Varun Ganapathi, CTO & Co-Founder of AKASA – Intervju-serie

Varun Ganapathi er CTO og medgründer av AKASA, en utvikler av AI for helseapplikasjoner. AKASA hjelper helseorganisasjoner med å forbedre drift, inkludert omsetningscyklus, for å drive inntekt, skape effektivitet og forbedre pasientopplevelsen. Varun har suksessfullt startet to AI-selskaper før AKASA, ett ble overtatt av Google og det andre av Udacity.

Du har hatt en merket karriere innen maskinlæring, kan du diskutere noen av dine tidlige dager ved Stanford da du arbeidet med å gjøre helikoptre autonome?

Da jeg studerte fysikk som bachelor ved Stanford, var jeg også svært interessert i datavitenskap og maskinlæring (ML). For meg kombinerer AI og ML alt på én gang – det er virkelig en automatisert måte å gjøre fysikk på alle digitale fenomener.

For dette ene prosjektet hadde vi en helikopter som lignet en stor drone, litt mindre enn en dobbeltseng – på en tid da droner ikke var utbredt. Folk fløy den og gjorde den til å utføre triks, som å henge upside down. Mens dette er svært vanskelig å gjøre, ønsket vi å bygge en ML-algoritme som kunne lære av mennesker hvordan man fløy denne helikopteren autonomt.

Vi skapte en fysisk simulator som var basert på den faktiske helikopteren og en ML-algoritme som lærte hvordan den skulle bevege seg. Vi brukte deretter forsterkninglæring innen simulator til å utvikle en kontroller, tok programvaren og lastet den inn i den faktiske helikopteren. Etter at vi aktiverte helikopteren, fungerte den på første forsøk! Helikopteren kunne umiddelbart henge upside down på egen hånd, noe som var ganske imponerende. Teamet fortsatte å arbeide med å automatisere andre typer triks med ML.

Du arbeidet også ved Google Books, kan du diskutere algoritmen du arbeidet med og hvordan ditt selskap til slutt ble overtatt av Google?

Jeg gjorde faktisk en praksisperiode ved Google mens jeg tok klasser ved Stanford i 2004 – dette var rett etter helikopterprosjektet. Under denne tiden implementerte jeg ML for Google Books-prosjektet hvor vi skannet alle verdens bøker.

Google betalte alle disse menneskene for å merke informasjon om bøkene, som sider, innhold, opphavsrett osv. – en svært tidskrevende oppgave. Jeg ønsket å se om vi kunne bruke ML til å gjøre dette, og det fungerte virkelig bra. Det utførte faktisk bedre og var mer nøyaktig enn når mennesker gjorde det, fordi de fleste feilene skyldtes menneskelig feil ved manuell merking.

Dette fikk meg virkelig begeistret for ML, fordi det viste at du kan gå fra menneskelig ytelse til overmenneskelig ytelse – å utføre mundane oppgaver med færre feil og mer konsekvent, samtidig som du håndterer kanter.

Fra der bestemte jeg meg for å gjøre en ph.d. ved Stanford, med fokus på ML og mer teoretiske papirer først. For min avhandling utviklet jeg en algoritme for å utføre sanntidsbevegelsesfangst, hvor en datamaskin kan spore bevegelsen av alle menneskelige ledd i sanntid fra en dybde-kamera. Dette var grunnlaget for mitt første selskap, Numovis, som fokuserte på bevegelsesfangst og datamaskin-syn for brukerinteraksjon. Det ble overtatt av Google.

Min hele reise fra helikopterprosjektet til Google Books til selvkjørende biler og nå helseoperasjoner viste meg hvor kraftfulle og generelle maskinlæringsalgoritmer er.

Kan du dele opphavsfortellingen bak AKASA?

Vi har bygget AKASA for å fikse et massivt, dypt innarbeidet problem i helseoperasjoner. Disse operasjonene er både dyre og feilpregede, noe som kan føre til unødvendig panikkfylt finansiell erfaring for pasienter. Det var mangel på ny teknologi på den administrative siden, og ingenting var tilpasset formålet. Det ble klart for oss at du kunne bruke teknologi som AI og ML til å løse disse operative utfordringene på en innovativ måte. Da vi snakket med en mengde helse-systemer og helseledere, bekreftet de vår tenkning, noe som til slutt ledet til etableringen av AKASA i 2019.

Med det har AKASAs formål vært klart fra begynnelsen – å muliggjøre menneskelig helse og bygge fremtiden for helse med AI. Måten vi bestemte oss for å møte denne utfordringen var ved å kombinere menneskelig intelligens med ledende AI og ML, så helse-systemer kan redusere driftskostnader og allokereressurser der de betyr mest.

Vårt system-agnostiske, fleksible plattform betjener for øyeblikket en kundebase som representerer over 475 sykehus og helse-systemer og over 8 000 polikliniske fasiliteter, over alle 50 delstater. Vår teknologi hjelper disse organisasjonene, uansett om de bruker elektroniske helsejournaler (EHR) som Epic, Cerner, andre EHR eller bolt-on-systemer, og alt imellom. Og vi har gjort det med sterke resultater.

Vår kundebase representerer over 110 milliarder dollar i samlet nettopasientinntekt, noe som tilsvarer over 10 % av all helse-systemutgifter i USA årlig ifølge Centers for Medicaid and Medicare Services. Og AKASAs modeller og algoritmer er trent på nesten 290 millioner krav og refunderinger.

Den usynlige rørgaten i helsen er ekstremt kompleks, men den har en enorm innvirkning på menneskelig helse, og vi automatiserer den litt og litt.

Hva er noen av oppgavene som AKASA ser på å automatisere i helsen?

Vår unike ekspert-i-løkken-tilnærming, Unified Automation, kombinerer ML med menneskelig dømmekraft og faglig ekspertise for å gi robust og resilient automatisering for helseoperasjoner. AKASA kan raskt og effektivt automatisere og strømlinje end-to-end-oppgaver innen helsefinansfunksjonen, inkludert fakturabehandling og betalinger. Spesifikke oppgaver AKASA automatiserer inkluderer å sjekke pasientberettigelse, dokumentere og verifisere forsikringsinformasjon, estimere pasientkostnad, redigere, rebill og anke krav, og forutsi og håndtere avviste krav.

Denne typen automatisering reduserer ikke bare menneskelig feil og forsinkelser for pasienter, noe som hjelper til å forebygge overraskende medisinske regninger, men frigjør også helsepersonale ved å fjerne manuelle, repetitive oppgaver helt fra deres plate – og lar dem fokusere på mer belønnende, utfordrende og verdigenererende oppgaver rettet mot pasientopplevelsen.

Hva er de ulike typer maskinlæringsalgoritmer som brukes?

AKASA bruker de samme maskinlærings-tilnærmingene som gjorde selvkjørende biler mulige for å gi helse-systemer en enkelt løsning for å automatisere helseoperasjoner. Denne tilnærmingen – sentrert rundt ML – utvider automatiseringsmulighetene til å ta på seg mer komplekse arbeid i stor skala.

Vi utvikler state-of-the-art-algoritmer over computer-syn, naturlig språkforståelse og strukturerte data-problemer. Vår plattform starter med computer-syn-drevet RPA og forbedrer det med moderne AI, ML og en ekspert-i-løkken for å gi robust automatisering.

For å gi en oversikt over hvordan det fungerer, observerer vår proprietære løsning først hvordan helsepersonale fullfører sine oppgaver. Vårt team merker deretter denne dataen og bruker den til å trene våre algoritmer, så vår teknologi kan forstå og lære hvordan helsepersonale og deres systemer fungerer. Deretter utfører vår plattform disse arbeidsflytene autonomt. Til slutt bruker vi eksperter-i-løkken som kan hoppe inn når systemet flagger outliers eller unntak. AI lærer kontinuerlig av disse erfaringene, noe som gjør at den kan ta på seg mer komplekse oppgaver over tid.

Kan du diskutere betydningen av menneske-i-løkken-tilnærmingene og hvorfor dette er satt til å erstatte RPA?

Den harde sannheten er at RPA er en tiårgammel teknologi som er skjør med reelle grenser for dens evner. Den vil alltid ha en viss verdi i å automatisere arbeid som er enkelt, diskret og lineært. Men grunnen til at automatiseringsforsøk ofte kommer kort av sine aspirasjoner er fordi livet er komplekst og alltid i endring.

Den grunnleggende tilnærmingen til RPA er å bygge en robot (bot) for hvert problem eller løsning du ønsker å løse. En menneske (konsulent eller ingeniør) bygger en robot for å løse et bestemt problem. Denne robotløsningen tar plassen til en sekvens av steg. Den ser på en skjerm, tar handling og gjentar det.

Problemet som ofte oppstår er at en endring i verden, som en modifikasjon av et stykke programvare eller UI, kan få botene til å bryte sammen. Som vi vet, er teknologien evoluerende, noe som skaper dynamiske miljøer. Dette betyr at RPA-roboter ofte feiler.

Et annet problem med disse botene er at du må lage en for hver situasjon du ønsker å løse. Ved å gjøre dette, ender du opp med mange roboter, alle fullfører svært små handlinger som ikke krever mye ferdighet.

Det er som et spill av whack-a-mole. Hver dag står du overfor muligheten for at en av dem vil bryte sammen, fordi et stykke programvare vil endre seg eller noe uvanlig vil skje – en dialogboks vil dukke opp eller en ny type innputt vil oppstå. Resultatet er kostbar vedlikehold for å holde disse botene kjørende. Ifølge en undersøkelse fra Forrester, for hver 1 dollar brukt på RPA, brukes ytterligere 3,41 dollar på konsulenteressurser.

Med andre ord er den faktiske programvaren for RPA ikke den største kostnaden. Den større kostnadsinvesteringen er all arbeid du må gjøre for å holde RPA kjørende hele tiden. Mange organisasjoner regner ikke med denne pågående kostnaden.

Da så mye av livet er komplekst og alltid i endring, faller mye arbeid utenfor RPAens evner, og det er her ML kommer inn. ML muliggjør oss å automatisere det vanskelige. Og vi tror at det spesielle saftet er mennesker som forbedrer algoritmene ved å lære dem.

Når algoritmen ikke er sikker på hva den skal gjøre (lav konfidens), eskaleres det til en menneske-i-løkken i stedet. Menneskene merker disse eksemplene og identifiserer saker som ikke håndteres av den nåværende modellen. Når dette er gjort, og AI får det rett, er det en vel fungerende oppgave.

Hver oppgave hvor et menneske fanger et problem er en sak hvor maskinen ikke håndterer det korrekt. I dette tilfelle legges data til vår datasett, som trener ML-modellene til å håndtere denne nye situasjonen.

Over tid bygger ML-modellen motstandskraft mot disse nye outliers eller unntakene. Dette resulterer i et system som er robust og fleksibelt til nye outliers eller unntak, og systemet blir sterkere over tid. Dette betyr at automatiseringen blir bedre og bedre, og menneskelig inngripen vil avta over tid.

Å ha menneskelige eksperter i løkken er kritisk for å gjøre AI smartere, raskere og bedre. Vi trenger mennesker for å korrekt trene AI og sikre at den kan håndtere outliers som er en uunngåelig del av enhver bransje – og spesielt i et dynamisk felt som helsen.

Hvordan fungerer AKASAs menneske-i-løkken-løsning Unified Automation, og hva er noen av de primære bruksområdene for denne plattformen?

Unified Automation er en plattform som er tilpasset helsen. Ved å bruke AI, ML og vårt team av medisinske regnings-eksperter, skaper den en sammenhengende integrert, tilpasset løsning som hjelper deg å se verdi raskere, med nesten ingen vedlikehold eller unntakskøer.

Den er designet med unntak og outliers i mente. Hvis den møter noe nytt, flagger plattformen problemet til AKASAs team av eksperter som løser det, mens systemet lærer av handlingene de tar. Det er det menneskelige elementet som skiller oss fra andre løsninger på markedet og lar plattformen kontinuerlig lære og forbedre.

Unified Automation tilpasser seg også helseindustriens dynamiske natur. Den er en sammenhengende, tilpasset løsning som hjelper å redusere driftskostnader, hever personalet til å takle mer belønnende arbeid som krever en menneskelig berøring, og forbedrer inntektsfangst for helse-systemer, samtidig som den forbedrer pasientens finansielle erfaring.

Her er hvordan Unified Automation fungerer:

Proprietær programvare observerer: Vår Worklogger-verktøy observerer fjernhet hvordan helsepersonale fullfører sine oppgaver. Deretter merker vårt team denne dataen og foder den inn i vår automatisering for å gi en omfattende oversikt over nåværende arbeidsflyter og prosesser. Dette resulterer i høyere synlighet i personalens ytelse, grunnleggende data på arbeidsflytene for å drive vår automatisering, og en nøyaktig tid-per-oppgave-analyse.

AI utfører: Etter å ha observert og lært helsepersonales arbeidsflyter, utfører vår AI disse oppgavene autonomt. Den lærer kontinuerlig av problemer og kanter den møter, og tar på seg mer komplekse oppgaver over tid. Unified Automation sitter oppstrøms i arbeidskøen – tildele seg selv gjeldende oppgaver og fullfører dem uten å forstyrre teamet. Den optimaliserer også automatisk prosesser, så ingen oppsett eller inngripen er nødvendig fra personalet.

Menneskelig ekspertise sikrer: Systemet flagger automatisk vårt team av medisinske regnings-eksperter for å håndtere unntak og outliers, og trener AI i sanntid mens de arbeider. Dette er ekspert-i-løkken-delen. Med kontinuerlig læring bygget inn, blir Unified Automation-plattformen smartere og mer effektiv over tid, og arbeidet blir alltid gjort.

Er det noe annet du ønsker å dele om AKASA?

Vi har en forskningsbasert tilnærming som betyr at våre kunder har tilgang til ledende teknologi. Vi er dedikert til å publisere vår AI og tilnærming i fagfellevurderte publikasjoner for å kontinuerlig sette nye standarder for AI i helseoperasjoner og å lede hele industrien fremover.

For eksempel har vår forskning vært presentert på den internasjonale konferansen om maskinlæring (ICML), den naturlige språkbehandlingssummiten (NLP) og maskinlæringskonferansen for helse (MLHC), blant andre. Vi tar en svært disiplinert tilnærming til å teste våre modeller og sammenligne deres ytelse mot state-of-the-art AI-tilnærminger på markedet.

Vår forutsagte avvisningsløsning antas å være den første publiserte dypt-læringsbaserte systemet som kan nøyaktig forutsi medisinske kravavvisninger med over 22 % sammenlignet med eksisterende baseline. Vår Les, Lytt, Kode-modell for autonom koding av medisinske krav fra kliniske notater har blitt anerkjent som å definere en ny standard for industrien og overgått eksisterende modeller med 18 % – og overgått produktiviteten til menneskelige kodere. Vi tror at disse bakkontor-innovasjonene er kritiske for å forbedre det amerikanske helsesystemet i stor skala og vil fortsette å drive fremgang og bygge tilpassede løsninger for dette området.

Det er mye hype rundt AI i helsen, men når det kommer ned til det, kan selskaper overdrive hva deres teknologi faktisk kan gjøre. Det er mye harder å gjennomføre forskning for å validere hva algoritmene gjør – og vi er stolte av å ta denne meningsfulle, men utfordrende veien for å bevise at AKASAs Unified Automation-plattform faktisk bringer positiv og meningsfull forandring til sykehus og helse-systemer.

Vi er spente på fremtiden og hva som kommer til AKASA, mens vi bygger fremtiden for helsen med AI.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke AKASA.