Վարուն Գանապատի, CTO և AKASA - Հարցազրույցների շարքի համահիմնադիր

Վարուն Գանապատին CTO-ն և համահիմնադիրն է ԱԿԱՍԱ, առողջապահական հավելվածների AI-ի մշակող։ AKASA-ն օգնում է առողջապահական կազմակերպություններին բարելավելու գործառնությունները, ներառյալ եկամուտների ցիկլը, եկամուտ ապահովելու, արդյունավետություն ստեղծելու և հիվանդի փորձառությունը բարձրացնելու համար: Վարուն հաջողությամբ սկսել է երկու AI ընկերություններ AKASA-ից առաջ, մեկը ձեռք է բերվել Google-ի, իսկ մյուսը Udacity-ի կողմից:

Դուք մեքենայական ուսուցման ոլորտում նշանավոր կարիերա եք ունեցել, կարո՞ղ եք քննարկել Սթենֆորդում ձեր առաջին օրերը, երբ աշխատում էիք ուղղաթիռներն ինքնավար դարձնելու վրա:

Երբ ես ֆիզիկա էի սովորում որպես բակալավրիատ Սթենֆորդում, ես նաև շատ հետաքրքրված էի համակարգչային գիտությամբ և մեքենայական ուսուցմամբ (ML): Ինձ համար AI-ն և ML-ն ամեն ինչ միավորել են մեկում. սա իսկապես ավտոմատացված միջոց է ֆիզիկա կատարելու ցանկացած թվայնացվող երևույթի վրա:

Այս մեկ կոնկրետ նախագծի համար մենք ունեինք այս ուղղաթիռը, որը նման էր մեծ անօդաչու թռչող սարքի, որը փոքր-ինչ փոքր էր, քան երկվորյակ ներքնակը, այն ժամանակ, երբ անօդաչու սարքերը տարածված չէին: Մարդիկ թռչում էին այն և ստիպում էին հնարքներ անել, օրինակ՝ գլխիվայր սավառնել: Թեև դա շատ դժվար է անել, մենք ցանկանում էինք կառուցել ML ալգորիթմ, որը կարող է մարդկանցից սովորել, թե ինչպես վարել այս ուղղաթիռը ինքնուրույն:

Մենք ստեղծեցինք ֆիզիկայի սիմուլյատոր, որը հիմնված էր իրական ուղղաթիռի և ML ալգորիթմի վրա, որը սովորեց, թե ինչպես կանխատեսել նրա շարժումները: Այնուհետև մենք կիրառեցինք ուժեղացման ուսուցում սիմուլյատորի ներսում՝ կարգավորիչ մշակելու համար, վերցրեցինք ծրագրակազմը և բեռնեցինք այն իրական ուղղաթիռի մեջ: Այն բանից հետո, երբ մենք միացրինք ուղղաթիռը, այն աշխատեց առաջին փորձից: Ուղղաթիռը կարողացավ անմիջապես գլխիվայր սավառնել ինքնուրույն, ինչը բավականին տպավորիչ էր: Թիմը շարունակեց աշխատել ML-ի միջոցով այլ տեսակի հնարքների ավտոմատացման վրա:

Դուք նաև աշխատել եք Google Books-ում, կարո՞ղ եք քննարկել այն ալգորիթմը, որի վրա աշխատել եք և ինչպես է ձեր ընկերությունը ի վերջո ձեռք բերել Google-ը:

Ես իրականում պրակտիկա անցա Google-ում՝ 2004 թվականին Սթենֆորդում դասեր անցկացնելու ժամանակ. սա ուղղաթիռի նախագծից անմիջապես հետո: Այդ ընթացքում ես ML էի իրականացնում Google Books նախագծի համար, որտեղ մենք սկանավորում էինք աշխարհի բոլոր գրքերը:

Google-ը վճարում էր այս բոլոր մարդկանց՝ պիտակավորելու գրքերի մասին տեղեկությունները, ինչպիսիք են էջերը, բովանդակության աղյուսակները, հեղինակային իրավունքը և այլն, ինչը շատ ժամանակատար խնդիր է: Ես ուզում էի տեսնել, արդյոք մենք կարող ենք օգտագործել ML-ն դա անելու համար, և այն իսկապես լավ աշխատեց: Այն իրականում ավելի լավ էր գործում և ավելի ճշգրիտ էր, քան այն ժամանակ, երբ մարդիկ դա անում էին, քանի որ սխալների մեծ մասը պայմանավորված էր ձեռքով պիտակավորմամբ մարդկային սխալներով:

Սա ինձ իսկապես ոգևորեց ML-ով, քանի որ այն ցույց տվեց, որ դուք կարող եք մարդկային կատարումից անցնել գերմարդկային կատարողականի` կատարելով առօրյա առաջադրանքներ ավելի քիչ սխալներով և ավելի հետևողականորեն, մինչդեռ դեռևս զբաղված եք ծայրամասային գործերով:

Այնտեղից էլ որոշեցի Ph.D. Ստենֆորդում՝ սկզբում կենտրոնանալով ML-ի և ավելի շատ տեսական աշխատանքների վրա: Իմ թեզի համար ես մշակեցի ալգորիթմ իրական ժամանակում շարժումների նկարահանման համար, որտեղ համակարգիչը կարող է իրական ժամանակում հետևել մարդու բոլոր հոդերի շարժմանը խորքային տեսախցիկից: Սա հիմք հանդիսացավ իմ առաջին ընկերության՝ Numovis-ի համար, որը կենտրոնացած էր շարժման հետևման և համակարգչային տեսլականի վրա՝ օգտատերերի փոխազդեցության համար: Այն ձեռք է բերել Google-ը։

Իմ ամբողջ ճանապարհորդությունը՝ ուղղաթիռի նախագծից մինչև Google Books մինչև ինքնակառավարվող մեքենաներ և այժմ առողջապահական գործառնություններ, ինձ իսկապես ցույց տվեցին, թե որքան հզոր և ընդհանուր են մեքենայական ուսուցման ալգորիթմները:

Կարո՞ղ եք կիսվել AKASA-ի ծագման պատմությունը:

Մենք կառուցել ենք ԱԿԱՍԱ շտկել առողջապահական գործառնություններում հսկայական, խորապես ներկառուցված խնդիրը: Այս վիրահատությունները և՛ թանկ են, և՛ սխալների հակված, ինչը կարող է հանգեցնել հիվանդների համար անհարկի խուճապ առաջացնող ֆինանսական փորձառությունների: Վարչական կողմից նոր տեխնոլոգիաների պակաս կար և նպատակային ոչինչ չկար: Մեզ համար պարզ դարձավ, որ դուք կարող եք օգտագործել այնպիսի տեխնոլոգիաներ, ինչպիսիք են AI-ն և ML-ն՝ այս գործառնական մարտահրավերները նորարարական ճանապարհով լուծելու համար: Երբ մենք խոսեցինք բազմաթիվ առողջապահական համակարգերի և առողջապահության առաջնորդների հետ, նրանք հաստատեցին մեր մտածողությունը, որն ի վերջո հանգեցրեց AKASA-ի հիմնադրմանը 2019 թվականին:

Դրանով, AKASA-ի նպատակն ի սկզբանե պարզ է եղել՝ հնարավորություն տալ մարդու առողջությանը և կառուցել առողջապահական ապագան AI-ի միջոցով: Ինչպես մենք որոշեցինք ընդունել այս մարտահրավերը, դա մարդկային բանականության համադրումն է առաջատար AI-ի և ML-ի հետ, որպեսզի առողջապահական համակարգերը կարողանան նվազեցնել գործառնական ծախսերը և ռեսուրսներ բաշխել այնտեղ, որտեղ դրանք ամենակարևորն են:

Մեր համակարգային ագնոստիկ, ճկուն հարթակը ներկայումս սպասարկում է հաճախորդների բազան, որը ներկայացնում է ավելի քան 475 հիվանդանոցներ և առողջապահական համակարգեր և ավելի քան 8,000 ամբուլատոր հաստատություններ բոլոր 50 նահանգներում: Մեր տեխնոլոգիան օգնում է այս կազմակերպություններին, անկախ այն բանից, նրանք օգտագործում են առողջության էլեկտրոնային գրառումների (EHR) մատակարարներ, ինչպիսիք են Epic-ը, Cerner-ը, այլ EHR-ներ կամ պտուտակի միացման համակարգեր, և ամեն ինչ: Եվ մենք դա արել ենք ուժեղ արդյունքներով:

Մեր հաճախորդների բազան ներկայացնում է ավելի քան 110 միլիարդ դոլար հիվանդների ընդհանուր զուտ եկամուտ, որը հավասար է ԱՄՆ առողջապահական համակարգի տարեկան ծախսերի ավելի քան 10%-ին, համաձայն Medicaid և Medicare ծառայությունների կենտրոններ. Իսկ AKASA-ի մոդելներն ու ալգորիթմները վերապատրաստվել են մոտ 290 միլիոն հայցերի և դրամական փոխանցումների վերաբերյալ:

Առողջապահության անտեսանելի սանտեխնիկան չափազանց բարդ է, բայց այն հսկայական ազդեցություն ունի մարդու առողջության վրա, և մենք այն ավտոմատացնում ենք քիչ առ քիչ:

Որո՞նք են այն խնդիրներից մի քանիսը, որոնք AKASA-ն դիտարկում է առողջապահության ոլորտում ավտոմատացնելը:

Մեր եզակի փորձագիտական ​​մոտեցումը՝ Unified Automation™-ը, համատեղում է ML-ը մարդկային դատողության և առարկայական փորձաքննության հետ՝ առողջապահական գործառնությունների համար կայուն և ճկուն ավտոմատացում ապահովելու համար: AKASA-ն կարող է արագ և արդյունավետ կերպով ավտոմատացնել և կատարելագործել առողջապահական ֆինանսավորման գործառույթի շրջանակներում ծայրից ծայր առաջադրանքները, ներառյալ հաշիվների մշակումը և վճարումները: AKASA-ի ավտոմատացված հատուկ առաջադրանքները ներառում են հիվանդի իրավասության ստուգում, ապահովագրական տեղեկատվության փաստաթղթավորում և հաստատում, հիվանդի ծախսերի գնահատում, խմբագրում, վերահաշվարկ և բողոքարկում, ինչպես նաև հերքումների կանխատեսում և կառավարում:

Ավտոմատացման այս տեսակը ոչ միայն նվազեցնում է մարդկային սխալն ու ուշացումները հիվանդների համար՝ օգնելով կանխել անսպասելի բժշկական օրինագծերը, այլ նաև ազատում է առողջապահական անձնակազմին՝ ձեռնարկը, կրկնվող առաջադրանքները ամբողջությամբ հանելով իրենց ափսեից՝ թույլ տալով նրանց կենտրոնանալ ավելի պարգևի, դժվարին և արժեքավոր վրա: - առաջադրանքների ստեղծում՝ ուղղված հիվանդի փորձին:

Որո՞նք են մեքենայական ուսուցման տարբեր տեսակի ալգորիթմները, որոնք օգտագործվում են:

AKASA-ն օգտագործում է նույն մեքենայական ուսուցման մոտեցումները, որոնք հնարավոր դարձրեցին ինքնակառավարվող մեքենաներին առողջապահական համակարգերին տրամադրել առողջապահական գործողությունների ավտոմատացման մեկ լուծում: Այս մոտեցումը, որը կենտրոնացած է ML-ի շուրջ, ընդլայնում է ավտոմատացման հնարավորությունները՝ մասշտաբով ավելի բարդ աշխատանք կատարելու համար:

Մենք մշակում ենք ժամանակակից ալգորիթմներ համակարգչային տեսողության, բնական լեզվի ըմբռնման և տվյալների կառուցվածքային խնդիրների համար: Մեր պլատֆորմը սկսվում է համակարգչային տեսլականով աշխատող ՀՀԿ-ից և ընդլայնում է այն ժամանակակից AI-ի, ML-ի և մասնագետի միջոցով՝ ապահովելու կայուն ավտոմատացում:

Բարձր մակարդակի ակնարկ ապահովելու համար, թե ինչպես է այն աշխատում, մեր սեփական լուծումը նախ դիտում է, թե ինչպես է առողջապահական անձնակազմը կատարում իրենց խնդիրները: Մեր թիմն այնուհետև պիտակավորում է այդ տվյալները և օգտագործում դրանք մեր ալգորիթմները վարժեցնելու համար, որպեսզի մեր տեխնոլոգիան կարողանա հասկանալ և իմանալ, թե ինչպես են աշխատում առողջապահական անձնակազմը և նրանց համակարգերը: Այնտեղից մեր հարթակը ինքնուրույն է կատարում այդ աշխատանքային հոսքերը: Ի վերջո, մենք օգտագործում ենք մասնագետներ, որոնք կարող են ցատկել ամեն անգամ, երբ համակարգը նշում է արտաքին կամ բացառություններ: AI-ն անընդհատ սովորում է այդ փորձից՝ թույլ տալով ժամանակի ընթացքում ավելի բարդ առաջադրանքներ կատարել:

Կարո՞ղ եք քննարկել մարդասիրական մոտեցումների կարևորությունը, և ինչու է դա պատրաստվում տեղահանել ՀՀԿ-ին:

Դժվար ճշմարտությունն այն է, որ ՀՀԿ-ն տասնամյակների վաղեմության տեխնոլոգիա է, որը փխրուն է՝ իր հնարավորությունների իրական սահմաններով: Այն միշտ որոշակի արժեք կունենա պարզ, դիսկրետ և գծային աշխատանքի ավտոմատացման համար: Այնուամենայնիվ, ավտոմատացման ջանքերը հաճախ չեն համապատասխանում իրենց ձգտումներին, այն է, որ կյանքը բարդ է և միշտ փոփոխվող:

ՀՀԿ-ի նկատմամբ հիմնական մոտեցումը ռոբոտի (բոտ) կառուցումն է յուրաքանչյուր խնդրի կամ ճանապարհի համար, որը դուք ցանկանում եք լուծել: Մարդը (խորհրդատու կամ ինժեներ) ռոբոտ է կառուցում՝ կոնկրետ խնդիր լուծելու համար: Այս ռոբոտային լուծումը զբաղեցնում է քայլերի հաջորդականության տեղը: Նա նայում է էկրանին, քայլեր է ձեռնարկում և կրկնում է այն:

Խնդիրը, որը հաճախ հանդիպում է, այն է, որ աշխարհում տեղի ունեցող փոփոխությունը, ինչպես օրինակ՝ ծրագրաշարի կամ միջերեսի փոփոխումը, կարող է հանգեցնել բոտերի կոտրմանը: Ինչպես գիտենք, տեխնոլոգիան անընդհատ զարգանում է՝ ստեղծելով դինամիկ միջավայրեր: Սա նշանակում է, որ ՀՀԿ-ական ռոբոտները հաճախ ձախողվում են։

Այս բոտերի մեկ այլ խնդիրն այն է, որ դուք պետք է ստեղծեք մեկը յուրաքանչյուր իրավիճակի համար, որը ցանկանում եք լուծել: Դա անելով՝ դուք հայտնվում եք բազմաթիվ ռոբոտների հետ, որոնք բոլորն էլ կատարում են շատ փոքր գործողություններ, որոնք մեծ հմտություն չեն պահանջում:

Դա նման է մի խլուրդի խաղի: Ամեն օր դուք բախվում եք հավանականության, որ դրանցից մեկը կփչանա, քանի որ ծրագրաշարի մի մասը փոխվելու է կամ ինչ-որ արտասովոր բան տեղի կունենա. երկխոսության տուփ կհայտնվի կամ նոր տեսակի մուտքագրում կհայտնվի: Արդյունքը ծախսատար սպասարկում է, որպեսզի այս բոտերը աշխատեն: Forrester-ի հետազոտության համաձայն՝ ՀՀԿ-ի վրա ծախսվող յուրաքանչյուր 1 դոլարի դիմաց լրացուցիչ 3.41 դոլար ծախսվում է խորհրդատվական ռեսուրսների վրա։

Այսինքն՝ ՀՀԿ-ի համար իրական ծրագրային ապահովումը ծախսի մեծ մասը չէ։ Ավելի զգալի ծախսերի ներդրումն այն ամբողջ աշխատանքն է, որը դուք պետք է անեք ՀՀԿ-ն մշտապես աշխատելու համար: Շատ կազմակերպություններ չեն հաշվի առնում այդ ընթացիկ ծախսերը:

Քանի որ կյանքի զգալի մասը բարդ է և անընդհատ զարգանում է, շատ աշխատանք դուրս է մնում ՀՀԿ-ի հնարավորություններից, և հենց այստեղ է հայտնվում ՄԼ-ն: ՄԼ-ն մեզ հնարավորություն է տալիս ավտոմատացնել ծանր աշխատանքը: Եվ մենք հավատում ենք, որ հատուկ սոուսը մարդիկ են, ովքեր բարելավում են ալգորիթմները՝ սովորեցնելով դրանք:

Երբ ալգորիթմը վստահ չէ, թե ինչ պետք է անի (ցածր վստահություն), դրա փոխարեն այն վերածվում է մարդ-ի հանգույցի: Մարդիկ նշում են այդ օրինակները և բացահայտում այն ​​դեպքերը, որոնք չեն վարվում ներկայիս մոդելի կողմից: Երբ դա արվում է, և AI-ն ճիշտ է հասկացել, դա լավ գործող խնդիր է:

Յուրաքանչյուր խնդիր, երբ մարդը հայտնաբերում է խնդիր, այն դեպքն է, երբ մեքենան այն ճիշտ չի վարում: Այս դեպքում տվյալները ավելացվում են մեր տվյալների հավաքածուին, որը վերապատրաստում է ML մոդելներին՝ այս նոր իրավիճակը կարգավորելու համար:

Ժամանակի ընթացքում ML մոդելը ամրացնում է այս նոր եզրային դեպքերը: Սա հանգեցնում է մի համակարգի, որն ամուր և ճկուն է նոր արտանետումների կամ բացառությունների նկատմամբ, և համակարգը ժամանակի ընթացքում ուժեղանում է: Սա նշանակում է, որ ավտոմատացումը դառնում է ավելի ու ավելի լավ, և մարդկային միջամտությունը ժամանակի ընթացքում կնվազի:

Մարդկային փորձագետներ ունենալը կարևոր է AI-ն ավելի խելացի, արագ և ավելի լավ դարձնելու համար: Մեզ պետք են, որ մարդիկ պատշաճ կերպով վարժեցնեն արհեստական ​​ինտելեկտը և ապահովեն, որ այն կարող է կարգավորել այն արտանետումները, որոնք ցանկացած արդյունաբերության անխուսափելի մասն են կազմում, և հատկապես այնպիսի դինամիկ ոլորտում, ինչպիսին է առողջապահությունը:

Ինչպե՞ս է աշխատում AKASA-ի «Մարդկանց մեջ» Unified Automation™ լուծումը, և որո՞նք են այս հարթակի հիմնական օգտագործման դեպքերը:

Unified Automation-ը առողջապահական խնամքի համար նախատեսված հարթակ է: Օգտագործելով AI, ML և բժշկական վճարումների փորձագետների մեր թիմը՝ այն ստեղծում է անխափան ինտեգրված, հարմարեցված լուծում, որն օգնում է ձեզ ավելի արագ տեսնել արժեքը՝ գործնականում առանց սպասարկման կամ բացառությունների հերթերի:

Այն նախագծվել է՝ հաշվի առնելով բացառությունները և արտաքուստները: Եթե ​​այն բախվում է ինչ-որ նոր բանի, հարթակը խնդիրը նշում է AKASA-ի փորձագետների թիմին, որոնք լուծում են այն, մինչ համակարգը սովորում է նրանց կատարած գործողություններից: Դա մարդկային տարրն է, որը մեզ տարբերում է շուկայի այլ լուծումներից և թույլ է տալիս հարթակին շարունակաբար սովորել և կատարելագործվել:

Unified Automation-ը նաև հարմարվում է առողջապահության ոլորտի դինամիկ բնույթին: Սա անխափան ինտեգրված, հարմարեցված լուծում է, որն օգնում է նվազեցնել գործառնական ծախսերը, բարձրացնում է անձնակազմին ավելի շահավետ աշխատանք կատարելու համար, որը պահանջում է մարդկային հպում, և բարելավում է եկամուտների հավաքագրումը առողջապահական համակարգերի համար՝ միաժամանակ բարելավելով հիվանդի ֆինանսական փորձը:

Ահա թե ինչպես է գործում միասնական ավտոմատացումը.

Գույքային ծրագրակազմը նշում է. Մեր Worklogger™ գործիքը հեռակա կերպով դիտում է, թե ինչպես է առողջապահական անձնակազմը կատարում իրենց առաջադրանքները: Այնուհետև մեր թիմը պիտակավորում է այդ տվյալները և դրանք փոխանցում է մեր ավտոմատացմանը՝ ընթացիկ աշխատանքային հոսքերի և գործընթացների համապարփակ պատկերացում ապահովելու համար: Սա հանգեցնում է անձնակազմի կատարողականի ավելի բարձր տեսանելիության, մեր ավտոմատացման հզորացման աշխատանքային հոսքերի վերաբերյալ հիմնարար տվյալների և յուրաքանչյուր առաջադրանքի ճշգրիտ վերլուծության:

AI-ն կատարում է. Առողջապահական անձնակազմի աշխատանքային հոսքերը դիտարկելուց և սովորելուց հետո մեր AI-ն այնուհետև կատարում է այս խնդիրները ինքնուրույն: Այն անընդհատ դասեր է քաղում խնդիրներից և առաջացած դեպքերից՝ ժամանակի ընթացքում ստանձնելով ավելի բարդ առաջադրանքներ: Unified Automation-ը նստում է աշխատանքային հերթում դեպի վերև՝ իրեն հանձնարարելով կիրառելի առաջադրանքներ և կատարել դրանք՝ առանց թիմին խանգարելու: Այն նաև ավտոմատ կերպով օպտիմիզացնում է գործընթացները, այնպես որ անձնակազմի կողմից ոչ մի կարգավորում կամ միջամտություն չի պահանջվում:

Մարդկային փորձաքննությունը երաշխավորում է.  Համակարգն ավտոմատ կերպով նշում է բժշկական վճարումների փորձագետների մեր թիմը, որպեսզի կարգավորի բացառություններն ու արտանետումները՝ իրական ժամանակում ուսուցանելով AI-ն, երբ նրանք աշխատում են: Սա «փորձագետի մեջ» հատվածն է: Ներկառուցված շարունակական ուսուցմամբ՝ Unified Automation պլատֆորմը ժամանակի ընթացքում դառնում է ավելի խելացի և արդյունավետ, և աշխատանքը միշտ կատարվում է:

Կա՞ որևէ այլ բան, որը կցանկանայիք կիսվել AKASA-ի մասին:

Մենք ունենք հետազոտական ​​առաջին մոտեցում, ինչը նշանակում է, որ մեր հաճախորդներին հասանելի են առաջատար տեխնոլոգիաները: Մենք հավատարիմ ենք հրապարակելու մեր AI-ն և մոտեցումները գրախոսվող հրապարակումներում՝ շարունակաբար սահմանելու նոր ժամանակակից ստանդարտներ AI-ի համար առողջապահական գործառնություններում և առաջ տանելու մեր ամբողջ ոլորտը:

Օրինակ, մեր հետազոտությունը ներկայացվել է մեքենայական ուսուցման միջազգային կոնֆերանսին (ICML), բնական լեզվի մշակման (NLP) գագաթնաժողովին և մեքենայական ուսուցում առողջապահության համար համաժողովին (MLHC), ի թիվս այլոց: Մենք շատ կարգապահ մոտեցում ենք ցուցաբերում մեր մոդելները փորձարկելու և արտադրողականությունը շուկայում ժամանակակից AI մոտեցումների հետ համեմատելու համար:

Ենթադրվում է, որ մեր կանխագուշակող հերքումների լուծումը խորը ուսուցման վրա հիմնված առաջին հրապարակված համակարգն է, որը կարող է ճշգրիտ կանխատեսել բժշկական հայցերի մերժումները ավելի քան 22%-ով՝ առկա ելակետերի համեմատ: Կլինիկական նշումներից բժշկական պնդումների ինքնավար կոդավորման մեր Read, Attend, Code մոդելը ճանաչվել է որպես նորագույն նորագույն արդյունաբերության սահմանում և 18%-ով գերազանցում է ներկայիս մոդելներին՝ գերազանցելով մարդկային կոդավորողների արտադրողականությունը: Մենք կարծում ենք, որ այս back-office նորարարությունները չափազանց կարևոր են ԱՄՆ-ի առողջապահական համակարգի մասշտաբով բարելավման համար և կշարունակեն առաջխաղացումներ առաջացնել և ստեղծել հարմարեցված լուծումներ այս տարածքի համար:

Առողջապահության ոլորտում արհեստական ​​ինտելեկտի շուրջ մեծ աղմուկ կա, բայց երբ խոսքը վերաբերում է դրան, ընկերությունները կարող են գերագնահատել այն, ինչ իրականում կարող է անել իրենց տեխնոլոգիան: Շատ ավելի դժվար է հետազոտություններ կատարել՝ հաստատելու, թե ինչ են անում ալգորիթմները, և մենք հպարտանում ենք այս իմաստալից, բայց դժվարին ճանապարհով անցնելով՝ ի վերջո ապացուցելու, որ AKASA-ի միասնական ավտոմատացման հարթակը իսկապես դրական և բովանդակալից փոփոխություններ է բերում հիվանդանոցներին և առողջապահական համակարգերին:

Մենք ոգևորված ենք ապագայով և այն բանով, թե ինչ է սպասվում AKASA-ում, երբ մենք կառուցում ենք առողջապահության ապագան արհեստական ​​ինտելեկտի միջոցով:

Շնորհակալություն հիանալի հարցազրույցի համար, այն ընթերցողները, ովքեր ցանկանում են ավելին իմանալ, պետք է այցելեն ԱԿԱՍԱ.