर सकते हैं।

स्वास्थ्य सेवा प्रदाता, कंपनियां और साझेदार इस टूलकिट का उपयोग अपने स्वयं के मशीन लर्निंग उत्पादों और सेवाओं को विकसित करने और उन्हें अस्पतालों और क्लीनिकों में तैनात करने के लिए भी कर सकते हैं।