مقابلات
فارون جاناباثي، الرئيس التنفيذي والشريك المؤسس لشركة AKASA – سلسلة المقابلات
أضف Unite.AI إلى مصادرك المفضلة على Google
فارون جاناباثي هو الرئيس التنفيذي والشريك المؤسس لشركة AKASA، وهي شركة مطورة لتقنيات الذكاء الاصطناعي لتطبيقات الرعاية الصحية. تساعد AKASA المنظمات الصحية على تحسين العمليات، بما في ذلك دورة الإيرادات، لتحقيق الإيرادات، وتحقيق الكفاءة، وتحسين تجربة المرضى. فارون قد أسس بنجاح شركتين لتقنيات الذكاء الاصطناعي قبل AKASA، واحدة تم الاستحواذ عليها من قبل جوجل والأخرى من قبل Udacity.
(GOOGL )لقد قمت بمهنة متميزة في مجال التعلم الآلي، هل يمكنك مناقشة بعض الأيام الأولى في ستانفورد عندما عملت على جعل المروحيات ذاتية التحكم؟
عندما كنت أدرس الفيزياء في ستانفورد، كنت أيضًا مهتمًا بالعلوم الحاسوبية والتعلم الآلي. بالنسبة لي، الذكاء الاصطناعي والتعلم الآلي يجمعان كل شيء في شيء واحد – وهو طريقة آلية لتنفيذ الفيزياء على أي ظاهرة رقمية.
في أحد المشاريع، كنا نمتلك مروحية شبه كبيرة، أصغر قليلاً من سرير مزدوج – في وقت لم تكن فيه الطائرات بدون طيار شائعة. كان الناس يطيران بها ويعملون عليها لتنفيذ الحيل، مثل الطيران رأسًا على عقب. بينما كان من الصعب القيام بذلك، كنا نريد بناء خوارزمية تعلم آلية يمكنها تعلم الطيران الذاتي لهذه المروحية.
كنا قد أنشأنا محاكي فيزيائيًا يعتمد على المروحية الفعلية وخوارزمية تعلم آلية تعلم كيفية التنبؤ بحركاتها. ثم طبقنا التعلم الآلي المعزز داخل المحاكي لتطوير متحكم، وأخذنا البرمجيات ورفعها إلى المروحية الفعلية. بعد تشغيل المروحية، عملت على الفور! كانت المروحية قادرة على الطيران رأسًا على عقب بمفردها، وهو أمر مثير للإعجاب. استمر الفريق في العمل على توفير المزيد من الحيل باستخدام التعلم الآلي.
كما عملت في جوجل بوكس، هل يمكنك مناقشة الخوارزمية التي عملت عليها وكيف تم الاستحواذ على شركتك في النهاية من قبل جوجل؟
في الواقع، قمت بفترة تدريب في جوجل أثناء دراستي في ستانفورد في عام 2004 – بعد مشروع المروحية. في ذلك الوقت، كنت أimplement التعلم الآلي لمشروع جوجل بوكس حيث كنا ناسخ جميع الكتب في العالم.
كان جوجل يدفع لأشخاص لتحديد معلومات حول الكتب، مثل الصفحات، جداول المحتويات، حقوق النشر، إلخ. – مهمة شاقة. كنت أريد أن أرى ما إذا كان يمكننا استخدام التعلم الآلي لفعل ذلك، ونجح الأمر جيدًا. كان أداؤه أفضل وأكثر دقة من أداء البشر لأن معظم الأخطاء كانت ناتجة عن الأخطاء البشرية في التسمية اليدوية.
أثارتني هذه النتيجة كثيرًا حول التعلم الآلي لأنها أظهرت أننا يمكن أن ننتقل من الأداء البشري إلى الأداء الخارق – بتحقيق المهام الروتينية بأخطاء أقل وبتوافق أكبر مع معالجة الحالات الحدية.
من هناك، قررت أن أقوم بدرجة الدكتوراه في ستانفورد، مع التركيز على التعلم الآلي والأوراق النظرية في البداية. لرسالتي، طوّرت خوارزمية لتحقيق التقاط الحركة في الوقت الفعلي حيث يمكن للكمبيوتر تتبع حركة جميع المفاصل البشرية في الوقت الفعلي من كاميرا عمق. كان هذا أساس شركتي الأولى، Numovis، والتي ركزت على تتبع الحركة والرؤية الحاسوبية للتفاعل المستخدم. تم الاستحواذ عليها من قبل جوجل.
مسيرتي كلها من مشروع المروحية إلى جوجل بوكس إلى السيارات ذاتية القيادة والي الرعاية الصحية الآن أظهرت لي مدى قوة وعمومية خوارزميات التعلم الآلي.
هل يمكنك مشاركة قصةAKASA؟
لقد بنينا AKASA لتصحيح مشكلة كبيرة ومتأصلة في عمليات الرعاية الصحية. هذه العمليات باهظة التكلفة ومليئة بالأخطاء، مما يمكن أن يؤدي إلى تجارب مالية غير ضرورية ومخيفة للمرضى. لم تكن هناك تقنيات جديدة على الجانب الإداري، ولا شيء مصمم خصيصًا. أصبح من الواضح لنا أننا يمكن أن نستخدم التكنولوجيا مثل الذكاء الاصطناعي والتعلم الآلي لحل هذه التحديات التشغيلية بطريقة مبتكرة. عندما تحدثنا إلى العديد من الأنظمة الصحية وقادة الرعاية الصحية، أكدوا تفكيرنا، مما أدى في النهاية إلى تأسيس AKASA في عام 2019.
منذ البداية، كان هدف AKASA واضحًا – تمكين الصحة البشرية و بناء مستقبل الرعاية الصحية بالذكاء الاصطناعي. الطريقة التي اخترناها لمواجهة هذا التحدي هي الجمع بين الذكاء البشري وتقنيات الذكاء الاصطناعي والتعلم الآلي الرائدة، بحيث يمكن للأنظمة الصحية خفض التكاليف التشغيلية وتخصيص الموارد حيث يهم الأمر أكثر.
منصتنا القابلة للتكيف والمرنة تعمل حاليًا لخدمة قاعدة عملاء تمثل أكثر من 475 مستشفى ونظامًا صحيًا وأكثر من 8,000 منشأة خارجية عبر جميع الولايات الخمسين. تساعد تقنيتنا هذه المنظمات، سواء كانت تستخدم مزودي السجلات الصحية الإلكترونية (EHR) مثل Epic، Cerner، أو أنظمة أخرى، أو أنظمة إضافية، وكل شيء بينهما. ولقد فعلنا ذلك بنتائج قوية.
تمثل قاعدة عملائنا أكثر من 110 مليار دولار في الإيرادات الصافية للمرضى، وهو ما يعادل أكثر من 10٪ من إنفاق الأنظمة الصحية السنوية في الولايات المتحدة وفقًا لمراكز Medicare و Medicaid. وقد تم تدريب نماذج AKASA وخوارزمياتها على ما يقرب من 290 مليون مطالبة ومدفوعات.
الأنابيب الخفية للرعاية الصحية معقدة للغاية، ولكن لها تأثير كبير على الصحة البشرية، ونحن نأتمها شيئًا فشيئًا.
ما هي بعض المهام التي تبحث AKASA عن توفيرها في الرعاية الصحية؟
منهجنا الفريد، التأتم مع الخبراء، يجمع بين التعلم الآلي والاحكام البشرية والخبرة الموضوعية لتوفير توفير آلي قوي ومرن للعمليات الصحية. يمكن لـAKASA توفير وتسريع المهام من النهاية إلى النهاية داخل دائرة مالية الرعاية الصحية، بما في ذلك معالجة الفواتير والمدفوعات. تشمل المهام المحددة التي توفّرها AKASA التحقق من أهلية المريض، وتوثيق ومصادقة المعلومات التأمينية، وتقدير تكلفة المريض، وتنقيح واعادة تقديم المطالبات، وتوقع وإدارة الرفض.
هذا النوع من التأتم لا يقلل فقط من الأخطاء البشرية والتأخيرات للمرضى، مما يساعد على منع الفواتير الطبية المفاجئة، ولكنه också يحرر الموظفين الصحيين من خلال إزالة المهام اليدوية والمتكررة تمامًا من لوحهم – مما يسمح لهم بالتركيز على مهام أكثر إثارة وتنوعًا وتحديًا وموجهة نحو تجربة المريض.
ما هي أنواع خوارزميات التعلم الآلي المستخدمة؟
تستخدم AKASA نفس نهج التعلم الآلي الذي جعل السيارات ذاتية القيادة ممكنة لتزويد الأنظمة الصحية بحل واحد لتحسين العمليات الصحية. هذا النهج، الذي يركز على التعلم الآلي، يوسع قدرات التأتم لتحمل مهام أكثر تعقيدًا على نطاق واسع.
نطوير خوارزميات متقدمة في الرؤية الحاسوبية والفهم الطبيعي للغة والبيانات المهيكلة. تبدأ منصةنا بالرؤية الحاسوبية القوية وتنميها بالتعلم الآلي الحديث والخبير في الحلقة لتوفير تأتم قوي.
لتوضيح كيفية عملها، تحدد منصتنا أولاً كيف يكمل الموظفون الصحيون مهامهم. ثم يصنف فريقنا هذه البيانات ويعلم خوارزمياتنا بحيث يمكن للتقنية فهم كيفية عمل الموظفين الصحيين وأنظمتهم. بعد ذلك، تنفذ المنصة هذه العمليات تلقائيًا. وأخيرًا، نستخدم خبراء في الحلقة يمكنهم الانخراط في أي وقت يُطرح استثناءات أو حالات غير عادية. التعلم الآلي يتعلم باستمرار من هذه التجارب، مما يسمح له بتحمل مهام أكثر تعقيدًا مع مرور الوقت.
هل يمكنك مناقشة أهمية نهج الحلقة البشرية وسبب استبدالها الرؤية الحاسوبية القديمة؟
الحقيقة الصعبة هي أن الرؤية الحاسوبية القديمة هي تكنولوجيا قديمة ومتحجرة لها حدود حقيقية لقدراتها. سيكون لها دائمًا بعض القيمة في توفير المهام البسيطة والمنفصلة والخطية. ومع ذلك، السبب في أن جهود التأتم غالبًا ما تفشل في طموحاتها هو أن الحياة معقدة ومتغيرة دائمًا.
النهج الأساسي للرؤية الحاسوبية القديمة هو بناء روبوت (bot) لكل مشكلة أو مسار نريد حله. يبني إنسان (استشاري أو مهندس) روبوتًا لحل مشكلة محددة. هذا الحل الروبوتي يأخذ مكان تسلسل من الخطوات.
المشكلة التي تحدث غالبًا هي أن تغييرًا في العالم، مثل تعديل برنامج أو واجهة مستخدم، يمكن أن يسبب فشل الروبوتات. كما نعلم، التكنولوجيا تتطور دائمًا، مما يخلق بيئات ديناميكية. هذا يعني أن روبوتات الرؤية الحاسوبية القديمة تفشل غالبًا.
مشكلة أخرى مع هذه الروبوتات هي أنك تحتاج إلى إنشاء واحدة لمواجهة كل حالة تريد حلها. بفعل ذلك، تنتهي بهم المطاف مع العديد من الروبوتات، كلها تكمّل أفعالًا بسيطة لا تتطلب مهارات كبيرة.
إنه مثل لعبة Whac-A-Mole. كل يوم، تواجه احتمال أن واحدة منها تفشل لأن برنامجًا ما سيتغير أو شيء غير عادي سيحدث – سيتوسع مربع حوار أو سيتوسع نوع جديد من الإدخال. النتيجة هي صيانة باهظة التكلفة للحفاظ على هذه الروبوتات تعمل. وفقًا لأبحاث Forrester، لكل دولار يتم إنفاقه على الرؤية الحاسوبية القديمة، يتم إنفاق 3.41 دولارًا إضافيًا على موارد الاستشارة.
بمعنى آخر، البرمجيات الفعلية للرؤية الحاسوبية القديمة ليست الغالبية العظمى من التكلفة. الاستثمار الأكبر في التكلفة هو كل العمل الذي يجب القيام به للحفاظ على روبوتات الرؤية الحاسوبية القديمة تعمل دائمًا. العديد من المنظمات لا تحسب هذه التكلفة المستمرة.
كما أن معظم الحياة معقدة ومتغيرة، فإن الكثير من العمل يقع خارج قدرات الرؤية الحاسوبية القديمة، حيث يأتي التعلم الآلي لمواجهة الأشياء الصعبة. ونحن نعتقد أن السر الخاص هو البشر الذين يحسنون الخوارزميات من خلال تعليمهم.
عندما لا يكون الخوارزمية متأكدًا من ما يجب فعله (ثقة منخفضة)، يتم تسليمه إلى حلقة بشرية بدلاً من ذلك. يصنف البشر هذه الأمثلة ويحدد الحالات التي لم تتم معالجتها بواسطة النموذج الحالي. عندما يتم ذلك، والخوارزمية صحيحة، يكون ذلك مهمة تعمل جيدًا.
كل مهمة يجد فيها الإنسان مشكلة هي حالة حيث لا يتعامل الجهاز بشكل صحيح. في هذه الحالة، يتم إضافة البيانات إلى مجموعتنا من البيانات، مما يعيد تدريب نماذج التعلم الآلي لمواجهة هذه الحالة الجديدة.
بمرور الوقت، يبني نموذج التعلم الآلي مقاومة لهذه الحالات الحدية الجديدة. هذا يؤدي إلى نظام مرن وقوي للتعامل مع حالات استثنائية جديدة، والذي يصبح أفضل وأفضل مع مرور الوقت. وهذا يعني أن التأتم يصبح أفضل، وتقل التدخل البشري مع مرور الوقت.
وجود خبراء في الحلقة أمر حاسم لجعل الذكاء الاصطناعي أكثر ذكاءً، وأسرع، وأفضل. نحن بحاجة إلى بشر لتدريب الذكاء الاصطناعي بشكل صحيح وضمان أنه يمكنه التعامل مع الحالات الحدية التي لا مفر منها في أي صناعة – وخاصة في مجال الرعاية الصحية الديناميكي.
كيف تعمل حل AKASA البشري في الحلقة، وما هي الحالات الرئيسية لمنصة التأتم الموحدة؟
التأتم الموحد هو منصة مصممة خصيصًا للرعاية الصحية. باستخدام الذكاء الاصطناعي والتعلم الآلي وفريق من خبراء الفواتير الطبية، tạo حلولًا متكاملة ومخصصة تساعدك على رؤية القيمة بشكل أسرع، مع صيانة أو صفوف استثناء تقريبًا.
تم تصميمه مع الحالات الاستثنائية في الاعتبار. إذا واجهت شيئًا جديدًا، تُطرح المنصة القضية إلى فريق خبرائنا الذين ي解决ونها بينما تتعلم المنصة من الإجراءات التي يتخذونها. هذا العنصر البشري هو ما يميزنا عن حلول أخرى في السوق ويسمح للمنصة بالتعلم المستمر وتحسينها.
التأتم الموحد يعتمد أيضًا على الطبيعة الديناميكية لصناعة الرعاية الصحية. إنه حل مخصص ومكامل ي giúp يقلل التكاليف التشغيلية، ويرفع الموظفين لمواجهة مهام أكثر إثارة تتطلب لمسة بشرية، ويعزز.capture الإيرادات للأنظمة الصحية بينما يحسن أيضًا تجربة المريض المالية.
هذا كيف يعمل التأتم الموحد:
البرمجيات المملوكة تراقب: أداة Worklogger™ تراقب عن بُعد كيف يكمل الموظفون الصحيون مهامهم. ثم يصنف فريقنا هذه البيانات ويغذيها في تأتمنا لتوفير رؤية شاملة للعمليات والعمليات الحالية. هذا يؤدي إلى رؤية أفضل لأداء الموظفين، وبيانات أساسية حول العمليات لتوفير تأتمنا، وتحليل دقيق للوقت لكل مهمة.
الذكاء الاصطناعي يؤدي: بعد مراقبة وتعلم سير عمل الموظفين الصحيين، يؤدي الذكاء الاصطناعي هذه المهام تلقائيًا. يتعلم باستمرار من المشاكل والحالات الحدية التي يتعامل معها، ويتخذ مهام أكثر تعقيدًا مع مرور الوقت. التأتم الموحد يقع في مقدمته في قائمة العمل – يخصص المهام المناسبة ويكملها دون إزعاج الفريق. كما يضبط العمليات تلقائيًا، لذلك لا يحتاج الموظفون إلى أي إعداد أو تدخل.
الخبرة البشرية تضمن: المنصة تطرح تلقائيًا فريق خبرائنا لتعامل مع الاستثناءات والحالات الحدية، ويتعلم الذكاء الاصطناعي في الوقت الفعلي أثناء عملهم. هذا هو جزء الخبراء في الحلقة. مع التعلم المستمر المدمج، يصبح منصة التأتم الموحد أكثر ذكاءً وفعاليّة مع مرور الوقت، ويتأكد دائمًا من إنجاز العمل.
هل هناك أي شيء آخر تريد مشاركته حول AKASA؟
لدينا نهج بحثي أول، مما يعني أن عملائنا لديهم وصول إلى تقنيات حافة التكنولوجيا. نحن ملتزمون بنشر أبحاثنا وأساليبنا في المنشورات المراجعة من الأقران لتحديد معايير جديدة للذكاء الاصطناعي في عمليات الرعاية الصحية، وتقديم قيادة صناعتنا بأكملها.
على سبيل المثال، تم تقديم أبحاثنا في مؤتمر التعلم الآلي الدولي (ICML)، ومؤتمر معالجة اللغة الطبيعية (NLP)، ومؤتمر التعلم الآلي للرعاية الصحية (MLHC)، من بين آخرين. نحن نتبع نهجًا منضبطًا لاختبار نماذجنا ومقارنة أدائها بالنهج القائم على الذكاء الاصطناعي في السوق.
نعتقد أن حلنا التنبؤي للرفض يُعتبر أول نظام قائم على التعلم العميق يمكنه التنبؤ بدقة بمطالبات الفواتير الطبية بنسبة تزيد عن 22٪ مقارنة بالأسس الحالية. نموذجنا للقراءة والانتباه والترميز للفواتير الطبية من الملاحظات السريرية تم الاعتراف به كتحديد معيار جديد للصناعة، وتفوق النماذج الحالية بنسبة 18٪ – متجاوزًا إنتاجية المرمزين البشر.
نعتقد أن هذه الابتكارات في الخلفية هي حاسمة لتحسين نظام الرعاية الصحية الأمريكي على نطاق واسع وسوف تستمر في دفع التطورات وإنشاء حلول مخصصة لهذا المجال.
هناك الكثير من الاهتمام حول الذكاء الاصطناعي في الرعاية الصحية، ولكن عندما يتعلق الأمر ذلك، يمكن للشركات المبالغة في ما يمكن أن تفعله تكنولوجيتهم بالفعل. من الصعب إجراء أبحاث لتحقق ما تفعله الخوارزميات – ونحن نفخر بأنفسنا لأننا اخترنا هذا المسار الجاد والصعب في النهاية لإثبات أن منصة التأتم الموحد لشركة AKASA تحقق بالفعل تغييرات إيجابية ومهمة للمستشفيات والأنظمة الصحية.
نحن متحمسون للمستقبل وما سيأتي في شركة AKASA بينما نبني مستقبل الرعاية الصحية بالذكاء الاصطناعي.
شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا AKASA.
