Jim McGowan, Kepala Produk di ElectrifAi – Seri Wawancara

Jim McGowan, adalah kepala produk di ElectrifAi, mereka mengkhususkan diri dalam mengekstrak sejumlah besar data yang berbeda, mengubah data terstruktur dan tidak terstruktur yang kacau menjadi wawasan bisnis yang dapat ditindaklanjuti.

Apa yang menarik Anda ke dunia pembelajaran mesin dan AI?

Saya pertama kali mengenal Pembelajaran Mesin saat mendapatkan gelar doktor untuk pekerjaan di bidang ilmu kognitif. Sistem AI sebagian besar terdiri dari menyuling pengalaman ahli menjadi bagan alir. Ini tampaknya intuitif untuk bekerja, tetapi sistemnya dengan cepat tumbuh terlalu kompleks dan tidak memenuhi janji mereka. Masalah kecil dapat dipecahkan, tetapi solusi praktis untuk masalah dunia nyata tidak dapat dijangkau. Anda dapat mengatakan bahwa membangun sistem praktis itu sendiri tidak praktis. Lalu Pembelajaran Mesin datang. Itu mengubah segalanya. Pembelajaran Mesin membuka janji AI. ElectrifAi memenuhi janji itu dengan membangun solusi untuk membantu klien menjalankan bisnis mereka dengan lebih baik.

ElectrifAi menggunakan sesuatu yang disebut Practical AI untuk membantu perusahaan melakukan lebih banyak dengan data yang sudah mereka miliki. Bisakah Anda menjelaskan bagaimana ElectrifAi mendefinisikan Practical AI?

Kami menggunakan data klien untuk memberikan wawasan yang jelas dan dapat ditindaklanjuti, untuk kebutuhan bisnis yang nyata. Kami membantu mereka membuat keputusan yang lebih baik, lebih cepat. Practical AI adalah memecahkan masalah bisnis dunia nyata dengan solusi yang efektif, berdasarkan pada pemahaman yang jelas tentang data, memiliki hasil yang pasti, sesuai dengan proses dan alat yang ada, dikirim tepat waktu, dan memberikan nilai bisnis yang luar biasa. Kami tidak memerlukan perusahaan untuk mengganti sistem data mereka. Kami tidak memerlukan model bisnis tertentu. Kami tidak memerlukan setahun untuk mungkin mengirimkan sesuatu yang merupakan kompromi dari apa yang klien ingin lakukan. Kami memberikan solusi yang fleksibel, berkualitas tinggi yang sederhana untuk digunakan dan melakukan apa yang seharusnya dilakukan dengan sangat, sangat baik. Itulah Practical AI.

Kami memastikan bahwa dengan setiap solusi yang kami capai, kami mencapai hal-hal berikut:

• Waktu untuk nilai terbaik
• Pembersihan data terbaik
• Wawasan terbaik
• ROI terbaik

Bisakah Anda memberikan beberapa detail tentang bagaimana ElectrifAi memungkinkan perusahaan untuk menggunakan Practical AI ini?

Kami menarik data dari semua sistem—baik itu basis data yang dikembangkan khusus, solusi yang sangat disesuaikan dari vendor besar, atau bahkan dump data dari aplikasi warisan. Kami membersihkan dan memahami data tersebut, dan menemukan sinyal yang jelas dan bermakna di tengah kekacauan. Kami kemudian menggunakan pembelajaran mesin untuk mengekstrak wawasan yang berharga dari sinyal tersebut, dan akhirnya, kami menunjukkan bagaimana untuk bertindak berdasarkan wawasan tersebut. SpendAi adalah contoh yang baik. Kami menggunakan pembelajaran mesin untuk membersihkan data, dan lebih banyak pembelajaran mesin untuk mengkategorikan 98-99% data dari semua sistem pengeluaran klien. Kami bahkan membiarkan klien mengontrol pengkategorian pada tingkat granular, dalam hitungan detik, melalui antarmuka drag-and-drop. Itu unik, dan sangat kuat. Lalu kami menerapkan grup lain dari algoritma pembelajaran mesin untuk memberikan tampilan yang jelas dan sederhana tentang di mana pengeluaran dilakukan. Kami menggunakan pembelajaran mesin untuk memparsir kontrak dan mengekstrak klausa kunci. Kami kemudian menerapkan lebih banyak pembelajaran mesin untuk membuat rekomendasi spesifik. Misalnya, klien mungkin berhak atas diskon dari klausa yang terkubur dalam kontrak. Atau mereka mungkin terlalu bergantung pada vendor yang berisiko keuangan. Klien mungkin tidak menggunakan posisi mereka dengan vendor karena vendor beroperasi di bawah beberapa nama dan di seluruh divisi perusahaan. Kami menemukan dan membersihkan semua itu, sehingga klien dapat mengurangi pengeluaran, meningkatkan modal kerja, dan mengurangi risiko.

Bisakah Anda membahas PulmoAi CT, dan bagaimana itu dapat meningkatkan efisiensi untuk radiolog dan memperbaiki hasil radiologi?

PulmoAi CT adalah produk analitik gambar canggih yang dirancang khusus untuk pemindaian CT paru-paru. Menggabungkan Practical AI, Pembelajaran Mesin (ML), dan teknologi pemrosesan gambar, PulmoAi CT secara otomatis membagi pemindaian paru-paru piksel per piksel, tanpa blur atau distorsi yang dialami dengan teknologi serupa. Hasilnya: gambar 3D yang jelas—memungkinkan identifikasi segera dari indikasi untuk tumor, nodul, COVID-19, dan anomali lainnya. Dengan PulmoAi CT, radiolog dapat dengan mudah memperbesar detail paru-paru, melihatnya berdampingan dengan analisis klinis dan gambar asli. PulmoAi CT mengkuantifikasi setiap fitur paru-paru dengan metrik yang tepat, termasuk ukuran fitur, dan morfologi dan ekstensi volumetrik. Ini memungkinkan pemantauan yang cermat dari perkembangan anomali, bahkan dalam kehadiran banyak morbiditas.

PulmoAi CT adalah teknologi yang sangat berbeda dari produk apa pun di pasar atau bahkan laboratorium penelitian. Hasilnya sangat mengubah permainan. Tidak ada yang lain seperti itu. Ini bukanlah pendekatan brute-force yang memerlukan puluhan ribu sampel untuk bekerja. PulmoAi CT menghasilkan hasil sementara solusi AI lain masih mencari data pelatihan. Ini kuat dan akan mengubah apa yang dapat dilakukan radiolog.

Produk lain dari ElectrifAi adalah PulmoAi X-ray yang secara langsung mengatasi penggunaan X-ray di zona krisis. Bisakah Anda membahas teknologi ini?

PulmoAi X-ray secara langsung mengatasi penggunaan X-ray di zona krisis saat ini. Menyesuaikan diri dengan tantangan spesifik pandemi, PulmoAi X-ray melangkah lebih jauh daripada membedakan paru-paru sehat dari paru-paru yang terinfeksi COVID-19. Solusi berbasis cloud ini mengidentifikasi perbedaan penting antara pasien positif coronavirus yang dikirim pulang yang pulih dengan aman, dan mereka yang dikirim pulang yang kembali memerlukan intubasi. Dilatih sebelumnya pada pemindaian paru-paru dari rumah sakit di zona krisis, PulmoAi X-ray menggunakan teknologi jaringan saraf dalam untuk mengidentifikasi kelainan kritis yang terkait dengan COVID-19. PulmoAi X-ray unik karena itu secara khusus disesuaikan untuk menjawab masalah yang rumah sakit di zona krisis coba jawab: apakah karantina mandiri akan berhasil, atau apakah pasien memerlukan rawat inap?

Produk lain adalah ContractAi yang menggunakan Practical AI, Pembelajaran Mesin, dan Pemrosesan Bahasa Alami (NLP) untuk secara otomatis membaca, menganalisis, dan membandingkan kontrak di seluruh perusahaan. Bisakah Anda membahas produk ini dan kasus penggunaan terbaik untuk itu?

ContractAi dirancang untuk pengguna yang berinteraksi dengan kontrak dalam peran operasional sehari-hari. Misalnya, ContractAi membantu orang-orang dalam grup pengadaan yang menganalisis pengeluaran terhadap perjanjian vendor. Baru-baru ini, dengan kejutan ekonomi karena COVID-19, perangkat lunak ini membantu perusahaan memahami setiap kekuatan yang mereka miliki untuk keluar dari kontrak supplier. Ketika kemampuan ini terhubung dengan produk SpendAi kami, satu dapat segera memahami dampak keuangan dari kekuatan ini. Salah satu keuntungan terbesar dari teknologi ini adalah bahwa itu bekerja dengan data kontrak dalam format apa pun—tidak ada entri manual dan tidak ada format khusus yang diperlukan. Keuntungan lainnya adalah bahwa teknologi ini secara khusus dirancang untuk pengguna yang menggunakan kontrak dalam peran operasional. Banyak teknologi pemrosesan kontrak yang ada dirancang untuk pengacara, yang memiliki kekhawatiran yang berbeda.

Apakah ada yang lain yang ingin Anda bagikan tentang ElectrifAi?

Sebagai perusahaan pembelajaran mesin global, kami memiliki pandangan unik tentang bagaimana berbagai pasar sedang berkembang dan menggunakan Pembelajaran Mesin. Salah satu keuntungan dari pandangan ini adalah kemampuan kami untuk memahami bagaimana kemampuan pembelajaran mesin (ML) dapat diterjemahkan dari satu geografi dan/atau pasar vertikal ke yang lain untuk membantu memecahkan masalah yang substansial.

Misalnya, kami telah menghabiskan tahun-tahun di seluruh dunia membantu bisnis terlibat dengan pelanggan mereka menggunakan ilmu data. Kami sekarang telah memanfaatkan keahlian ini untuk membantu industri kesehatan AS dengan keterlibatan pasien, membantu memulai kembali kesehatan dan mendapatkan pasien kembali ke rumah sakit untuk operasi elektif kritis.