Varun Ganapathi, CTO και συνιδρυτής της AKASA – Σειρά Συνεντεύξεων

Ο Varun Ganapathi είναι ο CTO και συνιδρυτής της AKASA, μιας εταιρείας που αναπτύσσει τεχνολογία AI για εφαρμογές υγείας. Η AKASA βοηθά τις οργανώσεις υγείας να βελτιώσουν τις λειτουργίες τους, συμπεριλαμβανομένης του κύκλου εσόδων, για να αυξήσουν τα έσοδα, να δημιουργήσουν αποτελεσματικότητα και να βελτιώσουν την εμπειρία του ασθενούς. Ο Varun έχει ιδρύσει με επιτυχία δύο εταιρείες AI πριν από την AKASA, μια από τις οποίες αγοράστηκε από την Google (GOOGL ) και η άλλη από την Udacity.

Έχετε μια διακεκριμένη καριέρα στη μηχανική μάθηση, θα μπορούσατε να συζητήσετε κάποιες από τις πρώτες σας μέρες στο Stanford όταν δουλέψατε στην αυτονομία ελικοπτέρων;

Όταν σπούδαζα φυσική ως προπτυχιακός στο Stanford, ενδιαφερόμουν επίσης πολύ για την επιστήμη των υπολογιστών και τη μηχανική μάθηση (ML). Για μένα, η τεχνολογία AI και ML συνδυάζει όλα αυτά σε ένα – είναι ένας αυτοματοποιημένος τρόπος για να κάνουμε φυσική σε οποιοδήποτε φαινόμενο μπορεί να ψηφιοποιηθεί.

Για αυτό το συγκεκριμένο έργο, είχαμε ένα ελικόπτερο που έμοιαζε με ένα μεγάλο drone λίγο μικρότερο από ένα στρώμα μονού κρεβατιού – σε μια εποχή που τα drones δεν ήταν διαδεδομένα. Οι άνθρωποι το πιλοτάριζαν και το έκαναν να κάνει κόλπα, όπως να κρέμεται ανάποδα. Ενώ αυτό είναι πολύ δύσκολο να κάνεις, θέλαμε να δημιουργήσουμε έναν αλγόριθμο ML που θα μπορούσε να μάθει από τους ανθρώπους πώς να πετάξει αυτό το ελικόπτερο αυτόνομα.

Δημιουργήσαμε έναν προσομοιωτή φυσικής που βασιζόταν στο πραγματικό ελικόπτερο και έναν αλγόριθμο ML που έμαθε πώς να προβλέψει τις κινήσεις του. Στη συνέχεια, εφαρμόσαμε την ενισχυτική μάθηση μέσα στον προσομοιωτή για να αναπτύξουμε έναν ελεγκτή, πήραμε το λογισμικό και το ανεβάσαμε στο πραγματικό ελικόπτερο. Όταν ενεργοποιήσαμε το ελικόπτερο, λειτουργούσε από την πρώτη φορά! Το ελικόπτερο ήταν σε θέση να κρέμεται ανάποδα από μόνο του, το οποίο ήταν αρκετά εντυπωσιακό. Η ομάδα συνέχισε να δουλεύει στην αυτοματοποίηση άλλων τύπων κόλπων χρησιμοποιώντας ML.

Επίσης, δουλέψατε στην Google Books, θα μπορούσατε να συζητήσετε τον αλγόριθμο που δουλέψατε και πώς η εταιρεία σας αγοράστηκε από την Google;

Έκανα πρακτική άσκηση στην Google ενώ παρακολουθούσα μαθήματα στο Stanford το 2004 – αυτό ήταν αμέσως μετά το έργο του ελικοπτέρου. Κατά τη διάρκεια εκείνης της περιόδου, εφαρμόζα ML για το έργο Google Books όπου σκανάραμε όλα τα βιβλία του κόσμου.

Η Google πλήρωνε όλους αυτούς τους ανθρώπους για να επισημαίνουν πληροφορίες σχετικά με τα βιβλία, όπως σελίδες, πίνακες περιεχομένων, πνευματικά δικαιώματα, κ.λπ. – μια πολύ χρονοβόρα εργασία. Ήθελα να δω αν μπορούμε να χρησιμοποιήσουμε ML για να το κάνουμε και λειτουργούσε πολύ καλά. Πραγματικά, εκτελέστηκε καλύτερα και ήταν πιο ακριβής από όταν οι άνθρωποι το έκαναν, επειδή τα περισσότερα σφάλματα οφείλονταν σε ανθρώπινα λάθη με χειροκίνητη επισήμανση.

Αυτό με έκανε πραγματικά ενθουσιασμένο με τη ML, επειδή έδειξε ότι μπορείτε να πάτε από την απόδοση ανθρώπων σε υπεράνθρωπη απόδοση – κάνετε μονότονα καθήκοντα με λιγότερα λάθη και με μεγαλύτερη συνέπεια, ενώ ακόμη χειρίζεται ακραίες περιπτώσεις.

Στη συνέχεια αποφάσισα να κάνω διδακτορικό στο Stanford, με έμφαση στη μηχανική μάθηση και αρχικά σε πιο θεωρητικές εργασίες. Για τη διατριβή μου ανέπτυξα έναν αλγόριθμο καταγραφής κίνησης σε πραγματικό χρόνο, με τον οποίο ένας υπολογιστής μπορεί να παρακολουθεί όλες τις αρθρώσεις του ανθρώπινου σώματος μέσω κάμερας βάθους. Αυτό αποτέλεσε τη βάση της πρώτης μου εταιρείας, της Numovis, η οποία επικεντρωνόταν στην παρακολούθηση κίνησης και την υπολογιστική όραση για την αλληλεπίδραση με τον χρήστη. Η Google την εξαγόρασε.

Όλη μου η πορεία από το έργο του ελικοπτέρου στο Google Books στα αυτόνομα οχήματα και τώρα στις λειτουργίες υγείας δείχνει πόσο ισχυροί και γενικής εφαρμογής είναι οι αλγόριθμοι ML.

Θα μπορούσατε να μοιραστείτε την ιστορία πίσω από την AKASA;

Έχουμε κατασκευάσει την AKASA για να επιλύσουμε ένα τεράστιο, βαθιά ενσωματωμένο πρόβλημα στις λειτουργίες υγείας. Αυτές οι λειτουργίες είναι και ακριβές και επιρρεπείς σε λάθη, τα οποία μπορούν να οδηγήσουν σε άσκοπες οικονομικές εμπειρίες που προκαλούν πανικό για τους ασθενείς. Υπήρχε έλλειψη νέας τεχνολογίας στην διοικητική πλευρά και τίποτα δεν είχε σχεδιαστεί ειδικά γι’ αυτό. Έγινε σαφές σε μας ότι θα μπορούσατε να χρησιμοποιήσετε τεχνολογία όπως η AI και ML για να λύσετε αυτές τις λειτουργικές προκλήσεις με έναν καινοτόμο τρόπο. Όταν μιλήσαμε με πολλά συστήματα υγείας και ηγέτες υγείας, επικύρωσαν τη σκέψη μας, η οποία οδήγησε τελικά στην ίδρυση της AKASA το 2019.

Με αυτό, ο σκοπός της AKASA ήταν σαφής από την αρχή – να ενεργοποιήσουμε την ανθρώπινη υγεία και να χτίσουμε το μέλλον της υγείας με την AI. Ο τρόπος με τον οποίο αποφασίσαμε να αντιμετωπίσουμε αυτή την πρόκληση είναι συνδυάζοντας την ανθρώπινη νοημοσύνη με την προηγμένη AI και ML, ώστε τα συστήματα υγείας να μειώσουν τα λειτουργικά έξοδα και να κατανέμονται οι πόροι εκεί όπου έχουν τη μεγαλύτερη σημασία.

Η ευέλικτη πλατφόρμα μας, που δεν εξαρτάται από συγκεκριμένο σύστημα, εξυπηρετεί σήμερα μια βάση πελατών που αντιπροσωπεύει περισσότερα από 475 νοσοκομεία και συστήματα υγείας και περισσότερα από 8.000 εξωτερικά ιατρεία, σε όλες τις 50 πολιτείες. Η τεχνολογία μας βοηθά αυτές τις οργανώσεις, ανεξάρτητα από το αν χρησιμοποιούν παρόχους ηλεκτρονικών ιατρικών αρχείων (EHR) όπως η Epic, Cerner, άλλα EHR ή συστήματα που προστίθενται, και όλα τα άλλα. Και το κάναμε με ισχυρά αποτελέσματα.

Η βάση μας πελατών αντιπροσωπεύει περισσότερα από 110 δισεκατομμύρια δολάρια σε συνδυασμένα καθαρά έσοδα ασθενών, τα οποία αντιστοιχούν σε περισσότερο από 10% των συνολικών ετήσιων δαπανών του συστήματος υγείας των ΗΠΑ, σύμφωνα με τα Κέντρα για τις Υπηρεσίες Medicare και Medicaid. Και τα μοντέλα και οι αλγόριθμοι της AKASA έχουν εκπαιδευτεί σε σχεδόν 290 εκατομμύρια αξιώσεις και αποζημιώσεις.

Η αόρατη υποδομή της υγειονομικής περίθαλψης είναι εξαιρετικά σύνθετη, αλλά επηρεάζει σε τεράστιο βαθμό την ανθρώπινη υγεία. Την αυτοματοποιούμε σταδιακά.

Τι είναι κάποια από τα καθήκοντα που η AKASA εξετάζει για αυτοματοποίηση στη υγεία;

Η μοναδική μας προσέγγιση με συμμετοχή ειδικών στη διαδικασία, Unified Automation™, συνδυάζει τη μηχανική μάθηση με την ανθρώπινη κρίση και την εξειδικευμένη γνώση, προσφέροντας αξιόπιστη και ανθεκτική αυτοματοποίηση στις λειτουργίες υγείας. Η AKASA μπορεί να αυτοματοποιεί και να εξορθολογίζει γρήγορα και αποτελεσματικά τις εργασίες οικονομικής διαχείρισης από την αρχή έως το τέλος, συμπεριλαμβανομένης της επεξεργασίας λογαριασμών και πληρωμών. Οι συγκεκριμένες εργασίες περιλαμβάνουν τον έλεγχο του δικαιώματος ασφαλιστικής κάλυψης του ασθενούς, την τεκμηρίωση και επαλήθευση ασφαλιστικών στοιχείων, την εκτίμηση του κόστους για τον ασθενή, τη διόρθωση, επανατιμολόγηση και υποβολή ενστάσεων για αιτήματα πληρωμής, καθώς και την πρόβλεψη και διαχείριση απορρίψεων.

Αυτού του είδους η αυτοματοποίηση μειώνει τα ανθρώπινα λάθη και τις καθυστερήσεις για τους ασθενείς, βοηθώντας να αποφεύγονται απρόσμενοι ιατρικοί λογαριασμοί. Παράλληλα απαλλάσσει το προσωπικό υγείας από τις χειροκίνητες, επαναλαμβανόμενες εργασίες, ώστε να επικεντρώνεται σε πιο ικανοποιητικές, απαιτητικές και παραγωγικές εργασίες που βελτιώνουν την εμπειρία του ασθενούς.

Τι είναι οι διάφοροι τύποι αλγορίθμων ML που χρησιμοποιούνται;

Η AKASA χρησιμοποιεί τις ίδιες προσεγγίσεις ML που έκαναν τα αυτόνομα οχήματα δυνατά για να παρέχει στα συστήματα υγείας μία ενιαία λύση για την αυτοματοποίηση των λειτουργιών υγείας. Αυτή η προσέγγιση – επικεντρωμένη γύρω από ML – επεκτείνει τις δυνατότητες της αυτοματοποίησης για να αναλάβει πιο σύνθετο έργο σε κλίμακα.

Αναπτύσσουμε αλγόριθμους αιχμής σε υπολογιστική όραση, φυσική κατανόηση γλώσσας και δομημένα προβλήματα δεδομένων. Η πλατφόρμα μας ξεκινά με RPA που βασίζεται στην υπολογιστική όραση και την ενισχύει με σύγχρονη AI, ML και expert-in-the-loop για να παρέχει αξιόπιστη αυτοματοποίηση.

Για να παρέχουμε μια υψηλού επιπέδου επισκόπηση του πώς λειτουργεί, η ιδιοκτησιακή μας λύση παρατηρεί πρώτα πώς το προσωπικό υγείας ολοκληρώνει τα καθήκοντα. Η ομάδα μας στη συνέχεια επισημαίνει αυτά τα δεδομένα και τα χρησιμοποιεί για να εκπαιδεύσει τους αλγόριθμους μας, ώστε η τεχνολογία μας να μπορεί να κατανοήσει και να μάθει πώς λειτουργούν το προσωπικό υγείας και τα συστήματα. Από εκεί, η πλατφόρμα μας εκτελεί αυτές τις ροές εργασίας αυτόνομα. Τέλος, χρησιμοποιούμε experts-in-the-loop που μπορούν να παρέμβουν όποτε το σύστημα σηματοδοτεί outliers ή εξαιρέσεις. Η AI συνεχίζει να μαθαίνει από αυτές τις εμπειρίες, επιτρέποντας της να αναλάβει πιο σύνθετα καθήκοντα με την πάροδο του χρόνου.

Θα μπορούσατε να συζητήσετε τη σημασία των προσεγγίσεων human-in-the-loop και γιατί αυτό είναι προγραμματισμένο να αντικαταστήσει την RPA;

Η σκληρή αλήθεια είναι ότι η RPA είναι μια δεκαετίες παλιά τεχνολογία που είναι εύθραυστη με πραγματικά όρια στις δυνατότητές της. Θα έχει πάντα κάποια αξία στην αυτοματοποίηση εργασιών που είναι απλές, διακριτές και γραμμικές. Ωστόσο, ο λόγος για τον οποίο οι προσπάθειες αυτοματοποίησης συχνά δεν φτάνουν στις φιλοδοξίες τους είναι επειδή η ζωή είναι σύνθετη και πάντα αλλάζει.

Η βασική προσέγγιση της RPA είναι η κατασκευή ενός ρομπότ (bot) για κάθε πρόβλημα ή μονοπάτι που θέλετε να λύσετε. Ένας άνθρωπος (σύμβουλος ή μηχανικός) κατασκευάζει ένα ρομπότ για να λύσει ένα συγκεκριμένο πρόβλημα. Αυτή η λύση ρομπότ λαμβάνει τη θέση μιας σειράς βημάτων. Παρατηρεί μια οθόνη, εκτελεί μια ενέργεια και επαναλαμβάνει τη διαδικασία.

Το πρόβλημα που συχνά εμφανίζεται είναι ότι μια αλλαγή στον κόσμο, όπως μια τροποποίηση ενός κομματιού λογισμικού ή UI, μπορεί να προκαλέσει την αποτυχία των bots. Όπως γνωρίζουμε, η τεχνολογία εξελίσσεται συνεχώς, 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. Κάνετε αυτό, έχετε πολλά ρομπότ, όλα ολοκληρώνουν πολύ μικρές δράσεις που δεν απαιτούν πολλή δεξιοτεχνία.

Είναι σαν ένα παιχνίδι whack-a-mole. Κάθε μέρα αντιμετωπίζετε την πιθανότητα ότι ένα από αυτά θα σπάσει επειδή ένα κομμάτι λογισμικού θα αλλάξει ή κάτι ασυνήθιστο θα συμβεί – θα εμφανιστεί ένα παράθυρο διαλόγου ή ένα νέο είδος εισόδου θα συμβεί. Το αποτέλεσμα είναι το κόστος συντήρησης για να διατηρήσετε αυτά τα bots. Σύμφωνα με έρευνα από το Forrester, για κάθε 1 δολάριο που δαπανάται σε RPA, επιπλέον 3,41 δολάρια δαπανώνται σε πόρους συμβούλων.

Σε άλλες λέξεις, το πραγματικό λογισμικό για RPA δεν είναι η πλειοψηφία του κόστους. Το μεγαλύτερο κόστος επένδυσης είναι όλη η δουλειά που πρέπει να κάνετε για να διατηρήσετε την RPA να τρέχει όλη την ώρα. Πολλές οργανώσεις δεν λαμβάνουν υπόψη αυτό το συνεχές κόστος.

Όπως η ζωή είναι σύνθετη και εξελίσσεται συνεχώς, πολλή δουλειά πέφτει έξω από τις δυνατότητες της RPA, όπου η ML έρχεται. Η ML μας επιτρέπει να αυτοματοποιήσουμε τα δύσκολα. Και πιστεύουμε ότι το ειδικό μπαχαρικό είναι οι άνθρωποι που βελτιώνουν τους αλγόριθμους διδάσκοντάς τους.

Όταν ο αλγόριθμος δεν είναι σίγουρος για το τι πρέπει να κάνει (χαμηλή εμπιστοσύνη), αναβαθμίζεται σε ένα human-in-the-loop. Οι άνθρωποι επισημαίνουν αυτά τα παραδείγματα και αναγνωρίζουν περιπτώσεις που δεν χειρίζονται από το τρέχον μοντέλο. Όταν γίνεται αυτό, και η AI το έκανε σωστά, είναι μια καλά λειτουργούσα εργασία.

Κάθε εργασία όπου ένας άνθρωπος πιάνει ένα πρόβλημα είναι μια περίπτωση όπου η μηχανή δεν χειρίζεται σωστά. Σε αυτή την περίπτωση, δεδομένα προστίθενται στο σύνολο δεδομένων μας, το οποίο επανεκπαιδεύει τους αλγόριθμους ML για να χειριστούν αυτή τη νέα κατάσταση.

Με την πάροδο του χρόνου, το μοντέλο ML χτίζει ανθεκτικότητα σε αυτές τις νέες ακραίες περιπτώσεις. Αυτό οδηγεί σε ένα σύστημα που είναι αξιόπιστη και ευέλικτο σε νέες ακραίες περιπτώσεις ή εξαιρέσεων, και το σύστημα γίνεται ισχυρότερο με την πάροδο του χρόνου. Αυτό σημαίνει ότι η αυτοματοποίηση γίνεται καλύτερη και καλύτερη και η παρέμβαση ανθρώπων θα μειωθεί με την πάροδο του χρόνου.

Η παρουσία ανθρώπινων εμπειρογνωμόνων στο loop είναι κρίσιμη για να κάνει την AI πιο έξυπνη, γρήγορη και καλύτερη. Χρειαζόμαστε ανθρώπους για να εκπαιδεύσουν σωστά την AI και να διασφαλίσουμε ότι μπορεί να χειριστεί τις ακραίες περιπτώσεις που είναι αναπόφευκτες σε οποιονδήποτε κλάδο – και ειδικά σε ένα δυναμικό πεδίο όπως η υγεία.

Πώς λειτουργεί η λύση human-in-the-loop της AKASA Unified Automation, και ποια είναι κάποια από οι κύριες χρήσεις αυτής της πλατφόρμας;

Η Unified Automation είναι μια πλατφόρμα που έχει σχεδιαστεί ειδικά για την υγεία. Χρησιμοποιώντας AI, ML και την ομάδα μας από εμπειρογνώμονες ιατρικής χρέωσης, δημιουργεί μια ολοκληρωμένη, εξατομικευμένη λύση που βοηθά να δείτε αξία γρηγορότερα, με σχεδόν καθόλου συντήρηση ή ουρές εξαιρέσεων.

Σχεδιάστηκε με εξαιρέσεις και outliers στο μυαλό. Αν συναντήσει κάτι νέο, η πλατφόρμα σηματοδοτεί το ζήτημα στην ομάδα μας από εμπειρογνώμονες που το λύνουν, ενώ το σύστημα μαθαίνει από τις ενέργειες που λαμβάνουν. Είναι αυτό το ανθρώπινο στοιχείο που μας διακρίνει από άλλες λύσεις στην αγορά και μας επιτρέπει να συνεχίσουμε να μαθαίνουμε και να βελτιώνουμε.

Η Unified Automation προσαρμόζεται επίσης στη δυναμική φύση της βιομηχανίας υγείας. Είναι μια ολοκληρωμένη, εξατομικευμένη λύση που βοηθά να μειώσει τα λειτουργικά έξοδα, να επιτρέψει στο προσωπικό για να αντιμετωπίσει πιο απολαυστικά καθήκοντα που απαιτούν ανθρώπινη αφή, και να βελτιώσει την κάλυψη εσόδων για τα συστήματα υγείας, ενώ επίσης βελτιώνει την οικονομική εμπειρία του ασθενούς.

Αυτός είναι ο τρόπος με τον οποίο λειτουργεί η Unified Automation:

Το ιδιόκτητο λογισμικό παρατηρεί: Το εργαλείο μας Worklogger™ παρατηρεί εξ αποστάσεως πώς το προσωπικό υγείας ολοκληρώνει τα καθήκοντα. Στη συνέχεια, η ομάδα μας επισημαίνει αυτά τα δεδομένα και τα τροφοδοτεί στην αυτοματοποίηση μας για να παρέχει μια ολοκληρωμένη άποψη των τρεχόντων ροές εργασίας και διαδικασιών. Αυτό οδηγεί σε υψηλότερη ορατότητα στην απόδοση του προσωπικού, θεμελιώδη δεδομένα για τις διαδικασίες για να ενισχύσει την αυτοματοποίησή μας, και μια ακριβή ανάλυση χρόνου-κατά-εργασία.

AI εκτελεί: Μετά την παρατήρηση και την εκμάθηση των ροές εργασίας του προσωπικού υγείας, η AI μας εκτελεί αυτά τα καθήκοντα αυτόνομα. Συνεχίζει να μαθαίνει από προβλήματα και ακραίες περιπτώσεις που συναντά, αναλαμβάνοντας πιο σύνθετα καθήκοντα με την πάροδο του χρόνου. Η Unified Automation βρίσκεται στην αρχή της ουράς εργασιών – αναθέτοντας στον εαυτό της τα σχετικά καθήκοντα και ολοκληρώνοντας τα χωρίς να διαταράξει την ομάδα. Αυτόματα βελτιστοποιεί επίσης τις διαδικασίες, ώστε δεν απαιτείται εγκατάσταση ή παρέμβαση από το προσωπικό.

Ανθρώπινη εμπειρογνωμοσύνη εξασφαλίζει: Το σύστημα αυτόματα σηματοδοτεί την ομάδα μας από εμπειρογνώμονες ιατρικής χρέωσης για να χειριστούν εξαιρέσεις και outliers, εκπαιδεύοντας την AI σε πραγματικό χρόνο, καθώς εργάζονται. Αυτό είναι το expert-in-the-loop μέρος. Με τη συνεχή μάθηση που είναι ενσωματωμένη, η πλατφόρμα Unified Automation γίνεται πιο έξυπνη και αποτελεσματική με την πάροδο του χρόνου και η δουλειά πάντα ολοκληρώνεται.

Υπάρχει κάτι άλλο που θα θέλατε να μοιραστείτε σχετικά με την AKASA;

Ακολουθούμε μια προσέγγιση που δίνει προτεραιότητα στην έρευνα, εξασφαλίζοντας στους πελάτες μας πρόσβαση σε τεχνολογία αιχμής. Δεσμευόμαστε να δημοσιεύουμε την τεχνητή νοημοσύνη και τις μεθόδους μας σε επιστημονικές εκδόσεις με αξιολόγηση από ομοτίμους, ώστε να θέτουμε διαρκώς νέα πρότυπα αιχμής για την AI στις λειτουργίες υγείας και να προωθούμε ολόκληρο τον κλάδο.

Για παράδειγμα, η έρευνά μας έχει παρουσιαστεί στη Διεθνή Διάσκεψη για τη Μηχανική Μάθηση (ICML), το Natural Language Processing (NLP) Summit και τη Διάσκεψη για τη Μηχανική Μάθηση για την Υγεία (MLHC), μεταξύ άλλων. Παίρνουμε μια πολύ πειθαρχημένη προσέγγιση για τον έλεγχο των μοντέλων μας και τη σύγκριση της απόδοσης τους με τις μεθόδους αιχμής AI στην αγορά.

Η λύση μας για την πρόβλεψη απορρίψεων πιστεύεται ότι είναι το πρώτο δημοσιευμένο σύστημα που βασίζεται στη βαθιά μάθηση που μπορεί να προβλέψει με ακρίβεια τις απορρίψεις αιτημάτων υγείας με ακρίβεια πάνω από 22% υψηλότερη σε σύγκριση με τις υπάρχουσες μεθόδους αναφοράς. Το μοντέλο μας Read, Attend, Code για την αυτόνομη κωδικοποίηση αιτημάτων υγείας από κλινικές σημειώσεις έχει αναγνωριστεί ως ορισμός ενός νέου επιπέδου αιχμής για την βιομηχανία και ξεπέρασε τα τρέχοντα μοντέλα κατά 18% – υπερβαίνοντας την παραγωγικότητα των ανθρώπινων κωδικοποιητών. Πιστεύουμε ότι αυτές οι καινοτομίες στο πίσω τμήμα είναι κρίσιμες για τη βελτίωση του συστήματος υγείας των ΗΠΑ σε κλίμακα και θα συνεχίσουν να οδηγούν τις προόδους και να χτίζουν εξατομικευμένες λύσεις για αυτό το χώρο.

Υπάρχει πολύ θόρυβος γύρω από την AI στην υγεία, αλλά όταν έρχεται η ώρα, οι εταιρείες μπορούν να υπερβάλλουν για το τι μπορεί να κάνει η τεχνολογία τους. Είναι πολύ πιο δύσκολο να διεξαγάγετε έρευνα για να επικυρώσετε τι κάνουν οι αλγόριθμοι – και περηφανευόμαστε που ακολουθούμε αυτό το σημαντικό, αλλά δύσκολο δρόμο για να αποδείξουμε ότι η πλατφόρμα Unified Automation της AKASA φέρνει πραγματικά θετικές και σημαντικές αλλαγές στα νοσοκομεία και τα συστήματα υγείας.

Είμαστε ενθουσιασμένοι για το μέλλον και τι θα έρθει στην AKASA, καθώς χτίζουμε το μέλλον της υγείας με την AI.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν την AKASA.