Varun Ganapathi၊ CTO & Co-Founder AKASA - တွေ့ဆုံမေးမြန်းခန်းစီးရီး

Varun Ganapathi သည် CTO နှင့် Co-Founder ဖြစ်သည်။ AKASAကျန်းမာရေးစောင့်ရှောက်မှုအပလီကေးရှင်းများအတွက် AI တီထွင်သူဖြစ်သည်။ AKASA သည် ဝင်ငွေလည်ပတ်မှု အပါအဝင် လုပ်ငန်းဆောင်ရွက်မှုများကို မြှင့်တင်ရန်၊ ဝင်ငွေကို တွန်းအားပေးရန်၊ ထိရောက်မှု ဖန်တီးရန်နှင့် လူနာ၏ အတွေ့အကြုံကို မြှင့်တင်ရန် ကူညီပေးသည်။ Varun AKASA မတိုင်မီ AI ကုမ္ပဏီနှစ်ခုကို အောင်မြင်စွာ စတင်ခဲ့ပြီး တစ်ခုမှာ Google မှ ဝယ်ယူခဲ့ပြီး နောက်တစ်ခုမှာ Udacity မှဖြစ်သည်။

သင့်တွင် စက်သင်ယူမှုတွင် ထူးချွန်သော အသက်မွေးဝမ်းကျောင်းတစ်ခု ရှိပြီး၊ သင်သည် ရဟတ်ယာဉ်များကို ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရရှိစေရန် လုပ်ဆောင်ခဲ့သည့် စတန်းဖို့ဒ်တွင် သင်၏ အစောပိုင်းကာလအချို့ကို ဆွေးနွေးနိုင်မလား။

Stanford မှာ ရူပဗေဒဘာသာရပ်ကို ဘွဲ့ကြိုသင်တန်းတက်တုန်းက ကွန်ပျူတာသိပ္ပံနဲ့ စက်သင်ယူမှု (ML) ကို အရမ်းစိတ်ဝင်စားခဲ့တယ်။ ကျွန်တော့်အတွက်၊ AI နှင့် ML တို့သည် အရာအားလုံးကို တစ်ခုတည်းတွင် ပေါင်းစပ်ထားပါသည် - ၎င်းသည် မည်သည့်ဒစ်ဂျစ်တယ်ပုံစံဖြင့်မဆို ရူပဗေဒကို အလိုအလျောက်လုပ်ဆောင်နိုင်သော နည်းလမ်းတစ်ခုဖြစ်သည်။

ဤအထူးပရောဂျက်အတွက်၊ ဒရုန်းများ မပျံ့နှံ့သည့်အချိန်၌ မွေ့ယာနှစ်လုံးထက် အနည်းငယ်သေးငယ်သော ဒရုန်းကြီးတစ်စင်းနှင့်တူသော ဤရဟတ်ယာဉ်ကို ကျွန်ုပ်တို့တွင် ရှိသည်။ လူတွေက ဇောက်ထိုးပျံဝဲပြီး လှည့်ကွက်တွေ လုပ်ကြတယ်။ ဒါကလုပ်ဖို့ အရမ်းခက်ခဲပေမဲ့၊ လူသားတွေဆီကနေ ဒီရဟတ်ယာဉ်ကို အလိုအလျောက် ပျံသန်းနိုင်စေမယ့် ML algorithm တစ်ခုကို တည်ဆောက်လိုခဲ့ပါတယ်။

ကျွန်ုပ်တို့သည် အမှန်တကယ် ရဟတ်ယာဉ်နှင့် ၎င်း၏ ရွေ့လျားမှုများကို ခန့်မှန်းရပုံကို သင်ယူနိုင်သည့် ML algorithm ကို အခြေခံထားသည့် ရူပဗေဒဆိုင်ရာ Simulator တစ်ခုကို ဖန်တီးခဲ့သည်။ ထို့နောက် ထိန်းချုပ်ကိရိယာကို တီထွင်ရန်၊ ဆော့ဖ်ဝဲလ်ကို ယူကာ တကယ့်ရဟတ်ယာဉ်သို့ အပ်လုဒ်လုပ်ရန် Simulator အတွင်း အားဖြည့်သင်ယူမှုကို ကျွန်ုပ်တို့ အသုံးပြုခဲ့သည်။ ရဟတ်ယာဉ်ကို ကျွန်ုပ်တို့ဖွင့်ပြီးနောက်၊ ပထမအကြိမ်ကြိုးစားမှုတွင် အောင်မြင်ခဲ့သည်။ ရဟတ်ယာဉ်သည် သူ့ဘာသာသူ ချက်ချင်း ဇောက်ထိုး ပျံတက်နိုင်ခဲ့ပြီး အလွန်အထင်ကြီးစရာကောင်းသည်။ အဖွဲ့သည် ML ကို အသုံးပြု၍ အခြားသော လှည့်ကွက်များကို အလိုအလျောက် လုပ်ဆောင်နိုင်စေရန် ဆက်လက်လုပ်ဆောင်ခဲ့သည်။

သင်လည်း Google Books တွင် အလုပ်လုပ်ခဲ့ပြီး သင်လုပ်ဆောင်ခဲ့သည့် algorithm နှင့် သင့်ကုမ္ပဏီကို နောက်ဆုံးတွင် Google က မည်သို့ရယူခဲ့သည်ကို ဆွေးနွေးနိုင်မလား။

ကျွန်တော် 2004 ခုနှစ်မှာ Stanford မှာ သင်တန်းတက်ရင်း Google မှာ Internship လုပ်ခဲ့တယ် - ဒါက ရဟတ်ယာဉ် ပရောဂျက်ပြီးတာနဲ့ ချက်ချင်းပဲ ။ ထိုအချိန်တွင် ကျွန်ုပ်သည် ကမ္ဘာ့စာအုပ်များအားလုံးကို စကင်န်ဖတ်နေသည့် Google Books ပရောဂျက်အတွက် ML ကို အကောင်အထည်ဖော်နေပါသည်။

Google သည် စာမျက်နှာများ၊ အကြောင်းအရာဇယားများ၊ မူပိုင်ခွင့်စသည်ဖြင့် စာအုပ်များအကြောင်း အချက်အလက်များကို အညွှန်းတပ်ရန် ဤလူအားလုံးကို ပေးဆောင်နေသည် - အလွန်အချိန်ကုန်သောအလုပ်ဖြစ်သည်။ ဒါကိုလုပ်ဖို့ ML ကိုသုံးနိုင်မလားဆိုတာ ကြည့်ချင်တယ်၊ တကယ်အလုပ်လုပ်တယ်။ ၎င်းသည် အမှန်တကယ် ကောင်းမွန်ပြီး လူသားများ လုပ်ဆောင်သည့်အချိန်ထက် ပိုတိကျသည် အဘယ်ကြောင့်ဆိုသော် အမှားအများစုမှာ လူကိုယ်တိုင် တံဆိပ်တပ်ခြင်းနှင့်အတူ မှားယွင်းခြင်းကြောင့် ဖြစ်သည်။

အမှားအယွင်းနည်းပြီး အစွန်းအထင်းကိစ္စများကို ဆက်လက်ကိုင်တွယ်နေစဉ်တွင် သင်သည် လူ့စွမ်းဆောင်မှုမှ လူသားဆန်သော စွမ်းဆောင်ရည်အထိ လုပ်ဆောင်နိုင်သည်ကို ပြသသောကြောင့် ML နှင့် ပတ်သက်၍ ကျွန်ုပ်ကို အမှန်တကယ် စိတ်လှုပ်ရှားစေပါသည်။

အဲဒီကနေ Ph.D လုပ်ဖို့ ဆုံးဖြတ်လိုက်တယ်။ စတန်းဖို့ဒ်တွင် ML နှင့် သီအိုရီဆိုင်ရာ စာတမ်းများကို အစပိုင်းတွင် အာရုံစိုက်ခဲ့သည်။ ကျွန်ုပ်၏စာတမ်းအတွက်၊ နက်ရှိုင်းသောကင်မရာမှ ကွန်ပျူတာသည် လူသားအဆစ်များအားလုံးကို အချိန်နှင့်တပြေးညီ ခြေရာခံနိုင်သည့် အချိန်နှင့်တစ်ပြေးညီ ရွေ့လျားမှုကို ဖမ်းယူနိုင်စေရန် algorithm တစ်ခုကို တီထွင်ခဲ့သည်။ ၎င်းသည် ရွေ့လျားမှုကို ခြေရာခံခြင်းနှင့် အသုံးပြုသူ အပြန်အလှန်ဆက်ဆံမှုအတွက် ကွန်ပျူတာအမြင်ကို အာရုံစိုက်သည့် ကျွန်ုပ်၏ ပထမဆုံးကုမ္ပဏီ Numovis အတွက် အခြေခံဖြစ်သည်။ Google မှ ရယူခဲ့သည်။

ရဟတ်ယာဉ်ပရောဂျက်မှ Google Books သို့ မောင်းသူမဲ့ကားများအထိ ကျွန်ုပ်၏ခရီးတစ်လျှောက်လုံးတွင် ယခုအခါ ကျန်းမာရေးစောင့်ရှောက်မှုလုပ်ငန်းများသည် မည်မျှအစွမ်းထက်ပြီး ယေဘူယျစက်သင်ယူမှုဆိုင်ရာ အယ်လဂိုရီသမ်များဖြစ်ကြောင်း ကျွန်ုပ်အား ပြသခဲ့ပါသည်။

AKASA ရဲ့ နောက်ကွယ်က ဥပါဒ်ဇာတ်လမ်းကို မျှဝေပေးနိုင်မလား။

ငါတို့ဆောက်ပြီးပြီ။ AKASA ကျန်းမာရေးစောင့်ရှောက်မှုလုပ်ငန်းများတွင် ကြီးမားပြီး နက်ရှိုင်းစွာ မြှုပ်နှံထားသော ပြဿနာကို ဖြေရှင်းရန်။ ဤလုပ်ငန်းဆောင်တာများသည် စျေးကြီးပြီး အမှားအယွင်းများတတ်သောကြောင့် လူနာများအတွက် မလိုအပ်သော အထိတ်တလန့်ဖြစ်စေသော ငွေကြေးဆိုင်ရာ အတွေ့အကြုံများကို ဖြစ်ပေါ်စေနိုင်သည်။ အုပ်ချုပ်ရေးဘက်တွင် နည်းပညာအသစ်များ နည်းပါးနေပြီး ရည်ရွယ်ချက်ဖြင့် တည်ဆောက်ထားခြင်းမရှိပါ။ ဤလုပ်ငန်းလည်ပတ်မှုဆိုင်ရာစိန်ခေါ်မှုများကို ဆန်းသစ်သောနည်းလမ်းဖြင့် ဖြေရှင်းရန် AI နှင့် ML ကဲ့သို့သော နည်းပညာကို သင်အသုံးပြုနိုင်ကြောင်း ကျွန်ုပ်တို့အတွက် ရှင်းရှင်းလင်းလင်းဖြစ်လာပါသည်။ ကျန်းမာရေးစနစ်များစွာနှင့် ကျန်းမာရေးစောင့်ရှောက်မှုခေါင်းဆောင်များနှင့် စကားပြောဆိုသောအခါ၊ 2019 ခုနှစ်တွင် AKASA ၏အခြေခံအုတ်မြစ်ကို အဆုံးအဖြတ်ပေးသည့် ကျွန်ုပ်တို့၏တွေးခေါ်ပုံကို အတည်ပြုခဲ့သည်။

ထို့ကြောင့်၊ AKASA ၏ ရည်ရွယ်ချက်မှာ လူသားကျန်းမာရေးကို အသုံးပြုနိုင်စေရန်နှင့် AI ဖြင့် ကျန်းမာရေးစောင့်ရှောက်မှု၏ အနာဂတ်ကို တည်ဆောက်ရန် အစကတည်းက ရှင်းရှင်းလင်းလင်းရှိခဲ့သည်။ ဤစိန်ခေါ်မှုကို ရင်ဆိုင်ရန် ကျွန်ုပ်တို့ ဆုံးဖြတ်ခဲ့သည့်နည်းလမ်းမှာ ထိပ်တန်းအဆင့် AI နှင့် ML တို့နှင့်အတူ လူသားဉာဏ်ရည်ဉာဏ်သွေးကို ပေါင်းစပ်ခြင်းဖြင့် ကျန်းမာရေးစနစ်များသည် လည်ပတ်မှုကုန်ကျစရိတ်များကို လျှော့ချနိုင်ပြီး ၎င်းတို့အရေးအကြီးဆုံးနေရာတွင် အရင်းအမြစ်များကို ခွဲဝေပေးနိုင်ပါသည်။

ကျွန်ုပ်တို့၏ စနစ်-ဘာသာမဲ့၊ လိုက်လျောညီထွေရှိသော ပလပ်ဖောင်းသည် လက်ရှိတွင် 475 ဆေးရုံများနှင့် ကျန်းမာရေးစနစ်များနှင့် ပြင်ပလူနာဌာနပေါင်း 8,000 ကျော်ကို ကိုယ်စားပြုသည့် ဖောက်သည်အခြေခံကို လက်ရှိတွင် ပြည်နယ် 50 အားလုံးတွင် ဝန်ဆောင်မှုပေးနေပါသည်။ ကျွန်ုပ်တို့၏နည်းပညာသည် Epic၊ Cerner၊ အခြား EHRs သို့မဟုတ် bolt-on စနစ်များနှင့် အကြားရှိ အရာအားလုံးကို အီလက်ထရွန်းနစ်ကျန်းမာရေးမှတ်တမ်း (EHR) ပံ့ပိုးပေးသူများကို အသုံးပြုနေသည်ဖြစ်စေ၊ ပြီးတော့ ခိုင်မာတဲ့ရလဒ်တွေနဲ့ ကျွန်တော်တို့ လုပ်ခဲ့ပါတယ်။

ကျွန်ုပ်တို့၏ဖောက်သည်အခြေခံသည် စုစုပေါင်းအသားတင်လူနာဝင်ငွေတွင် $110 ဘီလီယံကျော်ကိုကိုယ်စားပြုသည်၊ ၎င်းသည် နှစ်စဉ် US ကျန်းမာရေးစနစ်အသုံးစရိတ်၏ 10% ကျော်နှင့်ညီမျှသည်။ Medicaid နှင့် Medicare ဝန်ဆောင်မှုများအတွက် စင်တာများ. AKASA ၏ မော်ဒယ်များနှင့် အယ်လဂိုရီသမ်များကို တိုင်ကြားမှုနှင့် ငွေလွှဲမှုပေါင်း သန်း 290 နီးပါးတွင် လေ့ကျင့်သင်ကြားထားသည်။

ကျန်းမာရေးစောင့်ရှောက်မှု၏ မမြင်နိုင်သောပိုက်လိုင်းသည် အလွန်ရှုပ်ထွေးသော်လည်း ၎င်းသည် လူ့ကျန်းမာရေးအပေါ် ကြီးမားသောအကျိုးသက်ရောက်မှုရှိပြီး ကျွန်ုပ်တို့သည် ၎င်းကို တစ်နည်းနည်းချင်း အလိုအလျောက်လုပ်ဆောင်နေပါသည်။

AKASA သည် ကျန်းမာရေးစောင့်ရှောက်မှုတွင် အလိုအလျောက်လုပ်ဆောင်ရန် လုပ်ဆောင်နေသည့် အလုပ်အချို့မှာ အဘယ်နည်း။

ကျွန်ုပ်တို့၏ တစ်မူထူးခြားသော ကျွမ်းကျင်သည့် ချဉ်းကပ်မှုဖြစ်သော Unified Automation™ သည် ကျန်းမာရေးစောင့်ရှောက်မှုလုပ်ငန်းများအတွက် ကြံ့ခိုင်ပြီး ခံနိုင်ရည်ရှိသော အလိုအလျောက်စနစ်များကို ပံ့ပိုးပေးရန်အတွက် ML ကို လူသား၏ဆုံးဖြတ်မှုနှင့် ဘာသာရပ်ဆိုင်ရာကျွမ်းကျင်မှုများနှင့် ပေါင်းစပ်ထားသည်။ AKASA သည် ဘေလ်စီမံဆောင်ရွက်ပေးခြင်းနှင့် ငွေပေးချေမှုများအပါအဝင် ကျန်းမာရေးစောင့်ရှောက်မှုဘဏ္ဍာရေးဆိုင်ရာ လုပ်ဆောင်ချက်အတွင်း မြန်ဆန်ထိရောက်စွာ အလိုအလျောက်လုပ်ဆောင်နိုင်ပြီး လွယ်ကူချောမွေ့စေပါသည်။ AKASA အလိုအလျောက်လုပ်ဆောင်သည့် တိကျသောလုပ်ဆောင်စရာများမှာ လူနာ၏အရည်အချင်းပြည့်မီမှုကို စစ်ဆေးခြင်း၊ အာမခံအချက်အလက်များကို မှတ်တမ်းတင်ခြင်းနှင့် အတည်ပြုခြင်း၊ လူနာကုန်ကျစရိတ်ကို ခန့်မှန်းခြင်း၊ တည်းဖြတ်ခြင်း၊ ပြန်လည်ငွေတောင်းခံခြင်းနှင့် အယူခံဝင်ခြင်းများနှင့် ငြင်းဆိုမှုများကို ခန့်မှန်းခြင်းနှင့် စီမံခန့်ခွဲခြင်းတို့ ပါဝင်သည်။

ဤအလိုအလျောက်စနစ်သည် လူနာများအတွက် လူသားအမှားအယွင်းနှင့် နှောင့်နှေးမှုများကို လျှော့ချပေးရုံသာမက၊ အံ့အားသင့်စရာ ဆေးဘက်ဆိုင်ရာ အခကြေးငွေများကို တားဆီးပေးရုံသာမက၊ လက်စွဲစာအုပ်၊ ထပ်တလဲလဲ လုပ်ဆောင်စရာများကို ၎င်းတို့၏ပန်းကန်ပြားမှ လုံးလုံးလျားလျား ယူဆောင်ခြင်းဖြင့် ကျန်းမာရေးစောင့်ရှောက်မှုဝန်ထမ်းများကို လွတ်မြောက်စေသည် - သူတို့ကို ပိုမိုအကျိုးရှိသော၊ စိန်ခေါ်မှုနှင့် တန်ဖိုးများကို အာရုံစိုက်နိုင်စေပါသည်။ - လူနာအတွေ့အကြုံဆီသို့ ဦးတည်သော အလုပ်များကို ထုတ်ပေးခြင်း။

အသုံးပြုတဲ့ machine learning algorithms အမျိုးအစားတွေက ဘာတွေလဲ။

AKASA သည် ကျန်းမာရေးစောင့်ရှောက်မှုလုပ်ငန်းများကို အလိုအလျောက်လုပ်ဆောင်ခြင်းအတွက် တစ်ခုတည်းသောအဖြေတစ်ခုဖြင့် ကျန်းမာရေးစနစ်များကို ပံ့ပိုးပေးနိုင်သည့် အလိုအလျောက်မောင်းနှင်သည့်ကားများကို ဖြစ်နိုင်စေသည့် တူညီသောစက်သင်ယူမှုနည်းလမ်းများကို အသုံးပြုသည်။ ML ကိုဗဟိုပြုသည့် ဤချဉ်းကပ်နည်းသည် အတိုင်းအတာတစ်ခုအထိ ပိုမိုရှုပ်ထွေးသောအလုပ်များကိုလုပ်ဆောင်ရန် အလိုအလျောက်စနစ်၏စွမ်းရည်များကို ချဲ့ထွင်စေသည်။

ကျွန်ုပ်တို့သည် ကွန်ပျူတာအမြင်၊ သဘာဝဘာသာစကားနားလည်မှုနှင့် ဖွဲ့စည်းပုံဒေတာပြဿနာများတစ်လျှောက် ခေတ်မီဆန်းသစ်သော အယ်လဂိုရီသမ်များကို ပြုစုပျိုးထောင်ပါသည်။ ကျွန်ုပ်တို့၏ပလပ်ဖောင်းသည် ကွန်ပျူတာအမြင်စွမ်းအင်သုံး RPA ဖြင့်စတင်ပြီး အားကောင်းသောအလိုအလျောက်လုပ်ဆောင်မှုကိုပေးစွမ်းရန် ခေတ်မီ AI၊ ML၊ နှင့် ကျွမ်းကျင်သောစက်ဝိုင်းများဖြင့် မြှင့်တင်ပေးပါသည်။

၎င်းလုပ်ဆောင်ပုံ၏ မြင့်မားသော ခြုံငုံသုံးသပ်ချက်ကို ပေးစွမ်းရန်၊ ကျွန်ုပ်တို့၏ တစ်ဦးတည်းပိုင်ဖြေရှင်းချက်သည် ကျန်းမာရေးစောင့်ရှောက်မှုဝန်ထမ်းများ၏ လုပ်ငန်းတာဝန်များကို မည်ကဲ့သို့ ပြီးမြောက်စေသည်ကို ဦးစွာ စောင့်ကြည့်ပါသည်။ ထို့နောက် ကျွန်ုပ်တို့၏အဖွဲ့သည် အဆိုပါဒေတာကို အညွှန်းတပ်ပြီး ကျွန်ုပ်တို့၏ အယ်လဂိုရီသမ်များကို လေ့ကျင့်ရန် ၎င်းကိုအသုံးပြုကာ ကျွန်ုပ်တို့၏နည်းပညာသည် ကျန်းမာရေးစောင့်ရှောက်မှုဝန်ထမ်းများနှင့် ၎င်းတို့၏စနစ်များ မည်သို့အလုပ်လုပ်ပုံကို နားလည်သိရှိနိုင်စေရန် သင်ယူနိုင်မည်ဖြစ်သည်။ ထိုမှနေ၍ ကျွန်ုပ်တို့၏ပလပ်ဖောင်းသည် ထိုလုပ်ငန်းအသွားအလာများကို အလိုအလျောက်လုပ်ဆောင်ပါသည်။ နောက်ဆုံးတွင်၊ စနစ်သည် အစွန်းထွက်များ သို့မဟုတ် ခြွင်းချက်များကို အလံပြသည့်အခါတိုင်းတွင် ပါဝင်နိုင်သည့် ကျွမ်းကျင်သူများကို အသုံးပြုပါသည်။ AI သည် အဆိုပါ အတွေ့အကြုံများမှ စဉ်ဆက်မပြတ် လေ့လာသင်ယူပြီး အချိန်ကြာလာသည်နှင့်အမျှ ပိုမိုရှုပ်ထွေးသော အလုပ်များကို လုပ်ဆောင်နိုင်စေပါသည်။

လူအချင်းချင်း ချိတ်ဆက်ခြင်းဆိုင်ရာ ချဉ်းကပ်မှုများ၏ အရေးပါမှုကို သင် ဆွေးနွေးနိုင်ပါသလား၊ ၎င်းကို အဘယ်ကြောင့် RPA ရွှေ့ပြောင်းရန် သတ်မှတ်ထားသနည်း။

ခက်ခဲသောအမှန်တရားမှာ RPA သည် ၎င်း၏စွမ်းရည်များကို အမှန်တကယ်ကန့်သတ်ချက်များနှင့် ဆတ်ဆတ်ထိမခံသော ဆယ်စုနှစ်များကြာ သက်တမ်းရှိသော နည်းပညာတစ်ခုဖြစ်သည်။ ရိုးရှင်းသော၊ ခွဲခြမ်းစိပ်ဖြာနှင့် မျဉ်းသားသော အလိုအလျောက်လုပ်ဆောင်ခြင်းတွင် ၎င်းသည် အမြဲတမ်းတန်ဖိုးအချို့ရှိသည်။ သို့သော်၊ အလိုအလျောက်စနစ်ဖြင့် ကြိုးပမ်းအားထုတ်မှုများသည် ၎င်းတို့၏ဆန္ဒများ ပျက်ပြားသွားရသည့် အကြောင်းရင်းမှာ ဘဝသည် ရှုပ်ထွေးပြီး အမြဲပြောင်းလဲနေသောကြောင့် ဖြစ်သည်။

RPA အတွက် အခြေခံချဉ်းကပ်နည်းမှာ သင်ဖြေရှင်းလိုသည့် ပြဿနာတစ်ခုစီအတွက် စက်ရုပ် (bot) တစ်ခုကို တည်ဆောက်ခြင်းဖြစ်သည်။ လူသား (အတိုင်ပင်ခံ သို့မဟုတ် အင်ဂျင်နီယာ) တစ်ဦးသည် သီးခြားပြဿနာတစ်ခုကို ဖြေရှင်းရန် စက်ရုပ်တစ်ခုကို တည်ဆောက်သည်။ ဤစက်ရုပ်ဖြေရှင်းချက်သည် ခြေလှမ်းများအစီအစဥ်၏နေရာကို ယူသည်။ ၎င်းသည် စခရင်ကို ကြည့်ကာ လုပ်ဆောင်ချက်ကို လုပ်ဆောင်ပြီး ၎င်းကို ထပ်လုပ်သည်။

မကြာခဏ ဖြစ်ပေါ်လေ့ရှိသည့် ပြဿနာမှာ ဆော့ဖ်ဝဲလ် သို့မဟုတ် UI အပိုင်းသို့ ပြုပြင်မွမ်းမံခြင်းကဲ့သို့သော ကမ္ဘာပေါ်တွင် အပြောင်းအလဲသည် ဘော့တ်များကို ကွဲသွားစေနိုင်သည်။ ကျွန်ုပ်တို့သိသည့်အတိုင်း နည်းပညာသည် အမြဲတစေ ပြောင်းလဲနေပြီး တက်ကြွသောပတ်ဝန်းကျင်များကို ဖန်တီးပါသည်။ ဆိုလိုသည်မှာ RPA စက်ရုပ်များသည် မကြာခဏ ကျရှုံးတတ်ပါသည်။

ဤ bot များနှင့် ပတ်သက်သော နောက်ပြဿနာတစ်ခုမှာ သင်ဖြေရှင်းလိုသည့် အခြေအနေတိုင်းအတွက် တစ်ခုဖန်တီးရန် လိုအပ်ပါသည်။ ဒီလိုလုပ်ခြင်းအားဖြင့် သင်ဟာ ကျွမ်းကျင်မှုများစွာမလိုအပ်တဲ့ အလွန်သေးငယ်တဲ့ လုပ်ဆောင်ချက်တွေကို ပြီးမြောက်အောင် လုပ်နိုင်တဲ့ စက်ရုပ်များစွာနဲ့ အဆုံးသတ်ပါတယ်။

၎င်းသည် မှဲ့ကစားနည်းတစ်ခုနှင့်တူသည်။ ဆော့ဖ်ဝဲလ်အပိုင်းအစတစ်ခု ပြောင်းလဲသွားခြင်း သို့မဟုတ် ပုံမှန်မဟုတ်သော တစ်ခုခုဖြစ်သွားခြင်းတို့ကြောင့် ၎င်းတို့ထဲမှ တစ်ခုသည် ပျက်သွားနိုင်ခြေကို နေ့တိုင်း ရင်ဆိုင်ရနိုင်သည် - ဒိုင်ယာလော့ဘောက်စ်တစ်ခု ပေါ်လာမည် သို့မဟုတ် ထည့်သွင်းမှုအမျိုးအစားအသစ်တစ်ခု ဖြစ်ပေါ်လာမည်ဖြစ်သည်။ ရလဒ်မှာ ဤ bot များကို ဆက်လက်လည်ပတ်နေစေရန် စရိတ်စကဖြင့် ထိန်းသိမ်းခြင်း ဖြစ်သည်။ Forrester မှ သုတေသနပြုချက်အရ RPA တွင် သုံးစွဲသည့် $1 တိုင်းအတွက်၊ အတိုင်ပင်ခံရင်းမြစ်များအတွက် နောက်ထပ် $3.41 ကို အသုံးပြုပါသည်။

တစ်နည်းဆိုရသော် RPA အတွက် အမှန်တကယ် ဆော့ဖ်ဝဲသည် ကုန်ကျစရိတ်၏ အများစုမဟုတ်ပါ။ ပိုမိုများပြားသောကုန်ကျစရိတ်ရင်းနှီးမြုပ်နှံမှုသည် RPA ကိုအမြဲတမ်းလည်ပတ်နေစေရန်သင်လုပ်ဆောင်ရမည့်အလုပ်များဖြစ်သည်။ အဖွဲ့အစည်း အများအပြားသည် အဆိုပါ လက်ရှိကုန်ကျစရိတ်အတွက် ထည့်မတွက်ထားပေ။

ဘဝများစွာသည် ရှုပ်ထွေးပြီး အဆက်မပြတ်ပြောင်းလဲနေသောကြောင့် ML ဝင်လာသည့် RPA ၏စွမ်းရည်များအပြင် အလုပ်များစွာသည် ML မှဝင်ရောက်လာပါသည်။ ML သည် ခက်ခဲသောအရာများကို အလိုအလျောက်လုပ်ဆောင်နိုင်စေပါသည်။ အထူးဆော့စ်သည် ၎င်းတို့ကို သင်ကြားခြင်းဖြင့် algorithms များကို မြှင့်တင်ပေးသော လူသားများဖြစ်သည်ဟု ကျွန်ုပ်တို့ ယုံကြည်ပါသည်။

အယ်လဂိုရီသမ်သည် ဘာလုပ်သင့်သည်ကို မသေချာသောအခါ (ယုံကြည်မှုနည်းသော) အစား ၎င်းကို လူသား-ကွင်းဆက်အဖြစ်သို့ မြှင့်တင်သွားမည်ဖြစ်သည်။ လူသားများသည် အဆိုပါနမူနာများကို တံဆိပ်တပ်ပြီး လက်ရှိပုံစံဖြင့် မကိုင်တွယ်နိုင်သော ကိစ္စများကို ခွဲခြားသတ်မှတ်သည်။ ဒါကိုပြီးသွားတဲ့အခါ၊ AI က မှန်ကန်စွာ လုပ်ဆောင်နိုင်တဲ့အခါ၊ ဒါဟာ ကောင်းမွန်စွာ လုပ်ဆောင်နိုင်တဲ့ အလုပ်တစ်ခုပါ။

လူတစ်ဦး ပြဿနာကို ဖမ်းမိသည့် အလုပ်တိုင်းသည် စက်ကို ကောင်းစွာ မကိုင်တွယ်နိုင်သော ကိစ္စဖြစ်သည်။ ဤကိစ္စတွင်၊ ဤအခြေအနေသစ်ကိုကိုင်တွယ်ရန် ML မော်ဒယ်များကို ပြန်လည်လေ့ကျင့်ပေးသည့် ကျွန်ုပ်တို့၏ဒေတာအတွဲတွင် ဒေတာကို ပေါင်းထည့်ထားသည်။

အချိန်ကြာလာသည်နှင့်အမျှ၊ ML မော်ဒယ်သည် ဤအနားသတ်အသစ်များအတွက် ခံနိုင်ရည်အားတည်ဆောက်ပေးပါသည်။ ၎င်းသည် အထွက်ပိုင်းများ သို့မဟုတ် ခြွင်းချက်အသစ်များအတွက် ကြံ့ခိုင်ပြီး လိုက်လျောညီထွေရှိသော စနစ်တစ်ခုကို ဖြစ်ပေါ်စေပြီး စနစ်သည် အချိန်နှင့်အမျှ ပိုမိုအားကောင်းလာသည်။ ဆိုလိုသည်မှာ အလိုအလျောက်စနစ်သည် ပိုကောင်းလာကာ လူသား၏ ဝင်ရောက်စွက်ဖက်မှုသည် အချိန်ကြာလာသည်နှင့်အမျှ ကျဆင်းလာမည်ကို ဆိုလိုသည်။

AI နယ်ပယ်တွင် လူသားကျွမ်းကျင်သူများ ရှိခြင်းသည် AI ကို ပိုမိုထက်မြက်အောင်၊ ပိုမြန်စေပြီး ပိုမိုကောင်းမွန်စေရန်အတွက် အရေးကြီးပါသည်။ ကျွန်ုပ်တို့သည် AI ကို ကောင်းစွာလေ့ကျင့်သင်ကြားရန်နှင့် မည်သည့်စက်မှုလုပ်ငန်း၏မလွှဲမရှောင်သာသောအစိတ်အပိုင်းတစ်ခုဖြစ်သော ပြင်ပအရာများကို ကိုင်တွယ်နိုင်စေရန်နှင့် အထူးသဖြင့် ကျန်းမာရေးစောင့်ရှောက်မှုကဲ့သို့သော တက်ကြွသောနယ်ပယ်တွင် လူသားများလိုအပ်ပါသည်။

AKASA ၏ human-in-the-loop ဖြေရှင်းချက် Unified Automation™ မည်သို့အလုပ်လုပ်သနည်း၊ ဤပလပ်ဖောင်းအတွက် အဓိကအသုံးပြုမှုအချို့မှာ အဘယ်နည်း။

Unified Automation သည် ကျန်းမာရေးစောင့်ရှောက်မှုအတွက် ရည်ရွယ်တည်ဆောက်ထားသော ပလပ်ဖောင်းတစ်ခုဖြစ်သည်။ AI၊ ML နှင့် ကျွန်ုပ်တို့၏ ဆေးဘက်ဆိုင်ရာ ငွေပေးချေမှု ကျွမ်းကျင်သူအဖွဲ့ကို အသုံးပြု၍ ၎င်းသည် ပြုပြင်ထိန်းသိမ်းမှု သို့မဟုတ် ခြွင်းချက် တန်းစီခြင်းလုံးဝမရှိဘဲ သင့်တန်ဖိုးကို ပိုမိုမြန်ဆန်စွာမြင်နိုင်ရန် ကူညီပေးသည့် ချောမွေ့စွာပေါင်းစပ်ထားသော စိတ်ကြိုက်ဖြေရှင်းချက်တစ်ခုကို ဖန်တီးပေးပါသည်။

၎င်းကို ခြွင်းချက်များနှင့် အစွန်းအထင်းများဖြင့် ဒီဇိုင်းထုတ်ထားပါသည်။ အသစ်တစ်ခုခုတွေ့ပါက၊ စနစ်သည် ၎င်းတို့လုပ်ဆောင်သည့်လုပ်ဆောင်ချက်များမှ သင်ခန်းစာယူနေချိန်တွင် ၎င်းကိုဖြေရှင်းပေးသည့် AKASA ၏ကျွမ်းကျင်သူအဖွဲ့အား ပလပ်ဖောင်းမှ ပြဿနာကို အလံပြသည်။ ၎င်းသည် စျေးကွက်ရှိ အခြားဖြေရှင်းနည်းများနှင့် ကျွန်ုပ်တို့ကို ကွဲပြားစေပြီး ပလက်ဖောင်းကို စဉ်ဆက်မပြတ် လေ့လာရန်နှင့် တိုးတက်စေရန် လုပ်ဆောင်ပေးသည့် လူသားဒြပ်စင်ဖြစ်သည်။

Unified Automation သည် ကျန်းမာရေးစောင့်ရှောက်မှုလုပ်ငန်း၏ တက်ကြွသောသဘောသဘာဝနှင့်အညီ လိုက်လျောညီထွေဖြစ်စေသည်။ ၎င်းသည် လည်ပတ်မှုကုန်ကျစရိတ်ကို လျှော့ချရာတွင် ကူညီပေးသည့် ချောမွေ့စွာပေါင်းစပ်ထားသော၊ စိတ်ကြိုက်ဖြေရှင်းချက်ဖြစ်ပြီး၊ လူသားတို့ထိရန် လိုအပ်သည့် ပိုမိုအကျိုးရှိသောအလုပ်များကို ကိုင်တွယ်ဖြေရှင်းရန် ဝန်ထမ်းများကို မြှင့်တင်ပေးပြီး လူနာ၏ဘဏ္ဍာရေးဆိုင်ရာ အတွေ့အကြုံကို မြှင့်တင်ပေးကာ ကျန်းမာရေးစနစ်များအတွက် ဝင်ငွေကို မြှင့်တင်ပေးပါသည်။

ဤသည်မှာ Unified Automation အလုပ်လုပ်ပုံဖြစ်သည် ။

တစ်ဦးတည်းပိုင်ဆော့ဖ်ဝဲ သတိပြုမိသည်- ကျွန်ုပ်တို့၏ Worklogger™ ကိရိယာသည် ကျန်းမာရေးစောင့်ရှောက်မှုဝန်ထမ်းများ ၎င်းတို့၏တာဝန်များကို မည်ကဲ့သို့ ပြီးမြောက်စေသည်ကို အဝေးမှ စောင့်ကြည့်သည်။ ထို့နောက် ကျွန်ုပ်တို့၏အဖွဲ့သည် အဆိုပါဒေတာများကို အညွှန်းတပ်ပြီး လက်ရှိအလုပ်အသွားအလာများနှင့် လုပ်ငန်းစဉ်များကို ကျယ်ကျယ်ပြန့်ပြန့်ကြည့်ရှုနိုင်စေရန် ကျွန်ုပ်တို့၏အလိုအလျောက်စနစ်သို့ ပေးပို့ပါသည်။ ၎င်းသည် ကျွန်ုပ်တို့၏ အလိုအလျောက်စနစ်အား အားကောင်းစေရန် ဝန်ထမ်းများ၏စွမ်းဆောင်ရည်၊ အလုပ်အသွားအလာပေါ်ရှိ အခြေခံအချက်အလက်များနှင့် တိကျသောအချိန်တစ်ခုစီခွဲခြမ်းစိတ်ဖြာမှုတို့ကို ပိုမိုမြင့်မားစွာမြင်နိုင်စေသည်။

AI သည် လုပ်ဆောင်သည်- ကျန်းမာရေးစောင့်ရှောက်မှုဝန်ထမ်းများ၏ လုပ်ငန်းအသွားအလာများကို လေ့လာကြည့်ရှုပြီးနောက်၊ ကျွန်ုပ်တို့၏ AI သည် ထိုတာဝန်များကို အလိုအလျောက်လုပ်ဆောင်သည်။ ၎င်းသည် အချိန်ကြာလာသည်နှင့်အမျှ ပိုမိုရှုပ်ထွေးသော အလုပ်များကို လုပ်ဆောင်ပြီး ပြဿနာများနှင့် အနားသတ်ကိစ္စများမှ စဉ်ဆက်မပြတ် သင်ယူသည်။ Unified Automation သည် အလုပ်တန်းစီတွင် ရေစီးကြောင်းတွင် ထိုင်သည် - သက်ဆိုင်ရာ လုပ်ငန်းများကို သူ့ဘာသာသူ သတ်မှတ်ပေးပြီး အဖွဲ့ကို မနှောင့်ယှက်ဘဲ ၎င်းတို့ကို ပြီးမြောက်စေပါသည်။ ၎င်းသည် လုပ်ငန်းစဉ်များကို အလိုအလျောက် ပိုမိုကောင်းမွန်အောင် လုပ်ဆောင်ပေးသောကြောင့် ဝန်ထမ်းများထံမှ စနစ်ထည့်သွင်းခြင်း သို့မဟုတ် ဝင်ရောက်စွက်ဖက်မှု မလိုအပ်ပါ။

လူသားကျွမ်းကျင်မှု အာမခံသည်-  စနစ်သည် ကျွန်ုပ်တို့၏ ဆေးဘက်ဆိုင်ရာ ငွေတောင်းခံခြင်းဆိုင်ရာ ကျွမ်းကျင်သူအဖွဲ့အား ခြွင်းချက်များနှင့် ပြင်ပအရာများကို ကိုင်တွယ်ရန်၊ ၎င်းတို့ လုပ်ဆောင်နေချိန်တွင် AI ကို အချိန်နှင့်တပြေးညီ လေ့ကျင့်ပေးနိုင်ရန် ကျွန်ုပ်တို့၏ ဆေးဘက်ဆိုင်ရာ ငွေတောင်းခံမှုဆိုင်ရာ ကျွမ်းကျင်သူများကို အလိုအလျောက် အလံပြထားသည်။ ဒါက ကျွမ်းကျင်တဲ့အပိုင်းပါ။ စဉ်ဆက်မပြတ်လေ့လာသင်ယူမှုများနှင့်အတူ၊ Unified Automation ပလပ်ဖောင်းသည် အချိန်ကြာလာသည်နှင့်အမျှ ပိုမိုထက်မြက်ပြီး ပိုမိုထိရောက်လာပြီး အလုပ်သည် အမြဲတမ်းပြီးမြောက်ပါသည်။

AKASA အကြောင်း မျှဝေလိုသည့် အခြားအရာများ ရှိပါသလား။

ကျွန်ုပ်တို့တွင် သုတေသနပြုခြင်း-ပထမချဉ်းကပ်မှုတစ်ခုရှိပြီး၊ ဆိုလိုသည်မှာ ကျွန်ုပ်တို့၏ဖောက်သည်များသည် ထိပ်တန်းနည်းပညာကို အသုံးပြုခွင့်ရှိသည်။ ကျန်းမာရေးစောင့်ရှောက်မှုလုပ်ငန်းများတွင် AI အတွက် ခေတ်မီစံနှုန်းအသစ်များကို အစဉ်သတ်မှတ်ထားရန်နှင့် ကျွန်ုပ်တို့၏လုပ်ငန်းနယ်ပယ်တစ်ခုလုံးကို ရှေ့သို့ပို့ဆောင်နိုင်ရန် ကျွန်ုပ်တို့၏ AI နှင့် ချဉ်းကပ်မှုများကို ထုတ်ဝေရန် ကတိပြုပါသည်။

ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့၏သုတေသနကို International Conference on Machine Learning (ICML)၊ Natural Language Processing (NLP) Summit နှင့် Machine Learning for Healthcare Conference (MLHC) တို့တွင် တင်ပြထားပါသည်။ ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏မော်ဒယ်များကို စမ်းသပ်ရန်နှင့် စျေးကွက်တွင် ခေတ်မီသော AI ချဉ်းကပ်မှုများနှင့် စွမ်းဆောင်ရည်ကို နှိုင်းယှဉ်ရန် အလွန်စည်းကမ်းရှိသော ချဉ်းကပ်မှုကို ရယူနေပါသည်။

ကျွန်ုပ်တို့၏ကြိုတင်ခန့်မှန်းငြင်းဆိုမှုများဖြေရှင်းချက်သည် ရှိပြီးသားအခြေခံအချက်အလက်များနှင့်နှိုင်းယှဉ်ပါက ဆေးဘက်ဆိုင်ရာတောင်းဆိုမှုငြင်းဆိုမှုများကို 22% ထက်ပိုမိုတိကျစွာကြိုတင်ခန့်မှန်းနိုင်သောပထမဆုံးထုတ်ဝေနက်နဲသောသင်ယူမှုအခြေခံစနစ်ဖြစ်သည်ဟုယုံကြည်ရသည်။ ကျွန်ုပ်တို့၏ Read, Attend, Code model ကို လက်တွေ့မှတ်စုများမှ ဆေးဘက်ဆိုင်ရာ အရေးဆိုမှုများ၏ အလိုအလျောက် ကုဒ်ရေးခြင်းအတွက် ကျွန်ုပ်တို့သည် လုပ်ငန်းအတွက် ခေတ်မီဆန်းသစ်သော ခေတ်မီဆန်းသစ်သော ခေတ်မီမှုအသစ်ကို သတ်မှတ်ခြင်းနှင့် လူသားကုဒ်ဒါများ၏ ထုတ်လုပ်မှုစွမ်းရည်ကို 18% ကျော်လွန်သည်ဟု အသိအမှတ်ပြုထားပါသည်။ အဆိုပါ back-office တီထွင်ဆန်းသစ်မှုများသည် US ကျန်းမာရေးစောင့်ရှောက်မှုစနစ်အား အတိုင်းအတာတစ်ခုအထိ တိုးတက်ကောင်းမွန်လာစေရန်အတွက် အရေးကြီးသည်ဟု ကျွန်ုပ်တို့ယုံကြည်ပြီး တိုးတက်မှုများကို ဆက်လက်တွန်းအားပေးကာ ဤနေရာအတွက် စိတ်ကြိုက်ဖြေရှင်းနည်းများကို တည်ဆောက်သွားမည်ဖြစ်ပါသည်။

ကျန်းမာရေးစောင့်ရှောက်မှုမှာ AI မှာ ဖောင်းပွမှုတွေ အများကြီးရှိနေပေမယ့် ကုမ္ပဏီတွေက သူတို့ရဲ့နည်းပညာ အမှန်တကယ်လုပ်ဆောင်နိုင်တာကို လွန်လွန်ကဲကဲ လုပ်နိုင်ပါတယ်။ အယ်လဂိုရီသမ်များလုပ်ဆောင်သည်ကို သက်သေပြရန် သုတေသနပြုလုပ်ရန် ပိုမိုခက်ခဲသည် - နှင့် AKASA ၏ Unified Automation platform သည် ဆေးရုံများနှင့် ကျန်းမာရေးစနစ်များအတွက် အမှန်တကယ် အပြုသဘောဆောင်ပြီး အဓိပ္ပါယ်ရှိသော အပြောင်းအလဲများကို ယူဆောင်လာကြောင်း သက်သေပြရန် ဤအဓိပ္ပါယ်ရှိသော၊ စိန်ခေါ်သည့်လမ်းကြောင်းကို ယူဆောင်လာသည့်အတွက် ကျွန်ုပ်တို့ ဂုဏ်ယူပါသည်။

ကျွန်ုပ်တို့သည် AI ဖြင့်ကျန်းမာရေးစောင့်ရှောက်မှု၏အနာဂတ်ကိုတည်ဆောက်ခြင်းဖြင့် AKASA တွင်အနာဂတ်နှင့်လာမည့်အရာများအတွက် ကျွန်ုပ်တို့စိတ်လှုပ်ရှားမိပါသည်။

အင်တာဗျူးကောင်းအတွက် ကျေးဇူးတင်ပါသည်၊ ပိုမိုလေ့လာလိုသော စာဖတ်သူများ လာရောက်လေ့လာသင့်ပါသည်။ AKASA.