Antes de cada pregunta y respuesta, los desarrolladores del software tienen algunas observaciones generales importantes que señalar:
Esto depende de la solución que el cliente elija. Si optan por el alojamiento en nuestros/sus servidores, necesitarán una cuenta. Si optan por alojarlo en sus propios servidores dentro de su firewall, necesitaremos instalar el software en sus ordenadores usando contenedores.
Véase más arriba respecto al alojamiento. Será necesario algo de capacidad de cómputo para desarrollar el primer modelo (similar a un ordenador de sobremesa potente), mientras que ejecutar las predicciones en tiempo real requerirá muy pocos recursos del ordenador (se puede ejecutar fácilmente en un ordenador estándar). Si está alojado en tus/nuestros servidores, una conexión estándar a internet es más que suficiente. Básicamente, solo necesitamos transferir números equivalentes a una página A4 cada 15 minutos y una imagen simple cada vez que se solicitan las predicciones. Chrome es el mejor navegador para nuestra solución.
Funcionará en un solo ordenador o servidor, pero se puede acceder desde un número ilimitado de conexiones. Si actualizas o cambias de ordenador, el software tendrá que ser trasladado, pero eso no supone ningún problema.
Actualmente no hay planes para una aplicación dedicada, pero los gráficos serán escalables y, por lo tanto, podrán visualizarse en cualquier dispositivo.
El sistema solo requiere datos sobre llegadas históricas y datos actualizados, preferiblemente cada hora, proporcionados por el cliente, para funcionar de forma óptima. Si se desean integrar fuentes de datos distintas a las estándar, el sistema requerirá acceso a ellas, ya sea localmente o a través de internet. El sistema puede manejar tanto CSV como Excel, así como JSON. No obstante, es preferible que sigan una estructura predefinida. Nosotros proporcionaremos una descripción del formato.
Es difícil de responder. Cada fuente de datos adicional requiere un análisis específico. Como se indicó anteriormente, solo requerimos datos históricos y en tiempo real del cliente. Dicho esto, a veces fuentes de datos adicionales pueden proporcionar información no captada por las fuentes estándar, y si el cliente tiene acceso a dichas fuentes, podemos integrarlas en las predicciones utilizando los mismos formatos que los datos de entrada.
TEsto se está implementando en el momento de redactar este texto. Por ahora, se utiliza un sistema de usuario/contraseña con validación por correo electrónico. La contraseña está cifrada y el transporte de la información se realiza mediante protocolo https usando cifrado TLS 1.3. El proceso de recuperación aún no ha sido implementado.
En un departamento con aproximadamente 95 llegadas por día, durante dos años hemos alcanzado una precisión de ±1 paciente por hora el 95% del tiempo (medido en periodos de 8 horas). El sistema supervisa activamente la precisión y activará una recalibración si esta disminuye por debajo de un nivel acordado con el cliente.
El sistema puede estar alojado en el cliente, en sus servidores, en los nuestros (en Dinamarca) o en un centro de datos en Alemania. La cantidad de datos transferidos entre el cliente y los servidores es tan pequeña que realmente no importa dónde estén ubicados los servidores.
Aunque el sistema puede configurarse, en principio, para tener muchos niveles de usuario diferentes, solo unos pocos tienen sentido. Sugerimos que el cliente utilice tres niveles de usuario:
(1) Usuario principal (administrador), responsable financiero y de la gestión del resto de usuarios del cliente, (2) superusuario, que puede seleccionar y configurar las predicciones, (3) usuario invitado (o visor), que solo puede visualizar las predicciones del cliente.
Esto depende de si el sistema está instalado en nuestro hardware o en el del cliente. En el segundo caso, la seguridad la proporciona el cortafuegos del cliente. Si está instalado en nuestro hardware, aplicamos un enfoque de confianza cero (zero-trust, ver https://www.defined.net/) para la comunicación entre sistemas, y solo el front-end es accesible desde sistemas externos. Todo lo demás está bloqueado por el cortafuegos.
Además, el sistema está configurado en contenedores donde cada contenedor solo puede ser accedido a través de puertos específicos (por ejemplo, el puerto 443 para https) desde usuarios externos. Los contenedores están configurados sin acceso root (administrador), de manera que los privilegios están minimizados.
Preferimos que todo el mantenimiento sea realizado por nosotros o por ustedes para garantizar una calidad óptima. Ofrecemos mantenimiento dentro del horario laboral habitual, y se puede contratar soporte adicional por una tarifa.
Si el sistema se ejecuta en nuestros servidores, nos encargamos nosotros. Si se ejecuta en servidores del cliente, dependerá de ellos. No tenemos requisitos específicos para los componentes, ya que el sistema puede ejecutarse en cualquier instalación estándar de Linux (preferiblemente).
Preferiblemente Linux (basado en Debian, como Ubuntu Server 22.04 LTS o superior), aunque también damos soporte para ejecutar el sistema completo en Windows. Para visualizar las predicciones de los modelos de pronóstico, solo se necesita acceso a un navegador.
El sistema backend está desarrollado en el lenguaje de programación C++, mientras que los componentes frontend están desarrollados en JavaScript utilizando NodeJS (ver https://nodejs.org/) como motor de ejecución. La biblioteca libTorch (la variante en C++ del framework PyTorch, ver https://pytorch.org/) se utiliza para implementar los modelos de aprendizaje automático.
El sistema es un conjunto de microservicios que pueden ejecutarse en un entorno contenedorizado, como Docker (https://www.docker.com/) o Podman (https://podman.io/). Por lo tanto, cada uno de los microservicios puede ser reemplazado o actualizado sin afectar a los demás, siempre que la API permanezca sin cambios. Esto permite una mejora continua del sistema en general. Además, el sistema puede ampliarse con nuevos componentes.
Estos se extraen de agencias nacionales o equivalentes. Solo utilizamos datos de agencias nacionales o internacionales, o equivalentes.
PraeSight (nuestra predicción a corto plazo) actualmente realiza predicciones con hasta 12 horas de antelación, pero planeamos ampliarlo. PraePlan (nuestra predicción a largo plazo) realizará previsiones de asistencia con meses de anticipación. Mientras que PraeSight es muy preciso (ver arriba), la precisión de PraePlan depende de la duración de los datos históricos proporcionados por el cliente. La experiencia nos dice que se necesitan al menos entre 3 y 4 años de datos, y preferiblemente más.
Hasta la fecha, acertamos el 95 % de las veces, pero por supuesto no podemos garantizar que siempre sea así. Siempre proporcionamos datos sobre los intervalos de confianza de nuestras predicciones para que el cliente pueda hacer su propia valoración de la fiabilidad de las mismas. Si los intervalos de confianza son muy amplios, no se debería confiar demasiado en las predicciones.
