Андреас Клеве, сооснователь и генеральный директор Corti – Интервью

Андреас Клеве, сооснователь и генеральный директор Corti, – предприниматель, занимающийся развитием искусственного интеллекта в здравоохранении. Его работа в этой области началась с Ovivo, платформы для планирования рабочей силы в больницах, которая быстро распространилась по всей Дании и была приобретена в 2013 году. Позже он стал сооснователем Hyvi, исследовательского проекта, изучающего контекстно-зависимые языковые модели, способные понимать сложные разговоры в реальном времени, что в конечном итоге привело к созданию Corti в 2018 году. Помимо создания компаний, Клеве сыграл ключевую роль в укреплении экосистемы искусственного интеллекта в Нордии через инициативы, такие как Nordic.ai, и консультационные роли в организациях, включая DIGITALEUROPE и Национальный совет по цифровизации Дании.

Corti – это копенгагенская компания по разработке искусственного интеллекта в здравоохранении, которая создает специализированные модели, предназначенные для понимания медицинских разговоров и поддержки клиницистов в реальном времени. Ее платформа действует как помощник искусственного интеллекта для медицинских специалистов, генерируя клиническую документацию, выявляя информацию во время взаимодействия с пациентами и автоматизируя административные рабочие процессы. Предлагая свою технологию через API и интеграции с системами здравоохранения, Corti стремится сократить нагрузку на клиницистов, одновременно повышая эффективность и принятие решений в больницах и цифровых платформах здравоохранения.

Вы выросли в семье, где здравоохранение было постоянной частью повседневной жизни… Как эти ранние переживания повлияли на создание Corti, и какие конкретные проблемы вы были решительно настроены решить с самого начала?

Растя в окружении здравоохранения, я четко понял две вещи: экспертиза имеет огромное значение, и процессы, которые передают эту экспертизу, хрупки и часто терпят неудачу перед людьми, которые в них нуждаются. Эти ранние домашние переживания, включая наблюдение за трудностями медицинских работников, наблюдение за потерей знаний при передаче и чувство страха, которое возникает из-за несоответствия ухода, привили мне убеждение, что здравоохранение должно быть предсказуемым, и клиницисты никогда не должны быть одни, когда возникает трудное решение. Это напрямую перевелось в миссию Corti: построить системы, которые подтверждают экспертизу, чтобы клиницисты всегда имели надежную поддержку принятия решений в реальном времени.

С самого начала мы поставили цель решить проблему дисбаланса между спросом и предложением в здравоохранении: разрыв между сложностью современной медицины и ограниченной человеческой способностью применять ее повсюду, создавая искусственный интеллект, который снижает вариативность, ускоряет обнаружение и поддерживает более безопасные решения в моменты, которые имеют наибольшее значение.

Corti позиционирует себя как инфраструктура искусственного интеллекта в здравоохранении, а не как отдельный помощник искусственного интеллекта. Что означает инфраструктура в этом контексте, и какие возможности она открывает, которые отдельные решения или инструменты, основанные на чате, не могут?

Когда мы говорим об инфраструктуре, мы имеем в виду, что мы не поставляем отдельный помощник или виджет; мы строим основной стек, который делает возможным клинический искусственный интеллект во многих рабочих процессах. Инфраструктура означает: модели и данные, родные для здравоохранения (а не общедоступные веб-данные), слой клинического рассуждения, который предоставляет ответы с клиническим контекстом, инструменты жизненного цикла и управления (карты моделей, аудиторские следы, верифицируемая родословная), варианты развертывания, соответствующие требованиям регулирующих органов (суверенные облака, локальный или частный конечные точки), и разработчикам, ориентированные API и SDK, которые позволяют командам продукта включать клиническую интеллектуальность в свои приложения без необходимости становления экспертами в области машинного обучения или соблюдения требований.

Такой подход открывает три вещи, которые отдельные решения не могут: (1) возможность развертывания, то есть модели и среды выполнения, которые выдерживают реальные клинические ограничения (задержка, резиденция данных, аудит); (2) масштабируемость по специальностям, то есть многократно используемые, сертифицированные строительные блоки (речь, кодирование, клинически определенные конечные точки), которые снижают стоимость создания многих вертикальных приложений; и (3) доверие регулирующих органов и предприятий, то есть политики, соглашения и примитивы соблюдения требований, встроенные в платформу, чтобы клиенты могли перейти от пилотных проектов к производству. Коротко говоря, инфраструктура превращает клинические исследования и разработки в развертываемые услуги, которые разработчики и больницы могут отправлять, сертифицировать и масштабировать.

Общие модели искусственного интеллекта часто применяются в клинических условиях с смешанными результатами. Каковы наиболее распространенные способы, которыми эти модели не оправдывают ожиданий при использовании в реальных условиях здравоохранения?

Общие модели искусственного интеллекта добились замечательного прогресса, и для многих задач они работают хорошо. Но здравоохранение вознаграждает глубину способами, которые горизонтальный ИИ не может легко воспроизвести. Клиническое рассуждение зависит от тонких сигналов, специализированной терминологии, контекста учреждения и понимания того, как документация проходит через системы регулирования и возмещения. Чтобы все это сделать правильно, необходимо обучать на клинических данных, проверять на клинических эталонах и строить соблюдение требований в стек с самого начала. Это не проблема подсказки; это исследовательская проблема, поэтому мы считаем, что здравоохранению нужна специализированная лаборатория ИИ, которая может глубоко изучить эту область, а не широкую и поверхностную.

Corti работает в Европе, США и других регионах, каждый из которых имеет разные модели ухода и управления. Как вы проектируете системы искусственного интеллекта, которые адаптируются к этой реальной сложности?

Мы проектируем для сложности, владея большей частью стека и делая развертывание и управление первоклассными гражданами. Практически это означает обучение на данных только из здравоохранения и настройку моделей для клинического рассуждения; построение аудиторских следов, карт моделей и API, готовых к соглашениям; и архитектуру маршрутизации так, чтобы контролирующие средства были выбраны по географии и профилю риска. Для клиентов, которым это необходимо, мы предлагаем суверенные облачные и локальные варианты развертывания, чтобы поставщики могли выбрать, где живут их данные, и поддерживать контроль над запускаемыми на них моделями.

Эта гибкость позволяет нам запускать один и тот же клинический ИИ через разные модели ухода, уважая при этом местные стандарты документации, законы о конфиденциальности и управление учреждениями. Важно, что мы относимся к исследованиям как к лестнице к производству; каждый прорыв должен быть отслеживаемым, тестируемым и развертываемым в реальном мире, а не только обещающим в лаборатории. Это то, что означает построение для процветания в клинической реальности.

Взглянув на клинические рабочие процессы на передовой сегодня, где Corti оказывает наиболее непосредственное, измеримое влияние, и почему эти области имеют наибольшее значение для перегруженных клиницистов?

Corti оказывает наиболее непосредственное влияние сегодня в клинических и административных рабочих процессах, которые несут наибольшую нагрузку. Наши модели и API обеспечивают документацию, кодирование и агентно-управляемую автоматизацию внутри программного обеспечения для здравоохранения, используемого клиницистами каждый день.

Эти области имеют значение, потому что документация и выставление счетов являются одними из наиболее трудоемких и ошибочных частей предоставления ухода. Когда разговоры становятся структурированными, готовыми к записи в электронную историю болезни заметками в реальном времени, когда кодирование становится более полным и точным, и когда рабочие процессы автоматизируются безопасно внутри регулируемых систем, клиницисты тратят меньше времени на бумажную работу, а организации видят измеримые улучшения в эффективности и качестве возмещения.

Здравоохранение не является одной монолитной проблемой, а тысячами рабочих процессов, специфичных для каждой специальности, работающих под давлением регулирования. Построив производственный ИИ, который процветает в клинической реальности, мы позволяем компаниям по разработке программного обеспечения и системам здравоохранения решать эти проблемы масштабно. Это то место, где лаборатория ИИ для здравоохранения обеспечивает практическую, измеримую отдачу.

Corti поддерживает сотни тысяч взаимодействий с пациентами каждый день. Какие уроки вынесли из работы ИИ в таком масштабе, которые не очевидны в пилотных проектах или лабораторных условиях?

Работа в таком масштабе раскрывает трение, которое скрывают пилотные проекты: неоднородное качество данных (ни один электронный историй болезни или транскрипт звонков не выглядит одинаково), ограничения производительности и потоковой передачи, юридическая и контрактная сложность по всей клиентской базе и географиям, и постоянные крайние случаи, которые появляются только под нагрузкой. Лаборатории могут измерять точность на отобранных наборах; производство заставляет решать маршрутизацию, наблюдаемость, обнаружение дрейфа, откат моделей и отслеживаемые аудиторские следы. Другой урок: настоящее доверие зарабатывается, делая модели объяснимыми, повторяемыми и сертификационными, а не только на основе результатов на одном сайте. Наконец, пилотные проекты заниждают общую стоимость владения: разработчикам в производстве нужны SDK, последовательные конечные точки и примитивы управления, чтобы поддерживать безопасность и продуктивно совершенствовать продукт.

Здравоохранение требует большей объяснимости, чем потребительский ИИ. Как вы подходите к клиническому рассуждению, прозрачности и подотчетности, когда ИИ влияет на медицинские решения?

Здравоохранение требует более высокого стандарта, потому что стоимость ошибки реальна. Клинический ИИ не может просто генерировать правдоподобный язык; он должен рассуждать над сложной, регулируемой, высокорисковой информацией таким образом, чтобы это было прозрачно и подотчетно.

Это почему мы разработали GIM, наш метод модификации взаимодействия градиентов, чтобы сделать клиническое рассуждение более интерпретируемым на уровне модели. GIM недавно занял первое место в Mechanistic Interpretability Benchmark на платформе Hugging Face, заняв первое место в списке среди подходов к интерпретируемости. Это имеет значение, потому что интерпретируемость не является академическим упражнением в здравоохранении – это основа доверия, безопасности и регулирования.

За пределами исследований прозрачность должна распространяться на развертывание. Мы предоставляем карты моделей, эталоны проверки, аудиторские следы и контроль версий, чтобы клиенты точно знали, что запускается и как оно оценивается. Выходные данные привязаны к доказательствам, неопределенность явна, и системы разработаны для поддержки клиницистов как гаранта решений, а не замены их непрозрачной черной коробкой.

В здравоохранении объяснимость не является функцией. Это предпосылка для доверия. Поэтому мы подходим к клиническому ИИ как к лабораторной дисциплине и гарантируем, что исследования поставляются в производственных системах, которые могут быть проверены, управляемы и безопасно развернуты.

Суверенитет ИИ является критической темой в регулируемых секторах. Что означает суверенитет в здравоохранении, и как поставщики могут сохранить контроль, одновременно пользуясь продвинутым ИИ?

В здравоохранении суверенитет означает, что поставщики сохраняют контроль над резиденцией данных, выбором модели и оперативным управлением. Практически суверенитет достигается с помощью вариантов локального или регионального хостинга (суверенные облака и локальные конечные точки), частных конечных точек моделей, полного аудита и контроля жизненного цикла, и контрактных и технических гарантий (соглашения, SLA, DPIA). Суверенитет не является антиоблачным; это о предоставлении поставщикам возможности выбрать, где запускаются их рабочие нагрузки, и иметь верифицируемый контроль и отслеживаемость над моделями и данными. Это сочетание позволяет поставщикам получить доступ к передовым возможностям, одновременно выполняя юридические и институциональные обязательства.

Как сооснователь и советник европейских инициатив, как вы видите эволюцию регулирования, и где политики все еще недооценивают технические реалии клинического ИИ?

Европа имеет право серьезно относиться к регулированию. В здравоохранении аудит, отслеживаемость и подотчетность не являются необязательными – они являются предпосылками для доверия.

Где политики иногда недооценивают реальность, это в том, насколько операционным является клинический ИИ. Сертификация не является одноразовым одобрением; это требует постоянного мониторинга, контроля версий и непрерывной проверки. В то же время мы должны избегать чрезмерного регулирования. Если соблюдение требований становится непропорциональным, инновации замедляются, и полезные инструменты никогда не доходят до клиницистов.

В Corti мы предполагаем регулирование с первого дня. Мы строим аудит, управление моделями и суверенные варианты развертывания непосредственно в наши модели и API, чтобы стартапам и устоявшимся поставщикам не пришлось дорабатывать для соблюдения требований позже. Здравоохранение сложно и фрагментировано, и единственный способ двигаться в темпе – это включить готовность к регулированию в основу. Баланс, который нужен Европе, – это строгий, но практичный: защитить пациентов, но сделать возможным построение и безопасное развертывание в масштабе.

Взглянув вперед на 12-24 месяца, какие основные сдвиги должны ожидать лидеры здравоохранения от Corti, и как эти планы закладывают основу для 2026 года?

Ожидайте, что Corti удвоит усилия на пути от лаборатории к производству: поставка исследовательских, клинических моделей и упаковка их как развертываемой инфраструктуры (речь, кодирование и агентные конечные точки, слой клинического рассуждения и суверенные варианты развертывания). Планы на предстоящий период включают улучшение STT и латентных показателей, голосовых агентов, медицинских моделей кодирования, переходящих в производство, и несколько суверенных облачных запусков, все явно разработанные для того, чтобы переместить клиентов от пилотных проектов к сертифицированному производству. Corti – это не одно приложение; это лаборатория ИИ для здравоохранения, построенная для того, чтобы облегчить целые классы безопасного, аудиторного клинического программного обеспечения – основу для наших амбиций на 2026 год.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Corti.