Varun Ganapathi, CTO & Co-Founder of AKASA – Interview Series

Varun Ganapathi je CTO a spoluzakladatel společnosti AKASA, vývojáře umělých inteligencí pro zdravotnické aplikace. AKASA pomáhá zdravotnickým organizacím zlepšovat provoz, včetně cyklu příjmů, aby generovaly příjmy, vytvářely efektivitu a zlepšovaly zkušenosti pacientů. Varun úspěšně založil dvě společnosti zaměřené na umělou inteligenci před společností AKASA, jednu z nich koupila společnost Google a druhou společnost 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 ML všechno do jednoho – 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 dvojité matrace – v době, kdy nebyly drony příliš rozšířené. Lidé s ním létali a dělali triky, jako například visení vzhůru nohama. Přestože je to velmi obtížné, chtěli jsme vytvořit algoritmus ML, který by se mohl učit od lidí, jak létat s tímto vrtulníkem autonomně.

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

Také jste pracoval v Google Books, můžete diskutovat o algoritmu, na kterém jste pracoval, a o tom, jak vaše společnost byla nakonec koupena společností Google?

Pracoval jsem na stáži v Google, zatímco jsem navštěvoval třídy na Stanfordu v roce 2004 – to bylo hned po projektu s vrtulníkem. Během té doby jsem implementoval ML 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 vidět, zda lze použít ML k tomu, aby to fungovalo, a skutečně to fungovalo velmi dobře. Skutečně to fungovalo lépe a bylo přesnější než když to dělali lidé, protože většina chyb byla způsobena lidskou chybou při ručním označování.

To mě opravdu nadchlo pro ML, protože to ukázalo, že můžete jít od lidské výkonnosti k nadlidské výkonnosti – dělat nudné úkoly s méně chybami a více konzistentně, zatímco stále zvládáte okrajové případy.

Od té doby jsem se rozhodl udělat doktorát na Stanfordu, zaměřený na ML a více teoretické články. Pro svou dizertační práci jsem vyvinul algoritmus pro provádění reálného motion capture, kde počítač může sledovat pohyb všech lidských kloubů v reálném čase z hloubkového kamery. To byla základna pro mou první společnost, Numovis, která se zaměřovala na motion tracking a počítačové vidění pro uživatelskou interakci. Byla koupena společností Google.

Celá moje cesta od projektu s vrtulníkem po Google Books, samořízená auta a nyní zdravotnické operace mě opravdu ukázala, jak moc jsou obecné a silné algoritmy strojového učení.

Můžete sdílet příběh o vzniku AKASY?

Postavili jsme AKASU, aby řešila obrovský, hluboce zakořeněný problém ve zdravotnických operacích. Tyto operace jsou jak drahé, tak i 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 AI a ML, aby řešily tyto provozní výzvy 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 začátku – umožnit lidskému zdraví a budovat budoucnost zdravotnictví s AI. Způsob, jakým jsme se rozhodli tuto výzvu řešit, spočívá v kombinaci lidské inteligence s předními AI a ML, aby zdravotnické systémy mohly snižovat provozní náklady a přidělovat zdroje tam, kde jsou nejvíce potřeba.

Naše platforma, která je agnostická k systému a flexibilní, 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 Epic, Cerner, jiné EHR nebo bolt-on systémy a vše mezi tím. A podařilo se nám to s dobrými výsledky.

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

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

Jaké jsou některé úkoly, které AKASA řeší v oblasti zdravotnictví?

Naše unikátní přístup expert-in-the-loop, Unified Automation™, kombinuje ML s lidským úsudkem a odbornými znalostmi, aby poskytoval robustní a odolnou automatizaci pro zdravotnické operace. AKASA může rychle a efektivně automatizovat a streamlinovat úkoly na konci zdravotnické finanční funkce, včetně zpracování faktur a plateb. Konkrétní úkoly, které AKASA automatizuje, zahrnují kontrolu způsobilosti pacienta, dokumentaci a ověření informací o pojištění, odhad nákladů pacienta, editaci, opakované fakturace 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, protože přebírá manuálně opakující se úkoly z jejich talíře – umožňuje jim soustředit se na více odměňující, náročné a hodnototvorné 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 poskytovala zdravotnickým systémům jediné řešení pro automatizaci zdravotnických operací. Tento přístup – zaměřený na ML – rozšiřuje schopnosti automatizace, aby zvládly složitější práci ve velkém měřítku.

Vyvíjíme algoritmy špičkové úrovně v oblasti počítačového vidění, porozumění přirozenému jazyku a strukturovaných datových problémů. Naše platforma začíná s počítačovým viděním poháněnou RPA a vylepšuje ji o moderní AI, ML a expert-in-the-loop, aby poskytovala robustní automatizaci.

Abych vám poskytl přehled o tom, jak to funguje, naše proprietární řešení nejprve pozoruje, jak zdravotnický personál dokončuje své úkoly. Naše tým poté označuje tato data a používá je k výcviku našich algoritmů, aby naše technologie mohla pochopit a naučit se, jak zdravotnický personál a jejich systémy fungují. Poté naše platforma provádí tyto pracovní postupy autonomně. Nakonec používáme experty-in-the-loop, kteří mohou zasáhnout, kdykoli systém označí odlehlé hodnoty nebo výjimky. AI se neustále učí z těchto zkušeností, což umožňuje, aby systém zvládal složitější úkoly s časem.

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

Tvrdá skutečnost 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 snaží o automatizaci, je, že život je komplexní a vždy se mění.

Základní přístup k RPA spočívá v tom, že se pro každé problém nebo cestu, kterou chcete řešit, vytváří robot (bot). Lidský (konzultant nebo inženýr) vytváří robota, aby řešil konkrétní problém. Tento robotický řešení nahrazuje řadu 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 roboty selžou. Jak víme, technologie se neustále vyvíjí, což vytváří dynamické prostředí. To znamená, že roboty RPA často selžou.

Dalším problémem s těmito roboty je, že musíte vytvořit jeden pro každou situaci, kterou chcete řešit. Když to děláte, 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 je nákladná údržba, aby se tyto roboty udržely v chodu. Podle výzkumu společnosti Forrester se za každý dolar vynaložený na RPA vynaloží dalších 3,41 dolaru na konzultantské zdroje.

Jinými slovy, skutečný software pro RPA není většina nákladů. Více podstatnou investicí jsou všechny práce, které musíte udělat, aby RPA fungovala neustále. Mnoho organizací nebere v úvahu tyto pokračující náklady.

Jako většina života je komplexní a neustále se mění, mnoho práce spadá mimo schopnosti RPA, což je místo, kde vstupuje ML. ML umožňuje nám automatizovat těžkou práci. A věříme, že speciální omáčka je lidský, který vylepšuje algoritmy tím, že je učí.

Když algoritmus není jistý, co by měl dělat (nízká jistota), je to eskalováno na human-in-the-loop. Lidé označují tyto příklady a identifikují případy, které nejsou zpracovány aktuálním modelem. Když je to hotovo a AI to udělal správně, je to dobře fungující úkol.

Každý úkol, ve kterém lidský chytnete problém, je případ, ve kterém stroj nezpracovává správně. V tomto případě se data přidají do naší datové sady, která přeškolí modely ML, aby zvládly tuto novou situaci.

S časem model ML buduje odolnost 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 lidská intervence bude klesat s časem.

Mít lidské experty v smyčce je kritické pro to, aby se AI stal chytrějším, rychlejším a lepším. Potřebujeme lidi, aby řádně vyškolili AI a zajistili, aby mohl zvládat odlehlé hodnoty, které jsou nevyhnutelnou součástí každé branže – a zejména v dynamickém oboru, jako je zdravotnictví.

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

Unified Automation je platforma vytvořená speciálně pro zdravotnictví. Používá AI, ML a náš tým odborníků na lékařské fakturace, aby vytvořila integrované, přizpůsobené řešení, které pomáhá vidět hodnotu rychleji, prakticky bez údržby nebo výjimečných front.

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

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

Zde 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 krmit je do našeho automatizačního procesu, aby poskytl komplexní pohled na současné pracovní postupy a procesy. To vede k vyšší viditelnosti výkonu personálu, základním datům o pracovních postupech, aby poháněly naši automatizaci, a přesné analýze času na úkol.

AI provádí: Po pozorování a učení se pracovním postupům zdravotnického personálu naše AI poté provádí tyto úkoly autonomně. Kontinuálně se učí z problémů a okrajových případů, se kterými se setkává, a přebírá složitější úkoly s časem. Unified Automation sedí v horní části fronty práce – přiřazuje si vhodné úkoly a dokončuje je bez narušení týmu. Automaticky také optimalizuje procesy, takže personál nemusí provádět žádné nastavení nebo zásahy.

Lidská odbornost zajišťuje: Systém automaticky označí náš tým odborníků na lékařské fakturace, aby řešil výjimky a odlehlé hodnoty, a učí AI v reálném čase, zatímco pracují. Je to expert-in-the-loop část. S kontinuálním učením vestavěným do platformy Unified Automation se stává chytrější a efektivnější s časem a práce se vždy dokončí.

Je něco jiného, co byste rádi sdíleli o AKASE?

Máme výzkumný přístup, který znamená, že naši zákazníci mají přístup k nejnovější technologii. Jsme zavázáni k publikování našich přístupů AI v recenzovaných publikacích, aby neustále nastavovali nové standardy pro AI ve zdravotnických operacích a aby vedli celý náš průmysl kupředu.

Například náš výzkum byl prezentován na Mezinárodní konferenci o strojovém učení (ICML), Summitu o zpracování přirozeného jazyka (NLP) a Konferenci o strojovém učení pro zdravotnictví (MLHC), mezi ostatními. Přistupujeme k velmi disciplinovanému přístupu k testování našich modelů a srovnání jejich výkonu s nejnovějšími přístupy AI na trhu.

Naše předpovědní řešení 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 bazény. Naše model Read, Attend, Code pro autonomní kódování lékařských nároků z klinických poznámek byl uznán jako definice nového standardu pro průmysl a překonal stávající modely o 18 % – překonal produktivitu lidských kódérů. Věříme, že tyto inovace v back-office jsou kritické pro zlepšení systému zdravotnictví ve Spojených státech v měřítku a budou dále pohánět pokroky a budovat přizpůsobená řešení pro tento prostor.

Existuje mnoho nadšení kolem AI ve zdravotnictví, ale když se to dostane dolů, společnosti mohou přehánět, co jejich technologie skutečně dokáže. Je mnohem těžší provádět výzkum, aby se ověřilo, co algoritmy skutečně dělají – a chlubíme se tím, že bereme tento smysluplný, ale náročný přístup, aby se nakonec prokázalo, že platforma Unified Automation AKASY skutečně přináší pozitivní a smysluplné změny do nemocnic a zdravotnických systémů.

Jsme nadšeni budoucností a tím, co přijde v AKASE, protože budujeme budoucnost zdravotnictví s AI.

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