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

Varun Ganapathi er CTO og medstifter af AKASA, en udvikler af AI til sundhedsapplikationer. AKASA hjælper sundhedsorganisationer med at forbedre deres drift, herunder indtægtscyklus, for at drive indtægt, skabe effektivitet og forbedre patientoplevelsen. Varun har med succes startet to AI-virksomheder før AKASA, en blev opkøbt af Google og den anden af Udacity.

Du har haft en fremragende karriere inden for maskinlæring, kan du diskutere nogle af dine tidlige dage på Stanford, hvor du arbejdede på at gøre helikoptere autonome?

Da jeg studerede fysik som bachelor på Stanford, var jeg også meget interesseret i computervidenskab og maskinlæring (ML). For mig kombinerer AI og ML alt i ét – det er virkelig en automatiseret måde at udføre fysik på enhver digitiserbar fænomen.

Til dette ene bestemte projekt havde vi denne helikopter, der lignede en stor drone lidt mindre end en dobbeltseng – på en tid, hvor droner ikke var udbredte. Folk fløj den og fik den til at udføre tricks, såsom at svæve på hovedet. Selvom dette er meget svært at gøre, ville vi bygge en ML-algoritme, der kunne lære af mennesker, hvordan man fløj denne helikopter autonome.

Vi skabte en fysiksimulator, der var baseret på den faktiske helikopter, og en ML-algoritme, der kunne forudsige dens bevægelser. Vi anvendte derefter forstærket læring inden for simulatoren for at udvikle en controller, tog softwaren og uploadede den til den faktiske helikopter. Efter vi tændte for helikopteren, virkede den på første forsøg! Helikopteren kunne straks svæve på hovedet alene, hvilket var ret imponerende. Teamet fortsatte med at arbejde på at automatisere andre typer tricks med ML.

Du arbejdede også på Google Books, kan du diskutere algoritmen, du arbejdede på, og hvordan din virksomhed blev opkøbt af Google?

Jeg gjorde et praktikophold på Google, mens jeg tog klasser på Stanford i 2004 – dette var lige efter helikopterprojektet. Under denne tid implementerede jeg ML til Google Books-projektet, hvor vi scannede alle verdens bøger.

Google betalte alle disse mennesker for at mærke information om bøgerne, såsom sider, indholdfortegnelser, ophavsret osv. – en meget tidskrævende opgave. Jeg ville se, om vi kan bruge ML til at gøre dette, og det fungerede virkelig godt. Det udførte faktisk bedre og var mere præcist end, når mennesker gjorde det, fordi de fleste fejl var på grund af menneskelig fejl ved manuel mærkning.

Dette fik mig rigtig begejstret for ML, fordi det viste, at du kan gå fra menneskelig præstation til overmenneskelig præstation – at udføre kedelige opgaver med færre fejl og mere konsekvent, samtidig med at du stadig håndterer kanttilfælde.

Herefter besluttede jeg at gøre en ph.d. på Stanford, med fokus på ML og mere teoretiske papirer til at starte med. Til min afhandling udviklede jeg en algoritme til at udføre realtidsbevægelsesregistrering, hvor en computer kan spore bevægelsen af alle menneskelige ledd i realtid fra en dybdekamera. Dette var grundlaget for min første virksomhed, Numovis, som fokuserede på bevægelsesregistrering og computerseende til brugerinteraktion. Det blev opkøbt af Google.

Min hele rejse fra helikopterprojektet til Google Books til selvstyrende biler og nu sundhedsoperationer viste mig, hvor kraftfulde og generelle maskinlæringsalgoritmer er.

Kan du dele historien bag AKASA?

Vi har bygget AKASA for at løse et massivt, dybt indlejret problem i sundhedsoperationer. Disse operationer er både dyre og fejlbehæftede, hvilket kan føre til unødvendige panikfremkaldende finansielle oplevelser for patienter. Der var mangel på ny teknologi på den administrative side, og intet blev lavet specifikt til formålet. Det blev klart for os, at man kunne bruge teknologi som AI og ML til at løse disse operationelle udfordringer på en innovativ måde. Da vi talte med en mangfoldighed af sundhedssystemer og sundhedsledere, bekræftede de vores tankegang, hvilket ultimativt ledte til grundlæggelsen af AKASA i 2019.

Med det har AKASAs formål været klart fra starten – at aktivere menneskers sundhed og bygge fremtiden for sundhedssektoren med AI. Måden, vi besluttede at tage på denne udfordring, var ved at kombinere menneskelig intelligens med førende AI og ML, så sundhedssystemer kan reducere driftsomkostninger og allokerer ressourcer, hvor de betyder mest.

Vores system-agnostiske, fleksible platform betjener i øjeblikket en kundebase, der repræsenterer mere end 475 hospitaler og sundhedssystemer og mere end 8.000 ambulatoriske faciliteter på tværs af alle 50 stater. Vores teknologi hjælper disse organisationer, uanset om de bruger elektroniske sundhedsjournaler (EHR) som Epic, Cerner, andre EHR’er eller bolt-on-systemer og alt dertil, og vi har gjort det med stærke resultater.

Vores kundebase repræsenterer mere end 110 milliarder dollar i samlet nettopatientindtægt, hvilket svarer til mere end 10% af alle årlige sundhedssystemudgifter i USA ifølge Centers for Medicaid and Medicare Services. Og AKASAs modeller og algoritmer er blevet trænet på næsten 290 millioner krav og refunderinger.

Det usynlige rør i sundhedssektoren er ekstremt komplekst, men det har en enorm indvirkning på menneskers sundhed, og vi automatiserer det lidt efter lidt.

Hvilke opgaver ser AKASA på at automatisere i sundhedssektoren?

Vores unikke expert-i-løkken-tilgang, Unified Automation, kombinerer ML med menneskelig dømmekraft og faglig ekspertise for at give robust og resilient automatisering af sundhedsoperationer. AKASA kan hurtigt og effektivt automatisere og strømline ende-til-ende-opgaver inden for sundhedsfinansfunktionen, herunder regningsbehandling og betalinger. Specifikke opgaver, som AKASA automatiserer, omfatter kontrollering af patientberettigelse, dokumentation og verificering af forsikringsinformation, estimering af patientomkostninger, redigering, genafregning og appeller af krav og forudsigelse og håndtering af afvigelser.

Denne type automatisering reducerer ikke kun menneskelig fejl og forsinkelser for patienter, hvilket hjælper med at forhindre overraskende medicinske regninger, men frigør også sundheds personalet ved at tage de manuelle, repetitive opgaver helt af deres tallerken – og giver dem mulighed for at fokusere på mere belønnende, udfordrende og værdigenererende opgaver rettet mod patientoplevelsen.

Hvilke typer maskinlæringsalgoritmer bruges?

AKASA bruger de samme maskinlæringsmetoder, der gjorde selvstyrende biler mulige, for at give sundhedssystemer en enkelt løsning til automatisering af sundhedsoperationer. Denne tilgang – centreret omkring ML – udvider automationens muligheder for at tage på mere komplekst arbejde i stor skala.

Vi udvikler state-of-the-art-algoritmer på tværs af computerseende, naturlig sprogforståelse og strukturerede dataproblemer. Vores platform starter med computerseende-drevet RPA og forbedrer det med moderne AI, ML og en expert-i-løkken for at give robust automatisering.

For at give en overordnet oversigt over, hvordan det fungerer, observerer vores proprietære løsning først, hvordan sundheds personalet gennemfører deres opgaver. Vores team mærker derefter disse data og bruger dem til at træne vores algoritmer, så vores teknologi kan forstå og lære, hvordan sundheds personalet og deres systemer fungerer. Herefter udfører vores platform disse arbejdsgange autonome. Til sidst bruger vi eksperter-i-løkken, der kan springe ind, når systemet flagger outliers eller undtagelser. AI lærer kontinuerligt af disse oplevelser, hvilket giver mulighed for, at den kan tage på mere komplekse opgaver over tid.

Kan du diskutere vigtigheden af menneske-i-løkken-tilgange og hvorfor dette er sat til at erstatte RPA?

Den hårde sandhed er, at RPA er en årtier gammel teknologi, der er skrøbelig med reelle begrænsninger for dens muligheder. Den vil altid have en vis værdi i automatisering af arbejde, der er enkelt, diskret og lineært. Men årsagen til, at automatiseringsforsøg ofte falder kort i forhold til deres aspirationer, er, fordi livet er komplekst og altid i forandring.

Den grundlæggende tilgang til RPA er at bygge en robot (bot) for hvert problem eller vej, man ønsker at løse. En menneskelig konsulent eller ingeniør bygger en robot for at løse et bestemt problem. Denne robotløsning tager pladsen for en række af trin. Den kigger på en skærm, tager handling, og gentager det.

Problemet, der ofte opstår, er, at en ændring i verden, såsom en ændring af et stykke software eller brugergrænseflade, kan få robotten til at bryde sammen. Som vi ved, er teknologi altid under udvikling og skaber dynamiske miljøer. Dette betyder, at RPA-robotter ofte fejler.

Et andet problem med disse robotter er, at man skal oprette en for hver situation, man ønsker at løse. Ved at gøre dette, ender man med at have mange robotter, der alle udfører meget små handlinger, der ikke kræver megen færdighed.

Det er som et spil af whack-a-mole. Hver dag står man over for sandsynligheden for, at en af dem vil bryde sammen, fordi et stykke software vil ændre sig eller noget usædvanligt vil ske – en dialogboks vil dukke op eller en ny type input vil opstå. Resultatet er dyrt vedligehold for at holde disse robotter kørende. Ifølge en undersøgelse fra Forrester, for hvert 1 dollar, der bliver brugt på RPA, bruges yderligere 3,41 dollar på konsulentressourcer.

Med andre ord er den faktiske software for RPA ikke den største omkostning. Den større investering er alt det arbejde, man skal gøre for at holde RPA kørende hele tiden. Mange organisationer tager ikke højde for denne løbende omkostning.

Da meget af livet er komplekst og altid i forandring, falder meget arbejde uden for RPA’s muligheder, og det er her, ML kommer ind. ML giver os mulighed for at automatisere det hårde arbejde. Og vi mener, at det særlige udgangspunkt er mennesker, der forbedrer algoritmerne ved at undervise dem.

Når algoritmen ikke er sikker på, hvad den skal gøre (lav tillid), eskaleres det til en menneske-i-løkken i stedet. Menneskene mærker disse eksempler og identificerer tilfælde, der ikke håndteres af den nuværende model. Når dette er gjort, og AI fik det ret, er det en vel fungerende opgave.

Hver opgave, hvor et menneske fanger et problem, er et tilfælde, hvor maskinen ikke håndterer det korrekt. I dette tilfælde tilføjes data til vores datasæt, som gen-træner ML-modellerne for at håndtere denne nye situation.

Over tid bygger ML-modellen robusthed over for disse nye kanttilfælde. Dette resulterer i et system, der er robust og fleksibelt over for nye outliers eller undtagelser, og systemet bliver stærkere med tiden. Dette betyder, at automationen bliver bedre og bedre, og menneskelig indgriben vil falde over tid.

At have menneskelige eksperter i løkken er afgørende for at gøre AI smartere, hurtigere og bedre. Vi har brug for mennesker for at træne AI korrekt og sikre, at den kan håndtere outliers, der er en uundgåelig del af enhver branche – og især i et dynamisk felt som sundhedssektoren.

Hvordan fungerer AKASAs menneske-i-løkken-løsning Unified Automation, og hvad er nogle af de primære brugsområder for denne platform?

Unified Automation er en platform, der er specialbygget til sundhedssektoren. Ved hjælp af AI, ML og vores team af medicinske regningsfagfolk skaber den en sammenhængende integreret, tilpasset løsning, der hjælper dig med at se værdi hurtigere, med stort set ingen vedligehold eller undtagelseskoer.

Den er designet med undtagelser og outliers i mente. Hvis den støder på noget nyt, flagger platformen problemet til AKASAs team af eksperter, der løser det, mens systemet lærer af de handlinger, de tager. Det er det menneskelige element, der adskiller os fra andre løsninger på markedet og giver mulighed for, at platformen kan lære og forbedre sig kontinuerligt.

Unified Automation tilpasser sig også sundhedssektorens dynamiske natur. Det er en sammenhængende, tilpasset løsning, der hjælper med at reducere driftsomkostninger, hæver personalet til at tage på mere belønnende arbejde, der kræver en menneskelig berøring, og forbedrer indtægtsfangsten for sundhedssystemer, samtidig med at det forbedrer patienternes finansielle oplevelse.

Her er, hvordan Unified Automation fungerer:

Ejendommeligt software observerer: Vores Worklogger-værktøj observerer fjernstyringly, hvordan sundheds personalet gennemfører deres opgaver. Herefter mærker vores team disse data og føder dem ind i vores automatisering for at give en komplet oversigt over nuværende arbejdsgange og processer. Dette resulterer i højere synlighed i forhold til personales præstation, grundlæggende data om arbejdsgangen for at aktivere vores automatisering og en præcis tid-pr-til-opgave-analyse.

AI udfører: Efter at have observeret og lært sundheds personales arbejdsgange, udfører vores AI herefter disse opgaver autonome. Den lærer kontinuerligt af problemer og kanttilfælde, den støder på, og tager på mere komplekse opgaver over tid. Unified Automation sidder upstream i arbejdskøen – tildele sig selv tilgængelige opgaver og gennemfører dem uden at forstyrre teamet. Den optimerer også automatisk processer, så ingen opsætning eller indgriben er nødvendig fra personalet.

Menneskelig ekspertise sikrer: Systemet flagger automatisk vores team af medicinske regningsfagfolk for at håndtere undtagelser og outliers, og træner AI i realtid, mens de arbejder. Dette er expert-i-løkken-delen. Med kontinuerlig læring bygget ind, bliver Unified Automation-platformen smartere og mere effektiv over tid, og arbejdet bliver altid gjort.

Er der noget andet, du gerne vil dele om AKASA?

Vi har en forskningsbaseret tilgang, der betyder, at vores kunder har adgang til førende teknologi. Vi er dedikeret til at offentliggøre vores AI og -tilgange i peer-reviewed publikationer for at fastlægge nye standarder for AI i sundhedsoperationer og føre hele branchen fremad.

For eksempel er vores forskning blevet præsenteret på International Conference on Machine Learning (ICML), Natural Language Processing (NLP) Summit og Machine Learning for Healthcare Conference (MLHC), blandt andre. Vi tager en meget disciplineret tilgang til at teste vores modeller og sammenligne deres præstation med førende AI-tilgange på markedet.

Vores forudsigende afvigelser-løsning menes at være det første offentliggjorte deep-learning-baserede system, der kan forudsigende medicinske kravafvigelser med mere end 22% i forhold til eksisterende grundlinjer. Vores Read, Attend, Code-model til autonom kodning af medicinske krav fra kliniske noter er blevet anerkendt for at fastlægge en ny standard for branchen og overgåede eksisterende modeller med 18% – overgående produktiviteten af menneskelige kodere. Vi mener, at disse bagkontor-innovationer er afgørende for at forbedre det amerikanske sundhedssystem i stor skala og vil fortsætte med at drive fremskridt og bygge tilpassede løsninger til dette område.

Der er meget hype omkring AI i sundhedssektoren, men når det kommer til det, kan virksomheder overhyppe, hvad deres teknologi kan gøre. Det er meget sværere at udføre forskning for at validere, hvad algoritmerne kan – og vi er stolte af at tage denne meningsfulde, men udfordrende vej for at bevise, at AKASAs Unified Automation-platform faktisk bringer positiv og meningsfuld forandring til hospitaler og sundhedssystemer.

Vi er begejstret for fremtiden og hvad der kommer til at ske på AKASA, mens vi bygger fremtiden for sundhedssektoren med AI.

Tak for det gode interview. Læsere, der ønsker at lære mere, skal besøge AKASA.