Varun Ganapathi, CTO og medgrunnlegger av AKASA – Intervju-serie

Varun Ganapathi er CTO og medgrunnlegger av AKASA, en utvikler av AI for helseapplikasjoner. AKASA hjelper helseorganisasjoner med å forbedre operasjonene, inkludert inntekts_syklus, for å drive inntekt, skape effektivitet og forbedre pasientopplevelsen. Varun har suksessfullt startet to AI-selskaper før AKASA, ett ble kjøpt av Google (GOOGL ) og det andre av Udacity.

Du har hatt en merket karriere i 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.

I ett bestemt prosjekt, hadde vi en helikopter som så ut som en stor drone, litt mindre enn en dobbeltseng – på en tid da droner ikke var vanlige. Folk fløy den og gjorde triks, som å henge upside down. Mens dette er svært vanskelig å gjøre, ville vi bygge en ML-algoritme som kunne lære av mennesker hvordan å fly denne helikopteren autonomt.

Vi skapte en fysikk-simulator som var basert på den faktiske helikopteren og en ML-algoritme som kunne forutsi dens bevegelser. Vi anvendte så forsterkingslæring innen simulator til å utvikle en kontroller, tok programvaren og lastet den inn i den faktiske helikopteren. Etter at vi hadde slått på 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 kjøpt av Google?

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

Google betalte alle disse menneskene for å merke informasjon om bøkene, som sider, innhold, opphavsrett, osv. – en svært tidkrevende oppgave. Jeg ville 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 var på grunn av menneskelig feil med manuell merking.

Dette fikk meg virkelig begeistret for ML, fordi det viste at du kan gå fra menneskelig ytelse til overmenneskelig ytelse – utføre monotone 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 sanntids-bevegelsesfangst 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 bruker-interaksjon. Det ble kjøpt av Google.

Min hele reise fra helikopter-prosjektet til Google Books til selv-kjørende biler og nå helseoperasjoner, viste meg hvor kraftfulle og generelle maskinlærings-algoritmer 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 feil-utsatte, noe som kan føre til unødvendige panikk-fremkallende finansielle erfaringer for pasienter. Det var mangel på ny teknologi på den administrative siden og ingenting som var formål-bygget. Det ble klart for oss at du kunne bruke teknologi som AI og ML til å løse disse operative utfordringene på en innovativ måte. Når vi snakket med en mengde helse-systemer og helseledere, bekreftet de vår tenkning, noe som til slutt ledet til grunnleggelsen 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 allokerer ressurser der de betyr mest.

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

Vår kunde-base representerer over 110 milliarder dollar i samlet netto-pasient-inntekt, noe som tilsvarer over 10% av alle amerikanske helse-system-utgifter årlig ifølge Centers for Medicaid and Medicare Services. Og AKASAs modeller og algoritmer har blitt trent på nesten 290 millioner krav og kvitteringer.

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

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

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 helsefinans-funksjonen, inkludert fakturabehandling og betalinger. Spesifikke oppgaver AKASA automatiserer, inkluderer å sjekke pasient-berettigelse, dokumentere og verifisere forsikringsinformasjon, estimere pasient-kostnad, redigere, fakturere og anke krav, og forutsi og håndtere avvisninger.

Dette typen automatisering reduserer ikke bare menneskelig feil og forsinkelser for pasienter, og hjelper med 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 givende, utfordrende og verdi-genererende oppgaver rettet mot pasient-opplevelsen.

Hva er de forskjellige typene maskinlærings-algoritmer som brukes?

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

Vi utvikler state-of-the-art-algoritmer over computer-vision, naturlig språk-forståelse og strukturerte data-problemer. Vår plattform starter med computer-vision-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 så 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 unntak eller avvik. AI-en lærer kontinuerlig av disse erfaringene, og lar det ta på seg mer komplekse oppgaver over tid.

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

Sannheten er at RPA er en tiårgammel teknologi som er skjør med reelle grenser for dens evner. Den vil alltid ha en verdi i å automatisere arbeid som er enkelt, diskret og lineært. Men grunnen til at automatiserings-tiltak ofte mislykkes, er fordi liv 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 robot-løsningen 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 modifisering av et stykke programvare eller UI, kan føre til at robotene bryter sammen. Som vi vet, er teknologi alltid i utvikling, og 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 som fullfører svært små handlinger som ikke krever mye ferdighet.

Det er som et spill av whack-a-mole. Hver dag møter du sannsynligvis at en av dem vil bryte sammen, fordi et stykke programvare vil endre eller noe uvanlig vil skje – en dialog-boks vil dukke opp eller en ny type inn-tastning vil skje. Resultatet er kostbar vedlikehold for å holde disse botene i gang. Ifølge en rapport fra Forrester, for hver 1 dollar brukt på RPA, brukes en ekstra 3,41 dollar på konsulenteressurser.

Med andre ord, er den faktiske programvaren for RPA ikke den største kostnaden. Den større kost-investeringen er all arbeid du må gjøre for å holde RPA i gang hele tiden. Mange organisasjoner regner ikke med denne pågående kostnaden.

Som så mye av liv 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 den spesielle sausen 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 isteden. Menneskene merker disse eksemplene og identifiserer tilfeller som ikke håndteres av den nåværende modellen. Når dette er gjort, og AI-en får det rett, er det en vel-fungerende oppgave.

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

Over tid, bygger ML-modellen motstandskraft mot disse nye kanter og unntak. Dette resulterer i et system som er robust og fleksibelt til nye unntak eller avvik, og systemet 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-en og sikre at den kan håndtere unntakene som er en uunngåelig del av enhver bransje – og spesielt i et dynamisk felt som helse.

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 formål-bygget for helse. Ved å bruke AI, ML og vårt team av medisinske regnskaps-eksperter, skaper den en sammenhengende, tilpasset løsning som hjelper deg å se verdi raskere, med nesten ingen vedlikehold eller unntak-koer.

Den er designet med unntak og avvik 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 helse-industriens dynamiske natur. Det er en sammenhengende, tilpasset løsning som hjelper med å redusere driftskostnader, hever personalet til å takle mer givende arbeid som krever en menneskelig berøring, og forbedrer inntekts-kapring for helse-systemer, samtidig som det forbedrer pasientens finansielle erfaring.

Dette er hvordan Unified Automation fungerer:

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

AI utfører: Etter å ha observert og lært helsepersonale sine 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 arbeids-køen – tildelelse seg relevante oppgaver og fullfører dem uten å forstyrre teamet. Den optimaliserer også prosessene automatisk, så ingen oppsett eller inngripen er nødvendig fra personalet.

Menneskelig ekspertise sikrer: Systemet flagger automatisk vårt team av medisinske regnskaps-eksperter for å håndtere unntak og avvik, og trener AI-en i sanntid mens de arbeider. Dette er det menneskelige elementet i løkken. 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 forsknings-først-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 lede hele industrien fremover.

For eksempel, har vår forskning blitt presentert på den internasjonale konferansen om maskinlæring (ICML), den naturlige språk-forståelse-summit (NLP), og maskinlæring for helse-konferansen (MLHC), blant andre. Vi tar en svært disiplinert tilnærming til å teste våre modeller og sammenligne deres ytelse mot statens AI-tilnærming på markedet.

Vår prediktive avvisnings-løsning antas å være den første publiserte dyb-læring-baserte systemet som kan nøyaktig forutsi medisinske krav-avvisninger med over 22% sammenlignet med eksisterende baseline. Vår Les, Lytt, Kod-modell for autonom koding av medisinske krav fra kliniske notater har blitt anerkjent som å definere en ny standard for industrien og overgikk nåværende modeller med 18% – overgikk produktiviteten til menneskelige kodere. Vi tror disse bak-office-innovasjonene er kritiske for å forbedre det amerikanske helse-systemet i stor skala og vil fortsette å drive fremgang og bygge tilpassede løsninger for dette området.

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

Vi er begeistret for fremtiden og hva som kommer til AKASA, mens vi bygger fremtiden for helse med AI.

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