वरुण गणपति, सीटीओ और AKASA के सह-संस्थापक - साक्षात्कार श्रृंखला

वरुण गणपति सीटीओ और सह-संस्थापक हैं अकासा, स्वास्थ्य देखभाल अनुप्रयोगों के लिए एआई का डेवलपर। AKASA स्वास्थ्य सेवा संगठनों को राजस्व बढ़ाने, दक्षता बनाने और रोगी अनुभव को बढ़ाने के लिए राजस्व चक्र सहित संचालन में सुधार करने में मदद करता है। वरूण AKASA से पहले दो AI कंपनियां सफलतापूर्वक शुरू की हैं, एक को Google द्वारा और दूसरी को Udacity द्वारा अधिग्रहित किया गया था।

आपका मशीन लर्निंग में एक विशिष्ट करियर रहा है, क्या आप स्टैनफोर्ड में अपने शुरुआती दिनों के बारे में चर्चा कर सकते हैं जब आपने हेलीकॉप्टरों को स्वायत्त बनाने पर काम किया था?

जब मैं स्टैनफोर्ड में स्नातक के रूप में भौतिकी का अध्ययन कर रहा था, तो मुझे कंप्यूटर विज्ञान और मशीन लर्निंग (एमएल) में भी बहुत रुचि थी। मेरे लिए, एआई और एमएल ने सब कुछ एक में मिला दिया - यह वास्तव में किसी भी डिजिटलीकरण योग्य घटना पर भौतिकी करने का एक स्वचालित तरीका है।

इस एक विशेष परियोजना के लिए, हमारे पास यह हेलीकॉप्टर था जो एक बड़े ड्रोन जैसा दिखता था, जो कि एक जुड़वां गद्दे से थोड़ा छोटा था - उस समय जब ड्रोन प्रचलित नहीं थे। लोग इसे उड़ा रहे थे और इससे उलटा मंडराने जैसे करतब दिखा रहे थे। हालांकि ऐसा करना बहुत मुश्किल है, हम एक एमएल एल्गोरिदम बनाना चाहते थे जो इंसानों से सीख सके कि इस हेलीकॉप्टर को स्वायत्त रूप से कैसे उड़ाया जाए।

हमने एक भौतिकी सिम्युलेटर बनाया जो वास्तविक हेलीकॉप्टर और एक एमएल एल्गोरिदम पर आधारित था जिसने सीखा कि इसकी गतिविधियों की भविष्यवाणी कैसे की जाती है। फिर हमने एक नियंत्रक विकसित करने के लिए सिम्युलेटर के भीतर सुदृढीकरण सीखने को लागू किया, सॉफ्टवेयर लिया और इसे वास्तविक हेलीकॉप्टर में अपलोड किया। जब हमने हेलीकॉप्टर चालू किया, तो पहली कोशिश में ही यह काम करने लगा! हेलीकॉप्टर तुरंत अपने आप उल्टा मंडराने में सक्षम था, जो काफी प्रभावशाली था। टीम ने एमएल का उपयोग करके अन्य प्रकार की युक्तियों को स्वचालित करने पर काम करना जारी रखा।

आपने Google पुस्तकें में भी काम किया है, क्या आप उस एल्गोरिदम पर चर्चा कर सकते हैं जिस पर आपने काम किया था और आपकी कंपनी को अंततः Google द्वारा कैसे अधिग्रहित किया गया था?

मैंने वास्तव में 2004 में स्टैनफोर्ड में कक्षाएं लेते समय Google में इंटर्नशिप की थी - यह हेलीकॉप्टर परियोजना के ठीक बाद था। उस दौरान, मैं Google पुस्तकें प्रोजेक्ट के लिए ML लागू कर रहा था जहाँ हम दुनिया की सभी पुस्तकों को स्कैन कर रहे थे।

Google इन सभी लोगों को किताबों के बारे में जानकारी, जैसे पेज, सामग्री की तालिकाएँ, कॉपीराइट इत्यादि लेबल करने के लिए भुगतान कर रहा था - एक बहुत समय लेने वाला कार्य। मैं देखना चाहता था कि क्या हम ऐसा करने के लिए एमएल का उपयोग कर सकते हैं और इसने वास्तव में अच्छा काम किया। इसने वास्तव में बेहतर प्रदर्शन किया और जब मनुष्यों ने इसे किया था तब की तुलना में यह अधिक सटीक था क्योंकि अधिकांश त्रुटियां मैन्युअल लेबलिंग में मानवीय त्रुटि के कारण थीं।

इसने मुझे एमएल के बारे में वास्तव में उत्साहित कर दिया क्योंकि इससे पता चला कि आप मानवीय प्रदर्शन से अलौकिक प्रदर्शन तक जा सकते हैं - सांसारिक कार्यों को कम त्रुटियों के साथ और अधिक लगातार करते हुए भी किनारे के मामलों को संभाल सकते हैं।

वहीं से मैंने पीएचडी करने का फैसला किया। स्टैनफोर्ड में, सबसे पहले एमएल और अधिक सैद्धांतिक पेपरों पर ध्यान केंद्रित किया। अपनी थीसिस के लिए, मैंने वास्तविक समय गति कैप्चर करने के लिए एक एल्गोरिदम विकसित किया जहां एक कंप्यूटर एक गहराई वाले कैमरे से वास्तविक समय में सभी मानव जोड़ों की गति को ट्रैक कर सकता है। यह मेरी पहली कंपनी, न्यूमोविस का आधार था, जो उपयोगकर्ता इंटरैक्शन के लिए मोशन ट्रैकिंग और कंप्यूटर विज़न पर केंद्रित थी। इसे Google द्वारा अधिग्रहीत कर लिया गया था।

हेलीकॉप्टर प्रोजेक्ट से लेकर गूगल बुक्स से लेकर सेल्फ-ड्राइविंग कारों और अब हेल्थकेयर ऑपरेशन तक की मेरी पूरी यात्रा ने मुझे वास्तव में दिखाया कि मशीन लर्निंग एल्गोरिदम कितने शक्तिशाली और सामान्य हैं।

क्या आप AKASA के पीछे की उत्पत्ति की कहानी साझा कर सकते हैं?

हमने बनाया है अकासा स्वास्थ्य देखभाल कार्यों में एक व्यापक, गहराई से अंतर्निहित समस्या को ठीक करने के लिए। ये ऑपरेशन महंगे और त्रुटि-प्रवण दोनों हैं, जिससे मरीजों को अनावश्यक घबराहट पैदा करने वाले वित्तीय अनुभव हो सकते हैं। प्रशासनिक स्तर पर नई तकनीक का अभाव था और कुछ भी उद्देश्यपूर्ण नहीं बनाया जा रहा था। हमारे लिए यह स्पष्ट हो गया कि आप इन परिचालन चुनौतियों को अभिनव तरीके से हल करने के लिए एआई और एमएल जैसी तकनीक का उपयोग कर सकते हैं। जब हमने कई स्वास्थ्य प्रणालियों और स्वास्थ्य सेवा नेताओं से बात की, तो उन्होंने हमारी सोच को मान्य किया जिसके परिणामस्वरूप अंततः 2019 में AKASA की स्थापना हुई।

इसके साथ, AKASA का उद्देश्य शुरू से ही स्पष्ट रहा है - मानव स्वास्थ्य को सक्षम बनाना और AI के साथ स्वास्थ्य सेवा के भविष्य का निर्माण करना। जिस तरह से हमने इस चुनौती को लेने का फैसला किया है वह मानव बुद्धि को अग्रणी एआई और एमएल के साथ जोड़ना है ताकि स्वास्थ्य प्रणालियां परिचालन लागत को कम कर सकें और संसाधनों को आवंटित कर सकें जहां वे सबसे ज्यादा मायने रखते हैं।

हमारा सिस्टम-अज्ञेयवादी, लचीला प्लेटफ़ॉर्म वर्तमान में सभी 475 राज्यों में 8,000 से अधिक अस्पतालों और स्वास्थ्य प्रणालियों और 50 से अधिक बाह्य रोगी सुविधाओं का प्रतिनिधित्व करने वाले ग्राहक आधार की सेवा कर रहा है। हमारी तकनीक इन संगठनों की मदद करती है, चाहे वे इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड (ईएचआर) प्रदाताओं जैसे एपिक, सर्नर, अन्य ईएचआर, या बोल्ट-ऑन सिस्टम और इनके बीच की सभी चीज़ों का उपयोग कर रहे हों। और हमने इसे मजबूत परिणामों के साथ पूरा किया है।

हमारा ग्राहक आधार कुल शुद्ध रोगी राजस्व में $110 बिलियन से अधिक का प्रतिनिधित्व करता है, जो कि सभी अमेरिकी स्वास्थ्य प्रणाली के सालाना खर्च के 10% से अधिक के बराबर है। मेडिकेड और मेडिकेयर सेवाओं के लिए केंद्र. और AKASA के मॉडल और एल्गोरिदम को लगभग 290 मिलियन दावों और प्रेषण पर प्रशिक्षित किया गया है।

स्वास्थ्य देखभाल की अदृश्य पाइपलाइन बेहद जटिल है, लेकिन इसका मानव स्वास्थ्य पर बहुत अधिक प्रभाव पड़ता है, और हम इसे धीरे-धीरे स्वचालित कर रहे हैं।

ऐसे कौन से कार्य हैं जिन्हें AKASA स्वास्थ्य सेवा में स्वचालित करने पर विचार कर रहा है?

हमारा अद्वितीय विशेषज्ञ-इन-द-लूप दृष्टिकोण, यूनिफाइड ऑटोमेशन™, स्वास्थ्य देखभाल कार्यों के लिए मजबूत और लचीला स्वचालन प्रदान करने के लिए एमएल को मानव निर्णय और विषय वस्तु विशेषज्ञता के साथ जोड़ता है। AKASA बिल प्रोसेसिंग और भुगतान सहित हेल्थकेयर फाइनेंस फ़ंक्शन के भीतर एंड-टू-एंड कार्यों को जल्दी और कुशलता से स्वचालित और सुव्यवस्थित कर सकता है। AKASA द्वारा स्वचालित किए जाने वाले विशिष्ट कार्यों में रोगी की पात्रता की जांच करना, बीमा जानकारी का दस्तावेजीकरण और सत्यापन करना, रोगी की लागत का अनुमान लगाना, संपादन, पुनर्बिलिंग और दावों की अपील करना और इनकारों की भविष्यवाणी करना और प्रबंधित करना शामिल है।

इस प्रकार का स्वचालन न केवल मरीजों के लिए मानवीय त्रुटि और देरी को कम करता है, बल्कि आश्चर्यजनक चिकित्सा बिलों को रोकने में मदद करता है, बल्कि स्वास्थ्य देखभाल कर्मचारियों को मैन्युअल, दोहराए जाने वाले कार्यों को पूरी तरह से हटाकर मुक्त कर देता है - जिससे उन्हें अधिक फायदेमंद, चुनौतीपूर्ण और मूल्य पर ध्यान केंद्रित करने की अनुमति मिलती है। -रोगी के अनुभव की दिशा में निर्देशित कार्य उत्पन्न करना।

उपयोग किए जाने वाले विभिन्न प्रकार के मशीन लर्निंग एल्गोरिदम क्या हैं?

AKASA उसी मशीन लर्निंग दृष्टिकोण का उपयोग करता है जिसने स्वास्थ्य देखभाल कार्यों को स्वचालित करने के लिए एकल समाधान के साथ स्वास्थ्य प्रणालियों को प्रदान करने के लिए स्व-ड्राइविंग कारों को संभव बनाया है। यह दृष्टिकोण - एमएल पर केंद्रित - बड़े पैमाने पर अधिक जटिल कार्य करने के लिए स्वचालन की क्षमताओं का विस्तार करता है।

हम कंप्यूटर विज़न, प्राकृतिक भाषा समझ और संरचित डेटा समस्याओं के लिए अत्याधुनिक एल्गोरिदम विकसित करते हैं। हमारा प्लेटफ़ॉर्म कंप्यूटर विज़न-संचालित आरपीए से शुरू होता है और इसे मजबूत स्वचालन प्रदान करने के लिए आधुनिक एआई, एमएल और एक विशेषज्ञ-इन-द-लूप के साथ बढ़ाता है।

यह कैसे काम करता है इसका उच्च-स्तरीय अवलोकन प्रदान करने के लिए, हमारा स्वामित्व समाधान पहले यह देखता है कि स्वास्थ्य देखभाल कर्मचारी अपने कार्यों को कैसे पूरा करते हैं। हमारी टीम तब उस डेटा को लेबल करती है और इसका उपयोग हमारे एल्गोरिदम को प्रशिक्षित करने के लिए करती है ताकि हमारी तकनीक समझ सके और सीख सके कि स्वास्थ्य देखभाल कर्मचारी और उनके सिस्टम कैसे काम करते हैं। वहां से, हमारा प्लेटफ़ॉर्म उन वर्कफ़्लो को स्वायत्त रूप से निष्पादित करता है। अंत में, हम लूप में विशेषज्ञों का उपयोग करते हैं जो सिस्टम द्वारा आउटलेर्स या अपवादों को चिह्नित किए जाने पर इसमें शामिल हो सकते हैं। एआई लगातार उन अनुभवों से सीखता है, जिससे वह समय के साथ और अधिक जटिल कार्यों को करने में सक्षम हो जाता है।

क्या आप ह्यूमन-इन-द-लूप दृष्टिकोण के महत्व पर चर्चा कर सकते हैं और यह आरपीए को विस्थापित करने के लिए क्यों तैयार है?

कड़वी सच्चाई यह है कि आरपीए एक दशकों पुरानी तकनीक है जो अपनी क्षमताओं की वास्तविक सीमाओं के साथ नाजुक है। सरल, पृथक और रैखिक कार्य को स्वचालित करने में इसका हमेशा कुछ मूल्य होगा। हालाँकि, स्वचालन प्रयास अक्सर उनकी आकांक्षाओं से कम हो जाते हैं, इसका कारण यह है कि जीवन जटिल है और हमेशा बदलता रहता है।

आरपीए का मूल दृष्टिकोण प्रत्येक समस्या या पथ के लिए एक रोबोट (बॉट) बनाना है जिसे आप हल करना चाहते हैं। एक मानव (सलाहकार या इंजीनियर) एक विशिष्ट समस्या को हल करने के लिए एक रोबोट बनाता है। यह रोबोटिक समाधान चरणों के अनुक्रम का स्थान लेता है। यह स्क्रीन को देखता है, कार्रवाई करता है और उसे दोहराता है।

समस्या जो अक्सर होती है वह यह है कि दुनिया में कोई भी बदलाव, जैसे सॉफ़्टवेयर के किसी हिस्से या यूआई में संशोधन, बॉट के टूटने का कारण बन सकता है। जैसा कि हम जानते हैं, प्रौद्योगिकी लगातार विकसित हो रही है, गतिशील वातावरण बना रही है। इसका मतलब यह है कि आरपीए रोबोट अक्सर विफल हो जाते हैं।

इन बॉट्स के साथ एक और समस्या यह है कि आपको हर उस स्थिति के लिए एक बॉट्स बनाने की आवश्यकता है जिसे आप हल करना चाहते हैं। ऐसा करने पर, आपके पास कई रोबोट बन जाते हैं, जो सभी बहुत छोटे-छोटे कार्य करते हैं जिनके लिए अधिक कौशल की आवश्यकता नहीं होती है।

यह व्हेक-ए-मोल के खेल की तरह है। हर दिन आपको इस संभावना का सामना करना पड़ता है कि उनमें से एक टूट जाएगा क्योंकि सॉफ़्टवेयर का एक टुकड़ा बदलने वाला है या कुछ असामान्य घटित होगा - एक संवाद बॉक्स पॉप अप होगा या एक नए प्रकार का इनपुट आएगा। परिणामस्वरूप इन बॉट्स को चालू रखने के लिए रखरखाव महंगा पड़ता है। फॉरेस्टर के शोध के अनुसार, आरपीए पर खर्च किए गए प्रत्येक $1 के लिए, परामर्श संसाधनों पर अतिरिक्त $3.41 खर्च किया जाता है।

दूसरे शब्दों में, आरपीए के लिए वास्तविक सॉफ्टवेयर की अधिकांश लागत नहीं है। अधिक महत्वपूर्ण लागत वाला निवेश वह सारा कार्य है जो आपको आरपीए को हर समय चालू रखने के लिए करना होता है। कई संगठन उस चल रही लागत का हिसाब नहीं देते हैं।

चूंकि जीवन का अधिकांश हिस्सा जटिल है और लगातार विकसित हो रहा है, बहुत सारा काम आरपीए की क्षमताओं से बाहर है, जहां एमएल आता है। एमएल हमें कठिन चीजों को स्वचालित करने में सक्षम बनाता है। और हमारा मानना ​​है कि विशेष सॉस मनुष्य हैं जो उन्हें सिखाकर एल्गोरिदम में सुधार करते हैं।

जब एल्गोरिदम इस बारे में निश्चित नहीं होता है कि उसे क्या करना चाहिए (कम आत्मविश्वास), तो इसके बजाय इसे ह्यूमन-इन-द-लूप में बदल दिया जाता है। मनुष्य उन उदाहरणों को लेबल करते हैं और उन मामलों की पहचान करते हैं जिन्हें वर्तमान मॉडल द्वारा नियंत्रित नहीं किया जाता है। जब यह हो जाता है, और एआई ने इसे सही कर लिया है, तो यह एक अच्छी तरह से कार्य करने वाला कार्य है।

प्रत्येक कार्य जहां मनुष्य को कोई समस्या आती है, वह ऐसा मामला है जहां मशीन उसे ठीक से नहीं संभाल रही है। इस मामले में, डेटा हमारे डेटा सेट में जोड़ा जाता है, जो इस नई स्थिति को संभालने के लिए एमएल मॉडल को फिर से प्रशिक्षित करता है।

समय के साथ, एमएल मॉडल इन नए किनारे के मामलों में लचीलापन बनाता है। इसके परिणामस्वरूप एक ऐसी प्रणाली बनती है जो नए आउटलेर्स या अपवादों के लिए मजबूत और लचीली होती है, और प्रणाली समय के साथ मजबूत होती जाती है। इसका मतलब है कि स्वचालन बेहतर से बेहतर होता जाएगा और समय के साथ मानवीय हस्तक्षेप कम हो जाएगा।

एआई को अधिक स्मार्ट, तेज और बेहतर बनाने के लिए मानव विशेषज्ञों का शामिल होना महत्वपूर्ण है। हमें एआई को ठीक से प्रशिक्षित करने और यह सुनिश्चित करने के लिए मनुष्यों की आवश्यकता है कि यह उन बाहरी कारकों को संभाल सके जो किसी भी उद्योग का एक अनिवार्य हिस्सा हैं - और विशेष रूप से स्वास्थ्य सेवा जैसे गतिशील क्षेत्र में।

AKASA का ह्यूमन-इन-द-लूप समाधान यूनिफ़ाइड ऑटोमेशन™ कैसे काम करता है, और इस प्लेटफ़ॉर्म के लिए कुछ प्राथमिक उपयोग के मामले क्या हैं?

यूनिफ़ाइड ऑटोमेशन स्वास्थ्य सेवा के उद्देश्य से बनाया गया एक प्लेटफ़ॉर्म है। एआई, एमएल और मेडिकल बिलिंग विशेषज्ञों की हमारी टीम का उपयोग करके, यह एक निर्बाध रूप से एकीकृत, अनुकूलित समाधान बनाता है जो आपको बिना किसी रखरखाव या अपवाद कतार के तेजी से मूल्य देखने में मदद करता है।

इसे अपवादों और आउटलेर्स को ध्यान में रखकर डिज़ाइन किया गया है। यदि उसे कुछ नया मिलता है, तो प्लेटफ़ॉर्म समस्या को AKASA के विशेषज्ञों की टीम को भेजता है जो इसे हल करते हैं जबकि सिस्टम उनके द्वारा की गई कार्रवाइयों से सीखता है। यह वह मानवीय तत्व है जो हमें बाज़ार में अन्य समाधानों से अलग करता है और प्लेटफ़ॉर्म को लगातार सीखने और सुधार करने की अनुमति देता है।

यूनिफ़ाइड ऑटोमेशन भी स्वास्थ्य सेवा उद्योग की गतिशील प्रकृति के अनुकूल है। यह एक निर्बाध रूप से एकीकृत, अनुकूलित समाधान है जो परिचालन लागत को कम करने में मदद करता है, कर्मचारियों को अधिक फायदेमंद काम करने के लिए प्रेरित करता है जिसके लिए मानवीय स्पर्श की आवश्यकता होती है, और स्वास्थ्य प्रणालियों के लिए राजस्व कैप्चर में सुधार करता है, साथ ही रोगी के वित्तीय अनुभव में भी सुधार करता है।

यहां बताया गया है कि एकीकृत स्वचालन कैसे काम करता है:

मालिकाना सॉफ्टवेयर देखता है: हमारा वर्कलॉगर™ टूल दूर से देखता है कि स्वास्थ्य देखभाल कर्मचारी अपने कार्यों को कैसे पूरा करते हैं। फिर हमारी टीम उस डेटा को लेबल करती है और वर्तमान वर्कफ़्लो और प्रक्रियाओं का व्यापक दृश्य प्रदान करने के लिए इसे हमारे स्वचालन में फीड करती है। इसके परिणामस्वरूप कर्मचारियों के प्रदर्शन में उच्च दृश्यता, हमारे स्वचालन को शक्ति देने के लिए वर्कफ़्लो पर मूलभूत डेटा और सटीक समय-प्रति-कार्य विश्लेषण होता है।

एआई प्रदर्शन करता है: स्वास्थ्य देखभाल कर्मचारियों के कार्यप्रवाह को देखने और सीखने के बाद, हमारा एआई इन कार्यों को स्वायत्त रूप से करता है। यह लगातार समस्याओं और कठिन मामलों से सीखता रहता है और समय के साथ अधिक जटिल कार्य करता है। यूनिफ़ाइड ऑटोमेशन कार्य कतार में ऊपर की ओर बैठता है - स्वयं को लागू कार्य सौंपता है और टीम को बाधित किए बिना उन्हें पूरा करता है। यह प्रक्रियाओं को स्वचालित रूप से अनुकूलित भी करता है इसलिए कर्मचारियों से किसी सेट-अप या हस्तक्षेप की आवश्यकता नहीं होती है।

मानव विशेषज्ञता सुनिश्चित करती है:  सिस्टम स्वचालित रूप से अपवादों और आउटलेर्स को संभालने के लिए मेडिकल बिलिंग विशेषज्ञों की हमारी टीम को चिह्नित करता है, एआई को काम करते समय वास्तविक समय में प्रशिक्षित करता है। यह एक्सपर्ट-इन-द-लूप भाग है। निरंतर सीखने के साथ, यूनिफ़ाइड ऑटोमेशन प्लेटफ़ॉर्म समय के साथ स्मार्ट और अधिक कुशल हो जाता है और काम हमेशा पूरा हो जाता है।

क्या कुछ और है जो आप AKASA के बारे में साझा करना चाहेंगे?

हमारा दृष्टिकोण अनुसंधान-प्रथम है जिसका अर्थ है कि हमारे ग्राहकों के पास अग्रणी प्रौद्योगिकी तक पहुंच है। हम स्वास्थ्य देखभाल कार्यों में एआई के लिए लगातार नए अत्याधुनिक मानक स्थापित करने और अपने पूरे उद्योग को आगे बढ़ाने के लिए अपने एआई और दृष्टिकोण को सहकर्मी-समीक्षित प्रकाशनों में प्रकाशित करने के लिए प्रतिबद्ध हैं।

उदाहरण के लिए, हमारा शोध इंटरनेशनल कॉन्फ्रेंस ऑन मशीन लर्निंग (आईसीएमएल), नेचुरल लैंग्वेज प्रोसेसिंग (एनएलपी) समिट और मशीन लर्निंग फॉर हेल्थकेयर कॉन्फ्रेंस (एमएलएचसी) आदि में प्रस्तुत किया गया है। हम अपने मॉडलों का परीक्षण करने और बाजार में उपलब्ध अत्याधुनिक एआई दृष्टिकोणों के मुकाबले प्रदर्शन की तुलना करने के लिए बहुत अनुशासित दृष्टिकोण अपना रहे हैं।

माना जाता है कि हमारा पूर्वानुमानित इनकार समाधान पहली प्रकाशित गहन-शिक्षण-आधारित प्रणाली है जो मौजूदा बेसलाइन की तुलना में 22% से अधिक चिकित्सा दावे के इनकार की सटीक भविष्यवाणी कर सकती है। क्लिनिकल नोट्स से मेडिकल दावों की स्वायत्त कोडिंग के लिए हमारे पढ़ें, उपस्थित रहें, कोड मॉडल को उद्योग के लिए एक नए अत्याधुनिक को परिभाषित करने के रूप में मान्यता दी गई है और मानव कोडर्स की उत्पादकता को पार करते हुए मौजूदा मॉडलों से 18% बेहतर प्रदर्शन किया है। हमारा मानना ​​है कि ये बैक-ऑफिस नवाचार अमेरिकी स्वास्थ्य सेवा प्रणाली को बड़े पैमाने पर बेहतर बनाने के लिए महत्वपूर्ण हैं और इस क्षेत्र के लिए प्रगति जारी रखेंगे और अनुकूलित समाधान तैयार करेंगे।

स्वास्थ्य सेवा में एआई को लेकर बहुत प्रचार है लेकिन जब बात आती है, तो कंपनियां इस बात को बढ़ा-चढ़ाकर पेश कर सकती हैं कि उनकी तकनीक वास्तव में क्या कर सकती है। एल्गोरिदम क्या करते हैं, इसकी पुष्टि करने के लिए अनुसंधान करना बहुत कठिन है - और हमें यह साबित करने के लिए इस सार्थक, फिर भी चुनौतीपूर्ण मार्ग को अपनाने पर गर्व है कि AKASA का यूनिफाइड ऑटोमेशन प्लेटफॉर्म वास्तव में अस्पतालों और स्वास्थ्य प्रणालियों में सकारात्मक और सार्थक बदलाव ला रहा है।

हम भविष्य को लेकर उत्साहित हैं और AKASA में क्या आने वाला है, इसे लेकर हम उत्साहित हैं क्योंकि हम AI के साथ स्वास्थ्य सेवा का भविष्य बना रहे हैं।

बेहतरीन साक्षात्कार के लिए धन्यवाद, जो पाठक अधिक जानना चाहते हैं, उन्हें अवश्य आना चाहिए अकासा.