فارون غاناباثي، الرئيس التنفيذي للتقنية والشريك المؤسس لشركة AKASA – سلسلة المقابلات

فارون غاناباثي هو الرئيس التنفيذي للتقنية والشريك المؤسس لشركة AKASA، وهي شركة مطورة لأنظمة 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 كان قد أسس بنجاح شركتين لتقنيات الذكاء الاصطناعي قبل AKASA، واحدة منهم تم الاستحواذ عليها من قبل جوجل والأخرى من قبل Udacity.

لقد قمت بتحقيق مسيرة مهنية 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 مهتمًا أيضًا بالعلوم الحاسوبية والتعلم الآلي. بالنسبة لي، الذكاء الاصطناعي والتعلم الآلي يجمعان كل شيء في واحد – إنه طريقة آلية لحل الفيزياء على أي ظاهرة رقمية.

لذا، في أحد المشاريع، كنا لدينا مروحية شبيهة بطائرة بدون طيار صغيرة الحجم، وكانت أصغر قليلاً من سرير مزدوج. في ذلك الوقت، لم تكن الطائرات بدون طيار شائعة. الناس كانوا يطيران بها ويجعلونها تقوم bằng مهام معينة، مثل الطيران رأساً على عقب. بينما كان هذا الأمر صعبًا، أردنا بناء خوارزمية تعلم آلية من البشر كيفية طيران هذه المروحية بشكل tự độngي.

كنا قد أنشأنا محاكي فيزيائيًا يعتمد على المروحية الفعلية وخوارزمية تعلم آلية تعلمت كيفية التنبؤ بحركاتها. ثم طبقنا التعلم الآلي التعزيزي داخل المحاكي لتطوير جهاز تحكم، أخذنا البرمجيات، ورفعناها إلى المروحية الفعلية. بعد تشغيل المروحية، عملت على الفور! كانت المروحية قادرة على الطيران رأساً على عقب بمفردها على الفور، وهو أمر مثير للإعجاب. استمر الفريق في العمل على توفير مهام أخرى آلية باستخدام التعلم الآلي.

كما عملت في جوجل بوكس، هل يمكنك مناقشة الخوارزمية التي عملت عليها وكيف تم الاستحواذ على شركتك من قبل جوجل؟

في الواقع، قمت بفترة تدريب في جوجل أثناء حضور دروسي في ستانفورد في عام 2004 – بعد مشروع المروحية. خلال ذلك الوقت، كنت أطبق التعلم الآلي على مشروع جوجل بوكس حيث كنا ناسخ جميع الكتب في العالم.

كانت جوجل تدفع لأشخاص لتحديد معلومات حول الكتب، مثل الصفحات، جداول المحتوى، حقوق النشر، إلخ. – مهمة استهلاك وقت طويل. أردت أن أرى ما إذا يمكننا استخدام التعلم الآلي لفعل ذلك، ونجح الأمر جيدًا. أدى أداء أفضل وأكثر دقة من أداء البشر لأن معظم الأخطاء كانت ناتجة عن أخطاء بشرية في التسمية اليدوية.

أثارت هذه النتيجة حماسي للتعلم الآلي لأنها أظهرت أنك يمكنك الانتقال من أداء الإنسان إلى أداء خارق البشر – القيام بمهام روتينية بأخطاء أقل وبتواتر أكبر مع معالجة حالات الحافة.

من هناك، قررت أن أقوم بدرجة الدكتوراه في ستانفورد، مع التركيز على التعلم الآلي والأوراق النظرية في البداية. لرسالتي، طوّرت خوارزمية للقبض على الحركة في الوقت الفعلي حيث يمكن للكمبيوتر تتبع حركة جميع المفاصل البشرية في الوقت الفعلي من كاميرا عمق. كان هذا أساس شركة tôi الأولى، Numovis، التي ركزت على تتبع الحركة والرؤية الحاسوبية للتفاعل المستخدم. تم الاستحواذ عليها من قبل جوجل.

مسيري بأكمله من مشروع المروحية إلى جوجل بوكس إلى السيارات ذاتية القيادة والآن عمليات الرعاية الصحية أظهر لي مدى قوة وعمومية خوارزميات التعلم الآلي.

هل يمكنك مشاركة قصة نشأة AKASA؟

لقد بنينا AKASA لإصلاح مشكلة كبيرة ومتأصلة في عمليات الرعاية الصحية. هذه العمليات مكلفة ومليئة بالأخطاء مما يمكن أن يؤدي إلى تجارب مالية غير ضرورية ومخيفة للمرضى. لم تكن هناك تقنيات جديدة على الجانب الإداري ولا شيء مبني لهذا الغرض. أصبح من الواضح لنا أنك يمكنك استخدام التكنولوجيا مثل الذكاء الاصطناعي والتعلم الآلي لحل هذه التحديات التشغيلية بطريقة مبتكرة. عندما تحدثنا إلى العديد من الأنظمة الصحية وقادة الرعاية الصحية، أكدوا أفكارنا مما أدى في النهاية إلى تأسيس AKASA في عام 2019.

منذ البداية، كان هدف AKASA واضحًا – تمكين الصحة البشرية وبناء مستقبل الرعاية الصحية بالذكاء الاصطناعي. الطريقة التي اخترناها لمواجهة هذا التحدي هي الجمع بين الذكاء البشري وتقنيات الذكاء الاصطناعي والتعلم الآلي الرائدة لتمكين الأنظمة الصحية من خفض التكاليف التشغيلية وتخصيص الموارد حيث يهم الأمر أكثر.

منصتنا غير معتمدة على النظام ومحسنة حاليًا تقدم خدمات لأساس من العملاء يمثل أكثر من 475 مستشفى ومنظمة رعاية صحية وأكثر من 8,000 منشأة خارجية عبر جميع الولايات الخمسين. تساعد تقنيتنا هذه المنظمات، سواء كانت تستخدم مزودي سجلات الصحة الإلكترونية مثل Epic، Cerner، أو أنظمة إضافية، وكل ما بين ذلك. ولقد فعلنا ذلك بنتائج قوية.

يمثل أساسنا من العملاء أكثر من 110 مليار دولار في الإيرادات الصافية للمرضى، مما يعادل أكثر من 10% من إنفاق النظام الصحي السنوي في الولايات المتحدة وفقًا لما ذكرته إدارة برامج Medicare و Medicaid. وقد تم تدريب نماذج وخوارزميات AKASA على ما يقرب من 290 مليون مطالبة ومدفوعات.

الأنابيب الخفية للرعاية الصحية معقدة للغاية، ولكن لها تأثير كبير على الصحة البشرية، ونحن نأتمها خطوة خطوة.

ما هي بعض المهام التي تبحث AKASA في توفيرها آليًا في الرعاية الصحية؟

نقوم بدمج نهجنا الفريد، Unified Automation™، الذي يجمع التعلم الآلي مع الحكم البشري وخبرة الموضوع لتقديم توفير آلي قوي ومتين لعمليات الرعاية الصحية. يمكن لـ AKASA توفير وتمكين مهام نهاية إلى نهاية داخل وظيفة مالية الرعاية الصحية، بما في ذلك معالجة الفواتير والمدفوعات. تشمل المهام المحددة التي توفّرها AKASA التحقق من أهلية المريض، وتوثيق ومصادقة معلومات التأمين، وتقدير تكلفة المريض، والتعديل، وإعادة الفواتير، والاستئناف للمطالبات، وتقدير وإدارة الرفض.

يقلل هذا النوع من التوفير الآلي ليس فقط من الأخطاء البشرية والتأخيرات للمرضى، مما يساعد على منع الفواتير الطبية المفاجئة، ولكن أيضًا يحرر الموظفين الصحيين من خلال إزالة المهام اليدوية المتكررة تمامًا من لوحتهم – مما يسمح لهم بالتركيز على مهام أكثر إثارة وتحديًا وإنشاء قيمة موجهة تجاه تجربة المريض.

ما هي أنواع خوارزميات التعلم الآلي التي يتم استخدامها؟

تستخدم AKASA نفس نهج التعلم الآلي الذي جعل السيارات ذاتية القيادة ممكنة لتزويد الأنظمة الصحية بحل واحد لتوفير عمليات الرعاية الصحية. يوسع هذا النهج، الذي يتمحور حول التعلم الآلي، قدرات التوفير الآلي لتحمل مهام أكثر تعقيدًا على نطاق واسع.

نطور خوارزميات متقدمة على مستوى الدولة عبر الرؤية الحاسوبية، وفهم اللغة الطبيعية، ومشاكل البيانات المهيكلة. تبدأ منصتنا بآلية آليّة قوية مدعومة بالرؤية الحاسوبية وتنميها بالذكاء الاصطناعي والتعلم الآلي وخبراء في الحلقة.

لتوضيح كيفية عملها، تحدد حلنا الممتاز أولًا كيف يكمل الموظفون الصحيون مهامهم. ثم يُ etiquette بياناتنا ويستخدمها لتدريب خوارزمياتنا حتى تفهم وتتعلم كيفية عمل الموظفين الصحيين وأنظمتهم. بعد ذلك، تقوم منصتنا بتشغيل هذه الأساليب الآلية. أخيرًا، نستخدم خبراء في الحلقة الذين يمكنهم التدخل في أي وقت يتم فيه إشارة إلى حالات غير عادية أو استثنائية. يتعلم الذكاء الاصطناعي باستمرار من هذه الخبرات، مما يسمح له بتحمل مهام أكثر تعقيدًا مع مرور الوقت.

هل يمكنك مناقشة أهمية نهج الحلقة البشرية وسبب استبدالها لتكنولوجيا آليّة البرمجيات؟

الحقيقة الصعبة هي أن آليّة البرمجيات هي تكنولوجيا قديمة تعاني من قوة هشة وحدود حقيقية لقدراتها. سيكون لها دائمًا بعض القيمة في توفير مهام بسيطة ومتقطعة وخطية. ومع ذلك، السبب في أن جهود التوفير الآلي غالبًا ما تقلل عن طموحاتها هو أن الحياة معقدة ومتغيرة دائمًا.

النهج الأساسي لآليّة البرمجيات هو بناء روبوت (бот) لكل مشكلة أو مسار تريد حله. يبني إنسان (استشاري أو مهندس) روبوتًا لحل مشكلة محددة. تأخذ الحل الآلي مكان تسلسل من الخطوات. ينظر إلى الشاشة، يقوم بالعمل، ويكررها.

المشكلة التي تحدث غالبًا هي أن تغيير العالم، مثل تعديل برنامج أو واجهة مستخدم، يمكن أن يسبب عطل في الروبوتات. كما نعلم، التكنولوجيا تتطور باستمرار، مما يخلق بيئات ديناميكية. هذا يعني أن روبوتات آليّة البرمجيات غالبًا ما تفشل.

مشكلة أخرى مع هذه الروبوتات هي أنك تحتاج إلى إنشاء واحدة لمعالجة كل حالة تريد حلها. بفعل ذلك، تنتهي بهم المطاف مع العديد من الروبوتات، كلها تقوم بactions صغيرة لا تتطلب مهارات كثيرة.

إنه مثل لعبة Whac-A-Mole. كل يوم، تواجه احتمالية أن يتعطل أحدهم لأن برنامجًا ما سيتغير أو شيء غير عادي سيحدث – سوف تظهر نافذة حوار أو سوف يحدث نوع جديد من الإدخال. النتيجة هي صيانة باهظة الثمن ل维护 هذه الروبوتات. وفقًا لأبحاث من Forrester، لكل دولار يتم إنفاقه على آليّة البرمجيات، يتم إنفاق 3.41 دولار إضافي على موارد الاستشارة.

بمعنى آخر، البرمجيات الفعلية لآليّة البرمجيات ليست التكلفة الرئيسية. الاستثمار الأكبر في التكلفة هو كل العمل الذي يجب القيام به للحفاظ على آليّة البرمجيات تعمل دائمًا. لا تضع العديد من المنظمات في الحسبان هذا التكلفة المستمرة.

كما أن معظم الحياة معقدة ومتغيرة باستمرار، فإن الكثير من العمل يقع خارج قدرات آليّة البرمجيات، وهنا يأتي التعلم الآلي. يسمح التعلم الآلي لنا بتوفير المهام الصعبة. ونعتقد أن السر الخاص هو البشر الذين يُحسّنون الخوارزميات من خلال تعليمها.

عندما لا يكون الخوارزمية متأكدًا من ما يجب فعله (ثقة منخفضة)، يتم إحالته إلى حلقة بشرية بدلاً من ذلك. يُ etiquette البشر هذه الأمثلة ويحددون الحالات التي لم تتم معالجتها بواسطة النموذج الحالي. عندما يتم ذلك، والخوارزمية صحيحة، فهذا مهمة تعمل بشكل جيد.

كل مهمة حيث يلتقط الإنسان مشكلة هي حالة حيث لا يتعامل الجهاز بشكل صحيح. في هذه الحالة، يضاف البيانات إلى مجموعتنا من البيانات، والتي تعيد تدريب نماذج التعلم الآلي لمعالجة هذه الحالة الجديدة.

مع مرور الوقت، يبني نموذج التعلم الآلي متانة لهذه الحالات الجديدة. يؤدي ذلك إلى نظام قوي وممتنع للنواحي الجديدة أو الاستثنائية، ويتحسن التوفير الآلي مع مرور الوقت ويت减ل التدخل البشري.

من المهم وجود خبراء بشريون في الحلقة لجعل الذكاء الاصطناعي أكثر ذكاءًا وأسرع وأفضل. نحتاج إلى بشر لتدريب الذكاء الاصطناعي بشكل صحيح وضمان أنه يمكنه التعامل مع حالات الحافة التي هي جزء لا يتجزأ من أي صناعة – وخاصة في مجال الرعاية الصحية الديناميكي.

كيف يعمل حل AKASA المتمثل في الحلقة البشرية، Unified Automation™، وما هي بعض الحالات الرئيسية لمنصة؟

Unified Automation هو منصة مبنية خصيصًا للرعاية الصحية. باستخدام الذكاء الاصطناعي والتعلم الآلي وفريقنا من خبراء فواتير طبية، يخلق حلًا متكاملًا ومخصصًا يساعدك على رؤية القيمة بشكل أسرع، مع صيانة أو استثناءات قليلة.

لقد تم تصميمه مع الاستثناءات والحالات غير العادية في الاعتبار. إذا واجهت شيئًا جديدًا، يُشير النظام إلى مشكلة لفريق AKASA من الخبراء الذين ي解决ونها بينما يتعلم النظام من الإجراءات التي يتخذونها. إن هذا العنصر البشري هو ما يميزنا عن حلول أخرى في السوق ويمكّن المنصة من التعلم المستمر والتحسين.

يتم أيضًا تعديم Unified Automation لطبيعة الرعاية الصحية الديناميكية. إنه حل مخصص ومتكامل ي giúp يقلل التكاليف التشغيلية، ويرفع الموظفين لمواجهة مهام أكثر إثارة تتطلب لمسة بشرية، ويعزز.capture الإيرادات للأنظمة الصحية مع تحسين تجربة المرضى المالية في نفس الوقت.

هذا هو كيف يعمل Unified Automation:

البرمجيات المملوكة تراقب: أداة Worklogger™ تراقب عن بُعد كيف يكمل الموظفون الصحيون مهامهم. ثم يُ etiquette بياناتنا ويُغذيها في توفيرنا الآلي لتوفير رؤية شاملة للعمليات والأساليب الحالية. يؤدي ذلك إلى رؤية أكبر في أداء الموظفين، بيانات أساسية على الأساليب لتوفير توفيرنا الآلي، وتحليل دقيق للوقت لكل مهمة.

الذكاء الاصطناعي يقوم: بعد مراقبة وتعلم أساليب الموظفين الصحيين، يقوم الذكاء الاصطناعي بهذه المهام بشكل tự độngي. يتعلم باستمرار من المشاكل وحالات الحافة التي يتعامل معها، ويتخذ مهام أكثر تعقيدًا مع مرور الوقت. يقع Unified Automation في بداية قائمة العمل – يُassignه المهام المناسبة ويتمكن من إكمالها دون إزعاج الفريق. كما يُoptimizes العمليات تلقائيًا، لذلك لا يحتاج الموظفون إلى أي إعداد أو تدخل.

الخبرة البشرية تضمن: يُشير النظام تلقائيًا إلى فريقنا من خبراء فواتير طبية لمعالجة الاستثناءات والحالات غير العادية، ويتعلم الذكاء الاصطناعي في الوقت الفعلي أثناء العمل. هذا هو جزء الحلقة البشرية. مع التعلم المستمر المدمج، يصبح منصة Unified Automation أكثر ذكاءً وفعاليّة مع مرور الوقت، ويتم إنجاز العمل دائمًا.

هل هناك أي شيء آخر تريد مشاركته حول AKASA؟

لدينا نهج بحثي أول، مما يعني أن عملائنا لديهم إمكانية الوصول إلى تقنيات متقدمة. نحن ملتزمون بنشر أبحاثنا ونهج الذكاء الاصطناعي في منشورات مراجعة الأقران لتطوير معايير جديدة لآليّة الذكاء الاصطناعي في عمليات الرعاية الصحية وتقديم قيادة الصناعة بأكملها.

على سبيل المثال، تم تقديم أبحاثنا في المؤتمر الدولي حول التعلم الآلي (ICML)، وملتقى معالجة اللغة الطبيعية (NLP)، ومؤتمر التعلم الآلي للرعاية الصحية (MLHC)، من بين آخرين. نحن نتبع نهجًا منضبطًا لاختبار نماذجنا ومقارنة أدائها بالنهج الآلي الحديث المتاح في السوق.

حلنا التنبؤي للرفض يُعتقد أنه أول نظام قائم على التعلم الآلي الذي يمكن التنبؤ بدقة بمطالبات الفواتير الطبية بنسبة تزيد عن 22% مقارنة بالأسس الحالية. نموذجنا للقراءة والانتباه والترميز للفواتير الطبية من الملاحظات السريرية تم الاعتراف به على أنه يحدد معيارًا جديدًا للصناعة ويتفوق على النماذج الحالية بنسبة 18% – متجاوزًا إنتاجية المرمزين البشر. نعتقد أن هذه الابتكارات الخلفية هي حاسمة لتحسين نظام الرعاية الصحية الأمريكي على نطاق واسع وسوف تستمر في دفع التطورات وبناء حلول مخصصة لهذا المجال.

هناك الكثير من الضجيج حول الذكاء الاصطناعي في الرعاية الصحية، ولكن عندما يأتي الأمر إلى الحقيقة، يمكن للشركات أن تبالغ في ما يمكن أن تفعله تقنياتها في الواقع. من الصعب إجراء بحث لتحديد ما تفعله الخوارزميات – ونحن نفخر بأنفسنا بأخذ هذا المسار الجاد ولكن الصعب لتحقيق التغيير الإيجابي والمعنوي لـ AKASA.

نحن متحمسون للمستقبل وما سيأتي في AKASA بينما نبني مستقبل الرعاية الصحية بالذكاء الاصطناعي.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا AKASA.