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

Ο Varun Ganapathi είναι ο CTO και συνιδρυτής της AKASA, μια εταιρεία που αναπτύσσει τεχνολογία AI για εφαρμογές υγείας. Η AKASA βοηθά τις οργανώσεις υγείας να βελτιώσουν τις λειτουργίες τους, συμπεριλαμβανομένης της κυκλοφορίας 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 αποκτήθηκε από την Google 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 εργαστήκατε για να κάνετε τα ελικόπτερα αυτόνομα;

Όταν σπούδαζα φυσική ως προπτυχιακός στο Stanford, ήταν επίσης πολύ ενδιαφερόμενος για την επιστήμη των υπολογιστών και τη μηχανική μάθηση (ML). Για μένα, το AI και η ML συνδύαζαν όλα σε ένα – είναι πραγματικά ένας αυτοματοποιημένος τρόπος για να κάνεις φυσική σε οποιοδήποτε φαινόμενο που μπορεί να ψηφιοποιηθεί.

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

Δημιουργήσαμε einen φυσικό模υλатор που βασίζονταν στο πραγματικό ελικόπτερο και einen αλγόριθμο ML που έμαθε πώς να προβλέψει τις κινήσεις του. Στη συνέχεια, εφαρμόσαμε την ενίσχυση της μάθησης μέσα στον симυλатор για να αναπτύξουμε einen ελεγκτή, πήραμε το λογισμικό και το ανεβάσαμε στο πραγματικό ελικόπτερο. Όταν το ενεργοποιήσαμε, λειτουργούσε από την πρώτη φορά! Το ελικόπτερο ήταν σε θέση να κρεμαστεί ανάποδα αυτόματα, το οποίο ήταν αρκετά εντυπωσιακό. Η ομάδα συνέχισε να εργάζεται για την αυτοματοποίηση άλλων τύπων κόλπων χρησιμοποιώντας ML.

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

Πραγματικά, έκανα ένα στάژ στην Google ενώ παρακολουθούσα μαθήματα στο Stanford το 2004 – αυτό ήταν αμέσως μετά το έργο του ελικοπτέρου. Κατά τη διάρκεια αυτής της περιόδου, εφαρμόζα ML για το έργο Google Books όπου σκανάραμε όλα τα βιβλία του κόσμου.

Η Google πληρώνε όλους αυτούς τους ανθρώπους για να etiquetάρουν πληροφορίες σχετικά με τα βιβλία, όπως σελίδες, πίνακες περιεχομένου, πνευματικά δικαιώματα κ.λπ. – μια πολύ χρονοβόρα εργασία. Ήθελα να δω αν μπορούμε να χρησιμοποιήσουμε ML για να το κάνουμε και λειτουργούσε πραγματικά καλά. Πραγματικά, έκανε καλύτερα και ήταν πιο ακριβής από όταν οι άνθρωποι το έκαναν, επειδή οι περισσότερες σφάλματα οφείλονταν σε ανθρώπινο σφάλμα με χειροκίνητη ετικέτα.

Αυτό με έκανε πραγματικά ενθουσιασμένο με τη ML, επειδή έδειξε ότι μπορείτε να μεταβείτε από την απόδοση ανθρώπων σε υπεράνθρωπη απόδοση – κάνωντας μονότονες εργασίες με λιγότερα σφάλματα και πιο συνεχώς, जबकί ακόμη και χειρίζονται περιπτώσεις ακρών.

Από εκεί, αποφάσισα να κάνω einen Ph.D. στο Stanford, επικεντρωμένος στη ML και περισσότερες θεωρητικές εργασίες αρχικά. Για τη διατριβή μου, ανέπτυξα einen αλγόριθμο για να εκτελέσει πραγματικό χρόνο motion capture όπου ένας υπολογιστής μπορεί να παρακολουθήσει την κίνηση όλων των ανθρώπινων αρθρώσεων σε πραγματικό χρόνο από μια κάμερα βάθους. Αυτό ήταν η βάση για την πρώτη μου εταιρεία, Numovis, η οποία επικεντρώθηκε στην κίνηση και την όραση υπολογιστή για αλληλεπίδραση χρήστη. Αποκτήθηκε από την Google.

Όλη μου η πορεία από το έργο του ελικοπτέρου στην Google Books, στα αυτονομικά οχήματα και τώρα στις επιχειρήσεις υγείας μου έδειξε πόσο ισχυρά και γενικά είναι οι αλγόριθμοι ML.

Θα μπορούσατε να μοιραστείτε την ιστορία γέννησης πίσω από την AKASA;

Έχουμε χτίσει την AKASA για να διορθώσουμε ένα τεράστιο, βαθιά ενσωματωμένο πρόβλημα στις επιχειρήσεις υγείας. Αυτές οι επιχειρήσεις είναι και ακριβές και προδιαθέτουν σε λάθη, τα οποία μπορούν να οδηγήσουν σε απαραίτητες πανδημικές οικονομικές εμπειρίες για τους ασθενείς. Υπήρχε έλλειψη νέας τεχνολογίας στην διοικητική πλευρά και τίποτα δεν χτιζόταν με σκοπό. Έγινε σαφές σε μας ότι θα μπορούσατε να χρησιμοποιήσετε τεχνολογία όπως το AI και η ML για να λύσετε αυτές τις επιχειρησιακές προκλήσεις με καινοτόμο τρόπο. Όταν μιλήσαμε σε πολλά συστήματα υγείας και ηγετικά στελέχη υγείας, επικύρωσαν τη σκέψη μας, η οποία τελικά οδήγησε στην ίδρυση της AKASA το 2019.

Με αυτό, ο σκοπός της AKASA ήταν σαφής από την αρχή – να ενεργοποιήσει την ανθρώπινη υγεία και να χτίσει το μέλλον της υγείας με το AI. Ο τρόπος με τον οποίο αποφασίσαμε να αναλάβουμε αυτή την πρόκληση είναι συνδυάζοντας την ανθρώπινη νοημοσύνη με την κορυφαία AI και ML, ώστε τα συστήματα υγείας να μειώσουν τα λειτουργικά κόστη και να αναθέσουν τους πόρους όπου έχουν τη μεγαλύτερη σημασία.

Το σύστημα-αγνόητο, ευέλικτο πλαίσιο μας εξυπηρετεί αυτή τη στιγμή 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, η 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 συνολικό καθαρό εσόδων ασθενών, το οποίο αντιστοιχεί σε περισσότερο από το 10% του ετήσιου δαπάνης του συστήματος υγείας των ΗΠΑ, σύμφωνα με το Κέντρα για τις Υπηρεσίες Medicare και Medicaid. Και τα μοντέλα και οι αλγόριθμοι της AKASA έχουν εκπαιδευτεί σε σχεδόν 290 εκατομμύρια αξιώσεις και αποζημιώσεις.

Το αόρατο σωλήνα της υγείας είναι εξαιρετικά σύνθετο, αλλά έχει τεράστια επίδραση στην ανθρώπινη υγεία, και το αυτοματοποιούμε σιγά-σιγά.

Τι είναι κάποιες από τις εργασίες που η AKASA εξετάζει για αυτοματοποίηση στην υγεία;

Η μοναδική μας προσέγγιση expert-in-the-loop, Unified Automation, συνδυάζει ML με ανθρώπινη κρίση και εξειδικευμένη γνώση για να παρέχει robust και ανθεκτική αυτοματοποίηση για τις επιχειρήσεις υγείας. Η AKASA μπορεί να αυτοματοποιήσει και να ροηματοποιήσει εργασίες άκρως αποτελεσματικά εντός της λειτουργίας χρηματοοικονομικής της υγείας, συμπεριλαμβανομένης της επεξεργασίας και των πληρωμών. Συγκεκριμένες εργασίες που η AKASA αυτοματοποιεί περιλαμβάνουν τον έλεγχο της ικανότητας του ασθενούς, την τεκμηρίωση και την επαλήθευση των στοιχείων ασφάλισης, την εκτίμηση του κόστους του ασθενούς, την επεξεργασία, την επανυποβολή και την προσφυγή αιτημάτων, και την πρόβλεψη και διαχείριση των απορρίψεων.

Αυτή η αυτοματοποίηση δεν μειώνει μόνο τα ανθρώπινα λάθη και τις καθυστερήσεις για τους ασθενείς, βοηθώντας στην πρόληψη των сюρπρισικών ιατρικών λογαριασμών, αλλά και απελευθερώνει το προσωπικό υγείας, αφαιρώντας τις χειροκίνητες, επαναλαμβανόμενες εργασίες完全 από το πιάτο τους – επιτρέποντας τους να επικεντρωθούν σε πιο απολαυστικές, απαιτητικές και αξιοδημοσιευτές εργασίες που κατευθύνονται προς την εμπειρία του ασθενούς.

Τι είναι τα διαφορετικά είδη αλγορίθμων ML που χρησιμοποιούνται;

Η AKASA χρησιμοποιεί τις ίδιες προσεγγίσεις ML που έκαναν τα αυτονομικά οχήματα δυνατά για να παρέχει στα συστήματα υγείας μια ενιαία λύση για την αυτοματοποίηση των επιχειρήσεων υγείας. Αυτή η προσέγγιση – κεντρική ML – επεκτείνει τις ικανότητες της αυτοματοποίησης για να αναλάβει πιο σύνθετο έργο σε κλίμακα.

Αναπτύσσουμε αλγόριθμους state-of-the-art σε υπολογιστική όραση, φυσική γλώσσα και δομημένα προβλήματα δεδομένων. Το πλαίσιο μας ξεκινά με υπολογιστική όραση-ενισχυμένη RPA και την ενισχύει με σύγχρονο AI, ML και έναν expert-in-the-loop για να παρέχει robust αυτοματοποίηση.

Για να παρέχουμε μια υψηλού επιπέδου επισκόπηση του πώς λειτουργεί, η ιδιοκτησιακή μας λύση πρώτα παρατηρεί πώς το προσωπικό υγείας ολοκληρώνει τις εργασίες τους. Η ομάδα μας στη συνέχεια etiquetάρει αυτά τα δεδομένα και τα χρησιμοποιεί για να εκπαιδεύσει τους αλγόριθμους μας, ώστε η τεχνολογία μας να κατανοήσει και να μάθει πώς λειτουργούν το προσωπικό υγείας και τα συστήματά τους. Από εκεί, το πλαίσιο μας εκτελεί αυτές τις ροές εργασιών αυτόνομα. Τέλος, χρησιμοποιούμε experts-in-the-loop που μπορούν να πηδήξουν μέσα όποτε το σύστημα σηματοδοτεί outliers ή εξαιρέσεις. Το AI συνεχίζει να μαθαίνει από αυτές τις εμπειρίες, επιτρέποντας του να αναλάβει πιο σύνθετες εργασίες με το χρόνο.

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

Η σκληρή αλήθεια είναι ότι η RPA είναι μια δεκαετίες παλιά τεχνολογία που είναι εύθραυστη με πραγματικά όρια στις ικανότητές 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 πέφτουν ngắn είναι ότι η ζωή είναι σύνθετη και αλλάζει συνεχώς.

Η βασική προσέγγιση της RPA είναι η κατασκευή ενός ρομπότ (bot) για κάθε πρόβλημα ή μονοπάτι που θέλετε να λύσετε. Ένας άνθρωπος (συνεργάτης ή μηχανικός) χτίζει ένα ρομπότ για να λύσει ένα συγκεκριμένο πρόβλημα. Αυτή η λύση ρομπότ αντικαθιστά μια σειρά βημάτων. Κοίταξε στην οθόνη, πήρε δράση και την επανέλαβε.

Το πρόβλημα που συχνά εμφανίζεται είναι ότι μια αλλαγή στον κόσμο, όπως μια τροποποίηση ενός κομματιού λογισμικού ή UI, μπορεί να προκαλέσει την κατάρρευση 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. Κάνωντας αυτό, τελικά θα έχετε πολλά ρομπότ, όλα ολοκληρώνουν πολύ μικρές δράσεις που δεν απαιτούν πολλή δεξιότητα.

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 – μια διαλόγου θυρίδα θα εμφανιστεί ή ένα νέο είδος εισόδου θα συμβεί. Το αποτέλεσμα είναι η δαπανηρή συντήρηση για να διατηρήσετε αυτά τα bots. Σύμφωνα με έρευνα από το Forrester, για κάθε 1 δολάριο που δαπανώνται σε RPA, επιπλέον 3,41 δολάρια δαπανώνται σε πόρους συμβούλων.

Με άλλα λόγια, το πραγματικό λογισμικό για RPA δεν είναι η κύρια δαπάνη. Η μεγαλύτερη επένδυση σε κόστος 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 ικανότητες 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), αναβιβάζεται σε έναν άνθρωπο στο loop αντί. Οι άνθρωποι etiquetάρουν αυτά τα παραδείγματα και αναγνωρίζουν περιπτώσεις που δεν αντιμετωπίζονται από το τρέχον μοντέλο. Όταν γίνεται αυτό, και το AI το έκανε σωστά, αυτό είναι μια καλά λειτουργούσα εργασία.

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

Με το χρόνο, το μοντέλο ML χτίζει ανθεκτικότητα σε αυτές τις νέες περιπτώσεις ακρών. Αυτό οδηγεί σε ένα σύστημα που είναι robust και ευέλικτο σε νέες outliers ή εξαιρέσεις, και το σύστημα γίνεται ισχυρότερο με το χρόνο. Αυτό σημαίνει ότι η αυτοματοποίηση γίνεται καλύτερη και καλύτερη και η παρέμβαση του ανθρώπου θα μειωθεί με το χρόνο.

Η ύπαρξη ανθρώπινων εμπειρογνωμόνων στο loop είναι κρίσιμη για να κάνει το AI πιο έξυπνο, πιο γρήγορο και καλύτερο. Χρειαζόμαστε ανθρώπους για να εκπαιδεύσουν σωστά το AI και να διασφαλίσουμε ότι μπορεί να χειριστεί τις outliers που είναι αναπόφευκτο μέρος κάθε βιομηχανίας – και ειδικά σε ένα δυναμικό πεδίο όπως η υγεία.

Θα μπορούσατε να συζητήσετε πώς λειτουργεί η λύση human-in-the-loop της AKASA Unified Automation και τι είναι κάποιες από τις κύριες περιπτώσεις χρήσης για αυτή τη πλατφόρμα;

Η Unified Automation είναι μια πλατφόρμα που έχει κατασκευαστεί 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 keine συντήρηση ή εξαιρέσεις.

Έχει σχεδιαστεί 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 διαφοροποιεί από άλλες λύσεις στην αγορά και επιτρέπει στην πλατφόρμα να συνεχίσει να μαθαίνει και να βελτιώνεται.

Η Unified Automation προσαρμόζεται επίσης στη δυναμική φύση της βιομηχανίας υγείας. Είναι μια ολοκληρωμένη, εξατομικευμένη λύση που βοηθά να μειώσει τα λειτουργικά κόστη, να ανυψώσει το προσωπικό για να αντιμετωπίσουν πιο απολαυστικές εργασίες που απαιτούν ανθρώπινη αφή, και να βελτιώσει την είσπραξη εσόδων για τα συστήματα υγείας, ενώ επίσης βελτιώνει την οικονομική εμπειρία του ασθενούς.

Εδώ είναι πώς λειτουργεί η Unified Automation:

Ιδιοκτησιακό λογισμικό παρατηρεί: Το εργαλείο μας Worklogger™ παρατηρεί απόμακρως πώς το προσωπικό υγείας ολοκληρώνει τις εργασίες τους. Στη συνέχεια, η ομάδα μας etiquetάρει αυτά τα δεδομένα και τα τροφοδοτεί στο αυτοματοποίησή μας για να παρέχει μια ολοκληρωμένη άποψη των τρεχουσών ροών εργασιών και διαδικασιών. Αυτό οδηγεί σε υψηλότερη ορατότητα στην απόδοση του προσωπικού, θεμελιώδη δεδομένα για τις ροές εργασιών για να ενεργοποιήσει την αυτοματοποίησή μας, και μια ακριβή ανάλυση χρόνου-ανά-εργασία.

AI εκτελεί: Μετά την παρατήρηση και μάθηση των ροών εργασιών του προσωπικού υγείας, το AI μας εκτελεί αυτές τις εργασίες αυτόνομα. Συνεχίζει να μαθαίνει από προβλήματα και περιπτώσεις ακρών που συναντά, αναλαμβάνοντας πιο σύνθετες εργασίες με το χρόνο. Η Unified Automation καθηλώθηκε στο work queue – αναθέτοντας τον εαυτό της σε εφαρμόσιμες εργασίες και ολοκληρώνοντάς τες χωρίς να διαταράξει την ομάδα. Αυτόματα βελτιστοποιεί τις διαδικασίες, ώστε δεν απαιτείται καμία εγκατάσταση ή παρέμβαση από το προσωπικό.

Εμπειρογνωμόνων εξασφαλίζει: Το σύστημα σηματοδοτεί αυτόματα την ομάδα μας από εμπειρογνώμονες ιατρικής χρέωσης για να χειριστούν εξαιρέσεις και outliers, εκπαιδεύοντας το 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 το χρόνο και η δουλειά πάντα ολοκληρώνεται.

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

Έχουμε μια έρευνα-πρώτη προσέγγιση, η οποία σημαίνει ότι οι πελάτες μας έχουν πρόσβαση σε leading-edge τεχνολογία. Είμαστε δεσμευμένοι να δημοσιεύουμε την έρευνά μας για το AI και τις προσεγγίσεις μας σε peer-reviewed εκδόσεις για να ορίσουμε συνεχώς νέες state-of-the-art προδιαγραφές για το AI στις επιχειρήσεις υγείας και να οδηγήσουμε όλη την βιομηχανία μας προς τα εμπρός.

Για παράδειγμα, η έρευνά μας έχει παρουσιαστεί στην Διεθνή Διάσκεψη για τη Μηχανική Μάθηση (ICML), το Συνέδριο για την Προσέγγιση της Φυσικής Γλώσσας (NLP) και τη Διάσκεψη για τη Μηχανική Μάθηση για την Υγεία (MLHC), μεταξύ άλλων. Παίρνουμε μια πολύ-disciplined προσέγγιση για το тест των μοντέλων μας και τη σύγκριση της απόδοσης τους με τις state-of-the-art προσεγγίσεις AI στην αγορά.

Η λύση μας για προβλέψιμες απορρίψεις πιστεύεται ότι είναι το πρώτο δημοσιευμένο σύστημα που βασίζεται σε deep learning που μπορεί να προβλέψει με ακρίβεια ιατρικές αξιώσεις απορρίψεων περισσότερο από 22% σε σύγκριση με τις υπάρχουσες βάσεις. Το μοντέλο μας Read, Attend, Code για την αυτόνομη κωδικοποίηση ιατρικών αιτημάτων από κλινικές σημειώσεις έχει αναγνωριστεί ως η ορισμός μιας νέας state-of-the-art για την βιομηχανία και υπερέβη τις τρέχουσες μοντέλα κατά 18% – ξεπερνώντας την παραγωγικότητα των ανθρώπινων κωδικοποιητών. Πιστεύουμε ότι αυτές οι καινοτομίες 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 το AI στην υγεία, αλλά όταν έρχεται η ώρα, οι εταιρείες μπορούν να υπερβελτιώσουν το τι μπορεί πραγματικά να κάνει η τεχνολογία τους. Είναι πολύ πιο δύσκολο να διεξαγάγετε έρευνα για να επικυρώσετε τι κάνουν οι αλγόριθμοι – και είμαστε υπερήφανοι 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 το AI.

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