Varun Ganapathi, CTO & Co-Founder της AKASA – Σειρά Συνεντεύξεων

O 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 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 δούλεψατε στην αυτονομία ελικοπτέρων;

Όταν σπούδαζα φυσική ως προπτυχιακός στο Stanford, ήταν επίσης πολύ ενδιαφερόμενος 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 οποιαδήποτε ψηφιακή φαινόμενο.

Για αυτό το συγκεκριμένο έργο, είχαμε ένα 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 έπαιρναν και το έκαναν να κάνει κόλπα, όπως να κρέμεται ανάποδα. Ενώ αυτό είναι πολύ δύσκολο να κάνεις, θέλαμε να δημιουργήσουμε einen ML αλγόριθμο που θα μπορούσε να μάθει από τους ανθρώπους πώς να πετάξει αυτό το ελικόπτερο αυτονομία.

Δημιουργήσαμε einen φυσικό προσομοιωτή που βασίζονταν στο πραγματικό ελικόπτερο και einen ML αλγόριθμο που έμαθε πώς να προβλέψει τις κινήσεις του. Στη συνέχεια, εφαρμόσαμε την ενίσχυση 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, δούλεψατε στην Google Books, θα μπορούσατε να συζητήσετε τον αλγόριθμο που δούλεψατε και πώς η εταιρεία σας αγοράστηκε από την Google;

Διηύθυνα μια 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 πληρώνε όλους αυτούς τους ανθρώπους για να etiquete πληροφορίες σχετικά με τα βιβλία, όπως σελίδες, πίνακες περιεχομένων, πνευματικά δικαιώματα, κ.λπ. – một πολύ χρονοβόρο 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 οι περισσότερες σφάλματα οφείλονταν σε ανθρώπινα λάθη με χειροκίνητη ετικέτα.

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 πιο συνεχώς, ενώ ακόμη χειρίζεται περιπτώσεις ακραίων.

Από εκεί, αποφάσισα να κάνω einen Ph.D. στο Stanford, επικεντρωμένος στη ML και πιο θεωρητικά έγγραφα στο πρώτο μέρος. Για τη διδακτορική μου διατριβή, ανέπτυξα einen αλγόριθμο για να thực hiện πραγματικό χρόνο κίνησης capture όπου ένας υπολογιστής μπορεί να παρακολουθήσει την κίνηση όλων των ανθρώπινων αρθρώσεων σε πραγματικό χρόνο από μια βάθους κάμερα. Αυτό ήταν η βάση για την πρώτη μου εταιρεία, Numovis, η οποία επικεντρώθηκε στην κίνηση και την όραση υπολογιστή για την αλληλεπίδραση του χρήστη. Αγοράστηκε από την Google.

Όλη μου η πορεία από το έργο του ελικοπτέρου στο Google Books στα αυτονομία οχήματα και τώρα στις λειτουργίες υγείας δείχνει πόσο ισχυρά και γενικά 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 προδιαθέτουν λάθη, τα οποία μπορούν να οδηγήσουν σε άσκοπες πανδημικές οικονομικές εμπειρίες για τους ασθενείς. Υπήρχε έλλειψη νέας τεχνολογίας στην διοικητική πλευρά και τίποτα δεν ήταν προορισμένο. 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 ανατεθούν οι πόρους εκεί όπου έχουν τη μεγαλύτερη σημασία.

Το σύστημα-αγνόητο, ευέλικτο πλαίσιο μας εξυπηρετεί目前 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% του συνολικού 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 αυτοματοποιούμε το ένα-ένα.

Τι είναι κάποια από τα καθήκοντα που η AKASA εξετάζει για αυτοματοποίηση στη 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 λειτουργίες υγείας. Η AKASA μπορεί να αυτοματοποιήσει και να ροηματοποιήσει τα καθήκοντα από το άκρο στο άκρο μέσα στη λειτουργία χρηματοδότησης της υγείας, συμπεριλαμβανομένης της επεξεργασίας και των πληρωμών. Συγκεκριμένα καθήκοντα που η AKASA αυτοματοποιεί περιλαμβάνουν τον έλεγχο της επιλεξιμότητας του ασθενούς, την τεκμηρίωση και την επαλήθευση των πληροφοριών ασφάλισης, την εκτίμηση του κόστους του ασθενούς, την επεξεργασία, την επανυποβολή και την προσφυγή αιτημάτων, και την πρόβλεψη και διαχείριση των απορρίψεων.

Είδος αυτοματοποίησης μειώνει nicht μόνο τα ανθρώπινα λάθη και τις καθυστερήσεις για τους ασθενείς, βοηθώντας στην πρόληψη των surprise ιατρικών λογαριασμών, αλλά και απελευθερώνει το προσωπικό υγείας, λαμβάνοντας τα χειροκίνητα, επαναλαμβανόμενα καθήκοντα εντελώς από το πιάτο τους – επιτρέποντας τους να επικεντρωθούν σε πιο απολαυστικά, προκλητικά και αξιοποιήσιμα καθήκοντα που κατευθύνονται προς την εμπειρία του ασθενούς.

Τι είναι οι διάφοροι τύποι αλγορίθμων ML που χρησιμοποιούνται;

Η AKASA χρησιμοποιεί τις ίδιες προσεγγίσεις ML που έκαναν τα αυτονομία οχήματα δυνατά για να παρέχει στα συστήματα υγείας μια seule 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 state-of-the-art σε υπολογιστική όραση, φυσική κατανόηση γλώσσας και δομημένα προβλήματα δεδομένων. Η πλατφόρμα μας ξεκινά με υπολογιστική όραση-δυναμική RPA και την ενισχύει με σύγχρονη AI, ML και expert-in-the-loop για να παρέχει robust 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 etiquete 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 αυτά τα workflows αυτονομία. Τέλος, χρησιμοποιούμε experts-in-the-loop που μπορούν να πηδήξουν μέσα 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 (συνεργάτης ή μηχανικός) κατασκευάζει ένα ρομπότ για να λύσει ένα συγκεκριμένο πρόβλημα. Αυτή η λύση ρομπότ λαμβάνει τη θέση μιας σειράς βημάτων. Κοίταξε μια οθόνη, πήρε δράση και επαναλάβετε το.

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 – μια διαλόγου θα εμφανιστεί 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 δαπανώνται σε RPA, ένας 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 etiquete 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 επαναπαιδεύει τους αλγόριθμους ML για να χειριστούν αυτή τη νέα κατάσταση.

Με την πάροδο του χρόνου, το μοντέλο ML χτίζει ανθεκτικότητα σε αυτές τις νέες περιπτώσεις ακραίων. Αυτό οδηγεί σε ένα σύστημα που είναι robust και ευέλικτο σε νέες περιπτώσεις ακραίων 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 περιπτώσεις ακραίων που είναι αναπόφευκτες σε οποιοδήποτε βιομηχανία – 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 τα πρωτεύοντα 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 εξαιρέσεις ουράς.

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 ανυψώσει το 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:

Προπριetary λογισμικό παρατηρεί: Το εργαλείο μας Worklogger™ παρατηρεί απόμακρως πώς το προσωπικό υγείας ολοκληρώνει τα καθήκοντα. Στη συνέχεια, η ομάδα μας etiquete αυτά τα δεδομένα και τα τροφοδοτεί στην αυτοματοποίηση μας για να παρέχει μια ολοκληρωμένη άποψη των τρεχόντων workflows 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 workflows του προσωπικού υγείας, η AI μας εκτελεί αυτά τα καθήκοντα αυτονομία. Συνεχίζει να μαθαίνει από προβλήματα και περιπτώσεις ακραίων που συναντά, αναλαμβάνοντας πιο σύνθετα καθήκοντα με την πάροδο του χρόνου. Η Unified Automation καθεδρίζεται στο work queue – 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 συνεχής 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;

Έχουμε μια έρευνα-πρώτη προσέγγιση, η οποία σημαίνει ότι οι πελάτες μας έχουν πρόσβαση σε leading-edge τεχνολογία. Είμαστε δεσμευμένοι να δημοσιεύουμε την AI και τις προσεγγίσεις μας σε αναθεωρημένα έγγραφα για να ορίσουμε συνεχώς новые state-of-the-art πρότυπα για την AI στις λειτουργίες υγείας και να οδηγήσουμε όλη την βιομηχανία μας.

Για παράδειγμα, η έρευνά μας έχει παρουσιαστεί στη Διεθνή Διάσκεψη για τη Μηχανική Μάθηση (ICML), το Συνέδριο για την Φυσική Κατανόηση Γλώσσας (NLP) 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 state-of-the-art προσεγγίσεις 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 περισσότερο από 22% σε σύγκριση με τις υπάρχουσες βάσεις. Το μοντέλο μας Read, Attend, Code για την αυτονομία κωδικοποίηση αιτημάτων υγείας από κλινικές σημειώσεις έχει αναγνωριστεί ως ορισμός ενός νέου state-of-the-art 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 υπερβολically 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.