Andreas Cleve, współzałożyciel i CEO Corti – seria wywiadów

Andreas Cleve, współzałożyciel i CEO Corti, jest przedsiębiorcą skupionym na rozwoju sztucznej inteligencji w ochronie zdrowia. Jego praca w sektorze rozpoczęła się od Ovivo, platformy planowania siły roboczej dla szpitali, która szybko rozwinęła się w Danii, zanim została przejęta w 2013 roku. Później współzałożył Hyvi, inicjatywę badawczą, która badała modele językowe zdolne do zrozumienia złożonych rozmów w czasie rzeczywistym, co ostatecznie przekształciło się w Corti w 2018 roku. Poza budowaniem firm, Cleve odegrał kluczową rolę w umacnianiu ekosystemu sztucznej inteligencji w krajach nordyckich poprzez inicjatywy takie jak Nordic.ai i role doradcze w organizacjach, w tym DIGITALEUROPE i Duńskiej Narodowej Radzie Cyfryzacji.

Corti to kopenhaska firma zajmująca się rozwojem sztucznej inteligencji w ochronie zdrowia, tworząca specjalistyczne modele zaprojektowane do zrozumienia medycznych rozmów i wspierania klinicystów w czasie rzeczywistym. Jej platforma działa jako asystent sztucznej inteligencji dla profesjonalistów ochrony zdrowia, generując dokumentację kliniczną, ujawniając spostrzeżenia podczas interakcji z pacjentami i automatyzując administracyjne procesy robocze. Poprzez oferowanie swojej technologii za pomocą interfejsów API i integracji z systemami ochrony zdrowia, Corti ma na celu zmniejszyć obciążenie klinicystów, jednocześnie poprawiając wydajność i podejmowanie decyzji w szpitalach i platformach zdrowia cyfrowego.

Wyrastając w rodzinie, w której ochrona zdrowia była stałym elementem codziennego życia… Jak te wczesne doświadczenia ukształtowały założenie Corti, a jakie konkretnymi problemami chcieliście się zająć od samego początku?

Dorastanie wśród ludzi związanych z ochroną zdrowia uświadomiło mi dwie rzeczy: ekspertyza ma ogromne znaczenie, a procesy, które ją przenoszą, są kruche i często zawodzą ludziom, którzy ich najbardziej potrzebują. Te wczesne doświadczenia domowe, które obejmowały obserwowanie osób opiekujących się, widzenie, jak wiedza zostaje utracona w trakcie przekazywania informacji, i odczuwanie strachu wynikającego z niekonsekwentnej opieki, nasiona wierzenia, że ochrona zdrowia powinna być przewidywalna i że klinicyści nigdy nie powinni być sami, gdy przychodzi do podejmowania trudnych decyzji. To przekształciło się bezpośrednio w misję założycielską Corti: budowanie systemów, które gwarantują ekspertyzę, tak aby klinicyści zawsze mieli niezawodne, rzeczywiste wsparcie decyzyjne.

Od samego początku postanowiliśmy rozwiązać problem nierównowagi popytu i podaży w ochronie zdrowia: lukę między złożonością nowoczesnej medycyny a ograniczoną ludzką zdolnością do jej stosowania wszędzie, tworząc sztuczną inteligencję, która redukuje zmienność, przyspiesza wykrywanie i wspiera bezpieczniejsze decyzje w momentach, które mają największe znaczenie.

Corti przedstawia się jako infrastruktura sztucznej inteligencji w ochronie zdrowia, a nie jako samodzielny asystent sztucznej inteligencji. Co oznacza infrastruktura w tym kontekście, i jakie możliwości otwiera to, czego nie mogą osiągnąć rozwiązania punktowe lub oparte na czacie?

Gdy mówimy o infrastrukturze, mamy na myśli, że nie dostarczamy jednego asystenta lub widgetu; budujemy podstawową strukturę, która umożliwia klinicystom korzystanie z sztucznej inteligencji na różnych polach. Infrastruktura oznacza tu: modele i dane rodzime dla ochrony zdrowia (a nie ogólne dane sieciowe), warstwę rozumowania klinicznego, która ujawnia odpowiedzi z kontekstem klinicznym, narzędzia do zarządzania cyklem życia i rządzenia (karty modeli, ślady audytowe, weryfikowalne pochodzenie), opcje wdrożeniowe spełniające wymagania regulatorów (chmury suwerenne, na miejscu lub prywatne punkty końcowe), oraz interfejsy API i SDK dla deweloperów, które pozwalają zespołom produktowym włączyć inteligencję kliniczną do swoich aplikacji bez konieczności stania się ekspertami w dziedzinie sztucznej inteligencji lub zgodności.

To podejście otwiera trzy rzeczy, których nie mogą osiągnąć rozwiązania punktowe: (1) wdrożalność, czyli modele i środowiska uruchomieniowe, które przetrwają prawdziwe ograniczenia kliniczne (opóźnienia, rezydencja danych, audytowalność); (2) skalowalność w różnych specjalizacjach, czyli wielokrotnie używalne, certyfikowane bloki budulcowe (mowa, kodowanie, punkty końcowe o zakresie klinicznym), które redukują koszt budowy wielu aplikacji pionowych; oraz (3) zaufanie regulacyjne i przedsiębiorstw, czyli polityki, umowy i prymitywy zgodności wbudowane w platformę, tak aby klienci mogli przechodzić od pilotażu do produkcji. Innymi słowy, infrastruktura zmienia badania kliniczne w wdrożone usługi, które deweloperzy i szpitale mogą wysyłać, certyfikować i skalować.

Ogólne modele sztucznej inteligencji są często stosowane w środowiskach klinicznych z mieszanymi efektami. Jakie są najczęstsze sposoby, w jakie te modele nie spełniają oczekiwań, gdy są używane w prawdziwych środowiskach ochrony zdrowia?

Ogólne modele sztucznej inteligencji osiągnęły znaczny postęp, i dla wielu zadań działają one dobrze. Ale ochrona zdrowia nagradza głębię w sposób, który pozioma sztuczna inteligencja nie może łatwo odtworzyć. Rozumowanie kliniczne zależy od subtelnych sygnałów, specjalistycznej terminologii, kontekstu instytucjonalnego i zrozumienia, jak dokumentacja przepływa przez systemy regulacyjne i rozliczeniowe. Aby to osiągnąć, wymagane jest szkolenie na danych klinicznych, walidacja w oparciu o kliniczne punkty odniesienia oraz budowanie zgodności w strukturze od samego początku. To nie jest problem polegający na podpowiadaniu; to problem badawczy, dlatego uważamy, że ochrona zdrowia potrzebuje dedykowanego laboratorium sztucznej inteligencji, które może zajmować się głębokimi badaniami w tej dziedzinie, zamiast szerokimi badaniami w wielu dziedzinach.

Corti działa w Europie, Stanach Zjednoczonych i poza nimi, każdy z nich ma różne modele opieki i zarządzania. Jak projektujecie systemy sztucznej inteligencji, które dostosowują się do tej rzeczywistej złożoności?

Projektujemy z myślą o złożoności, posiadając większość struktury i czyniąc wdrożenie i zarządzanie pierwszorzędnymi obywatelami. Praktycznie oznacza to szkolenie na danych ochrony zdrowia i dostosowywanie modeli do rozumowania klinicznego; budowanie śladów audytowych, kart modeli i API gotowych do umów; oraz architekturę trasowania, tak aby kontrola zgodności była wybierana przez geografię i profil ryzyka. Dla klientów, którzy tego potrzebują, oferujemy opcje wdrożeniowe w chmurze suwerennej i na miejscu, tak aby dostawcy mogli wybrać, gdzie ich dane się znajdują i utrzymywać kontrolę nad modelami uruchamianymi na nich.

Ta elastyczność pozwala nam uruchamiać tę samą sztuczną inteligencję kliniczną w różnych modelach opieki, jednocześnie respektując lokalne standardy dokumentacji, prawa dotyczące prywatności i instytucjonalne zarządzanie. Co ważne, traktujemy badania jako stopnie do produkcji; każdy postęp musi być śladowalny, testowalny i wdrożony w świecie rzeczywistym, a nie tylko obiecujący w laboratorium. To jest to, co oznacza być zbudowanym, aby prosperować w klinicznej rzeczywistości.

Spójrzając na bieżące kliniczne procesy robocze, gdzie Corti dostarcza najbardziej natychmiastowy, mierzalny wpływ, i dlaczego te obszary mają największe znaczenie dla obciążonych klinicystów?

Najbardziej natychmiastowy wpływ Corti dziś jest w klinicznych i administracyjnych procesach roboczych, które ponoszą największe obciążenie. Nasze modele i interfejsy API napędzają dokumentację ambient, kodowanie i automatyzację sterowaną przez agenci w oprogramowaniu ochrony zdrowia używanym przez klinicystów każdego dnia.

Te obszary mają znaczenie, ponieważ dokumentacja i rozliczenia są jednymi z najbardziej czasochłonnych i podatnych na błędy części dostarczania opieki. Gdy rozmowy stają się uporządkowanymi, gotowymi do EHR notatkami w czasie rzeczywistym, gdy kodowanie jest kompletniejsze i bardziej dokładne, a gdy rutynowe procesy robocze są zautomatyzowane w sposób bezpieczny w regulowanych systemach, klinicyści spędzają mniej czasu na dokumentacji, a organizacje widzą mierzalne poprawy w wydajności i jakości rozliczeń.

Ochrona zdrowia nie jest jednym monolitycznym problemem, ale tysiącami specjalistycznych procesów roboczych działających pod presją regulacyjną. Budując produkcyjną sztuczną inteligencję, która prosperuje w klinicznej rzeczywistości, umożliwiamy firmom oprogramowania i systemom zdrowia rozwiązywać te problemy w skali. To jest tam, gdzie laboratorium sztucznej inteligencji w ochronie zdrowia dostarcza praktyczny, mierzalny zwrot.

Corti wspiera setki tysięcy interakcji pacjenckich każdego dnia. Jakie lekcje wyniknęły z obsługi sztucznej inteligencji w tej skali, które nie są oczywiste w pilotażach lub środowiskach laboratoryjnych?

Obsługa na dużą skalę ujawnia tarcie, które ukrywają pilotaże: niejednorodzą jakość danych (żaden z dwóch EHR lub transkrypcji nie wygląda tak samo), ograniczenia produkcji i przepływu strumieniowego, złożoność prawna i umowna wśród klientów i geografii, oraz wieczne przypadki brzegowe, które pojawiają się tylko pod obciążeniem. Laboratoria mogą mierzyć dokładność na ucurzonych zestawach; produkcja zmusza do rozwiązywania trasowania, obserwowalności, wykrywania dryfu, wycofywania modeli i śladów audytowych. Inna lekcja: prawdziwe zaufanie jest zdobywane przez to, że modele są wyjaśnialne, powtarzalne i certyfikowalne, a nie przez jednorazową wydajność w jednym miejscu. Na koniec, pilotaże zaniżają całkowity koszt posiadania: deweloperzy w produkcji potrzebują SDK, spójnych punktów końcowych i prymitywów zarządzania, aby utrzymać bezpieczeństwo i produktywnie iterować.

Ochrona zdrowia wymaga wyższej wyjaśnialności niż sztuczna inteligencja konsumencka. Jak podejdziecie do klinicznego rozumowania, przejrzystości i odpowiedzialności, gdy sztuczna inteligencja wpływa na decyzje medyczne?

Ochrona zdrowia wymaga wyższego standardu, ponieważ koszt błędu jest rzeczywisty. Kliniczna sztuczna inteligencja nie może po prostu generować prawdopodobnego języka; musi rozumuwać nad złożoną, regulowaną, wysoko stawianą informacją w sposób, który jest przejrzysty i inspekowalny.

Dlatego opracowaliśmy GIM, naszą metodę modyfikacji interakcji gradientu, aby uczynić kliniczne rozumowanie bardziej interpretowalnym na poziomie modelu. GIM niedawno zajęła pierwsze miejsce w rankingu Hugging Face Mechanistic Interpretability Benchmark, zajmując pierwsze miejsce na liście podejść interpretowalności. To ma znaczenie, ponieważ interpretowalność nie jest ćwiczeniem akademickim w ochronie zdrowia – jest podstawą zaufania, bezpieczeństwa i regulacyjnego przyjęcia.

Poza badaniami, przejrzystość musi przechodzić do wdrożenia. Zapewniamy karty modeli, benchmarki walidacji, ślady audytowe i kontrolę wersji, tak aby klienci wiedzieli dokładnie, co jest uruchamiane i jak było oceniane. Dane wyjściowe są powiązane z dowodami, niepewność jest jawna, a systemy są zaprojektowane tak, aby wspierać klinicystów jako gwaranta decyzji, a nie zastępować ich nieprzezroczystą czarną skrzynką.

W ochronie zdrowia, wyjaśnialność nie jest funkcją. Jest to warunek wstępny zaufania. Dlatego podejmujemy kliniczną sztuczną inteligencję jako dyscyplinę laboratoryjną i zapewniamy, że badania są wysyłane w systemach produkcyjnych, które mogą być inspekcjowane, zarządzane i bezpiecznie wdrożone.

Suwerenność sztucznej inteligencji jest krytycznym tematem w sektorach regulowanych. Co oznacza suwerenność w ochronie zdrowia, i jak dostawcy mogą utrzymać kontrolę, jednocześnie korzystając z zaawansowanej sztucznej inteligencji?

W ochronie zdrowia, suwerenność oznacza, że dostawcy zachowują kontrolę nad rezydencją danych, wyborem modelu i operacyjnym zarządzaniem. Praktycznie, suwerenność jest osiągana za pomocą opcji hostingu lokalnego lub regionalnego (chmury suwerenne i na miejscu), prywatnych punktów końcowych modeli, pełnej kontroli cyklu życia i gwarancji umownych (BAAs, SLAs, DPIAs). Suwerenność nie jest anty-chmura; jest to możliwość dla dostawców wyboru, gdzie ich obciążenia są uruchamiane i posiadania weryfikowalnej kontroli i śladów nad modelami i danymi. To pozwala dostawcom uzyskać dostęp do najnowocześniejszych możliwości, jednocześnie spełniając obowiązki prawne i instytucjonalne.

Jako założyciel i doradca do inicjatyw UE, jak widzisz ewolucję regulacji, i gdzie politycy jeszcze zaniżają techniczne realia klinicznej sztucznej inteligencji?

Europa słusznie traktuje regulację poważnie. W ochronie zdrowia, audytowalność, ślady i odpowiedzialność nie są opcjonalne – są one warunkami wstępnymi zaufania.

Tam, gdzie politycy czasem zaniżają rzeczywistość, jest to w jaki sposób kliniczna sztuczna inteligencja jest operacyjna. Certyfikacja nie jest jednorazowym zatwierdzeniem; wymaga ciągłego monitorowania, kontroli wersji i ciągłej walidacji. Jednocześnie, musimy unikać nadmiernej regulacji. Jeśli zgodność staje się nieproporcjonalna, innowacje spowalniają, a użyteczne narzędzia nigdy nie docierają do klinicystów.

W Corti, zakładamy regulację od samego początku. Budujemy audytowalność, zarządzanie modelem i opcje wdrożeniowe suwerenne bezpośrednio w nasze modele i interfejsy API, tak aby startupy i ugruntowane dostawcy nie musieli później dostosowywać się do zgodności. Ochrona zdrowia jest złożona i fragmentowana, a jedyny sposób, aby poruszać się w tym tempie, jest wbudowanie gotowości regulacyjnej w fundament. Równowaga, której potrzebuje Europa, jest rygorystyczna, ale praktyczna: chronić pacjentów, ale umożliwić budowanie i wdrożenie w sposób bezpieczny i na dużą skalę.

Spójrzając w przyszłość 12-24 miesiące, jakie główne zmiany mogą się spodziewać liderzy ochrony zdrowia od Corti, i jak te plany ustanawiają podstawę dla 2026?

Spodziewaj się, że Corti podwoi wysiłki na ścieżce od laboratorium do produkcji: wysyłając badania wspierane przez modele kliniczne i pakując je jako wdrożone infrastruktury (mowa, kodowanie i punkty końcowe agentów, warstwa rozumowania klinicznego i opcje wdrożeniowe suwerenne), wszystko wyraźnie zaprojektowane, aby przenieść klientów z pilotażu do certyfikowanej produkcji. Corti nie jest jedną aplikacją; jest to laboratorium sztucznej inteligencji w ochronie zdrowia, zbudowane, aby umożliwić całe klasy bezpiecznego, audytowalnego oprogramowania klinicznego – fundament dla naszych ambicji na 2026 rok.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Corti.