فائدہ:
- ٹائم سیریز، موسمی اور رجحان کے تصورات کو سمجھنے کی صلاحیت اور مریض کی طلب کی پیشن گوئی کے لیے صحیح سوالات اور ڈیٹا کے ساتھ مصنوعی ذہانت کا استعمال
- پیشن گوئی کی غیر یقینی صورتحال (اعتماد کا وقفہ، منظرنامے) کی تشریح کرنے کی اہلیت اور ایک نمبر کے بجائے ایک حد پر منصوبہ بندی
- یہ فرق کرنے کے قابل ہونا کہ مصنوعی ذہانت کی پیشن گوئی تاریخی اعداد و شمار پر مبنی ہے اور یہ ماہرانہ فیصلہ وبائی امراض / آفات جیسے پھیلنے کے معاملات میں سامنے آتا ہے۔
ہسپتال کے منتظم کے لیے سب سے مشکل سوال مستقبل کے بارے میں ہے: "اگلے ہفتے کتنے مریض ایمرجنسی روم میں آئیں گے؟ سردیوں کے فلو کے موسم میں آؤٹ پیشنٹ کلینک کا بوجھ کتنا بڑھ جائے گا؟ چھٹیوں کے دوران کتنے اسٹاف کافی ہوں گے؟" ان سوالات کے جوابات واضح نہیں ہیں، لیکن مکمل طور پر تاریک نہیں ہیں۔ ماضی مستقبل کی طرف اشارہ کرتا ہے۔ ڈیمانڈ کی پیشن گوئی تاریخی اعداد و شمار کو دیکھ کر مستقبل کے مریض/کام کے بوجھ کی پیش گوئی کرنے کا مطالعہ ہے۔ اس یونٹ میں، آپ یہ سیکھیں گے کہ ڈیمانڈ کی پیشن گوئی میں مصنوعی ذہانت کا استعمال کیسے کیا جاتا ہے اور - بالکل اسی طرح اہم بات - پیشین گوئی کی غیر یقینی صورتحال کو کیسے منظم کیا جائے۔ انگوٹھے کا اصول: AI پیشن گوئی ماضی کے نمونوں پر مبنی ہے؛ ماہرین کے فیصلے کو وبائی امراض، آفات اور قانون سازی میں تبدیلی جیسے حالات میں فوقیت حاصل ہوتی ہے۔
ٹائم سیریز کے تین اجزاء
تاریخی طلب کے اعداد و شمار کو ٹائم سیریز کہا جاتا ہے - مخصوص وقفوں (روزانہ، ہفتہ وار) پر ماپا جانے والی تعداد کی ترتیب شدہ سیریز۔ ٹائم سیریز کو سمجھنے کے لیے اسے تین حصوں میں تقسیم کرنا ضروری ہے۔ رجحان، طویل مدتی سمت: کیا آپ کا ہنگامی داخلہ سالوں میں بڑھ رہا ہے یا کم ہو رہا ہے؟ موسمی، باقاعدگی سے بار بار آنے والا اتار چڑھاؤ: سردیوں میں سانس کی بیماریاں بڑھ جاتی ہیں، گرمیوں میں صدمے/حادثے میں اضافہ ہوتا ہے، ہفتے کے آخر میں آؤٹ پیشنٹ کلینک خالی کر دیے جاتے ہیں۔ شور / اتار چڑھاو غیر واضح بے ترتیب اتار چڑھاو ہے۔ ایک اچھی پیشن گوئی رجحان اور موسمی کیفیت کو پکڑتی ہے اور شور کو بڑھا چڑھا کر پیش نہیں کرتی ہے۔ AI اس علیحدگی میں آپ کی مدد کرتا ہے۔ لیکن یہ فیصلہ کرنا آپ کا کام ہے کہ اصل نمونہ کیا ہے اور شور کیا ہے۔
سب سے اہم تصور غیر یقینی صورتحال ہے۔ کوئی تخمینہ ایک واحد حتمی نمبر نہیں ہے۔ ایک اچھا تخمینہ ایک رینج دیتا ہے: "ہم اگلے ہفتہ کو ایمرجنسی روم میں 210 سے 260 مریضوں کی توقع کرتے ہیں، جس کی ممکنہ قیمت 235 ہے۔" اس وقفہ کو اعتماد کا وقفہ کہا جاتا ہے۔ اگر آپ کسی ایک نمبر کے بجائے حد کی بنیاد پر منصوبہ بندی کرتے ہیں، تو آپ کم اور زیادہ دونوں صورتوں کے لیے تیار رہیں گے۔ طاق نمبروں پر یقین کرنا زیادہ پراعتماد پیشین گوئی کی کلاسک غلطی ہے۔
وقفہ کاری کی منصوبہ بندی کی ایک عملی منطق ہے: صحت کی دیکھ بھال میں، غلطی کے کوئی دو پہلو یکساں طور پر مہنگے نہیں ہوتے۔ جب کافی عملہ اور زیادہ مانگ نہ ہو تو انتظار، زیادہ بھیڑ اور مریضوں کی حفاظت کا خطرہ ہوتا ہے۔ یہ ایک بھاری قیمت ہے۔ جب ضرورت سے زیادہ عملہ اور کم مانگ ہوتی ہے تو بیکار اخراجات ہوتے ہیں۔ یہ بھی ناپسندیدہ لیکن زیادہ قابل انتظام ہے۔ لہذا، اہم اکائیوں (ہنگامی، انتہائی نگہداشت) میں منصوبہ بندی اکثر حد کے اوپری سرے (اعلی منظر نامے) کے قریب کی جاتی ہے، لیکن ایک لچکدار منصوبے کے ساتھ جو اضافی صلاحیت کو دوسرے یونٹ میں منتقل کر سکتا ہے۔ سب سے قیمتی چیز جو پیشن گوئی آپ کو دیتی ہے وہ صحیح نمبر نہیں ہے، لیکن اس دو طرفہ خطرے کو دیکھنے اور باخبر بفر کو منتخب کرنے کی صلاحیت ہے۔
مرحلہ وار: AI کے ساتھ مانگ کی پیشن گوئی
- کافی تاریخی ڈیٹا اکٹھا کریں۔ کم از کم ایک پورے سال کے لیے گمنام روزانہ/ہفتہ وار درخواستوں کی تعداد، ترجیحاً 2-3 سال، موسمی کیفیت کو حاصل کرنے کے لیے۔
- سیاق و سباق شامل کریں۔ معلوم اثرات جیسے تعطیلات، مہمات، موسم، وبائی ادوار کو نشان زد کریں۔ بصورت دیگر، AI سوچے گا کہ وہ شور ہیں۔
- گلنا۔ AI سے رجحان، موسمی اور غیر معمولی چھلانگوں کا خلاصہ کرنے کو کہیں۔
- وقفہ کی پیشن گوئی حاصل کریں۔ کم/ممکنہ/زیادہ منظرناموں کے ساتھ پیشین گوئیاں طلب کریں، ایک عدد نہیں۔
- صلاحیت میں تبدیل کریں۔ تخمینہ شدہ اہلکاروں، بستر اور مادی ضروریات کو تبدیل کریں۔
- ٹوٹ پھوٹ کا کنٹرول۔ اگر افق پر کوئی ایسا عنصر ہے جو ماضی میں موجود نہیں تھا، جیسے کہ وبا، قانون سازی میں تبدیلی، یا نئی سروس کا آغاز، ماہرانہ فیصلے کے ساتھ پیشین گوئی کو دستی طور پر درست کریں۔
احتیاط: اگر آپ AI کو کہتے ہیں کہ "اگلے سال کی پیش گوئی کریں" اور اسے ڈیٹا نہیں دیتے ہیں، تو یہ آپ کو ایک بنایا ہوا نمبر دے گا۔ پیشن گوئی صرف آپ کے فراہم کردہ تاریخی ڈیٹا پر ہی معنی خیز ہے۔
تین چھوٹے مقدمات
کیس 1 - فلو کے موسم کی تیاری۔ ایک ہسپتال نے YZ کو 3 سال کا گمنام روزانہ ہنگامی داخلے کا ڈیٹا دیا۔ YZ نے ظاہر کیا کہ ہر سال وسط دسمبر اور فروری کے درمیان درخواستوں میں اوسطاً 35 فیصد اضافہ ہوا، جنوری کے تیسرے ہفتے میں یہ عروج کے ساتھ۔ انتظامیہ نے اس ونڈو کے دوران اضافی معالج اور نرس کی شفٹوں کا منصوبہ بنایا اور فلو کی ویکسین اور تیز ٹیسٹوں کا ذخیرہ بڑھا دیا۔ اس موسم سرما میں، چوٹی کے ہفتے کے دوران انتظار کے اوقات پچھلے سال کے مقابلے میں نمایاں طور پر گرے؛ کیونکہ گنجائش پہلے ہی بھیڑ کو پورا کر چکی ہے۔
کیس 2 - وقفہ کے بجائے منظرنامہ۔ ایک بزنس مینیجر نے AI سے اپنی "اگلے ہفتہ کو فوری درخواست" کے لیے ایک نمبر کے لیے پوچھا: 240۔ پھر اس نے اعتماد کے وقفے کے ساتھ دوبارہ پوچھا: 205–275۔ مینیجر نے 275 (اعلی منظر نامے) کے مطابق منصوبہ بندی کی، لیکن 205 کے مطابق ایک لچکدار ایگزٹ پلان بھی تیار کیا (اضافی اہلکاروں کو دوسرے یونٹ میں منتقل کرنا)۔ اصل درخواستیں 262 تھیں۔ اگر وہ کسی ایک نمبر پر بھروسہ کرتا تو وہ 22 مریضوں کی منصوبہ بندی کرتا۔ وقفے وقفے سے کام کرنا اس کی حفاظت کرتا تھا۔
کیس 3 - بریک آؤٹ پیشین گوئی میں خلل ڈالتا ہے۔ ایک علاقے میں غیر متوقع سیلاب آیا۔ تاریخی اعداد و شمار پر مبنی پیشن گوئی نے اس ہفتے کے لیے "عام" کہا؛ جبکہ ہنگامی درخواستیں دگنی ہوگئی ہیں۔ اے آئی کی پیشن گوئی بریک نہیں دیکھ سکی کیونکہ اس طرح کا واقعہ ماضی میں موجود نہیں تھا۔ کرائسس ڈیسک پیشن گوئی سے ہٹ کر ریئل ٹائم ایپلیکیشن ٹریکنگ اور فی گھنٹہ اپ ڈیٹس پر چلا گیا ہے۔ سبق: ساختی ٹوٹ پھوٹ میں، ماضی ایک رہنما نہیں رہ جاتا ہے۔ ماہرانہ فیصلے اور لائیو مانیٹرنگ کو فوقیت حاصل ہے۔
چار کاپی کرنے کے قابل ٹیمپلیٹس
1) ٹائم سیریز سڑنا:
آپ کا کردار: ہسپتال کے مطالبہ کے تجزیہ کار کے معاون۔ ذیل میں ہنگامی داخلہ نمبروں کی ایک گمنام، 3 سالہ ہفتہ وار فہرست ہے۔ کام: (1) عمومی رجحان (اضافہ/کمی) کا خلاصہ کریں، (2) مہینے کے حساب سے موسمی نمونہ بیان کریں، (3) کسی بھی غیر معمولی چھلانگ کو نمایاں کریں۔ حقیقی نمونہ کیا ہے اور بے ترتیب اتار چڑھاؤ کیا ہو سکتا ہے کے درمیان فرق کریں۔ میک اپ نمبرز شامل کرنا۔
2) وقفہ کی پیشن گوئی:
مندرجہ بالا ڈیٹا کی بنیاد پر، اگلے 4 ہفتوں کے لیے ہفتہ وار ہنگامی درخواست کی پیشن گوئی کریں۔ ایک عدد نہیں؛ ہر ہفتے کے لیے کم / زیادہ امکان / زیادہ کی حد دیں۔ مختصراً وضاحت کریں کہ رینج اتنی وسیع کیوں ہے۔
3) تخمینی صلاحیت میں تبدیلی:
چوٹی کے ہفتے کے لیے اعلی منظر نامے کا تخمینہ 275 داخلے فی دن ہے۔ اوسطا ایمرجنسی ڈاکٹر فی شفٹ ~35 مریض دیکھتا ہے، ایک نرس ~25 دیکھتی ہے۔ کام: اعلی منظر نامے میں مطلوبہ ڈاکٹروں اور نرسوں کی کم از کم تعداد کا حساب لگائیں، فارمولہ دکھائیں۔ بیان کریں کہ یہ منصوبہ بندی کا ان پٹ ہے اور حتمی فیصلہ مینیجر پر منحصر ہے۔
4) ٹوٹ پھوٹ کی وارننگ چیک لسٹ:
ایک چیک لسٹ تیار کریں جس میں میں پوچھوں گا کہ کیا کوئی ایسا عنصر ہے جو اگلی مدت میں تاریخی اعداد و شمار میں نہیں ہے: وبا، قانون سازی میں تبدیلی، نئے یونٹ کا افتتاح، علاقائی واقعہ، موسم/آفت۔ ہر آئٹم کے لیے ایک نوٹ شامل کریں، "اگر ایسا ہے تو، میں پیشین گوئی کو دستی طور پر کیسے درست کروں؟"
کمزور فوری / مضبوط اشارہ
کمزور اشارہ:
اگلے مہینے کتنے مریض آئیں گے؟
کوئی ڈیٹا، کوئی یونٹ، کوئی مدت کی تعریف نہیں؛ AI صرف چیزیں بنا سکتا ہے۔
طاقتور اشارہ:
میرے پاس 3 سال کا گمنام ہفتہ وار آؤٹ پیشنٹ کلینک کی درخواست کا ڈیٹا (منسلک) ہے۔ میں جانتا ہوں کہ سردیوں کے مہینوں میں بوجھ بڑھ جاتا ہے۔ اگلے 6 ہفتوں کے لیے کم/ممکنہ/زیادہ رینج کی پیشن گوئی دیں، مہینوں کے حساب سے موسمی پیٹرن کی وضاحت کریں، اور کسی بھی تعصبی عوامل کی فہرست بنائیں جو پیش گوئی کو نامکمل/گمراہ کن بنا سکتے ہیں۔
تصور
آپ کا کیا مطلب ہے؟
منصوبہ بندی پر اثرات
رجحان
طویل مدتی سمت
مستقل صلاحیت کی سرمایہ کاری
موسمی
باقاعدہ تکرار
موسمی اضافی عملہ/اسٹاک
اعتماد کا وقفہ
پیشن گوئی کی غیر یقینی صورتحال
کم اور اعلی منظر نامے کا منصوبہ
فریکچر
ایسا واقعہ جو ماضی میں نہیں ہوا۔
اندازہ لگانا بند کریں، لائیو ویونگ پر سوئچ کریں۔
عام غلطیاں
- طاق عدد پر یقین۔ تخمینہ ایک حد ہے؛ کسی ایک نکتے کی بنیاد پر منصوبہ بندی کرنا خطرناک ہے۔
- ناکافی ڈیٹا۔ ایک سال سے کم ڈیٹا کے ساتھ سیزنلٹی کو پکڑا نہیں جا سکتا۔
- سیاق و سباق کو نشان زد نہیں کرنا۔ اگر آپ تعطیلات اور پروموشنز کی وضاحت نہیں کرتے ہیں، تو AI انہیں شور سمجھ کر غلطی کرے گا۔
- ٹوٹ پھوٹ کو نظر انداز کرنا۔ وبائی/آفت کے ادوار کے دوران، ماضی کا ڈیٹا گمراہ کن ہے۔
- پیش گوئی کرنے والا فیصلہ۔ پیشن گوئی ایک ان پٹ ہے؛ عملے اور بجٹ کے فیصلے مینیجر سے تعلق رکھتے ہیں۔
ٹپ: اپنی پیشن گوئی کا ہر ماہ حقیقی سے موازنہ کریں اور "کتنا بند ہے" کا ریکارڈ رکھیں۔ یہ فیڈ بیک آپ کی پیشین گوئی اور ڈیٹا دونوں کو بہتر بناتا ہے جو آپ AI کو دیتے ہیں اور آپ کو سکھاتا ہے کہ پیشین گوئی پر کتنا بھروسہ کرنا ہے۔
خلاصہ میں
ڈیمانڈ کی پیشن گوئی ماضی کے اعداد و شمار سے مستقبل تک ایک پل بناتی ہے، لیکن یہ پل غیر یقینی ہے۔ AI وقت کی سیریز کو رجحان، موسمی اور شور میں الگ کرنے اور وقفہ کی پیشن گوئی پیدا کرنے میں ایک طاقتور مدد ہے۔ اعتماد کے وقفے پر بنیادی منصوبہ بندی، ایک عدد نہیں؛ پست اور اعلیٰ منظر نامے کے لیے ایک ساتھ تیاری کریں۔ سب سے اہم بات: ماضی کے اعداد و شمار ٹوٹ پھوٹ کے وقت میں رہنما نہیں رہے جیسے کہ وبائی امراض، آفات، اور قانون سازی میں تبدیلی؛ اسی جگہ ماہرانہ فیصلہ اور اصل وقت کی نگرانی پہلے آتی ہے۔
درخواست کا کام
اگر آپ کے پاس کم از کم ایک سال کا گمنام ہفتہ وار حوالہ ڈیٹا ہے (اگر نہیں، فرضی تخلیق کریں)، تو AI سے موسمی پیٹرن اور 4 ہفتے کے وقفہ کی پیشن گوئی کے ساتھ "ٹائم سیریز سڑنے" اور "وقفہ پیشن گوئی" ٹیمپلیٹس سے پوچھیں۔ پھر سب سے زیادہ ممکنہ اقدار کا موازنہ اپنی اوسط اوسط سے کریں۔ 5 آئٹمز میں لکھیں کہ آپ افق پر ٹوٹنے والے عنصر کی شناخت کیسے کریں گے (مثال کے طور پر، ایک نیا آؤٹ پیشنٹ کلینک کھولنا) اور پیشین گوئی کو دستی طور پر درست کریں۔
چیک لسٹ
- [ ] کیا میں نے کم از کم ایک سال کا گمنام ڈیٹا استعمال کیا تاکہ موسمی حالات کو پکڑا جا سکے؟
- [ ] کیا میں نے سیاق و سباق جیسے تعطیلات/ مہمات کو نشان زد کیا ہے؟
- کیا میں نے ایک عدد کے بجائے اعتماد کے وقفے کے ساتھ منصوبہ بنایا؟
- کیا میں نے افق پر ٹوٹنے والے عوامل کی جانچ کی ہے؟
- کیا میں تخمینہ کو ان پٹ کے طور پر لیتا ہوں اور فیصلہ مینیجر پر چھوڑ دیتا ہوں؟