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 sił roboczych dla szpitali, która szybko rozwinęła się w Danii, zanim została przejęta w 2013 roku. Później współzałożył Hyvi, inicjatywę badawczą, która badała modele językowe uwzględniające kontekst, 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 Radzie Cyfryzacji.

Corti to kopenhaska firma zajmująca się sztuczną inteligencją w ochronie zdrowia, rozwijająca 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 pracy 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 konkretnie problemy postanowiłeś rozwiązać od samego początku?

Dorastanie wśród środowiska ochrony zdrowia uświadomiło mi dwie rzeczy: ekspertyza ma ogromne znaczenie, a procesy przenoszenia tej ekspertyzy są kruche i często zawodzą ludzi, którzy ich najbardziej potrzebują. Te wczesne doświadczenia domowe, które obejmowały obserwowanie walki opiekunów, obserwowanie, jak wiedza ginie w trakcie przekazywania, i odczuwanie strachu wynikającego z nieciągłości opieki, zasiali przekonanie, że ochrona zdrowia powinna być przewidywalna i że klinicyści nigdy nie powinni być sami, gdy przychodzi trudna decyzja. To przetłumaczyło się bezpośrednio na misję założycielską Corti: budowanie systemów, które gwarantują ekspertyzę, tak aby klinicyści zawsze mieli niezawodne, rzeczywiste wsparcie decyzyjne.

Od samego początku postanowiliśmy rozwiązać problem nierównowagi pomiędzy podażą a popytem w ochronie zdrowia: lukę pomiędzy 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 позиционирует себя 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 pojedynczego asystenta lub widgetu; budujemy podstawową strukturę, która umożliwia klinicystom sztuczną inteligencję na różnych procesach roboczych. 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 zarządzania (karty modeli, ślady audytowe, weryfikowalne pochodzenie), opcje wdrożeniowe, które spełniają wymagania regulacyjne (chmury suwerenne, wewnętrzne 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 od sztucznej inteligencji lub compliance.

To podejście otwiera trzy rzeczy, których nie mogą osiągnąć rozwiązania punktowe: (1) wdrożalność, co oznacza modele i środowiska uruchomieniowe, które przetrwają prawdziwe ograniczenia kliniczne (opóźnienia, rezydencja danych, audytowalność); (2) skalowalność w różnych specjalnościach, co oznacza wielokrotnie używalne, certyfikowane bloki budowlane (mowa, kodowanie, punkty końcowe o zakresie klinicznym), które redukują koszt budowy wielu aplikacji pionowych; oraz (3) zaufanie regulacyjne i przedsiębiorstw, co oznacza polityki, umowy i prymitywy zgodności wbudowane w platformę, dzięki czemu klienci mogą przechodzić od pilotażu do produkcji. Innymi słowy, infrastruktura przekształca 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 w prawdziwych środowiskach ochrony zdrowia?

Ogólne modele sztucznej inteligencji zrobiły znaczny postęp, i dla wielu zadań działają 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. Uzyskanie tego wymaga szkolenia na danych klinicznych, walidacji wobec benchmarków klinicznych i budowania zgodności w stosie od samego początku. To nie jest problem podpowiedzi; to problem badawczy, dlatego uważamy, że ochrona zdrowia potrzebuje dedykowanego laboratorium sztucznej inteligencji, które może zagłębić się w dziedzinę, zamiast szeroko rozciągać się na wiele dziedzin.

Corti działa w Europie, Stanach Zjednoczonych i poza nimi, każdy z różnymi modelami opieki i zarządzania. Jak projektujesz systemy sztucznej inteligencji, które dostosowują się do tej rzeczywistej złożoności?

Projektujemy złożoność, posiadając więcej części stosu i robiąc 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 interfejsów 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 wewnętrznej, dzięki czemu dostawcy mogą wybrać, gdzie żyje ich dane, i utrzymać kontrolę nad modelami uruchamianymi na nich.

Ta elastyczność pozwala nam uruchamiać tę samą sztuczną inteligencję kliniczną w różnych modelach opieki, jednocześnie honorując lokalne standardy dokumentacji, prawa o ochronie prywatności i instytucjonalne zarządzanie. Co więcej, 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 frontowe kliniczne procesy robocze dzisiaj, gdzie Corti dostarcza najbardziej natychmiastowy, mierzalny wpływ, i dlaczego te obszary mają największe znaczenie dla obciążonych klinicystów?

Najbardziej natychmiastowy wpływ Corti dzisiaj jest w klinicznych i administracyjnych procesach roboczych, które niosą największe obciążenie. Nasze modele i interfejsy API napędzają dokumentację ambient, kodowanie i automatykę agenta 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 ustrukturyzowanymi, gotowymi do elektronicznej dokumentacji medycznej notatkami w czasie rzeczywistym, gdy kodowanie jest kompletniejsze i bardziej dokładne, a gdy rutynowe procesy robocze są zautomatyzowane bezpiecznie w ramach regulowanych systemów, 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 ochrony zdrowia rozwiązywać te problemy w skali. To jest tam, gdzie laboratorium sztucznej inteligencji ochrony zdrowia dostarcza praktyczny, mierzalny zwrot.

Corti wspiera setki tysięcy interakcji pacjenckich każdego dnia. Jakie nauki wynikają z operowania sztuczną inteligencją w tej skali, które nie są oczywiste w pilotach lub środowiskach laboratoryjnych?

Operowanie w skali ujawnia tarcie, które ukrywają pilotaże: niejednorodzą jakość danych (żadne dwa elektroniczne rekordy zdrowia lub transkrypcje nie wyglądają tak samo), ograniczenia opóźnienia i przesyłu w produkcji, złożoność prawna i umowna wśród klientów i geografii, oraz wieczne przypadki brzegowe, które pojawiają się tylko pod obciążeniem. Laboratoria mogą mierzyć dokładność na ucurzekanych zestawach; produkcja zmusza do rozwiązania trasowania, obserwowalności, wykrywania dryfu, wycofywania modeli i śladów audytowych. Inną nauką jest to, że prawdziwe zaufanie jest zdobywane przez to, że modele są wyjaśnialne, powtarzalne i certyfikowalne, a nie przez jednorazową wydajność. Wreszcie, pilotaże zaniżają całkowity koszt posiadania: deweloperzy w produkcji potrzebują SDK, spójnych punktów końcowych i prymitywów zarządzania, aby utrzymać bezpieczeństwo i iterować produktywnie.

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

Ochrona zdrowia wymaga wyższego standardu, ponieważ koszt błędu jest realny. Kliniczna sztuczna inteligencja nie może po prostu generować prawdopodobnego języka; musi rozumować nad złożoną, regulowaną, wysokostopniową 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 #1 na liście podejść do interpretowalności. To ma znaczenie, ponieważ interpretowalność nie jest ćwiczeniem akademickim w ochronie zdrowia – jest podstawą zaufania, bezpieczeństwa i przyjęcia regulacyjnego.

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

W ochronie zdrowia, wyjaśnialność nie jest funkcją. Jest to warunek wstępny zaufania. Dlatego podejść do klinicznej sztucznej inteligencji jako do dyscypliny laboratoryjnej i upewniamy się, 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 dzięki opcjom hostingu lokalnego lub regionalnego (chmury suwerenne i wewnętrzne), prywatnym punktom końcowym modeli, pełnej kontroli audytu i cyklu życia, oraz gwarancjom umownym i technicznym (umowy, SLA, DPIA). Suwerenność nie jest anty-chmura; jest o tym, aby dać dostawcom możliwość wyboru, gdzie ich obciążenia są uruchomione, i mieć weryfikowalną kontrolę i śladem nad modelami i danymi. To połączenie pozwala dostawcom uzyskać dostęp do najnowocześniejszych możliwości, jednocześnie spełniając obowiązki prawne i instytucjonalne.

Jako założyciel i doradca inicjatyw Unii Europejskiej, jak widzisz ewolucję regulacji, i gdzie decydenci jeszcze zaniżają techniczne rzeczywistości klinicznej sztucznej inteligencji?

Europa ma rację, podejmując regulację poważnie. W ochronie zdrowia audytowalność, śladem i odpowiedzialność nie są opcjonalne – są warunkami wstępnymi zaufania.

Gdzie decydenci czasami zaniżają rzeczywistość jest w tym, jak operacyjna jest kliniczna sztuczna inteligencja. 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 suwerenne opcje wdrożeniowe bezpośrednio w nasze modele i interfejsy API, tak aby startupy i ustanowione dostawcy nie musieli później dostosowywać się do zgodności. Ochrona zdrowia jest złożona i fragmentowana, a jedynym sposobem, aby poruszać się w tempie, jest wbudowanie gotowości regulacyjnej w fundament. Równowaga, której potrzebuje Europa, jest rygorystyczna, ale praktyczna: chronić pacjentów, ale umożliwić budowanie i wdrażanie bezpiecznie w skali.

Spójrzając w przyszłość 12-24 miesięcy, jakie główne zmiany powinni oczekiwać liderzy ochrony zdrowia od Corti, i jak te plany ustanawiają fundament dla 2026 roku?

Oczekuj, że Corti podwoi wysiłki na ścieżce od laboratorium do produkcji: wysyłając badania wsparte, klinicznie jakościowe modele i pakując je jako wdrożalną infrastrukturę (mowa, kodowanie i punkty końcowe agenta, warstwa rozumowania klinicznego i suwerenne opcje wdrożeniowe), wszystko to jest wyraźnie zaprojektowane, aby przenieść klientów z pilotażu do certyfikowanej produkcji. Planowane są poprawione benchmarki STT i opóźnień, agenci głosowi, modele kodowania medycznego wchodzące do produkcji oraz wiele wdrożeń chmury suwerennej, wszystko to jest zaprojektowane, aby umieścić Corti jako fundament naszych ambicji na 2026 rok.

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