Варун Ганапати, технический директор и сооснователь AKASA – Интервью

Варун Ганапати является техническим директором и сооснователем AKASA, разработчика искусственного интеллекта для приложений в области здравоохранения. AKASA помогает организациям здравоохранения улучшать свою деятельность, включая цикл выручки, для получения дохода, создания эффективности и улучшения опыта пациентов. Варун успешно основал две компании, занимающиеся искусственным интеллектом, до AKASA, одну из которых была приобретена Google (GOOGL ), а другую – Udacity.

Вы имели выдающуюся карьеру в области машинного обучения, можете ли вы рассказать о некоторых из ваших ранних дней в Стэнфорде, когда вы работали над созданием автономных вертолётов?

Когда я изучал физику как студент в Стэнфорде, я также был очень заинтересован в компьютерных науках и машинном обучении (ML). Для меня искусственный интеллект и машинное обучение объединяют всё в одном – это действительно автоматизированный способ делать физику на любых цифровых явлениях.

В одном из проектов у нас был вертолёт, который выглядел как большой беспилотник, немного меньший, чем двуспальная кровать – в то время, когда беспилотники не были распространены. Люди летали на нём и делали с ним трюки, такие как зависание вверх тормашками. Хотя это было очень трудно сделать, мы хотели создать алгоритм машинного обучения, который мог бы научиться у людей летать на этом вертолёте автономно.

Мы создали физический симулятор, основанный на реальном вертолёте, и алгоритм машинного обучения, который мог предсказать его движения. Затем мы применили обучение с подкреплением внутри симулятора, чтобы разработать контроллер, взяли программное обеспечение и загрузили его в реальный вертолёт. После того, как мы включили вертолёт, он сработал с первого раза! Вертолёт смог сразу же зависать вверх тормашками самостоятельно, что было довольно впечатляющим. Команда продолжала работать над автоматизацией других видов трюков с помощью машинного обучения.

Вы также работали в Google Books, можете ли вы рассказать об алгоритме, над которым вы работали, и о том, как ваша компания была в конечном итоге приобретена Google?

Я фактически проходил стажировку в Google, пока учился в Стэнфорде в 2004 году – сразу после проекта с вертолётом. В то время я реализовывал машинное обучение для проекта Google Books, где мы сканировали все книги мира.

Google платил людям за标注 информации о книгах, таких как страницы, оглавления, авторские права и т. д. – очень трудоёмкая задача. Я хотел узнать, можно ли использовать машинное обучение для этого, и оно сработало очень хорошо. Оно фактически показало лучшую производительность и точность, чем когда люди делали это, поскольку большинство ошибок были вызваны человеческими ошибками при ручной标очке.

Это меня очень взволновало по поводу машинного обучения, поскольку показало, что можно перейти от человеческой производительности к сверхчеловеческой – выполнять рутинные задачи с меньшим количеством ошибок и более последовательно, а также обрабатывать пограничные случаи.

После этого я решил сделать докторскую диссертацию в Стэнфорде, сосредоточившись на машинном обучении и более теоретических работах сначала. Для своей диссертации я разработал алгоритм для реального времени захвата движения, где компьютер может отслеживать движение всех человеческих суставов в реальном времени с помощью глубинной камеры. Это было основой для моей первой компании, Numovis, которая занималась отслеживанием движения и компьютерным зрением для взаимодействия пользователя. Она была приобретена Google.

Мой весь путь от проекта с вертолётом до Google Books, а затем до самоходных автомобилей и теперь до операций здравоохранения действительно показал мне, насколько мощными и общими алгоритмами машинного обучения являются.

Можете ли вы рассказать историю создания AKASA?

Мы построили AKASA, чтобы решить огромную, глубоко укоренившуюся проблему в операциях здравоохранения. Эти операции являются как дорогими, так и склонными к ошибкам, что может привести к ненужному панике-индуцирующему финансовому опыту для пациентов. Было отсутствие новой технологии на административной стороне, и ничего не было создано специально. Стало ясно, что можно использовать технологии, такие как искусственный интеллект и машинное обучение, для решения этих операционных проблем инновационным способом. Когда мы говорили с множеством систем здравоохранения и лидерами здравоохранения, они подтвердили наши мысли, что в конечном итоге привело к основанию AKASA в 2019 году.

С тех пор цель AKASA была ясна с самого начала – позволить человеческому здоровью и построить будущее здравоохранения с помощью искусственного интеллекта. Способ, которым мы решили принять этот вызов, заключается в объединении человеческого интеллекта с передовым искусственным интеллектом и машинным обучением, чтобы системы здравоохранения могли сократить операционные затраты и выделить ресурсы там, где они наиболее важны.

Наша платформа, независимая от системы и гибкая, в настоящее время обслуживает клиентскую базу, представляющую более 475 больниц и систем здравоохранения, а также более 8 000 амбулаторных учреждений по всем 50 штатам. Наша технология помогает этим организациям, независимо от того, используют ли они поставщиков электронных медицинских записей (EHR), таких как Epic, Cerner, другие EHR или дополнительные системы, и всё, что между ними. И мы сделали это с сильными результатами.

Наша клиентская база представляет более 110 миллиардов долларов в совокупном чистом доходе пациентов, что эквивалентно более 10% всех расходов систем здравоохранения в США ежегодно, согласно Центрам Medicare и Medicaid. И модели и алгоритмы AKASA были обучены почти на 290 миллионах претензий и возмещений.

Невидимая труба здравоохранения чрезвычайно сложна, но она имеет огромное влияние на человеческое здоровье, и мы автоматизируем её шаг за шагом.

Какие задачи AKASA планирует автоматизировать в здравоохранении?

Наш уникальный подход “эксперт в цикле”, Unified Automation, объединяет машинное обучение с человеческим суждением и экспертизой для обеспечения прочной и устойчивой автоматизации операций здравоохранения. AKASA может быстро и эффективно автоматизировать и оптимизировать конечные задачи в функции финансов здравоохранения, включая обработку счетов и платежей. Конкретные задачи, которые AKASA автоматизирует, включают проверку права пациента, документирование и проверку информации об страховании, оценку стоимости пациента, редактирование, повторную выставку счетов и обжалование претензий, а также прогнозирование и управление отказами.

Такой тип автоматизации не только снижает человеческие ошибки и задержки для пациентов, помогая предотвратить неожиданные медицинские счета, но также освобождает персонал здравоохранения, полностью удаляя с их тарелки ручные, повторяющиеся задачи – позволяя им сосредоточиться на более наградных, сложных и ценностных задачах, направленных на опыт пациента.

Какие разные типы алгоритмов машинного обучения используются?

AKASA использует те же подходы машинного обучения, которые сделали возможными самоходные автомобили, чтобы предоставить системам здравоохранения единственное решение для автоматизации операций здравоохранения. Этот подход – сосредоточенный на машинном обучении – расширяет возможности автоматизации для решения более сложных задач в масштабе.

Мы разрабатываем передовые алгоритмы в области компьютерного зрения, понимания естественного языка и структурированных данных. Наша платформа начинается с компьютерного зрения, обеспеченного RPA, и усиливает его современным искусственным интеллектом, машинным обучением и экспертом в цикле для обеспечения прочной автоматизации.

Чтобы предоставить общий обзор того, как это работает, наша проприетарная решение сначала наблюдает, как персонал здравоохранения выполняет свои задачи. Наша команда затем помечает эти данные и использует их для обучения наших алгоритмов, чтобы наша технология могла понять и узнать, как персонал здравоохранения и их системы работают. Оттуда наша платформа выполняет эти рабочие процессы автономно. Наконец, мы используем экспертов в цикле, которые могут вмешаться, когда система флагирует аномалии или исключения. Искусственный интеллект непрерывно учится на этих опытах, что позволяет ему брать на себя более сложные задачи со временем.

Можете ли вы обсудить важность подходов “человек в цикле” и почему это должно заменить RPA?

Трудная правда в том, что RPA – это десятилетняя технология, которая хрупка и имеет реальные ограничения своих возможностей. Она всегда будет иметь некоторую ценность в автоматизации простой, дискретной и линейной работы. Однако причина, по которой усилия по автоматизации часто не оправдывают своих амбиций, заключается в том, что жизнь сложна и всегда меняется.

Базовый подход к RPA заключается в построении робота (бота) для каждой проблемы или пути, который вы хотите решить. Человек (консультант или инженер) строит робота для решения конкретной проблемы. Это роботическое решение занимает место последовательности шагов. Он смотрит на экран, принимает действие и повторяет его.

Проблема, которая часто возникает, заключается в том, что изменение в мире, такое как изменение программного обеспечения или интерфейса пользователя, может вызвать поломку ботов. Как мы знаем, технология постоянно эволюционирует, создавая динамические среды. Это означает, что роботы RPA часто терпят неудачу.

Другой проблемой с этими ботами является то, что вам нужно создать один для каждого ситуации, которую вы хотите решить. Делая это, вы в конечном итоге получаете множество роботов, все выполняющих очень небольшие действия, которые не требуют много навыков.

Это как игра в “крестики-нолики”. Каждый день вы сталкиваетесь с вероятностью того, что один из них сломается, потому что программное обеспечение изменится или что-то необычное произойдёт – диалоговое окно появится или новый тип ввода произойдёт. Результатом являются дорогостоящие затраты на техническое обслуживание для поддержания работы этих ботов. Согласно исследованиям Forrester, на каждые 1 доллар, потраченный на RPA, дополнительно тратится 3,41 доллара на консультационные ресурсы.

Иными словами, фактическое программное обеспечение для RPA не является основной статьёй расходов. Более значительная инвестиция – это вся работа, которую вам нужно делать, чтобы поддерживать RPA в работе все время. Многие организации не учитывают эту постоянную стоимость.

Поскольку большая часть жизни сложна и постоянно эволюционирует, много работы выходит за рамки возможностей RPA, где машинное обучение приходит на помощь. Машинное обучение позволяет нам автоматизировать сложные вещи. И мы считаем, что особый соус – это люди, которые улучшают алгоритмы, обучая их.

Когда алгоритм не уверен в том, что он должен делать (низкая уверенность), он эскалируется до человека в цикле. Люди помечают эти примеры и определяют случаи, которые не обрабатываются текущей моделью. Когда это сделано, и ИИ всё сделал правильно, это хорошо функционирующая задача.

Каждая задача, где человек обнаруживает проблему, является случаем, когда машина не обрабатывает её правильно. В этом случае данные добавляются в наш набор данных, который переобучает модели машинного обучения для обработки этой новой ситуации.

Со временем модель машинного обучения строит устойчивость к этим новым пограничным случаям. Это приводит к системе, которая является прочной и гибкой к новым аномалиям или исключениям, и система становится сильнее со временем. Это означает, что автоматизация становится лучше и лучше, а вмешательство человека будет уменьшаться со временем.

Иметь человеческих экспертов в цикле имеет решающее значение для того, чтобы сделать искусственный интеллект умнее, быстрее и лучше. Нам нужны люди, чтобы правильно обучить искусственный интеллект и обеспечить, чтобы он мог справиться с аномалиями, которые являются неотъемлемой частью любой отрасли – и особенно в динамичной области, такой как здравоохранение.

Можете ли вы рассказать, как работает решение AKASA “человек в цикле” Unified Automation, и какие основные случаи использования этой платформы?

Unified Automation – это платформа, специально разработанная для здравоохранения. Используя искусственный интеллект, машинное обучение и нашу команду медицинских экспертов по выставлению счетов, она создаёт бесшовно интегрированное, адаптированное решение, которое помогает вам увидеть ценность быстрее, с практически нулевым техническим обслуживанием или очередями исключений.

Она была разработана с учётом исключений и аномалий. Если она встречает что-то новое, платформа флагирует проблему команде экспертов AKASA, которые решают её, пока система учится на действиях, которые они выполняют. Это человеческий элемент, который отличает нас от других решений на рынке и позволяет платформе непрерывно учиться и совершенствоваться.

Unified Automation также адаптируется к динамичной природе отрасли здравоохранения. Это бесшовно интегрированное, адаптированное решение, которое помогает сократить операционные затраты, повышает персонал для решения более наградных задач, требующих человеческого подхода, и улучшает захват дохода для систем здравоохранения, а также улучшает финансовый опыт пациентов.

Вот как работает Unified Automation:

Проприетарное программное обеспечение наблюдает: Наш инструмент Worklogger наблюдает удалённо, как персонал здравоохранения выполняет свои задачи. Затем наша команда помечает эти данные и подает их в нашу автоматизацию, чтобы обеспечить всесторонний обзор текущих рабочих процессов и процессов. Это приводит к более высокой видимости производительности персонала, основным данным о рабочих процессах для обеспечения нашей автоматизации и точному анализу времени на задачу.

Искусственный интеллект выполняет: После наблюдения и обучения рабочим процессам персонала здравоохранения наш искусственный интеллект затем выполняет эти задачи автономно. Он непрерывно учится на проблемах и пограничных случаях, с которыми он сталкивается, принимая на себя более сложные задачи со временем. Unified Automation находится вверху очереди работы – назначая себе соответствующие задачи и выполняя их без нарушения команды. Он также автоматически оптимизирует процессы, поэтому персоналу не требуется настройка или вмешательство.

Человеческая экспертиза обеспечивает: Система автоматически флагирует нашу команду медицинских экспертов по выставлению счетов для обработки исключений и аномалий, обучая искусственный интеллект в режиме реального времени, пока они работают. Это часть “человек в цикле”. С непрерывным обучением, построенным в платформу Unified Automation, она становится умнее и более эффективной со временем, и работа всегда выполняется.

Есть ли что-то ещё, что вы хотели бы поделиться об AKASA?

У нас есть подход “исследования прежде всего”, который означает, что наши клиенты имеют доступ к передовым технологиям. Мы привержены публикации наших исследований по искусственному интеллекту и подходов в рецензируемых изданиях, чтобы постоянно устанавливать новые стандарты искусственного интеллекта в операциях здравоохранения и вести нашу отрасль вперед.

Например, наши исследования были представлены на Международной конференции по машинному обучению (ICML), Саммите по обработке естественного языка (NLP), Конференции по машинному обучению для здравоохранения (MLHC) и других. Мы принимаем очень дисциплинированный подход к тестированию наших моделей и сравнению их производительности с передовыми подходами искусственного интеллекта на рынке.

Наше решение для прогнозирования отказов, как полагают, является первым опубликованным глубоко-обученным системой, которая может точно прогнозировать медицинские претензии более чем на 22% по сравнению с существующими базовыми значениями. Наша модель Read, Attend, Code для автономного кодирования медицинских претензий из клинических заметок была признана определяющей новый стандарт для отрасли и превосходила существующие модели на 18% – превосходя производительность человеческих кодировщиков. Мы считаем, что эти инновации в области “обратной стороны” имеют решающее значение для улучшения системы здравоохранения США в масштабе и будут продолжать стимулировать достижения и создавать адаптированные решения для этого пространства.

Есть много шума вокруг искусственного интеллекта в здравоохранении, но когда дело доходит до сути, компании могут переоценивать, что их технология может фактически сделать. Это намного труднее провести исследования, чтобы подтвердить, что алгоритмы делают – и мы гордимся тем, что принимаем этот осмысленный, но сложный путь, чтобы в конечном итоге доказать, что платформа Unified Automation AKASA действительно приносит положительные и осмысленные изменения в больницы и системы здравоохранения.

Мы взволнованы будущим и тем, что произойдёт в AKASA, когда мы строим будущее здравоохранения с помощью искусственного интеллекта.

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