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 şirkettir. AKASA, sağlık organizasyonlarının gelir döngüsü dahil operasyonlarını iyileştirmelerine, gelirlerini artırmalarına, verimliliklerini artırmasına 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 dijitalleştirilebilen her olguya fiziği otomatik biçimde uygulamanın bir yolu.

Bu projede, büyük bir drone gibi görünen ve tek kişilik bir yatak şiltesinden biraz küçük bir helikopterimiz vardı. O dönem dronelar henüz yaygın değildi. İnsanlar onu uçuruyor ve ters şekilde havada asılı kalmak gibi akrobatik hareketler yaptırıyordu. Bunu yapmak çok zor olsa da helikopteri otonom uçurmayı insanlardan öğrenebilecek bir ML algoritması geliştirmek istedik.

Gerçek helikoptere dayanan bir fizik simülatörü ve hareketlerini tahmin etmeyi öğrenen bir ML algoritması oluşturduk. Ardından simülatörde pekiştirmeli öğrenme uygulayarak bir kontrolcü geliştirdik ve yazılımı gerçek helikoptere yükledik. Helikopteri çalıştırdığımızda ilk denemede başarılı oldu! Hemen kendi kendine ters şekilde havada asılı kalabildi; bu oldukça etkileyiciydi. Ekip, ML ile başka akrobatik hareketleri otomatikleştirmeyi sürdürdü.

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, kitapların sayfaları, içindekiler bölümleri, telif bilgileri gibi bilgileri etiketlemeleri için insanlara ödeme yapıyordu. Bu çok zaman alan bir işti. Bunu ML ile yapıp yapamayacağımızı görmek istedim ve çok iyi çalıştı. İnsanların yaptığından daha iyi ve daha doğru sonuç verdi; çünkü hataların çoğu elle etiketleme sırasında yapılan insan hatalarından 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 hareket takibi ve bilgisayarlı görü 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 bu işlere özel tasarlanmış hiçbir şey yoktu. 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.

Belirli bir sisteme bağlı olmayan, 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, teknolojimiz 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 Centers for Medicaid and Medicare Services verilerine göre ABD sağlık sistemlerinin yıllık toplam harcamasının %10’undan fazlasına karşılık gelir. AKASA’nın modelleri ve algoritmaları, neredeyse 290 milyon ödeme talebi ve ödeme kaydı 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?

Uzmanın sürece katıldığı benzersiz yaklaşımımız Unified Automation™, ML ile insan muhakemesini ve alan uzmanlığını birleştirerek sağlık operasyonları için güçlü ve dayanıklı otomasyon sağlar. AKASA, fatura işleme ve ödemeler dahil sağlık kuruluşlarının finans işlevindeki görevleri uçtan uca hızla ve verimli biçimde otomatikleştirip kolaylaştırabilir. Otomatikleştirilen görevler arasında hastanın sigorta kapsamına uygunluğunu denetlemek, sigorta bilgilerini belgelemek ve doğrulamak, hasta maliyetini tahmin etmek, ödeme taleplerini düzenlemek, yeniden faturalandırmak ve bunlara itiraz etmek, retleri tahmin etmek ve yönetmek bulunur.

Bu tür bir otomasyon, hastalar için insan hatasını ve gecikmeleri azaltıp beklenmedik tıbbi faturaları önlemeye yardımcı olmakla 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 otonom 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 en ileri düzeyde algoritmalar geliştiriyoruz. Platformumuz, bilgisayarlı görü tabanlı 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 gözlemler. Ekibimiz bu verileri etiketler ve algoritmalarımızı eğitmek için kullanır, böylece teknolojimiz 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.

İnsanın sürece dahil olduğu yaklaşımın önemini ve neden RPA’nın yerini alacağını tartışabilir misiniz?

Gerçek şu ki, RPA, birkaç on yıllık 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 bir şey olabilir – 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), görev sürece katılan insana aktarılır. İnsanlar, bu örnekleri etiketler ve mevcut modelin ele almadığı durumları tanımlar. Yapay zeka doğru olduğunda, bu iyi işleyen bir görevdir.

İnsanın bir sorun yakaladığı her görev, makinenin doğru ele alamadığı bir durumdur. Böyle bir durumda veri, veri setimize eklenir ve ML modelleri bu yeni durumu işleyebilmek için yeniden eğitilir.

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 sürece katılması, yapay zekâyı daha akıllı, daha hızlı ve daha iyi hale getirmek için kritik önem taşır. Yapay zekâyı doğru eğitmek ve her sektörde, özellikle sağlık gibi dinamik bir alanda kaçınılmaz olan sıra dışı durumları ele alabildiğinden emin olmak için insanlara ihtiyaç duyarız.

AKASA’nın insan-merkezli otomasyon çözümü olan Unified Automation™’un nasıl çalıştığını ve bu platformun başlıca 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, neredeyse 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 yapısına da uyum sağlar. Kesintisiz biçimde entegre edilmiş, ihtiyaçlara göre uyarlanmış bu çözüm, operasyonel maliyetleri azaltır; personeli insan dokunuşu gerektiren daha tatmin edici işlere yönlendirir; sağlık sistemlerinin gelir tahsilatını ve hastaların finansal deneyimini iyileştirir.

Unified Automation nasıl çalışır:

Özel yazılım gözlemler: Worklogger™ aracımız, sağlık personelinin görevlerini nasıl tamamladığını uzaktan gözlemler. 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 gözlemledikten 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?

Araştırmaya öncelik veren yaklaşımımız sayesinde müşterilerimiz ileri teknolojiye erişir. Sağlık operasyonlarında yapay zekâ için sürekli yeni ileri standartlar belirlemek ve tüm sektörümüzü ilerletmek amacıyla AI çalışmalarımızı ve yaklaşımlarımızı hakemli yayınlarda yayımlamayı taahhüt ediyoruz.

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.

Retleri tahmin eden çözümümüzün, tıbbi ödeme taleplerinin reddini mevcut temel yöntemlere kıyasla yüzde 22’den fazla daha yüksek doğrulukla tahmin edebilen, yayımlanmış ilk derin öğrenme tabanlı sistem olduğuna inanılıyor. Klinik notlardan tıbbi ödeme taleplerini otonom kodlayan Read, Attend, Code modelimiz, sektör için yeni bir ileri seviye belirleyen bir çalışma olarak tanındı ve mevcut modelleri yüzde 18 aşarak insan kodlayıcıların verimliliğini de geçti. Bu arka ofis yeniliklerinin ABD sağlık sistemini büyük ölçekte iyileştirmek için kritik olduğuna inanıyoruz; bu alanda ilerlemeyi ve ihtiyaca göre çözümler geliştirmeyi sürdüreceğiz.

Sağlık hizmetlerinde yapay zeka konusunda çok fazla abartılı tanıtım 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.