Andreas Cleve, spoluzakladatel a CEO společnosti Corti – Interview Series

Andreas Cleve, spoluzakladatel a CEO společnosti Corti, je podnikatel, který se zaměřuje na rozvoj umělé inteligence ve zdravotnictví. Jeho práce v tomto sektoru začala s Ovivo, platformou pro plánování pracovních sil pro nemocnice, která se rychle rozšířila po Dánsku a byla později v roce 2013 koupena. Později spoluzakladatel Hyvi, výzkumné iniciativy, která zkoumá kontextově vědomé 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 severské AI ekosystému prostřednictvím iniciativ, jako je Nordic.ai a poradenských rolí u organizací, včetně DIGITALEUROPE a Dánské národní digitální rady.

Corti je kodaňská zdravotnická společnost, která vyvíjí specializované modely, určené k porozumění zdravotnickým konverzacím a podpoře zdravotníků v reálném čase. Jejich platforma funguje jako AI asistent pro zdravotnické pracovníky, generuje klinickou dokumentaci, zobrazuje přehledy během interakcí s pacienty a automatizuje administrativní pracovní postupy. Díky nabízení své technologie prostřednictvím API a integrací se zdravotnickými systémy se Corti snaží snížit zátěž zdravotníků, zatímco zlepšuje efektivitu a rozhodování napříč nemocnicemi a digitálními zdravotnickými platformami.

Vyrůstal jste v rodině, kde zdravotnictví bylo stálou součástí každodenního života… Jak tyto rané zkušenosti ovlivnily založení Corti a které konkrétní problémy jste se rozhodl řešit od samého začátku?

Vyrůstání v prostředí zdravotnictví mi ukázalo dvě věci: odbornost má enormní význam a procesy, které tuto odbornost přenášejí, jsou křehké a často selhávají lidem, kteří je nejvíce potřebují. Tyto rané zkušenosti z domácnosti, které zahrnovaly sledování zdravotníků, kteří bojují, sledování ztráty znalostí během předávání a prožívání strachu z nekonzistentní péče, vedly ke vzniku přesvědčení, že zdravotnictví by mělo být předvídatelné a že zdravotníci by nikdy neměli být sami, když přijde těžké rozhodnutí. To se přímo promítlo do zakladatelské mise Corti: vybudovat systémy, které podpoří odbornost, aby zdravotníci vždy měli spolehlivou, reálnou podporu pro rozhodování.

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

Corti se позиcionuje jako zdravotnická AI infrastruktura, spíše než jako samostatný AI asistent. Co znamená infrastruktura v tomto kontextu a jaké schopnosti nabízí, které bodové řešení nebo chat-based nástroje nemohou?

Když mluvíme o infrastruktuře, máme na mysli, že nevyvíjíme jediný asistent nebo widget; budujeme základní sadu nástrojů, které umožňují klinickou AI napříč mnoha pracovními postupy. Infrastruktura zde znamená: zdravotnické modely a data (ne obecná webová data), vrstvu klinického rozhodování, která zobrazuje 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 vývojářské API a SDK, které umožňují produktovým týmům integrovat klinickou inteligenci do svých aplikací bez nutnosti stát se odborníky na ML nebo compliance.

Tento přístup nabízí tři věci, které bodová řešení nemohou: (1) nasaditelnost, tj. modely a běh, které přežijí skutečné klinické omezení (latence, rezidence dat, auditovatelnost); (2) škálovatelnost napříč specializacemi, tj. 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, tj. zásady, BAAs, a compliance primitiva integrovaná do platformy, aby zákazníci mohli přejít 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 AI modely jsou často aplikovány v klinických prostředích s proměnlivými výsledky. Jaké jsou nejčastější způsoby, kterými tyto modely selhávají, když jsou použity v reálných zdravotnických prostředích?

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

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

Navrhujeme pro složitost tím, že vlastníme více stacku a tím, že činíme 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 compliance kontroly byly vybrány geografií a rizikovým profilem. Pro zákazníky, kteří to potřebují, nabízíme suverénní cloudy a on-prem nasazení, aby poskytovatelé mohli zvolit, kde jejich data žijí a udržovat kontrolu nad modely, které na nich běží.

Tato flexibilita nám umožňuje běhat stejnou klinickou AI napříč různými modely péče, zatímco respektujeme místní dokumentační standardy, zákony o ochraně soukromí a institucionální správu. Důležitým je, že behandujeme výzkum jako cestu k produkční fázi; každý pokrok musí být stopovatelný, testovatelný a nasaditelný v reálném 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 tyto oblasti záleží nejvíce pro přetížené zdravotníky?

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

Tyto oblasti záleží, protože dokumentace a fakturace jsou mezi nejvíce časově náročnými a chybami naplněnými částmi péče. Když se konverzace stávají strukturovanými, EHR-připravenými poznámkami v reálném čase, když je kódování kompletnější a přesnější, a když jsou rutinní pracovní postupy automatizovány bezpečně uvnitř regulovaných systémů, zdravotníci tráví méně času papírováním a organizace vidí měřitelná zlepšení v efektivitě a kvalitě úhrad.

Zdravotnictví není jedinou monolitickou problémem, ale tisíci specializovanými pracovními postupy, které fungují pod regulačním tlakem. Budováním produkční AI, která prosperuje v klinické realitě, ermögňujeme softwarovým společnostem a zdravotnickým systémům řešit tyto problémy v měřítku. To je tam, kde zdravotnická AI laboratoř dodává praktický, měřitelný návrat.

Corti podporuje stovky tisíc interakcí pacientů každý den. Jaké lekce se objevily při provozu AI 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 streamingové omezení, 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 nutí řešit routing, pozorovatelnost, detekci posunu, rollback modelu a odpovědné auditní stopy. Další lekce: skutečná důvěra je získána tím, že se modely dělají vysvětlitelnými, opakovanými a certifikovanými, spíše než jednorázovým výkonem. Nakonec, piloty podceňují celkové náklady na vlastnictví: vývojáři v produkci potřebují SDK, konsistentní koncové body a compliance primitiva, aby udrželi bezpečnost a produktivně iterovali.

Zdravotnictví vyžaduje vyšší vysvětlitelnost než spotřebitelská AI. Jak přistupujete ke klinickému rozhodování, transparentnosti a odpovědnosti, když AI ovlivňuje zdravotnická rozhodnutí?

Zdravotnictví vyžaduje vyšší standard, protože cena chyby je reálná. Klinická AI nemůže pouze generovat pravděpodobný jazyk; musí rozumět komplexním, regulovaným, vysoce rizikovým informacím 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 první místo v Hugging Face Mechanistic Interpretability Benchmark, což je důležité, protože interpretovatelnost není akademickou cvičením ve zdravotnictví – je to základním pro důvěru, bezpečnost a regulatorní přijetí.

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

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

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

Ve zdravotnictví znamená suverenita, že poskytovatelé udržují kontrolu nad rezidencí dat, volbou modelu a provozní správou. Prakticky je suverenita dosažena možnostmi lokálního nebo regionálního hostingu (suverénní cloudy a on-prem), privátními modelovými koncovými body, plnou auditní a životní kontrolou a smluvními a technickými zárukami (BAAs, SLAs, DPIAs). Suverenita není anti-cloud; je o tom, dát poskytovatelům možnost 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 EU iniciativy, jak vidíte regulaci se vyvíjet, a kde politici stále podceňují technické reality klinické AI?

Evropa má pravdu, že regulaci bere vážně. Ve zdravotnictví je auditovatelnost, stopovatelnost a odpovědnost nejsou volitelné – jsou předpoklady pro důvěru.

Tam, kde politici někdy podceňují realitu, je v tom, jak provozní klinická AI je. Certifikace není jednorázové schválení; vyžaduje kontinuální monitorování, kontrolu verzí a pokračující validaci. Současně musíme tránhovat přepřísnou regulaci. Pokud se compliance stane nepřiměřenou, inovace zpomalí a užitečné nástroje nikdy nedosáhnou zdravotníků.

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

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

Očekávejte, že Corti se bude soustředit na cestu z laboratoře do produkce: dodání výzkumu-podporovaných, klinicky-gradních modelů a zabalení jich jako nasaditelné infrastruktury (řeč, kódování a agent-driven koncové body, vrstva klinického rozhodování a suverénní nasazení), všechny explicitně navržené k přesunu zákazníků z pilotních projektů do certifikované produkce. Plány na roadmapu zahrnují vylepšené STT a latenci, hlasové agenty, medicínské kódovací modely jdoucí do produkce a několik suverénních cloudových spuštění, všechny navržené k přesunu zákazníků z pilotních projektů do certifikované produkce. Corti není jedinou aplikací; je to zdravotnická AI laboratoř, postavená pro umožnění celé třídy bezpečné, auditable klinické softwarové základny pro naše ambice 2026.

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