Abans de cada pregunta i resposta, els desenvolupadors del programari tenen algunes observacions generals importants a destacar:
Això depèn de la solució que triï el client. Si opta per l’allotjament als vostres/els nostres servidors, necessitarà un compte. Si opta per allotjar-lo als seus propis servidors dins del seu tallafocs, haurem d’instal·lar el programari als seus ordinadors mitjançant contenidors.
Vegeu l’apartat anterior sobre l’allotjament. Cal una certa potència de càlcul per desenvolupar el primer model (semblant a un ordinador d’escriptori potent), però executar les prediccions en directe requereix molt poca capacitat (es pot executar fàcilment en un ordinador estàndard). Si s’allotja als vostres o als nostres servidors, una connexió a internet estàndard és més que suficient. Bàsicament, només cal transferir dades equivalents a una pàgina A4 cada 15 minuts i una imatge senzilla cada vegada que es sol·liciten prediccions. Chrome és el millor navegador per a la nostra solució.
Funciona en un únic ordinador o servidor, però es pot accedir des de connexions il·limitades. Si actualitzeu o canvieu d’ordinador, caldrà traslladar el programari, però no és cap problema.
Actualment no hi ha plans per a una aplicació dedicada, però els gràfics són escalables i, per tant, es poden mostrar en qualsevol dispositiu.
El sistema només requereix dades d’arribades històriques i dades actualitzades preferiblement cada hora per funcionar de manera òptima, proporcionades pel client. Si s’han d’integrar altres fonts de dades diferents de les estàndard, el sistema necessitarà accés a aquestes, ja sigui localment o per internet. El sistema pot gestionar formats CSV, Excel i JSON. Tanmateix, és preferible que segueixin una estructura predefinida. Us proporcionarem una descripció del format.
És difícil de respondre. Cada font de dades addicional requereix una anàlisi específica. Com s’ha indicat anteriorment, només necessitem dades històriques i en temps real del client. Dit això, de vegades fonts addicionals poden aportar informació que no queda reflectida en les dades estàndard. Si el client disposa d’aquestes fonts, les podem integrar en les prediccions aplicant els mateixos formats que per a les dades d’influx.
Això s’està implementant actualment. De moment, el sistema utilitza un enfocament basat en nom d’usuari i contrasenya amb validació per correu electrònic. La contrasenya està encriptada i la transmissió de dades es fa a través del protocol https amb xifratge TLS 1.3. El procés de recuperació de compte encara no s’ha implementat.
En un departament amb aproximadament 95 arribades diàries, hem aconseguit durant dos anys una precisió de +/- 1 pacient per hora el 95% del temps (mesurat en períodes de 8 hores). El sistema monitoritza activament la precisió i activa una recalibració si aquesta disminueix per sota d’un nivell acordat amb el client.
El sistema pot allotjar-se al client, als vostres servidors, als nostres (a Dinamarca) o en un centre de dades a Alemanya. La quantitat de dades transferides entre el client i els servidors és tan baixa que realment no importa on s’ubiquin els servidors.
Tot i que el sistema es pot configurar amb molts nivells d’usuari, només uns pocs tenen sentit real. Suggerim aplicar tres nivells: (1) Usuari principal (administrador), responsable financer i dels altres usuaris del client, (2) superusuari, que pot seleccionar i configurar les prediccions, (3) usuari convidat (o espectador), que pot visualitzar les prediccions del client.
Això depèn de si el sistema s’instal·la en el maquinari nostre o del client. En aquest darrer cas, és el tallafoc del client el que proporciona la seguretat. Si s’instal·la en el nostre maquinari, apliquem un enfocament de confiança zero (zero-trust) (vegeu defined.net) per a la comunicació entre equips, i només el frontal (front-end) és accessible des de sistemes externs. Tot el demés queda bloquejat pel tallafoc. A més, el sistema s’executa en contenidors on cada contenidor només es pot accedir mitjançant ports específics (per exemple, el port 443 per a HTTPS) des d’usuaris externs. Els contenidors s’instal·len sense accés d’administrador (root) per minimitzar els privilegis.
Preferim que tot el manteniment el fem nosaltres o vosaltres per garantir la màxima qualitat. Oferim manteniment durant l’horari laboral habitual i també es pot contractar suport addicional per un cost extra.
Si s’executa en els nostres servidors, ens en fem càrrec nosaltres. Si s’executa en servidors del client, és responsabilitat seva. No tenim requisits específics pel que fa als components, ja que el sistema pot funcionar en qualsevol instal·lació estàndard de Linux (preferiblement).
Preferiblement Linux (basat en Debian, com ara Ubuntu Server 22.04 LTS o superior), però també donem suport a Windows per executar el sistema complet. Per visualitzar les prediccions dels models només cal tenir accés a un navegador web.
El sistema backend està desenvolupat en llenguatge C++, mentre que els components frontend s’han desenvolupat amb Javascript utilitzant NodeJS (vegeu nodejs.org) com a motor d’execució. La biblioteca libTorch (variant en C++ del framework PyTorch, vegeu pytorch.org) s’utilitza per implementar els models d’aprenentatge automàtic.
El sistema és una col·lecció de microserveis que poden executar-se en entorns de contenidors com Docker (docker.com) o Podman (podman.io). Per tant, cada microservei pot ser reemplaçat o actualitzat sense afectar la resta sempre que la seva API no canviï. Això permet una millora contínua del sistema global. A més, el sistema es pot ampliar amb nous components.
Les dades provenen d’agències nacionals o equivalents. Només fem servir dades procedents d’agències nacionals o internacionals o fonts similars.
PraeSight (la nostra eina de predicció a curt termini) actualment prediu fins a 12 hores endavant, però tenim previst ampliar aquest límit. PraePlan (la nostra eina de planificació a llarg termini) podrà predir assistència amb mesos d’antelació. Mentre que PraeSight és molt precisa (vegeu més amunt), la precisió de PraePlan depèn de la quantitat d’històric de dades que tingui el client. L’experiència ens diu que calen almenys entre 3 i 4 anys de dades, preferiblement més.
Fins ara, l’encert és del 95% dels casos, però evidentment no podem garantir que això sigui sempre així. Sempre proporcionem dades sobre els intervals de confiança de les nostres prediccions perquè el client pugui avaluar-ne la fiabilitat. Si els intervals de confiança són molt amplis, les prediccions s’han de considerar amb més precaució.