Varun Ganapathi, AKASA’nın CTO’su ve Kurucu Ortağı – Röportaj Serisi

Varun Ganapathi, AKASA’nın CTO’su ve kurucu ortağıdır. AKASA, sağlık uygulamaları için yapay zeka geliştiren bir şirketidir. AKASA, sağlık organizasyonlarının operasyonlarını iyileştirmelerine, gelirlerini artırmalarına, verimliliklerini tăngırmasına ve hasta deneyimini geliştirmelerine yardımcı olur. Varun, AKASA’dan önce iki yapay zeka şirketi kurmuş ve bunlardan biri Google (GOOGL ) tarafından, diğeri ise Udacity tarafından satın alınmıştır.

Yapay zeka alanındaki seçkin kariyerinizden bahseder misiniz? Özellikle Stanford’da helikopterleri otonom hale getirmeye çalıştığınız günlerden bahseder misiniz?

Stanford’da fizik okuyorken aynı zamanda bilgisayar bilimi ve makine öğrenimi ile de ilgileniyordum. Bana göre yapay zeka ve makine öğrenimi, her şeyi bir araya getiren bir şeydi – aslında her dijitalleştirilebilir olguyu otomatikleştirmenin bir yolu.

Bu proje için, bir helikopterimiz vardı ki bu, bir ikiz yataktan biraz daha küçüktü – o zamanlar dronlar yaygın değildi. İnsanlar onu uçuruyor ve hileler yapıyordu, örneğin ters yüzü uçuruyorlardı. Bu çok zor bir şeydi, ama biz bir makine öğrenimi algoritması geliştirmek istedik ki bu, insanların helikopteri nasıl uçurduğunu öğrenebilsin.

Bir fizik simülatörü oluşturduk ki bu, gerçek helikoptere dayanıyordu ve bir makine öğrenimi algoritması geliştirdik ki bu, helikopterin hareketlerini tahmin edebilsin. Sonra bu algoritmayı simülatörde güçlendirdik ve bir kontrolcü geliştirdik, sonra bu yazılımı gerçek helikoptere yükledik. Helikopteri açtığımızda, ilk denemede çalıştı! Helikopter, hemen ters yüzü uçmaya başladı, bu çok etkileyiciydi. Takım, diğer hileleri de otomatikleştirmeye devam etti.

Google Kitaplar’da çalıştığınızdan bahseder misiniz? Orada çalıştığınız algoritmadan ve şirketinizin Google tarafından satın alınmasından bahseder misiniz?

2004 yılında, Stanford’da dersler alırken, Google’da staj yaptım – bu, helikopter projesinden sonra oldu. O zaman, Google Kitaplar projesinde makine öğrenimi uyguluyordum, dünyanın tüm kitaplarını tarıyorduk.

Google, insanların kitaplar hakkında bilgi girmesi için para ödüyordu – bu, çok zaman alan bir işti. Ben, bunu makine öğrenimi ile yapabileceğimi düşündüm ve gerçekten çok iyi çalıştı. İnsanların yaptığı hatalardan daha iyi ve daha doğru çalıştı, çünkü çoğu hata insanlardan kaynaklanıyordu.

Bu, beni makine öğrenimi konusunda çok heyecanlandırdı, çünkü insan performansından süper insan performansına geçilebileceğini gösterdi – monoton işleri daha az hata ile ve daha tutarlı bir şekilde yapabilme, ayrıca kenar durumlarını da ele alma.

Bundan sonra, Stanford’da makine öğrenimi ve daha teorik konular üzerine doktora yapmaya karar verdim. Tezimde, bir derinlik kamerasından gerçek zamanlı olarak insan eklem hareketlerini takip edebilen bir algoritma geliştirdim. Bu, ilk şirketim olan Numovis’in temelini oluşturdu, bu şirket motion tracking ve bilgisayar görme için kullanıcı etkileşimi üzerine odaklanıyordu. Bu şirket, Google tarafından satın alınmıştır.

Helikopter projesinden, Google Kitaplar’a, otonom arabalara ve şimdi de sağlık operasyonlarına kadar olan tüm yolculuğum, makine öğrenimi algoritmalarının ne kadar güçlü ve genel olduğunu gösterdi.

AKASA’nın hikayesini paylaşabilir misiniz?

AKASA’yı, sağlık operasyonlarında büyük ve derinlemesine bir problemi çözmek için kurduk. Bu operasyonlar hem pahalı hem de hatalı olabilir ve bu, hastalar için gereksiz ve panik yaratan finansal deneyimler yaratabilir. İdari tarafta yeni teknolojiler yoktu ve amaçlanan hiçbir şey yapılmıyordu. Bize göre, teknoloji gibi yapay zeka ve makine öğrenimi kullanılarak bu operasyonel zorluklar yenilikçi bir şekilde çözülebilirdi. Çok sayıda sağlık sistemi ve sağlık liderleriyle konuştuğumuzda, düşüncemizi onayladılar ve bu, 2019’da AKASA’nın kurulmasına yol açtı.

AKASA’nın amacı, başlangıçtan itibaren netti – insan sağlığını desteklemek ve yapay zeka ile sağlık hizmetlerinin geleceğini inşa etmek. Bu zorluğu ele alma şeklimiz, insan zekasını öncü yapay zeka ve makine öğrenimi ile birleştirmek oldu, böylece sağlık sistemleri operasyonel maliyetleri azaltabilir ve kaynaklarını en önemli yerlerde tahsis edebilir.

Sistem-agnostik, esnek platformumuz şu anda 475’den fazla hastane ve sağlık sistemini ve 50 eyalette 8.000’den fazla ayakta tedavi merkezini temsil eden bir müşteri tabanına hizmet vermektedir. Bu organizasyonlar, elektronik sağlık kayıtları (EHR) sağlayıcıları gibi Epic, Cerner, diğer EHR’ler veya takviye sistemleri kullanıyor olsun, her şeyi arasında kullanıyor olsun, teknolojiğimiz onlara yardımcı oluyor. Ve bunu güçlü sonuçlarla başardık.

Müşteri tabanımız, birleşik net hasta geliri açısından 110 milyar doların üzerinde bir değere sahiptir, bu da yıllık olarak ABD sağlık sistemi harcamalarının %10’unun üzerinde bir değerdir. AKASA’nın modelleri ve algoritmaları, neredeyse 290 milyon iddia ve ödeme ile eğitilmiştir.

Sağlık hizmetlerinin görünmez altyapısı çok karmaşıktır, ancak insan sağlığı üzerinde büyük bir etkisi vardır ve bunu parça parça otomatikleştirmekteyiz.

AKASA, sağlık hizmetlerinde hangi görevleri otomatikleştirmeyi hedefliyor?

Üstün uzmanımızla birleşik otomasyon yaklaşımımız, makine öğrenimi ile insan yargısı ve konu uzmanlığını birleştirerek sağlık operasyonları için güçlü ve esnek bir otomasyon sağlar. AKASA, sağlık finans fonksiyonu içindeki uçtan uca görevleri nhanh ve verimli bir şekilde otomatikleştirebilir ve akışlaştırabilir. AKASA tarafından otomatikleştirilen belirli görevler, hasta uygunluğunu kontrol etme, sigorta bilgilerini belgeleme ve doğrulama, hasta maliyetini tahmin etme, düzenleme, yeniden faturalandırma ve itirazları yönetme ve retleri öngörme ve yönetmeyi içerir.

Bu tür bir otomasyon, sadece insan hatasını ve gecikmeleri azaltmakla kalmaz, aynı zamanda sağlık personelinin manuel ve tekrarlayan görevleri tamamen ortadan kaldırarak, personelin daha ödüllendirici, daha zorlu ve değer yaratıcı görevlere odaklanmasına olanak tanır.

AKASA’da kullanılan farklı makine öğrenimi algoritmaları nelerdir?

AKASA, sağlık sistemlerine sağlık operasyonlarını otomatikleştirmek için tek bir çözüm sunmak amacıyla self-driving arabalarda kullanılan aynı makine öğrenimi yaklaşımlarını kullanır. Bu yaklaşım, makine öğrenimi odaklıdır ve otomasyonun daha karmaşık işleri büyük ölçekte üstlenmesine olanak tanır.

Bilgisayar görme, doğal dil anlama ve yapılandırılmış veri sorunları açısından state-of-the-art algoritmalar geliştiriyoruz. Platformumuz, bilgisayar görme güçlü RPA ile başlar ve bunu modern AI, makine öğrenimi ve uzmanımızla birleştirerek güçlü bir otomasyon sağlar.

Çalışma şeklimizi yüksek düzeyde özetlemek için, özel çözümümüz önce sağlık personelinin görevlerini nasıl tamamladığını观leştirmektedir. Ekibimiz bu verileri etiketler ve algoritmalarımızı eğitmek için kullanır, böylece teknolojiniz sağlık personelinin ve sistemlerinin nasıl çalıştığını anlayabilir ve öğrenebilir. Ardından platformumuz, bu iş akışlarını otomatik olarak gerçekleştirir. Son olarak, uzmanlarımız, sistemin bayrak çektiği istisnaları ve outlier’ları ele almak için devreye girer. Yapay zeka, bu deneyimlerden sürekli olarak öğrenir, böylece daha karmaşık görevleri zamanla üstlenebilir.

İnsan-merkezli yaklaşımın önemini ve neden RPA’yi yer değiştireceğini tartışabilir misiniz?

Gerçek şu ki, RPA, decades-old bir teknolojidir ve sınırlı yetenekleri vardır. Basit, ayrı ve lineer işleri otomatikleştirmede bazı değerleri olacaktır, ancak otomasyon çabalarının genellikle hedeflerine ulaşamamasının nedeni, hayatın karmaşık ve sürekli değişiyor olmasıdır.

RPA’nın temel yaklaşımı, her problemi veya yolu çözmek için bir robot (bot) oluşturmaktır. Bir insan (danışman veya mühendis), belirli bir problemi çözmek için bir robot oluşturur. Bu robotik çözüm, bir dizi adımı takip eder. Ekranı inceler, eylem alır ve tekrarlar.

Sıkça ortaya çıkan problem, dünyanın değişmesi, örneğin bir parça yazılımın veya kullanıcı arayüzünün değiştirilmesi, botların bozulmasına neden olabilir. Teknoloji sürekli evrim geçiriyor, bu da dinamik ortamlar yaratıyor. Bu nedenle RPA robotları sıkça başarısız oluyor.

Bu botların bir diğer problemi, her çözümlemek istediğiniz durumu çözmek için bir bot oluşturmanız gerektiğidir. Bunu yaptığınızda, çok küçük eylemler gerçekleştiren birçok robota sahip olursunuz.

Bu, bir nevi “whack-a-mole” oyunudur. Her gün, birinin bozulma olasılığı vardır, çünkü bir parça yazılım değişebilir veya bir şey beklenmedik xảyabilir – bir diyalog kutusu ortaya çıkabilir veya yeni bir tür girdi oluşabilir. Sonuç, botları çalışır durumda tutmak için pahalı bakım çalışmalarıdır. Forrester araştırmasına göre, RPA için her 1 dolar harcamanın yanı sıra, 3,41 dolarlık danışmanlık kaynağı harcanmaktadır.

Diğer bir deyişle, RPA yazılımının kendisi maliyetin büyük kısmı değildir. Daha büyük maliyet, botları sürekli çalışır durumda tutmak için yapılan işlerdir. Çok sayıda organizasyon, bu sürekli maliyeti hesaba katmaz.

Hayatın çok karmaşık ve sürekli değiştiği için, çok fazla iş RPA’nın yeteneklerinin ötesindedir, burada makine öğrenimi devreye girer. Makine öğrenimi, zor şeyleri otomatikleştirmemizi sağlar. İnsanların algoritmaları geliştirmesi, özel bir şey olduğuna inanıyoruz.

Algoritma, ne yapacağını bilmiyorsa (düşük güven), insan-merkezli yaklaşım devreye girer. İnsanlar, bu örnekleri etiketler ve mevcut modelin ele almadığı durumları tanımlar. Yapay zeka doğru olduğunda, bu iyi işleyen bir görevdir.

Her görev, insan tarafından sorunların yakalandığı bir durumdur. Bu durumda, veri setimize eklenir ve makine öğrenimi modellerini, bu yeni durumu ele alması için yeniden eğitiriz.

Zamanla, makine öğrenimi modeli, bu yeni kenar durumlarına karşı dayanıklılık kazanır. Bu, yeni outlier’lar ve istisnalar için esnek ve güçlü bir sistem sağlar ve sistem zamanla güçlenir. Bu, otomasyonun daha iyi ve daha iyi hale geldiği ve insan müdahalesinin zamanla azaldığı anlamına gelir.

İnsan uzmanların dahil edilmesi, yapay zekayı daha akıllı, daha hızlı ve daha iyi yapmanın kritik önemini vurgulamaktadır. İnsanlara ihtiyacımız vardır, böylece yapay zekayı doğru bir şekilde eğitebilir ve sağlık sektöründeki gibi dinamik bir alanda ortaya çıkabilecek outlier’ları ele alabiliriz.

AKASA’nın insan-merkezli otomasyon çözümü olan Unified Automation™’un nasıl çalıştığını ve bu platformun primary kullanım örneklerini paylaşabilir misiniz?

Unified Automation, sağlık hizmetleri için özel olarak tasarlanmış bir platformdur. Yapay zeka, makine öğrenimi ve tıbbi faturalama uzmanlarımızın birleşimi ile, değeri daha hızlı görebileceğiniz,几乎 hiçbir bakım veya istisna kuyruğu olmadan entegre ve özelleştirilmiş bir çözüm oluşturur.

İstisnaları ve outlier’ları göz önünde bulundurularak tasarlanmıştır. Yeni bir şeyle karşılaştığında, platform, sorunu AKASA uzmanlarına bildirir ve sistem, uzmanların aldıkları eylemlerden öğrenir. Bu, insan unsurudur ve bizi diğer çözümlerden ayıran ve platformun sürekli öğrenmesini ve gelişmesini sağlayan özelliktir.

Unified Automation, sağlık sektörünün dinamik doğasını da benimser. Sağlık sistemlerinin operasyonel maliyetlerini azaltmasına, personelin daha ödüllendirici görevlere odaklanmasına ve hasta finansal deneyimini iyileştirmesine yardımcı olan, entegre ve özelleştirilmiş bir çözümdür.

Unified Automation nasıl çalışır:

Özel yazılım观leştirmektedir: Worklogger™ aracımız, sağlık personelinin görevlerini nasıl tamamladığını uzaktan观leştirmektedir. Ekibimiz bu verileri etiketler ve otomasyonumuza sağlar, böylece iş akışları ve süreçleri hakkında kapsamlı bir görüş sağlar. Bu, personel performansı hakkında daha yüksek görünürlük, otomasyonumuzu güçlendirmek için temel veri ve görev başına zaman analizi sağlar.

Yapay zeka gerçekleştirir: Sağlık personelinin iş akışlarını觀leştirdikten ve öğrendikten sonra, yapay zeka bu görevleri otomatik olarak gerçekleştirir. Sürekli olarak, karşılaştığı sorunlardan ve kenar durumlarından öğrenir ve zamanla daha karmaşık görevleri üstlenir. Unified Automation, iş kuyruğunda yukarıda yer alır ve kendisine uygun görevleri atar ve personeli rahatsız etmeden tamamlar. Ayrıca, süreçleri otomatik olarak optimize eder, böylece personele müdahale etmesi gerekmez.

İnsan uzmanlığı sağlar: Sistem, istisnaları ve outlier’ları otomatik olarak AKASA’nın tıbbi faturalama uzmanlarına bildirir, böylece yapay zeka, uzmanların çalışırken gerçek zamanlı olarak eğitilir. Bu, uzman-merkezli yaklaşımın bir parçasıdır. Sürekli öğrenme entegre edildiğinden, Unified Automation platformu zamanla daha akıllı ve daha verimli hale gelir ve iş her zaman yapılır.

AKASA hakkında paylaşmak istediğiniz başka bir şey var mı?

Araştırma-öncelikli bir yaklaşımımız vardır, bu da müşterilerimizin en son teknolojiye erişimini sağlar. Sağlık operasyonlarında ve endüstride yapay zeka için yeni standartlar belirlemek amacıyla, yaklaşımlarımızı ve yapay zekayı peer-reviewed yayınlarda yayınlamaya ourselves.

Örneğin, araştırmamız, Uluslararası Makine Öğrenimi Konferansı (ICML), Doğal Dil İşleme (NLP) Zirvesi ve Makine Öğrenimi için Sağlık Konferansı (MLHC) gibi konferanslarda sunulmuştur. Yaklaşımlarımızı test etmek için disiplinli bir yaklaşım izliyoruz ve performanslarını pazarın en iyi yapay zeka yaklaşımları ile karşılaştırıyoruz.

Tahmin edilen retlerimize ilişkin çözümümüz, mevcut baz çizgilerine kıyasla %22’den fazla tıbbi iddia retlerini doğru bir şekilde tahmin edebilen ilk yayımlanmış derin öğrenme tabanlı sistem olduğuna inanılmaktadır. Klinik notlardan tıbbi iddia kodlamasının otonom kodlaması için Read, Attend, Code modelimiz, endüstride yeni bir standart tanımlamıştır ve mevcut modelleri %18 oranında aşmıştır – insan kodlayıcıların verimliliğini aşmıştır. Bu tür arka ofis inovasyonlarının, ABD sağlık sistemini ölçeklendirerek iyileştirmek için kritik olduğuna inanıyoruz ve bu alanda özelleştirilmiş çözümler geliştirmeye devam edeceğiz.

Sağlık hizmetlerinde yapay zeka konusunda çok fazla hype vardır, ancak şirketler, teknoloji gerçekten ne yapabiliyorsa, bunu abartabilir. Algoritmaların ne yaptığını doğrulamak için araştırma yapmak daha zordur ve biz, anlamlı ancak zorlu bir yolu izleyerek, sonunda AKASA’nın Unified Automation platformunun gerçekten hastaneler ve sağlık sistemlerine olumlu ve anlamlı değişiklikler getirdiğini kanıtlamak için gurur duyuyoruz.

AKASA’da geleceğe ve olacaklara dair heyecanlıyız, yapay zeka ile sağlık hizmetlerinin geleceğini inşa etmeye devam ediyoruz.

Harika röportaj için teşekkür ederiz, daha fazla bilgi almak isteyen okuyucuların AKASA ziyaret etmelerini öneririz.