Varun Ganapathi, CTO & Co-Founder of AKASA – Interview Series

Varun Ganapathi adalah CTO dan Co-Founder dari AKASA, sebuah pengembang AI untuk aplikasi kesehatan. AKASA membantu organisasi kesehatan memperbaiki operasi, termasuk siklus pendapatan, untuk menghasilkan pendapatan, menciptakan efisiensi, dan meningkatkan pengalaman pasien. Varun telah berhasil memulai dua perusahaan AI sebelum AKASA, satu diakuisisi oleh Google (GOOGL ) dan yang lain oleh Udacity.

Anda telah memiliki karir yang terhormat di bidang machine learning, bisakah Anda membahas beberapa hari-hari awal Anda di Stanford ketika Anda bekerja pada membuat helikopter otonom?

Ketika saya belajar fisika sebagai mahasiswa di Stanford, saya juga sangat tertarik dengan ilmu komputer dan machine learning (ML). Bagi saya, AI dan ML menggabungkan semua hal dalam satu – ini adalah cara otomatis untuk melakukan fisika pada fenomena yang dapat di-digitalkan.

Untuk proyek ini, kami memiliki helikopter yang terlihat seperti drone besar sedikit lebih kecil dari kasur twin – pada saat itu drone belum umum. Orang-orang sedang terbang dan membuatnya melakukan trik, seperti melayang terbalik. Sementara ini sangat sulit untuk dilakukan, kami ingin membangun algoritma ML yang dapat belajar dari manusia bagaimana menerbangkan helikopter ini secara otonom.

Kami membuat simulator fisika yang berdasarkan pada helikopter yang sebenarnya dan algoritma ML yang belajar untuk memprediksi gerakannya. Kami kemudian menerapkan reinforcement learning dalam simulator untuk mengembangkan kontroler, mengambil perangkat lunak, dan mengunggahnya ke helikopter yang sebenarnya. Setelah kami menyalakan helikopter, itu bekerja pada percobaan pertama! Helikopter dapat segera melayang terbalik oleh dirinya sendiri, yang cukup mengesankan. Tim kami terus bekerja pada mengotomatisasi trik lainnya menggunakan ML.

Anda juga bekerja di Google Books, bisakah Anda membahas algoritma yang Anda kerjakan dan bagaimana perusahaan Anda akhirnya diakuisisi oleh Google?

Saya sebenarnya melakukan magang di Google sambil mengambil kelas di Stanford pada tahun 2004 – ini segera setelah proyek helikopter. Selama waktu itu, saya menerapkan ML untuk proyek Google Books di mana kami sedang memindai semua buku di dunia.

Google membayar banyak orang untuk melabeli informasi tentang buku, seperti halaman, daftar isi, hak cipta, dll. – tugas yang sangat memakan waktu. Saya ingin melihat apakah kita dapat menggunakan ML untuk melakukan ini dan itu bekerja sangat baik. Ini sebenarnya berperforma lebih baik dan lebih akurat daripada ketika manusia melakukannya karena sebagian besar kesalahan disebabkan oleh kesalahan manusia dengan pelabelan manual.

Ini membuat saya sangat bersemangat tentang ML karena menunjukkan bahwa Anda dapat beralih dari kinerja manusia ke kinerja super manusia – melakukan tugas yang membosankan dengan lebih sedikit kesalahan dan lebih konsisten sambil masih menangani kasus tepi.

Dari sana, saya memutuskan untuk melakukan Ph.D. di Stanford, fokus pada ML dan paper teoritis pada awalnya. Untuk disertasi saya, saya mengembangkan algoritma untuk melakukan motion capture waktu nyata di mana komputer dapat melacak gerakan semua sendi manusia dalam waktu nyata dari kamera depth. Ini adalah dasar untuk perusahaan saya pertama, Numovis, yang fokus pada pelacakan gerakan dan visi komputer untuk interaksi pengguna. Ini diakuisisi oleh Google.

Seluruh perjalanan saya dari proyek helikopter ke Google Books ke mobil self-driving dan sekarang operasi kesehatan benar-benar menunjukkan kepada saya betapa kuat dan umumnya algoritma ML.

Bisakah Anda berbagi cerita asal-usul di balik AKASA?

Kami telah membangun AKASA untuk memperbaiki masalah besar yang sangat tersembunyi dalam operasi kesehatan. Operasi ini sangat mahal dan rentan terhadap kesalahan yang dapat menyebabkan pengalaman keuangan yang tidak perlu dan menimbulkan kepanikan bagi pasien. Tidak ada teknologi baru di sisi administratif dan tidak ada yang dibuat khusus. Menjadi jelas bagi kami bahwa Anda dapat menggunakan teknologi seperti AI dan ML untuk memecahkan tantangan operasional ini dengan cara inovatif. Ketika kami berbicara dengan banyak sistem kesehatan dan pemimpin kesehatan, mereka memvalidasi pemikiran kami yang akhirnya mengarah pada pendirian AKASA pada tahun 2019.

Dengan itu, tujuan AKASA telah jelas sejak awal – untuk memungkinkan kesehatan manusia dan membangun masa depan kesehatan dengan AI. Cara kami memutuskan untuk menghadapi tantangan ini adalah dengan menggabungkan kecerdasan manusia dengan AI dan ML terdepan sehingga sistem kesehatan dapat mengurangi biaya operasional dan mengalokasikan sumber daya di mana mereka paling dibutuhkan.

Platform kami yang sistem-agnostik dan fleksibel saat ini melayani basis pelanggan yang mewakili lebih dari 475 rumah sakit dan sistem kesehatan dan lebih dari 8.000 fasilitas rawat jalan, di semua 50 negara bagian. Teknologi kami membantu organisasi ini apakah mereka menggunakan penyedia catatan kesehatan elektronik (EHR) seperti Epic, Cerner, EHR lainnya, atau sistem bolt-on, dan semua yang ada di antaranya. Dan kami telah melakukannya dengan hasil yang kuat.

Basis pelanggan kami mewakili lebih dari $110 miliar dalam pendapatan pasien bersih agregat, yang setara dengan lebih dari 10% dari semua pengeluaran sistem kesehatan AS secara tahunan menurut Pusat Layanan Medicare dan Medicaid. Dan model dan algoritma AKASA telah dilatih pada hampir 290 juta klaim dan remitansi.

“Plumbing” kesehatan yang tidak terlihat sangat kompleks, tetapi memiliki dampak besar pada kesehatan manusia, dan kami sedang mengotomatisasinya sedikit demi sedikit.

Apa saja tugas yang AKASA lihat untuk mengotomatisasi dalam kesehatan?

Pendekatan kami yang unik, Unified Automation ™, menggabungkan ML dengan penilaian manusia dan keahlian subjek untuk menyediakan otomatisasi yang kuat dan tangguh untuk operasi kesehatan. AKASA dapat dengan cepat dan efisien mengotomatisasi dan merampingkan tugas akhir-ke-akhir dalam fungsi keuangan kesehatan, termasuk pengolahan tagihan dan pembayaran. Tugas spesifik yang AKASA otomatisasi termasuk memeriksa kelayakan pasien, mendokumentasikan dan memverifikasi informasi asuransi, memperkirakan biaya pasien, mengedit, mengajukan kembali, dan mengajukan banding klaim, dan memprediksi dan mengelola penolakan.

Otomatisasi jenis ini tidak hanya mengurangi kesalahan manusia dan keterlambatan bagi pasien, membantu mencegah tagihan medis yang tidak terduga, tetapi juga membebaskan staf kesehatan dengan mengambil tugas manual dan berulang sepenuhnya dari piring mereka – memungkinkan mereka untuk fokus pada tugas yang lebih menantang, bermakna, dan menghasilkan nilai yang diarahkan pada pengalaman pasien.

Apa saja jenis algoritma pembelajaran mesin yang digunakan?

AKASA menggunakan pendekatan pembelajaran mesin yang sama yang membuat mobil self-driving mungkin untuk menyediakan sistem kesehatan dengan satu solusi untuk mengotomatisasi operasi kesehatan. Pendekatan ini – yang berpusat pada ML – memperluas kemampuan otomatisasi untuk mengambil pekerjaan yang lebih kompleks dalam skala besar.

Kami mengembangkan algoritma canggih di seluruh komputer visi, pemahaman bahasa alami, dan masalah data terstruktur. Platform kami dimulai dengan RPA yang ditenagai komputer visi dan ditingkatkan dengan AI modern, ML, dan ahli di dalam loop untuk menyediakan otomatisasi yang kuat.

Untuk memberikan gambaran umum tentang cara kerjanya, solusi kami pertama kali mengamati bagaimana staf kesehatan menyelesaikan tugas mereka. Tim kami kemudian melabeli data itu dan menggunakannya untuk melatih algoritma kami sehingga teknologi kami dapat memahami dan belajar bagaimana staf kesehatan dan sistem mereka bekerja. Dari sana, platform kami melakukan aliran kerja itu secara otonom. Akhirnya, kami menggunakan ahli di dalam loop yang dapat melompat ke dalam setiap saat sistem mengibarkan bendera outlier atau pengecualian. AI terus belajar dari pengalaman itu, memungkinkan itu untuk mengambil tugas yang lebih kompleks seiring waktu.

Bisakah Anda membahas pentingnya pendekatan human-in-the-loop dan mengapa ini akan menggantikan RPA?

Kebenaran yang sulit adalah bahwa RPA adalah teknologi yang sudah berusia beberapa dekade yang rapuh dengan batasan nyata pada kemampuannya. Ini akan selalu memiliki beberapa nilai dalam mengotomatisasi pekerjaan yang sederhana, diskrit, dan linear. Namun, alasan upaya otomatisasi sering kali gagal mencapai aspirasi mereka adalah karena kehidupan itu kompleks dan selalu berubah.

Pendekatan dasar untuk RPA adalah membangun robot (bot) untuk setiap masalah atau jalur yang ingin Anda selesaikan. Manusia (konsultan atau insinyur) membangun robot untuk menyelesaikan masalah tertentu. Solusi robotik ini menggantikan urutan langkah. Ini melihat layar, mengambil tindakan, dan mengulanginya.

Masalah yang sering terjadi adalah bahwa perubahan di dunia, seperti modifikasi pada perangkat lunak atau UI, dapat menyebabkan bot rusak. Seperti yang kita ketahui, teknologi terus berkembang, menciptakan lingkungan dinamis. Ini berarti bahwa robot RPA sering gagal.

Masalah lain dengan bot ini adalah bahwa Anda perlu membuat satu untuk setiap situasi yang ingin Anda selesaikan. Dengan melakukan ini, Anda berakhir dengan banyak robot, semua menyelesaikan tindakan yang sangat kecil yang tidak memerlukan keterampilan yang banyak.

Ini seperti permainan whack-a-mole. Setiap hari Anda menghadapi kemungkinan bahwa salah satu dari mereka akan rusak karena perangkat lunak akan berubah atau sesuatu yang tidak biasa akan terjadi – kotak dialog akan muncul atau jenis input baru akan terjadi. Hasilnya adalah perawatan yang mahal untuk menjaga bot ini berjalan. Menurut penelitian dari Forrester, untuk setiap $1 yang dihabiskan untuk RPA, $3,41 tambahan dihabiskan untuk sumber daya konsultasi.

Dengan kata lain, perangkat lunak sebenarnya untuk RPA bukanlah biaya utama. Investasi biaya yang lebih besar adalah semua pekerjaan yang harus Anda lakukan untuk menjaga RPA berjalan sepanjang waktu. Banyak organisasi tidak memperhitungkan biaya berkelanjutan tersebut.

Karena banyak kehidupan yang kompleks dan terus berkembang, banyak pekerjaan jatuh di luar kemampuan RPA, di mana ML masuk. ML memungkinkan kami untuk mengotomatisasi hal-hal yang sulit. Dan kami percaya bahwa “special sauce” adalah manusia yang meningkatkan algoritma dengan mengajarinya.

Ketika algoritma tidak yakin tentang apa yang harus dilakukan (kepercayaan rendah), itu dinaikkan ke human-in-the-loop sebagai gantinya. Manusia melabeli contoh-contoh itu dan mengidentifikasi kasus yang tidak ditangani oleh model saat ini. Ketika ini dilakukan, dan AI mendapatkannya dengan benar, itu adalah tugas yang berfungsi dengan baik.

Setiap tugas di mana manusia menangkap masalah adalah kasus di mana mesin tidak menanganinya dengan benar. Dalam hal ini, data ditambahkan ke set data kami, yang melatih kembali model ML untuk menangani situasi baru ini.

Seiring waktu, model ML membangun ketahanan terhadap kasus tepi baru ini. Ini menghasilkan sistem yang kuat dan fleksibel terhadap outlier atau pengecualian baru, dan sistem menjadi lebih kuat seiring waktu. Ini berarti otomatisasi menjadi lebih baik dan lebih baik dan intervensi manusia akan menurun seiring waktu.

Memiliki ahli manusia di dalam loop sangat penting untuk membuat AI lebih pintar, lebih cepat, dan lebih baik. Kami membutuhkan manusia untuk melatih AI dengan benar dan memastikan bahwa itu dapat menangani outlier yang merupakan bagian tak terhindarkan dari setiap industri – dan terutama di bidang yang dinamis seperti kesehatan.

Bisakah Anda membahas bagaimana solusi human-in-the-loop AKASA Unified Automation ™ bekerja, dan apa saja kasus penggunaan utama untuk platform ini?

Unified Automation adalah platform yang dibuat khusus untuk kesehatan. Menggunakan AI, ML, dan tim ahli penagihan medis kami, ini menciptakan solusi yang terintegrasi dengan baik, disesuaikan yang membantu Anda melihat nilai lebih cepat, dengan hampir tidak ada perawatan atau antrian pengecualian.

Ini telah dirancang dengan pengecualian dan outlier dalam pikiran. Jika itu menemukan sesuatu yang baru, platform mengibarkan masalah ke tim ahli AKASA yang menyelesaikannya sementara sistem belajar dari tindakan yang mereka ambil. Ini adalah elemen manusia yang membedakan kami dari solusi lain di pasar dan memungkinkan platform untuk terus belajar dan meningkatkan.

Unified Automation juga beradaptasi dengan sifat kesehatan yang dinamis. Ini adalah solusi yang terintegrasi dengan baik, disesuaikan yang membantu mengurangi biaya operasional, meningkatkan staf untuk menangani pekerjaan yang lebih menantang yang memerlukan sentuhan manusia, dan meningkatkan penangkapan pendapatan untuk sistem kesehatan sambil juga meningkatkan pengalaman keuangan pasien.

Berikut adalah cara kerja Unified Automation:

Perangkat lunak khusus mengamati: Alat Worklogger ™ kami mengamati secara remote bagaimana staf kesehatan menyelesaikan tugas mereka. Kemudian tim kami melabeli data itu dan memberinya ke otomatisasi kami untuk memberikan gambaran komprehensif tentang aliran kerja dan proses saat ini. Ini menghasilkan visibilitas yang lebih tinggi ke kinerja staf, data dasar tentang aliran kerja untuk memberdayakan otomatisasi kami, dan analisis waktu-per-tugas yang akurat.

AI melakukan: Setelah mengamati dan mempelajari aliran kerja staf kesehatan, AI kami kemudian melakukan tugas-tugas itu secara otonom. Ini terus belajar dari masalah dan kasus tepi yang dihadapi, mengambil tugas yang lebih kompleks seiring waktu. Unified Automation duduk di hulu dalam antrian kerja – menugaskan diri tugas yang sesuai dan menyelesaikannya tanpa mengganggu tim. Ini juga secara otomatis mengoptimalkan proses sehingga tidak diperlukan pengaturan atau intervensi dari staf.

Keahlian manusia memastikan: Sistem secara otomatis mengibarkan tim ahli penagihan medis kami untuk menangani pengecualian dan outlier, melatih AI secara real-time saat mereka bekerja. Ini adalah bagian ahli-di-dalam-loop. Dengan pembelajaran terus-menerus yang dibangun, platform Unified Automation menjadi lebih pintar dan lebih efisien seiring waktu dan pekerjaan selalu selesai.

Apakah ada yang lain yang ingin Anda bagikan tentang AKASA?

Kami memiliki pendekatan penelitian-terlebih-dahulu yang berarti bahwa pelanggan kami memiliki akses ke teknologi terdepan. Kami berkomitmen untuk menerbitkan AI dan pendekatan kami dalam publikasi peer-review untuk terus menetapkan standar baru untuk AI dalam operasi kesehatan dan untuk memimpin seluruh industri ke depan.

Misalnya, penelitian kami telah disajikan di Konferensi Pembelajaran Mesin Internasional (ICML), Puncak Pemahaman Bahasa Alami (NLP), dan Konferensi Pembelajaran Mesin untuk Kesehatan (MLHC), di antara lain. Kami mengambil pendekatan yang sangat disiplin untuk menguji model kami dan membandingkan kinerja dengan pendekatan AI terdepan di pasar.

Solusi prediksi penolakan kami diyakini sebagai sistem berbasis pembelajaran dalam yang pertama yang dapat memprediksi penolakan klaim medis dengan akurasi lebih dari 22% dibandingkan dengan baseline yang ada. Model Read, Attend, Code kami untuk pengkodean otonom klaim medis dari catatan klinik telah diakui sebagai definisi baru standar negara bagian untuk industri dan outperformed model saat ini sebesar 18% – melampaui produktivitas pengkode manusia. Kami percaya bahwa inovasi gudang belakang ini sangat penting untuk memperbaiki sistem kesehatan AS secara besar-besaran dan akan terus mengarahkan kemajuan dan membangun solusi khusus untuk ruang ini.

Terdapat banyak hype sekitar AI dalam kesehatan tetapi ketika datang ke itu, perusahaan dapat melebih-lebihkan apa yang teknologi mereka sebenarnya dapat lakukan. Ini jauh lebih sulit untuk melakukan penelitian untuk memvalidasi apa yang algoritma lakukan – dan kami membanggakan diri kami untuk mengambil rute yang bermakna, namun menantang untuk akhirnya membuktikan bahwa platform Unified Automation AKASA benar-benar membawa perubahan positif dan bermakna ke rumah sakit dan sistem kesehatan.

Kami bersemangat tentang masa depan dan apa yang akan datang di AKASA ketika kami membangun masa depan kesehatan dengan AI.

Terima kasih atas wawancara yang bagus, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi AKASA.