ການສໍາພາດ
Akilesh Bapu, ຜູ້ກໍ່ຕັ້ງ & CEO ຂອງ DeepScribe – ຊຸດສໍາພາດ
Akilesh Bapu ແມ່ນຜູ້ກໍ່ຕັ້ງ & CEO ຂອງ DeepScribe, ເຊິ່ງໃຊ້ການປະມວນຜົນພາສາທໍາມະຊາດ (NLP) ແລະການຮຽນຮູ້ເລິກກ້າວຫນ້າເພື່ອສ້າງບັນທຶກທີ່ຖືກຕ້ອງ, ສອດຄ່ອງ, ແລະປອດໄພຂອງການສົນທະນາຂອງທ່ານຫມໍ - ຄົນເຈັບ.
ມັນແມ່ນຫຍັງທີ່ນໍາສະເຫນີແລະດຶງດູດການໃຫ້ທ່ານກັບ AI ແລະການປຸງແຕ່ງພາສາທໍາມະຊາດ?
ຖ້າຂ້ອຍຈື່ໄດ້ຢ່າງຖືກຕ້ອງ, Jarvis ຈາກ "Iron Man" ແມ່ນສິ່ງທໍາອິດທີ່ດຶງດູດຂ້ອຍໄປສູ່ໂລກຂອງການປຸງແຕ່ງພາສາທໍາມະຊາດແລະ AI. ໂດຍສະເພາະ, ຂ້າພະເຈົ້າພົບວ່າມັນຫນ້າສົນໃຈຫຼາຍທີ່ມະນຸດສາມາດບໍ່ພຽງແຕ່ຜ່ານວຽກງານຕ່າງໆໄດ້ໄວເທົ່ານັ້ນ, ແຕ່ຍັງເຂົ້າໄປໃນລະດັບຄວາມເລິກທີ່ບໍ່ຫນ້າເຊື່ອໃນຫນ້າວຽກບາງຢ່າງແລະເປີດເຜີຍຂໍ້ມູນບາງຢ່າງທີ່ພວກເຂົາຈະບໍ່ຮູ້ເຖິງວ່າມັນບໍ່ແມ່ນສໍາລັບ. AI ນີ້.
ມັນແມ່ນແນວຄວາມຄິດຂອງ "AI ດ້ວຍຕົວມັນເອງຈະບໍ່ດີເທົ່າກັບມະນຸດໃນວຽກງານສ່ວນໃຫຍ່ແຕ່ໃຫ້ມະນຸດແລະ AI ຮ່ວມກັນແລະການປະສົມປະສານນັ້ນຈະຄອບງໍາ." ການປຸງແຕ່ງພາສາທໍາມະຊາດແມ່ນວິທີທີ່ມີປະສິດທິພາບທີ່ສຸດສໍາລັບການປະສົມປະສານຂອງມະນຸດ / AI ນີ້.
ຕັ້ງແຕ່ນັ້ນມາ, ຂ້ອຍໄດ້ເມົາມົວກັບ Siri, Google Now, Alexa, ແລະອື່ນໆ. ໃນຂະນະທີ່ພວກເຂົາບໍ່ໄດ້ເຮັດວຽກຢ່າງລຽບງ່າຍຄືກັບ Jarvis, ຂ້ອຍກໍ່ຢາກເຮັດໃຫ້ພວກເຂົາເຮັດວຽກຄືກັບ Jarvis ໄດ້. ໂດຍສະເພາະ, ສິ່ງທີ່ເຫັນໄດ້ຊັດເຈນແມ່ນ, ຄໍາສັ່ງເຊັ່ນ "Alexa ເຮັດສິ່ງນີ້," "Alexa ເຮັດແນວນັ້ນ," ແມ່ນຂ້ອນຂ້າງງ່າຍແລະຖືກຕ້ອງທີ່ຈະເຮັດກັບສະຖານະການເຕັກໂນໂລຢີໃນປະຈຸບັນ. ແຕ່ໃນເວລາທີ່ມັນມາກັບບາງສິ່ງບາງຢ່າງເຊັ່ນ: Jarvis, ບ່ອນທີ່ຕົວຈິງແລ້ວມັນສາມາດຮຽນຮູ້ແລະເຂົ້າໃຈ, ການກັ່ນຕອງ, ແລະເລືອກເອົາຫົວຂໍ້ທີ່ສໍາຄັນໃນໄລຍະການສົນທະນາອື່ນ - ທີ່ບໍ່ເຄີຍໄດ້ເຮັດມາກ່ອນ. ຕົວຈິງແລ້ວນີ້ແມ່ນກ່ຽວຂ້ອງໂດຍກົງກັບໜຶ່ງໃນແຮງຈູງໃຈຫຼັກຂອງຂ້ອຍໃນການກໍ່ຕັ້ງ DeepScribe. ໃນຂະນະທີ່ພວກເຮົາກໍາລັງແກ້ໄຂບັນຫາຂອງເອກະສານສໍາລັບແພດ, ພວກເຮົາພະຍາຍາມເປັນຄື້ນໃຫມ່ຂອງສະຕິປັນຍາໃນຂະນະທີ່ເຮັດມັນ: ຄວາມສະຫລາດສະພາບແວດລ້ອມ. AI ທີ່ສາມາດຂຸດຄົ້ນຜ່ານຄໍາເວົ້າປະຈໍາວັນຂອງເຈົ້າ, ຊອກຫາຂໍ້ມູນທີ່ເປັນປະໂຫຍດ, ແລະນໍາໃຊ້ຂໍ້ມູນນັ້ນເພື່ອຊ່ວຍເຈົ້າ.
ກ່ອນຫນ້ານີ້ທ່ານໄດ້ເຮັດການຄົ້ນຄວ້າບາງຢ່າງໂດຍໃຊ້ການຮຽນຮູ້ເລິກເຊິ່ງແລະ NLP ຢູ່ວິທະຍາໄລວິສະວະກໍາ UC Berkeley. ການຄົ້ນຄວ້າຂອງເຈົ້າແມ່ນຫຍັງ?
ກັບຄືນໄປບ່ອນຢູ່ Berkeley AI Research Lab, ຂ້າພະເຈົ້າໄດ້ເຮັດວຽກກ່ຽວກັບໂຄງການ gene ontology annotator ບ່ອນທີ່ພວກເຮົາກໍາລັງສະຫຼຸບບົດຄວາມ PubMed ທີ່ມີຕົວກໍານົດການຜົນຜະລິດສະເພາະ.
ພາບລວມລະດັບສູງ: ເອົາວຽກງານເຊັ່ນການສະຫຼຸບບົດຄວາມຂ່າວ CNN. ໃນວຽກງານນັ້ນ, ທ່ານກໍາລັງເອົາບົດຄວາມຂ່າວແລະສະຫຼຸບໃຫ້ເຂົາເຈົ້າເຂົ້າໄປໃນປະມານສອງສາມປະໂຫຍກ. ໃນຄວາມໂປດປານຂອງເຈົ້າ, ທ່ານມີຂໍ້ມູນແລະຄວາມສາມາດໃນການຝຶກອົບຮົມແບບຈໍາລອງເຫຼົ່ານີ້ຢູ່ໃນຫຼາຍກວ່າຫນຶ່ງລ້ານບົດຄວາມ. ຢ່າງໃດກໍຕາມ, ພື້ນທີ່ບັນຫາແມ່ນໃຫຍ່ຫຼວງເພາະວ່າທ່ານມີໂຄງສ້າງທີ່ຈໍາກັດໃນການສະຫຼຸບ. ນອກຈາກນັ້ນ, ເກືອບບໍ່ມີໂຄງສ້າງຂອງບົດຄວາມຕົວຈິງ. ໃນຂະນະທີ່ມີການປັບປຸງບໍ່ຫຼາຍປານໃດນັບຕັ້ງແຕ່ 2.5 ປີທີ່ຜ່ານມາເມື່ອຂ້ອຍເຮັດວຽກກ່ຽວກັບໂຄງການນີ້, ນີ້ຍັງເປັນບັນຫາທີ່ບໍ່ໄດ້ຮັບການແກ້ໄຂ.
ຢ່າງໃດກໍຕາມ, ໃນໂຄງການຄົ້ນຄ້ວາຂອງພວກເຮົາ, ພວກເຮົາພັດທະນາບົດສະຫຼຸບທີ່ມີໂຄງສ້າງ. ບົດສະຫຼຸບທີ່ມີໂຄງສ້າງໃນກໍລະນີນີ້ແມ່ນຄ້າຍຄືກັນກັບບົດສະຫຼຸບທົ່ວໄປຍົກເວັ້ນພວກເຮົາຮູ້ໂຄງສ້າງທີ່ແນ່ນອນຂອງບົດສະຫຼຸບຜົນໄດ້ຮັບ. ອັນນີ້ເປັນປະໂຫຍດເນື່ອງຈາກມັນຊ່ວຍຫຼຸດທາງເລືອກຜົນຜະລິດສໍາລັບຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກຂອງພວກເຮົາຢ່າງຫຼວງຫຼາຍ—ສິ່ງທ້າທາຍແມ່ນວ່າບໍ່ມີການຝຶກອົບຮົມການອະທິບາຍຢ່າງພຽງພໍເພື່ອດໍາເນີນຮູບແບບການຮຽນຮູ້ແບບເລິກລັບທີ່ມີຂໍ້ມູນ ແລະໄດ້ຮັບຜົນທີ່ສາມາດໃຊ້ໄດ້.
ຫຼັກໆຂອງວຽກງານທີ່ຂ້ອຍໄດ້ເຮັດໃນໂຄງການນີ້ແມ່ນເພື່ອໃຊ້ຄວາມຮູ້ທີ່ພວກເຮົາມີກ່ຽວກັບຂໍ້ມູນປ້ອນຂໍ້ມູນ ແລະ ພັດທະນາຊຸດຂອງແບບຈໍາລອງ ML ທີ່ຕື້ນໆເພື່ອສະຫນັບສະຫນູນມັນ - ເຕັກນິກທີ່ພວກເຮົາຄິດຄົ້ນເອີ້ນວ່າ 2-step annotator. ຕົວຊີ້ບອກແບບ 2 ຂັ້ນຕອນໄດ້ມາດຕະຖານເກືອບ 20 ເທົ່າຂອງຄວາມຖືກຕ້ອງເປັນອັນສຸດທ້າຍ (54 ເປີເຊັນທຽບກັບ 3.6 ເປີເຊັນ).
ໃນຂະນະທີ່ຢູ່ຄຽງຂ້າງກັນ, ໂຄງການນີ້ແລະ DeepScribe ອາດຈະສຽງແຕກຕ່າງກັນທັງຫມົດ, ພວກມັນມີຄວາມຄ້າຍຄືກັນສູງໃນວິທີທີ່ພວກເຂົາໃຊ້ວິທີ 2 ຂັ້ນຕອນເພື່ອປັບປຸງຜົນໄດ້ຮັບຢ່າງຫຼວງຫຼາຍໃນຊຸດຂໍ້ມູນຈໍາກັດ.
ແມ່ນຫຍັງເປັນແຮງບັນດານໃຈທີ່ຢູ່ເບື້ອງຫຼັງການເປີດຕົວ DeepScribe?
ມັນທັງຫມົດເລີ່ມຕົ້ນຈາກພໍ່ຂອງຂ້ອຍ, ຜູ້ທີ່ເປັນແພດຫມໍ oncologist. ກ່ອນທີ່ລະບົບບັນທຶກສຸຂະພາບທາງອີເລັກໂທຣນິກເຂົ້າມາດູແລສຸຂະພາບ, ແພດຈະບັນທຶກສິ່ງຕ່າງໆລົງໃນເຈ້ຍ ແລະໃຊ້ເວລາໜ້ອຍຫຼາຍໃນການບັນທຶກ. ຢ່າງໃດກໍຕາມ, ເມື່ອ EHRs ໄດ້ເລີ່ມຕົ້ນເປັນທີ່ນິຍົມເປັນສ່ວນຫນຶ່ງຂອງກົດຫມາຍວ່າດ້ວຍ HITECH ຂອງ 2009, ຂ້າພະເຈົ້າໄດ້ເລີ່ມສັງເກດເຫັນວ່າພໍ່ຂອງຂ້ອຍໃຊ້ເວລາຫຼາຍກວ່າແລະຫຼາຍຢູ່ໃນຄອມພິວເຕີ. ລາວຈະເລີ່ມກັບບ້ານຕໍ່ມາ. ໃນທ້າຍອາທິດ, ລາວຈະນັ່ງຢູ່ເທິງຕຽງທີ່ຂຽນບັນທຶກ. ສິ່ງງ່າຍໆຄືລາວພາຂ້ອຍໄປໂຮງຮຽນ ຫຼື ຝຶກບານບ້ວງໄດ້ກາຍເປັນເລື່ອງທີ່ຜ່ານມາ ເພາະລາວໃຊ້ເວລາເກືອບທັງໝົດໃນຕອນແລງຂອງລາວເພື່ອຕິດຕາມເອກະສານ.
ໃນຖານະເປັນເດັກນ້ອຍ nerdy ເຕີບໂຕຂຶ້ນ, ຂ້າພະເຈົ້າຈະພະຍາຍາມຊອກຫາວິທີແກ້ໄຂສໍາລັບເຂົາໂດຍການຊອກຫາເວັບໄຊຕ໌ແລະໃຫ້ເຂົາພະຍາຍາມໃຫ້ເຂົາເຈົ້າອອກ. ແຕ່ຫນ້າເສຍດາຍ, ບໍ່ມີຫຍັງເຮັດວຽກໄດ້ດີພໍທີ່ຈະຊ່ວຍປະຢັດລາວຈາກຊົ່ວໂມງຍາວຂອງເອກະສານ.
ໄວຫຼາຍປີຕໍ່ລະດູຮ້ອນຂອງ 2017 - ຂ້ອຍເປັນນັກຄົ້ນຄວ້າທີ່ເຮັດວຽກຢູ່ Berkeley AI Research Lab, ເຮັດວຽກກ່ຽວກັບໂຄງການໃນການສະຫຼຸບເອກະສານ. ລະດູຮ້ອນຄັ້ງໜຶ່ງເມື່ອຂ້ອຍກັບເມືອເຮືອນ, ຂ້ອຍສັງເກດເຫັນວ່າພໍ່ຂອງຂ້ອຍຍັງໃຊ້ເວລາຫຼາຍໃນການເຮັດເອກະສານ. ຂ້ອຍຖາມວ່າ, “ມີຫຍັງໃໝ່ໃນໂລກຂອງເອກະສານ? Alexa ຢູ່ທົ່ວທຸກແຫ່ງ, ຜູ້ຊ່ວຍ Google ແມ່ນດີຫຼາຍໃນປັດຈຸບັນ. ບອກຂ້ອຍ, ແມ່ນຫຍັງຫລ້າສຸດໃນພື້ນທີ່ທາງການແພດ?” ແລະຄໍາຕອບຂອງລາວແມ່ນ, "ບໍ່ມີຫຍັງປ່ຽນແປງ." ຂ້ອຍຄິດວ່າມັນເປັນພຽງແຕ່ລາວແຕ່ເມື່ອຂ້ອຍໄປສໍາຫຼວດເພື່ອນຮ່ວມງານຂອງລາວຫຼາຍໆຄົນ, ມັນກໍ່ເປັນບັນຫາດຽວກັນ: ບໍ່ແມ່ນເລື່ອງຫລ້າສຸດໃນການປິ່ນປົວມະເຮັງຫຼືບັນຫາໃຫມ່ທີ່ຄົນເຈັບຂອງພວກເຂົາມີ - ມັນແມ່ນເອກະສານ. "ຂ້ອຍສາມາດກໍາຈັດເອກະສານໄດ້ແນວໃດ? ຂ້ອຍຈະປະຫຍັດເວລາໃນເອກະສານໄດ້ແນວໃດ? ມັນໃຊ້ເວລາຫຼາຍຂອງຂ້ອຍ.”
ຂ້າພະເຈົ້າຍັງໄດ້ສັງເກດເຫັນບໍລິສັດຈໍານວນຫນຶ່ງທີ່ເກີດຂື້ນເພື່ອພະຍາຍາມແກ້ໄຂເອກະສານ. ຢ່າງໃດກໍ່ຕາມ, ພວກມັນແພງເກີນໄປ (ຫລາຍພັນໂດລາຕໍ່ເດືອນ) ຫຼືພວກເຂົາແມ່ນຫນ້ອຍເກີນໄປໃນດ້ານເຕັກໂນໂລຢີ. ແພດໃນສະໄໝນັ້ນມີທາງເລືອກໜ້ອຍຫຼາຍ. ນັ້ນແມ່ນເວລາເປີດໂອກາດວ່າຖ້າພວກເຮົາສາມາດສ້າງນັກຂຽນທາງການແພດອັດສະລິຍະ, ເຕັກໂນໂລຢີທີ່ສາມາດຕິດຕາມການໄປຢ້ຽມຢາມຄົນເຈັບຂອງແພດຫມໍແລະສະຫຼຸບໃຫ້ເຂົາເຈົ້າ, ແລະສະເຫນີໃຫ້ມັນຢູ່ໃນຄ່າໃຊ້ຈ່າຍທີ່ສາມາດເຮັດໃຫ້ມັນເຂົ້າເຖິງໄດ້ສໍາລັບທຸກຄົນ, ມັນກໍ່ສາມາດນໍາມາໃຫ້. ຄວາມສຸກຂອງການດູແລກັບຄືນໄປບ່ອນຢາ.
ທ່ານມີອາຍຸພຽງແຕ່ 22 ປີໃນເວລາທີ່ທ່ານເປີດຕົວ DeepScribe. ເຈົ້າສາມາດອະທິບາຍການເດີນທາງຂອງເຈົ້າເປັນຜູ້ປະກອບການໄດ້ບໍ?
ການເປີດເຜີຍຄັ້ງທໍາອິດຂອງຂ້ອຍກັບການເປັນຜູ້ປະກອບການແມ່ນກັບຄືນໄປບ່ອນຢູ່ໃນໂຮງຮຽນມັດທະຍົມ. ມັນເລີ່ມຕົ້ນໃນເວລາທີ່ເພື່ອນແລະຂ້ອຍຜູ້ທີ່ໄດ້ຮູ້ພື້ນຖານ JavaScript ບາງຢ່າງໄດ້ພົບກັບຜູ້ອໍານວຍການສູນສໍາລັບເດັກທີ່ມີຄວາມພິການດ້ານການຮຽນຮູ້. ພວກເຂົາບອກພວກເຮົາວ່າເຄື່ອງມືທີ່ງ່າຍທີ່ສຸດສາມາດໄປໄດ້ໄກກັບເດັກນ້ອຍ dyslexic. ພວກເຮົາໄດ້ສິ້ນສຸດການແຮັກສ່ວນຂະຫຍາຍ Chrome Reader dyslexia ຮ່ວມກັນ. ມັນແມ່ນກະດູກເປົ່າແທ້ໆ - ມັນພຽງແຕ່ປັບຕົວອັກສອນໃຫ້ສອດຄ່ອງກັບຄໍາແນະນໍາທາງວິທະຍາສາດເພື່ອຄວາມສະດວກໃນການອ່ານໂດຍຄົນ dyslexic. ໃນຂະນະທີ່ແນວຄວາມຄິດແມ່ນງ່າຍດາຍ, ພວກເຮົາສິ້ນສຸດລົງເຖິງການໄດ້ຮັບຫຼາຍກວ່າ 5000 ຜູ້ໃຊ້ທີ່ມີການເຄື່ອນໄຫວໃນສອງສາມເດືອນ. ຂ້າພະເຈົ້າໄດ້ຖືກພັດໄປໂດຍວິທີການເຕັກໂນໂລຊີຂັ້ນພື້ນຖານສາມາດມີຜົນກະທົບທີ່ເລິກຊຶ້ງກັບຜູ້ຄົນ.
ຢູ່ Berkeley, ຂ້າພະເຈົ້າໄດ້ສືບຕໍ່ເຈາະເລິກເຂົ້າໄປໃນໂລກຂອງການເປັນຜູ້ປະກອບການຫຼາຍເທົ່າທີ່ເປັນໄປໄດ້, ຕົ້ນຕໍແມ່ນຫ້ອງຮຽນທີ່ກວ້າງຂວາງຂອງພວກເຂົາ. ທີ່ຂ້ອຍມັກຄື:
- Newton Lecture Series—ຄົນເຊັ່ນ Jessica Mah ຈາກ InDinero ຫຼື Diane Greene ຈາກ VMWare ຜູ້ທີ່ເປັນ Alums Cal ໄດ້ໃຫ້ການສົນທະນາທີ່ມີຄວາມກ່ຽວຂ້ອງກັນສູງກ່ຽວກັບເວລາຂອງພວກເຂົາຢູ່ Berkeley ແລະວິທີການທີ່ເຂົາເຈົ້າເລີ່ມຕົ້ນບໍລິສັດຂອງຕົນເອງ.
- Challenge Lab—ຕົວຈິງແລ້ວຂ້ອຍໄດ້ພົບກັບຜູ້ຮ່ວມກໍ່ຕັ້ງຂອງຂ້ອຍ Matt Ko ຜ່ານຫ້ອງຮຽນນີ້. ພວກເຮົາຖືກຈັດໃສ່ເປັນກຸ່ມ ແລະ ໄດ້ຜ່ານການເດີນທາງໄລຍະໜຶ່ງຂອງການສ້າງຜະລິດຕະພັນ ແລະ ໄດ້ຮັບການແນະນຳກ່ຽວກັບສິ່ງທີ່ມັນໃຊ້ເວລາໃນຊ່ວງຕົ້ນໆເພື່ອໃຫ້ມີຄວາມຄິດ.
- Lean Launchpad—ໂດຍ ທີ່ ສຸດ ຂອງ ຂ້າ ພະ ເຈົ້າ favorite ຂອງ ສາມ; ນີ້ແມ່ນຂະບວນການທີ່ໂຫດຮ້າຍແລະເຄັ່ງຄັດທີ່ພວກເຮົາໄດ້ຮັບການຊີ້ນໍາໂດຍ Steve Blank (ມະຫາເສດຖີທີ່ໄດ້ຮັບລາງວັນແລະຜູ້ຊາຍທີ່ຢູ່ເບື້ອງຫລັງການເຄື່ອນໄຫວການເລີ່ມຕົ້ນທີ່ບໍ່ສະບາຍ) ເພື່ອເອົາຄວາມຄິດ, ກວດສອບມັນຜ່ານການສໍາພາດລູກຄ້າ 100 ຄົນ, ສ້າງຮູບແບບທາງດ້ານການເງິນ, ແລະອື່ນໆ. ນີ້ແມ່ນປະເພດຂອງຫ້ອງຮຽນທີ່ພວກເຮົາໄດ້ "ເລີ່ມຕົ້ນ" ຂອງພວກເຮົາພຽງແຕ່ໄດ້ຮັບການຢຸດຢູ່ໃນສະໄລ້ 1 ຫຼື 2 ແລະໄດ້ຮັບການປີ້ງ. ຖ້າມັນບໍ່ຍາກພຽງພໍ, ພວກເຮົາຍັງຄາດວ່າຈະສໍາພາດລູກຄ້າ 10 ຄົນຕໍ່ອາທິດ. ແນວຄວາມຄິດຂອງພວກເຮົາໃນເວລານັ້ນແມ່ນການສ້າງການຄົ້ນຫາສິດທິບັດທີ່ຈະໃຫ້ຜົນໄດ້ຮັບທີ່ຄ້າຍຄືກັນກັບການຄົ້ນຫາສິລະປະທີ່ມີລາຄາແພງ, ຊຶ່ງຫມາຍຄວາມວ່າພວກເຮົາໄດ້ຮັບການສະເຫນີໃຫ້ລູກຄ້າວິສາຫະກິດ 10 ຄົນຕໍ່ອາທິດ. ມັນເປັນທີ່ຍິ່ງໃຫຍ່ເພາະວ່າມັນໄດ້ສອນພວກເຮົາໃຫ້ຄິດຢ່າງວ່ອງໄວຢູ່ໃນຕີນຂອງພວກເຮົາແລະມີຊັບພະຍາກອນເປັນພິເສດ.
DeepScribe ໄດ້ເລີ່ມຕົ້ນໃນເວລາທີ່ກຸ່ມນັກລົງທຶນທີ່ເອີ້ນວ່າ The House Fund ກໍາລັງຂຽນການກວດສອບສໍາລັບນັກຮຽນທີ່ຈະປະຕິເສດການຝຶກງານໃນຊ່ວງລຶະເບິ່ງຮ້ອນຂອງພວກເຂົາແລະໃຊ້ເວລາໃນລະດູຮ້ອນສ້າງບໍລິສັດຂອງພວກເຂົາ. ພວກເຮົາພຽງແຕ່ປິດ Delphi (ເຄື່ອງຈັກຊອກຫາສິດທິບັດ) ແລະ Matt ແລະຂ້ອຍໄດ້ເວົ້າຢ່າງຕໍ່ເນື່ອງກ່ຽວກັບເອກະສານທາງການແພດແລະທຸກສິ່ງທຸກຢ່າງກໍ່ຕົກຢູ່ໃນບ່ອນນັບຕັ້ງແຕ່ມັນແມ່ນເວລາທີ່ສົມບູນແບບທີ່ຈະໃຫ້ມັນສັກຢາ.
ດ້ວຍ DeepScribe, ພວກເຮົາໂຊກດີທີ່ຫາກໍອອກມາໃໝ່ໆຈາກ Lean Launchpad ເນື່ອງຈາກໜຶ່ງໃນປັດໃຈສຳຄັນທີ່ສຸດໃນການສ້າງຜະລິດຕະພັນສຳລັບແພດໝໍຄື ການເຮັດຊ້ຳ ແລະປັບປຸງຜະລິດຕະພັນຕາມຄຳຄິດເຫັນຂອງລູກຄ້າ. ບັນຫາປະຫວັດສາດກັບອຸດສາຫະກໍາການແພດແມ່ນວ່າຊອບແວບໍ່ຄ່ອຍມີແພດຫມໍໃນການອອກແບບ, ດັ່ງນັ້ນຈຶ່ງເຮັດໃຫ້ຊອບແວທີ່ບໍ່ໄດ້ຮັບການປັບປຸງໃຫ້ເຫມາະສົມສໍາລັບຜູ້ໃຊ້ສຸດທ້າຍ.
ນັບຕັ້ງແຕ່ DeepScribe ເກີດຂຶ້ນໃນເວລາດຽວກັນກັບປີສຸດທ້າຍຂອງຂ້ອຍຢູ່ Berkeley, ມັນເປັນການດຸ່ນດ່ຽງທີ່ຫນັກແຫນ້ນ. ຂ້ອຍຈະສະແດງເຖິງຫ້ອງຮຽນໃນຊຸດເພື່ອໃຫ້ຂ້ອຍສາມາດໄປເຖິງເວລາສໍາລັບການສາທິດລູກຄ້າທັນທີ. ຂ້ອຍຈະໃຊ້ສິ່ງອໍານວຍຄວາມສະດວກ EE ທັງຫມົດແລະອາຈານບໍ່ແມ່ນສໍາລັບສິ່ງທີ່ເຮັດກັບຫ້ອງຮຽນແຕ່ 100 ສ່ວນຮ້ອຍສໍາລັບ DeepScribe. ການປະຊຸມຂອງຂ້ອຍກັບຜູ້ໃຫ້ຄໍາປຶກສາການຄົ້ນຄວ້າຂອງຂ້ອຍແມ່ນແຕ່ໄດ້ຫັນເຂົ້າໄປໃນກອງປະຊຸມ DeepScribe.
ເມື່ອເບິ່ງຄືນ, ຖ້າຂ້ອຍຕ້ອງປ່ຽນສິ່ງຫນຶ່ງກ່ຽວກັບການເດີນທາງຂອງຂ້ອຍ, ມັນຈະເປັນການຢຸດວິທະຍາໄລເພື່ອໃຫ້ຂ້ອຍໃຊ້ເວລາ 150 ເປີເຊັນຂອງເວລາຂອງຂ້ອຍຢູ່ໃນ DeepScribe.
ທ່ານສາມາດອະທິບາຍສໍາລັບຜູ້ຊ່ຽວຊານດ້ານການແພດວ່າຂໍ້ດີຂອງການໃຊ້ DeepScribe ທຽບກັບວິທີການແບບດັ້ງເດີມຫຼາຍຂອງການກໍານົດສຽງຫຼືແມ້ກະທັ້ງການບັນທຶກ?
ການໃຊ້ DeepScribe ແມ່ນມີຄວາມໝາຍຄ້າຍຄືກັນກັບການໃຊ້ຕົວຂຽນຂອງມະນຸດແທ້ໆ. ໃນຂະນະທີ່ທ່ານສົນທະນາກັບຄົນເຈັບຂອງທ່ານຢ່າງເປັນທໍາມະຊາດ, DeepScribe ຈະຟັງແລະເລືອກເອົາຄໍາເວົ້າທີ່ກ່ຽວຂ້ອງທາງການແພດທີ່ມັກຈະຢູ່ໃນບັນທຶກຂອງທ່ານແລະໃສ່ມັນຢູ່ໃນນັ້ນສໍາລັບທ່ານ, ໂດຍໃຊ້ພາສາທາງການແພດດຽວກັນກັບຕົວທ່ານເອງ. ພວກເຮົາຢາກຄິດວ່າມັນເປັນ AI-powered ສະມາຊິກໃຫມ່ຂອງພະນັກງານການແພດຂອງທ່ານທີ່ທ່ານສາມາດຝຶກອົບຮົມຕາມທີ່ທ່ານຕ້ອງການທີ່ຈະຊ່ວຍໃນເອກະສານໃນລະບົບບັນທຶກສຸຂະພາບເອເລັກໂຕຣນິກຂອງທ່ານຕາມທີ່ທ່ານຕ້ອງການ. ມັນແຕກຕ່າງກັນຫຼາຍຈາກການໃຊ້ບໍລິການການສັ່ງດ້ວຍສຽງ ເພາະມັນກໍາຈັດຂັ້ນຕອນທັງໝົດຂອງການກັບຄືນ ແລະເອກະສານ. ໃນຂະນະທີ່ການບໍລິການຂຽນຕາມຕາມປົກກະຕິເຮັດໃຫ້ເອກະສານ 10 ນາທີເປັນ 7-8 ນາທີ, DeepScribe ປ່ຽນເປັນສອງສາມວິນາທີ. ແພດຂອງພວກເຮົາລາຍງານທຸກບ່ອນຈາກ 1.5 ຫາ 3 ຊົ່ວໂມງຂອງເວລາທີ່ບັນທຶກໄວ້ຕໍ່ມື້ຂຶ້ນກັບຈໍານວນຄົນເຈັບທີ່ພວກເຂົາເຫັນ.
DeepScribe ແມ່ນອຸປະກອນທີ່ບໍ່ເຊື່ອຟັງ, ໃຊ້ງານໄດ້ຈາກ iPhone, Apple Watch, ບຣາວເຊີ (ສຳລັບ telemedicine), ຫຼືອຸປະກອນຮາດແວ.
ການຮັບຮູ້ສຽງເວົ້າຫຼືສິ່ງທ້າທາຍ NLP ບາງຢ່າງທີ່ DeepScribe ອາດຈະພົບຍ້ອນຄໍາສັບທາງການແພດທີ່ສັບສົນແມ່ນຫຍັງ?
ກົງກັນຂ້າມກັບຄວາມຄິດເຫັນທີ່ນິຍົມ, ຄໍາສັບທາງການແພດທີ່ສັບສົນແມ່ນສ່ວນທີ່ງ່າຍທີ່ສຸດສໍາລັບ DeepScribe ທີ່ຈະເລືອກເອົາ. ພາກສ່ວນທີ່ຍາກທີ່ສຸດສໍາລັບ DeepScribe ແມ່ນເພື່ອເອົາຄໍາຖະແຫຼງການສະພາບການທີ່ເປັນເອກະລັກທີ່ຄົນເຈັບອາດຈະໃຫ້ແພດ. ຍິ່ງພວກເຂົາຫຼົງທາງຈາກການສົນທະນາແບບປົກກະຕິ, ພວກເຮົາເຫັນ AI ສະດຸດຫຼາຍຂຶ້ນ. ແຕ່ເມື່ອພວກເຮົາເກັບກຳຂໍ້ມູນການສົນທະນາຫຼາຍຂຶ້ນ, ພວກເຮົາເຫັນວ່າມັນດີຂຶ້ນໃນທຸກໆວັນ.
ເຕັກໂນໂລຊີການຮຽນຮູ້ເຄື່ອງຈັກອື່ນໆທີ່ຖືກນໍາໃຊ້ກັບ DeepScribe ແມ່ນຫຍັງ?
ຄັນຮົ່ມຂະຫນາດໃຫຍ່ຂອງການຮັບຮູ້ສຽງເວົ້າແລະ NLP ມີແນວໂນ້ມທີ່ຈະກວມເອົາສ່ວນໃຫຍ່ຂອງການຮຽນຮູ້ເຄື່ອງຈັກທີ່ພວກເຮົາເຮັດຢູ່ DeepScribe.
ທ່ານສາມາດຕັ້ງຊື່ບາງໂຮງໝໍ, ອົງການບໍ່ຫວັງຜົນກຳໄລ, ຫຼືສະຖາບັນການສຶກສາທີ່ນຳໃຊ້ DeepScribe ໄດ້ບໍ?
DeepScribe ໄດ້ເລີ່ມຕົ້ນຜ່ານໂຄງການທົດລອງກັບສູນສຸຂະພາບ UC Berkeley. ການດູແລສຸຂະພາບ Hartford, ສູນການແພດ Texas, ແລະຜູ້ຊ່ຽວຊານດ້ານການແພດ Cedar Valley ແມ່ນມືຂອງລະບົບຂະຫນາດໃຫຍ່ທີ່ DeepScribe ເຮັດວຽກກັບ.
ຢ່າງໃດກໍຕາມ, ອັດຕາສ່ວນໃຫຍ່ຂອງຜູ້ໃຊ້ DeepScribe ແມ່ນ 50 ການປະຕິບັດສ່ວນຕົວຈາກ Alaska ກັບ Florida. ພິເສດຂອງພວກເຮົາທີ່ນິຍົມຫຼາຍທີ່ສຸດແມ່ນການດູແລປະຖົມ, orthopedics, gastroenterology, cardiology, psychiatry, ແລະ oncology, ແຕ່ພວກເຮົາສະຫນັບສະຫນູນຈໍານວນຫນ້ອຍຂອງພິເສດອື່ນໆ.
ບໍ່ດົນມານີ້ DeepScribe ໄດ້ເປີດຕົວໂຄງການຊ່ວຍເຫຼືອ COVID-19. ເຈົ້າສາມາດໃຫ້ພວກເຮົາຜ່ານໂຄງການນີ້ບໍ?
ໂຄວິດ-19 ໄດ້ກະທົບຕໍ່ທ່ານໝໍຂອງພວກເຮົາຢ່າງໜັກ. ການປະຕິບັດແມ່ນມີພຽງແຕ່ 30-40 ເປີເຊັນຂອງການໂຫຼດຂອງຄົນເຈັບຂອງເຂົາເຈົ້າ, ພະນັກງານ scribe ໄດ້ຖືກຕັດ, ແລະຜູ້ໃຫ້ບໍລິການໄດ້ຖືກບັງຄັບໃຫ້ປ່ຽນຄົນເຈັບທັງຫມົດຂອງເຂົາເຈົ້າຢ່າງໄວວາກ່ຽວກັບ telemedicine. ທັງຫມົດນີ້ສິ້ນສຸດລົງເຖິງການນໍາໄປສູ່ການເຮັດວຽກຂອງນັກວິຊາການຫຼາຍຂື້ນສໍາລັບຜູ້ໃຫ້ບໍລິການ - ພວກເຮົາຢູ່ DeepScribe ເຊື່ອຢ່າງຫນັກແຫນ້ນວ່າເພື່ອໃຫ້ໂລກລະບາດນີ້ຢຸດເຊົາ, ແພດຕ້ອງໄດ້ອຸທິດ 100 ເປີເຊັນຂອງຄວາມສົນໃຈແລະເວລາຂອງພວກເຂົາໃນການດູແລຄົນເຈັບຂອງພວກເຂົາ.
ເພື່ອຊ່ວຍສາເຫດນີ້, ພວກເຮົາມີຄວາມພູມໃຈທີ່ຈະເປີດຕົວການແກ້ໄຂ telemedicine ຟຣີໃຫ້ກັບຜູ້ຊ່ຽວຊານດ້ານການດູແລສຸຂະພາບທີ່ຕໍ່ສູ້ກັບໂລກລະບາດນີ້. ການແກ້ໄຂ telemedicine ຂອງພວກເຮົາແມ່ນປະສົມປະສານຢ່າງເຕັມສ່ວນກັບການແກ້ໄຂ AI-powered scribe ທາງການແພດຂອງພວກເຮົາ, ກໍາຈັດຄວາມຕ້ອງການສໍາລັບເອກະສານທາງດ້ານການຊ່ວຍສໍາລັບການພົບໃນເວທີຂອງພວກເຮົາ.
ພວກເຮົາຍັງໃຫ້ບໍລິການນັກຂຽນຂອງພວກເຮົາໂດຍບໍ່ເສຍຄ່າໃນລະຫວ່າງການແຜ່ລະບາດ. ນີ້ ໝາຍ ຄວາມວ່າແພດສາມາດເຂົ້າໄປຫານັກຂຽນໄດ້ໂດຍບໍ່ເສຍຄ່າເພື່ອຈັດການກັບເອກະສານຂອງພວກເຂົາ. ຄວາມຫວັງຂອງພວກເຮົາແມ່ນວ່າໂດຍການເຮັດສິ່ງນີ້, ແພດຈະສາມາດສຸມໃສ່ການເອົາໃຈໃສ່ຄົນເຈັບຂອງເຂົາເຈົ້າຫຼາຍຂຶ້ນແລະໃຊ້ເວລາຫນ້ອຍຄິດກ່ຽວກັບເອກະສານ, ນໍາໄປສູ່ການຢຸດເຊົາການລະບາດຂອງ COVID-19 ໄວຂຶ້ນ.
ຂອບໃຈສໍາລັບການສໍາພາດທີ່ດີ, ຂ້ອຍມັກຮຽນຮູ້ກ່ຽວກັບ DeepScribe ແລະການເດີນທາງຂອງຜູ້ປະກອບການຂອງເຈົ້າ. ໃຜທີ່ຢາກຮຽນຮູ້ເພີ່ມເຕີມຄວນເຂົ້າໄປເບິ່ງ DeepScribe.
