วรุณ กานาปถิ CTO และผู้ร่วมก่อตั้ง AKASA – สัมภาษณ์ซีรีส์

วรุณ กานาปถิ เป็น CTO และผู้ร่วมก่อตั้ง AKASA ผู้พัฒนา AI สำหรับแอปพลิเคชันในด้านการดูแลสุขภาพ AKASA ช่วยให้องค์กรด้านการดูแลสุขภาพปรับปรุงการดำเนินงาน รวมถึงวงจรรายได้ เพื่อขับเคลื่อนรายได้ สร้างประสิทธิภาพ และเพิ่มประสบการณ์ของผู้ป่วย วรุณ ได้เริ่มต้นบริษัท AI สองแห่งก่อน AKASA หนึ่งแห่งถูกซื้อกิจการโดย Google และอีกแห่งถูกซื้อกิจการโดย Udacity

คุณมีอาชีพที่โดดเด่นในด้านการเรียนรู้ของเครื่อง คุณสามารถพูดคุยเกี่ยวกับวันแรกๆ ที่ Stanford เมื่อคุณทำงานในการทำให้เฮลิคอปเตอร์เป็นอัตโนมัติได้หรือไม่?

เมื่อฉันกำลังศึกษาฟิสิกส์ในระดับอุดมศึกษา tại Stanford ฉันก็สนใจด้านวิทยาการคอมพิวเตอร์และการเรียนรู้ของเครื่อง (ML) เช่นกัน สำหรับฉัน AI และ ML รวมทุกอย่างเข้าด้วยกัน มันเป็นวิธีการทำฟิสิกส์แบบอัตโนมัติสำหรับปรากฏการณ์ที่สามารถแปลงเป็นดิจิทัลได้

สำหรับโครงการนี้ เฮลิคอปเตอร์ดูเหมือนเครื่องบินขนาดใหญ่เล็กน้อย ไม่ใหญ่เท่ากับหมอนสองชั้น ในสมัยที่เครื่องบินไม่แพร่หลาย คนๆ หนึ่งบินและทำให้เฮลิคอปเตอร์ทำท่าได้ เช่น การลอยตัวขึ้นด้านล่าง ในขณะที่สิ่งนี้ทำได้ยาก เราต้องการสร้างอัลกอริทึม ML ที่สามารถเรียนรู้จากมนุษย์ในการบินเฮลิคอปเตอร์แบบอัตโนมัติ

เราสร้างซิมูเลเตอร์ฟิสิกส์ที่อาศัยเฮลิคอปเตอร์จริงและอัลกอริทึม ML ที่เรียนรู้เพื่อทำนายการเคลื่อนไหวของมัน จากนั้นเรานำการเรียนรู้แบบเสริมแรงเข้ามาในซิมูเลเตอร์เพื่อพัฒนาคอนโทรลเลอร์ เราได้นำซอฟต์แวร์ไปใส่เข้าไปในเฮลิคอปเตอร์จริง หลังจากเราติดเครื่องเฮลิคอปเตอร์แล้ว มันก็ทำงานทันที เฮลิคอปเตอร์สามารถลอยตัวขึ้นด้านล่างได้ทันทีโดยไม่ต้องมีการช่วยเหลือ ซึ่งเป็นสิ่งที่น่าประทับใจมาก ทีมงานยังคงทำงานในการทำให้ท่าทางอื่นๆ เป็นอัตโนมัติโดยใช้ ML

คุณยังทำงานที่ Google Books เช่นกัน คุณสามารถพูดคุยเกี่ยวกับอัลกอริทึมที่คุณทำงานและวิธีที่บริษัทของคุณถูกซื้อกิจการโดย Google ได้หรือไม่?

ฉันทำการฝึกงานที่ Google ในขณะที่กำลังเรียนที่ Stanford ในปี 2004 ซึ่งเป็นหลังจากโครงการเฮลิคอปเตอร์ ในช่วงเวลานั้น ฉันกำลังใช้ ML สำหรับโครงการ Google Books ซึ่งเรากำลังสแกนหนังสือทั้งหมด

Google จ่ายเงินให้กับคนหลายคนเพื่อระบุข้อมูลเกี่ยวกับหนังสือ เช่น หน้า ตารางเนื้อหา ลิขสิทธิ์ ฯลฯ ซึ่งเป็นงานที่ใช้เวลานาน ฉันต้องการทราบว่าเราสามารถใช้ ML ในการทำสิ่งนี้ได้หรือไม่ และมันก็ทำงานได้ดีจริงๆ มันทำงานได้ดีกว่าและแม่นยำกว่าเมื่อมนุษย์ทำมันเอง เนื่องจากข้อผิดพลาดส่วนใหญ่เกิดจากความผิดพลาดของมนุษย์ในการทำเครื่องหมายด้วยมือ

สิ่งนี้ทำให้ฉันรู้สึกตื่นเต้นมากเกี่ยวกับ ML เพราะมันแสดงให้เห็นว่าคุณสามารถเปลี่ยนจากประสิทธิภาพของมนุษย์เป็นประสิทธิภาพเหนือมนุษย์ได้ โดยการทำงานที่น่าเบื่อหน่ายด้วยข้อผิดพลาดน้อยลงและสม่ำเสมอ ในขณะที่ยังคงจัดการกับกรณีขอบเขตได้

จากนั้น ฉันตัดสินใจทำปริญญาเอกที่ Stanford โดยเน้นไปที่ ML และกระดาษเชิงทฤษฎีต่างๆ ในช่วงแรก สำหรับวิทยานิพนธ์ของฉัน ฉันพัฒนา了一ัลกอริทึมเพื่อทำการเคลื่อนไหวแบบเรียลไทม์ โดยที่คอมพิวเตอร์สามารถติดตามการเคลื่อนไหวของข้อต่อทั้งหมดในเวลาเดียวกันจากกล้องความลึก ซึ่งเป็นพื้นฐานสำหรับบริษัทแรกของฉัน คือ Numovis ซึ่งมุ่งเน้นไปที่การตาม dõiการเคลื่อนไหวและวิชาการคอมพิวเตอร์สำหรับการโต้ตอบของผู้ใช้ ซึ่งถูกซื้อกิจการโดย Google

การเดินทางทั้งหมดของฉันจากโครงการเฮลิคอปเตอร์ไปจนถึง Google Books และรถยนต์ขับเคลื่อนอัตโนมัติ และตอนนี้คือการดำเนินงานด้านการดูแลสุขภาพ แสดงให้เห็นว่าอัลกอริทึม ML มีพลังและทั่วไปมาก

คุณสามารถแบ่งปันเรื่องราวเกี่ยวกับ AKASA ได้หรือไม่?

เราได้สร้าง AKASA เพื่อแก้ไขปัญหาที่ยิ่งใหญ่และฝังลึกในด้านการดำเนินงานด้านการดูแลสุขภาพ การดำเนินงานเหล่านี้มีค่าใช้จ่ายสูงและผิดพลาดได้ง่าย ซึ่งอาจนำไปสู่ประสบการณ์ทางการเงินที่ไม่จำเป็นและทำให้ผู้ป่วยตกใจ มีความขาดแคลนเทคโนโลยีใหม่ๆ ในด้านการบริหารจัดการ และไม่มีสิ่งใดที่ถูกสร้างขึ้นโดยเฉพาะ มันชัดเจนสำหรับเราว่าคุณสามารถใช้เทคโนโลยี เช่น AI และ ML เพื่อแก้ไขความท้าทายด้านการดำเนินงานในด้านการดูแลสุขภาพได้อย่างสร้างสรรค์ เมื่อเราพูดคุยกับระบบสุขภาพและผู้นำด้านการดูแลสุขภาพหลายแห่ง พวกเขายืนยันความคิดของเรา ซึ่งนำไปสู่การก่อตั้ง AKASA ในปี 2019

ด้วยเหตุนี้ วัตถุประสงค์ของ AKASA จึงชัดเจนตั้งแต่ต้น เพื่อเพิ่มขีดความสามารถของมนุษย์และสร้างอนาคตของการดูแลสุขภาพด้วย AI วิธีที่เราตัดสินใจที่จะรับมือกับความท้าทายนี้คือการรวมความฉลาดของมนุษย์กับ AI และ ML ที่ทันสมัย เพื่อให้ระบบสุขภาพสามารถลดค่าใช้จ่ายในการดำเนินงานและจัดสรรทรัพยากรให้ตรงกับจุดสำคัญที่สุด

แพลตฟอร์มของเราที่ไม่ขึ้นอยู่กับระบบและยืดหยุ่นอยู่ในขณะนี้ให้บริการลูกค้าที่มีมากกว่า 475 โรงพยาบาลและระบบสุขภาพ และมากกว่า 8,000 สถานพยาบาลนอกโรงพยาบาลทั่ว 50 รัฐ เทคโนโลยีของเราช่วยเหลือองค์กรเหล่านี้ไม่ว่าพวกเขาจะใช้ซอฟต์แวร์สำหรับบันทึกสุขภาพอิเล็กทรอนิกส์ (EHR) เช่น Epic, Cerner, EHR อื่นๆ หรือระบบเสริม และทุกอย่างในระหว่างนั้น และเราทำได้ด้วยผลลัพธ์ที่แข็งแกร่ง

ฐานลูกค้าของเรามีมากกว่า 110 พันล้านดอลลาร์ในรายได้จากผู้ป่วยสุทธิ ซึ่งเท่ากับมากกว่า 10% ของการใช้จ่ายของระบบสุขภาพทั้งหมดในแต่ละปีในสหรัฐอเมริกา ตาม Centers for Medicaid and Medicare Services และโมเดลและอัลกอริทึมของ AKASA ได้รับการฝึกอบรมจากคำเรียกร้องและใบเสร็จเกือบ 290 ล้านรายการ

การดำเนินงานด้านการดูแลสุขภาพที่ไม่มองเห็นได้มีความซับซ้อนมาก แต่มีผลกระทบอย่างมากต่อสุขภาพของมนุษย์ และเรากำลังทำให้มันทำงานอัตโนมัติ一步一步

มีงานใดบ้างที่ AKASA กำลังมองหาที่จะทำให้เป็นอัตโนมัติในด้านการดูแลสุขภาพ?

แนวทาง Expert-in-the-loop ที่เป็นเอกลักษณ์ของเรา คือ Unified Automation ซึ่งรวม ML เข้ากับการตัดสินใจและความเชี่ยวชาญด้านเนื้อหาของผู้เชี่ยวชาญ เพื่อให้การทำงานอัตโนมัติที่มีประสิทธิภาพและทนทานสำหรับการดำเนินงานด้านการดูแลสุขภาพ AKASA สามารถทำงานอัตโนมัติและทำให้กระบวนการทำงานสิ้นสุดในด้านการเงินของการดูแลสุขภาพ รวมถึงการประมวลผลบิลและการชำระเงิน งานเฉพาะที่ AKASA ทำอัตโนมัติ ได้แก่ การตรวจสอบความเหมาะสมของผู้ป่วย การบันทึกและยืนยันข้อมูลการประกันภัย การประมาณการค่าใช้จ่ายของผู้ป่วย การแก้ไข การเรียกเก็บเงินและการอุทธรณ์คำเรียกร้อง และการคาดการณ์และจัดการการปฏิเสธ

การทำงานอัตโนมัตินี้ไม่เพียงแต่ลดข้อผิดพลาดของมนุษย์และความล่าช้าสำหรับผู้ป่วย ช่วยป้องกันการเรียกเก็บเงินทางการแพทย์ที่ไม่คาดคิด แต่ยังช่วยให้พนักงานด้านการดูแลสุขภาพมีเวลาในการมุ่งเน้นไปที่งานที่ท้าทายและสร้างมูลค่ามากกว่า โดยมุ่งเน้นไปที่ประสบการณ์ของผู้ป่วย

มีอัลกอริทึมการเรียนรู้ของเครื่องใดบ้างที่ใช้?

AKASA ใช้แนวทางการเรียนรู้ของเครื่องแบบเดียวกับที่ทำให้รถยนต์ขับเคลื่อนอัตโนมัติเป็นไปได้ เพื่อให้ระบบสุขภาพมีทางออกเดียวสำหรับการทำงานอัตโนมัติในการดำเนินงานด้านการดูแลสุขภาพ แนวทางนี้มีศูนย์กลางอยู่ที่ ML และขยายความสามารถของการทำงานอัตโนมัติเพื่อทำงานที่ซับซ้อนมากขึ้น

เราพัฒนาแอลกอริทึมที่ทันสมัยที่สุดในด้านการมองเห็นของคอมพิวเตอร์ การทำความเข้าใจภาษา自然 และปัญหาเกี่ยวกับข้อมูลที่มีโครงสร้าง แพลตฟอร์มของเริ่มต้นด้วย RPA ที่มีพลังการมองเห็นของคอมพิวเตอร์และเพิ่มความสามารถด้วย AI และ ML ที่ทันสมัย พร้อมด้วยผู้เชี่ยวชาญในด้านเนื้อหาที่ให้การทำงานอัตโนมัติที่มีประสิทธิภาพ

เพื่อให้ภาพรวมของวิธีการทำงาน แพลตฟอร์มของเราจะสังเกตว่าพนักงานด้านการดูแลสุขภาพทำงานอย่างไร จากนั้นทีมของเราจะทำเครื่องหมายข้อมูลและใช้ข้อมูลนั้นในการฝึกอบรมอัลกอริทึมของเรา เพื่อให้เทคโนโลยีของเราสามารถเข้าใจและเรียนรู้ว่าพนักงานด้านการดูแลสุขภาพและระบบของพวกเขาทำงานอย่างไร จากนั้นแพลตฟอร์มของเราจะทำงานเหล่านั้นโดยอัตโนมัติ สุดท้าย เราใช้ผู้เชี่ยวชาญในด้านเนื้อหาที่สามารถเข้ามาเมื่อระบบของเราติดปัญหาหรือสิ่งผิดปกติ อัลกอริทึมของเราจะเรียนรู้อย่างต่อเนื่องจากประสบการณ์เหล่านั้น ทำให้สามารถทำงานที่ซับซ้อนมากขึ้นได้

คุณสามารถพูดคุยเกี่ยวกับความสำคัญของแนวทาง Human-in-the-loop และวิธีที่จะมาแทนที่ RPA ได้หรือไม่?

ความจริงที่ยากคือ RPA เป็นเทคโนโลยีที่มีอายุหลายทศวรรษและมีข้อจำกัดที่แท้จริง มันจะมีคุณค่าเสมอในการทำงานอัตโนมัติที่ง่ายๆ แยกจากกันและเชื่อมต่อ แต่เหตุผลที่ความพยายามในการทำงานอัตโนมัติมักจะไม่บรรลุเป้าหมายคือเพราะชีวิตมีความซับซ้อนและเปลี่ยนแปลงอยู่เสมอ

แนวทางพื้นฐานของ RPA คือการสร้างหุ่นยนต์สำหรับปัญหาหรือเส้นทางที่คุณต้องการแก้ไข หุ่นยนต์ (บอท) จะถูกสร้างขึ้นโดยมนุษย์ (ที่ปรึกษาหรือวิศวกร) เพื่อแก้ปัญหาเฉพาะ เมื่อมีการเปลี่ยนแปลงในโลก เช่น การเปลี่ยนแปลงซอฟต์แวร์หรือ UI หุ่นยนต์เหล่านั้นอาจหยุดทำงาน

อีกปัญหาหนึ่งกับบอทเหล่านี้คือคุณต้องสร้างบอทหนึ่งตัวสำหรับทุกสถานการณ์ที่คุณต้องการแก้ไข เมื่อคุณทำเช่นนี้ คุณจะสิ้นสุดด้วยบอทหลายตัวที่ทำงานเล็กๆ น้อยๆ ที่ไม่ต้องการทักษะมาก

มันเป็นเหมือนเกม whack-a-mole ทุกวันคุณต้องเผชิญกับความเสี่ยงที่บอทหนึ่งตัวจะหยุดทำงานเพราะซอฟต์แวร์จะเปลี่ยนแปลงหรือสิ่งผิดปกติจะเกิดขึ้น ผลลัพธ์คือการบำรุงรักษาที่มีค่าใช้จ่ายสูงในการทำให้บอทเหล่านี้ทำงานต่อไป

ตามการวิจัยจาก Forrester สำหรับทุกๆ 1 ดอลลาร์ที่ใช้จ่ายกับ RPA จะมีการใช้จ่ายเพิ่มเติม 3.41 ดอลลาร์สำหรับทรัพยากรที่ปรึกษา

ในอีกคำหนึ่ง ค่าใช้จ่ายที่แท้จริงของ RPA ไม่ใช่ซอฟต์แวร์ แต่เป็นงานที่คุณต้องทำเพื่อรักษาบอทเหล่านี้ให้ทำงานตลอดเวลา องค์กรหลายแห่งไม่ได้คำนึงถึงค่าใช้จ่ายที่ต่อเนื่องนี้

เมื่อชีวิตส่วนใหญ่มีความซับซ้อนและเปลี่ยนแปลงอยู่เสมอ งานส่วนใหญ่จะอยู่นอกความสามารถของ RPA ซึ่งเป็นที่ที่ ML เข้ามา ML ช่วยให้เราทำงานอัตโนมัติได้ในสิ่งที่ยาก และเรามั่นใจว่าสิ่งพิเศษคือมนุษย์ที่ปรับปรุงอัลกอริทึมโดยการเรียนรู้

เมื่ออัลกอริทึมไม่แน่ใจว่าจะทำอะไร (ความมั่นใจต่ำ) มันจะถูกส่งต่อไปยังมนุษย์ในลูปแทน เมื่อมนุษย์ทำเครื่องหมายตัวอย่างและระบุกรณีที่ไม่ได้รับการจัดการโดยโมเดลปัจจุบัน เมื่อสิ่งนี้ทำเสร็จและ AI ทำถูกต้อง นั่นคืองานที่ทำงานได้ดี

ทุกงานที่มนุษย์จับปัญหาเป็นกรณีที่เครื่องจักรไม่ได้จัดการให้ถูกต้อง ในกรณีนี้ ข้อมูลจะถูกเพิ่มเข้าไปในเซตข้อมูลของเรา ซึ่งจะฝึกโมเดล ML ใหม่เพื่อจัดการกับสถานการณ์ใหม่นี้

เมื่อเวลาผ่านไป โมเดล ML จะสร้างความทนทานต่อกรณีใหม่เหล่านี้ ผลลัพธ์คือระบบที่ทนทานและยืดหยุ่นต่อกรณีใหม่ๆ และระบบจะแข็งแกร่งขึ้นเมื่อเวลาผ่านไป ซึ่งหมายความว่าการทำงานอัตโนมัติจะดีขึ้นและดีขึ้น และการแทรกแซงของมนุษย์จะลดลงเมื่อเวลาผ่านไป

การมีผู้เชี่ยวชาญในลูปเป็นสิ่งสำคัญในการทำให้ AI ฉลาดขึ้นเร็วขึ้นและดีขึ้น เราต้องการมนุษย์เพื่อฝึกอบรม AI อย่างเหมาะสมและให้แน่ใจว่ามันสามารถจัดการกับกรณีใหม่ๆ ที่ไม่避免ได้ในอุตสาหกรรมใดๆ และโดยเฉพาะในด้านการดูแลสุขภาพที่มีการเปลี่ยนแปลงอยู่เสมอ

คุณสามารถอธิบายวิธีการทำงานของโซลูชัน Human-in-the-loop ของ AKASA ซึ่งก็คือ Unified Automation และกรณีการใช้งานหลักๆ ของแพลตฟอร์มนี้ได้หรือไม่?

Unified Automation เป็นแพลตฟอร์มที่ออกแบบมาโดยเฉพาะสำหรับการดูแลสุขภาพ โดยใช้ AI, ML และทีมผู้เชี่ยวชาญด้านการเรียกเก็บเงินเพื่อสร้างโซลูชันที่ผสมผสานและปรับแต่งให้เหมาะสม ซึ่งช่วยให้คุณเห็นคุณค่าได้เร็วขึ้น โดยมีการบำรุงรักษาหรือคิวส่วนนอกที่แทบจะไม่มี

มันถูกออกแบบมาโดยคำนึงถึงสิ่งผิดปกติและกรณีใหม่ๆ หากพบสิ่งใหม่ๆ แพลตฟอร์มจะส่งสิ่งผิดปกตินั้นไปยังทีมผู้เชี่ยวชาญของ AKASA ซึ่งจะแก้ไขปัญหาในขณะที่ระบบเรียนรู้จากการกระทำของพวกเขา มันเป็นองค์ประกอบของมนุษย์ที่ทำให้เราแตกต่างจากโซลูชันอื่นๆ ในตลาดและช่วยให้แพลตฟอร์มเรียนรู้และปรับปรุงอย่างต่อเนื่อง

Unified Automation ยังปรับตัวเข้ากับธรรมชาติที่เปลี่ยนแปลงอยู่เสมอของอุตสาหกรรมการดูแลสุขภาพ มันเป็นโซลูชันที่ผสมผสานและปรับแต่งให้เหมาะสม ซึ่งช่วยลดค่าใช้จ่ายในการดำเนินงาน เพิ่มประสิทธิภาพของพนักงานในการทำงานที่ท้าทายและสร้างมูลค่า และปรับปรุงการเก็บเงินสำหรับระบบสุขภาพ ในขณะเดียวกันก็ปรับปรุงประสบการณ์ทางการเงินของผู้ป่วย

วิธีการทำงานของ Unified Automation คือ:

ซอฟต์แวร์เฉพาะของเราสังเกต: เครื่องมือ Worklogger ของเราสังเกตว่าพนักงานด้านการดูแลสุขภาพทำงานอย่างไร จากนั้นทีมของเราจะทำเครื่องหมายข้อมูลและใช้ข้อมูลนั้นในการฝึกอบรมการทำงานอัตโนมัติของเรา เพื่อให้ได้มุมมองที่ครอบคลุมของกระบวนการทำงานปัจจุบันและกระบวนการ

AI ทำงาน: หลังจากสังเกตและเรียนรู้กระบวนการทำงานของพนักงานด้านการดูแลสุขภาพ AI ของเราจะทำงานเหล่านั้นโดยอัตโนมัติ มันเรียนรู้อย่างต่อเนื่องจากปัญหาและกรณีใหม่ๆ ที่พบ และทำงานที่ซับซ้อนมากขึ้นเมื่อเวลาผ่านไป

ความเชี่ยวชาญของมนุษย์ให้การรับประกัน: ระบบจะส่งต่อทีมผู้เชี่ยวชาญด้านการเรียกเก็บเงินของเราเพื่อจัดการสิ่งผิดปกติและกรณีใหม่ๆ ในขณะที่ฝึกอบรม AI ในเวลาเดียวกัน นี่คือส่วนของ Expert-in-the-loop เมื่อมีการเรียนรู้อย่างต่อเนื่องในตัว แพลตฟอร์ม Unified Automation จะ变得ฉลาดและทำงานได้ดีขึ้นเมื่อเวลาผ่านไป และงานจะเสร็จสิ้นเสมอ

มีสิ่งใดที่คุณต้องการแบ่งปันเกี่ยวกับ AKASA อีกหรือไม่?

เรามีแนวทางที่ให้ความสำคัญกับการวิจัย ซึ่งหมายความว่าลูกค้าของเรามีการเข้าถึงเทคโนโลยีที่ทันสมัยที่สุด เรามุ่งมั่นที่จะเผยแพร่การวิจัยของเราและแนวทาง AI ในสื่อการวิจัยที่ได้รับการตรวจสอบเพื่อตั้งมาตรฐานใหม่สำหรับ AI ในการดำเนินงานด้านการดูแลสุขภาพ และนำอุตสาหกรรมทั้งหมดไปข้างหน้า

ตัวอย่างเช่น การวิจัยของเราได้รับการนำเสนอที่การประชุมสัมมนาระดับนานาชาติเกี่ยวกับการเรียนรู้ของเครื่อง (ICML) การสัมมนาเกี่ยวกับการประมวลผลภาษา自然 (NLP) และการประชุมสัมมนาเกี่ยวกับการเรียนรู้ของเครื่องสำหรับการดูแลสุขภาพ (MLHC) และอื่นๆ เรากำลังใช้แนวทางที่มีระเบียบในการทดสอบโมเดลของเราและเปรียบเทียบผลการทำงานกับแนวทาง AI ที่ทันสมัยที่สุดในตลาด

โซลูชันการคาดการณ์การปฏิเสธของเราถือเป็นระบบที่ใช้การเรียนรู้ลึกที่สามารถคาดการณ์การปฏิเสธการเรียกร้องทางการแพทย์ได้มากกว่า 22% เมื่อเทียบกับมาตรฐานที่มีอยู่ โมเดล Read, Attend, Code ของเราสำหรับการเข้ารหัสอัตโนมัติของการเรียกร้องทางการแพทย์จากบันทึกทางคลินิกได้รับการยอมรับว่าเป็นมาตรฐานใหม่สำหรับอุตสาหกรรม และทำงานได้ดีกว่าโมเดลที่มีอยู่ 18% โดยเอาชนะความสามารถในการผลิตของคนเข้ารหัส เรามั่นใจว่านวัตกรรมเหล่านี้เป็นสิ่งสำคัญในการปรับปรุงระบบการดูแลสุขภาพของสหรัฐอเมริกาในระดับใหญ่ และจะยังคงผลักดันให้เกิดความก้าวหน้าและสร้างโซลูชันที่ปรับแต่งให้เหมาะสมสำหรับพื้นที่นี้

มีการ宣伝เกินจริงเกี่ยวกับ AI ในด้านการดูแลสุขภาพ แต่เมื่อมันลงมาถึงสิ่งสำคัญ คือบริษัทสามารถ宣伝เกินจริงเกี่ยวกับสิ่งที่เทคโนโลยีของพวกเขาทำได้จริงๆ มันคือสิ่งที่ยากกว่าในการทำการวิจัยเพื่อยืนยันว่าอัลกอริทึมทำอะไรได้บ้าง และเราภูมิใจที่จะเดินตามเส้นทางที่มีความหมายและท้าทายเพื่อแสดงให้เห็นว่าแพลตฟอร์ม Unified Automation ของ AKASA นำมาซึ่งการเปลี่ยนแปลงที่ดีและมีความหมายจริงๆ ต่อโรงพยาบาลและระบบสุขภาพ

เรารู้สึกตื่นเต้นเกี่ยวกับอนาคตและสิ่งที่จะเกิดขึ้นที่ AKASA เมื่อเราก้าวหน้าในการสร้างอนาคตของการดูแลสุขภาพด้วย AI

ขอขอบคุณสำหรับการสัมภาษณ์ที่ดี ผู้อ่านสามารถเยี่ยมชม AKASA เพื่อเรียนรู้เพิ่มเติม