Varun Ganapathi, CTO a spoluzakladatel AKASY – Interview Series

Varun Ganapathi je CTO a spoluzakladatel AKASY, vývojáře umělé inteligence pro aplikace ve zdravotnictví. AKASA pomáhá zdravotnickým organizacím zlepšit provoz, včetně cyklu výnosů, aby generovaly výnosy, vytvářely efektivitu a zlepšovaly zkušenosti pacientů. Varun úspěšně založil dvě společnosti zaměřené na umělou inteligenci před AKASOU, jednu z nich získal Google (GOOGL ) a druhou Udacity.

Můžete diskutovat o některých svých raných dnech na Stanfordu, kdy jste pracoval na tom, aby vrtulníky byly autonomní?

Když jsem studoval fyziku jako bakalář na Stanfordu, byl jsem také velmi intéressován počítačovými vědami a strojovým učením (ML). Pro mě spojovala umělá inteligence a strojové učení všechno dohromady – je to vlastně automatizovaný způsob provádění fyziky na jakémkoli digitizovatelném jevu.

Pro jeden konkrétní projekt jsme měli vrtulník, který vypadal jako velký drone, trochu menší než dvojlůžko – v době, kdy nebyly drony příliš rozšířené. Lidé s ním létali a dělali triky, jako například vznášení se vzhůru nohama. Přestože je to velmi obtížné, chtěli jsme vytvořit algoritmus strojového učení, který by se mohl učit od lidí, jak létat s tímto vrtulníkem autonomně.

Vytvořili jsme simulátor fyziky, který byl založen na skutečném vrtulníku, a algoritmus strojového učení, který se učil předpovídat jeho pohyby. Poté jsme aplikovali učení s posilováním uvnitř simulátoru, abychom vyvinuli řadič, vzali software a nahráli jej do skutečného vrtulníku. Po zapnutí vrtulníku fungoval okamžitě! Vrtulník byl schopen okamžitě vznášet se vzhůru nohama sám, což bylo bastante působivé. Tým pokračoval v práci na automatizaci dalších typů triků pomocí strojového učení.

Můžete také diskutovat o algoritmu, na kterém jste pracoval, a o tom, jak vaše společnost byla nakonec získána společností Google?

Skutečně jsem absolvoval stáž v Googlu, zatímco jsem navštěvoval třídy na Stanfordu v roce 2004 – to bylo hned po projektu s vrtulníkem. Během té doby jsem implementoval strojové učení pro projekt Google Books, kde jsme skenovali všechny knihy světa.

Google platil mnoha lidem, aby označovali informace o knihách, jako jsou stránky, obsahy, autorská práva atd. – velmi časově náročná úloha. Chtěl jsem zjistit, zda lze použít strojové učení k tomu, aby to fungovalo, a skutečně fungovalo velmi dobře. Skutečně fungovalo lépe a bylo přesnější než když to dělali lidé, protože většina chyb byla způsobena lidskou chybou při manuálním označování.

To mě velmi nadchlo pro strojové učení, protože ukázalo, že můžete jít od lidské výkonnosti k nadlidské výkonnosti – provádět nudné úkoly s menšími chybami a více konzistentně, zatímco stále zvládáte okrajové případy.

Od té doby jsem se rozhodl absolvovat doktorský studijní program na Stanfordu, zaměřený na strojové učení a více teoretické články. Pro svou disertační práci jsem vyvinul algoritmus pro provádění reálného pohybového zachycení, kde počítač může sledovat pohyb všech lidských kloubů v reálném čase z hloubkového kamery. To bylo základem pro mou první společnost, Numovis, která se zaměřovala na sledování pohybu a počítačové vidění pro uživatelské rozhraní. Byla získána společností Google.

Celá má cesta od projektu s vrtulníkem po Google Books, samořízená auta a nyní operace ve zdravotnictví skutečně ukázala, jak moc jsou obecné algoritmy strojového učení.

Můžete sdílet příběh o vzniku AKASY?

AKASU jsme postavili, abychom vyřešili obrovský, hluboce zakořeněný problém ve zdravotnických operacích. Tyto operace jsou jak drahé, tak chybné, což může vést k zbytečným finančním zkušenostem, které vyvolávají paniku u pacientů. Na administrativní straně chyběla nová technologie a nic nebylo vytvořeno pro tento účel. Stalo se nám jasné, že můžete použít technologii, jako je umělá inteligence a strojové učení, k řešení těchto provozních výzev inovativním způsobem. Když jsme hovořili s mnoha zdravotnickými systémy a lídry ve zdravotnictví, potvrdili naše myšlenky, což nakonec vedlo k založení AKASY v roce 2019.

S tím je účel AKASY jasný od samého začátku – umožnit lidskému zdraví a budovat budoucnost zdravotnictví s umělou inteligencí. Způsob, jakým jsme se rozhodli tuto výzvu řešit, spočívá v kombinaci lidské inteligence s předními algoritmy umělé inteligence a strojového učení, aby zdravotnické systémy mohly snižovat provozní náklady a přidělovat zdroje tam, kde jsou nejvíce potřeba.

Náš systém-agnostický, flexibilní platforma v současné době slouží zákaznické základně, která představuje více než 475 nemocnic a zdravotnických systémů a více než 8 000 ambulantních zařízení, ve všech 50 státech. Naše technologie pomáhá těmto organizacím, ať už používají poskytovatele elektronických zdravotních záznamů (EHR), jako jsou Epic, Cerner, jiní poskytovatelé EHR nebo bolt-on systémy, a všechno mezi tím. A podařilo se nám to s dobrými výsledky.

Naše zákaznická základna představuje více než 110 miliard dolarů v souhrnném čistém výnosu pacientů, což odpovídá více než 10 % všech výdajů zdravotnických systémů ve Spojených státech ročně podle Centers for Medicaid and Medicare Services. A modely a algoritmy AKASY byly vyškoleny na téměř 290 milionech nároků a remitencích.

Neviditelná instalace zdravotnictví je extrémně složitá, ale má obrovský dopad na lidské zdraví, a my to automatizujeme kousek po kousku.

Jaké jsou některé úkoly, na které se AKASA dívá, aby je automatizovala ve zdravotnictví?

Náš jedinečný přístup expert-in-the-loop, Unified Automation, kombinuje strojové učení s lidským úsudkem a odbornou znalostí, aby poskytoval robustní a odolnou automatizaci zdravotnických operací. AKASA může rychle a efektivně automatizovat a streamlinovat úkoly na konci zdravotnických finančních funkcí, včetně zpracování faktur a plateb. Konkrétní úkoly, které AKASA automatizuje, zahrnují kontrolu způsobilosti pacienta, dokumentování a ověřování informací o pojištění, odhad nákladů pacienta, editaci, opětovné fakturaci a odvolání nároků a předpověď a správu zamítnutí.

Tento typ automatizace nejen snižuje lidské chyby a zpoždění pro pacienty, pomáhá předcházet překvapivým lékařským účtům, ale také uvolňuje zdravotnický personál, aby se mohli soustředit na více odměňující, náročné a hodnotné úkoly zaměřené na zkušenosti pacientů.

Jaké jsou různé typy algoritmů strojového učení, které se používají?

AKASA používá stejné přístupy strojového učení, které umožnily samořízená auta, aby poskytla zdravotnickým systémům jediné řešení pro automatizaci zdravotnických operací. Tento přístup – zaměřený na strojové učení – rozšiřuje schopnosti automatizace, aby zvládly složitější práci ve velkém měřítku.

Vyvíjíme algoritmy špičkové úrovně v počítačovém vidění, přirozeném jazykovém porozumění a strukturovaných datových problémech. Naše platforma začíná s počítačovým viděním poháněnou RPA a vylepšuje ji moderní umělou inteligencí, strojovým učením a expertem v smyčce, aby poskytovala robustní automatizaci.

Abyste získali přehled o tom, jak to funguje, naše proprietární řešení nejprve pozoruje, jak zdravotnický personál dokončuje své úkoly. Náš tým poté označuje tato data a používá je k výcviku našich algoritmů, aby naše technologie mohla porozumět a naučit se, jak zdravotnický personál a jejich systémy fungují. Poté naše platforma provádí tyto pracovní postupy autonomně. Nakonec používáme experty v smyčce, kteří mohou zasáhnout, kdykoli systém označí odlehlé hodnoty nebo výjimky. Umělá inteligence se neustále učí z těchto zkušeností, což jí umožňuje zvládnout složitější úkoly s časem.

Můžete diskutovat o důležitosti přístupů human-in-the-loop a proč má nahradit RPA?

Pravdou je, že RPA je desetiletí stará technologie, která je křehká a má skutečné limity svých schopností. Bude vždy mít nějakou hodnotu při automatizaci práce, která je jednoduchá, diskrétní a lineární. Nicméně důvod, proč se často snahy o automatizaci nezdaří, je ten, že život je komplexní a neustále se mění.

Základní přístup k RPA spočívá v tom, že se pro každý problém nebo cestu, kterou chcete vyřešit, postaví robot (bot). Lidský konzultant nebo inženýr postaví robota, aby vyřešil konkrétní problém. Tento robotický řešení nahrazuje sekvenci kroků. Dívá se na obrazovku, provádí akci a opakuje ji.

Problém, který často nastává, je, že změna ve světě, jako je změna softwaru nebo uživatelského rozhraní, může způsobit, že roboti selžou. Jak víme, technologie se neustále vyvíjí, vytváří se dynamické prostředí. To znamená, že roboti RPA často selžou.

Jiným problémem s těmito roboty je, že musíte vytvořit jeden pro každou situaci, kterou chcete vyřešit. Když to uděláte, skončíte s mnoha roboty, které dokončují velmi malé akce, které nevyžadují mnoho dovedností.

Je to jako hra na Whack-a-Mole. Každý den čelíte skutečnosti, že jeden z nich může selhat, protože se změní kus softwaru nebo něco neobvyklého se stane – objeví se dialogové okno nebo nový typ vstupu. Výsledkem jsou nákladné údržby, aby se udržel chod robotů. Podle výzkumu společnosti Forrester se za každých 1 dolar strávený na RPA vydá dalších 3,41 dolaru na konzultantské zdroje.

To znamená, že skutečný software pro RPA není většina nákladů. Významnější investice je veškerá práce, kterou musíte udělat, aby roboti RPA fungovali neustále. Mnoho organizací nebere v úvahu tyto pokračující náklady.

Jak je mnoho věcí v životě komplexních a neustále se měnících, mnoho práce spadá mimo schopnosti RPA, což je místo, kde vstupuje strojové učení. Strojové učení umožňuje automatizovat těžkou práci. A věříme, že speciální omáčka jsou lidé, kteří zlepšují algoritmy, aby je učili.

Když algoritmus není jistý, co by měl udělat (nízká jistota), je eskalován na člověka v smyčce. Lidé označují tyto příklady a identifikují případy, které nejsou zpracovány aktuálním modelem. Když je to hotovo a umělá inteligence to udělala správně, je to dobře fungující úkol.

Každý úkol, u kterého člověk chytí problém, je případ, ve kterém stroj není zpracováván správně. V takovém případě je přidán datový soubor, který znovu trénuje modely strojového učení, aby zvládly tuto novou situaci.

Časem se model strojového učení stává odolnějším vůči novým okrajovým případům. To vede k systému, který je robustní a flexibilní vůči novým odlehlým hodnotám nebo výjimkám, a systém se stává silnějším s časem. To znamená, že automatizace se stává lepší a lepší a zásahy člověka budou klesat s časem.

Mít lidské experty v smyčce je zásadní pro to, aby umělá inteligence byla chytřejší, rychlejší a lepší. Potřebujeme lidi, aby správně trénovali umělou inteligenci a zajistili, aby mohla zvládnout odlehlé hodnoty, které jsou nevyhnutelnou součástí každé branže – a zejména dynamického odvětví, jako je zdravotnictví.

Jak funguje řešení AKASY human-in-the-loop Unified Automation a jaké jsou některé z primárních použití této platformy?

Unified Automation je platforma vytvořená pro zdravotnictví. Používá umělou inteligenci, strojové učení a náš tým odborníků na lékařské účtování, aby vytvořila integrované, přizpůsobené řešení, které vám umožní vidět hodnotu rychleji, s téměř žádnou údržbou nebo výjimkami.

Byla navržena s výjimkami a odlehlými hodnotami na mysli. Pokud narazí na něco nového, platforma označí problém týmu odborníků AKASY, kteří jej vyřeší, zatímco systém se učí z akcí, které provádějí. Je to právě lidský prvek, který nás odlišuje od ostatních řešení na trhu a umožňuje platformě, aby se neustále učila a zlepšovala.

Unified Automation se také přizpůsobuje dynamické povaze zdravotnického průmyslu. Je to integrované, přizpůsobené řešení, které pomáhá snižovat provozní náklady, zvyšovat personál, aby se mohl věnovat více odměňující práci, která vyžaduje lidský dotek, a zlepšovat zachycení výnosů pro zdravotnické systémy, zatímco také zlepšuje finanční zkušenosti pacientů.

Toto je, jak funguje Unified Automation:

Proprietární software pozoruje: Naše nástroj Worklogger™ vzdáleně pozoruje, jak zdravotnický personál dokončuje své úkoly. Poté náš tým označuje tato data a krmí je do našeho automatizačního procesu, aby poskytli komplexní pohled na současné pracovní postupy a procesy. To vede k vyšší viditelnosti personálu, základnímu datu o pracovních postupech, aby napájely náš automatizační proces, a přesné analýze času na úkol.

Umělá inteligence provádí: Po pozorování a učení se zdravotnickému personálu naše umělá inteligence poté provádí tyto úkoly autonomně. Neustále se učí z problémů a okrajových případů, se kterými se setkává, a přebírá složitější úkoly s časem. Unified Automation sedí v frontě práce – přiřazuje si vhodné úkoly a dokončuje je bez rušení týmu. Automaticky také optimalizuje procesy, takže personál nemusí provádět žádné nastavení nebo zásahy.

Lidská odbornost zajišťuje: Systém automaticky označí náš tým odborníků na lékařské účtování, aby řešili výjimky a odlehlé hodnoty, a učí umělou inteligenci v reálném čase, zatímco pracují. To je část expert-in-the-loop. S vestavěným kontinuálním učením se platforma Unified Automation stává chytřejší a efektivnější s časem a práce se vždy dokončí.

Je něco jiného, co byste chtěli sdílet o AKASE?

Máme výzkumný přístup, který znamená, že naši zákazníci mají přístup k přednímu technologickému vybavení. Jsme zavázáni publikovat naše přístupy umělé inteligence v recenzovaných publikacích, aby neustále nastavovali nové standardy pro umělou inteligenci ve zdravotnických operacích a aby vedli celý náš průmysl kupředu.

Například naše výzkumy byly prezentovány na Mezinárodní konferenci o strojovém učení (ICML), summitu o přirozeném jazykovém porozumění (NLP) a konferenci o strojovém učení ve zdravotnictví (MLHC), mezi jinými. Přistupujeme k velmi disciplinovanému přístupu k testování našich modelů a porovnávání jejich výkonu s přístupy umělé inteligence na trhu.

Náš předpovědní systém pro zamítnutí se domnívá, že je prvním publikovaným systémem založeným na hlubokém učení, který může přesně předpovědět zamítnutí lékařských nároků o více než 22 % ve srovnání se stávajícími referencemi. Naše model Read, Attend, Code pro autonomní kódování lékařských nároků z klinických poznámek byl uznán jako definující nový standard pro odvětví a překonal současné modely o 18 % – překonal produktivitu lidských kódérů. Věříme, že tyto inovace v back-office jsou kritické pro zlepšení systému zdravotní péče ve Spojených státech v měřítku a budou i nadále pohánět pokroky a vytvářet přizpůsobená řešení pro tento prostor.

Existuje mnoho hype kolem umělé inteligence ve zdravotnictví, ale když se to sníží, společnosti mohou přehánět, co jejich technologie skutečně dokáže. Je mnohem těžší provádět výzkum, aby se ověřilo, co algoritmy dělají – a chlubíme se, že bereme tento smysluplný, ale náročný přístup, aby se nakonec prokázalo, že platforma Unified Automation AKASY skutečně přináší pozitivní a smysluplné změny nemocnicím a zdravotnickým systémům.

Jsme nadšeni budoucností a tím, co přijde v AKASE, zatímco budujeme budoucnost zdravotnictví s umělou inteligencí.

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