Varun Ganapathi, AKASAn CTO ja Co-Perustaja – Haastattelusarja

Varun Ganapathi on AKASAn CTO ja Co-Perustaja, joka on kehittänyt tekoälyä terveydenhuollon sovelluksiin. AKASA auttaa terveydenhuolto-organisaatioita parantamaan toimintojaan, mukaan lukien tuloverkkonsa, lisätäkseen tulonsa, luodakseen tehokkuutta ja parantaakseen potilaskokemusta. Varun on onnistuneesti perustanut kaksi tekoälyyritystä ennen AKASAA, joista toinen on hankkinut Google (GOOGL ) ja toinen Udacity.

Olet ollut mukana monissa merkittävissä tekoälyprojekteissa, voitko kertoa meille joistakin varhaisimmista päivistäsi Stanfordin yliopistossa, jolloin työskentelit helikopterien tekemiseksi autonomisiksi?

Kun opiskelin fysiikkaa Stanfordin yliopistossa, olin myös kiinnostunut tietokoneista ja tekoälystä (ML). Tekoäly ja ML yhdistivät kaiken yhteen – se on itsestään toimiva tapa tehdä fysiikkaa digitaalisesti havaittavissa ilmiöissä.

Tässä erityisessä projektissa meillä oli helikopteri, joka näytti suurelta drone-lta, hieman pienemmältä kuin parivuode – aikana, jolloin dronet eivät olleet yleisiä. Ihmiset lensivät sen ja tekivät siinä temppuja, kuten leijumista ylösalaisin. Vaikka tämä on hyvin vaikeaa, halusimme kehittää tekoälyalgoritmin, joka voisi oppia ihmisiltä, miten lentää tätä helikopteria autonomisesti.

Luomme fysiikkasimulaattorin, joka perustui itse helikopteriin ja tekoälyalgoritmiin, joka oppi ennustamaan sen liikkeet. Sovelimme vahvistusoppimista simulaattorissa kehittääksesi ohjaimen, ottimme ohjelmiston ja lataimme sen itse helikopteriin. Kun käänsimme helikopterin päälle, se toimi heti! Helikopteri pystyi heti leijumaan ylösalaisin itsestään, mikä oli aika vaikuttavaa. Tiimi jatkoi työskentelemistä muiden temppujen automatisoimisessa tekoälyllä.

Voitko kertoa meille myös työstäsi Google Booksissa ja siitä, miten yrityksesi lopulta myytiin Googlelle?

Tein harjoittelun Googlella vuonna 2004, heti helikopteriprojektin jälkeen – silloin opiskelin edelleen Stanfordin yliopistossa. Tuolloin työskentelin Google Books -projektissa, jossa skannattiin kaikkia maailman kirjoja.

Google maksoi monille ihmisille, jotka merkinnät tietoja kirjoista, kuten sivuista, sisällysluetteloista, tekijänoikeuksista jne. – se oli hyvin aikaa vievä tehtävä. Halusin tietää, voitaisiinko tekoälyä käyttää tähän ja se toimi todella hyvin. Se suoritti jopa paremmin ja oli tarkin, kuin kun ihmiset tekivät sen, koska useimmat virheet johtuivat ihmisten virheistä manuaalisen merkitsemisen aikana.

Tämä sai minut todella innostumaan tekoälystä, koska se osoitti, että voit mennä ihmisen suorituskyvystä ylittävään suorituskykyyn – tekemällä arkisia tehtäviä vähemmän virheillä ja tasaisemmin, samalla kun käsitellään reunatapauksia.

Siitä lähtien päättelin tehdä väitöskirjan Stanfordin yliopistossa, keskittyen tekoälyyn ja teoreettisiin tutkimuksiin aluksi. Väitöskirjassani kehittelin algoritmin, joka pystyy tekemään liikkeenkaappauksen reaaliajassa tietokoneella ihmisen kaikkien nivelten liikkeiden perusteella syvyydenkameran avulla. Tämä oli perusta minun ensimmäiselle yritykselleni, Numovis, joka keskittyi liikkeenkaappaukseen ja tietokoneen näköön käyttäjän vuorovaikutuksessa. Se myytiin Googlelle.

Koko matkani helikopteriprojektista Google Booksiin, itseohjautuviin autoihin ja nyt terveydenhuollon toimintoihin osoitti minulle, miten voimakas ja yleispätevä tekoälyalgoritmi on.

Voitko kertoa meille AKASAn syntytarinaa?

Olemme rakentaneet AKASAn ratkaisemaan valtavan, syvään juurtuneen ongelman terveydenhuollon toiminnassa. Nämä toiminnot ovat sekä kalliita että virhealttiita, mikä voi johtaa turhaan paniikin aiheuttaviin rahoituksellisiin kokemuksiin potilaille. Terveydenhuollon hallinnon puolella ei ollut uutta teknologiaa, eikä mitään tarkoitukseen suunniteltua. Selvisi meille, että voitiin käyttää teknologiaa, kuten tekoälyä ja ML:ää, ratkaisemaan nämä toiminnalliset haasteet innovatiivisella tavalla. Kun puhuimme useiden terveydenhuoltojärjestelmien ja terveydenhuollon johtajien kanssa, he vahvistivat ajattelumme, mikä lopulta johti AKASAn perustamiseen vuonna 2019.

AKASAn tarkoituksena on ollut selvä alusta alkaen – mahdollistaa ihmisten terveys ja rakentaa terveydenhuollon tulevaisuutta tekoälyllä. Tapa, jolla päättelimme ottaa haasteen, on yhdistää ihmisen älymystö johtavaan tekoälyyn ja ML:ään, jotta terveydenhuoltojärjestelmät voivat vähentää toimintakustannuksia ja kohdentaa resursseja sinne, missä niitä eniten tarvitaan.

Järjestelmästä riippumaton, joustava alusta palvelee tällä hetkellä asiakaskuntaa, joka edustaa yli 475 sairaalaa ja terveydenhuoltojärjestelmää ja yli 8 000 ulkosairaalaa, kaikissa 50 osavaltiossa. Teknologiamme auttaa näitä organisaatioita, olivat he sitten käyttäjiä sähköisiä potilastietojärjestelmiä, kuten Epic, Cerner, muita sähköisiä potilastietojärjestelmiä tai kiinni- ja irrotettavia järjestelmiä, ja kaikkea siltä väliltä. Ja olemme tehneet sen vahvoilla tuloksilla.

Asiakaskuntamme edustaa yli 110 miljardin dollarin kokonaista potilasnettotuloa, mikä vastaa yli 10 %:ia kaikista terveydenhuoltojärjestelmien kulutuksista vuosittain Yhdysvaltain terveydenhuoltojärjestelmien mukaan. Ja AKASAn mallit ja algoritmit on koulutettu lähes 290 miljoonalla vaatimuksella ja maksulla.

Terveydenhuollon “näkymätön putkisto” on erittäin monimutkainen, mutta sillä on valtava vaikutus ihmisten terveyteen, ja me automatisoimme sitä vähitellen.

Mitä tehtäviä AKASA on katselemassa automatisoimalla terveydenhuollossa?

Erityinen asiantuntija-silmukka -lähestymistapa, Unified Automation, yhdistää ML:n ihmisen tuomalla asiantuntemukseen ja aihekohtaiseen osaamiseen, tarjotakseen vankkaa ja kestävää automaatiota terveydenhuollon toiminnassa. AKASA voi nopeasti ja tehokkaasti automatisoida ja suorittaa loppupään tehtäviä terveydenhuollon rahoitusfunktiossa, mukaan lukien laskujen käsittely ja maksut. Tarkasti määritellyt tehtävät, joita AKASA automatisoi, ovat potilaiden oikeudenmukaisuuden tarkistaminen, vakuutustietojen dokumentoiminen ja vahvistaminen, potilaiden kustannusten arvioiminen, muokkaaminen, uudelleenlaskutus ja valitukset, sekä hylkäysten ennustaminen ja hallinta.

Tämänkaltaisen automaation ansiosta ei vain vähennetä virheitä ja viivästyksiä potilaiden osalta, mikä auttaa estämään yllättäviä lääkärimaksuja, vaan se myös vapauttaa terveydenhuollon henkilöstön manuaalisista ja toistuvista tehtävistä – sallien heidän keskittyä hauskempiin, haasteellisempiin ja arvokkaampiin tehtäviin, jotka ovat suunnattuja potilaskokemukseen.

Mitä erilaisia tekoälyalgoritmeja käytetään?

AKASA käyttää samoja tekoälylähestymistapoja, jotka mahdollistivat itseohjautuvat autot, tarjotakseen terveydenhuoltojärjestelmille yhden ratkaisun terveydenhuollon toimintojen automatisoimiseksi. Tämä lähestymistapa – tekoälyyn keskittyen – laajentaa automaation kykyjä ottamaan monimutkaisemman työn suurella mittakaavalla.

Kehitämme alan huipputasoisia algoritmeja tietokoneen näön, luonnollisen kielen ymmärtämisen ja rakenteellisten ongelmien parissa. Alustamme alkaa tietokoneen näkövoimaisella RPA:lla ja parantaa sitä modernilla tekoälyllä ja asiantuntija-silmukalla, tarjotakseen vankkaa automaatiota.

Jotta voimme antaa yleiskatsauksen siitä, miten se toimii, omistautunut ratkaisumme havainnoi ensin, miten terveydenhuollon henkilöstö suorittaa tehtäviä. Tiimimme merkitsee tämän datan ja käyttää sitä kouluttamaan algoritmejamme, jotta teknologiamme voi ymmärtää ja oppia, miten terveydenhuollon henkilöstö ja heidän järjestelmänsä toimivat. Tämän jälkeen alustamme suorittaa nämä työnkulut autonomisesti. Lopulta käytämme asiantuntijoita, jotka voivat puuttua jokaisen poikkeuksen tai epätavallisen tapauksen käsittelyyn. Tekoäly jatkaa jatkuvasti oppimista näistä kokemuksista, mikä mahdollistaa sen ottaa vastaan monimutkaisempia tehtäviä ajan myötä.

Voitko keskustella ihmisen roolin merkityksestä silmukassa -lähestymistavassa ja miksi se on korvaamassa RPA:n?

Hard truth on, että RPA on vuosikymmeniä vanha teknologia, jolla on rajoitettu kyky. Se aina on jonkin verran arvoa automatisoimalla yksinkertaista, erillistä ja lineaarista työtä. Mutta syy siihen, että automaatioyritykset usein jäävät heidän tavoitteidensa alapuolelle, on se, että elämä on monimutkainen ja aina muuttuva.

RPA:n peruslähestymistapa on rakentaa robotti (botti) jokaiselle ongelmanratkaisuun tai polkuun, jonka haluat ratkaista. Ihminen (konsultti tai insinööri) rakentaa robotin ratkaisemaan tiettyä ongelmaa. Tämä robotti korvaa sarjan askelia. Se tarkastelee ruutua, tekee toiminnon ja toistaa sen.

Ongelma, joka usein esiintyy, on, että maailmanmuutos, kuten ohjelmistoon tai käyttöliittymään tehty muutos, voi aiheuttaa botin murtumisen. Kuten tiedämme, teknologia on jatkuvasti kehittyvä, luoden dynaamisia ympäristöjä. Tämä tarkoittaa, että RPA-robotit usein epäonnistuvat.

Toinen ongelma näillä botilla on, että sinun on luotava yksi jokaiselle tilanteelle, jonka haluat ratkaista. Tekemällä tämän, lopputuloksena on useita botteja, jotka suorittavat hyvin yksinkertaisia tehtäviä, joita ei vaadita paljon taitoa.

Se on kuin whack-a-mole -peli. Jokaisena päivänä kohtaat todennäköisyyden, että yksi niistä menee rikki, koska jokin ohjelmisto on muuttunut tai jotain epätavallista tapahtuu – vuorovaikutusikkuna tulee esiin tai uudenlainen syöte tapahtuu. Tuloksena on kalliit ylläpitokustannukset pitääkseen nämä botit toiminnassa. Forresterin tutkimuksen mukaan jokaiselle RPA:han käytetylle dollarille kuluu 3,41 dollaria konsulttiresursseihin.

Toisin sanoen RPA-ohjelmisto itsessään ei ole suurin kustannus. Suurempi kustannuspanostus on kaikki se työ, jonka on tehtävä pitääkseen RPA:n aina toiminnassa. Monet organisaatiot eivät ottaa huomioon tätä jatkuvaan kustannukseen.

Koska elämä on monimutkainen ja jatkuvasti muuttuva, paljon työtä jää RPA:n kykyjen ulottumattomiin, ja siinä tekoäly tulee kuvaan. Tekoäly mahdollistaa meidän automatisoida haasteellisen työn. Uskomme, että erityinen kastike on ihmiset, jotka parantavat algoritmeja opettamalla niitä.

Kun algoritmi ei ole varma siitä, mitä se pitäisi tehdä (alhainen luottamus), se siirretään ihmiseen silmukassa sen sijaan. Ihmiset merkitsevät nämä esimerkit ja tunnistavat tapaukset, joita nykyinen malli ei käsittele. Kun tämä on tehty, ja kone on saanut oikein, se on hyvin toimiva tehtävä.

Jokainen tehtävä, jossa ihminen kiinnittää virheen, on tapaus, jossa kone ei toimi oikein. Tässä tapauksessa data lisätään tietokantaamme, joka kouluttaa uudelleen ML-malleja käsittelemään tämän uuden tilanteen.

Ajan myötä ML-malli kehittää kestävyyttä näille uusille reunatapauksille. Tämä johtaa järjestelmään, joka on vankka ja joustava uusille poikkeuksille, ja järjestelmästä tulee vahvempi ajan myötä. Tämä tarkoittaa, että automaatio paranee ja paranee, ja ihmisen väliintulo vähenee ajan myötä.

Ihmisten asiantuntijoiden sisällyttäminen silmukkaan on kriittinen tekijä tekoälyn tehokkuuden, nopeuden ja laadun parantamisessa. Tarvitsemme ihmisiä kouluttamaan tekoälyä oikein ja varmistamaan, että se voi käsitellä poikkeuksia, jotka ovat välttämättömiä minkä tahansa alan osalle – ja erityisesti dynaamisessa alalla, kuten terveydenhuollossa.

Miten AKASAn ihmisen silmukka -ratkaisu Unified Automation toimii, ja mitkä ovat sen pääasialliset käyttötarkoitukset?

Unified Automation on alusta, joka on suunniteltu terveydenhuollon tarpeisiin. Se yhdistää tekoälyä, ML:ää ja tiimimme lääkärintodistuksien asiantuntijoita luodakseen yhtenäisen, mukautuvan ratkaisun, joka auttaa näkemään arvon nopeammin, lähes ilman ylläpitoa tai poikkeusjonoon.

Se on suunniteltu poikkeuksia ja reunatapauksia silmällä pitäen. Jos se kohtaa jotain uutta, alusta merkitsee ongelman AKASAn tiimille, joka ratkaisee sen, kun järjestelmä oppii toimista, joita he tekevät. Se on ihmisen elementti, joka erottaa meidät muista markkinoiden ratkaisuista ja sallii alustan jatkuvan oppimisen ja parantamisen.

Unified Automation mukautuu myös terveydenhuollon alan dynaamiseen luonteeseen. Se on yhtenäinen, mukautuva ratkaisu, joka auttaa vähentämään toimintakustannuksia, korottaa henkilöstöä haasteellisempiin tehtäviin, jotka vaativat ihmisen kosketusta, ja parantaa tulonsaamista terveydenhuoltojärjestelmissä, samalla kun se parantaa potilaiden rahoituskokemusta.

Tässä on, miten Unified Automation toimii:

Omistautunut ohjelmisto havainnoi: Työlogger-työkalumme havainnoi etäältä, miten terveydenhuollon henkilöstö suorittaa tehtäviä. Tiimimme merkitsee tämän datan ja syöttää sen automaatioon antaakseen kattavan katsauksen nykyisistä työnkuluista ja prosesseista. Tämä johtaa suurempaan näkyvyyteen henkilöstön suorituskyvystä, perustavanlaatuiseen dataan työnkuluista voimakkaan automaation voimakkaaksi ja tarkan ajan määritykseen tehtävien suorittamiseksi.

AI suorittaa: Havainnon ja oppimisen jälkeen terveydenhuollon henkilöstön työnkuluista, AI suorittaa nämä tehtävät autonomisesti. Se jatkaa oppimista ongelmista ja reunatapauksista, joita se kohtaa, ottaen monimutkaisempia tehtäviä vastaan ajan myötä. Unified Automation sijaitsee jonon yläpuolella – määrittäen itselleen soveltuvat tehtävät ja suorittaa ne ilman, että se häiritsee tiimiä. Se optimoi myös prosesseja automaattisesti, joten henkilöstöltä ei vaadita asetuksia tai puuttumista.

Ihmisen asiantuntijuus varmistaa: Järjestelmä merkitsee automaattisesti tiimimme lääkärintodistuksien asiantuntijoita käsittelemään poikkeuksia ja reunatapauksia, kouluttaen AI:ta reaaliajassa, kun he työskentelevät. Tämä on asiantuntija-silmukka. Jatkuvan oppimisen ansiosta Unified Automation -alusta paranee ja tulee tehokkaammaksi ajan myötä, ja työ tehdään aina.

Onko jotain muuta, mitä haluaisit jakaa AKASasta?

Mme tutkimuslähestymistapa, joka tarkoittaa, että asiakkaidemme on pääsy viimeisimpiin teknologioihin. Olemme sitoutuneet julkaisemaan tekoälyämme ja -lähestymistapaamme tieteellisissä julkaisuissa jatkuvasti asettamaan uusia huipputasoisia standardeja tekoälylle terveydenhuollon toiminnassa ja johtamaan koko alaa eteenpäin.

Esimerkiksi tutkimuksemme on esitetty kansainvälisessä tekoälykonferenssissa (ICML), luonnollisen kielen ymmärtämisen konferenssissa (NLP) ja tekoälykonferenssissa terveydenhuollossa (MLHC), muun muassa. Olemme ottaneet hyvin kurinalaisen lähestymistavan testaamaan mallejamme ja vertaamaan niiden suorituskykyä markkinoiden huipputasoisimpiin tekoälylähestymistapoihin.

Prediktivi deniaaliratkaisumme uskotaan olevan ensimmäinen julkaistu syvän oppimisen perustuva järjestelmä, joka voi ennustaa lääkärimaksujen hylkäyksiä yli 22 % verrattuna olemassa oleviin perusviitoihin. Read, Attend, Code -mallimme autonomiselle lääkärintodistusten koodaukselle kliinisten muistiinpanojen perusteella on tunnustettu määrittäväksi uuden huipputason standardin alan osalle ja se ylittää nykyiset mallit 18 % – ylittäen ihmisten koodaajien tuottavuuden. Uskomme, että nämä takana olevat innovaatiot ovat kriittisiä Yhdysvaltain terveydenhuoltojärjestelmän parantamiseksi laajassa mittakaavassa ja ne tulevat jatkamaan edistysten ajamista ja räätälöityjä ratkaisujen luomista tähän tilaan.

On paljon meteliä tekoälystä terveydenhuollossa, mutta lopulta yritykset voivat yliarvioida, mitä heidän teknologiansa voi todella tehdä. On paljon vaikeampaa tehdä tutkimusta, jotta voidaan vahvistaa, mitä algoritmit tekevät – ja me ylpeydymme ottamasta tätä merkittävää, mutta haastavaa reittiä lopulta osoittamaan, että AKASAn Unified Automation -alusta tuo todellista ja merkittävää muutosta sairaaloille ja terveydenhuoltojärjestelmille.

Olemme innoissamme tulevaisuudesta ja siitä, mitä tulee tapahtumaan AKASAssa, kun rakennamme terveydenhuollon tulevaisuutta tekoälyllä.

Kiitos hienosta haastattelusta, lukijoille, jotka haluavat oppia enemmän, suosittelemme vierailemaan AKASAssa.