วรุณ กานาปถิ CTO และผู้ร่วมก่อตั้ง AKASA – สัมภาษณ์เชิงลึก

วรุณ กานาปถิ เป็น CTO และผู้ร่วมก่อตั้ง AKASA ผู้พัฒนา AI สำหรับการใช้งานในด้านการดูแลสุขภาพ AKASA ช่วยให้องค์กรด้านสุขภาพสามารถปรับปรุงการดำเนินงาน รวมถึงการสร้างรายได้และเพิ่มประสิทธิภาพในการให้บริการผู้ป่วย วรุณ มีประสบการณ์ในการก่อตั้งบริษัท AI สองแห่งก่อนที่จะเข้าร่วม AKASA หนึ่งในนั้นถูกซื้อกิจการโดย Google (GOOGL ) และอีกแห่งถูกซื้อกิจการโดย Udacity

คุณมีประสบการณ์ที่โดดเด่นในด้านการเรียนรู้ของเครื่อง คุณสามารถพูดถึงประสบการณ์ในช่วงต้นของคุณที่ Stanford เมื่อคุณทำงานเกี่ยวกับการทำให้เฮลิคอปเตอร์เป็นอัตโนมัติได้หรือไม่?

เมื่อฉันกำลังศึกษาฟิสิกส์เป็นนักศึกษาระดับอุดมศึกษา tại Stanford ฉันก็สนใจด้านวิทยาศาสตร์คอมพิวเตอร์และการเรียนรู้ของเครื่อง (ML) เช่นกัน สำหรับฉัน AI และ ML เป็นการรวมทุกอย่างเข้าด้วยกัน – เป็นวิธีการทำงานอัตโนมัติที่สามารถทำได้กับ现象ที่สามารถแปลงเป็นดิจิตอลได้

สำหรับโครงการนี้ เฮลิคอปเตอร์ที่เราทำงานด้วยมีขนาดใหญ่กว่าหมอนสองชั้นเล็กน้อย – ในช่วงเวลาที่เครื่องบินไม่มีเครื่องบินโดยทั่วไป คนๆ หนึ่งบินและทำให้เฮลิคอปเตอร์ทำท่าบินได้ เช่น การบินคว่ำ แต่เราต้องการสร้างอัลกอริทึม ML ที่สามารถเรียนรู้จากมนุษย์ในการบินเฮลิคอปเตอร์โดยอัตโนมัติ

เราสร้างซิมูเลเตอร์ฟิสิกส์ที่อ้างอิงจากเฮลิคอปเตอร์จริงและอัลกอริทึม ML ที่สามารถเรียนรู้การเคลื่อนไหวของเฮลิคอปเตอร์ จากนั้นเราก็ใช้การเรียนรู้แบบเสริมภายในซิมูเลเตอร์เพื่อพัฒนาคอนโทรลเลอร์ และนำซอฟต์แวร์ไปใช้กับเฮลิคอปเตอร์จริง หลังจากที่เราติดเครื่องและเปิดใช้งาน เฮลิคอปเตอร์ก็สามารถบินคว่ำได้ทันทีโดยไม่ต้องมีการช่วยเหลือจากมนุษย์ ซึ่งเป็นผลลัพธ์ที่น่าประทับใจมาก ทีมงานของเรายังคงทำงานต่อไปในการทำให้เฮลิคอปเตอร์สามารถบินได้โดยอัตโนมัติ

คุณยังทำงานที่ Google Books เช่นกัน คุณสามารถพูดถึงอัลกอริทึมที่คุณทำงานและวิธีที่บริษัทของคุณถูกซื้อกิจการโดย Google ได้หรือไม่?

ฉันทำการฝึกงานที่ Google ในช่วงปี 2004 ในขณะที่ฉันยังคงเรียนที่ Stanford – ซึ่งเป็นหลังจากโครงการเฮลิคอปเตอร์ ในช่วงเวลานั้น ฉันทำงานเกี่ยวกับการใช้ ML สำหรับโครงการ Google Books โดยเรากำลังสแกนหนังสือทั้งหมดในโลก

Google จ่ายเงินให้กับคนหลายคนเพื่อทำการระบุรายละเอียดเกี่ยวกับหนังสือ เช่น หน้า ตารางเนื้อหา ลิขสิทธิ์ ฯลฯ – ซึ่งเป็นงานที่ใช้เวลานาน ฉันต้องการทราบว่าเราสามารถใช้ ML ในการทำงานนี้ได้หรือไม่ และมันทำงานได้ดีมาก มันสามารถทำงานได้ดีกว่าและแม่นยำกว่าเมื่อมนุษย์ทำการระบุรายละเอียดเหล่านี้

จากนั้น ฉันตัดสินใจทำปริญญาเอกที่ Stanford โดยเน้นการเรียนรู้ของเครื่องและงานวิจัยเชิงทฤษฎิ ในช่วงเริ่มต้น สำหรับวิทยานิพนธ์ของฉัน ฉันพัฒนา了一ัลกอริทึมที่สามารถทำการเคลื่อนไหวของมนุษย์ได้แบบเรียลไทม์จากกล้องความลึก ซึ่งเป็นฐานสำหรับบริษัทแรกของฉัน คือ Numovis ซึ่งมุ่งเน้นการทำการเคลื่อนไหวและวิชั่นสำหรับการโต้ตอบผู้ใช้ และถูกซื้อกิจการโดย Google

การเดินทางของฉันจากโครงการเฮลิคอปเตอร์ไปจนถึง Google Books และรถยนต์ไร้คนขับ และตอนนี้การดำเนินงานด้านสุขภาพ แสดงให้เห็นว่าอัลกอริทึมการเรียนรู้ของเครื่องมีประสิทธิภาพและทั่วไปมาก

คุณสามารถแบ่งปันเรื่องราวเกี่ยวกับการก่อตั้ง AKASA ได้หรือไม่?

เราสร้าง AKASA เพื่อแก้ปัญหาที่ใหญ่และซับซ้อนในการดำเนินงานด้านสุขภาพ ซึ่งเป็นปัญหาที่มีค่าใช้จ่ายสูงและเกิดความผิดพลาดได้ง่าย ซึ่งอาจทำให้ผู้ป่วยมีประสบการณ์ทางการเงินที่ไม่จำเป็นและก่อให้เกิดความวิตกกังวล มีการขาดนวัตกรรมทางเทคโนโลยีในด้านการบริหารจัดการ และไม่มีอะไรที่ถูกสร้างขึ้นโดยเฉพาะสำหรับด้านนี้ เมื่อเราพูดคุยกับระบบสุขภาพและผู้นำด้านสุขภาพหลายแห่ง พวกเขายืนยันความคิดของเรา ซึ่งนำไปสู่การก่อตั้ง AKASA ในปี 2019

ด้วยวัตถุประสงค์ที่ชัดเจนตั้งแต่เริ่มต้น AKASA มุ่งหมายเพื่อช่วยให้การดูแลสุขภาพของมนุษย์ และสร้างอนาคตของการดูแลสุขภาพด้วย AI วิธีที่เราตัดสินใจในการแก้ไขปัญหานี้คือการรวมความฉลาดของมนุษย์กับ AI และ ML ที่ทันสมัย เพื่อให้ระบบสุขภาพสามารถลดค่าใช้จ่ายในการดำเนินงานและจัดสรรทรัพยากรให้ถูกที่สุด

แพลตฟอร์มของเราที่ไม่ขึ้นอยู่กับระบบและยืดหยุ่นได้ขณะนี้ให้บริการลูกค้าที่มีโรงพยาบาลและระบบสุขภาพมากกว่า 475 แห่ง และศูนย์บริการผู้ป่วยนอกมากกว่า 8,000 แห่ง ทั่วทั้ง 50 รัฐของสหรัฐอเมริกา เทคโนโลยีของเราช่วยเหลือองค์กรเหล่านี้ไม่ว่าจะใช้ระบบบันทึกสุขภาพอิเล็กทรอนิกส์ (EHR) เช่น Epic, Cerner, หรือระบบอื่นๆ และทุกอย่างที่อยู่ระหว่างนั้น และเราทำได้ด้วยผลลัพธ์ที่ดี

ฐานลูกค้าของเรามีรายได้รวมมากกว่า 110 พันล้านดอลลาร์สหรัฐฯ ซึ่งเท่ากับมากกว่า 10% ของการใช้จ่ายของระบบสุขภาพทั้งหมดในแต่ละปีตามข้อมูลจาก Centers for Medicaid and Medicare Services และโมเดลและอัลกอริทึมของ AKASA ได้รับการฝึกอบรมจากคำเรียกร้องและใบเสร็จเกือบ 290 ล้านรายการ

การดำเนินงานด้านสุขภาพที่ไม่เห็นได้ซับซ้อนมาก แต่มีผลกระทบอย่างมากต่อสุขภาพของมนุษย์ และเรากำลังทำให้มันทำงานโดยอัตโนมัติ一步ต่อ一步

คุณสามารถพูดถึงงานที่ AKASA กำลังพยายามทำให้ทำงานโดยอัตโนมัติในด้านสุขภาพได้หรือไม่?

วิธีการทำงานแบบผู้เชี่ยวชาญในวงจรของเรา คือ Unified Automation™ ซึ่งรวม ML เข้ากับการตัดสินใจและความเชี่ยวชาญของมนุษย์ เพื่อให้การทำงานโดยอัตโนมัติที่มีความแข็งแรงและยืดหยุ่นสำหรับการดำเนินงานด้านสุขภาพ AKASA สามารถทำงานโดยอัตโนมัติและทำให้กระบวนการทำงานสิ้นสุดในด้านการเงินของสุขภาพ รวมถึงการประมวลผลบิลและการชำระเงิน

งานเฉพาะที่ AKASA สามารถทำงานโดยอัตโนมัติได้ รวมถึงการตรวจสอบสิทธิ์ผู้ป่วย การบันทึกและยืนยันข้อมูลการประกันภัย การประมาณการค่าใช้จ่ายของผู้ป่วย การแก้ไขและยื่นเรื่องอุทธรณ์คำเรียกร้อง และการคาดการณ์และจัดการการปฏิเสธคำเรียกร้อง

การทำงานโดยอัตโนมัติประเภทนี้ไม่เพียงแต่ลดข้อผิดพลาดของมนุษย์และความล่าช้าสำหรับผู้ป่วย แต่ยังช่วยให้พนักงานด้านสุขภาพสามารถมุ่งเน้นไปที่งานที่ท้าทายและสร้างคุณค่ามากกว่า

คุณสามารถพูดถึงประเภทของอัลกอริทึมการเรียนรู้ของเครื่องต่างๆ ที่ใช้ได้หรือไม่?

AKASA ใช้แนวทางการเรียนรู้ของเครื่องแบบเดียวกับที่ทำให้รถยนต์ไร้คนขับเป็นไปได้ เพื่อให้ระบบสุขภาพมีวิธีแก้ปัญหาเดียวสำหรับการทำงานโดยอัตโนมัติในด้านการดำเนินงานด้านสุขภาพ แนวทางนี้มีศูนย์กลางอยู่ที่ ML และขยายความสามารถของการทำงานโดยอัตโนมัติเพื่อทำงานที่ซับซ้อนมากขึ้น

เราพัฒนาแอลกอริทึมที่ทันสมัยที่สุดในด้านการมองเห็นของคอมพิวเตอร์ การทำความเข้าใจภาษาธรรมชาติ และปัญหาเกี่ยวกับข้อมูลที่มีโครงสร้าง แพลตฟอร์มของเราตั้งต้นด้วย RPA ที่ใช้การมองเห็นของคอมพิวเตอร์ และเพิ่มความสามารถด้วย AI และ ML ที่ทันสมัย และผู้เชี่ยวชาญในวงจรเพื่อให้การทำงานโดยอัตโนมัติที่มีความแข็งแรง

เพื่อให้ภาพรวมของวิธีการทำงาน เราเริ่มต้นด้วยการดูว่าพนักงานด้านสุขภาพทำงานอย่างไร จากนั้นเราก็ให้ทีมของเราบันทึกข้อมูลนั้นและใช้ข้อมูลนั้นในการฝึกอบรมอัลกอริทึมของเรา เพื่อให้เทคโนโลยีของเราสามารถเข้าใจและเรียนรู้ว่าพนักงานด้านสุขภาพและระบบของพวกเขาทำงานอย่างไร

จากนั้น แพลตฟอร์มของเราจะทำงานโดยอัตโนมัติในกระบวนการทำงานเหล่านั้น สุดท้าย เราใช้ผู้เชี่ยวชาญในวงจรที่สามารถเข้ามาเมื่อระบบของเราต้องการความช่วยเหลือจากมนุษย์ AI ของเรายังคงเรียนรู้จากประสบการณ์เหล่านั้น ทำให้สามารถทำงานที่ซับซ้อนมากขึ้นได้

คุณสามารถพูดถึงความสำคัญของวิธีการทำงานแบบผู้เชี่ยวชาญในวงจรและวิธีที่มันจะมาแทนที่ RPA ได้หรือไม่?

ความจริงที่ยากคือ RPA เป็นเทคโนโลยีที่มีอายุหลายทศวรรษที่มีข้อจำกัดและความไม่แน่นอน มันจะมีคุณค่าในการทำงานโดยอัตโนมัติสำหรับงานที่ง่ายๆ ที่ไม่ซับซ้อนและเป็นเส้นตรง แต่สาเหตุที่ความพยายามในการทำงานโดยอัตโนมัติมักจะล้มเหลวคือเพราะชีวิตมีความซับซ้อนและเปลี่ยนแปลงอยู่เสมอ

แนวทางพื้นฐานของ RPA คือการสร้างหุ่นยนต์สำหรับปัญหาหรือเส้นทางที่คุณต้องการแก้ไข หุ่นยนต์จะทำหน้าที่แทนการทำงานของมนุษย์ แต่ปัญหาเกิดขึ้นเมื่อมีการเปลี่ยนแปลงในโลก เช่น การเปลี่ยนแปลงซอฟต์แวร์หรือ UI ซึ่งสามารถทำให้หุ่นยนต์ทำงานผิดพลาดได้

อีกปัญหาหนึ่งของหุ่นยนต์เหล่านี้คือคุณต้องสร้างหุ่นยนต์หนึ่งตัวสำหรับสถานการณ์ที่คุณต้องการแก้ไข ซึ่งหมายความว่าคุณจะมีหุ่นยนต์หลายตัวที่ทำงานในสถานการณ์ที่ไม่ซับซ้อนและไม่ต้องการทักษะมากนัก

มันเป็นเหมือนเกม whack-a-mole ทุกวันคุณต้องเผชิญกับความเป็นไปได้ที่หุ่นยนต์หนึ่งตัวจะทำงานผิดพลาดเนื่องจากการเปลี่ยนแปลงซอฟต์แวร์หรือสิ่งผิดปกติอื่นๆ ซึ่งจะทำให้เกิดค่าใช้จ่ายในการบำรุงรักษาที่สูงมาก

ในทางกลับกัน ML ช่วยให้เราสามารถทำงานโดยอัตโนมัติได้ในสิ่งที่ยาก และเรามั่นใจว่าผู้เชี่ยวชาญในวงจรเป็นสิ่งสำคัญในการทำให้ AI ฉลาดขึ้นเร็วขึ้นและดีขึ้น

เมื่ออัลกอริทึมไม่แน่ใจว่าจะทำอะไร (มีความมั่นใจต่ำ) มันจะถูกส่งต่อไปยังผู้เชี่ยวชาญในวงจรแทน เมื่อมนุษย์แก้ไขปัญหาและระบุกรณีที่ไม่ได้รับการจัดการโดยโมเดลปัจจุบัน เมื่อ AI ทำงานได้ถูกต้อง นั่นคืองานที่ทำได้ดี

ทุกครั้งที่มนุษย์จับปัญหา นั่นคือกรณีที่เครื่องไม่ได้ทำงานอย่างถูกต้อง ในกรณีนี้ ข้อมูลจะถูกเพิ่มเข้าไปในเซตข้อมูลของเรา ซึ่งจะทำให้โมเดล ML ของเราทำงานได้ดีขึ้นและสามารถจัดการกับกรณีใหม่ๆ ได้

เมื่อเวลาผ่านไป โมเดล ML ของเราจะสร้างความแข็งแรงและยืดหยุ่นมากขึ้น ทำให้ระบบสามารถทำงานได้ดีขึ้นและดีขึ้น และการแทรกแซงจากมนุษย์จะลดลงเมื่อเวลาผ่านไป

การมีผู้เชี่ยวชาญในวงจรเป็นสิ่งสำคัญในการทำให้ AI ฉลาดขึ้นเร็วขึ้นและดีขึ้น เราต้องการผู้เชี่ยวชาญเพื่อฝึกอบรม AI และทำให้แน่ใจว่ามันสามารถจัดการกับกรณีไม่ปกติที่ไม่避免ได้ในอุตสาหกรรมใดๆ และโดยเฉพาะในด้านสุขภาพที่มีการเปลี่ยนแปลงอย่างรวดเร็ว

คุณสามารถอธิบายวิธีการทำงานของ Unified Automation และกรณีการใช้งานหลักๆ ของแพลตฟอร์มได้หรือไม่?

Unified Automation เป็นแพลตฟอร์มที่ถูกออกแบบมาเพื่อใช้ในด้านสุขภาพ โดยใช้ AI, ML และทีมผู้เชี่ยวชาญด้านการเรียกเก็บเงินเพื่อสร้างโซลูชันที่รวมเข้าด้วยกันและปรับแต่งให้เหมาะสม ซึ่งช่วยให้คุณเห็นคุณค่าได้เร็วขึ้น โดยไม่ต้องมีการบำรุงรักษาหรือคิวการยกเว้น

มันถูกออกแบบมาโดยคำนึงถึงกรณีไม่ปกติและความไม่แน่นอน หากมันพบสิ่งใหม่ๆ แพลตฟอร์มจะแจ้งปัญหาให้กับทีมผู้เชี่ยวชาญของ AKASA ซึ่งจะแก้ไขปัญหาและทำให้ระบบเรียนรู้จากการกระทำของพวกเขา

Unified Automation ยังปรับให้เข้ากับลักษณะที่เปลี่ยนแปลงอย่างรวดเร็วของอุตสาหกรรมสุขภาพ มันเป็นโซลูชันที่รวมเข้าด้วยกันและปรับแต่งให้เหมาะสม ซึ่งช่วยลดค่าใช้จ่ายในการดำเนินงาน เพิ่มประสิทธิภาพการทำงานของพนักงาน และปรับปรุงการเก็บเงินสำหรับระบบสุขภาพ ในขณะเดียวกันก็ปรับปรุงประสบการณ์ทางการเงินของผู้ป่วย

วิธีการทำงานของ Unified Automation คือ:

ซอฟต์แวร์เฉพาะของเราสังเกตเห็น: เครื่องมือ Worklogger ของเราสังเกตเห็นว่าพนักงานด้านสุขภาพทำงานอย่างไร จากนั้นเราก็ให้ทีมของเราบันทึกข้อมูลนั้นและใช้ข้อมูลนั้นในการฝึกอบรมอัลกอริทึมของเรา เพื่อให้ได้มุมมองที่ครอบคลุมเกี่ยวกับกระบวนการทำงานและกระบวนการปัจจุบัน

AI ทำงาน: หลังจากที่เราสังเกตเห็นและเรียนรู้กระบวนการทำงานของพนักงานด้านสุขภาพ AI ของเราก็ทำงานโดยอัตโนมัติ มันเรียนรู้จากปัญหาและกรณีไม่ปกติที่เกิดขึ้น และสามารถทำงานที่ซับซ้อนมากขึ้นเมื่อเวลาผ่านไป

ผู้เชี่ยวชาญรับรอง: ระบบจะส่งต่อให้ผู้เชี่ยวชาญด้านการเรียกเก็บเงินของ AKASA เพื่อจัดการกับกรณีไม่ปกติและความไม่แน่นอน และฝึกอบรม AI ในขณะเดียวกัน เมื่อ AI ทำงานได้ถูกต้อง นั่นคืองานที่ทำได้ดี

มีสิ่งอื่นที่คุณต้องการแบ่งปันเกี่ยวกับ AKASA หรือไม่?

เรามีแนวทางที่ให้ความสำคัญกับการวิจัย ซึ่งหมายความว่าลูกค้าของเรามีการเข้าถึงเทคโนโลยีที่ทันสมัยที่สุด เรามุ่งมั่นที่จะเผยแพร่ผลงาน AI และแนวทางของเราในงานวิจัยที่ได้รับการตรวจสอบจากผู้ทรงคุณวุฒิ เพื่อสร้างมาตรฐานใหม่สำหรับ AI ในด้านการดำเนินงานด้านสุขภาพ และนำอุตสาหกรรมของเราต่อไป

ตัวอย่างเช่น ผลงานวิจัยของเราถูกนำเสนอในงานประชุมสัมมนาระดับนานาชาติเกี่ยวกับการเรียนรู้ของเครื่อง (ICML) การประชุมสัมมนาด้านการประมวลผลภาษาธรรมชาติ (NLP) และการประชุมสัมมนาเกี่ยวกับการเรียนรู้ของเครื่องสำหรับการดูแลสุขภาพ (MLHC) เป็นต้น เรามีการเข้าใกล้ที่มีวินัยในการทดสอบโมเดลของเราและเปรียบเทียบผลการทำงานกับแนวทาง AI ที่ทันสมัยที่สุดในตลาด

โซลูชันการคาดการณ์การปฏิเสธคำเรียกร้องของเราถือเป็นระบบแรกที่ใช้การเรียนรู้ลึกที่สามารถคาดการณ์การปฏิเสธคำเรียกร้องได้อย่างแม่นยำมากกว่า 22% เมื่อเทียบกับแนวทางที่มีอยู่ โมเดล Read, Attend, Code ของเราสำหรับการเข้ารหัสคำเรียกร้องทางการแพทย์โดยอัตโนมัติจากบันทึกทางคลินิกได้รับการยอมรับว่าเป็นมาตรฐานใหม่สำหรับอุตสาหกรรม และสามารถทำงานได้ดีกว่าโมเดลที่มีอยู่ 18% และสามารถทำงานได้ดีกว่าผู้เข้ารหัสที่เป็นมนุษย์

เรามั่นใจว่านวัตกรรมเหล่านี้เป็นสิ่งสำคัญในการปรับปรุงระบบสุขภาพของสหรัฐฯ ในระดับใหญ่ และจะยังคงผลักดันให้เกิดความก้าวหน้าและสร้างโซลูชันที่ปรับแต่งให้เหมาะสมสำหรับพื้นที่นี้

มีการตลาดที่มากเกินไปเกี่ยวกับ AI ในด้านสุขภาพ แต่เมื่อมันลงมาถึงสิ่งที่สำคัญ บริษัทต่างๆ สามารถทำให้เทคโนโลยีของพวกเขาดูเหมือนมากกว่าที่เป็นจริงได้ มันคือเรื่องที่ท้าทายในการทำการวิจัยเพื่อยืนยันว่าอัลกอริทึมเหล่านั้นทำงานได้ดีจริงๆ และเราภูมิใจที่จะเดินไปตามเส้นทางที่มีความหมายและท้าทายเพื่อแสดงให้เห็นว่าแพลตฟอร์ม Unified Automation ของ AKASA กำลังนำไปสู่การเปลี่ยนแปลงเชิงบวกและเป็นประโยชน์ต่อโรงพยาบาลและระบบสุขภาพ

เรารู้สึกตื่นเต้นเกี่ยวกับอนาคตและทุกสิ่งที่จะเกิดขึ้นที่ AKASA เมื่อเราก้าวไปสู่การสร้างอนาคตของการดูแลสุขภาพด้วย AI

ขอขอบคุณสำหรับการสัมภาษณ์ที่ดี ผู้อ่านสามารถเยี่ยมชม AKASA เพื่อเรียนรู้เพิ่มเติม