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

Varun Ganapathi, AKASA‘nın CTO ve kurucu ortağıdır. AKASA, sağlık uygulamaları için yapay zeka geliştiren bir şirkettir. AKASA, sağlık organizasyonlarının operasyonlarını iyileştirmelerine, gelir döngüsünü artırmalarına, verimliliği artırmalarına ve hasta deneyimini iyileştirmelerine yardımcı olur. Varun, AKASA’dan önce iki yapay zeka şirketi kurdu, biri Google tarafından, diğeri ise Udacity tarafından satın alındı.

Siz, makine öğrenimi alanındaistinguished bir kariyere sahipsiniz. Stanford’da helikopterleri otonom hale getirdiğiniz erken günlerinizden bahseder misiniz?

Stanford’da fizik okumaktayken, aynı zamanda bilgisayar bilimi ve makine öğrenimi (ML) ile de ilgileniyordum. Bana göre, AI ve ML her şeyi bir araya getiren bir şeydi – aslında, her türlü dijitalleştirilebilir olguda fizik yapmanın otomatik bir yolu.

Bu proje için, bir helikopterimiz vardı, ikiz yatak boyutunda biraz daha küçüktü – o zamanlar dronlar yaygın değildi. İnsanlar onu uçuruyor ve havada asılı kalma gibi numaralar yapıyordu. Bu çok zor bir işti, ama biz bu helikopteri otonom hale getirebilecek bir ML algoritması geliştirmek istiyorduk.

Bir fizik simülatörü oluşturduk, bu simülatör gerçek helikoptere dayanıyordu ve bir ML algoritması geliştirdik, bu algoritma helikopterin hareketlerini öğrenebildi. Sonra simülatör içinde takviye öğrenimi kullandık ve bir kontrolör geliştirdik, yazılımı aldık ve gerçek helikoptere yükledik. Helikopteri çalıştırdığımızda, ilk denemede çalıştı! Helikopter hemen kendi başına asılı kalabildi, bu oldukça etkileyiciydi. Takım, diğer numaraları da otonom hale getirmeye devam etti.

Google Books’ta da çalıştınız, orada çalıştığınız algoritmadan ve şirketinizin Google tarafından satın alınmasından bahseder misiniz?

Aslında, Stanford’da dersler alırken 2004 yılında Google’da staj yaptım – bu, helikopter projesinden hemen sonraydı. O zaman, Google Books projesinde ML uyguluyordum, dünyanın tüm kitaplarını tarıyorduk.

Google, insanların kitaplar hakkında bilgi etiketlemesini ödemekteydi, bu çok zaman alıyordu. Ben de bunu ML ile yapabilir miyiz diye düşündüm ve gerçekten iyi çalıştı. İnsanların yaptığı işten daha iyi ve daha doğru çalıştı, çünkü většindeki hatalar insanlardan kaynaklanıyordu.

Bu beni ML’ye karşı çok heyecanlandırdı, çünkü insan performansından süper insan performansına geçilebileceğini gösterdi – insanlardan daha az hata ile ve daha tutarlı bir şekilde, aynı zamanda kenar durumlarını da ele alabilen bir performans.

Oradan, Stanford’da doktora yapmaya karar verdim, önce daha teorik makaleler üzerine odaklandım. Tezimde, bir derinlik kamerasından gerçek zamanlı olarak tüm insan eklemelerinin hareketini takip edebilen bir algoritma geliştirdim. Bu, ilk şirketim olan Numovis’in temelini oluşturdu, bu şirket motion tracking ve bilgisayar vizyonu üzerine odaklanıyordu. Google tarafından satın alındı.

Helikopter projesinden Google Books’a, sonra self-driving arabalara ve şimdi de sağlık operasyonlarına kadar olan tüm yolculuğum, makine öğrenimi algoritmalarının ne kadar güçlü ve genel olduğunu gösterdi.

AKASA’nın doğuş hikayesini paylaşabilir misiniz?

AKASA’yı, sağlık operasyonlarında derinlemesine gömülü bir problemi çözmek için kurduk. Bu operasyonlar hem pahalı hem de hatalı olabilir ve bu, hastalar için gereksiz panik yaratıcı finansal deneyimler yaşatabilir. İdari tarafta yeni teknolojiler yoktu ve hiçbir şey amaçlarına uygun olarak tasarlanmamıştı. Bize göre, AI ve ML gibi teknolojileri kullanarak bu operasyonel zorlukları yenilikçi bir şekilde çözebilirdik. Çok sayıda sağlık sistemi ve sağlık liderleriyle konuştuğumuzda, düşüncelerimizi onayladılar ve bu, AKASA’nın 2019’da kurulmasına yol açtı.

AKASA’nın amacı, başından beri netti – insan sağlığını mümkün kılmak ve AI ile sağlık hizmetlerinin geleceğini inşa etmek. Bu zorluğu ele almak için, insan zekasını öncü AI ve ML ile birleştirdik, böylece sağlık sistemleri işletme maliyetlerini azaltabilir ve kaynaklarını en önemli yerlerde kullanabilir.

Sistem-agnostik, esnek platformumuz şu anda 475’den fazla hastane ve sağlık sistemini ve 50 eyalette 8.000’den fazla ayakta tedavi tesisini temsil eden bir müşteri tabanına hizmet vermektedir. Bu organizasyonlara, ister Epic, Cerner, diğer EHR’ler veya takviye sistemler gibi elektronik sağlık kaydı (EHR) sağlayıcılarını kullanıyor olsunlar, her şey dahil olmak üzere yardımcı oluruz. Ve güçlü sonuçlar elde ettik.

Müşteri tabanımız, Medicaid ve Medicare Hizmetleri Merkezleri‘ne göre yıllık olarak tüm ABD sağlık sistemi harcamalarının %10’unun üzerinde olan 110 milyar doların üzerinde birleşik net hasta geliri temsil etmektedir. Ve AKASA’nın modelleri ve algoritmaları yaklaşık 290 milyon talep ve tahsilata göre eğitilmiştir.

Sağlık hizmetlerinin görünmez boru hattı son derece karmaşıktır, ancak insan sağlığı üzerinde büyük bir etkisi vardır ve bunu parça parça otomatikleştirmekteyiz.

AKASA, sağlık hizmetlerinde hangi görevleri otomatikleştirmeyi planlıyor?

Üstün Automation™ adlı benzersiz uzman-çevrimiçi yaklaşımımız, ML’yi insan yargısı ve konu uzmanlığı ile birleştirir ve sağlık operasyonları için sağlam ve esnek bir otomatikleştirme sağlar. AKASA, sağlık finans fonksiyonu içindeki uçtan uca görevleri, fatura işleme ve ödemeleri nhanh ve verimli bir şekilde otomatikleştirebilir. AKASA tarafından otomatikleştirilen belirli görevler, hasta uygunluğunu kontrol etmek, sigorta bilgilerini belgelemek ve doğrulamak, hasta maliyetini tahmin etmek, düzenleme, yeniden fatura çıkarma ve talepleri reddetmek ve retleri öngörme ve yönetmeyi içerir.

Bu tür bir otomatikleştirme, yalnızca insan hatasını ve gecikmeleri azaltmakla kalmaz, aynı zamanda sağlık personelinin manuel, tekrarlayan görevleri tamamen ortadan kaldırır, böylece daha ödüllendirici, zorlu ve değer yaratıcı görevlere odaklanabilirler.

Kullanılan farklı türdeki makine öğrenimi algoritmaları nelerdir?

AKASA, self-driving arabaları mümkün kılan aynı makine öğrenimi yaklaşımlarını kullanarak, sağlık sistemlerine sağlık operasyonlarını otomatikleştirmek için tek bir çözüm sağlar. Bu yaklaşım – ML merkezli – otomasyonun daha karmaşık işleri daha büyük ölçeklerde ele almasına olanak tanır.

Bilgisayar vizyonu, doğal dil anlama ve yapısal veri sorunları olmak üzere state-of-the-art algoritmalar geliştiriyoruz. Platformumuz, modern AI, ML ve uzman-çevrimiçi ile güçlendirilen bilgisayar vizyonu ile çalışan RPA ile başlar.

Nasıl çalıştığına dair yüksek düzeyde bir genel bakış sağlamak için, özel çözümümüz önce sağlık personelinin görevlerini nasıl tamamladığını观le. Ekibimiz sonra bu verileri etiketler ve algoritmalarımızı eğitmek için kullanır, böylece teknolojinin sağlık personeli ve sistemlerinin nasıl çalıştığını anlayabilir ve öğrenebilir. Bundan sonra, platform bu iş akışlarını otonom olarak gerçekleştirir. Son olarak, uzman-çevrimiçi olan uzmanlarımız, sistem tarafından bayraklanan aykırı değerler veya istisnalar olduğunda müdahale edebilir. AI, bu deneyimlerden sürekli olarak öğrenir, böylece zamanla daha karmaşık görevleri ele alabilir.

İnsan-çevrimiçi yaklaşımlarının önemini ve neden RPA’yi yer değiştireceğini tartışabilir misiniz?

Gerçek şu ki, RPA, decades-old bir teknolojidir ve gerçek sınırları vardır. Basit, ayrı ve lineer işleri otomatikleştirmekte her zaman bir değeri olacaktır. Ancak, otomasyon çabalarının genellikle umdukları sonuçları elde edememesinin nedeni, hayatın karmaşık ve her zaman değişiyor olmasıdır.

RPA’nın temel yaklaşımı, her bir problem veya çözülmesi istenen yol için bir robot (bot) oluşturmaktır. Bir insan (danışman veya mühendis) bir problemi çözmek için bir robot oluşturur. Bu robotik çözüm, bir dizi adımı yerine getirir.

Sorun genellikle, dünyanın değişmesi (örneğin, bir parça yazılıma veya UI’ye bir değişiklik yapılması) botların bozulmasına neden olur. Teknolojinin sürekli olarak geliştiği bilinmektedir, bu da dinamik ortamları yaratmaktadır. Bu nedenle, RPA robotları genellikle başarısız olur.

Bu botların bir başka sorunu, her bir durumu çözmek istediğinizde bir tane 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 olabilir – bir diyalog kutusu ortaya çıkabilir veya yeni bir tür girdi oluşabilir. Sonuç, botları çalışır durumda tutmak için pahalı bir bakım olur. Forrester araştırmasına göre, RPA için her 1 dolar harcamanın yanı sıra, 3,41 dolarlık danışmanlık kaynağı harcanmaktadır.

Diğer bir deyişle, RPA yazılımının kendisi ana maliyet değildir. Daha büyük maliyet yatırımı, botların her zaman çalışır durumda kalmasını sağlamak için yapılan işlerdir. Çok sayıda organizasyon, bu sürekli maliyeti hesaba katmaz.

Hayatın çoğu karmaşıktır ve sürekli olarak değişmektedir, bu nedenle çok fazla iş RPA’nın yeteneklerinin ötesindedir, burada ML devreye girer. ML, zor işleri otomatikleştirmemizi sağlar. Ve biz, algoritmaları iyileştiren uzman-çevrimiçi insanların özel karışımı olduğuna inaniyoruz.

Algoritma ne yapacağını bilmiyorsa (düşük güven), uzman-çevrimiçi olan uzmanlarımıza yönlendirilir. Uzmanlarımız bu örnekleri etiketler ve mevcut modelin ele almadığı durumları tanımlar. AI doğru olduğunda, bu iyi işleyen bir görevdir.

Her görevde, insan bir problemi yakalarsa, bu, makinenin işi doğru şekilde ele almadığı bir durumdur. Bu durumda, veri setimize veri eklenir ve ML modellerini bu yeni duruma göre yeniden eğitiriz.

Zamanla, ML modeli yeni kenar durumlarına karşı dayanıklılık kazanır. Bu, zamanla daha güçlü ve daha esnek bir sistem ile sonuçlanır ve insan müdahalesi azalacaktır.

AI’yi daha akıllı, daha hızlı ve daha iyi yapan, uzman-çevrimiçi olan uzmanlardır. AI’yi doğru şekilde eğitmek ve sağlık sektöründe gibi dinamik bir alanda kenar durumlarını ele alabileceğinden emin olmak için insanlara ihtiyacımız vardır.

AKASA’nın insan-çevrimiçi çözümü Unified Automation™ nasıl çalışır ve bu platformun primary kullanım örnekleri nelerdir?

Unified Automation, sağlık hizmetlerine özel olarak tasarlanmış bir platformdur. AI, ML ve tıbbi fatura uzmanlarımızın birleşimi ile birlikte, değeri daha hızlı görebileceğiniz,几乎 hiçbir bakım veya istisna kuyruğu olmadan bir çözüm oluşturur.

İstisnai durumlar ve aykırı değerler düşünülerek tasarlanmıştır. Yeni bir şeyle karşılaştığında, platformu AKASA’nın uzman ekibine yönlendirir ve sistem, uzmanların eylemlerinden öğrenir. Bu, insan unsurudur ve bizi diğer çözümlerden ayıran özelliktir, aynı zamanda platformun sürekli olarak öğrenmesine ve gelişmesine olanak tanır.

Unified Automation, sağlık sektörünün dinamik doğasını da uyarlar. İşletme maliyetlerini azaltan, personeli daha ödüllendirici görevlere yönlendiren ve sağlık sistemleri için gelir elde edilmesini iyileştiren, aynı zamanda hasta finansal deneyimini iyileştiren bir çözümdür.

Unified Automation nasıl çalışır:

Özel yazılım观le: Worklogger™ aracımız, sağlık personelinin görevlerini nasıl tamamladığını uzaktan观le. Sonra ekibimiz bu verileri etiketler ve otomasyonumuza verir, böylece iş akışları ve süreçleri hakkında kapsamlı bir görünüm elde ederiz. Bu, personelin performansına daha yüksek görünürlük, otomasyonumuzu güçlendirmek için temel veri ve görev başına zaman analizi sağlar.

AI gerçekleştirir: Sağlık personelinin iş akışlarını观le ve öğrenince, AI bu görevleri otonom olarak gerçekleştirir. Karşılaştığı sorunlardan ve kenar durumlarından sürekli olarak öğrenir, zamanla daha karmaşık görevleri ele alabilir. Unified Automation, iş kuyruğunda yukarı akışta oturur, kendisine uygun görevleri atar ve tamamlar, böylece ekibe hiçbir şekilde müdahale gerekmez. Ayrıca, süreçleri otomatik olarak optimize eder, böylece personele hiçbir kurulum veya müdahale gerekmez.

İnsan uzmanlığı sağlar: Sistem, uzman-çevrimiçi olan uzmanlarımızı, istisnaları ve aykırı değerleri ele almak için otomatik olarak yönlendirir, böylece AI, uzmanlarımız çalışırken gerçek zamanlı olarak öğrenir. Bu, Unified Automation platformunun zamanla daha akıllı ve daha verimli hale gelmesini sağlar ve iş her zaman tamamlanır.

AKASA hakkında paylaşmak istediğiniz başka bir şey var mı?

Araştırma-öncelikli bir yaklaşımımız var, bu da müşterilerimizin en son teknolojiye erişimini sağlar. Sağlık hizmetleri operasyonlarında AI için yeni standartlar belirlemek ve tüm endüstrimizi ileriye taşımak için peer-reviewed yayınlarında AI ve yaklaşımlarımızı yayınlamaya kararlıyız.

Örneğin, araştırmamız, International Conference on Machine Learning (ICML), Natural Language Processing (NLP) Summit ve Machine Learning for Healthcare Conference (MLHC) gibi konferanslarda sunuldu. AI yaklaşımlarımızı test etmek ve sağlık hizmetleri operasyonlarında piyasada bulunan state-of-the-art AI yaklaşımlarıyla performansını karşılaştırmak için disiplinli bir yaklaşım izliyoruz.

Tahmin edilen retlerimize ilişkin çözümümüz, mevcut baz çizgilerine göre %22’den fazla tıbbi talepleri reddetme yeteneğine sahip olan ilk yayımlanmış derin öğrenme tabanlı sistem olduğuna inanılmaktadır. Klinik notlardan tıbbi taleplerin otonom kodlamasını sağlayan Read, Attend, Code modelimiz, endüstrinin yeni bir state-of-the-art standardını tanımladı ve mevcut modelleri %18 oranında aştı – insan kodlayıcıların üretkenliğini geçti. Bu tür arka ofis inovasyonlarının, ABD sağlık sistemini ölçeklenebilir bir şekilde iyileştirmek için kritik olduğuna inaniyoruz ve bu alanda ilerlemeleri sürdürecek ve özelleştirilmiş çözümler geliştireceğiz.

Sağlık hizmetlerinde AI hakkında çok fazla hype var, ancak AI algoritmalarının gerçekten neler yapabileceğine gelince, şirketler teknoloji hakkında abartılı iddialarda bulunabilir. Algoritmaların ne yaptığını doğrulamak için araştırma yapmak daha zordur – ve biz, anlamlı, ancak zorlu bir yolu izleyerek, AKASA’nın Unified Automation platformunun gerçekten hastaneler ve sağlık sistemleri için olumlu ve anlamlı bir değişiklik getirdiğini kanıtlamak için gurur duyuyoruz.

Gelecekten heyecan duyuyoruz ve AKASA’da neler olacağını bekliyoruz, çünkü AI ile sağlık hizmetlerinin geleceğini inşa ediyoruz.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular AKASA‘yı ziyaret edebilir.