Varun Ganapathi, CTO และผู้ร่วมก่อตั้ง AKASA – ซีรีส์สัมภาษณ์

Varun Ganapathi เป็น CTO และผู้ร่วมก่อตั้ง อาคาซ่าผู้พัฒนา AI สำหรับการใช้งานด้านสุขภาพ AKASA ช่วยให้องค์กรด้านการดูแลสุขภาพปรับปรุงการดำเนินงาน รวมถึงวงจรรายได้ เพื่อผลักดันรายได้ สร้างประสิทธิภาพ และปรับปรุงประสบการณ์ของผู้ป่วย วรุณ ประสบความสำเร็จในการก่อตั้งบริษัท AI สองแห่งก่อน AKASA โดยบริษัทหนึ่งถูกซื้อโดย Google และอีกบริษัทหนึ่งโดย Udacity

คุณมีอาชีพที่โดดเด่นในด้าน Machine Learning คุณช่วยพูดถึงช่วงแรกๆ ของคุณที่ Stanford ตอนที่คุณทำงานเกี่ยวกับการสร้างเฮลิคอปเตอร์แบบอัตโนมัติได้ไหม

ตอนที่ฉันเรียนวิชาฟิสิกส์ในระดับปริญญาตรีที่มหาวิทยาลัยสแตนฟอร์ด ฉันสนใจวิทยาการคอมพิวเตอร์และแมชชีนเลิร์นนิง (ML) ด้วย สำหรับฉัน AI และ ML รวมทุกอย่างไว้ในที่เดียว – เป็นวิธีอัตโนมัติในการทำฟิสิกส์กับปรากฏการณ์ที่แปลงเป็นดิจิทัลได้

สำหรับโปรเจกต์นี้โดยเฉพาะ เรามีเฮลิคอปเตอร์ที่ดูเหมือนโดรนขนาดใหญ่แต่เล็กกว่าที่นอนแฝดเล็กน้อย ในเวลาที่โดรนยังไม่แพร่หลาย ผู้คนกำลังบินมันและทำให้มันทำกลอุบายเช่นบินกลับหัว แม้ว่าสิ่งนี้จะทำได้ยากมาก แต่เราต้องการสร้างอัลกอริทึม ML ที่สามารถเรียนรู้จากมนุษย์ถึงวิธีการบินเฮลิคอปเตอร์นี้อย่างอิสระ

เราสร้างเครื่องจำลองทางฟิสิกส์ที่มีพื้นฐานมาจากเฮลิคอปเตอร์จริงและอัลกอริทึม ML ที่เรียนรู้วิธีทำนายการเคลื่อนที่ จากนั้นเราได้ใช้การเรียนรู้การเสริมกำลังภายในเครื่องจำลองเพื่อพัฒนาตัวควบคุม นำซอฟต์แวร์มา และอัปโหลดไปยังเฮลิคอปเตอร์จริง หลังจากที่เราเปิดเฮลิคอปเตอร์ มันก็ได้ผลในการลองครั้งแรก! เฮลิคอปเตอร์สามารถบินกลับหัวได้เองในทันที ซึ่งค่อนข้างน่าประทับใจ ทีมงานยังคงทำงานต่อไปเพื่อสร้างกลเม็ดประเภทอื่นๆ โดยอัตโนมัติโดยใช้ ML

คุณทำงานที่ Google Books ด้วย คุณช่วยพูดคุยเกี่ยวกับอัลกอริทึมที่คุณทำงานอยู่และวิธีที่ Google ซื้อบริษัทของคุณในที่สุด

ฉันเคยฝึกงานที่ Google ในขณะที่เรียนที่ Stanford ในปี 2004 ซึ่งเกิดขึ้นหลังจากโครงการเฮลิคอปเตอร์ ในช่วงเวลานั้น ฉันใช้ ML สำหรับโครงการ Google หนังสือที่เราสแกนหนังสือทั่วโลก

Google จ่ายเงินให้กับคนเหล่านี้เพื่อติดป้ายกำกับข้อมูลเกี่ยวกับหนังสือ เช่น หน้า สารบัญ ลิขสิทธิ์ ฯลฯ ซึ่งเป็นงานที่กินเวลามาก ฉันต้องการดูว่าเราสามารถใช้ ML เพื่อทำสิ่งนี้ได้หรือไม่ และมันได้ผลดีจริงๆ จริง ๆ แล้วทำงานได้ดีกว่าและแม่นยำกว่าตอนที่มนุษย์ทำ เนื่องจากข้อผิดพลาดส่วนใหญ่เกิดจากข้อผิดพลาดของมนุษย์ในการติดฉลากด้วยตนเอง

สิ่งนี้ทำให้ฉันตื่นเต้นมากเกี่ยวกับ ML เพราะมันแสดงให้เห็นว่าคุณสามารถเปลี่ยนจากประสิทธิภาพของมนุษย์ไปสู่ประสิทธิภาพเหนือมนุษย์ได้ – ทำงานทั่วไปโดยมีข้อผิดพลาดน้อยลงและสม่ำเสมอมากขึ้นในขณะที่ยังคงจัดการกับกรณีขอบ

จากนั้นฉันตัดสินใจเรียนปริญญาเอก ที่มหาวิทยาลัยสแตนฟอร์ด โดยเน้นที่ ML และเอกสารเชิงทฤษฎีอื่นๆ ในตอนแรก สำหรับวิทยานิพนธ์ของฉัน ฉันได้พัฒนาอัลกอริธึมเพื่อจับการเคลื่อนไหวแบบเรียลไทม์ โดยที่คอมพิวเตอร์สามารถติดตามการเคลื่อนไหวของข้อต่อของมนุษย์ทั้งหมดแบบเรียลไทม์จากกล้องความลึก นี่เป็นพื้นฐานของบริษัทแรกของฉันที่ชื่อ Numovis ซึ่งมุ่งเน้นไปที่การติดตามการเคลื่อนไหวและการมองเห็นของคอมพิวเตอร์เพื่อการโต้ตอบกับผู้ใช้ มันถูกซื้อโดย Google

การเดินทางทั้งหมดของฉันตั้งแต่โครงการเฮลิคอปเตอร์ไปจนถึง Google Books ไปจนถึงรถยนต์ไร้คนขับ และตอนนี้การดำเนินงานด้านการแพทย์แสดงให้ฉันเห็นว่าอัลกอริทึมการเรียนรู้ของเครื่องมีประสิทธิภาพและทั่วถึงเพียงใด

คุณช่วยแบ่งปันเรื่องราวต้นกำเนิดเบื้องหลัง AKASA ได้ไหม?

เราได้สร้าง อาคาซ่า เพื่อแก้ไขปัญหาขนาดใหญ่ที่ฝังลึกในการดำเนินงานด้านการแพทย์ การดำเนินการเหล่านี้มีราคาแพงและเกิดข้อผิดพลาดได้ง่าย ซึ่งอาจนำไปสู่ประสบการณ์ทางการเงินที่ก่อให้เกิดความตื่นตระหนกโดยไม่จำเป็นสำหรับผู้ป่วย ขาดเทคโนโลยีใหม่ในด้านการบริหารและไม่มีอะไรถูกสร้างขึ้นตามวัตถุประสงค์ เป็นที่ชัดเจนว่าคุณสามารถใช้เทคโนโลยีเช่น AI และ ML เพื่อแก้ปัญหาความท้าทายในการดำเนินงานเหล่านี้ด้วยวิธีที่สร้างสรรค์ เมื่อเราพูดคุยกับระบบสุขภาพและผู้นำด้านการดูแลสุขภาพจำนวนมาก พวกเขาตรวจสอบความคิดของเราซึ่งนำไปสู่การวางรากฐานของ AKASA ในปี 2019 ในที่สุด

ด้วยเหตุนี้ จุดประสงค์ของ AKASA จึงชัดเจนตั้งแต่เริ่มต้น เพื่อช่วยให้มนุษย์มีสุขภาพที่ดีและสร้างอนาคตของการดูแลสุขภาพด้วย AI วิธีที่เราตัดสินใจที่จะรับมือกับความท้าทายนี้คือการผสมผสานความฉลาดของมนุษย์เข้ากับ AI และ ML ที่ล้ำยุค เพื่อให้ระบบสุขภาพสามารถลดต้นทุนการดำเนินงานและจัดสรรทรัพยากรที่พวกเขามีความสำคัญมากที่สุด

แพลตฟอร์มที่ยืดหยุ่นและไม่เชื่อเรื่องพระเจ้าของเรากำลังให้บริการฐานลูกค้าที่เป็นตัวแทนของโรงพยาบาลและระบบสุขภาพมากกว่า 475 แห่ง และสถานบริการผู้ป่วยนอกมากกว่า 8,000 แห่งทั่วทั้ง 50 รัฐ เทคโนโลยีของเราช่วยองค์กรเหล่านี้ได้ ไม่ว่าพวกเขาจะใช้ผู้ให้บริการบันทึกสุขภาพอิเล็กทรอนิกส์ (EHR) เช่น Epic, Cerner, EHR อื่นๆ หรือระบบสลักเกลียว และทุกสิ่งที่อยู่ระหว่างนั้น และเราได้ทำมันด้วยผลลัพธ์ที่แข็งแกร่ง

ฐานลูกค้าของเรามีรายรับสุทธิของผู้ป่วยรวมกันมากกว่า 110 ล้านดอลลาร์ ซึ่งเท่ากับมากกว่า 10% ของการใช้จ่ายระบบสุขภาพทั้งหมดของสหรัฐฯ ต่อปีตาม ศูนย์บริการ Medicaid และ Medicare. โมเดลและอัลกอริทึมของ AKASA ได้รับการฝึกอบรมเกี่ยวกับการเรียกร้องและการส่งเงินเกือบ 290 ล้านครั้ง

ระบบประปาที่มองไม่เห็นของการดูแลสุขภาพนั้นซับซ้อนมาก แต่ก็มีผลกระทบอย่างใหญ่หลวงต่อสุขภาพของมนุษย์ และเรากำลังทำให้มันเป็นไปโดยอัตโนมัติทีละเล็กละน้อย

งานอะไรบ้างที่ AKASA กำลังมองหาระบบอัตโนมัติในการดูแลสุขภาพ

Unified Automation™ แนวทางแบบผู้เชี่ยวชาญที่ไม่เหมือนใครของเรา รวม ML เข้ากับวิจารณญาณของมนุษย์และความเชี่ยวชาญเฉพาะด้าน เพื่อให้ระบบอัตโนมัติที่แข็งแกร่งและยืดหยุ่นสำหรับการดำเนินงานด้านการดูแลสุขภาพ AKASA สามารถทำงานแบบ end-to-end โดยอัตโนมัติได้อย่างรวดเร็วและมีประสิทธิภาพภายในฟังก์ชันการเงินด้านการดูแลสุขภาพ รวมถึงการประมวลผลใบเรียกเก็บเงินและการชำระเงิน งานเฉพาะที่ AKASA ดำเนินการโดยอัตโนมัติ ได้แก่ การตรวจสอบสิทธิ์ของผู้ป่วย การจัดทำเอกสารและการตรวจสอบข้อมูลการประกันภัย การประมาณค่าใช้จ่ายของผู้ป่วย การแก้ไข การเรียกเก็บเงินใหม่ และการอุทธรณ์การเรียกร้อง และการคาดการณ์และการจัดการการปฏิเสธ

ระบบอัตโนมัติประเภทนี้ไม่เพียงแต่ลดข้อผิดพลาดของมนุษย์และความล่าช้าสำหรับผู้ป่วย ช่วยป้องกันค่ารักษาพยาบาลที่ไม่คาดคิด แต่ยังช่วยให้เจ้าหน้าที่ทางการแพทย์ไม่ต้องเสียเวลาทำงานซ้ำๆ ด้วยตนเอง ทำให้พวกเขาสามารถมุ่งเน้นไปที่รางวัล ความท้าทาย และความคุ้มค่ามากขึ้น - สร้างงานโดยตรงต่อประสบการณ์ของผู้ป่วย

อัลกอริทึมการเรียนรู้ของเครื่องประเภทต่างๆ ที่ใช้มีอะไรบ้าง

AKASA ใช้วิธีการเรียนรู้ด้วยเครื่องแบบเดียวกับที่ทำให้รถยนต์ไร้คนขับเป็นไปได้เพื่อให้ระบบสุขภาพมีโซลูชันเดียวสำหรับการดำเนินการด้านการดูแลสุขภาพโดยอัตโนมัติ แนวทางนี้ – มุ่งเน้นไปที่ ML – ขยายขีดความสามารถของระบบอัตโนมัติเพื่อทำงานที่ซับซ้อนมากขึ้นตามขนาด

เราพัฒนาอัลกอริทึมที่ล้ำสมัยสำหรับคอมพิวเตอร์วิทัศน์ การทำความเข้าใจภาษาธรรมชาติ และปัญหาข้อมูลที่มีโครงสร้าง แพลตฟอร์มของเราเริ่มต้นด้วย RPA ที่ขับเคลื่อนด้วยการมองเห็นด้วยคอมพิวเตอร์ และปรับปรุงด้วย AI, ML ที่ทันสมัย ​​และผู้เชี่ยวชาญในวงจรเพื่อมอบระบบอัตโนมัติที่มีประสิทธิภาพ

เพื่อให้ภาพรวมระดับสูงของวิธีการทำงาน โซลูชันที่เป็นกรรมสิทธิ์ของเราอันดับแรกจะสังเกตว่าเจ้าหน้าที่ด้านการแพทย์ทำงานอย่างไรให้เสร็จสิ้น จากนั้นทีมของเราจะติดป้ายกำกับข้อมูลนั้นและใช้เพื่อฝึกอัลกอริทึมของเรา เพื่อให้เทคโนโลยีของเราสามารถเข้าใจและเรียนรู้ว่าเจ้าหน้าที่ทางการแพทย์และระบบของพวกเขาทำงานอย่างไร จากจุดนั้น แพลตฟอร์มของเราจะดำเนินการเวิร์กโฟลว์เหล่านั้นโดยอัตโนมัติ สุดท้าย เราใช้ผู้เชี่ยวชาญในวงที่สามารถกระโดดเข้ามาเมื่อใดก็ตามที่ระบบตั้งค่าสถานะผิดปกติหรือข้อยกเว้น AI เรียนรู้อย่างต่อเนื่องจากประสบการณ์เหล่านั้น ทำให้สามารถทำงานที่ซับซ้อนมากขึ้นเมื่อเวลาผ่านไป

คุณช่วยพูดคุยเกี่ยวกับความสำคัญของแนวทางแบบมนุษย์ในวง และเหตุใดสิ่งนี้จึงถูกกำหนดให้แทนที่ RPA

ความจริงที่ยากก็คือ RPA เป็นเทคโนโลยีที่มีอายุหลายสิบปีซึ่งมีความเปราะบางและมีขีดความสามารถจำกัดอย่างแท้จริง มันจะมีคุณค่าในการทำงานอัตโนมัติที่เรียบง่าย ไม่ต่อเนื่อง และเป็นเชิงเส้นเสมอ อย่างไรก็ตาม เหตุผลที่ความพยายามด้านระบบอัตโนมัติมักไม่เป็นไปตามเป้าหมาย เป็นเพราะชีวิตมีความซับซ้อนและเปลี่ยนแปลงอยู่เสมอ

แนวทางพื้นฐานของ RPA คือการสร้างหุ่นยนต์ (บอท) สำหรับแต่ละปัญหาหรือเส้นทางที่คุณต้องการแก้ไข มนุษย์ (ที่ปรึกษาหรือวิศวกร) สร้างหุ่นยนต์เพื่อแก้ปัญหาเฉพาะ โซลูชันหุ่นยนต์นี้ใช้แทนลำดับขั้นตอน ดูที่หน้าจอ ดำเนินการ และทำซ้ำ

ปัญหาที่มักเกิดขึ้นคือการเปลี่ยนแปลงของโลก เช่น การปรับเปลี่ยนซอฟต์แวร์หรือ UI อาจทำให้บอททำงานผิดพลาดได้ อย่างที่เราทราบกันดีว่าเทคโนโลยีมีการพัฒนาอยู่ตลอดเวลา ทำให้เกิดสภาพแวดล้อมที่ไม่หยุดนิ่ง ซึ่งหมายความว่าหุ่นยนต์ RPA มักจะล้มเหลว

ปัญหาอีกประการหนึ่งของบอทเหล่านี้คือคุณต้องสร้างบอทสำหรับทุกสถานการณ์ที่คุณต้องการแก้ไข การทำเช่นนี้คุณจะได้หุ่นยนต์มากมาย ทั้งหมดนี้ทำการกระทำเล็กๆ น้อยๆ ที่ไม่ต้องใช้ทักษะมากนัก

มันเหมือนกับเกมตีตัวตุ่น ทุกๆ วันคุณต้องเผชิญกับความเป็นไปได้ที่ซอฟต์แวร์ตัวใดตัวหนึ่งจะพังเพราะชิ้นส่วนของซอฟต์แวร์กำลังจะเปลี่ยนแปลงหรือมีสิ่งผิดปกติเกิดขึ้น กล่องโต้ตอบจะปรากฏขึ้นหรือมีการป้อนข้อมูลประเภทใหม่เกิดขึ้น ผลลัพธ์คือการบำรุงรักษาที่มีค่าใช้จ่ายสูงเพื่อให้บอทเหล่านี้ทำงานต่อไป จากการวิจัยของ Forrester ทุก ๆ $1 ที่ใช้ไปกับ RPA จะมีการใช้จ่ายเพิ่มเติม $3.41 ไปกับแหล่งข้อมูลการให้คำปรึกษา

กล่าวอีกนัยหนึ่ง ซอฟต์แวร์จริงสำหรับ RPA ไม่ใช่ต้นทุนส่วนใหญ่ การลงทุนด้านต้นทุนที่มากขึ้นคืองานทั้งหมดที่คุณต้องทำเพื่อให้ RPA ทำงานตลอดเวลา หลายองค์กรไม่ได้คำนึงถึงค่าใช้จ่ายต่อเนื่องนั้น

เนื่องจากชีวิตส่วนใหญ่มีความซับซ้อนและพัฒนาอย่างต่อเนื่อง งานจำนวนมากจึงอยู่นอกเหนือความสามารถของ RPA ซึ่งเป็นที่มาของ ML ML ช่วยให้เราทำสิ่งที่ยากได้โดยอัตโนมัติ และเราเชื่อว่าซอสพิเศษคือมนุษย์ที่ปรับปรุงอัลกอริทึมโดยการสอนพวกเขา

เมื่ออัลกอริทึมไม่แน่ใจเกี่ยวกับสิ่งที่ควรทำ (ความมั่นใจต่ำ) ระบบจะส่งต่อไปยังมนุษย์ในลูปแทน มนุษย์ติดฉลากตัวอย่างเหล่านั้นและระบุกรณีที่ไม่ได้รับการจัดการโดยรุ่นปัจจุบัน เมื่อสิ่งนี้เสร็จสิ้น และ AI ทำได้ถูกต้อง นั่นเป็นงานที่ทำงานได้ดี

ทุกงานที่มนุษย์พบปัญหาคือกรณีที่เครื่องจักรจัดการไม่ถูกต้อง ในกรณีนี้ ข้อมูลจะถูกเพิ่มลงในชุดข้อมูลของเรา ซึ่งจะฝึกโมเดล ML ใหม่เพื่อจัดการกับสถานการณ์ใหม่นี้

เมื่อเวลาผ่านไป รุ่น ML จะสร้างความยืดหยุ่นให้กับเคสขอบใหม่เหล่านี้ ส่งผลให้ระบบมีความแข็งแกร่งและยืดหยุ่นต่อค่าผิดปกติหรือข้อยกเว้นใหม่ๆ และระบบจะแข็งแกร่งขึ้นตามกาลเวลา ซึ่งหมายความว่าระบบอัตโนมัติจะดีขึ้นเรื่อย ๆ และการแทรกแซงของมนุษย์จะลดลงเมื่อเวลาผ่านไป

การมีผู้เชี่ยวชาญที่เป็นมนุษย์อยู่ในวงเป็นสิ่งสำคัญในการทำให้ AI ฉลาดขึ้น เร็วขึ้น และดีขึ้น เราต้องการให้มนุษย์ฝึกฝน AI อย่างเหมาะสมและตรวจสอบให้แน่ใจว่าสามารถจัดการกับค่าผิดปกติที่หลีกเลี่ยงไม่ได้ในอุตสาหกรรมใด ๆ และโดยเฉพาะอย่างยิ่งในสาขาที่มีพลวัตเช่นการดูแลสุขภาพ

โซลูชัน Human-in-the-loop ของ AKASA Unified Automation™ ทำงานอย่างไร และกรณีการใช้งานหลักสำหรับแพลตฟอร์มนี้มีอะไรบ้าง

Unified Automation เป็นแพลตฟอร์มที่สร้างขึ้นเพื่อการดูแลสุขภาพโดยเฉพาะ การใช้ AI, ML และทีมผู้เชี่ยวชาญด้านการเรียกเก็บเงินค่ารักษาพยาบาลของเรา จะสร้างโซลูชันที่ผสานรวมและกำหนดเองได้อย่างราบรื่น ซึ่งจะช่วยให้คุณมองเห็นคุณค่าได้เร็วขึ้น โดยแทบไม่ต้องอยู่ในคิวการบำรุงรักษาหรือการยกเว้น

ได้รับการออกแบบโดยคำนึงถึงข้อยกเว้นและค่าผิดปกติ หากพบสิ่งใหม่ แพลตฟอร์มจะแจ้งปัญหาไปยังทีมผู้เชี่ยวชาญของ AKASA ซึ่งจะแก้ไขในขณะที่ระบบเรียนรู้จากการดำเนินการที่พวกเขาทำ องค์ประกอบของมนุษย์นี้เองที่ทำให้เราแตกต่างจากโซลูชันอื่นๆ ในตลาด และทำให้แพลตฟอร์มสามารถเรียนรู้และปรับปรุงได้อย่างต่อเนื่อง

Unified Automation ยังปรับให้เข้ากับธรรมชาติแบบไดนามิกของอุตสาหกรรมการดูแลสุขภาพ เป็นโซลูชันที่ผสานรวมอย่างไร้รอยต่อและปรับแต่งได้ ซึ่งช่วยลดต้นทุนการดำเนินงาน ยกระดับพนักงานให้รับมือกับงานที่คุ้มค่ามากขึ้น ซึ่งต้องอาศัยการสัมผัสจากมนุษย์ และปรับปรุงการเก็บรายได้สำหรับระบบสุขภาพ ในขณะเดียวกันก็ปรับปรุงประสบการณ์ทางการเงินของผู้ป่วยด้วย

นี่คือวิธีการทำงานของ Unified Automation:

ซอฟต์แวร์ที่เป็นกรรมสิทธิ์จะสังเกต: เครื่องมือ Worklogger™ ของเราจะสังเกตการณ์จากระยะไกลว่าเจ้าหน้าที่ด้านการแพทย์ทำงานอย่างไร จากนั้นทีมของเราจะติดป้ายกำกับข้อมูลนั้นและป้อนลงในระบบอัตโนมัติเพื่อให้มุมมองที่ครอบคลุมของขั้นตอนการทำงานและกระบวนการในปัจจุบัน ส่งผลให้มองเห็นประสิทธิภาพการทำงานของพนักงานได้ชัดเจนยิ่งขึ้น ข้อมูลพื้นฐานเกี่ยวกับเวิร์กโฟลว์เพื่อขับเคลื่อนระบบอัตโนมัติของเรา และการวิเคราะห์ตามเวลาต่องานที่แม่นยำ

AI ดำเนินการ: หลังจากสังเกตและเรียนรู้ขั้นตอนการทำงานของเจ้าหน้าที่ทางการแพทย์แล้ว AI ของเราก็ทำงานเหล่านี้อย่างอิสระ มันเรียนรู้อย่างต่อเนื่องจากปัญหาและขอบกรณีที่พบ โดยรับงานที่ซับซ้อนมากขึ้นเมื่อเวลาผ่านไป Unified Automation อยู่ต้นน้ำในคิวงาน – มอบหมายงานที่เกี่ยวข้องและดำเนินการให้เสร็จสิ้นโดยไม่รบกวนทีม นอกจากนี้ยังปรับกระบวนการให้เหมาะสมโดยอัตโนมัติ ดังนั้นจึงไม่จำเป็นต้องมีการตั้งค่าหรือการแทรกแซงจากพนักงาน

ความเชี่ยวชาญของมนุษย์ทำให้มั่นใจได้ว่า:  ระบบจะตั้งค่าสถานะทีมผู้เชี่ยวชาญด้านการเรียกเก็บเงินค่ารักษาพยาบาลของเราโดยอัตโนมัติเพื่อจัดการกับข้อยกเว้นและค่าผิดปกติ ฝึกอบรม AI แบบเรียลไทม์ขณะทำงาน นี่คือส่วนผู้เชี่ยวชาญในวง ด้วยการเรียนรู้อย่างต่อเนื่องในตัว แพลตฟอร์ม Unified Automation จะฉลาดขึ้นและมีประสิทธิภาพมากขึ้นเมื่อเวลาผ่านไป และงานจะเสร็จอยู่เสมอ

มีอะไรอีกที่คุณอยากจะแบ่งปันเกี่ยวกับ AKASA?

เรามีแนวทางการวิจัยเป็นอันดับแรก ซึ่งหมายความว่าลูกค้าของเราสามารถเข้าถึงเทคโนโลยีระดับแนวหน้าได้ เรามุ่งมั่นที่จะเผยแพร่ AI และแนวทางของเราในสิ่งพิมพ์ที่ผ่านการตรวจสอบโดยเพื่อน เพื่อกำหนดมาตรฐานที่ล้ำสมัยสำหรับ AI ในการดำเนินงานด้านการดูแลสุขภาพอย่างต่อเนื่อง และนำอุตสาหกรรมทั้งหมดของเราไปข้างหน้า

ตัวอย่างเช่น งานวิจัยของเราถูกนำเสนอในการประชุมนานาชาติเรื่องการเรียนรู้ของเครื่อง (ICML) การประชุมสุดยอดการประมวลผลภาษาธรรมชาติ (NLP) และการประชุมการเรียนรู้ของเครื่องเพื่อการดูแลสุขภาพ (MLHC) และอื่นๆ อีกมากมาย เรากำลังใช้แนวทางที่มีระเบียบวินัยอย่างมากในการทดสอบโมเดลของเรา และเปรียบเทียบประสิทธิภาพกับแนวทาง AI ที่ล้ำสมัยในตลาด

โซลูชันการปฏิเสธเชิงคาดการณ์ของเราเชื่อว่าเป็นระบบการเรียนรู้เชิงลึกที่เผยแพร่ครั้งแรกซึ่งสามารถคาดการณ์การปฏิเสธการเรียกร้องทางการแพทย์ได้อย่างแม่นยำมากกว่า 22% เมื่อเทียบกับพื้นฐานที่มีอยู่ โมเดล Read, Attend, Code ของเราสำหรับการเขียนโค้ดอัตโนมัติของการอ้างสิทธิ์ทางการแพทย์จากบันทึกทางคลินิกได้รับการยอมรับว่าเป็นการกำหนดความล้ำสมัยใหม่สำหรับอุตสาหกรรมและมีประสิทธิภาพสูงกว่าโมเดลปัจจุบันถึง 18% ซึ่งเหนือกว่าผลผลิตของผู้เขียนโค้ดที่เป็นมนุษย์ เราเชื่อว่านวัตกรรม back-office เหล่านี้มีความสำคัญต่อการปรับปรุงระบบการรักษาพยาบาลของสหรัฐฯ ในวงกว้าง และจะยังคงผลักดันความก้าวหน้าและสร้างโซลูชันที่ปรับแต่งได้สำหรับพื้นที่นี้

มีโฆษณามากมายเกี่ยวกับ AI ในด้านการดูแลสุขภาพ แต่เมื่อพูดถึงเรื่องนี้ บริษัทต่างๆ สามารถโฆษณาเกินจริงว่าเทคโนโลยีของตนทำอะไรได้บ้าง การดำเนินการวิจัยเพื่อตรวจสอบความถูกต้องของอัลกอริทึมทำได้ยากกว่ามาก และเราภูมิใจในตัวเองที่ใช้เส้นทางที่มีความหมายและท้าทายนี้เพื่อพิสูจน์ว่าแพลตฟอร์ม Unified Automation ของ AKASA นำการเปลี่ยนแปลงเชิงบวกและมีความหมายมาสู่โรงพยาบาลและระบบสุขภาพอย่างแท้จริง

เราตื่นเต้นกับอนาคตและสิ่งที่จะเกิดขึ้นที่ AKASA ในขณะที่เราสร้างอนาคตของการดูแลสุขภาพด้วย AI

ขอบคุณสำหรับบทสัมภาษณ์ที่ดี ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม อาคาซ่า.