![\"Ceo](\"https:\/\/keplervision.eu\/wp-content\/uploads\/2025\/10\/CEO-blog-software-udates.png\" "\\"CEO-blogg")
\n <\/div>\n \n \n <\/div>\n <\/div>\n Er det verdt \u00e5 betale \u00e5rlig for programvareoppdateringer
Innledning: Hva handler denne bloggen om?<\/span><\/h1>\nHos Kepler Vision Technologies utvikler vi kunstig intelligens som hjelper sykehus, sykehjem og psykiatriske institusjoner med \u00e5 overv\u00e5ke beboernes velv\u00e6re. N\u00e5r en beboer trenger hjelp, sender programvaren v\u00e5r umiddelbart et alarm til pleiepersonalets smarttelefon. <\/p>\n
Vi lisensierer programvaren v\u00e5r gjennom et \u00e5rlig abonnement i stedet for en engangsbetaling. De l\u00f8pende kostnadene gir kundene rett til programvareoppdateringer. Hva gir disse oppdateringene dem egentlig? Blir programvaren faktisk bedre med tiden? <\/span><\/p>\nDet korte svaret: ja, absolutt. Programvaren v\u00e5r blir stadig bedre. Oppdateringene er verdt investeringen: Vi har for eksempel nylig lagt til funksjonen for gjenkjenning av liggestillinger for \u00e5 forebygge ligges\u00e5r. Den samme funksjonen gj\u00f8r det mulig \u00e5 oppdage uro i sengen. Dette er synlige og merkbare forbedringer. <\/p>\n
Men det skjer enda mer n\u00e5r det gjelder usynlige forbedringer, der vi finpusser gjenkjenningskvaliteten til programvaren v\u00e5r. Disse forbedringene er mindre h\u00e5ndgripelige, men de finnes absolutt, og de er betydelige. Oppdatering av v\u00e5re nevrale nettverk krever kostbar datakraft til oppl\u00e6ring og verifisering. Ogs\u00e5 disse forbedringene inng\u00e5r i programvareoppdateringene v\u00e5re. Denne bloggen fokuserer hovedsakelig p\u00e5 de usynlige forbedringene. <\/span><\/p>\nI resten av denne artikkelen<\/span>:<\/span><\/p>\n\n- Jeg skal forklare hvorfor standardm\u00e5lingen for kvalitetsforbedring ikke lenger fungerer for programvaren v\u00e5r.<\/span><\/li>\n
- Jeg skal g\u00e5 gjennom de alternative m\u00e5leparametrene vi bruker: antall uoppdagede alarmer og falske alarmer over tid.<\/li>\n
- Jeg skal beskrive de fire faktorene som driver forbedringen av v\u00e5r AI. Jeg skal vise hva 30 programvareoppdateringer p\u00e5 20 m\u00e5neder har f\u00f8rt til, og hvordan investeringene v\u00e5re gir avkastning. <\/li>\n<\/ul>\n\n
Alt som blir omtalt her, handler om v\u00e5r Kepler Night Nurse-programvare, som kj\u00f8rer lokalt p\u00e5 AI-servere. Til slutt skal jeg forklare hvordan disse resultatene ogs\u00e5 gjelder for v\u00e5r innebygde Kepler Nurse Assist-programvare, som kj\u00f8rer p\u00e5 Mobotix C71-sensoren. <\/p>\n<\/div>\n
\nHvorfor standardm\u00e5lemetoden for kvalitetsm\u00e5ling ikke lenger fungerer for programvaren v\u00e5r<\/span><\/h3>\nEn mye brukt m\u00e5leenhet for \u00e5 vurdere hvor godt programvare for datavisjon fungerer, er gjennomsnittlig presisjon (Average Precision)<\/i>. Denne angis som en verdi mellom 0 og 100 %. Verdier over 80 % regnes som utmerket, mens verdier under 50 % tyder p\u00e5 at det er rom for forbedring. <\/p>\n
Vi anser gjennomsnittlig presisjon som et sv\u00e6rt p\u00e5litelig m\u00e5l. Hos Kepler beregner vi dette p\u00e5 hundretusener av testbilder \u2013 to st\u00f8rrelsesordener st\u00f8rre enn det som er vanlig i akademiske benchmark-tester. Testdatasettene v\u00e5re gir derfor sv\u00e6rt p\u00e5litelige tall som n\u00f8yaktig gjenspeiler virkeligheten. <\/span><\/p>\nI begynnelsen var v\u00e5re Average Precision-resultater beskjedne. Men allerede i l\u00f8pet av v\u00e5rt andre \u00e5r steg de til 99,7 %, og deretter til verdier over 99,99 %. Fantastiske nyheter \u2013 men dette betyr at gjennomsnittlig presisjon ikke lenger er et brukbart m\u00e5l. S\u00e5 snart man kommer s\u00e5 n\u00e6r 100 %, slutter m\u00e5let \u00e5 v\u00e6re relevant. Et luksusproblem, men likevel et problem. <\/p>\n
Og for \u00e5 v\u00e6re \u00e6rlig: helsepersonell bryr seg ikke om Average Precision-verdier. I samtaler med sykepleiere snakker jeg aldri om det. Det som teller for dem, er antall oversette alarmer per \u00e5r og antall falske alarmer. Derfor vil jeg i resten av denne artikkelen fokusere p\u00e5 disse to praktiske m\u00e5lingene. <\/span><\/p>\nUoppdagede fall: det vanskeligste \u00e5 m\u00e5le<\/strong><\/h3>\n\nN\u00e5r en beboer faller, men programvaren v\u00e5r ikke oppdager dette, snakker vi om et \u00abfalse negative<\/i>\u00bb. For et AI-selskap er det sv\u00e6rt vanskelig \u00e5 oppdage en uteblitt alarm p\u00e5 egen h\u00e5nd. Her er vi avhengige av brukerne av programvaren, alts\u00e5 helsepersonellet.<\/span> <\/p>\n<\/div>\nHos Kepler m\u00e5ler vi falske negativer ved \u00e5 be helseinstitusjonene aktivt om \u00e5 rapportere hvert fall som programvaren overser til oss. Til dette form\u00e5let tilbyr vi et nettbasert rapporteringsverkt\u00f8y. I de sjeldne tilfellene hvor et fall overses, ser vi p\u00e5 videoen og legger hendelsen til i treningsdataene v\u00e5re. Etter omskolering vil programvaren v\u00e5r ikke lenger overse denne typen fall. <\/span><\/p>\nVi anser disse meldingene som sv\u00e6rt p\u00e5litelige. Helsepersonellet blir alltid varslet n\u00e5r et fall ikke blir oppdaget (det blir vi ogs\u00e5), og de melder gjerne fra om dette. <\/span><\/p>\nFalske alarmer: Vanskeligere \u00e5 oppdage <\/strong><\/h3>\nEn falsk alarm, eller \u00abfalse positive\u00bb<\/i>, er lettere \u00e5 oppdage. For \u00e5 finne ut hvor mange falske alarmer programvaren v\u00e5r gir, bruker vi to metoder: <\/p>\n\n- Manuell kvalitetskontroll.<\/b><\/span> N\u00e5r en ny helseorganisasjon tar i bruk programvaren v\u00e5r, ber vi nesten alltid om tillatelse til \u00e5 f\u00f8lge med. Vi sjekker da om hvert enkelt alarm som utl\u00f8ses, var berettiget. Disse tallene er sv\u00e6rt p\u00e5litelige. <\/span><\/li>\n
- Det tidligere nevnte nettbaserte rapporteringsverkt\u00f8yet.<\/b>Falske alarmer oppleves som mindre f\u00f8lelsesmessig belastende enn alarmer som ikke blir oppdaget. Som jeg skal forklare senere, mistenker jeg at bare en br\u00f8kdel av de falske alarmene blir rapportert. Det er alts\u00e5 ikke v\u00e5r mest p\u00e5litelige m\u00e5leparameter, men den gir likevel en indikasjon p\u00e5 trender: g\u00e5r programvaren fremover eller bakover? <\/li>\n<\/ol>\n
De fire drivkreftene bak forbedring av AI<\/span><\/h3>\n <\/p>\n
I l\u00f8pet av en periode p\u00e5 20 m\u00e5neder, fra januar 2024 til september 2025, har vi gjort store fremskritt med \u00e5 forbedre programvaren v\u00e5r:<\/p>\n
<\/p>\n<\/div>\n
\n\n- Vi samlet inn flere timer med videomateriale, analyserte det manuelt og merket feilene \u2013 noe som resulterte i 16 % mer treningsdata.<\/span><\/li>\n
- Vi trente opp nye nevrale nettverk med disse dataene \u2013 39 ganger totalt.<\/span><\/li>\n
- Vi lanserte 30 programvareoppdateringer som inneholdt disse modellene og arkitekturene.<\/span><\/li>\n
- Vi innf\u00f8rte tre nye nettverksarkitekturer, hvorav \u00e9n (november 2024) ga en tydelig kvalitetsforbedring (se figur 2).
<\/span><\/li>\n<\/ol>\n![\"\"](\"https:\/\/keplervision.eu\/wp-content\/uploads\/2025\/10\/blog-picture1.png\")
<\/p>\n
\u00d8kningen p\u00e5 16 % i treningsdataene v\u00e5re er ganske beskjeden. De siste \u00e5rene har vi fokusert p\u00e5 \u00e5 samle inn utelukkende de spesielle tilfellene: avvikene<\/i> og de oversette fallene. Ved \u00e5 legge disse til i treningsdataene v\u00e5re, unng\u00e5r vi \u00e5 overse slike situasjoner p\u00e5 nytt. Dette betyr ogs\u00e5 at st\u00f8rrelsen p\u00e5 datasettet v\u00e5rt ikke lenger vokser spektakul\u00e6rt, noe som kanskje h\u00f8res kontraintuitivt ut, men som faktisk er positivt. Som Peter Norvig, tidligere direkt\u00f8r for forskning og s\u00f8kekvalitet hos Google, en gang treffende sa: \u00abBedre data sl\u00e5r mer data.\u00bb<\/b><\/span> <\/p>\nV\u00e5r strategi for modelloppdateringer er derfor fullstendig kvalitetsdrevet. N\u00e5r vi kobler nye smarte sensorer til nye helseorganisasjoner og ser at ytelsen er lavere enn forventet, trener vi v\u00e5re nevrale nettverk p\u00e5 nytt basert p\u00e5 denne tilbakemeldingen. <\/p>\n
Resultatene: f\u00e6rre ubesvarte og falske alarmer
<\/strong><\/p>\nLa oss begynne med det viktigste resultatet: virkningen p\u00e5 uoppdagede fall (<\/span>falske negativer<\/i>). Figur 1 viser antall meldinger fra helsepersonell der det fremg\u00e5r at programvaren v\u00e5r ikke har registrert et fall.<\/span><\/p>\n![\"\"](\"https:\/\/keplervision.eu\/wp-content\/uploads\/2025\/10\/blog-picture2.png\")
<\/p>\n
Grafen viser at antallet uoppdagede fall har g\u00e5tt ned<\/span> med 44 %<\/span> i l\u00f8pet av 20 m\u00e5neder, noe som er en betydelig forbedring:<\/p>\n\n- For to \u00e5r siden:<\/span> V\u00e5re kunder rapporterte litt over 3 uregistrerte fall per 10 000 sensorer per m\u00e5ned. Dette tilsvarer <\/span>1 feilfall per 277 str\u00f8mmer<\/span>.<\/span><\/li>\n
- N\u00e5: litt under 2 uoppdagede fall per 10 000 sensorer per m\u00e5ned. Dette tilsvarer <\/span>1 feilfall per 416 str\u00f8mminger per \u00e5r<\/span>.
<\/span><\/li>\n![\"\"](\"https:\/\/keplervision.eu\/wp-content\/uploads\/2025\/10\/blog-picture3.png\")
<\/li>\n<\/ul>\nVed hjelp av den samme registreringsmekanismen viser figur 2 antall feil i det nevrale nettverket. Dette gjelder ikke bare fallalarmer, men ogs\u00e5 andre alarmer som \u00absitter p\u00e5 sengekanten\u00bb, \u00abute av sengen\u00bb, \u00abute av rommet\u00bb og s\u00e5 videre. Det totale antallet falske alarmer for alle disse registreringene har i l\u00f8pet av ett \u00e5r \u00f8kt med <\/span>har falt med nesten 50 %<\/span>.<\/span>
<\/span><\/p>\nVi har i tillegg en annen m\u00e5leparameter for falske alarmer, hentet fra v\u00e5r egen kvalitetssikringsprosedyre som vi bruker p\u00e5 nyinstallerte smarte sensorer. Resultatene for 12 m\u00e5neder, fra mars 2024 til mars 2025, viser f\u00f8lgende: tiden mellom to falske fallalarmer \u00f8kte fra <\/span>1 falsk alarm per 72 dager<\/span> til <\/span>1 falsk alarm per 148 dager<\/span>. Ogs\u00e5 dette bekrefter den nesten <\/span>50 % ytelsesforbedring<\/span>.<\/span><\/p>\n <\/p>\n
![\"\"](\"https:\/\/keplervision.eu\/wp-content\/uploads\/2025\/10\/blog-picture4-1024x577.png\")
<\/p>\n
<\/p>\n
Hvor p\u00e5litelige er disse statistikkene, og gjelder de ogs\u00e5 for v\u00e5r innebygde Kepler Nurse Assist-programvare?<\/b><\/h3>\n
Alle resultatene i denne artikkelen gjelder Kepler Night Nurse-programvaren, som kj\u00f8rer lokalt p\u00e5 AI-servere. Forskjellene og likhetene med den innebygde Kepler Nurse Assist-programvaren er som f\u00f8lger: <\/span><\/p>\n\n- Begge versjonene er tilgjengelige via et abonnementsmodell. For Nurse Assist kaller vi dette <\/span>Programvareoppdateringsgaranti<\/span>.<\/span><\/li>\n
- For serverversjonen er Kepler-ingeni\u00f8rene ansvarlige for programvareoppdateringene. For den innebygde versjonen installeres oppdateringene av systemintegrat\u00f8ren. <\/li>\n
- Minne- og regnekapasiteten p\u00e5 en AI-server er betydelig st\u00f8rre enn den som er tilgjengelig p\u00e5 et kamera. Derfor kj\u00f8rer kameraet andre nevrale nettverk enn serveren. Men: vi trener alle nevrale nettverk p\u00e5 n\u00f8yaktig de samme datasettene<\/span>. Dermed <\/span>gjelder ytelsesforbedringene vi m\u00e5ler for serverversjonen ogs\u00e5 for kameraversjonen. Den absolutte ytelsen varierer, men de relative forbedringene<\/span> overf\u00f8res.<\/span> <\/li>\n<\/ol>\n
Noen kommentarer:<\/p>\n
\n- R\u00b2-verdiene er lave n\u00e5r man ser p\u00e5 hvor godt m\u00e5lingene i figur 1 og 2 passer inn i en rett linje. Likevel er en trendlinje den eneste p\u00e5litelige m\u00e5ten \u00e5 utlede utviklingen over tid p\u00e5. <\/span><\/li>\n
- Det er mulig at sykepleierne i enkelte tilfeller hadde for mye \u00e5 gj\u00f8re til \u00e5 kunne rapportere dette. Likevel mener vi at m\u00e5lingene av uregistrerte fall er sv\u00e6rt p\u00e5litelige; sykepleierne er motivert til \u00e5 rapportere det umiddelbart n\u00e5r programvaren v\u00e5r svikter. <\/span><\/li>\n
- Noen nye installasjoner bruker videostr\u00f8mmer fra sensorer av sv\u00e6rt lav kvalitet. Dette kan ha hatt en negativ innvirkning p\u00e5 statistikken v\u00e5r, siden programvaren v\u00e5r er sv\u00e6rt avhengig av sensorer av h\u00f8y kvalitet. <\/span><\/li>\n<\/ul>\n
Konklusjon: Programvareforbedringer l\u00f8nner seg
<\/strong><\/p>\nS\u00e5: blir programvaren v\u00e5r bedre med tiden? Uten tvil.<\/span><\/p>\n\n- For to \u00e5r siden:<\/span> 1 feilfall per 277 str\u00f8mmer per \u00e5r.<\/span><\/li>\n
- N\u00e5:<\/span> 1 feilfall per 416 str\u00f8mminger per \u00e5r.<\/span><\/li>\n<\/ul>\n
Det er en betydelig forbedring. Konkret betyr dette at i en omsorgsinstitusjon med 416 beboere<\/span> vil programvaren v\u00e5r i gjennomsnitt overse ett fall per \u00e5r<\/span>. Og vi n\u00f8yer oss ikke med det. Vi fortsetter \u00e5 samle inn data, forbedre v\u00e5re nevrale nettverk og lansere nye oppdateringer. Alt med ett m\u00e5l: \u00e5 ivareta beboernes og pasientenes sikkerhet.<\/span><\/span><\/p>\n<\/div> <\/div>\n<\/div>\n <\/div>\n \n \n \n \n\n \n\t\t
Det korte svaret: ja, absolutt. Programvaren v\u00e5r blir stadig bedre. Oppdateringene er verdt investeringen: Vi har for eksempel nylig lagt til funksjonen for gjenkjenning av liggestillinger for \u00e5 forebygge ligges\u00e5r. Den samme funksjonen gj\u00f8r det mulig \u00e5 oppdage uro i sengen. Dette er synlige og merkbare forbedringer. <\/p>\n
Men det skjer enda mer n\u00e5r det gjelder usynlige forbedringer, der vi finpusser gjenkjenningskvaliteten til programvaren v\u00e5r. Disse forbedringene er mindre h\u00e5ndgripelige, men de finnes absolutt, og de er betydelige. Oppdatering av v\u00e5re nevrale nettverk krever kostbar datakraft til oppl\u00e6ring og verifisering. Ogs\u00e5 disse forbedringene inng\u00e5r i programvareoppdateringene v\u00e5re. Denne bloggen fokuserer hovedsakelig p\u00e5 de usynlige forbedringene. <\/span><\/p>\n I resten av denne artikkelen<\/span>:<\/span><\/p>\n Alt som blir omtalt her, handler om v\u00e5r Kepler Night Nurse-programvare, som kj\u00f8rer lokalt p\u00e5 AI-servere. Til slutt skal jeg forklare hvordan disse resultatene ogs\u00e5 gjelder for v\u00e5r innebygde Kepler Nurse Assist-programvare, som kj\u00f8rer p\u00e5 Mobotix C71-sensoren. <\/p>\n<\/div>\n En mye brukt m\u00e5leenhet for \u00e5 vurdere hvor godt programvare for datavisjon fungerer, er gjennomsnittlig presisjon (Average Precision)<\/i>. Denne angis som en verdi mellom 0 og 100 %. Verdier over 80 % regnes som utmerket, mens verdier under 50 % tyder p\u00e5 at det er rom for forbedring. <\/p>\n Vi anser gjennomsnittlig presisjon som et sv\u00e6rt p\u00e5litelig m\u00e5l. Hos Kepler beregner vi dette p\u00e5 hundretusener av testbilder \u2013 to st\u00f8rrelsesordener st\u00f8rre enn det som er vanlig i akademiske benchmark-tester. Testdatasettene v\u00e5re gir derfor sv\u00e6rt p\u00e5litelige tall som n\u00f8yaktig gjenspeiler virkeligheten. <\/span><\/p>\n I begynnelsen var v\u00e5re Average Precision-resultater beskjedne. Men allerede i l\u00f8pet av v\u00e5rt andre \u00e5r steg de til 99,7 %, og deretter til verdier over 99,99 %. Fantastiske nyheter \u2013 men dette betyr at gjennomsnittlig presisjon ikke lenger er et brukbart m\u00e5l. S\u00e5 snart man kommer s\u00e5 n\u00e6r 100 %, slutter m\u00e5let \u00e5 v\u00e6re relevant. Et luksusproblem, men likevel et problem. <\/p>\n Og for \u00e5 v\u00e6re \u00e6rlig: helsepersonell bryr seg ikke om Average Precision-verdier. I samtaler med sykepleiere snakker jeg aldri om det. Det som teller for dem, er antall oversette alarmer per \u00e5r og antall falske alarmer. Derfor vil jeg i resten av denne artikkelen fokusere p\u00e5 disse to praktiske m\u00e5lingene. <\/span><\/p>\n N\u00e5r en beboer faller, men programvaren v\u00e5r ikke oppdager dette, snakker vi om et \u00abfalse negative<\/i>\u00bb. For et AI-selskap er det sv\u00e6rt vanskelig \u00e5 oppdage en uteblitt alarm p\u00e5 egen h\u00e5nd. Her er vi avhengige av brukerne av programvaren, alts\u00e5 helsepersonellet.<\/span> <\/p>\n<\/div>\n Hos Kepler m\u00e5ler vi falske negativer ved \u00e5 be helseinstitusjonene aktivt om \u00e5 rapportere hvert fall som programvaren overser til oss. Til dette form\u00e5let tilbyr vi et nettbasert rapporteringsverkt\u00f8y. I de sjeldne tilfellene hvor et fall overses, ser vi p\u00e5 videoen og legger hendelsen til i treningsdataene v\u00e5re. Etter omskolering vil programvaren v\u00e5r ikke lenger overse denne typen fall. <\/span><\/p>\n Vi anser disse meldingene som sv\u00e6rt p\u00e5litelige. Helsepersonellet blir alltid varslet n\u00e5r et fall ikke blir oppdaget (det blir vi ogs\u00e5), og de melder gjerne fra om dette. <\/span><\/p>\n En falsk alarm, eller \u00abfalse positive\u00bb<\/i>, er lettere \u00e5 oppdage. For \u00e5 finne ut hvor mange falske alarmer programvaren v\u00e5r gir, bruker vi to metoder: <\/p>\n <\/p>\n I l\u00f8pet av en periode p\u00e5 20 m\u00e5neder, fra januar 2024 til september 2025, har vi gjort store fremskritt med \u00e5 forbedre programvaren v\u00e5r:<\/p>\n <\/p>\n<\/div>\n \u00d8kningen p\u00e5 16 % i treningsdataene v\u00e5re er ganske beskjeden. De siste \u00e5rene har vi fokusert p\u00e5 \u00e5 samle inn utelukkende de spesielle tilfellene: avvikene<\/i> og de oversette fallene. Ved \u00e5 legge disse til i treningsdataene v\u00e5re, unng\u00e5r vi \u00e5 overse slike situasjoner p\u00e5 nytt. Dette betyr ogs\u00e5 at st\u00f8rrelsen p\u00e5 datasettet v\u00e5rt ikke lenger vokser spektakul\u00e6rt, noe som kanskje h\u00f8res kontraintuitivt ut, men som faktisk er positivt. Som Peter Norvig, tidligere direkt\u00f8r for forskning og s\u00f8kekvalitet hos Google, en gang treffende sa: \u00abBedre data sl\u00e5r mer data.\u00bb<\/b><\/span> <\/p>\n V\u00e5r strategi for modelloppdateringer er derfor fullstendig kvalitetsdrevet. N\u00e5r vi kobler nye smarte sensorer til nye helseorganisasjoner og ser at ytelsen er lavere enn forventet, trener vi v\u00e5re nevrale nettverk p\u00e5 nytt basert p\u00e5 denne tilbakemeldingen. <\/p>\n Resultatene: f\u00e6rre ubesvarte og falske alarmer La oss begynne med det viktigste resultatet: virkningen p\u00e5 uoppdagede fall (<\/span>falske negativer<\/i>). Figur 1 viser antall meldinger fra helsepersonell der det fremg\u00e5r at programvaren v\u00e5r ikke har registrert et fall.<\/span><\/p>\n Grafen viser at antallet uoppdagede fall har g\u00e5tt ned<\/span> med 44 %<\/span> i l\u00f8pet av 20 m\u00e5neder, noe som er en betydelig forbedring:<\/p>\n Ved hjelp av den samme registreringsmekanismen viser figur 2 antall feil i det nevrale nettverket. Dette gjelder ikke bare fallalarmer, men ogs\u00e5 andre alarmer som \u00absitter p\u00e5 sengekanten\u00bb, \u00abute av sengen\u00bb, \u00abute av rommet\u00bb og s\u00e5 videre. Det totale antallet falske alarmer for alle disse registreringene har i l\u00f8pet av ett \u00e5r \u00f8kt med <\/span>har falt med nesten 50 %<\/span>.<\/span> Vi har i tillegg en annen m\u00e5leparameter for falske alarmer, hentet fra v\u00e5r egen kvalitetssikringsprosedyre som vi bruker p\u00e5 nyinstallerte smarte sensorer. Resultatene for 12 m\u00e5neder, fra mars 2024 til mars 2025, viser f\u00f8lgende: tiden mellom to falske fallalarmer \u00f8kte fra <\/span>1 falsk alarm per 72 dager<\/span> til <\/span>1 falsk alarm per 148 dager<\/span>. Ogs\u00e5 dette bekrefter den nesten <\/span>50 % ytelsesforbedring<\/span>.<\/span><\/p>\n <\/p>\n <\/p>\n Noen kommentarer:<\/p>\n Konklusjon: Programvareforbedringer l\u00f8nner seg S\u00e5: blir programvaren v\u00e5r bedre med tiden? Uten tvil.<\/span><\/p>\n Det er en betydelig forbedring. Konkret betyr dette at i en omsorgsinstitusjon med 416 beboere<\/span> vil programvaren v\u00e5r i gjennomsnitt overse ett fall per \u00e5r<\/span>. Og vi n\u00f8yer oss ikke med det. Vi fortsetter \u00e5 samle inn data, forbedre v\u00e5re nevrale nettverk og lansere nye oppdateringer. Alt med ett m\u00e5l: \u00e5 ivareta beboernes og pasientenes sikkerhet.<\/span><\/span><\/p>\n<\/div> <\/div>\n<\/div>\n <\/div>\n \n
Hvorfor standardm\u00e5lemetoden for kvalitetsm\u00e5ling ikke lenger fungerer for programvaren v\u00e5r<\/span><\/h3>\n
Uoppdagede fall: det vanskeligste \u00e5 m\u00e5le<\/strong><\/h3>\n
Falske alarmer: Vanskeligere \u00e5 oppdage <\/strong><\/h3>\n
\n
De fire drivkreftene bak forbedring av AI<\/span><\/h3>\n
\n
<\/span><\/li>\n<\/ol>\n<\/p>\n
<\/strong><\/p>\n<\/p>\n\n
<\/span><\/li>\n<\/li>\n<\/ul>\n
<\/span><\/p>\n<\/p>\nHvor p\u00e5litelige er disse statistikkene, og gjelder de ogs\u00e5 for v\u00e5r innebygde Kepler Nurse Assist-programvare?<\/b><\/h3>\n
Alle resultatene i denne artikkelen gjelder Kepler Night Nurse-programvaren, som kj\u00f8rer lokalt p\u00e5 AI-servere. Forskjellene og likhetene med den innebygde Kepler Nurse Assist-programvaren er som f\u00f8lger: <\/span><\/p>\n\n
\n
<\/strong><\/p>\n\n