ინტერვიუები
ვარუნ განაპათი, CTO და AKASA - ინტერვიუს სერიის თანადამფუძნებელი
ვარუნ განაპათი არის CTO და თანადამფუძნებელი აკაზა, AI-ის შემქმნელი ჯანდაცვის აპლიკაციებისთვის. AKASA ეხმარება ჯანდაცვის ორგანიზაციებს გააუმჯობესონ ოპერაციები, შემოსავლების ციკლის ჩათვლით, შემოსავლების გაზრდის, ეფექტურობისა და პაციენტის გამოცდილების გაზრდის მიზნით. ვარუნი წარმატებით დაიწყო ორი AI კომპანია AKASA-მდე, ერთი შეიძინა Google-მა და მეორე Udacity-მ.
თქვენ გქონდათ გამორჩეული კარიერა მანქანათმცოდნეობაში, შეგიძლიათ განიხილოთ თქვენი ადრეული დღეები სტენფორდში, როდესაც მუშაობდით ვერტმფრენების ავტონომიურ კეთებაზე?
როდესაც სტენფორდში ფიზიკას ვსწავლობდი, ასევე ძალიან მაინტერესებდა კომპიუტერული მეცნიერებები და მანქანათმცოდნეობა (ML). ჩემთვის, ხელოვნური ინტელექტისა და ML-ის გაერთიანება ყველაფერს ერთში – ეს მართლაც ავტომატიზირებული გზაა ფიზიკის გასაკეთებლად ნებისმიერ ციფრულ ფენომენზე.
ამ ერთი კონკრეტული პროექტისთვის ჩვენ გვქონდა ეს ვერტმფრენი, რომელიც გარეგნულად დიდ დრონს ჰგავდა, ოდნავ პატარა, ვიდრე ორმაგი ლეიბი - იმ დროს, როდესაც დრონები არ იყო გავრცელებული. ხალხი დაფრინავდა მას და აიძულებდა ხრიკებს, როგორიცაა თავდაყირა ცურვა. მიუხედავად იმისა, რომ ამის გაკეთება ძალიან რთულია, ჩვენ გვინდოდა შეგვექმნა ML ალგორითმი, რომელიც შეძლებდა ადამიანებისგან ისწავლოს ამ ვერტმფრენის ავტონომიურად ფრენა.
ჩვენ შევქმენით ფიზიკის სიმულატორი, რომელიც დაფუძნებული იყო რეალურ ვერტმფრენზე და ML ალგორითმზე, რომელმაც ისწავლა მისი მოძრაობების პროგნოზირება. შემდეგ ჩვენ გამოვიყენეთ სიმულატორის გაძლიერების სწავლება კონტროლერის შესაქმნელად, ავიღეთ პროგრამული უზრუნველყოფა და ავტვირთეთ ის რეალურ ვერტმფრენში. მას შემდეგ რაც ვერტმფრენი ჩავრთეთ, ის პირველივე ცდაზე მუშაობდა! ვერტმფრენმა მაშინვე თავისთავად შეძლო თავდაყირა აფრენა, რაც საკმაოდ შთამბეჭდავი იყო. გუნდმა განაგრძო მუშაობა ML-ის გამოყენებით სხვა სახის ხრიკების ავტომატიზაციაზე.
თქვენ ასევე მუშაობდით Google Books-ში, შეგიძლიათ განიხილოთ ალგორითმი, რომელზეც მუშაობდით და როგორ შეიძინა თქვენი კომპანია საბოლოოდ Google-მა?
მე რეალურად გავიარე სტაჟირება Google-ში 2004 წელს სტენფორდში გაკვეთილების გავლისას – ეს იყო ვერტმფრენის პროექტის დასრულებისთანავე. ამ დროის განმავლობაში მე ვახორციელებდი ML-ს Google Books პროექტისთვის, სადაც ჩვენ ვამოწმებდით მსოფლიოს ყველა წიგნს.
Google უხდიდა ყველა ამ ადამიანს წიგნების შესახებ ინფორმაციის, როგორიცაა გვერდების, შინაარსის ცხრილების, საავტორო უფლებების და ა.შ. ეტიკეტირების მიზნით - ძალიან შრომატევადი ამოცანა. მინდოდა გამეგო, შეგვიძლია თუ არა გამოვიყენოთ ML ამისათვის და ის ძალიან კარგად მუშაობდა. ის რეალურად უკეთესად მუშაობდა და უფრო ზუსტი იყო, ვიდრე ადამიანებმა გააკეთეს, რადგან შეცდომების უმეტესობა გამოწვეული იყო ადამიანური შეცდომით, ხელით ეტიკეტირებისას.
ამან ძალიან აღმაფრთოვანა ML-ით, რადგან მან აჩვენა, რომ თქვენ შეგიძლიათ გადახვიდეთ ადამიანური ფუნქციიდან ზეადამიანურ შესრულებაზე - ამქვეყნიური ამოცანების შესრულება ნაკლები შეცდომებით და უფრო თანმიმდევრულად, სანამ ჯერ კიდევ ასრულებთ ზღვრულ საქმეებს.
იქიდან გადავწყვიტე დოქტორანტურა. სტენფორდში, თავდაპირველად ფოკუსირება ML-ზე და უფრო თეორიულ ნაშრომებზე. ჩემი დისერტაციისთვის მე შევიმუშავე ალგორითმი რეალურ დროში მოძრაობის გადასაღებად, სადაც კომპიუტერს შეუძლია თვალყური ადევნოს ადამიანის ყველა სახსრის მოძრაობას რეალურ დროში სიღრმისეული კამერიდან. ეს იყო ჩემი პირველი კომპანიის, Numovis-ის საფუძველი, რომელიც ორიენტირებული იყო მოძრაობის თვალყურის დევნებაზე და კომპიუტერულ ხედვაზე მომხმარებლის ურთიერთქმედებისთვის. ის Google-მა შეიძინა.
ჩემმა მთელმა მოგზაურობამ ვერტმფრენის პროექტიდან Google Books-მდე თვითმართველ მანქანებამდე და ახლა ჯანდაცვის ოპერაციებმა მაჩვენა, რამდენად ძლიერი და ზოგადია მანქანური სწავლის ალგორითმები.
შეგიძლიათ გაგიზიაროთ გენეზის ისტორია AKASA-ს უკან?
ჩვენ ავაშენეთ აკაზა ჯანდაცვის ოპერაციებში მასიური, ღრმად ჩადებული პრობლემის გადასაჭრელად. ეს ოპერაციები არის როგორც ძვირი, ასევე შეცდომებისადმი მიდრეკილი, რამაც შეიძლება გამოიწვიოს პანიკის გამომწვევი არასაჭირო ფინანსური გამოცდილება პაციენტებისთვის. ახალი ტექნოლოგიების ნაკლებობა იყო ადმინისტრაციულ მხარეს და არაფერი იყო მიზანმიმართული. ჩვენთვის ცხადი გახდა, რომ თქვენ შეგეძლოთ გამოიყენოთ ტექნოლოგია, როგორიცაა AI და ML, რომ გადაჭრათ ეს ოპერატიული გამოწვევები ინოვაციური გზით. როდესაც ჩვენ ვესაუბრეთ უამრავ ჯანდაცვის სისტემას და ჯანდაცვის ლიდერს, მათ დაადასტურეს ჩვენი აზროვნება, რამაც საბოლოოდ გამოიწვია AKASA-ს დაარსება 2019 წელს.
ამით, AKASA-ს მიზანი თავიდანვე ნათელი იყო - ადამიანის ჯანმრთელობის გააქტიურება და ჯანდაცვის მომავლის აშენება AI-ით. ჩვენ გადავწყვიტეთ ამ გამოწვევის მიღება არის ადამიანური ინტელექტის გაერთიანება მოწინავე AI და ML, რათა ჯანდაცვის სისტემებმა შეამცირონ საოპერაციო ხარჯები და გაანაწილონ რესურსები იქ, სადაც მათ ყველაზე მნიშვნელოვანია.
ჩვენი სისტემური აგნოსტიკური, მოქნილი პლატფორმა ამჟამად ემსახურება მომხმარებელთა ბაზას, რომელიც წარმოადგენს 475-ზე მეტ საავადმყოფოსა და ჯანდაცვის სისტემას და 8,000-ზე მეტ ამბულატორიულ დაწესებულებას, 50-ვე შტატში. ჩვენი ტექნოლოგია ეხმარება ამ ორგანიზაციებს, გამოიყენებენ ჯანმრთელობის ელექტრონული ჩანაწერების (EHR) პროვაიდერებს, როგორიცაა Epic, Cerner, სხვა EHR-ები, ან Bolt-on სისტემები და ყველაფერს შორის. და ჩვენ ეს გავაკეთეთ ძლიერი შედეგებით.
ჩვენი მომხმარებელთა ბაზა წარმოადგენს 110 მილიარდ დოლარზე მეტს პაციენტის მთლიან წმინდა შემოსავალში, რაც უდრის აშშ-ს ჯანდაცვის სისტემის ყოველწლიური ხარჯების 10%-ზე მეტს. Medicaid და Medicare სერვისების ცენტრები. და AKASA-ს მოდელები და ალგორითმები გაწვრთნილი იქნა თითქმის 290 მილიონი პრეტენზიებისა და ფულადი გზავნილების შესახებ.
ჯანდაცვის უხილავი სანტექნიკა ძალზე კომპლექსურია, მაგრამ მას უდიდესი გავლენა აქვს ადამიანის ჯანმრთელობაზე და ჩვენ მას ნელ-ნელა ავტომატიზირებთ.
რა არის ზოგიერთი ამოცანები, რომლებსაც AKASA ეძებს ავტომატიზაციას ჯანდაცვის სფეროში?
ჩვენი უნიკალური ექსპერტის მიდგომა, Unified Automation™, აერთიანებს ML-ს ადამიანის განსჯის და საგნის ექსპერტიზასთან, რათა უზრუნველყოს ძლიერი და გამძლე ავტომატიზაცია ჯანდაცვის ოპერაციებისთვის. AKASA-ს შეუძლია სწრაფად და ეფექტურად მოახდინოს ავტომატიზირება და გამარტივება ჯანდაცვის ფინანსების ფუნქციის ფარგლებში ბოლომდე დასრულებული ამოცანები, მათ შორის ანგარიშების დამუშავება და გადახდები. AKASA-ს ავტომატიზირებული სპეციფიკური ამოცანები მოიცავს პაციენტის უფლებამოსილების შემოწმებას, სადაზღვევო ინფორმაციის დოკუმენტირებას და გადამოწმებას, პაციენტის ღირებულების შეფასებას, პრეტენზიების რედაქტირებას, ხელახალი დარიცხვას და გასაჩივრებას, და უარყოფის პროგნოზირებას და მართვას.
ამ ტიპის ავტომატიზაცია არა მხოლოდ ამცირებს ადამიანურ შეცდომებს და შეფერხებებს პაციენტებისთვის, ეხმარება თავიდან აიცილოს მოულოდნელი სამედიცინო გადასახადები, არამედ ათავისუფლებს ჯანდაცვის პერსონალს სახელმძღვანელოს, განმეორებითი დავალებების სრულად ამოღებით - საშუალებას აძლევს მათ ფოკუსირება მოახდინონ უფრო დაჯილდოვებულ, რთულ და ფასეულობებზე. - პაციენტის გამოცდილებისკენ მიმართული ამოცანების გენერირება.
რა არის სხვადასხვა ტიპის მანქანათმცოდნეობის ალგორითმები, რომლებიც გამოიყენება?
AKASA იყენებს იგივე მანქანური სწავლის მიდგომებს, რამაც შესაძლებელი გახადა თვითმართვადი მანქანები ჯანმრთელობის სისტემების უზრუნველყოფის ერთი გადაწყვეტილებით ჯანდაცვის ოპერაციების ავტომატიზაციისთვის. ეს მიდგომა - ორიენტირებულია ML-ზე - აფართოებს ავტომატიზაციის შესაძლებლობებს უფრო კომპლექსური სამუშაოს მასშტაბის შესასრულებლად.
ჩვენ ვავითარებთ უახლესი ალგორითმებს კომპიუტერული ხედვის, ბუნებრივი ენის გაგებისა და სტრუქტურირებული მონაცემთა პრობლემების შესახებ. ჩვენი პლატფორმა იწყება კომპიუტერულ ხედვაზე მომუშავე RPA-ით და აძლიერებს მას თანამედროვე AI-ით, ML-ით და მჭიდრო ავტომატიზაციის უზრუნველსაყოფად.
მაღალი დონის მიმოხილვის უზრუნველსაყოფად, თუ როგორ მუშაობს იგი, ჩვენი საკუთრების გადაწყვეტა პირველ რიგში აკვირდება, თუ როგორ ასრულებს ჯანდაცვის პერსონალი თავის დავალებებს. შემდეგ ჩვენი გუნდი ასახელებს ამ მონაცემებს და იყენებს მას ჩვენი ალგორითმების მოსამზადებლად, რათა ჩვენმა ტექნოლოგიამ გაიგოს და გაიგოს, თუ როგორ მუშაობს ჯანდაცვის პერსონალი და მათი სისტემები. იქიდან ჩვენი პლატფორმა ასრულებს ამ სამუშაო პროცესებს დამოუკიდებლად. დაბოლოს, ჩვენ ვიყენებთ ციკლის ექსპერტებს, რომლებსაც შეუძლიათ გადახტომა, როდესაც სისტემა მონიშნავს გარე ან გამონაკლისებს. AI მუდმივად სწავლობს ამ გამოცდილებიდან, რაც საშუალებას აძლევს მას დროთა განმავლობაში უფრო რთული ამოცანების შესრულება.
შეგიძლიათ განიხილოთ „ადამიანის მარყუჟის“ მიდგომების მნიშვნელობა და რატომ არის ეს ანაცვლებს RPA-ს?
რთული სიმართლე ის არის, რომ RPA არის ათწლეულების წინანდელი ტექნოლოგია, რომელიც მყიფეა თავისი შესაძლებლობების რეალური შეზღუდვით. მას ყოველთვის ექნება გარკვეული მნიშვნელობა სამუშაოს ავტომატიზაციისთვის, რომელიც არის მარტივი, დისკრეტული და წრფივი. თუმცა, მიზეზი იმისა, რომ ავტომატიზაციის მცდელობები ხშირად არ შეესაბამება მათ მისწრაფებებს, არის ის, რომ ცხოვრება რთულია და ყოველთვის იცვლება.
RPA-ს ძირითადი მიდგომა არის რობოტის (ბოტის) შექმნა თითოეული პრობლემისთვის ან გზისთვის, რომლის გადაჭრაც გსურთ. ადამიანი (კონსულტანტი ან ინჟინერი) აშენებს რობოტს კონკრეტული პრობლემის გადასაჭრელად. ეს რობოტული გამოსავალი იკავებს ნაბიჯების თანმიმდევრობას. ის უყურებს ეკრანს, იღებს მოქმედებას და იმეორებს.
პრობლემა, რომელიც ხშირად ჩნდება, არის ის, რომ სამყაროს ცვლილებამ, როგორიცაა პროგრამული უზრუნველყოფის ნაწილის ან ინტერფეისის ცვლილება, შეიძლება გამოიწვიოს ბოტების გაფუჭება. როგორც ვიცით, ტექნოლოგია მუდმივად ვითარდება, ქმნის დინამიურ გარემოს. ეს ნიშნავს, რომ RPA რობოტები ხშირად მარცხდებიან.
კიდევ ერთი პრობლემა ამ ბოტებთან არის ის, რომ თქვენ უნდა შექმნათ ერთი ყველა სიტუაციისთვის, რომლის მოგვარებაც გსურთ. ამით თქვენ აღმოჩნდებით მრავალი რობოტით, რომლებიც ასრულებენ ძალიან მცირე მოქმედებებს, რომლებიც დიდ უნარს არ საჭიროებს.
ეს წააგავს თამაშს. ყოველდღე ხვდებით იმის ალბათობას, რომ ერთ-ერთი მათგანი გაფუჭდება, რადგან პროგრამული უზრუნველყოფის ნაწილი შეიცვლება ან რაიმე უჩვეულო მოხდება - გამოჩნდება დიალოგური ფანჯარა ან მოხდება ახალი ტიპის შეყვანა. შედეგი არის ძვირადღირებული მოვლა ამ ბოტების მუშაობის შესანარჩუნებლად. Forrester-ის კვლევის მიხედვით, RPA-ზე დახარჯული ყოველი $1, დამატებითი $3.41 იხარჯება საკონსულტაციო რესურსებზე.
სხვა სიტყვებით რომ ვთქვათ, RPA-სთვის რეალური პროგრამული უზრუნველყოფა არ არის ღირებულების უმეტესი ნაწილი. უფრო მნიშვნელოვანი ღირებულების ინვესტიცია არის ყველა სამუშაო, რომელიც უნდა გააკეთოთ იმისათვის, რომ RPA მუდმივად იმუშაოთ. ბევრი ორგანიზაცია არ ითვალისწინებს ამ მიმდინარე ხარჯებს.
იმის გამო, რომ ცხოვრების დიდი ნაწილი რთულია და მუდმივად ვითარდება, ბევრი სამუშაო არ არის RPA-ს შესაძლებლობების მიღმა, სწორედ აქ მოდის ML. ML საშუალებას გვაძლევს მოვახდინოთ რთული პერსონალის ავტომატიზაცია. და ჩვენ გვჯერა, რომ სპეციალური სოუსი არის ადამიანები, რომლებიც აუმჯობესებენ ალგორითმებს მათ სწავლებით.
როდესაც ალგორითმი არ არის დარწმუნებული, თუ რა უნდა გააკეთოს (დაბალი თავდაჯერებულობა), ის გადაიზრდება ადამიანის მარყუჟში. ადამიანები ასახელებენ ამ მაგალითებს და იდენტიფიცირებენ შემთხვევებს, რომლებიც არ განიხილება ამჟამინდელი მოდელის მიერ. როდესაც ეს კეთდება და AI-მ სწორად გაიგო, ეს არის კარგად ფუნქციონირებადი ამოცანა.
ყველა დავალება, როდესაც ადამიანი პრობლემას იჭერს, არის შემთხვევა, როდესაც მანქანა მას სწორად არ უმკლავდება. ამ შემთხვევაში, მონაცემები ემატება ჩვენს მონაცემთა ნაკრებს, რომელიც გადაამზადებს ML მოდელებს ამ ახალი სიტუაციის მოსაგვარებლად.
დროთა განმავლობაში, ML მოდელი ამყარებს მდგრადობას ამ ახალი ზღვრული შემთხვევების მიმართ. ეს იწვევს სისტემას, რომელიც არის მტკიცე და მოქნილი ახალი გამონაკლისების ან გამონაკლისების მიმართ და სისტემა ძლიერდება დროთა განმავლობაში. ეს ნიშნავს, რომ ავტომატიზაცია უკეთესი და უკეთესი ხდება და ადამიანის ჩარევა დროთა განმავლობაში შემცირდება.
ადამიანური ექსპერტების ყოლა გადამწყვეტია ხელოვნური ინტელექტის უფრო ჭკვიანი, სწრაფი და უკეთესი გასაკეთებლად. ჩვენ გვჭირდება ადამიანები, რათა სათანადოდ ავარჯიშონ ხელოვნური ინტელექტი და უზრუნველყონ, რომ მას შეუძლია გაუმკლავდეს ისეთ სიტუაციებს, რომლებიც ნებისმიერი ინდუსტრიის გარდაუვალი ნაწილია - და განსაკუთრებით ისეთ დინამიურ სფეროში, როგორიცაა ჯანდაცვა.
როგორ მუშაობს AKASA-ს Human-in-the-Loop გადაწყვეტა Unified Automation™ და რა არის ამ პლატფორმის ძირითადი გამოყენების შემთხვევები?
ერთიანი ავტომატიზაცია არის ჯანდაცვის მიზნით შექმნილი პლატფორმა. AI, ML და სამედიცინო ბილინგის ექსპერტთა ჩვენი გუნდის გამოყენებით, ის ქმნის შეუფერხებლად ინტეგრირებულ, მორგებულ გადაწყვეტას, რომელიც გეხმარებათ ღირებულების უფრო სწრაფად დანახვაში, პრაქტიკულად შენარჩუნების ან გამონაკლისის რიგების გარეშე.
იგი შექმნილია გამონაკლისებისა და გამონაკლისების გათვალისწინებით. თუ ის რაიმე ახალს შეხვდება, პლატფორმა ასახელებს საკითხს AKASA-ს ექსპერტთა გუნდს, რომლებიც წყვეტენ მას, სანამ სისტემა სწავლობს მათ მიერ განხორციელებულ ქმედებებს. ეს არის ის ადამიანური ელემენტი, რომელიც განასხვავებს ჩვენს ბაზარზე არსებულ სხვა გადაწყვეტილებებს და საშუალებას აძლევს პლატფორმას მუდმივად ისწავლოს და გაუმჯობესდეს.
ერთიანი ავტომატიზაცია ასევე ადაპტირდება ჯანდაცვის ინდუსტრიის დინამიურ ბუნებასთან. ეს არის შეუფერხებლად ინტეგრირებული, მორგებული გადაწყვეტა, რომელიც ეხმარება შეამციროს საოპერაციო ხარჯები, აამაღლებს პერსონალს უფრო მომგებიანი სამუშაოს შესრულებაში, რომელიც მოითხოვს ადამიანის შეხებას და აუმჯობესებს შემოსავლების მიღებას ჯანდაცვის სისტემებისთვის და ასევე აუმჯობესებს პაციენტის ფინანსურ გამოცდილებას.
აი, როგორ მუშაობს ერთიანი ავტომატიზაცია:
საკუთრების პროგრამული უზრუნველყოფა აღნიშნავს: ჩვენი Worklogger™ ინსტრუმენტი დისტანციურად აკვირდება, თუ როგორ ასრულებს ჯანდაცვის პერსონალი თავის დავალებებს. შემდეგ ჩვენი გუნდი ასახელებს ამ მონაცემებს და აწვდის მათ ჩვენს ავტომატიზაციას, რათა უზრუნველყოს მიმდინარე სამუშაო პროცესებისა და პროცესების ყოვლისმომცველი ხედვა. ეს იწვევს პერსონალის მუშაობის უფრო მაღალ ხილვადობას, ფუნდამენტურ მონაცემებს სამუშაო ნაკადების შესახებ ჩვენი ავტომატიზაციის გასაძლიერებლად და ზუსტი დროის ანალიზს თითო ამოცანაზე.
AI ასრულებს: ჯანდაცვის პერსონალის სამუშაო პროცესებზე დაკვირვებისა და შესწავლის შემდეგ, ჩვენი AI ასრულებს ამ ამოცანებს დამოუკიდებლად. ის გამუდმებით სწავლობს პრობლემებსა და უპირატესობებს, რომლებსაც აწყდება, დროთა განმავლობაში იღებს უფრო რთულ ამოცანებს. ერთიანი ავტომატიზაცია ზის ზემოთ სამუშაო რიგში - ანიჭებს თავს შესაბამის დავალებებს და ასრულებს მათ გუნდის შეფერხების გარეშე. ის ასევე ავტომატურად ახდენს პროცესების ოპტიმიზაციას, ასე რომ არ არის საჭირო პერსონალის დაყენება ან ჩარევა.
ადამიანის ექსპერტიზა უზრუნველყოფს: სისტემა ავტომატურად მონიშნავს ჩვენს სამედიცინო ბილინგის ექსპერტთა გუნდს, რათა მოაგვარონ გამონაკლისები და გამონაკლისები, ავარჯიშონ AI რეალურ დროში, როდესაც ისინი მუშაობენ. ეს არის ექსპერტიზის ნაწილი. ჩაშენებული უწყვეტი სწავლით, ერთიანი ავტომატიზაციის პლატფორმა დროთა განმავლობაში უფრო ჭკვიანი და ეფექტური ხდება და სამუშაო ყოველთვის სრულდება.
არის კიდევ რამე, რისი გაზიარებაც გსურთ AKASA-ს შესახებ?
ჩვენ გვაქვს კვლევის პირველი მიდგომა, რაც ნიშნავს, რომ ჩვენს მომხმარებლებს აქვთ წვდომა მოწინავე ტექნოლოგიაზე. ჩვენ მზად ვართ გამოვაქვეყნოთ ჩვენი AI და მიდგომები რეცენზირებად პუბლიკაციებში, რათა მუდმივად დავაწესოთ ხელოვნური ინტელექტის ახალი სტანდარტები ჯანდაცვის ოპერაციებში და წარვმართოთ მთელი ჩვენი ინდუსტრია წინ.
მაგალითად, ჩვენი კვლევა წარმოდგენილი იყო მანქანათმცოდნეობის საერთაშორისო კონფერენციაზე (ICML), ბუნებრივი ენის დამუშავების (NLP) სამიტზე და მანქანური სწავლება ჯანდაცვის კონფერენციაზე (MLHC), სხვათა შორის. ჩვენ ვიყენებთ ძალიან დისციპლინირებულ მიდგომას ჩვენი მოდელების შესამოწმებლად და ეფექტურობის შესადარებლად ბაზარზე არსებული ხელოვნური ინტელექტის თანამედროვე მიდგომებთან.
მიჩნეულია, რომ ჩვენი პროგნოზირებადი უარყოფის გადაწყვეტა არის პირველი გამოქვეყნებული ღრმა სწავლაზე დაფუძნებული სისტემა, რომელსაც შეუძლია ზუსტად განსაზღვროს სამედიცინო პრეტენზიების უარყოფა 22%-ზე მეტით არსებულ საბაზისო ხაზებთან შედარებით. ჩვენი Read, Attend, Code მოდელი სამედიცინო პრეტენზიების ავტონომიური კოდირებისთვის კლინიკური შენიშვნებიდან აღიარებულია, როგორც ინდუსტრიის ახალი უახლესი ტექნოლოგიის განმსაზღვრელი და 18%-ით აჯობა მიმდინარე მოდელებს - აღემატება ადამიანური კოდირების პროდუქტიულობას. ჩვენ გვჯერა, რომ ეს back-office ინოვაციები გადამწყვეტია აშშ-ს ჯანდაცვის სისტემის მასშტაბის გასაუმჯობესებლად და გააგრძელებს წინსვლას და ამ სივრცისთვის მორგებული გადაწყვეტილებების შექმნას.
ჯანდაცვის სფეროში ხელოვნური ინტელექტის გარშემო ბევრი აჟიოტაჟია, მაგრამ როცა საქმე ეხება საქმეს, კომპანიებს შეუძლიათ ზედმეტად გამოხატონ ის, რისი გაკეთებაც მათ ტექნოლოგიას შეუძლია რეალურად. გაცილებით რთულია კვლევის ჩატარება ალგორითმების მოქმედების დასადასტურებლად - და ჩვენ ვამაყობთ ამ მნიშვნელოვანი, მაგრამ რთული მარშრუტით, რათა საბოლოოდ დავამტკიცოთ, რომ AKASA-ს ერთიანი ავტომატიზაციის პლატფორმა ნამდვილად მოაქვს პოზიტიური და მნიშვნელოვანი ცვლილებები საავადმყოფოებსა და ჯანდაცვის სისტემებში.
ჩვენ აღფრთოვანებული ვართ მომავლით და რა გველოდება AKASA-ში, რადგან ჩვენ ვაშენებთ ჯანდაცვის მომავალს AI-ით.
გმადლობთ შესანიშნავი ინტერვიუსთვის, მკითხველს, ვისაც სურს მეტი გაიგოს, უნდა ეწვიოს აკაზა.
