Varun Ganapathi, AKASA의 CTO 겸 공동 창립자 – 인터뷰 시리즈

Varun Ganapathi는 CTO이자 공동 설립자입니다. 아카사, 의료 애플리케이션용 AI 개발자입니다. AKASA는 의료 조직이 수익 주기를 포함한 운영을 개선하여 수익을 창출하고 효율성을 창출하며 환자 경험을 향상하도록 돕습니다. 바룬 AKASA 이전에 두 개의 AI 회사를 성공적으로 시작했으며, 하나는 Google에, 다른 하나는 Udacity에 인수되었습니다.

당신은 기계 학습 분야에서 뛰어난 경력을 가지고 있습니다. 스탠포드에서 헬리콥터 자율화 작업을 했던 초기 시절에 대해 이야기해 주시겠습니까?

Stanford에서 학부생으로 물리학을 공부할 때 컴퓨터 과학과 기계 학습(ML)에도 관심이 많았습니다. 나에게 AI와 ML은 모든 것을 하나로 결합했습니다. 디지털화 가능한 모든 현상에 대해 물리학을 수행하는 자동화된 방법입니다.

이 특정 프로젝트를 위해 우리는 트윈 매트리스보다 약간 작은 대형 드론처럼 보이는 이 헬리콥터를 가지고 있었습니다. 당시에는 드론이 흔하지 않았습니다. 사람들은 그것을 날리고 거꾸로 떠 있는 것과 같은 속임수를 쓰게 만들었습니다. 이것은 매우 어려운 일이지만, 우리는 이 헬리콥터를 자율적으로 비행하는 방법을 인간으로부터 배울 수 있는 ML 알고리즘을 구축하고 싶었습니다.

우리는 실제 헬리콥터와 그 움직임을 예측하는 방법을 학습한 ML 알고리즘을 기반으로 하는 물리 시뮬레이터를 만들었습니다. 그런 다음 시뮬레이터 내에서 강화 학습을 적용하여 컨트롤러를 개발하고 소프트웨어를 가져와 실제 헬리콥터에 업로드했습니다. 헬리콥터를 켠 후 첫 번째 시도에서 작동했습니다! 헬리콥터는 자체적으로 즉시 거꾸로 호버링할 수 있었는데 꽤 인상적이었습니다. 팀은 ML을 사용하여 다른 유형의 트릭을 자동화하는 작업을 계속했습니다.

당신은 또한 Google Books에서 일했는데, 당신이 작업한 알고리즘과 당신의 회사가 결국 어떻게 Google에 인수되었는지에 대해 이야기할 수 있습니까?

저는 실제로 2004년 스탠포드에서 수업을 들으면서 Google에서 인턴십을 했습니다. 헬리콥터 프로젝트 직후였습니다. 그 동안 전 세계의 모든 책을 스캔하는 Google 도서 프로젝트를 위해 ML을 구현하고 있었습니다.

Google은 이 모든 사람들에게 페이지, 목차, 저작권 등과 같은 책에 대한 정보를 표시하도록 비용을 지불했습니다. 이는 매우 시간이 많이 걸리는 작업입니다. ML을 사용하여 이 작업을 수행할 수 있는지 확인하고 싶었고 정말 잘 작동했습니다. 대부분의 오류는 수동 라벨링으로 인해 사람의 실수로 인해 발생했기 때문에 실제로는 사람이 할 때보다 성능이 더 좋고 정확했습니다.

이것은 인간의 성능에서 초인간적인 성능으로 이동할 수 있음을 보여주었기 때문에 ML에 대해 정말 흥분했습니다. 오류가 더 적고 더 일관되게 일상적인 작업을 수행하면서 여전히 엣지 케이스를 처리합니다.

거기에서 나는 박사 학위를 받기로 결정했습니다. 스탠포드에서는 처음에는 ML과 더 많은 이론 논문에 중점을 두었습니다. 논문을 위해 저는 컴퓨터가 깊이 카메라를 통해 인간의 모든 관절의 움직임을 실시간으로 추적할 수 있는 실시간 모션 캡처를 수행하는 알고리즘을 개발했습니다. 이것이 사용자 상호 작용을 위한 모션 추적 및 컴퓨터 비전에 중점을 둔 첫 번째 회사인 Numovis의 기반이었습니다. 구글이 인수했습니다.

헬리콥터 프로젝트에서 Google Books, 자율 주행 자동차, 이제 의료 운영에 이르는 전체 여정은 기계 학습 알고리즘이 얼마나 강력하고 일반적인지 실제로 보여주었습니다.

AKASA의 기원 이야기를 들려주실 수 있나요?

우리는 아카사 의료 운영에 깊이 뿌리내린 대규모 문제를 해결합니다. 이러한 작업은 비용이 많이 들고 오류가 발생하기 쉬우므로 환자에게 불필요한 공황 상태를 유발하는 재정적 경험을 제공할 수 있습니다. 관리 측면에 새로운 기술이 부족했고 목적에 맞게 구축된 것이 없었습니다. AI 및 ML과 같은 기술을 사용하여 이러한 운영 문제를 혁신적인 방식으로 해결할 수 있다는 것이 분명해졌습니다. 다수의 의료 시스템 및 의료 분야 리더들과 이야기를 나눴을 때 그들은 궁극적으로 2019년 AKASA의 설립으로 이어진 우리의 생각을 검증했습니다.

이를 통해 AKASA의 목적은 처음부터 명확해졌습니다. 즉, AI를 통해 인간의 건강을 지원하고 의료의 미래를 구축하는 것입니다. 우리가 이 문제를 해결하기로 결정한 방법은 인간 지능을 최첨단 AI 및 ML과 결합하여 의료 시스템이 운영 비용을 줄이고 가장 중요한 곳에 리소스를 할당할 수 있도록 하는 것입니다.

우리의 시스템 독립적이고 유연한 플랫폼은 현재 475개 주 전체에 걸쳐 8,000개 이상의 병원 및 건강 시스템과 50개 이상의 외래 환자 시설을 대표하는 고객 기반에 서비스를 제공하고 있습니다. 당사의 기술은 Epic, Cerner, 기타 EHR 또는 볼트온 시스템과 같은 전자 건강 기록(EHR) 제공업체를 사용하거나 그 사이의 모든 것을 사용하는지 여부에 관계없이 이러한 조직을 지원합니다. 그리고 우리는 그것을 강력한 결과로 해냈습니다.

우리의 고객 기반은 전체 순 환자 수익에서 110억 달러 이상을 나타냅니다. 이는 연간 미국 의료 시스템 지출의 10% 이상에 해당합니다. Medicaid 및 Medicare 서비스 센터. 그리고 AKASA의 모델과 알고리즘은 거의 290억 XNUMX천만 건의 청구 및 송금에 대해 교육을 받았습니다.

의료 시설의 보이지 않는 배관은 매우 복잡하지만 인간의 건강에 막대한 영향을 미치므로 조금씩 자동화하고 있습니다.

AKASA가 의료 분야에서 자동화하려는 작업에는 어떤 것이 있습니까?

당사의 고유한 전문가 접근 방식인 Unified Automation™은 ML을 인간의 판단 및 주제 전문 지식과 결합하여 의료 운영을 위한 강력하고 탄력적인 자동화를 제공합니다. AKASA는 청구서 처리 및 지불을 포함하여 의료 금융 기능 내에서 엔드 투 엔드 작업을 빠르고 효율적으로 자동화하고 간소화할 수 있습니다. AKASA가 자동화하는 특정 작업에는 환자 자격 확인, 보험 정보 문서화 및 확인, 환자 비용 추정, 청구 편집, 재청구 및 항소, 거부 예측 및 관리가 포함됩니다.

이러한 유형의 자동화는 인적 오류와 환자의 지연을 줄여 예상치 못한 의료비 청구를 방지할 뿐만 아니라 의료 직원이 수동적이고 반복적인 작업을 완전히 제거하여 더 보람 있고 도전적이며 가치 있는 일에 집중할 수 있도록 합니다. -환자 경험을 향한 작업 생성.

사용되는 다양한 유형의 기계 학습 알고리즘은 무엇입니까?

AKASA는 의료 운영 자동화를 위한 단일 솔루션으로 의료 시스템을 제공하기 위해 자율 주행 자동차를 가능하게 한 것과 동일한 머신 러닝 접근 방식을 사용합니다. ML을 중심으로 하는 이 접근 방식은 자동화 기능을 확장하여 보다 복잡한 작업을 대규모로 수행합니다.

우리는 컴퓨터 비전, 자연어 이해 및 구조화된 데이터 문제 전반에 걸쳐 최첨단 알고리즘을 개발합니다. 당사의 플랫폼은 컴퓨터 비전 기반 RPA로 시작하여 최신 AI, ML 및 전문가를 통해 이를 강화하여 강력한 자동화를 제공합니다.

작동 방식에 대한 높은 수준의 개요를 제공하기 위해 당사의 독점 솔루션은 먼저 의료 직원이 작업을 완료하는 방식을 관찰합니다. 그런 다음 우리 팀은 해당 데이터에 레이블을 지정하고 알고리즘을 교육하는 데 사용하여 우리 기술이 의료진과 시스템이 작동하는 방식을 이해하고 학습할 수 있도록 합니다. 거기에서 우리 플랫폼은 이러한 워크플로를 자율적으로 수행합니다. 마지막으로, 우리는 시스템이 이상값이나 예외를 표시할 때마다 뛰어들 수 있는 전문가를 사용합니다. AI는 이러한 경험을 통해 지속적으로 학습하여 시간이 지남에 따라 더 복잡한 작업을 수행할 수 있습니다.

Human-in-the-Loop 접근 방식의 중요성과 이것이 RPA를 대체하도록 설정된 이유에 대해 논의할 수 있습니까?

냉정한 사실은 RPA가 기능에 실질적인 한계가 있는 취약한 수십 년 된 기술이라는 것입니다. 단순하고 이산적이며 선형적인 작업을 자동화하는 데 항상 어느 정도 가치가 있습니다. 그러나 자동화 노력이 목표에 미치지 못하는 경우가 많은 이유는 삶이 복잡하고 항상 변화하기 때문입니다.

RPA에 대한 기본 접근 방식은 해결하려는 각 문제 또는 경로에 대해 로봇(봇)을 구축하는 것입니다. 인간(컨설턴트 또는 엔지니어)은 특정 문제를 해결하기 위해 로봇을 만듭니다. 이 로봇 솔루션은 일련의 단계를 대신합니다. 화면을 보고 행동을 취하고 이를 반복한다.

종종 발생하는 문제는 소프트웨어 또는 UI의 일부 수정과 같은 세상의 변화로 인해 봇이 중단될 수 있다는 것입니다. 우리가 알고 있듯이 기술은 끊임없이 진화하여 역동적인 환경을 만듭니다. 이것은 RPA 로봇이 종종 실패한다는 것을 의미합니다.

이러한 봇의 또 다른 문제는 해결하려는 모든 상황에 대해 하나를 생성해야 한다는 것입니다. 이렇게 하면 많은 기술이 필요하지 않은 아주 작은 작업을 완료하는 많은 로봇이 생깁니다.

두더지 잡기 게임과 같습니다. 소프트웨어가 변경되거나 비정상적인 일이 발생하여 대화 상자가 나타나거나 새로운 종류의 입력이 발생하여 그 중 하나가 깨질 가능성에 매일 직면합니다. 그 결과 이러한 봇을 계속 실행하는 데 비용이 많이 듭니다. Forrester의 연구에 따르면 RPA에 1달러를 지출할 때마다 컨설팅 리소스에 3.41달러를 추가로 지출합니다.

즉, RPA를 위한 실제 소프트웨어는 비용의 대부분을 차지하지 않습니다. 더 상당한 비용 투자는 RPA를 항상 실행하기 위해 수행해야 하는 모든 작업입니다. 많은 조직이 이러한 지속적인 비용을 고려하지 않습니다.

삶의 많은 부분이 복잡하고 지속적으로 진화하기 때문에 많은 작업이 RPA의 기능을 벗어나므로 ML이 필요한 곳입니다. ML을 사용하면 어려운 작업을 자동화할 수 있습니다. 그리고 우리는 특별한 소스가 알고리즘을 가르쳐서 개선하는 인간이라고 믿습니다.

알고리즘이 수행해야 할 작업에 대해 확실하지 않은 경우(낮은 신뢰도) 대신 인간 참여형 루프로 에스컬레이션됩니다. 인간은 이러한 예에 레이블을 지정하고 현재 모델에서 처리하지 않는 사례를 식별합니다. 이 작업이 완료되고 AI가 올바르게 수행하면 제대로 작동하는 작업입니다.

인간이 문제를 포착하는 모든 작업은 기계가 제대로 처리하지 못하는 경우입니다. 이 경우 데이터 세트에 데이터가 추가되어 이 새로운 상황을 처리하도록 ML 모델을 재교육합니다.

시간이 지남에 따라 ML 모델은 이러한 새로운 에지 케이스에 대한 복원력을 구축합니다. 그 결과 새로운 특이점이나 예외에 대해 강력하고 유연한 시스템이 생성되며 시스템은 시간이 지남에 따라 더욱 강력해집니다. 이것은 자동화가 점점 더 좋아지고 인간의 개입이 시간이 지남에 따라 감소한다는 것을 의미합니다.

루프에 인간 전문가를 두는 것은 AI를 더 스마트하고, 빠르고, 더 좋게 만드는 데 중요합니다. 우리는 인간이 AI를 적절하게 훈련하고 모든 산업, 특히 의료와 같은 역동적인 분야에서 불가피한 부분인 이상값을 처리할 수 있도록 해야 합니다.

AKASA의 human-in-the-loop 솔루션인 Unified Automation™은 어떻게 작동하며 이 플랫폼의 주요 사용 사례는 무엇입니까?

통합 자동화는 의료용으로 특별히 제작된 플랫폼입니다. AI, ML 및 의료 청구 전문가 팀을 사용하여 유지 관리 또는 예외 대기열이 거의 없이 가치를 더 빨리 볼 수 있도록 원활하게 통합된 맞춤형 솔루션을 만듭니다.

예외 및 이상값을 염두에 두고 설계되었습니다. 새로운 문제가 발생하면 플랫폼은 문제를 해결하는 AKASA의 전문가 팀에 문제를 표시하고 시스템은 그들이 취하는 조치로부터 학습합니다. 우리를 시장의 다른 솔루션과 차별화하고 플랫폼이 지속적으로 학습하고 개선할 수 있도록 하는 것은 인적 요소입니다.

통합 자동화는 또한 의료 산업의 역동적인 특성에 적응합니다. 완벽하게 통합된 맞춤형 솔루션으로 운영 비용을 절감하고 직원이 사람의 손길을 필요로 하는 보다 보람 있는 작업을 수행할 수 있도록 하며 의료 시스템의 수익 확보를 개선하는 동시에 환자의 재정 경험을 개선합니다.

통합 자동화의 작동 방식은 다음과 같습니다.

독점 소프트웨어는 다음을 관찰합니다. 당사의 Worklogger™ 도구는 의료진이 업무를 완료하는 방식을 원격으로 관찰합니다. 그런 다음 우리 팀은 해당 데이터에 레이블을 지정하고 자동화에 입력하여 현재 워크플로 및 프로세스에 대한 포괄적인 보기를 제공합니다. 그 결과 직원 성과에 대한 더 높은 가시성, 자동화를 지원하는 워크플로에 대한 기본 데이터 및 정확한 작업당 시간 분석이 가능합니다.

AI는 다음을 수행합니다. 의료진의 워크플로를 관찰하고 학습한 후 AI는 이러한 작업을 자율적으로 수행합니다. 시간이 지남에 따라 더 복잡한 작업을 수행하면서 실행되는 문제와 엣지 케이스로부터 지속적으로 학습합니다. 통합 자동화는 작업 대기열의 업스트림에 위치하여 팀을 방해하지 않고 적용 가능한 작업을 할당하고 완료합니다. 또한 프로세스를 자동으로 최적화하므로 직원의 설정이나 개입이 필요하지 않습니다.

인간의 전문성은 다음을 보장합니다.  시스템은 자동으로 의료 청구 전문가 팀에 플래그를 지정하여 예외 및 이상값을 처리하고 AI가 작업하는 동안 실시간으로 교육합니다. 이것은 루프 전문가 부분입니다. 지속적인 학습이 내장된 통합 자동화 플랫폼은 시간이 지남에 따라 더욱 스마트해지고 효율적이 되며 작업은 항상 완료됩니다.

AKASA에 대해 공유하고 싶은 다른 사항이 있습니까?

우리는 고객이 첨단 기술에 접근할 수 있다는 것을 의미하는 연구 우선 접근 방식을 가지고 있습니다. 우리는 의료 운영에서 AI에 대한 새로운 최첨단 표준을 지속적으로 설정하고 전체 산업을 발전시키기 위해 동료 검토 간행물에 AI와 접근 방식을 게시하기 위해 최선을 다하고 있습니다.

예를 들어, 우리의 연구는 ICML(International Conference on Machine Learning), NLP(자연어 처리) Summit, MLHC(Machine Learning for Healthcare Conference) 등에서 발표되었습니다. 우리는 모델을 테스트하고 시장의 최첨단 AI 접근 방식과 성능을 비교하기 위해 매우 엄격한 접근 방식을 취하고 있습니다.

당사의 예측 거부 솔루션은 기존 기준에 비해 의료 청구 거부를 22% 이상 정확하게 예측할 수 있는 최초의 공개된 딥 러닝 기반 시스템으로 여겨집니다. 임상 노트에서 의료 청구의 자동 코딩을 위한 당사의 읽기, 참석, 코드 모델은 업계를 위한 새로운 최첨단 기술을 정의하는 것으로 인식되었으며 현재 모델보다 18% 더 우수하여 인간 코더의 생산성을 능가합니다. 우리는 이러한 백 오피스 혁신이 미국 의료 시스템을 대규모로 개선하는 데 중요하다고 믿으며 계속해서 발전을 주도하고 이 공간을 위한 맞춤형 솔루션을 구축할 것입니다.

의료 분야에서 AI에 대한 과대 광고가 많이 있지만 AI에 관해서는 회사가 기술이 실제로 할 수 있는 일을 과대 광고할 수 있습니다. 알고리즘이 수행하는 작업을 검증하기 위한 연구를 수행하는 것은 훨씬 더 어렵습니다. 우리는 AKASA의 통합 자동화 플랫폼이 진정으로 병원과 의료 시스템에 긍정적이고 의미 있는 변화를 가져오고 있음을 궁극적으로 입증하기 위해 이 의미 있지만 도전적인 경로를 택한 것에 자부심을 느낍니다.

우리는 AI로 의료의 미래를 구축하는 AKASA의 미래와 미래에 대해 기대하고 있습니다.

훌륭한 인터뷰 감사합니다. 자세한 내용을 알고 싶은 독자는 방문하세요. 아카사.