Varun Ganapathi, CTO & Συνιδρυτής της AKASA – Σειρά Συνεντεύξεων

Ο Varun Ganapathi είναι ο CTO και συνιδρυτής του AKASA, ένας προγραμματιστής AI για εφαρμογές υγειονομικής περίθαλψης. Το AKASA βοηθά τους οργανισμούς υγειονομικής περίθαλψης να βελτιώσουν τις λειτουργίες, συμπεριλαμβανομένου του κύκλου εσόδων, για να αυξήσουν τα έσοδα, να δημιουργήσουν αποτελεσματικότητες και να βελτιώσουν την εμπειρία του ασθενούς. Βαρούν έχει ξεκινήσει με επιτυχία δύο εταιρείες τεχνητής νοημοσύνης πριν από την AKASA, η μία εξαγοράστηκε από την Google και η άλλη από την Udacity.

Είχατε μια διακεκριμένη καριέρα στη μηχανική μάθηση, θα μπορούσατε να συζητήσετε μερικές από τις πρώτες μέρες σας στο Στάνφορντ όταν εργαζόσασταν για να κάνετε αυτόνομα ελικόπτερα;

Όταν σπούδαζα φυσική ως προπτυχιακός στο Στάνφορντ, με ενδιέφερε επίσης πολύ η επιστήμη των υπολογιστών και η μηχανική μάθηση (ML). Για μένα, η τεχνητή νοημοσύνη και η ML συνδύασαν τα πάντα σε ένα – είναι πραγματικά ένας αυτοματοποιημένος τρόπος να κάνεις φυσική σε οποιοδήποτε ψηφιοποιήσιμο φαινόμενο.

Για αυτό το συγκεκριμένο έργο, είχαμε αυτό το ελικόπτερο που έμοιαζε με ένα μεγάλο drone λίγο μικρότερο από ένα δίδυμο στρώμα - σε μια εποχή που τα drones δεν ήταν διαδεδομένα. Οι άνθρωποι το πετούσαν και το έβαζαν να κάνει κόλπα, όπως να αιωρείται ανάποδα. Αν και αυτό είναι πολύ δύσκολο να γίνει, θέλαμε να δημιουργήσουμε έναν αλγόριθμο ML που θα μπορούσε να μάθει από τους ανθρώπους πώς να πετάει αυτό το ελικόπτερο αυτόνομα.

Δημιουργήσαμε έναν προσομοιωτή φυσικής που βασίστηκε στο πραγματικό ελικόπτερο και έναν αλγόριθμο ML που έμαθε πώς να προβλέπει τις κινήσεις του. Στη συνέχεια εφαρμόσαμε ενισχυτική εκμάθηση μέσα στον προσομοιωτή για να αναπτύξουμε έναν ελεγκτή, πήραμε το λογισμικό και το ανεβάσαμε στο πραγματικό ελικόπτερο. Αφού ενεργοποιήσαμε το ελικόπτερο, λειτούργησε με την πρώτη προσπάθεια! Το ελικόπτερο μπόρεσε να αιωρηθεί αμέσως ανάποδα μόνο του, κάτι που ήταν αρκετά εντυπωσιακό. Η ομάδα συνέχισε να εργάζεται για την αυτοματοποίηση άλλων τύπων κόλπα χρησιμοποιώντας ML.

Εργαστήκατε επίσης στα Βιβλία Google, θα μπορούσατε να συζητήσετε τον αλγόριθμο στον οποίο δουλέψατε και πώς τελικά εξαγοράστηκε η εταιρεία σας από την Google;

Πραγματικά έκανα πρακτική άσκηση στη Google ενώ παρακολουθούσα μαθήματα στο Στάνφορντ το 2004 – αυτό έγινε αμέσως μετά το έργο του ελικοπτέρου. Εκείνο το διάστημα, εφάρμοζα το ML για το έργο Βιβλία Google όπου σαρώναμε όλα τα βιβλία του κόσμου.

Η Google πλήρωνε όλους αυτούς τους ανθρώπους για να επισημαίνουν πληροφορίες σχετικά με τα βιβλία, όπως σελίδες, πίνακες περιεχομένου, πνευματικά δικαιώματα κ.λπ. – μια πολύ χρονοβόρα εργασία. Ήθελα να δω αν μπορούμε να χρησιμοποιήσουμε το ML για να το κάνουμε αυτό και λειτούργησε πολύ καλά. Στην πραγματικότητα είχε καλύτερη απόδοση και ήταν πιο ακριβής από ό,τι όταν το έκαναν οι άνθρωποι επειδή τα περισσότερα από τα λάθη οφείλονταν σε ανθρώπινο λάθος με τη χειροκίνητη επισήμανση.

Αυτό με ενθουσίασε πολύ με την ML, επειδή έδειξε ότι μπορείτε να μεταβείτε από την ανθρώπινη απόδοση στην υπεράνθρωπη απόδοση – κάνοντας κοσμικές εργασίες με λιγότερα λάθη και με μεγαλύτερη συνέπεια, ενώ χειρίζεστε ακόμα ακραίες περιπτώσεις.

Από εκεί και πέρα, αποφάσισα να κάνω Ph.D. στο Stanford, εστιάζοντας στην ML και σε περισσότερες θεωρητικές εργασίες αρχικά. Για τη διατριβή μου, ανέπτυξα έναν αλγόριθμο για την εκτέλεση καταγραφής κίνησης σε πραγματικό χρόνο, όπου ένας υπολογιστής μπορεί να παρακολουθεί την κίνηση όλων των ανθρώπινων αρθρώσεων σε πραγματικό χρόνο από μια κάμερα βάθους. Αυτή ήταν η βάση για την πρώτη μου εταιρεία, τη Numovis, η οποία επικεντρώθηκε στην παρακολούθηση κίνησης και στην όραση υπολογιστή για την αλληλεπίδραση των χρηστών. Εξαγοράστηκε από την Google.

Ολόκληρο το ταξίδι μου από το έργο του ελικοπτέρου στα Βιβλία Google στα αυτοοδηγούμενα αυτοκίνητα και τώρα οι λειτουργίες υγειονομικής περίθαλψης μου έδειξε πραγματικά πόσο ισχυροί και γενικοί είναι οι αλγόριθμοι μηχανικής μάθησης.

Θα μπορούσατε να μοιραστείτε την ιστορία γένεσης πίσω από το AKASA;

Έχουμε κατασκευάσει AKASA να διορθώσει ένα τεράστιο, βαθιά ενσωματωμένο πρόβλημα στις λειτουργίες υγειονομικής περίθαλψης. Αυτές οι επεμβάσεις είναι και δαπανηρές και επιρρεπείς σε σφάλματα, γεγονός που μπορεί να οδηγήσει σε περιττές οικονομικές εμπειρίες που προκαλούν πανικό για τους ασθενείς. Υπήρχε έλλειψη νέας τεχνολογίας από τη διοικητική πλευρά και τίποτα δεν είχε κατασκευαστεί ειδικά. Μας έγινε σαφές ότι θα μπορούσατε να χρησιμοποιήσετε τεχνολογία όπως η τεχνητή νοημοσύνη και η ML για να επιλύσετε αυτές τις επιχειρησιακές προκλήσεις με έναν καινοτόμο τρόπο. Όταν μιλήσαμε με ένα πλήθος συστημάτων υγείας και ηγέτες υγειονομικής περίθαλψης, επικύρωσαν τη σκέψη μας που τελικά οδήγησε στην ίδρυση της AKASA το 2019.

Με αυτό, ο σκοπός του AKASA ήταν ξεκάθαρος από την αρχή – να επιτρέψει την ανθρώπινη υγεία και να οικοδομήσει το μέλλον της υγειονομικής περίθαλψης με την τεχνητή νοημοσύνη. Ο τρόπος με τον οποίο αποφασίσαμε να ανταποκριθούμε σε αυτήν την πρόκληση είναι συνδυάζοντας την ανθρώπινη νοημοσύνη με την τεχνητή νοημοσύνη αιχμής και την ML, ώστε τα συστήματα υγείας να μπορούν να μειώσουν το λειτουργικό κόστος και να κατανείμουν πόρους εκεί που έχουν μεγαλύτερη σημασία.

Η ευέλικτη πλατφόρμα μας που είναι αγνωστική ως προς το σύστημα εξυπηρετεί επί του παρόντος μια πελατειακή βάση που αντιπροσωπεύει περισσότερα από 475 νοσοκομεία και συστήματα υγείας και περισσότερες από 8,000 εγκαταστάσεις εξωτερικών ασθενών και στις 50 πολιτείες. Η τεχνολογία μας βοηθά αυτούς τους οργανισμούς είτε χρησιμοποιούν παρόχους ηλεκτρονικών αρχείων υγείας (EHR), όπως Epic, Cerner, άλλα EHR ή συστήματα bolt-on, και οτιδήποτε άλλο ενδιάμεσο. Και το κάναμε με δυνατά αποτελέσματα.

Η πελατειακή μας βάση αντιπροσωπεύει περισσότερα από 110 δισεκατομμύρια δολάρια σε συνολικά καθαρά έσοδα ασθενών, τα οποία ισοδυναμούν με περισσότερο από το 10% όλων των δαπανών για το σύστημα υγείας των ΗΠΑ ετησίως σύμφωνα με Κέντρα για Medicaid και Υπηρεσίες Medicare. Και τα μοντέλα και οι αλγόριθμοι της AKASA έχουν εκπαιδευτεί σε σχεδόν 290 εκατομμύρια αξιώσεις και εμβάσματα.

Οι αόρατες υδραυλικές εγκαταστάσεις της υγειονομικής περίθαλψης είναι εξαιρετικά περίπλοκες, αλλά έχουν τεράστιο αντίκτυπο στην ανθρώπινη υγεία και το αυτοματοποιούμε λίγο-λίγο.

Ποια είναι μερικά από τα καθήκοντα που εξετάζει η AKASA για την αυτοματοποίηση στην υγειονομική περίθαλψη;

Η μοναδική μας προσέγγιση εμπειρογνωμόνων, Unified Automation™, συνδυάζει την ML με την ανθρώπινη κρίση και την εξειδίκευση στο θέμα για να παρέχει ισχυρό και ανθεκτικό αυτοματισμό για λειτουργίες υγειονομικής περίθαλψης. Το AKASA μπορεί γρήγορα και αποτελεσματικά να αυτοματοποιεί και να εξορθολογίζει τις εργασίες από άκρο σε άκρο εντός της λειτουργίας χρηματοδότησης της υγειονομικής περίθαλψης, συμπεριλαμβανομένης της επεξεργασίας λογαριασμών και των πληρωμών. Συγκεκριμένες εργασίες που αυτοματοποιεί το AKASA περιλαμβάνουν τον έλεγχο της καταλληλότητας των ασθενών, την τεκμηρίωση και επαλήθευση των ασφαλιστικών πληροφοριών, την εκτίμηση του κόστους του ασθενούς, την επεξεργασία, την εκ νέου χρέωση και την επανεξέταση αξιώσεων, καθώς και την πρόβλεψη και τη διαχείριση αρνήσεων.

Αυτός ο τύπος αυτοματισμού όχι μόνο μειώνει το ανθρώπινο λάθος και τις καθυστερήσεις για τους ασθενείς, συμβάλλοντας στην αποφυγή αιφνιδιαστικών ιατρικών λογαριασμών, αλλά επίσης απελευθερώνει το προσωπικό υγειονομικής περίθαλψης αφαιρώντας το εγχειρίδιο, επαναλαμβανόμενες εργασίες εντελώς από το πιάτο του – επιτρέποντάς τους να επικεντρωθούν σε πιο ανταποδοτικές, προκλητικές και αξίες. -δημιουργώντας εργασίες που στοχεύουν στην εμπειρία του ασθενούς.

Ποιοι είναι οι διαφορετικοί τύποι αλγορίθμων μηχανικής εκμάθησης που χρησιμοποιούνται;

Η AKASA χρησιμοποιεί τις ίδιες προσεγγίσεις μηχανικής μάθησης που κατέστησαν δυνατή την παροχή αυτοοδηγούμενων αυτοκινήτων για την παροχή συστημάτων υγείας με μια ενιαία λύση για την αυτοματοποίηση των λειτουργιών υγειονομικής περίθαλψης. Αυτή η προσέγγιση – με επίκεντρο την ML – επεκτείνει τις δυνατότητες του αυτοματισμού για να αναλάβει πιο σύνθετη εργασία σε κλίμακα.

Αναπτύσσουμε αλγόριθμους τελευταίας τεχνολογίας για την όραση υπολογιστή, την κατανόηση φυσικής γλώσσας και τα προβλήματα δομημένων δεδομένων. Η πλατφόρμα μας ξεκινά με το RPA που υποστηρίζεται από υπολογιστή και το ενισχύει με σύγχρονο AI, ML και έναν ειδικό στον βρόχο για να παρέχει ισχυρό αυτοματισμό.

Για να παρέχει μια επισκόπηση υψηλού επιπέδου του τρόπου λειτουργίας της, η ιδιόκτητη λύση μας παρατηρεί πρώτα πώς το προσωπικό υγειονομικής περίθαλψης ολοκληρώνει τα καθήκοντά του. Στη συνέχεια, η ομάδα μας επισημαίνει αυτά τα δεδομένα και τα χρησιμοποιεί για να εκπαιδεύσει τους αλγόριθμούς μας, ώστε η τεχνολογία μας να κατανοήσει και να μάθει πώς λειτουργεί το προσωπικό υγειονομικής περίθαλψης και τα συστήματά του. Από εκεί, η πλατφόρμα μας εκτελεί αυτές τις ροές εργασίας αυτόνομα. Τέλος, χρησιμοποιούμε ειδικούς που μπορούν να πηδήξουν όποτε το σύστημα επισημαίνει ακραίες τιμές ή εξαιρέσεις. Η τεχνητή νοημοσύνη μαθαίνει συνεχώς από αυτές τις εμπειρίες, επιτρέποντάς της να αναλαμβάνει πιο σύνθετες εργασίες με την πάροδο του χρόνου.

Θα μπορούσατε να συζητήσετε τη σημασία των προσεγγίσεων «ανθρώπινοι στον βρόχο» και γιατί αυτό πρόκειται να εκτοπίσει το RPA;

Η σκληρή αλήθεια είναι ότι το RPA είναι μια τεχνολογία δεκαετιών που είναι εύθραυστη με πραγματικά όρια στις δυνατότητές της. Θα έχει πάντα κάποια αξία στην αυτοματοποίηση της εργασίας που είναι απλή, διακριτή και γραμμική. Ωστόσο, ο λόγος που οι προσπάθειες αυτοματισμού συχνά δεν ανταποκρίνονται στις φιλοδοξίες τους είναι επειδή η ζωή είναι πολύπλοκη και συνεχώς αλλάζει.

Η βασική προσέγγιση στο RPA είναι η κατασκευή ενός ρομπότ (bot) για κάθε πρόβλημα ή διαδρομή που θέλετε να λύσετε. Ένας άνθρωπος (σύμβουλος ή μηχανικός) κατασκευάζει ένα ρομπότ για να λύσει ένα συγκεκριμένο πρόβλημα. Αυτή η ρομποτική λύση αντικαθιστά μια ακολουθία βημάτων. Κοιτάζει μια οθόνη, αναλαμβάνει δράση και την επαναλαμβάνει.

Το πρόβλημα που παρουσιάζεται συχνά είναι ότι μια αλλαγή στον κόσμο, όπως μια τροποποίηση σε ένα κομμάτι λογισμικού ή διεπαφής χρήστη, μπορεί να προκαλέσει σπάσιμο των ρομπότ. Όπως γνωρίζουμε, η τεχνολογία εξελίσσεται διαρκώς, δημιουργώντας δυναμικά περιβάλλοντα. Αυτό σημαίνει ότι τα ρομπότ RPA συχνά αποτυγχάνουν.

Ένα άλλο πρόβλημα με αυτά τα bots είναι ότι πρέπει να δημιουργήσετε ένα για κάθε κατάσταση που θέλετε να λύσετε. Κάνοντας αυτό, καταλήγετε με πολλά ρομπότ, όλα ολοκληρώνοντας πολύ μικρές ενέργειες που δεν απαιτούν μεγάλη ικανότητα.

Είναι σαν ένα παιχνίδι χτύπημα-a-mole. Κάθε μέρα αντιμετωπίζετε την πιθανότητα να σπάσει ένα από αυτά επειδή πρόκειται να αλλάξει ένα κομμάτι λογισμικού ή θα συμβεί κάτι ασυνήθιστο – θα εμφανιστεί ένα πλαίσιο διαλόγου ή θα εμφανιστεί ένα νέο είδος εισαγωγής. Το αποτέλεσμα είναι δαπανηρή συντήρηση για τη διατήρηση αυτών των bot σε λειτουργία. Σύμφωνα με έρευνα της Forrester, για κάθε 1 δολάριο που δαπανάται για RPA, δαπανώνται επιπλέον 3.41 δολάρια για συμβουλευτικούς πόρους.

Με άλλα λόγια, το πραγματικό λογισμικό για το RPA δεν είναι το μεγαλύτερο μέρος του κόστους. Η πιο σημαντική επένδυση κόστους είναι όλη η δουλειά που πρέπει να κάνετε για να διατηρείτε το RPA να λειτουργεί συνεχώς. Πολλοί οργανισμοί δεν υπολογίζουν αυτό το τρέχον κόστος.

Καθώς μεγάλο μέρος της ζωής είναι πολύπλοκο και συνεχώς εξελίσσεται, πολλή δουλειά δεν εμπίπτει στις δυνατότητες του RPA, όπου μπαίνει το ML. Το ML μας δίνει τη δυνατότητα να αυτοματοποιούμε τα σκληρά πράγματα. Και πιστεύουμε ότι η ειδική σάλτσα είναι οι άνθρωποι που βελτιώνουν τους αλγόριθμους διδάσκοντάς τους.

Όταν ο αλγόριθμος δεν είναι σίγουρος για το τι πρέπει να κάνει (χαμηλή αυτοπεποίθηση), κλιμακώνεται αντ 'αυτού σε έναν άνθρωπο-in-the-loop. Οι άνθρωποι επισημαίνουν αυτά τα παραδείγματα και εντοπίζουν περιπτώσεις που δεν αντιμετωπίζονται από το τρέχον μοντέλο. Όταν γίνει αυτό και η τεχνητή νοημοσύνη το κατάλαβε σωστά, αυτό είναι ένα έργο που λειτουργεί καλά.

Κάθε εργασία όπου ένας άνθρωπος αντιλαμβάνεται ένα πρόβλημα είναι μια περίπτωση όπου το μηχάνημα δεν το χειρίζεται σωστά. Σε αυτήν την περίπτωση, προστίθενται δεδομένα στο σύνολο δεδομένων μας, το οποίο εκπαιδεύει εκ νέου τα μοντέλα ML για να χειριστούν αυτήν τη νέα κατάσταση.

Με την πάροδο του χρόνου, το μοντέλο ML ενισχύει την ανθεκτικότητα σε αυτές τις νέες θήκες. Αυτό έχει ως αποτέλεσμα ένα σύστημα που είναι στιβαρό και ευέλικτο σε νέες ακραίες τιμές ή εξαιρέσεις και το σύστημα γίνεται ισχυρότερο με την πάροδο του χρόνου. Αυτό σημαίνει ότι ο αυτοματισμός γίνεται όλο και καλύτερος και η ανθρώπινη παρέμβαση θα μειώνεται με την πάροδο του χρόνου.

Η ύπαρξη ανθρώπινων ειδικών στο βρόχο είναι κρίσιμη για να γίνει η τεχνητή νοημοσύνη εξυπνότερη, ταχύτερη και καλύτερη. Χρειαζόμαστε ανθρώπους για να εκπαιδεύσουν σωστά την τεχνητή νοημοσύνη και να διασφαλίσουν ότι μπορεί να χειριστεί τις ακραίες καταστάσεις που αποτελούν αναπόφευκτο μέρος κάθε κλάδου – και ειδικά σε έναν δυναμικό τομέα όπως η υγειονομική περίθαλψη.

Πώς λειτουργεί η λύση Human-in-the-Loop της AKASA Unified Automation™ και ποιες είναι μερικές από τις κύριες περιπτώσεις χρήσης αυτής της πλατφόρμας;

Το Unified Automation είναι μια πλατφόρμα που έχει σχεδιαστεί ειδικά για την υγειονομική περίθαλψη. Χρησιμοποιώντας AI, ML και την ομάδα ειδικών ιατρικών χρεώσεων, δημιουργεί μια απρόσκοπτα ενσωματωμένη, προσαρμοσμένη λύση που σας βοηθά να βλέπετε την αξία πιο γρήγορα, χωρίς ουσιαστικά καμία συντήρηση ή ουρές εξαίρεσης.

Έχει σχεδιαστεί έχοντας κατά νου εξαιρέσεις και ακραίες τιμές. Εάν συναντήσει κάτι νέο, η πλατφόρμα επισημαίνει το πρόβλημα στην ομάδα ειδικών του AKASA που το επιλύουν ενώ το σύστημα μαθαίνει από τις ενέργειες που κάνουν. Είναι αυτό το ανθρώπινο στοιχείο που μας διαφοροποιεί από άλλες λύσεις της αγοράς και επιτρέπει στην πλατφόρμα να μαθαίνει και να βελτιώνεται συνεχώς.

Το Unified Automation προσαρμόζεται επίσης στη δυναμική φύση του κλάδου της υγείας. Είναι μια απρόσκοπτα ενσωματωμένη, προσαρμοσμένη λύση που συμβάλλει στη μείωση του λειτουργικού κόστους, εξυψώνει το προσωπικό για να αντιμετωπίσει πιο ικανοποιητική εργασία που απαιτεί ανθρώπινη επαφή και βελτιώνει τη συλλογή εσόδων για τα συστήματα υγείας, βελτιώνοντας παράλληλα την οικονομική εμπειρία του ασθενούς.

Δείτε πώς λειτουργεί ο Ενοποιημένος Αυτοματισμός:

Το ιδιόκτητο λογισμικό παρατηρεί: Το εργαλείο Worklogger™ παρατηρεί εξ αποστάσεως πώς το προσωπικό υγειονομικής περίθαλψης ολοκληρώνει τις εργασίες του. Στη συνέχεια, η ομάδα μας επισημαίνει αυτά τα δεδομένα και τα τροφοδοτεί στον αυτοματισμό μας για να παρέχει μια ολοκληρωμένη εικόνα των τρεχουσών ροών εργασίας και διαδικασιών. Αυτό έχει ως αποτέλεσμα υψηλότερη ορατότητα στην απόδοση του προσωπικού, βασικά δεδομένα σχετικά με τις ροές εργασίας για την τροφοδοσία της αυτοματοποίησής μας και ακριβή ανάλυση χρόνου ανά εργασία.

Το AI εκτελεί: Αφού παρατηρήσει και μάθει τις ροές εργασίας του προσωπικού υγειονομικής περίθαλψης, η τεχνητή νοημοσύνη μας εκτελεί στη συνέχεια αυτές τις εργασίες αυτόνομα. Μαθαίνει συνεχώς από προβλήματα και περιπτώσεις αιχμής που αντιμετωπίζει, αναλαμβάνοντας πιο σύνθετες εργασίες με την πάροδο του χρόνου. Ο Ενοποιημένος Αυτοματισμός βρίσκεται ανάντη στην ουρά εργασίας – αναθέτει στον εαυτό του ισχύουσες εργασίες και ολοκληρώνοντάς τις χωρίς να διαταράσσει την ομάδα. Επίσης, βελτιστοποιεί αυτόματα τις διαδικασίες, ώστε να μην απαιτείται εγκατάσταση ή παρέμβαση από το προσωπικό.

Η ανθρώπινη τεχνογνωσία διασφαλίζει:  Το σύστημα επισημαίνει αυτόματα την ομάδα ειδικών ιατρικών χρεώσεων για να χειριστεί τις εξαιρέσεις και τις ακραίες τιμές, εκπαιδεύοντας την τεχνητή νοημοσύνη σε πραγματικό χρόνο καθώς εργάζονται. Αυτό είναι το κομμάτι του expert-in-the-loop. Με τη συνεχή μάθηση ενσωματωμένη, η πλατφόρμα Unified Automation γίνεται πιο έξυπνη και πιο αποτελεσματική με την πάροδο του χρόνου και η δουλειά γίνεται πάντα.

Υπάρχει κάτι άλλο που θα θέλατε να μοιραστείτε για το AKASA;

Έχουμε μια προσέγγιση που βασίζεται στην έρευνα που σημαίνει ότι οι πελάτες μας έχουν πρόσβαση σε τεχνολογία αιχμής. Δεσμευόμαστε να δημοσιεύουμε την τεχνητή νοημοσύνη και τις προσεγγίσεις μας σε δημοσιεύσεις με κριτές από ομοτίμους για να θέτουμε συνεχώς νέα προηγμένα πρότυπα για την τεχνητή νοημοσύνη στις λειτουργίες υγειονομικής περίθαλψης και να οδηγούμε ολόκληρο τον κλάδο μας προς τα εμπρός.

Για παράδειγμα, η έρευνά μας έχει παρουσιαστεί στο Διεθνές Συνέδριο για τη Μηχανική Μάθηση (ICML), στη Σύνοδο Επεξεργασίας Φυσικής Γλώσσας (NLP) και στο Συνέδριο Μηχανικής Μάθησης για την Υγεία (MLHC), μεταξύ άλλων. Ακολουθούμε μια πολύ πειθαρχημένη προσέγγιση για να δοκιμάζουμε τα μοντέλα μας και να συγκρίνουμε την απόδοση με τις πιο σύγχρονες προσεγγίσεις τεχνητής νοημοσύνης στην αγορά.

Η λύση πρόβλεψης αρνήσεων πιστεύεται ότι είναι το πρώτο δημοσιευμένο σύστημα που βασίζεται σε βαθιά μάθηση που μπορεί να προβλέψει με ακρίβεια τις αρνήσεις ιατρικών αξιώσεων κατά περισσότερο από 22% σε σύγκριση με τις υπάρχουσες βασικές γραμμές. Το μοντέλο Read, Attend, Code μας για την αυτόνομη κωδικοποίηση ιατρικών ισχυρισμών από κλινικές σημειώσεις έχει αναγνωριστεί ότι καθορίζει μια νέα προηγμένη τεχνολογία για τη βιομηχανία και ξεπέρασε τα τρέχοντα μοντέλα κατά 18% – ξεπερνώντας την παραγωγικότητα των ανθρώπινων κωδικοποιητών. Πιστεύουμε ότι αυτές οι καινοτομίες back-office είναι κρίσιμες για τη βελτίωση του συστήματος υγειονομικής περίθαλψης των ΗΠΑ σε κλίμακα και θα συνεχίσουν να οδηγούν τις εξελίξεις και να δημιουργούν προσαρμοσμένες λύσεις για αυτόν τον χώρο.

Υπάρχει πολλή διαφημιστική εκστρατεία γύρω από την τεχνητή νοημοσύνη στην υγειονομική περίθαλψη, αλλά όταν πρόκειται για αυτό, οι εταιρείες μπορούν να υπερθεματίσουν τι μπορεί πραγματικά να κάνει η τεχνολογία τους. Είναι πολύ πιο δύσκολο να διεξαχθεί έρευνα για να επικυρώσει τι κάνουν οι αλγόριθμοι – και είμαστε περήφανοι που ακολουθήσαμε αυτή τη σημαντική, αλλά προκλητική διαδρομή για να αποδείξουμε τελικά ότι η πλατφόρμα Unified Automation της AKASA φέρνει πραγματικά θετική και ουσιαστική αλλαγή στα νοσοκομεία και τα συστήματα υγείας.

Είμαστε ενθουσιασμένοι για το μέλλον και για το τι πρόκειται να έρθει στο AKASA καθώς χτίζουμε το μέλλον της υγειονομικής περίθαλψης με την τεχνητή νοημοσύνη.

Σας ευχαριστούμε για την υπέροχη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να το επισκεφτούν AKASA.