مقابلات
Varun Ganapathi ، CTO والشريك المؤسس لـ AKASA - سلسلة مقابلات
فارون جاناباثي هو كبير موظفي التكنولوجيا والشريك المؤسس لـ أكاسا، مطور الذكاء الاصطناعي لتطبيقات الرعاية الصحية. تساعد AKASA مؤسسات الرعاية الصحية على تحسين العمليات ، بما في ذلك دورة الإيرادات ، لزيادة الإيرادات ، وخلق الكفاءات ، وتعزيز تجربة المريض. فارون بدأ بنجاح شركتين للذكاء الاصطناعي قبل AKASA ، استحوذت Google على إحداهما والأخرى بواسطة Udacity.
لقد حظيت بمسيرة مهنية مميزة في مجال التعلم الآلي، هل يمكنك مناقشة بعض أيامك الأولى في جامعة ستانفورد عندما عملت على صنع طائرات الهليكوبتر ذاتية التحكم؟
عندما كنت أدرس الفيزياء كطالب جامعي في جامعة ستانفورد ، كنت مهتمًا جدًا بعلوم الكمبيوتر والتعلم الآلي (ML). بالنسبة لي ، يجمع الذكاء الاصطناعي والتعلم الآلي كل شيء في جهاز واحد - إنها حقًا طريقة آلية للقيام بالفيزياء على أي ظواهر قابلة للتحويل الرقمي.
بالنسبة لهذا المشروع بالذات ، كان لدينا هذه المروحية التي بدت وكأنها طائرة بدون طيار كبيرة أصغر قليلاً من مرتبة توأم - في وقت لم تكن فيه الطائرات بدون طيار منتشرة. كان الناس يطيرون بها ويجعلونها تقوم ببعض الحيل ، مثل التحليق رأسًا على عقب. في حين أن هذا صعب للغاية ، أردنا بناء خوارزمية ML يمكنها أن تتعلم من البشر كيفية قيادة هذه المروحية بشكل مستقل.
أنشأنا محاكيًا فيزيائيًا يعتمد على المروحية الفعلية وخوارزمية ML التي تعلمت كيفية التنبؤ بحركاتها. ثم طبقنا التعلم المعزز داخل جهاز المحاكاة لتطوير وحدة تحكم ، وأخذنا البرنامج ، وحملناه في المروحية الفعلية. بعد أن قمنا بتشغيل المروحية ، عملت في المحاولة الأولى! كانت المروحية قادرة على التحليق على الفور رأسًا على عقب من تلقاء نفسها ، وهو أمر مثير للإعجاب. واصل الفريق العمل على أتمتة أنواع أخرى من الحيل باستخدام ML.
لقد عملت أيضًا في كتب Google ، هل يمكنك مناقشة الخوارزمية التي عملت عليها وكيف استحوذت Google في النهاية على شركتك؟
لقد قمت بالفعل بتدريب داخلي في Google أثناء تلقي دروس في جامعة ستانفورد في عام 2004 - كان هذا بعد مشروع الهليكوبتر مباشرة. خلال ذلك الوقت ، كنت أقوم بتنفيذ ML لمشروع كتب Google حيث كنا نقوم بمسح جميع كتب العالم.
كانت Google تدفع لكل هؤلاء الأشخاص لتسمية معلومات حول الكتب ، مثل الصفحات وجداول المحتوى وحقوق النشر وما إلى ذلك - وهي مهمة تستغرق وقتًا طويلاً للغاية. كنت أرغب في معرفة ما إذا كان بإمكاننا استخدام ML للقيام بذلك وقد نجح الأمر حقًا. لقد كان أداؤه أفضل في الواقع وكان أكثر دقة مما كان عليه عندما فعل البشر ذلك لأن معظم الأخطاء كانت ناتجة عن خطأ بشري في وضع العلامات اليدوية.
لقد جعلني هذا متحمسًا حقًا بشأن ML لأنه أظهر أنه يمكنك الانتقال من الأداء البشري إلى الأداء الخارق - القيام بمهام عادية مع عدد أقل من الأخطاء وبشكل أكثر اتساقًا مع الاستمرار في التعامل مع الحالات المتطورة.
ومن هناك قررت أن أحصل على درجة الدكتوراه. في جامعة ستانفورد، مع التركيز على تعلم الآلة والمزيد من الأوراق النظرية في البداية. بالنسبة لأطروحتي، قمت بتطوير خوارزمية لالتقاط الحركة في الوقت الفعلي حيث يمكن للكمبيوتر تتبع حركة جميع المفاصل البشرية في الوقت الفعلي من كاميرا العمق. كان هذا هو الأساس لشركتي الأولى، Numovis، التي ركزت على تتبع الحركة ورؤية الكمبيوتر لتفاعل المستخدم. تم الحصول عليها من قبل جوجل.
لقد أظهرت لي رحلتي بأكملها من مشروع الهليكوبتر إلى كتب Google إلى السيارات ذاتية القيادة والآن عمليات الرعاية الصحية مدى قوة خوارزميات التعلم الآلي والعامة.
هل يمكنك مشاركة قصة التكوين وراء AKASA؟
لقد بنينا أكاسا لإصلاح مشكلة ضخمة ومتأصلة بعمق في عمليات الرعاية الصحية. هذه العمليات مكلفة ومعرضة للخطأ على حد سواء والتي يمكن أن تؤدي إلى تجارب مالية غير ضرورية تسبب الذعر للمرضى. كان هناك نقص في التكنولوجيا الجديدة على الجانب الإداري ولا شيء مبني لهذا الغرض. أصبح من الواضح لنا أنه يمكنك استخدام تقنية مثل الذكاء الاصطناعي والتعلم الآلي لحل هذه التحديات التشغيلية بطريقة مبتكرة. عندما تحدثنا إلى العديد من الأنظمة الصحية وقادة الرعاية الصحية ، قاموا بالتحقق من صحة تفكيرنا مما أدى في النهاية إلى تأسيس AKASA في عام 2019.
مع ذلك ، كان هدف AKASA واضحًا منذ البداية - لتمكين صحة الإنسان وبناء مستقبل الرعاية الصحية باستخدام الذكاء الاصطناعي. الطريقة التي قررنا بها مواجهة هذا التحدي هي الجمع بين الذكاء البشري والذكاء الاصطناعي الرائد والتعلم الآلي حتى تتمكن الأنظمة الصحية من تقليل تكاليف التشغيل وتخصيص الموارد في الأماكن الأكثر أهمية.
يخدم نظامنا الأساسي المرن وغير الملائم للنظام حاليًا قاعدة عملاء تمثل أكثر من 475 مستشفى وأنظمة صحية وأكثر من 8,000 مرفق خارجي في جميع الولايات الخمسين. تساعد تقنيتنا هذه المؤسسات سواء كانت تستخدم موفري السجلات الصحية الإلكترونية (EHR) مثل Epic أو Cerner أو السجلات الصحية الإلكترونية الأخرى أو الأنظمة المثبتة وكل شيء بينهما. وقد فعلنا ذلك بنتائج قوية.
تمثل قاعدة عملائنا أكثر من 110 مليار دولار من صافي إيرادات المرضى الإجمالية ، وهو ما يعادل أكثر من 10٪ من إجمالي الإنفاق على النظام الصحي في الولايات المتحدة سنويًا وفقًا لـ مراكز Medicaid و Medicare Services. وقد تم تدريب نماذج وخوارزميات AKASA على ما يقرب من 290 مليون مطالبة وتحويلات.
السباكة غير المرئية للرعاية الصحية معقدة للغاية ، لكن لها تأثير هائل على صحة الإنسان ، ونحن نعمل على أتمتة ذلك شيئًا فشيئًا.
ما هي بعض المهام التي تبحث عنها AKASA في أتمتة في مجال الرعاية الصحية؟
يجمع نهج الخبير في الحلقة الفريد الخاص بنا ، Unified Automation ™ ، تعلم الآلة مع الحكم البشري والخبرة الموضوعية لتوفير أتمتة قوية ومرنة لعمليات الرعاية الصحية. يمكن لـ AKASA أتمتة المهام الشاملة وتبسيطها بسرعة وكفاءة ضمن وظيفة تمويل الرعاية الصحية ، بما في ذلك معالجة الفواتير والمدفوعات. مهام محددة تشمل أتمتة AKASA التحقق من أهلية المريض ، وتوثيق معلومات التأمين والتحقق منها ، وتقدير تكلفة المريض ، والتحرير ، وإعادة الدفع ، والاستئناف على المطالبات ، والتنبؤ بالرفض وإدارته.
هذا النوع من الأتمتة لا يقلل فقط من الخطأ البشري والتأخير للمرضى ، مما يساعد على منع الفواتير الطبية المفاجئة ، ولكنه أيضًا يحرر موظفي الرعاية الصحية من خلال إزالة المهام اليدوية المتكررة تمامًا - مما يسمح لهم بالتركيز على المزيد من المكافأة والتحدي والقيمة - توليد المهام الموجهة نحو تجربة المريض.
ما هي الأنواع المختلفة لخوارزميات التعلم الآلي المستخدمة؟
تستخدم AKASA نفس أساليب التعلم الآلي التي جعلت السيارات ذاتية القيادة ممكنة لتزويد الأنظمة الصحية بحل واحد لأتمتة عمليات الرعاية الصحية. هذا النهج - الذي يتمحور حول ML - يوسع قدرات الأتمتة للقيام بأعمال أكثر تعقيدًا على نطاق واسع.
نقوم بتطوير خوارزميات حديثة عبر رؤية الكمبيوتر وفهم اللغة الطبيعية ومشاكل البيانات المنظمة. تبدأ منصتنا مع تقنية RPA المدعومة برؤية الكمبيوتر وتعززها باستخدام الذكاء الاصطناعي الحديث والتعلم الآلي وخبير في الحلقة لتوفير أتمتة قوية.
لتقديم نظرة عامة رفيعة المستوى عن كيفية عملها ، يراقب حل الملكية الخاص بنا أولاً كيفية إتمام موظفي الرعاية الصحية لمهامهم. يقوم فريقنا بعد ذلك بتسمية تلك البيانات واستخدامها لتدريب خوارزمياتنا حتى تتمكن تقنيتنا من فهم وتعلم كيفية عمل موظفي الرعاية الصحية وأنظمتهم. من هناك ، تقوم منصتنا بتنفيذ مهام سير العمل هذه بشكل مستقل. أخيرًا ، نستخدم خبراء في الحلقة يمكنهم القفز كلما حدد النظام القيم المتطرفة أو الاستثناءات. يتعلم الذكاء الاصطناعي باستمرار من تلك التجارب ، مما يسمح له بأداء مهام أكثر تعقيدًا بمرور الوقت.
هل يمكنك مناقشة أهمية مقاربات الإنسان في الحلقة ولماذا يتم تعيينها لتحل محل تقنية RPA؟
الحقيقة الصعبة هي أن تقنية RPA هي تقنية عمرها عقود وهشة مع حدود حقيقية لقدراتها. سيكون لها دائمًا بعض القيمة في أتمتة العمل البسيط والمنفصل والخطي. ومع ذلك ، فإن سبب فشل جهود الأتمتة في كثير من الأحيان في تحقيق تطلعاتهم هو أن الحياة معقدة ودائمًا ما تتغير.
تتمثل الطريقة الأساسية لـ RPA في بناء روبوت (روبوت) لكل مشكلة أو مسار تريد حله. يقوم الإنسان (مستشار أو مهندس) ببناء روبوت لحل مشكلة معينة. يحل هذا الحل الآلي محل سلسلة من الخطوات. ينظر إلى الشاشة ، ويتخذ الإجراءات ، ويكررها.
المشكلة التي تحدث غالبًا هي أن التغيير في العالم ، مثل تعديل جزء من البرنامج أو واجهة المستخدم ، يمكن أن يتسبب في تعطل الروبوتات. كما نعلم ، تتطور التكنولوجيا باستمرار ، وتخلق بيئات ديناميكية. هذا يعني أن روبوتات RPA غالبًا ما تفشل.
مشكلة أخرى مع هذه الروبوتات هي أنك تحتاج إلى إنشاء واحد لكل موقف تريد حله. عند القيام بذلك ، ينتهي بك الأمر بالعديد من الروبوتات ، وكلها تكمل إجراءات صغيرة جدًا لا تتطلب الكثير من المهارة.
إنها مثل لعبة الضرب الخلد. تواجه كل يوم احتمال تعطل أحدها بسبب تغيير جزء من البرنامج أو حدوث شيء غير عادي - سيظهر مربع حوار أو سيحدث نوع جديد من المدخلات. والنتيجة هي صيانة مكلفة للحفاظ على تشغيل هذه الروبوتات. وفقًا لبحث أجرته Forrester ، مقابل كل دولار يتم إنفاقه على RPA ، يتم إنفاق 1 دولارًا إضافيًا على الموارد الاستشارية.
بمعنى آخر ، لا يمثل البرنامج الفعلي لـ RPA غالبية التكلفة. كلما زاد استثمار التكلفة بشكل كبير ، يكون كل العمل الذي يتعين عليك القيام به للحفاظ على تشغيل تقنية RPA طوال الوقت. لا تأخذ العديد من المؤسسات في الحسبان هذه التكلفة المستمرة.
نظرًا لأن الكثير من الحياة معقدة وتتطور باستمرار ، فإن الكثير من العمل يقع خارج قدرات تقنية RPA ، حيث يأتي دور التعلم الآلي. يمكّننا التعلم الآلي من أتمتة الأشياء الصعبة. ونعتقد أن الصلصة الخاصة هي البشر الذين يحسنون الخوارزميات من خلال تعليمهم.
عندما لا تكون الخوارزمية متأكدة مما يجب أن تفعله (ثقة منخفضة) ، يتم تصعيدها إلى إنسان في الحلقة بدلاً من ذلك. يقوم البشر بتسمية هذه الأمثلة وتحديد الحالات التي لا يعالجها النموذج الحالي. عندما يتم ذلك ، وعندما يكون الذكاء الاصطناعي صحيحًا ، فهذه مهمة تعمل بشكل جيد.
كل مهمة يكتشف فيها الإنسان مشكلة هي حالة لا تتعامل فيها الآلة معها بشكل صحيح. في هذه الحالة ، تتم إضافة البيانات إلى مجموعة البيانات الخاصة بنا ، والتي تعيد تدريب نماذج ML للتعامل مع هذا الوضع الجديد.
بمرور الوقت ، يبني نموذج ML مرونة لهذه الحالات الجديدة المتطورة. ينتج عن هذا نظام قوي ومرن للقيم المتطرفة أو الاستثناءات الجديدة ، ويصبح النظام أقوى بمرور الوقت. هذا يعني أن الأتمتة تتحسن بشكل أفضل وأن التدخل البشري سينخفض بمرور الوقت.
إن وجود خبراء بشريين في الحلقة أمر بالغ الأهمية لجعل الذكاء الاصطناعي أكثر ذكاءً وأسرع وأفضل. نحن بحاجة إلى البشر لتدريب الذكاء الاصطناعي بشكل صحيح والتأكد من قدرته على التعامل مع القيم المتطرفة التي تشكل جزءًا لا مفر منه في أي صناعة - وخاصة في مجال ديناميكي مثل الرعاية الصحية.
كيف يعمل حل "الإنسان في الحلقة" Unified Automation ™ من AKASA ، وما هي بعض حالات الاستخدام الأساسية لهذا النظام الأساسي؟
الأتمتة الموحدة هي عبارة عن منصة مصممة خصيصًا للرعاية الصحية. باستخدام AI و ML وفريقنا من خبراء الفواتير الطبية ، فإنه ينشئ حلاً مخصصًا ومتكاملًا بشكل سلس يساعدك على رؤية القيمة بشكل أسرع ، بدون صيانة أو قوائم انتظار استثناءات تقريبًا.
لقد تم تصميمه مع وضع الاستثناءات والقيم المتطرفة في الاعتبار. إذا واجهت شيئًا جديدًا ، فإن النظام الأساسي يوجه المشكلة إلى فريق خبراء AKASA الذين يقومون بحلها بينما يتعلم النظام من الإجراءات التي يتخذونها. هذا العنصر البشري هو ما يميزنا عن الحلول الأخرى في السوق ويسمح للمنصة بالتعلم والتحسين باستمرار.
تتكيف الأتمتة الموحدة أيضًا مع الطبيعة الديناميكية لقطاع الرعاية الصحية. إنه حل مخصص ومتكامل بسلاسة يساعد على تقليل تكاليف التشغيل ، ويرفع الموظفين للتعامل مع أعمال مجزية تتطلب لمسة إنسانية ، ويحسن من تحصيل الإيرادات للأنظمة الصحية مع تحسين التجربة المالية للمريض.
إليك كيفية عمل الأتمتة الموحدة:
يلاحظ البرنامج الاحتكاري: تراقب أداة Worklogger ™ الخاصة بنا عن بُعد كيف ينجز موظفو الرعاية الصحية مهامهم. ثم يقوم فريقنا بتسمية تلك البيانات وإدخالها في التشغيل الآلي لدينا لتوفير رؤية شاملة لعمليات سير العمل والعمليات الحالية. يؤدي هذا إلى زيادة الوضوح في أداء الموظفين ، والبيانات التأسيسية حول سير العمل لدعم التشغيل الآلي لدينا ، وتحليل دقيق للوقت لكل مهمة.
يؤدي الذكاء الاصطناعي: بعد مراقبة وتعلم سير عمل طاقم الرعاية الصحية ، يقوم الذكاء الاصطناعي لدينا بتنفيذ هذه المهام بشكل مستقل. يتعلم باستمرار من المشكلات والحالات المعقدة التي يواجهها ، ويتولى مهام أكثر تعقيدًا بمرور الوقت. تقع الأتمتة الموحدة في مقدمة قائمة انتظار العمل - حيث تقوم بتعيين المهام القابلة للتطبيق وإكمالها دون إزعاج الفريق. كما أنه يحسن العمليات تلقائيًا بحيث لا يلزم الإعداد أو التدخل من الموظفين.
تضمن الخبرة البشرية: يقوم النظام تلقائيًا بإعلام فريق خبراء الفواتير الطبية لدينا للتعامل مع الاستثناءات والقيم المتطرفة ، وتدريب الذكاء الاصطناعي في الوقت الفعلي أثناء عملهم. هذا هو جزء الخبير في الحلقة. مع التعلم المستمر المدمج ، يصبح النظام الأساسي للأتمتة الموحدة أكثر ذكاءً وكفاءة بمرور الوقت ويتم تنفيذ العمل دائمًا.
هل هناك أي شيء آخر تود مشاركته حول AKASA؟
لدينا نهج البحث أولاً مما يعني أن عملائنا يمكنهم الوصول إلى التكنولوجيا الرائدة. نحن ملتزمون بنشر الذكاء الاصطناعي والأساليب الخاصة بنا في المنشورات التي راجعها الأقران لوضع معايير جديدة على أحدث طراز للذكاء الاصطناعي في عمليات الرعاية الصحية وقيادة صناعتنا بالكامل إلى الأمام.
على سبيل المثال، تم تقديم بحثنا في المؤتمر الدولي للتعلم الآلي (ICML)، وقمة معالجة اللغات الطبيعية (NLP)، ومؤتمر التعلم الآلي للرعاية الصحية (MLHC)، من بين مؤتمرات أخرى. نحن نتبع نهجًا منضبطًا للغاية لاختبار نماذجنا ومقارنة الأداء مع أحدث أساليب الذكاء الاصطناعي المتوفرة في السوق.
يُعتقد أن حل الرفض التنبئي هو أول نظام منشور قائم على التعلم العميق يمكنه التنبؤ بدقة برفض المطالبات الطبية بأكثر من 22٪ مقارنة بخطوط الأساس الحالية. تم التعرف على نموذج القراءة والحضور والتشفير الخاص بنا للترميز المستقل للمطالبات الطبية من الملاحظات السريرية على أنه يحدد أحدث ما توصلت إليه الصناعة وتفوق على النماذج الحالية بنسبة 18٪ - متجاوزًا إنتاجية المبرمجين البشريين. نعتقد أن ابتكارات المكاتب الخلفية هذه ضرورية لتحسين نظام الرعاية الصحية في الولايات المتحدة على نطاق واسع وستستمر في دفع التقدم وبناء حلول مخصصة لهذه المساحة.
هناك الكثير من الضجيج حول الذكاء الاصطناعي في الرعاية الصحية ولكن عندما يتعلق الأمر به ، يمكن للشركات المبالغة في ما يمكن أن تفعله تقنيتها بالفعل. من الصعب جدًا إجراء بحث للتحقق من صحة ما تفعله الخوارزميات - ونحن نفخر باتباعنا هذا الطريق الهادف والصعب لإثبات أن منصة الأتمتة الموحدة التابعة لـ AKASA تُحدث تغييرًا إيجابيًا وهادفًا للمستشفيات والأنظمة الصحية.
نحن متحمسون للمستقبل وما سيحدث في AKASA بينما نبني مستقبل الرعاية الصحية باستخدام الذكاء الاصطناعي.
شكرا لك على المقابلة الرائعة ، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا أكاسا.
