Akilesh Bapu, DeepScribe’un Kurucusu ve CEO’su – Röportaj Serisi

Akilesh Bapu, DeepScribe‘un kurucusu ve CEO’sudur. DeepScribe, doğal dil işleme (NLP) ve gelişmiş derin öğrenme kullanarak doktor-hasta konuşmalarının doğru, uyumlu ve güvenli notlarını oluşturur.

Sizi AI ve doğal dil işleme dünyasına çeken şey nedir?

Eğer doğru hatırlıyorsam, “Iron Man” filmindeki Jarvis, beni doğal dil işleme ve AI dünyasına çeken ilk şeydi. Özellikle, bir insan nasıl daha hızlı görevleri yerine getirebiliyor ve belirli görevlerde nasıl daha derinlemesine bilgiye ulaşabiliyordu, bunuJarvis sayesinde keşfettim.

Bu, “AI tek başına insanların çoğu görevde olduğu kadar iyi olmayabilir, ancak bir insan ve AI birlikte çalıştığında, bu kombinasyon dominatör olacaktır” kavramıydı. Doğal dil işleme, bu insan-AI kombinasyonunun gerçekleşmesinin en etkili yolu.

Daha sonra, Siri, Google (GOOGL ) Now, Alexa gibi teknolojilerle ilgilenmeye başladım. Bunlar Jarvis gibi çalışmasa da, Jarvis gibi çalışmasını çok istiyordum. Özellikle, “Alexa bunu yap”, “Alexa şunu yap” gibi komutlar kolay ve doğruydu, ancak Jarvis gibi bir teknoloji, bir konuşma sırasında önemli konuları öğrenip, filtreleyip, seçebiliyordu.

Bu, DeepScribe’u kurma nedenlerimden biridir. Doktorların belgelerini çözme sorununu çözerken, aynı zamanda yeni bir zeka dalgası yaratmaya çalışıyoruz: ambiente zeka. AI, günlük konuşmalarınızı dinleyerek, faydalı bilgileri bulup, bu bilgileri size yardımcı olmak için kullanabilir.

UC Berkeley College of Engineering’de derin öğrenme ve NLP kullanarak bir araştırma yaptınız. Bu araştırmanın konusu nedir?

UC Berkeley AI Araştırma Laboratuvarı’nda, bir gen ontolojisi annotatör projesi üzerinde çalışıyordum. PubMed makalelerini belirli çıktı parametreleriyle özetliyorduk.

Genel olarak, bir görev gibi haber makalelerini özetlemek vardı. Bu görevde, haber makalelerini birkaç cümleyle özetliyorduk. Bizim lehimize, bu görevi gerçekleştirmek için büyük miktarda veri ve bu modelleri över milyonlarca makaleyle eğitebiliyorduk. Ancak, bu görevin çözülmesi zor bir sorunudur, çünkü özetlerin yapısı sınırlıdır ve makalelerin kendileri de yapısal değildir.

Araştırmamızda, yapısal özetler geliştirdik. Bu özetler, normal özetlere benzer, ancak çıktı yapısını biliyoruz. Bu, makine öğrenimi modelimizin çıktı seçeneklerini dramatik olarak azaltmasına yardımcı olur. Ancak, bu modeli eğitmek için yeterli veri yoktu.

Bu projede yaptığım iş, girdiler hakkında sahip olduğumuz bilgileri kullanarak, shallow ML modellerinin bir kombinasyonunu geliştirmekti. Bu teknik, 2-adım annotatör olarak adlandırıldı. 2-adım annotatör, önceki en iyi sonuçların 20 katına ulaştı (54 procent vs 3.6 procent).

DeepScribe ile bu proje farklı görünse de, her ikisi de 2-adım annotasyon yöntemini kullanarak sınırlı veri setlerinde sonuçları iyileştirdi.

DeepScribe’u kurma nedeniniz nedir?

Her şey, tıp doktoru olan babamla başladı. Elektronik sağlık kayıt sistemleri önce sağlık hizmetlerine girmeden önce, doktorlar notlarını kağıda yazıyordu ve notlarına çok az zaman harcıyorlardı. Ancak, HITECH Yasası’nın 2009 yılında yürürlüğe girmesiyle birlikte, elektronik sağlık kayıt sistemleri popüler hale geldi ve babam bilgisayarda daha fazla zaman harcamaya başladı.

Babamın bu durumunu gören bir çocuk olarak, ona bir çözüm bulmaya çalıştım. İnternette araştırmalar yapıp, çeşitli çözümler denedim, ancak hiçbiri yeterli değildi.

2017 yazında, Berkeley AI Araştırma Laboratuvarı’nda çalışıyordum. Babamın hala belgelerini çözme sorunuyla uğraştığını gördüm ve “Neler yeni?” diye sordum. “Hiçbir şey değişmedi” dedi. Bunun sadece babamın sorunu olmadığını, birçok doktorun aynı sorunu yaşadığını fark ettim.

Bu sorun, doktorların çok fazla zaman harcamalarına neden oluyordu. Eğer bir yapay zeka sistemi geliştirip, doktorların hasta görüşmelerini özetleyerek, belgelerini çözme sorununu çözebilseydik, bu durumun değişebileceğini düşündüm.

DeepScribe’u kurmak için doğru zaman gelmişti. Berkeley’deki son yıldım ve aynı zamanda Lean Launchpad dersini aldım. Bu ders, bir ürünü geliştirmek ve müşteri geri bildirimi almak için çok önemliydi.

DeepScribe’u kullanan hastaneler, kâr amacı gütmeyen kuruluşlar veya akademik kurumlar hangileridir?

DeepScribe, UC Berkeley Sağlık Merkezi ile bir pilot program aracılığıyla başladı. Hartford Healthcare, Texas Tıp Merkezi ve Cedar Valley Tıp Uzmanları, DeepScribe ile çalışan büyük sistemlerden bazılarıdır.

Ancak, DeepScribe kullanıcılarının daha büyük bir kısmı, Alaska’dan Florida’ya kadar 50 özel uygulamadır. En popüler uzmanlıklarımız, birinci basamak bakım, ortopedi, gastroenteroloji, kardiyoloji, psikiyatri ve onkoloji, ancak diğer beberapa uzmanlığı da destekliyoruz.

DeepScribe, COVID-19 salgınıyla mücadele için bir program başlattı. Bu programı anlatır mısınız?

COVID-19 salgını, doktorları çok zor durumda bıraktı. Uygulamalar, yalnızca hasta yüklerinin %30-40’ını görüyorlar ve sağlık hizmeti sağlayıcıları, tüm hastalarını tele-tıp yoluyla görme zorunda kalıyorlar. Bu, sağlık hizmeti sağlayıcıları için daha fazla bürokratik iş anlamına geliyor.

DeepScribe, bu soruna yardımcı olmak için bir tele-tıp çözümü başlattı. Bu çözüm, sağlık hizmeti sağlayıcılarının belgelerini çözme ihtiyacını ortadan kaldırarak, doktorların tüm dikkatlerini hastalarına vermesine yardımcı oluyor.

Ayrıca, salgın süresince, sağlık hizmeti sağlayıcılarına ücretsiz bir scribe hizmeti sunuyoruz. Bu, doktorların belgelerini çözme sorununu çözmelerine ve daha fazla zamanlarını hastalarına ayırmasına yardımcı oluyor.

Çok güzel bir röportaj için teşekkür ederim, DeepScribe ve girişimci yolculuğunuz hakkında öğrenmek çok keyifliydi. Daha fazla bilgi öğrenmek isteyenler, DeepScribe sitesini ziyaret edebilir.