Andreas Cleve, spoluzakladatel a CEO Corti – rozhovorová série

Andreas Cleve, spoluzakladatel a CEO Corti, je podnikatel zaměřený na rozvoj umělé inteligence ve zdravotnictví. Jeho práce v tomto sektoru začala s Ovivo, platformou pro plánování konverzační pracovní síly pro nemocnice, která se rychle rozšířila po Dánsku a byla v roce 2013 koupena. Později spoluzaložil Hyvi, výzkumnou iniciativu, která zkoumá kontextově aware jazykové modely schopné porozumět komplexním konverzacím v reálném čase, které se nakonec vyvinuly v Corti v roce 2018. Kromě budování společností sehrál Cleve klíčovou roli při posilování severského ekosystému umělé inteligence prostřednictvím iniciativ, jako je Nordic.ai a poradenských rolí u organizací, včetně DIGITALEUROPE a Dánské národní digitální rady.

Corti je kodaňská zdravotnická společnost pro umělou inteligenci, která vyvíjí specializované modely navržené pro pochopení lékařských konverzací a podporu zdravotnických pracovníků v reálném čase. Jeho platforma funguje jako asistent pro zdravotnické odborníky generováním klinické dokumentace, poskytováním informací během interakcí s pacienty a automatizací administrativních pracovních postupů. Nabízením své technologie prostřednictvím API a integrací se zdravotnickými systémy si Corti klade za cíl snížit zátěž zdravotnických pracovníků, zatímco zlepšuje efektivitu a rozhodování v nemocnicích a digitálních zdravotnických platformách.

Vyrostl jste v rodině, kde byla zdravotní péče stálou součástí každodenního života… Jak tyto rané zkušenosti ovlivnily založení Corti a které konkrétní problémy jste byli od začátku rozhodnuti řešit?

Vyrůstání v prostředí zdravotní péče mi ukázalo dvě věci: odbornost má obrovský význam a procesy, které tuto odbornost přenášejí, jsou křehké a často selhávají těm, kteří je nejvíce potřebují. Tyto rané zkušenosti z domácnosti, které zahrnovaly sledování boje pečovatelů, sledování ztráty znalostí při předávání a prožívání strachu z nekonzistentní péče, vysely víru, že zdravotní péče by měla být předvídatelná a že zdravotničtí pracovníci by nikdy neměli být sami, když přijde těžké rozhodnutí. To se přímo promítlo do zakládající mise Corti: vybudovat systémy, které podpoří odbornost, aby zdravotničtí pracovníci vždy měli spolehlivou, reálnou podporu pro rozhodování.

Od prvního dne jsme se snažili řešit nerovnováhu mezi nabídkou a poptávkou ve zdravotnictví: mezeru mezi složitostí moderní medicíny a omezenou lidskou kapacitou ji aplikovat všude, vytvořením umělé inteligence, která snižuje variabilitu, urychluje detekci a podporuje bezpečnější rozhodnutí v okamžicích, které mají největší význam.

Corti se позиcionuje jako infrastruktura pro umělou inteligenci ve zdravotnictví, spíše než jako samostatný asistent pro umělou inteligenci. Co znamená infrastruktura v tomto kontextu a jaké schopnosti odemyká, které bodové řešení nebo nástroje založené na chatu nemohou?

Když mluvíme o infrastruktuře, máme na mysli, že nezasíláme jeden asistent nebo widget; budujeme základní sadu, která ermögňuje klinicky špičkovou umělou inteligenci napříč mnoha pracovními postupy. Infrastruktura zde znamená: zdravotnické modely a data (ne obecná webová data), vrstva klinického rozhodování, která poskytuje odpovědi s klinickým kontextem, nástroje pro životní cyklus a správu (modelové karty, auditní stopy, ověřitelná geneze), možnosti nasazení, které splňují požadavky regulátorů (suverénní cloudy, on-prem nebo soukromé koncové body), a developerům orientované API a SDK, které umožňují produktovým týmům integrovat klinickou inteligenci do svých aplikací bez toho, aby se museli stát odborníky na strojové učení nebo compliance.

Tento přístup odemyká tři věci, které bodová řešení nemohou: (1) nasaditelnost, což znamená modely a běh, které přežijí skutečné klinické omezení (latence, rezidence dat, auditovatelnost); (2) škálovatelnost napříč specializacemi, což znamená opakovaně použitelné, certifikované stavební bloky (řeč, kódování, klinicky zaměřené koncové body), které snižují náklady na budování mnoha vertikálních aplikací; a (3) regulatorní a podniková důvěra, což znamená zásady, BAAs, a compliance prvky integrované do platformy, aby zákazníci mohli přecházet z pilotních projektů do produkční fáze. Stručně řečeno, infrastruktura přeměňuje klinický výzkum na nasaditelné služby, které mohou vývojáři a nemocnice dodávat, certifikovat a škálovat.

Obecné modely umělé inteligence jsou často aplikovány v klinickém prostředí s proměnlivými výsledky. Jakými jsou nejčastějšími způsoby, kterými tyto modely selhávají, když se používají ve skutečném zdravotnickém prostředí?

Obecné modely dosáhly pozoruhodného pokroku a pro mnoho úkolů fungují dobře. Ale zdravotnictví odměňuje hloubku způsoby, které horizontální umělá inteligence nemůže snadno replikovat. Klinické rozhodování závisí na jemných signálech, specializované terminologii, institucionálním kontextu a porozumění, jak dokumentace prochází regulačními a systémy úhrad. Dosáhnout toho vyžaduje trénink na klinických datech, validaci proti klinickým benchmarkům a budování compliance do stacku od začátku. Není to problém s vyvoláním; je to výzkumný problém, a proto si myslíme, že zdravotnictví potřebuje専aný AI laboratoř, která může jít do hloubky domény, spíše než široce napříč mnoha.

Corti operuje napříč Evropou, USA a dále, každá s jinými modely péče a správou. Jak navrhujete systémy umělé inteligence, které se přizpůsobují této reálné složitosti?

Navrhujeme pro složitost tak, že vlastníme více stacku a děláme nasazení a správu prvními třídami občanů. Prakticky to znamená trénink na zdravotnických datech a ladění modelů pro klinické rozhodování; budování auditních stop, modelových karet a BAA-připravených API; a architekturu routingu, aby byly vybrány compliance kontroly podle geografie a rizikového profilu. Pro zákazníky, kteří to potřebují, nabízíme suverénní cloudy a on-prem nasazení, aby poskytovatelé mohli zvolit, kde žije jejich data, a udržet kontrolu nad modely, které na nich běží.

Tato flexibilita nám umožňuje běhat stejnou klinickou umělou inteligenci napříč různými modely péče, zatímco ctíme místní dokumentační standardy, zákony o ochraně osobních údajů a institucionální správu. Důležité je, že pohlížíme na výzkum jako na cestu k produkci; každý pokrok musí být stopovatelný, testovatelný a nasaditelný ve skutečném světě, ne pouze slibný v laboratoři. To je to, co znamená být postaven pro prosperitu v klinické realitě.

Pohled na současné klinické pracovní postupy, kde Corti dodává nejokamžitejší, měřitelný dopad, a proč jsou tyto oblasti nejdůležitější pro přetížené zdravotnické pracovníky?

Corti má nejokamžitejší dopad dnes v klinických a administrativních pracovních postupech, které nesou největší zátěž. Naše modely a API napájí ambientní dokumentaci, kódování a agent-driven automatizaci uvnitř zdravotnického softwaru, který zdravotničtí pracovníci používají každý den.

Tyto oblasti jsou důležité, protože dokumentace a fakturace jsou mezi nejvíce časově náročnými a chybovými částmi poskytování péče. Když se konverzace stanou strukturovanými, EHR-připravenými poznámkami v reálném čase, když je kódování kompletnější a přesnější, a když jsou rutinní pracovní postupy automatizovány bezpečně uvnitř regulovaných systémů, zdravotničtí pracovníci tráví méně času papírováním a organizace vidí měřitelná zlepšení efektivity a kvality úhrad.

Zdravotnictví není jeden monolitický problém, ale tisíce specializovaných pracovních postupů, které fungují pod regulačním tlakem. Budováním produkční třídy umělé inteligence, která prosperuje v klinické realitě, umožňujeme softwarovým společnostem a zdravotnickým systémům řešit tyto problémy v měřítku. To je místo, kde laboratoř umělé inteligence ve zdravotnictví dodává praktický, měřitelný návrat.

Corti podporuje stovky tisíc interakcí s pacienty každý den. Jaké zkušenosti vyšly najevo při provozu umělé inteligence v tomto měřítku, které nejsou zřejmé v pilotních nebo laboratorních prostředích?

Provoz na tomto měřítku odhaluje tření, které piloty skrývají – heterogenní kvalita dat (žádné dva EHR nebo transkripty vypadají stejně), produkční latence a omezení streamování, právní a smluvní složitost napříč zákazníky a geografiemi, a perpetuální edge případy, které se objevují pouze pod zatížením. Laboratoře mohou měřit přesnost na kurátorovaných sadách; produkce nás nutí řešit routing, pozorovatelnost, detekci posunu, rollback modelu a odpovědné auditní stopy. Další zkušenost: skutečná důvěra je vydělávána tím, že se modely dělají vysvětlovatelnými, opakovanými a certifikovanými, spíše než jediným místem výkonu. Nakonec, piloty podceňují celkové náklady na vlastnictví: vývojáři v produkci potřebují SDK, konsistentní koncové body a governance prvky, aby udrželi bezpečnost a produktivně iterovali.

Zdravotnictví vyžaduje vyšší vysvětlovatelnost než spotřebitelská umělá inteligence. Jak přistupujete ke klinickému rozhodování, transparentnosti a odpovědnosti, když umělá inteligence ovlivňuje lékařská rozhodnutí?

Zdravotnictví vyžaduje vyšší standard, protože cena chyby je skutečná. Klinická umělá inteligence nemůže pouze generovat pravděpodobný jazyk; musí rozumět komplexní, regulované, vysoce rizikové informaci způsobem, který je transparentní a inspekční.

To je proč jsme vyvinuli GIM, naší metodu Gradient Interaction Modifications, aby se klinické rozhodování stalo více interpretovatelným na úrovni modelu. GIM nedávno dosáhl nejvyššího umístění na Hugging Face Mechanistic Interpretability Benchmark, umístění #1 na leaderboardu mezi interpretovatelnými přístupy. To má význam, protože interpretovatelnost není akademickou cvičením ve zdravotnictví – je to zakládající pro důvěru, bezpečnost a regulatorní přijetí.

Mimo výzkum, transparentnost musí pokračovat do nasazení. Poskytujeme modelové karty, validační benchmarky, auditní stopy a kontrolu verzí, aby zákazníci věděli přesně, co běží a jak bylo vyhodnoceno. Výstupy jsou vázané na důkazy, nejistota je explicitní, a systémy jsou navrženy tak, aby podporovaly zdravotnické pracovníky jako podklad pro rozhodnutí, ne je nahrazovaly neprůhlednou černou skříňkou.

Ve zdravotnictví, vysvětlovatelnost není funkcí. Je to předpoklad pro důvěru. To je proč přistupujeme ke klinické umělé inteligenci jako k laboratornímu disciplíně a zajišťujeme, aby výzkum byl dodán v produkčních systémech, které mohou být inspektovány, spravovány a bezpečně nasazeny.

Suverenita umělé inteligence je kritickou tématem v regulovaných sektorech. Co znamená suverenita ve zdravotnictví a jak mohou poskytovatelé udržet kontrolu, zatímco stále profitují z pokročilé umělé inteligence?

Ve zdravotnictví, suverenita znamená, že poskytovatelé udržují kontrolu nad rezidencí dat, volbou modelu a provozní správou. Prakticky, suverenita je dosažena možnostmi lokálního nebo regionálního hostingu (suverénní cloudy a on-prem), soukromými modelovými koncovými body, plnou auditní a životní kontrolou a smluvními a technickými zárukami (BAAs, SLAs, DPIAs). Suverenita není anti-cloud; je to o tom, dát poskytovatelům schopnost zvolit, kde jejich pracovní zátěž běží, a mít ověřitelnou kontrolu a stopovatelnost nad modely a daty. To umožňuje poskytovatelům přístup k pokročilým schopnostem, zatímco splňují právní a institucionální závazky.

Jako zakladatel a poradce pro evropské iniciativy, jak vidíte regulaci, a kde ještě politici podceňují technické reality klinické umělé inteligence?

Evropa má právo brát regulaci vážně. Ve zdravotnictví, auditovatelnost, stopovatelnost a odpovědnost nejsou volitelné – jsou předpoklady pro důvěru.

Kde politici někdy podceňují realitu, je v tom, jak provozní klinická umělá inteligence je. Certifikace není jednorázové schválení; vyžaduje kontinuální monitorování, kontrolu verzí a probíhající validaci. Současně musíme se vyvarovat přehnané regulace. Pokud se compliance stane nepřiměřenou, inovace zpomalí a užitečné nástroje nikdy nedosáhnou zdravotnických pracovníků.

V Corti, předpokládáme regulaci od prvního dne. Budujeme auditovatelnost, správu modelů a suverénní nasazení přímo do našich modelů a API, aby startupy a etablovaní dodavatelé nemuseli retrofitovat pro compliance později. Zdravotnictví je komplexní a fragmentované, a jediný způsob, jak se pohybovat tempem, je zapékat regulatorní připravenost do základny. Rovnováha, kterou Evropa potřebuje, je přísná, ale praktická: chránit pacienty, ale umožnit budovat a nasazovat bezpečně v měřítku.

Pohledem na příštích 12–24 měsíců, jaké hlavní posuny by měli zdravotničtí lídři očekávat od Corti, a jak tyto plány nastavují základ pro rok 2026?

Očekávejte, že Corti se bude soustředit na cestu z laboratoře do produkce: dodání výzkumu-podporovaných, klinicky špičkových modelů a zabalení jich jako nasaditelné infrastruktury (řeč, kódování a agent-driven koncové body, vrstva klinického rozhodování a suverénní nasazení). Plány na roadmapu zahrnují zlepšení STT a latencí, hlasové agenty, lékařské kódovací modely jdoucí do produkce a několik suverénních cloudových spuštění, vše explicitně navržené pro přechod zákazníků z pilotních projektů do certifikované produkce. Corti není jediná aplikace; je to laboratoř umělé inteligence pro zdravotnictví, postavená pro umožnění celých tříd bezpečného, audovatelného klinického softwaru – základ pro naše ambice pro rok 2026.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Corti.