Ο Akilesh Bapu, Ιδρυτής & Διευθύνων Σύμβουλος της DeepScribe – Σειρά Συνεντεύξεων

Ο Akilesh Bapu είναι ο Ιδρυτής & Διευθύνων Σύμβουλος της DeepScribe, η οποία χρησιμοποιεί φυσική επεξεργασία γλώσσας (NLP) και προηγμένα sâuκά μαθηματικά για τη δημιουργία ακριβών, συμμορφών και ασφαλών σημειώσεων των συνομιλιών ιατρών-ασθενών.

Τι ήταν αυτό που σας εισήγαγε και σας έκανε να ενδιαφερθείτε για την τεχνητή νοημοσύνη και τη φυσική επεξεργασία γλώσσας;

Αν θυμάμαι σωστά, ο Jarvis από τον “Iron Man” ήταν το πρώτο πράγμα που με έκανε να ενδιαφερθώ πραγματικά για τον κόσμο της φυσικής επεξεργασίας γλώσσας και της τεχνητής νοημοσύνης. Συγκεκριμένα, βρήκα συναρπαστικό το πόσο γρήγορα ένας άνθρωπος ήταν σε θέση να εκτελέσει καθήκοντα και να πήξει σε ένα απίστευτο επίπεδο βάθους σε ορισμένα καθήκοντα και να αποκαλύψει ορισμένες πληροφορίες που δεν θα γνώριζε αν δεν ήταν για αυτή την τεχνητή νοημοσύνη.

Ήταν η концепция του “Η τεχνητή νοημοσύνη από μόνη της δεν θα είναι τόσο καλή όσο οι άνθρωποι στις περισσότερες δραστηριότητες, αλλά όταν ένας άνθρωπος και μια τεχνητή νοημοσύνη συνεργάζονται, αυτό το συνδυασμό θα κυριαρχήσει”. Η φυσική επεξεργασία γλώσσας είναι ο πιο αποτελεσματικός τρόπος για να συμβεί αυτό το συνδυασμό ανθρώπου και τεχνητής νοημοσύνης.

Από τότε, ήταν εθισμένος στη Siri, το Google (GOOGL ) Now, την Alexa και άλλα. Ενώ δεν λειτουργούσαν τόσο ομαλά όσο ο Jarvis, ήθελα τόσο πολύ να τα κάνω να λειτουργήσουν όπως ο Jarvis. Συγκεκριμένα, αυτό που έγινε φανερό ήταν ότι εντολές όπως “Alexa κάνε αυτό”, “Alexa κάνε εκείνο”, ήταν σχετικά εύκολες και ακριβείς να εκτελεστούν με την τρέχουσα τεχνολογία. Αλλά όταν πρόκειται για κάτι σαν τον Jarvis, όπου μπορεί πραγματικά να μάθει και να κατανοήσει, να φιλτράρει και να επιλέξει σημαντικά θέματα κατά τη διάρκεια μιας συνομιλίας – αυτό δεν είχε γίνει πραγματικά πριν.

Αυτό σχετίζεται άμεσα με einen από τους βασικούς μου στόχους στην ίδρυση της DeepScribe. Ενώ λύνουμε το ζήτημα της τεκμηρίωσης για τους ιατρούς, προσπαθούμε να δημιουργήσουμε ένα νέο κύμα νοημοσύνης: την περιβαλλόμενη νοημοσύνη. Τεχνητή νοημοσύνη που μπορεί να διεισδύσει στις καθημερινές μας εκφράσεις, να βρει χρήσιμες πληροφορίες και να τις χρησιμοποιήσει για να μας βοηθήσει.

Πрежде έκανε κάποια έρευνα χρησιμοποιώντας βαθιά μάθηση και NLP στο UC Berkeley College of Engineering. Τι ήταν η έρευνά σας;

Πίσω στο Berkeley AI Research Lab, εργαζόμουν σε ένα проект ανανεωτή γονιδιακής οντολογίας όπου συνοψίζαμε άρθρα PubMed με συγκεκριμένα παραμέτρους εξόδου.

Η υψηλότερη επισκόπηση: Λαμβάνουμε μια εργασία όπως η περίληψη των ειδήσεων του CNN. Σε αυτή την εργασία, λαμβάνουμε άρθρα ειδήσεων και τα συνοψίζουμε σε περίπου quelques προτάσεις. Στο χέρι μας έχουμε δεδομένα και την ικανότητα να εκπαιδεύσουμε αυτά τα μοντέλα σε πάνω από ένα εκατομμύριο άρθρα. Ωστόσο, το χώρο προβλημάτων είναι τεράστιος, поскольку έχουμε περιορισμένη δομή στις περιλήψεις. Επιπλέον, υπάρχει σχεδόν καμία δομή στα ίδια τα άρθρα. Ενώ έχουν υπάρξει κάποιες βελτιώσεις από τότε που εργαζόμουν σε αυτό το έργο, αυτό παραμένει ένα ανεπίλυτο πρόβλημα.

Στην έρευνά μας, ωστόσο, αναπτύσσαμε δομημένες περιλήψεις των άρθρων. Μια δομημένη περίληψη σε αυτή την περίπτωση είναι παρόμοια με μια τυπική περίληψη, εκτός από το ότι γνωρίζουμε την ακριβή δομή της εξόδου. Αυτό είναι χρήσιμο, καθώς μειώνει δραματικά τις επιλογές εξόδου για το μοντέλο μηχανικής μάθησής μας – η πρόκληση ήταν ότι δεν υπήρχε αρκετό αναγνωρισμένο εκπαιδευτικό σύνολο για να τρέξουμε ένα μοντέλο βαθιάς μάθησης που θα έδινε χρήσιμα αποτελέσματα.

Το κεντρικό μέρος της εργασίας που έκανα σε αυτό το έργο ήταν να εκμεταλλευτώ τις γνώσεις που έχουμε γύρω από τα δεδομένα εισόδου και να αναπτύξω ένα σύνολο από ρηχά μοντέλα ML για να το υποστηρίξω – μια τεχνική που εφευρέσαμε και ονομάζεται 2-βήμα ανανεωτής. Ο 2-βήμα ανανεωτής έφτασε σχεδόν 20 φορές την ακρίβεια του προηγούμενου καλύτερου (54 τοις εκατό versus 3,6 τοις εκατό).

Ενώ παράλληλα, αυτό το έργο και η DeepScribe μπορεί να φαίνονται εντελώς διαφορετικά, ήταν πολύ παρόμοια στο πώς χρησιμοποιούσαν τη μέθοδο 2-βήματος ανανεωτή για να βελτιώσουν δραματικά τα αποτελέσματα σε ένα περιορισμένο σύνολο δεδομένων.

Τι ήταν η έμπνευση πίσω από την εκκίνηση της DeepScribe;

Όλα ξεκίνησαν με τον πατέρα μου, ο οποίος ήταν ιατρός ογκολόγος. Πριν από τα συστήματα ηλεκτρονικής υγείας να γίνουν δημοφιλή στην υγεία, οι ιατροί έγραφαν πράγματα στο χαρτί και περνούσαν πολύ λίγο χρόνο στις σημειώσεις. Ωστόσο, όταν τα συστήματα ηλεκτρονικής υγείας άρχισαν να γίνονται δημοφιλή ως μέρος του νόμου HITECH του 2009, άρχισα να παρατηρώ ότι ο πατέρας μου περνούσε περισσότερο και περισσότερο χρόνο στον υπολογιστή. Θα άρχιζε να έρχεται σπίτι αργότερα. Τα σαββατοκύριακα, θα καθόταν στο καναπέ και θα δικτυογραφούσε σημειώσεις. Απλά πράγματα όπως να με πάρει από το σχολείο ή την προπόνηση μπάσκετ έγιναν πράγμα του παρελθόντος, καθώς θα περνούσε τους περισσότερους βραδινούς ώρες του να पकολήγει την τεκμηρίωση.

Ως ένα νερδικό παιδί που μεγάλωνε, θα προσπαθούσα να βρω λύσεις για αυτόν ψάχνοντας στο διαδίκτυο και έχοντας τον να τα δοκιμάσει. Λυπάμαι, τίποτα δεν λειτουργούσε αρκετά καλά για να τον σώσει από τις μακρές ώρες της τεκμηρίωσης.

Προχώρησα μερικά χρόνια στο καλοκαίρι του 2017 – είμαι ερευνητής που εργάζεται στο Berkeley AI Research Lab, εργαζόμενος σε έργα περίληψης εγγράφων. Ένα καλοκαίρι όταν είμαι πίσω στο σπίτι, παρατηρώ ότι ο πατέρας μου περνά ακόμη πολλή ώρα στην τεκμηρίωση. Ρωτώ, “Τι είναι νέο στον κόσμο της τεκμηρίωσης; Η Alexa είναι παντού, η Google Assistant είναι τόσο καλή τώρα. Πείτε μου, τι είναι το τελευταίο στη ιατρική;”. Και η απάντησή του ήταν, “Τίποτα δεν έχει αλλάξει”. Σκέφτηκα ότι ήταν μόνο αυτός, αλλά όταν πήγα και έρευνα κάποιους από τους συναδέλφους του, ήταν το ίδιο πρόβλημα: όχι τι είναι το τελευταίο στη θεραπεία του καρκίνου ή τα νέα προβλήματα που είχαν οι ασθενείς τους – ήταν η τεκμηρίωση. “Πώς μπορώ να απομακρύνω την τεκμηρίωση; Πώς μπορώ να σώσω χρόνο στην τεκμηρίωση; Αυτό παίρνει τόσο πολύ χρόνο μου.”

Επίσης, παρατήρησα κάποιες εταιρείες που είχαν εμφανιστεί για να λύσουν το πρόβλημα της τεκμηρίωσης. Ωστόσο, είτε ήταν πολύ ακριβές (χιλιάδες δολάρια το μήνα) είτε ήταν πολύ ελάχιστα σε όρους τεχνολογίας. Οι ιατροί εκείνη την εποχή είχαν πολύ λίγες επιλογές. Αυτό ήταν όταν η ευκαιρία άνοιξε ότι αν μπορούσαμε να δημιουργήσουμε μια τεχνητή νοημοσύνη ιατρική γραμματέα, μια τεχνολογία που θα μπορούσε να ακολουθήσει τις επισκέψεις των ιατρών και να τις συνοψίσει, και να την προσφέρουμε σε ένα κόστος που θα μπορούσε να την κάνει προσβάσιμη για όλους, θα μπορούσε πραγματικά να φέρει την χαρά της φροντίδας πίσω στη медициνή.

Ηταν μόνο 22 ετών όταν ξεκινήσατε την DeepScribe. Μπορείτε να περιγράψετε το ταξίδι σας ως επιχειρηματίας;

Η πρώτη μου έκθεση στο επιχειρηματισμό ήταν στο λύκειο. Ξεκίνησε όταν ένας φίλος και εγώ, οι οποίοι γνώριζαν κάποιες βασικές γνώσεις JavaScript, συναντηθήκαμε με τον διευθυντή ενός κέντρου για παιδιά με μαθησιακές δυσκολίες. Μας είπαν πώς τα πιο απλά εργαλεία θα μπορούσαν να πάνε μακρύτερα με τα παιδιά με δυσλεξία. Τελικά, δημιουργήσαμε μια επέκταση αναγνωστή για δυσλεξία στο Chrome. Ήταν πραγματικά απλό – απλώς điều chỉnhε το φόντο για να ανταποκριθεί στις επιστημονικές οδηγίες για την ευκολία ανάγνωσης από άτομα με δυσλεξία. Ενώ η концепция ήταν απλή, καταφέραμε να πάρουμε πάνω από 5000 ενεργούς χρήστες σε λίγους μήνες. Ήμουν έκπληκτος από το πόσο βασική τεχνολογία θα μπορούσε να έχει τόσο μεγάλο αντίκτυπο σε ανθρώπους.

Στο Μπέρκλεϊ, συνέχισα να εμβαθύνω στον κόσμο του επιχειρηματισμού όσο γινόταν, κυρίως με τις ποικίλες τάξεις. Οι αγαπημένες μου ήταν:

1. Η σειρά διαλέξεων Newton – άνθρωποι όπως η Jessica Mah από την InDinero ή η Diane Greene από την VMWare, οι οποίοι ήταν απόφοιτοι του Cal, έδωσαν πολύ συναρπαστικές ομιλίες για το χρόνο τους στο Μπέρκλεϊ και πώς ξεκίνησαν τις δικές τους εταιρείες
2. Το Challenge Lab – πραγματικά γνώρισα τον συνιδρυτή μου Matt Ko μέσω αυτής της τάξης. Μας τοποθέτησαν σε ομάδες και πέρασα από ένα εξαμηνιαίο ταξίδι δημιουργίας ενός προϊόντος και εκπαίδευσης για το τι χρειάζεται στις πρώτες φάσεις για να ξεκινήσει μια ιδέα.
3. Το Lean Launchpad – από μακρού, η αγαπημένη μου από τις τρεις. Αυτή ήταν μια艱难 και αυστηρή διαδικασία όπου μας καθοδηγούσε ο Steve Blank (διακεκριμένος δισεκατομμυριούχος και ο άνθρωπος πίσω από το κίνημα του lean startup) να πάρουμε μια ιδέα, να την επικυρώσουμε μέσω 100 συνεντεύξεων πελατών, να δημιουργήσουμε ένα οικονομικό μοντέλο και άλλα. Αυτή ήταν η τάξη όπου μας ζητήθηκε να παρουσιάσουμε την “εταιρεία μας” μόνο για να σταματήσουμε στην οθόνη 1 ή 2 και να μας ρωτήσουν. Αν αυτό δεν ήταν đủ δύσκολο, μας ζητήθηκε επίσης να συνεντευξαζόμαστε με 10 πελάτες την εβδομάδα. Η ιδέα μας εκείνη την εποχή ήταν να δημιουργήσουμε μια αναζήτηση για πατέντες που θα έδινε παρόμοια αποτελέσματα με μια ακριβή αναζήτηση προηγούμενης τέχνης, το οποίο σήμαινε ότι μας ζητήθηκε να παρουσιάσουμε σε 10 εταιρικούς πελάτες την εβδομάδα. Ήταν υπέροχο, γιατί μας δίδαξε να σκεφτόμαστε γρήγορα στα πόδια μας και να είμαστε εξαιρετικά ευέλικτοι.

Η DeepScribe ξεκίνησε όταν μια ομάδα επενδυτών ονόματι The House Fund έγραφε επιταγές για φοιτητές που θα απέρριπταν τις θερινές πρακτικές τους και θα περνούσαν το καλοκαίρι τους οικοδομώντας την εταιρεία τους. Μόλις είχε κλείσει η Delphi (η μηχανή αναζήτησης πατεντών) και ο Matt και εγώ μιλάγαμε συνεχώς για την ιατρική τεκμηρίωση και όλα τα πήγαιναν καλά, γιατί ήταν η ιδανική στιγμή να το δοκιμάσουμε.

Με την DeepScribe, είχαμε τη τύχη να έρθουμε φρέσκοι από το Lean Launchpad,既然 ένα από τα πιο σημαντικά στοιχεία για την κατασκευή ενός προϊόντος για ιατρούς ήταν να επαναλάβουμε και να βελτιώνουμε το προϊόν γύρω από την ανταπόκριση του πελάτη. Ένα ιστορικό πρόβλημα με την ιατρική βιομηχανία ήταν ότι το λογισμικό σπάνια είχε ιατρούς στη διαδικασία σχεδιασμού, με αποτέλεσμα το λογισμικό να μην ήταν βελτιστοποιημένο για τον τελικό χρήστη.

Καθώς η DeepScribe συνέβη την ίδια στιγμή με το τελευταίο έτος μου στο Μπέρκλεϊ, ήταν ένα βαριά ισορροπημένο παιχνίδι. Θα εμφανιζόμουν στην τάξη με ένα κοστούμι, ώστε να είμαι έτοιμος για μια επίδειξη πελάτη αμέσως μετά. Θα χρησιμοποιούσα όλες τις εγκαταστάσεις EE και τους καθηγητές όχι για τίποτα που είχε να κάνει με την τάξη, αλλά 100% για την DeepScribe. Οι συναντήσεις μου με τον ερευνητικό μου μέντορα έγιναν ακόμη και σε συνεδρίες мозών για την DeepScribe.

Βλέποντας πίσω, αν θα άλλαζα κάτι στο ταξίδι μου, θα ήταν να σταματήσω το κολέγιο, ώστε να μπορούσα να περάσω 150% του χρόνου μου στην DeepScribe.

Μπορείτε να περιγράψετε για έναν ιατρικό επαγγελματία τα πλεονεκτήματα της χρήσης της DeepScribe έναντι της πιο παραδοσιακής μεθόδου της φωνητικής δикτύωσης ή ακόμη και της λήψης σημειώσεων;

Η χρήση της DeepScribe είναι σχεδιασμένη να είναι πολύ παρόμοια με τη χρήση ενός πραγματικού ανθρώπινου γραμματέα. Όσο μιλάτε φυσικά στον ασθενή σας, η DeepScribe θα ακούσει και θα πιάσει τα ιατρικά σχετικά λόγια που συνήθως μπαινούν στις σημειώσεις σας και θα τα βάλει εκεί, χρησιμοποιώντας την ίδια ιατρική γλώσσα που χρησιμοποιείτε εσείς. Μας αρέσει να σκεφτόμαστε ότι είναι ένα νέο μέλος του ιατρικού προσωπικού που μπορείτε να εκπαιδεύσετε όπως θέλετε, για να βοηθήσει στην τεκμηρίωση στο σύστημα ηλεκτρονικής υγείας σας όπως θέλετε. Είναι πολύ διαφορετικό από τη χρήση μιας υπηρεσίας φωνητικής δικτύωσης, καθώς εξαλείφει ολόκληρο το βήμα της επαναδημιουργίας της τεκμηρίωσης. Ενώ οι τυπικές υπηρεσίες δικτύωσης μετατρέπουν 10 λεπτά τεκμηρίωσης σε 7-8 λεπτά, η DeepScribe τα μετατρέπει σε λίγα δευτερόλεπτα. Οι ιατροί μας αναφέρουν ότι σώζουν από 1,5 έως 3 ώρες χρόνου την ημέρα, ανάλογα με το πόσοι ασθενείς βλέπουν.

Η DeepScribe είναι ανεξάρτητη συσκευής, λειτουργεί από iPhone, Apple Watch, πρόγραμμα περιήγησης (για τηλεϊατρική) ή συσκευή υλικού.

Τι είναι κάποια από τα προβλήματα αναγνώρισης ομιλίας ή NLP που η DeepScribe μπορεί να αντιμετωπίσει λόγω της σύνθετης ιατρικής ορολογίας;

Ενάντια στην κοινή γνώμη, η σύνθετη ιατρική ορολογία είναι στην πραγματικότητα το πιο εύκολο μέρος για την DeepScribe να πιάσει. Το πιο δύσκολο μέρος για την DeepScribe είναι να πιάσει τις μοναδικές περιπτωσιακές δηλώσεις που ένας ασθενής μπορεί να δώσει σε έναν ιατρό. Όσο περισσότερο απομακρύνεται από μια τυπική συνομιλία, τόσο περισσότερο βλέπουμε την τεχνητή νοημοσύνη να δυσκολεύεται. Αλλά καθώς συλλέγουμε περισσότερα δεδομένα συνομιλίας, το βλέπουμε να βελτιώνεται δραματικά κάθε μέρα.

Τι είναι κάποιες από τις άλλες τεχνολογίες μηχανικής μάθησης που χρησιμοποιούνται με την DeepScribe;

Οι μεγάλες ομπρέλες της αναγνώρισης ομιλίας και του NLP τείνουν να καλύπτουν την περισσότερη μηχανική μάθηση που κάνουμε στην DeepScribe.

Μπορείτε να ονομάσετε κάποια από τα νοσοκομεία, τα μη κερδοσκοπικά ιδρύματα ή τα ακαδημαϊκά ιδρύματα που χρησιμοποιούν την DeepScribe;

Η DeepScribe ξεκίνησε μέσω ενός πιλοτικού προγράμματος με το UC Berkeley Health Center. Το Hartford Healthcare, το Texas Medical Center και το Cedar Valley Medical Specialists είναι μερικά από τα μεγαλύτερα συστήματα με τα οποία συνεργάζεται η DeepScribe.

Ωστόσο, το μεγαλύτερο ποσοστό των χρηστών της DeepScribe είναι 50 ιδιωτικές πρακτικές από την Αλάσκα έως τη Φλόριντα. Οι πιο δημοφιλείς ειδικότητες μας είναι η πρωτοβάθμια φροντίδα, η ορθοπεδική, η γαστρεντερολογία, η καρδιολογία, η ψυχιατρική και η ογκολογία, αλλά υποστηρίζουμε επίσης μερικές άλλες ειδικότητες.

Η DeepScribe έχει πρόσφατα ξεκινήσει ένα πρόγραμμα για να βοηθήσει με τον COVID-19. Μπορείτε να μας οδηγήσετε μέσω αυτού του προγράμματος;

Ο COVID-19 έχει χτυπήσει τους γιατρούς μας σκληρά. Οι πρακτικές βλέπουν μόνο το 30-40% του φόρτου ασθενών, το προσωπικό γραμματέα μειώνεται και οι παρόχοι αναγκάζονται να μεταφέρουν γρήγορα όλους τους ασθενείς τους στην τηλεϊατρική. Όλα αυτά οδηγούν σε περισσότερη γραφειακή εργασία για τους παρόχους – εμείς στην DeepScribe πιστεύουμε ότι για να σταματήσει αυτή η πανδημία, οι γιατροί πρέπει να αφοσιωθούν 100% της προσοχής και του χρόνου τους στην φροντίδα των ασθενών τους.

Για να βοηθήσουμε σε αυτόν τον σκοπό, είμαστε υπερήφανοι που ξεκινάμε μια δωρεάν λύση τηλεϊατρικής για τους επαγγελματίες υγείας που πολεμούν αυτή την πανδημία. Η λύση τηλεϊατρικής μας είναι πλήρως ενσωματωμένη με την λύση ιατρικού γραμματέα μας που βασίζεται σε τεχνητή νοημοσύνη, εξαλείφοντας την ανάγκη για κλινική τεκμηρίωση για τις συναντήσεις που πραγματοποιούνται στην πλατφόρμα μας.

Προσφέρουμε επίσης την υπηρεσία γραμματέα μας δωρεάν κατά τη διάρκεια της πανδημίας. Αυτό σημαίνει ότι οποιοσδήποτε γιατρός μπορεί να έχει πρόσβαση σε einen γραμματέα δωρεάν για να χειριστεί την τεκμηρίωσή του. Η ελπίδα μας είναι ότι, κάνοντας αυτό, οι γιατροί θα μπορέσουν να αφοσιωθούν περισσότερο στην προσοχή τους στους ασθενείς τους και να περάσουν λιγότερο χρόνο σκεπτόμενοι για την τεκμηρίωση, οδηγώντας σε μια ταχύτερη παύση της έξαρσης του COVID-19.

Ευχαριστώ για τη μεγάλη συνέντευξη, πραγματικά απολαύσαμε να μαθαίνουμε για την DeepScribe και το επιχειρηματικό σας ταξίδι. Όποιος θέλει να μάθει περισσότερα πρέπει να επισκεφθεί DeepScribe.