Varun Ganapathi、AKASAのCTO兼共同創設者 – インタビューシリーズ

Varun Ganapathiは、ヘルスケアアプリケーション向けのAIを開発するAKASAのCTO兼共同創設者です。AKASAは、ヘルスケア機関が運営を改善し、収益を上げ、効率を高め、患者経験を向上させるのに役立ちます。Varunは、AKASA以前にも2つのAI企業を設立し、1つはGoogleに、もう1つはUdacityに買収されました。

あなたは機械学習の分野で著名な経歴を持っています。スタンフォードでの初期の日々について、ヘリコプターを自律的にする作業について話してください。

私がスタンフォードで物理学を学んでいたとき、コンピューターサイエンスと機械学習（ML）にも興味を持っていました。私にとって、AIとMLは、すべてを1つにまとめるもので、実際には、デジタル化可能な現象に対する物理学を自動化する方法です。

あるプロジェクトでは、双発プロペラのヘリコプターがありました。それは、当時まだ普及していなかったドローンよりも少し小さかったです。人々はそれを飛ばし、ト릭をさせていました。たとえば、逆さまにホバリングすることができました。これは非常に難しいことですが、私たちは、人間からヘリコプターの飛行を学ぶことができるMLアルゴリズムを作成したいと思っていました。

私たちは、実際のヘリコプターに基づいた物理シミュレーターを作成し、ヘリコプターの動きを予測するMLアルゴリズムを作成しました。次に、シミュレーター内で強化学習を適用してコントローラーを開発し、ソフトウェアをヘリコプターにアップロードしました。ヘリコプターを起動すると、最初の試行で動作しました。ヘリコプターはすぐに逆さまにホバリングすることができました。これは非常に印象的なことでした。チームは、MLを使用して他の種類のト릭を自動化する作業を続けました。

あなたはGoogle Booksでも働いていました。そこで開発したアルゴリズムについて、そしてあなたの会社がGoogleに買収された経緯について話してください。

2004年にスタンフォードで授業を受けているときに、Googleでのインターンを行いました。ヘリコプターのプロジェクトの後です。Google (GOOGL ) Booksプロジェクトでは、世界中の本をスキャンしていました。

Googleは、人々に本の情報をラベル付けすることを支払っていました。たとえば、ページ、目次、著作権などです。これは非常に時間のかかる作業でした。私は、MLを使用してこれを行うことができるかどうかを見たいと思いました。実際には非常にうまくいきました。人間が行った場合よりも、より正確で、エラーも少なかったのです。人間のエラーは、主に人間の手作業によるラベリングのエラーによるものでした。

これは私にとって、MLの力についての興奮をもたらしました。人間のパフォーマンスから超人的なパフォーマンスへと移行することができることを示したからです。つまり、退屈な作業をより迅速に、エラーを少なく、より一貫性を持って行うことができるのです。また、エッジケースも処理できます。

そこから、私はスタンフォードで博士課程に進み、MLと理論的な研究に重点を置きました。私の論文では、コンピューターがリアルタイムで人間の全ジョイントの動きを追跡できるようにするアルゴリズムを開発しました。これは、私の最初の会社であるNumovisの基礎となりました。Numovisは、モーショントラッキングとコンピュータビジョンをユーザーインターフェースに使用していました。これは、Googleに買収されました。

私の旅は、ヘリコプターのプロジェクトからGoogle Books、自動運転車、そして今のヘルスケア運営まで、MLアルゴリズムの力と汎用性を示しています。

AKASAの創設について話してください。

私たちは、AKASAを、ヘルスケア運営における大きな問題を解決するために設立しました。ヘルスケア運営は、高額でエラーが多く、患者にとって不必要なパニックを引き起こすことがあります。管理側には、新しいテクノロジーが不足しており、特化したものはありませんでした。私たちは、AIやMLのようなテクノロジーを使用して、これらの運営上の課題を革新的に解決できることを認識しました。多くのヘルスケアシステムやヘルスケアリーダーと話をすると、彼らは私たちの考えを裏付けてくれました。これが、2019年にAKASAの設立につながりました。

AKASAの目的は、初めから明確でした。人間の健康を促進し、AIを使用してヘルスケアの未来を築くことです。私たちがこの課題に取り組む方法は、人間の知性と最先端のAIおよびMLを組み合わせることで、ヘルスケアシステムが運営コストを削減し、最も重要なリソースに注力できるようにすることです。

私たちのシステムは、柔軟性とシステムの非依存性を備えています。現在、475以上の病院とヘルスケアシステム、8,000以上の外来施設をサポートしています。私たちのテクノロジーは、これらの組織がEHRプロバイダーを使用しているかどうかに関係なく、強力な結果をもたらします。

私たちの顧客ベースは、年間で合計1100億ドル以上の純患者収入を表しています。これは、Centers for Medicaid and Medicare Servicesによると、米国のヘルスケアシステムの年間支出の10%以上に相当します。AKASAのモデルとアルゴリズムは、約2.9億の請求と支払いに対してトレーニングされています。

ヘルスケアの「見えない配管」は非常に複雑ですが、人間の健康に大きな影響を与えます。私たちは、これを1つずつ自動化しています。

AKASAがヘルスケアで自動化しようとしているタスクについて話してください。

私たちの独自のエキスパートインザループアプローチ、Unified Automation™は、MLと人間の判断と専門知識を組み合わせて、ヘルスケア運営のための強力で堅牢な自動化を提供します。AKASAは、請求書処理や支払いなどのヘルスケア財務機能内のエンドツーエンドタスクを迅速に自動化およびストリームライン化できます。AKASAが自動化する具体的なタスクには、患者資格の確認、保険情報の文書化と検証、患者費用の見積もり、請求書の編集や再請求、拒否の予測と管理が含まれます。

このような自動化は、人間のエラーと遅延を減らし、サプライズの医療請求を防ぐのに役立ちます。また、ヘルスケアスタッフを解放し、より報われて、挑戦的で価値のあるタスクに集中できるようにします。

AKASAで使用されているさまざまな種類のMLアルゴリズムについて話してください。

AKASAは、自動運転車に使用されているのと同じMLアプローチを使用して、ヘルスケアシステムにヘルスケア運営の自動化のための単一のソリューションを提供します。このアプローチは、MLを中心とし、自動化の能力を拡大して、より複雑な作業をスケールで行えるようにします。

私たちは、コンピュータビジョン、自然言語理解、構造化データの問題に対する最先端のアルゴリズムを開発しています。私たちのプラットフォームは、コンピュータビジョンを使用したRPAを使用し、モダンなAI、ML、およびエキスパートインザループを組み合わせて、強力な自動化を提供します。

高レベルの概要として、私たちの独自のソリューションは、ヘルスケアスタッフがタスクを完了する方法を観察し始めます。次に、データをラベル付けしてアルゴリズムをトレーニングし、ヘルスケアスタッフとシステムがどのように機能するかを理解できるようにします。次に、プラットフォームはワークフローを自律的に実行し、エキスパートインザループが例外や特例を処理するために介入します。AIは、これらの経験から継続的に学習し、時間の経過とともにより複雑なタスクを処理できるようになります。

エキスパートインザループアプローチの重要性と、RPAを置き換える理由について話してください。

厳しい現実は、RPAは数十年前のテクノロジーであり、限界があります。RPAは、シンプルで離散的で線形な作業の自動化にはまだ価値があります。しかし、自動化の努力がしばしば期待に応えられないのは、生活が複雑で常に変化しているからです。

RPAの基本的なアプローチは、各問題や解決したいパスに対してロボット（ボット）を構築することです。コンサルタントやエンジニアが、特定の問題を解決するロボットを構築します。このロボットソリューションは、人間が行う一連のステップに取って代わるものです。ロボットは画面を見て、行動を起こして、繰り返します。

問題は、世界の変化（たとえば、ソフトウェアやUIの変更）がボットを壊す可能性があることです。テクノロジーは常に進化しており、動的な環境を作り出しています。したがって、RPAロボットはしばしば失敗します。

ボットのもう1つの問題は、解決したいすべての状況に対してボットを作成する必要があることです。そうすると、多くのロボットができあがり、すべてが小さなアクションを実行しますが、多くのスキルは必要としません。

これは、たたき上げゲームのようなものです。毎日、ボットの1つが壊れる可能性があります。ソフトウェアが変更されたり、異常なことが起こったり、ダイアログボックスが表示されたり、新しい種類の入力が行われたりします。結果として、ボットを維持するためのコストが高くなります。Forrester Researchによると、RPAに1ドルを費やすごとに、コンサルティングリソースに3.41ドルの追加コストがかかります。

つまり、RPAソフトウェア自体のコストは、全体的なコストの多くを占めていません。より大きなコストは、RPAを常に実行するために必要な作業です。多くの組織は、この継続的なコストを考慮していません。

生活の多くは複雑で常に変化しているため、RPAの能力を超えた多くの作業があります。そこで、MLが登場します。MLにより、難しい作業を自動化できます。また、私たちが信じている特別なソースは、アルゴリズムを教える人間です。

アルゴリズムが何をするべきかがわからない場合（低い信頼度）、それを人間のループにエスカレートします。人間は、アルゴリズムが正しく機能しなかった例をラベル付けし、現在のモデルで処理できないケースを特定します。人間が問題を捕捉した場合、それはマシンが適切に機能していない場合です。その場合、データはデータセットに追加され、MLモデルを新しい状況に対応できるように再トレーニングします。

時間の経過とともに、MLモデルはこれらの新しいエッジケースに対して堅牢性を構築します。結果として、システムは堅牢で柔軟性があり、新しいエッジケースや例外に対応できるようになります。自動化は、時間の経過とともに改善され、人間の介入は減少します。

エキスパートインザループを備えることは、AIをより賢く、より迅速に、より優れたものにするために不可欠です。私たちは、AIを適切にトレーニングし、エッジケースを処理できるようにするために、人間が必要です。特に、ヘルスケアのようなダイナミックな分野ではそうです。

AKASAのエキスパートインザループソリューションであるUnified Automation™について話してください。また、このプラットフォームの主なユースケースについても説明してください。

Unified Automationは、ヘルスケアのために特別に設計されたプラットフォームです。AI、ML、および私たちのメディカルビリングの専門家チームを使用して、シームレスに統合された、カスタマイズされたソリューションを作成します。これにより、メンテナンスや例外キューがほとんどなく、価値をより迅速に実現できます。

例外や特例を念頭に置いて設計されています。如果、新しいものに出会うと、プラットフォームは問題をAKASAの専門家チームにフラグし、システムが彼らが取る行動から学習します。これが、私たちのソリューションを市場の他のソリューションと区別し、プラットフォームが継続的に学習し、改善されることを可能にします。

Unified Automationは、ヘルスケア業界のダイナミックな性質にも適応しています。シームレスに統合された、カスタマイズされたソリューションであり、運営コストを削減し、スタッフをより報われて、人間のタッチが必要な作業に集中できるようにします。また、収益を確保し、患者経験も向上させます。

ここでは、Unified Automationのしくみを説明します。

独自のソフトウェアによる観察: 私たちのWorklogger™ツールは、ヘルスケアスタッフがタスクを完了する方法をリモートで観察します。次に、データをラベル付けして自動化に提供し、ワークフローとプロセスに関する包括的なビューを提供します。これにより、スタッフのパフォーマンスに関する可視性が高まり、自動化を駆動するためのワークフローに関する基礎データが得られ、タスクごとの時間分析が可能になります。

AIによる実行: ヘルスケアスタッフのワークフローを観察し、学習した後、AIはこれらのタスクを自律的に実行します。AIは、問題やエッジケースに遭遇するにつれて、継続的に学習し、時間の経過とともにより複雑なタスクを実行するようになります。Unified Automationは、ワークキューの上流に位置し、適用可能なタスクを自分で割り当て、スタッフを妨げることなくそれらを完了します。また、プロセスを自動的に最適化するため、スタッフからのセットアップや介入は必要ありません。

人間の専門知識による保証: システムは、例外や特例を自動的にAKASAのメディカルビリングの専門家チームにフラグし、AIをリアルタイムでトレーニングします。これが、エキスパートインザループの部分です。継続的な学習が組み込まれているため、Unified Automationプラットフォームは時間の経過とともにより賢く、より効率的になり、作業は常に完了します。

AKASAについてさらに何か共有したいことがありますか?

私たちは、研究優先のアプローチを取ります。つまり、顧客は最先端のテクノロジーにアクセスできることを意味します。私たちは、ヘルスケア運営におけるAIとアプローチに関する研究を、査読付きの出版物に公開することに尽力しています。私たちは、業界全体を牽引し、ヘルスケア運営におけるAIの新しい基準を設定したいと考えています。

たとえば、私たちの研究は、International Conference on Machine Learning（ICML）、Natural Language Processing Summit、Machine Learning for Healthcare Conference（MLHC）などで発表されてきました。私たちは、モデルをテストし、市場にある最先端のAIアプローチと比較するための、非常に規律のあるアプローチを取ります。

私たちの予測拒否ソリューションは、22%以上の精度で医療請求の拒否を予測できる、最初の公開されたディープラーニングベースのシステムと考えられています。私たちのRead、Attend、Codeモデルは、臨床ノートからの医療請求の自律的なコード化において、業界の新しい基準を定義し、現在のモデルを18%上回り、人間のコーダーを上回る成果を挙げています。私たちは、これらのバックオフィスのイノベーションが、米国のヘルスケアシステムを大規模に改善するために重要であると考え、継続的に進歩し、ヘルスケアのためのカスタマイズされたソリューションを構築することを目指しています。

ヘルスケアにおけるAIの周りには多くの話題がありますが、会社は何ができるかについて過大な期待を抱かせたり、実際にできることについて話したりすることがあります。私たちは、アルゴリズムが何をするかを検証するための研究を行うという、より意味のあるが挑戦的な道を選びました。最終的に、AKASAのUnified Automationプラットフォームが病院やヘルスケアシステムに、実際に良い変化をもたらしていることを証明することです。

私たちは、AKASAの未来と、AIを使用してヘルスケアの未来を築くことについて、非常に楽観的です。

素晴らしいインタビュー、詳しく知りたい読者は、AKASAを訪問してください。