Андреас Клеве, сооснователь и CEO компании Corti – Интервью

Андреас Клеве, сооснователь и CEO компании Corti, – предприниматель, сосредоточенный на продвижении искусственного интеллекта в здравоохранении. Его работа в этой сфере началась с компании Ovivo, платформы для планирования рабочей силы с помощью разговоров для больниц, которая быстро расширилась по всей Дании, прежде чем была приобретена в 2013 году. Позже он стал сооснователем компании Hyvi, исследовательской инициативы, изучающей контекстно-зависимые языковые модели, способные понимать сложные разговоры в реальном времени, которая в конечном итоге превратилась в компанию Corti в 2018 году. Помимо создания компаний, Клеве сыграл ключевую роль в укреплении экосистемы искусственного интеллекта в Северной Европе через инициативы, такие как Nordic.ai, и консультативные роли в организациях, включая DIGITALEUROPE и Национальный совет по цифровизации Дании.

Corti – это копенгагенская компания в сфере здравоохранения и искусственного интеллекта, разрабатывающая 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, предоставляя информацию во время взаимодействия с пациентами и автоматизируя административные рабочие процессы. Предлагая свою технологию через API и интеграцию с системами здравоохранения, Corti стремится сократить нагрузку на клиницистов, одновременно улучшая 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 сформировали основание компании Corti, и какие конкретные проблемы вы были решительно настроены решить с первого дня?

Вырастая в окружении здравоохранения, стало ясно две вещи: экспертиза имеет огромное значение, и процессы, которые передают эту экспертизу, хрупки и часто не справляются с людьми, которые в них наиболее нуждаются. Эти ранние домашние переживания, которые включали наблюдение за тем, как ухаживающие борются, наблюдение за тем, как знания теряются при передаче, и чувство страха, которое возникает от несоответствующего ухода, привили убеждение, что здравоохранение должно быть предсказуемым, и клиницисты никогда не должны быть одни, когда возникает трудное решение. Это перевелось напрямую в основную миссию Corti: построить системы, которые подтверждают экспертизу, так что клиницисты всегда имеют надежную поддержку принятия решений в реальном времени.

С первого дня мы поставили цель решить дисбаланс 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 самостоятельный помощник искусственного интеллекта. Что означает инфраструктура в этом контексте, и какие возможности она открывает, которые не могут быть достигнуты с помощью отдельных решений или инструментов для чата?

Когда мы говорим об инфраструктуре, мы имеем в виду, что мы не поставляем отдельного помощника или виджет; мы строим основной стек, который делает возможным клинический искусственный интеллект по всей линии рабочих процессов. Инфраструктура здесь означает: модели и данные, родные для здравоохранения (не общие 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, локальные или частные конечные точки), и API и SDK для разработчиков, которые позволяют командам продукта включать клиническую интеллектуальность в свои приложения без того, чтобы становиться экспертами в области машинного обучения или соблюдения требований.

Такой подход открывает три вещи, которые отдельные решения не могут: (1) развертываемость, то есть модели и среды выполнения, которые выживают в реальных клинических ограничениях (задержка, резиденция данных, аудит); (2) масштабируемость по специальностям, то есть многократно используемые, сертифицированные строительные блоки (спич, 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, так что клиенты могут перейти от пилотных проектов к производству. Коротко говоря, инфраструктура превращает клинические исследования и разработки в развертываемые услуги, которые разработчики и больницы могут поставлять, 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 искусственный интеллект 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 обучение на клинических данных, проверка на клинических эталонах и построение соблюдения требований в стеке с самого начала. Это не проблема подсказки; это проблема исследования, поэтому мы считаем, что здравоохранению нужна посвященная лаборатория искусственного интеллекта, которая может глубоко изучить область, а не широкую и поверхностную.

Corti работает в Европе, США и других регионах, каждый со своими моделями ухода и управлением. 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 проектирование маршрутизации так, чтобы контролирующие элементы соответствия выбирались по географии и профилю риска. Для клиентов, которым это нужно, мы предлагаем суверенные облачные и локальные варианты развертывания, так что поставщики могут выбирать, где живут их данные, и сохранять контроль над моделями, которые на них запускаются.

Эта гибкость позволяет нам запускать один и тот же клинический искусственный интеллект на разных моделях ухода, уважая местные стандарты документации, законы о конфиденциальности и управление учреждениями. Важно, что мы относимся к исследованиям как к лестнице к производству; каждый прогресс должен быть отслеживаемым, тестируемым и развертываемым в реальном мире, а не только обещающим в лаборатории. Это означает, что мы построены для процветания в клинической реальности.

Смотрите на клинические рабочие процессы на передовой сегодня, где Corti доставляет наиболее непосредственный, измеримый эффект, и почему эти области имеют наибольшее значение для перегруженных клиницистов?

Самый непосредственный эффект Corti сегодня наблюдается в клинических и административных рабочих процессах, которые несут наибольшую нагрузку. Наши модели и API обеспечивают амбиентную документацию, кодирование и автоматизацию, управляемую агентами, 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 склонных к ошибкам 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, и 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 искусственный интеллект, который процветает в клинической реальности, мы позволяем компаниям по разработке программного обеспечения и системам здравоохранения решать эти проблемы в масштабе. Это то место, где лаборатория искусственного интеллекта для здравоохранения доставляет практическую, измеримую отдачу.

Corti поддерживает сотни тысяч взаимодействий с пациентами каждый день. Какие уроки появились при работе с искусственным интеллектом в таком масштабе, которые не очевидны в пилотных проектах или лабораторных условиях?

Работа в масштабе открывает трение, которое скрывают пилотные проекты: неоднородное качество данных (ни две электронные истории болезни или транскрипты звонков не выглядят одинаково), ограничения производства и потоковой передачи, юридическая и договорная сложность по клиентам и географиям, и постоянные исключительные случаи, которые появляются только под нагрузкой. Лаборатории могут измерять точность на отобранных наборах; производство заставляет решать маршрутизацию, наблюдаемость, обнаружение дрейфа, откат моделей и аудиторские следы. Другой урок: реальное доверие зарабатывается, делая модели объяснимыми, повторяемыми и сертифицируемыми, а не только по результатам на одном сайте. Наконец, пилотные проекты занижают полную стоимость владения: разработчики в производстве нуждаются в SDK, последовательных конечных точках и примитивах управления, чтобы поддерживать безопасность и продуктивно итерировать.

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

Здравоохранение требует более высокого стандарта, потому что стоимость ошибки реальна. Клинический искусственный интеллект не может просто генерировать правдоподобный язык; он должен рассуждать над сложной, регулируемой, высокорисковой информацией так, чтобы это было прозрачным и проверяемым.

Именно поэтому 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 от Hugging Face, заняв первое место в рейтинге среди подходов к интерпретируемости. Это имеет значение, потому что интерпретируемость не является академическим упражнением в здравоохранении – это основа доверия, безопасности и регулируемого принятия.

За пределами исследований прозрачность должна проходить в развертывание. Мы предоставляем карты моделей, валидационные эталоны, аудиторские следы и контроль версий, так что клиенты знают точно, что запускается и как оно было оценено. Выходные данные привязаны к доказательствам, неопределенность явна, и системы спроектированы для поддержки клиницистов как подтверждения решений, а не замены их непрозрачной черной коробкой.

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

Суверенитет искусственного интеллекта является критической темой в регулируемых секторах. Что означает суверенитет в здравоохранении, и как поставщики могут сохранить контроль, одновременно получая пользу от продвинутого искусственного интеллекта?

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 договорных и технических гарантий (соглашения, SLA, DPIA). Суверенитет не является антиоблачным; это о том, чтобы дать поставщикам возможность выбирать, где запускаются их рабочие нагрузки, и иметь верифицируемый контроль и отслеживаемость над моделями и данными. Такое сочетание позволяет поставщикам получить доступ к передовым возможностям, одновременно выполняя юридические и институциональные обязательства.

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

Европа права, принимая регулирование серьезно. В здравоохранении аудитability, отслеживаемость и подотчетность не являются необязательными – они предпосылки доверия.

Где политики иногда недооценивают реальность, это в том, как операционен клинический искусственный интеллект. Сертификация не является одноразовым одобрением; она требует непрерывного мониторинга, контроля версий и постоянной валидации. 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 аудитability, управление моделями и суверенные варианты развертывания直接 в наши модели и API, так что стартапы и устоявшиеся поставщики не должны переделывать для соблюдения требований позже. Здравоохранение сложно и фрагментировано, и единственный способ двигаться в темпе – это включать готовность к регулированию в основу. Баланс, который нужен Европе, – это строгий, но практичный: защитить пациентов, но сделать возможным построение и развертывание безопасно в масштабе.

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

Ожидайте, что Corti удвоит усилия на пути от лаборатории к производству: поставка исследований, подтвержденных клиническими моделями, и упаковка их как развертываемую инфраструктуру (спич, кодирование и агентские конечные точки, слой клинического рассуждения и суверенные варианты развертывания). Планы на будущее включают улучшение стандартов STT и задержки, голосовых агентов, медицинских моделей кодирования, переходящих в производство, и несколько суверенных облачных запусков, все явно разработанные для перехода клиентов от пилотных проектов к сертифицированному производству. Corti не является одним приложением; это лаборатория искусственного интеллекта для здравоохранения, построенная для того, чтобы позволить целым классам безопасного, аудиторного клинического программного обеспечения – основы для наших амбиций 2026 года.

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