Варун Ганапати, CTO и ко-основач на AKASA – серија на интервјуа

Варун Ганапати е CTO и ко-основач на АКАСА, развивач на вештачка интелигенција за здравствени апликации. АКАСА им помага на здравствените организации да ги подобрат операциите, вклучително и циклусот на приходи, за да ги поттикнат приходите, да создадат ефикасност и да го подобрат искуството на пациентот. Варун успешно започна две компании за вештачка интелигенција пред AKASA, едната беше купена од Google, а другата од Udacity.

Имавте истакната кариера во машинското учење, дали може да разговарате за некои од вашите рани денови на Стенфорд кога работевте на автономни хеликоптери?

Кога студирав физика како студент на Стенфорд, исто така бев многу заинтересиран за компјутерски науки и машинско учење (ML). За мене, вештачката интелигенција и ML комбинираа сè во едно - тоа е навистина автоматизиран начин на правење физика на кој било феномен што може да се дигитализира.

За овој конкретен проект, го имавме овој хеликоптер кој изгледаше како големо беспилотно летало малку помало од двоен душек - во време кога беспилотните летала не беа распространети. Луѓето го летаа и го тераа да прави трикови, како на пример да лебди наопаку. Иако ова е многу тешко да се направи, сакавме да изградиме ML алгоритам кој би можел да научи од луѓето како да лета со овој хеликоптер автономно.

Создадовме физички симулатор кој се базираше на вистинскиот хеликоптер и ML алгоритам кој научи како да ги предвидува неговите движења. Потоа го применивме учењето за зајакнување во симулаторот за да развиеме контролер, го зедовме софтверот и го поставивме во вистинскиот хеликоптер. Откако го вклучивме хеликоптерот, тој работеше при првиот обид! Хеликоптерот можеше веднаш сам да лебди наопаку, што беше прилично импресивно. Тимот продолжи да работи на автоматизирање на други видови трикови со помош на ML.

Работевте и во Google Books, дали може да разговарате за алгоритмот на кој работевте и како вашата компанија на крајот беше купена од Google?

Јас всушност направив стажирање во Google додека одев на часови на Стенфорд во 2004 година - ова беше веднаш по проектот за хеликоптер. За тоа време, имплементирав ML за проектот Google Books каде што ги скениравме сите книги во светот.

Google им плаќаше на сите овие луѓе да ги означат информациите за книгите, како што се страници, табели со содржини, авторски права итн. - задача која одзема многу време. Сакав да видам дали можеме да користиме ML за да го направиме ова и работеше навистина добро. Тој всушност функционираше подобро и беше попрецизен отколку кога луѓето го правеа тоа, бидејќи повеќето од грешките се должат на човечка грешка со рачно етикетирање.

Ова навистина ме возбуди за ML бидејќи покажа дека можете да преминете од човечка изведба до натчовечка изведба - правејќи секојдневни задачи со помалку грешки и поконзистентно додека сè уште се справувате со рабови.

Оттаму решив да се занимавам со докторат. на Стенфорд, фокусирајќи се на ML и повеќе теоретски трудови на почетокот. За мојата теза, развив алгоритам за снимање на движење во реално време каде што компјутерот може да го следи движењето на сите човечки зглобови во реално време од камера за длабочина. Ова беше основа за мојата прва компанија, Numovis, која се фокусираше на следење на движење и компјутерска визија за интеракција со корисниците. Тој беше купен од Google.

Целото мое патување од проектот за хеликоптер до Google Books до самоуправувачки автомобили и сега здравствените операции навистина ми покажаа колку се моќни и општи алгоритми за машинско учење.

Можете ли да ја споделите приказната за генезата зад AKASA?

Ние изградивме АКАСА да се поправи огромен, длабоко вграден проблем во здравствените операции. Овие операции се и скапи и склони кон грешки, што може да доведе до непотребни финансиски искуства што предизвикуваат паника за пациентите. Недостигаше нова технологија на административна страна и ништо не беше наменски изградено. Ни стана јасно дека можете да користите технологија како AI и ML за да ги решите овие оперативни предизвици на иновативен начин. Кога разговаравме со мноштво здравствени системи и здравствени лидери, тие го потврдија нашето размислување што на крајот доведе до основање на АКАСА во 2019 година.

Со тоа, целта на АКАСА беше јасна од самиот почеток – да овозможи човеково здравје и да ја изгради иднината на здравствената заштита со вештачка интелигенција. Начинот на кој решивме да се справиме со овој предизвик е со комбинирање на човечката интелигенција со врвна вештачка интелигенција и ML, така што здравствените системи можат да ги намалат оперативните трошоци и да ги распределат ресурсите таму каде што се најважни.

Нашата системска агностичка, флексибилна платформа моментално опслужува база на клиенти што претставува повеќе од 475 болници и здравствени системи и повеќе од 8,000 амбулантски установи, во сите 50 држави. Нашата технологија им помага на овие организации без разлика дали користат даватели на електронски здравствени досиеја (EHR), како што се Epic, Cerner, други EHR или системи со завртки, и сè помеѓу нив. И тоа го направивме со силни резултати.

Нашата база на клиенти претставува повеќе од 110 милијарди американски долари вкупен нето приход за пациентите, што е еднакво на повеќе од 10% од сите трошоци на американскиот здравствен систем годишно според Центрите за Medicaid и Medicare Services. А моделите и алгоритмите на AKASA се обучени за речиси 290 милиони побарувања и дознаки.

Невидливото водовод на здравството е исклучително сложено, но има огромно влијание врз здравјето на луѓето, а ние го автоматизираме малку по малку.

Кои се некои од задачите што АКАСА ги гледа да ги автоматизира во здравството?

Нашиот уникатен експертски пристап, Unified Automation™, комбинира ML со човечко расудување и експертиза за предметот за да обезбеди цврста и еластична автоматизација за здравствените операции. AKASA може брзо и ефикасно да ги автоматизира и рационализира задачите од крај до крај во рамките на функцијата за финансирање на здравствената заштита, вклучувајќи обработка на сметки и плаќања. Специфичните задачи што ги автоматизира AKASA вклучуваат проверка на подобноста на пациентите, документирање и потврдување на информациите за осигурување, проценка на трошоците за пациентот, уредување, повторно наплата и привлекување побарувања, како и предвидување и управување со одбивањата.

Овој тип на автоматизација не само што ги намалува човечките грешки и доцнењата за пациентите, помагајќи да се спречат ненадејни медицински сметки, туку исто така го ослободува здравствениот персонал со симнување на прирачникот, повторливите задачи целосно од нивната чинија - овозможувајќи им да се фокусираат на повеќе наградувачки, предизвикувачки и повредни. -генерирање задачи насочени кон искуството на пациентот.

Кои се различните видови алгоритми за машинско учење што се користат?

AKASA ги користи истите пристапи за машинско учење што ги овозможи самоуправувачките автомобили да им обезбедат на здравствените системи едно единствено решение за автоматизирање на здравствените операции. Овој пристап - центриран околу ML - ги проширува можностите на автоматизацијата за да преземе покомплексна работа во обем.

Развиваме најсовремени алгоритми за компјутерска визија, разбирање природен јазик и проблеми со структурирани податоци. Нашата платформа започнува со RPA напојувана со компјутерска визија и ја подобрува со модерна вештачка интелигенција, ML и експерт во јамката за да обезбеди силна автоматизација.

За да обезбедиме преглед на високо ниво за тоа како функционира, нашето сопствено решение прво набљудува како здравствениот персонал ги завршува своите задачи. Нашиот тим потоа ги означува тие податоци и ги користи за да ги обучи нашите алгоритми за да може нашата технологија да разбере и научи како функционираат здравствениот персонал и нивните системи. Оттаму, нашата платформа ги извршува тие работни текови автономно. Конечно, ние користиме експерти во јамката кои можат да скокаат секогаш кога системот означува оддалечени или исклучоци. Вештачката интелигенција континуирано учи од тие искуства, овозможувајќи и да преземе посложени задачи со текот на времето.

Дали би можеле да разговарате за важноста на пристапите „човек-во-јамка“ и зошто ова е поставено да ја смени РПА?

Тешката вистина е дека RPA е децениска технологија која е кршлива со реални ограничувања на своите можности. Секогаш ќе има одредена вредност во автоматизирањето на работата што е едноставна, дискретна и линеарна. Сепак, причината зошто напорите за автоматизација честопати не ги исполнуваат нивните аспирации е затоа што животот е сложен и секогаш се менува.

Основниот пристап кон RPA е изградба на робот (бот) за секој проблем или патека што сакате да ја решите. Човек (консултант или инженер) гради робот за да реши одреден проблем. Ова роботско решение го зазема местото на низа чекори. Гледа во екран, презема акција и го повторува.

Проблемот што често се појавува е тоа што промената во светот, како што е модификација на парче софтвер или UI, може да предизвика кршење на ботови. Како што знаеме, технологијата постојано се развива, создавајќи динамични средини. Ова значи дека роботите на RPA често не успеваат.

Друг проблем со овие ботови е тоа што треба да креирате еден за секоја ситуација што сакате да ја решите. Правејќи го ова, завршувате со многу роботи, сите завршувајќи многу мали акции за кои не е потребна голема вештина.

Тоа е како игра на удар со крт. Секој ден се соочувате со веројатноста дека еден од нив ќе се скрши затоа што ќе се смени некој софтвер или ќе се случи нешто необично - ќе се појави дијалог-кутија или ќе се појави нов вид на внес. Резултатот е скапо одржување за да се одржат овие ботови да работат. Според истражувањето на Форестер, за секој 1 долар потрошен на RPA, дополнителни 3.41 долари се трошат за консултантски ресурси.

Со други зборови, вистинскиот софтвер за RPA не е најголемиот дел од трошоците. Позначајната инвестиција во трошоците е целата работа што треба да ја направите за да продолжите да работи RPA цело време. Многу организации не го земаат предвид тој тековен трошок.

Бидејќи голем дел од животот е сложен и постојано се развива, многу работа е надвор од можностите на RPA, каде што доаѓа ML. ML ни овозможува да ги автоматизираме тешките работи. И ние веруваме дека специјалниот сос се луѓето кои ги подобруваат алгоритмите учејќи ги.

Кога алгоритмот не е сигурен за тоа што треба да направи (ниска самодоверба), наместо тоа, тој ескалира на човек-во-јамка. Луѓето ги означуваат тие примери и ги идентификуваат случаите кои не се постапувани од сегашниот модел. Кога ова е направено, а вештачката интелигенција го сфати како што треба, тоа е добро функционална задача.

Секоја задача кога човек фаќа проблем е случај кога машината не се справува правилно. Во овој случај, податоците се додаваат во нашиот сет на податоци, што ги преквалификува ML моделите за да се справат со оваа нова ситуација.

Со текот на времето, моделот ML гради отпорност на овие нови рабови. Ова резултира со систем кој е робустен и флексибилен за нови оддалечени или исклучоци, а системот станува посилен со текот на времето. Ова значи дека автоматизацијата станува подобра и подобра и човечката интервенција ќе се намалува со текот на времето.

Имањето човечки експерти во јамката е од клучно значење за да се направи вештачката интелигенција попаметна, побрза и подобра. Потребни ни се луѓето правилно да ја обучуваат вештачката интелигенција и да се погрижат таа да може да се справи со неизбежен дел од која било индустрија - а особено во динамично поле како што е здравството.

Како функционира решението на AKASA за човек во јамката Unified Automation™ и кои се некои од примарните случаи за употреба за оваа платформа?

Unified Automation е платформа наменски изградена за здравствена заштита. Користејќи AI, ML и нашиот тим од медицински експерти за наплата, создава беспрекорно интегрирано, приспособено решение кое ви помага побрзо да ја видите вредноста, без практично никакво одржување или редици за исклучок.

Дизајниран е имајќи ги предвид исклучоците и отскоците. Ако наиде на нешто ново, платформата го означува проблемот до тимот на експерти на AKASA кои го решаваат додека системот учи од активностите што ги преземаат. Тоа е тој човечки елемент што нè разликува од другите решенија на пазарот и овозможува платформата постојано да учи и да се подобрува.

Унифицираната автоматизација, исто така, се прилагодува на динамичната природа на здравствената индустрија. Тоа е беспрекорно интегрирано, приспособено решение кое помага да се намалат оперативните трошоци, го подигнува персоналот да се справи со понаградувачка работа која бара човечки допир и го подобрува приходот за здравствените системи, а истовремено го подобрува финансиското искуство на пациентот.

Еве како функционира Унифицираната автоматизација:

Комерцијалниот софтвер забележува: Нашата алатка Worklogger™ од далечина набљудува како здравствениот персонал ги завршува своите задачи. Потоа, нашиот тим ги означува тие податоци и ги внесува во нашата автоматизација за да обезбеди сеопфатен преглед на тековните работни текови и процеси. Ова резултира со поголема видливост на перформансите на персоналот, основни податоци за работните текови за напојување на нашата автоматизација и точна анализа на времето по задача.

ВИ врши: По набљудувањето и учењето на работните текови на здравствениот персонал, нашата вештачка интелигенција потоа ги извршува овие задачи автономно. Континуирано учи од проблемите и рабните случаи на кои наидува, преземајќи посложени задачи со текот на времето. Унифицираната автоматизација се наоѓа нагоре во работната редица - си доделува применливи задачи и ги завршува без да го наруши тимот. Исто така, автоматски ги оптимизира процесите, така што нема потреба од поставување или интервенција од персоналот.

Човечката експертиза обезбедува:  Системот автоматски го означува нашиот тим од медицински експерти за наплата за да се справи со исклучоците и исклучоците, обучувајќи ја вештачката интелигенција во реално време додека тие работат. Ова е експерт во јамката дел. Со вградено континуирано учење, платформата Unified Automation станува попаметна и поефикасна со текот на времето и работата секогаш завршува.

Дали има нешто друго што би сакале да споделите за АКАСА?

Имаме пристап на прво истражување, што значи дека нашите клиенти имаат пристап до врвна технологија. Посветени сме на објавување на нашата вештачка интелигенција и пристапи во публикации со рецензија за постојано поставување на нови најсовремени стандарди за вештачка интелигенција во здравствените операции и да ја водиме целата наша индустрија напред.

На пример, нашето истражување беше претставено на Меѓународната конференција за машинско учење (ICML), Самитот за обработка на природни јазици (NLP) и Конференцијата за машинско учење за здравствена заштита (MLHC), меѓу другото. Заземаме многу дисциплиниран пристап за тестирање на нашите модели и споредување на перформансите со најсовремените пристапи за вештачка интелигенција на пазарот.

Се верува дека нашето предвидливо решение за негирање е првиот објавен систем заснован на длабоко учење кој може точно да ги предвиди одбивањата на медицинските барања за повеќе од 22% во споредба со постојните основни линии. Нашиот модел Read, Attend, Code за автономно кодирање на медицински тврдења од клинички белешки е препознаен како дефинирање на нова најсовремена технологија за индустријата и ги надмина сегашните модели за 18% - надминувајќи ја продуктивноста на човечките кодери. Сметаме дека овие иновации во заднината се клучни за подобрување на здравствениот систем на САД во обем и ќе продолжат да поттикнуваат напредок и да градат приспособени решенија за овој простор.

Има многу возбуда околу вештачката интелигенција во здравството, но кога се сведува на тоа, компаниите можат да претеруваат со она што нивната технологија всушност може да го направи. Многу е потешко да се спроведе истражување за да се потврди она што го прават алгоритмите - и ние се гордееме што го одиме овој значаен, но сепак предизвикувачки пат за на крајот да докажеме дека платформата за унифицирана автоматизација на AKASA навистина носи позитивни и значајни промени во болниците и здравствените системи.

Возбудени сме за иднината и за она што ни претстои во АКАСА додека ја градиме иднината на здравството со вештачка интелигенција.

Ви благодариме за одличното интервју, читателите кои сакаат да дознаат повеќе треба да го посетат АКАСА.