Андреас Клеве, співзасновник і генеральний директор Corti – Серія інтерв’ю

Андреас Клеве, співзасновник і генеральний директор Corti, – підприємець, який займається просуванням штучного інтелекту в сфері охорони здоров’я. Його робота в цій сфері почалася з Ovivo, платформи для планування робочої сили в лікарнях, яка швидко розширилася по всій Данії, а потім була придбана в 2013 році. Пізніше він став співзасновником Hyvi, дослідницької ініціативи, яка вивчає контекстно-залежні мовні моделі, здатні розуміти складні розмови в режимі реального часу, яка в кінцевому підсумку перетворилася на Corti в 2018 році. Окрім створення компаній, Клеве відіграв ключову роль у зміцненні північноєвропейського екосистеми штучного інтелекту завдяки ініціативам, таким як Nordic.ai, та консультативним ролям в організаціях, таких як DIGITALEUROPE та Національна рада з цифровізації Данії.

Corti – це копенгагенська компанія зі штучним інтелектом у сфері охорони здоров’я, яка розробляє спеціалізовані моделі, призначені для розуміння медичних розмов та підтримки клініцистів в режимі реального часу. Її платформа діє як помічник штучного інтелекту для фахівців охорони здоров’я, генеруючи клінічну документацію, висвітлюючи відомості під час взаємодії з пацієнтами та автоматизуючи адміністративні робочі процеси. Надавши свою технологію через API та інтеграцію з системами охорони здоров’я, Corti має на меті зменшити навантаження на клініцистів, одночасно покращуючи ефективність та прийняття рішень у лікарнях та цифрових платформах охорони здоров’я.

Ви виросли в сім’ї, де охорона здоров’я була постійною частиною повсякденного життя… Як ці ранні досвіди сформували заснування Corti, і які конкретні проблеми ви були вирішені з самого початку?

Виростання серед охорони здоров’я зробило дві речі болісно ясними: експертиза має величезне значення, і процеси, які передають цю експертизу, є крихкими та часто не справляються з тими, хто їх найбільше потребує. Ці ранні домашні досвіди, які включали спостереження за труднощами доглядальників, спостереження за втраченою інформацією під час передачі та відчуття страху, який виникає з невідповідної допомоги, засіяли віру в те, що охорона здоров’я повинна бути передбачуваною, а клініцисти ніколи не повинні бути самі, коли прийде важке рішення. Це безпосередньо переклалося на заснування Corti: побудувати системи, які забезпечують експертизу, щоб клініцисти завжди мали надійну, реальну підтримку рішень.

З самого початку ми поставили за мету вирішити дисбаланс між складністю сучасної медицини та обмеженою людською здатністю застосовувати її всюди, створюючи штучний інтелект, який зменшує варіативність, прискорює виявлення та підтримує безпечніші рішення в моменти, які мають найбільше значення.

Corti позиціонує себе як інфраструктура штучного інтелекту в сфері охорони здоров’я, а не як окремий помічник штучного інтелекту. Що означає інфраструктура в цьому контексті, і які можливості вона відкриває, яких не можуть окремі рішення чи чат-інструменти?

Коли ми говоримо про інфраструктуру, ми маємо на увазі, що ми не постачаємо окремого помічника чи вікна; ми будуємо фундаментальний стек, який робить клінічно-відповідальний штучний інтелект можливим у багатьох робочих процесах. Інфраструктура тут означає: моделі та дані, рідні для охорони здоров’я (не загальні веб-дані), шар клінічної логіки, який висвітлює відповіді з клінічним контекстом, інструменти життєвого циклу та управління (карти моделей, аудит-треки, верифікована лінія), варіанти розгортання, які відповідають регуляторам (суверенні хмари, локальні або приватні кінцеві точки), а також API та SDK для розробників, які дозволяють командам продуктів включати клінічну інтелектуальність у свої додатки без того, щоб стати експертами з машинного навчання чи відповідальності.

Цей підхід відкриває три речі, яких не можуть окремі рішення: (1) розгортання, тобто моделі та середовища виконання, які виживають у реальних клінічних обмеженнях (затримка, резиденція даних, аудитованість); (2) масштабування по спеціальностям, тобто багаторазові, сертифіковані будівельні блоки (мовлення, кодування, клінічно-орієнтовані кінцеві точки), які зменшують вартість побудови багатьох вертикальних додатків; і (3) регуляторне та корпоративне довіра, тобто політики, угоди про обробку даних, і примітиви відповідальності, вбудовані в платформу, щоб клієнти могли перейти від пілотних проектів до виробництва. Коротко кажучи, інфраструктура перетворює клінічні дослідження та розробки на розгортання послуг, які розробники та лікарні можуть відправляти, сертифікувати та масштабувати.

Універсальні моделі штучного інтелекту часто застосовуються в клінічних умовах з різними результатами. Які найпоширеніші способи, якими ці моделі не виправдують очікувань при використанні в реальних умовах охорони здоров’я?

Універсальні моделі зробили значний прогрес, і для багатьох завдань вони працюють добре. Але охорона здоров’я винагороджує глибину способами, яких горизонтальний штучний інтелект не може легко повторити. Клінічна логіка залежить від тонких сигналів, спеціалізованої термінології, інституційного контексту та розуміння того, як документація проходить через регуляторні та системи оплати. Правильне виконання цього завдання вимагає навчання на клінічних даних, валідування проти клінічних бенчмарків та будівництва відповідальності в стек з самого початку. Це не проблема запиту; це проблема дослідження, тому ми вважаємо, що охорона здоров’я потребує окремої лабораторії штучного інтелекту, яка може глибоко займатися областю, а не широко по багатьом.

Corti працює в Європі, США та інших регіонах, кожен з яких має різні моделі охорони здоров’я та управління. Як ви проектуєте системи штучного інтелекту, які адаптуються до цієї реальної складності?

Ми проектуємо для складності, володіючи більшим частиною стека та роблячи розгортання та управління першими громадянами. Практично це означає навчання на даних охорони здоров’я та налаштування моделей для клінічної логіки; будівництво аудит-треків, карт моделей та API, готових до угод про обробку даних; і архітектурне проектування маршрутизації так, щоб контролювання відповідальності вибиралися за географією та профілем ризику. Для клієнтів, яким це потрібно, ми пропонуємо суверенні хмари та локальне розгортання, щоб постачальники могли вибирати, де живе їхня інформація, та зберігати контроль над моделями, які працюють на ній.

Ця гнучкість дозволяє нам запускати той самий клінічний штучний інтелект по різних моделях охорони здоров’я, одночасно дотримуючись місцевих стандартів документації, законів про приватність та інституційного управління. Що важливо, ми ставимо дослідження як сходинку до виробництва; кожен крок вперед повинен бути відстежуваним, тестованим та розгортаним у реальному світі, а не тільки перспективним у лабораторії. Це означає бути побудованим для процвітання в клінічній реальності.

Подивившись на клінічні робочі процеси сьогодні, де Corti забезпечує найбільш безпосередній, вимірюваний вплив, і чому ці області мають найбільше значення для перевантажених клініцистів?

Найбільший вплив Corti сьогодні спостерігається в клінічних та адміністративних робочих процесах, які несуть найбільше навантаження. Наші моделі та API забезпечують амб’єнтну документацію, кодування та автоматизацію агентів всередині програмного забезпечення охорони здоров’я, яке клініцисти використовують щодня.

Ці області мають значення, оскільки документація та оплата є одними з найбільш часоємних та помилкових частин надання медичної допомоги. Коли розмови стають структурованими, готовими до ЕР медичними нотатками в режимі реального часу, коли кодування є більш повним та точним, і коли звичайні робочі процеси автоматизуються безпечно всередині регульованих систем, клініцисти витрачають менше часу на паперові роботи, а організації бачать вимірювані покращення ефективності та якості оплати.

Охорона здоров’я не є однією монолітною проблемою, а тисячами спеціалізованих робочих процесів, які працюють під тиском регуляторів. Будуючи виробничий штучний інтелект, який процвітає в клінічній реальності, ми дозволяємо компаніям з програмного забезпечення та системам охорони здоров’я вирішувати ці проблеми у масштабі. Це місце, де лабораторія штучного інтелекту охорони здоров’я забезпечує практичну, вимірювану віддачу.

Corti підтримує сотні тисяч взаємодій з пацієнтами щодня. Які уроки виникли при роботі штучного інтелекту в такому масштабі, яких не очевидно в пілотних проектах чи лабораторних умовах?

Операції у великому масштабі відкривають тертя, яке приховують пілотні проекти: неоднорідна якість даних (жодні два ЕР чи транскрипти розмов не виглядають однаково), обмеження виробництва та потокової передачі, юридична та контрактна складність по клієнтах та географіям, а також постійні крайні випадки, які з’являються лише під навантаженням. Лабораторії можуть вимірювати точність на відібраних наборах; виробництво змушує вирішувати маршрутизацію, спостереження, виявлення дрейфу, відкат моделей та аудитні треки. Інший урок: справжнє довіра здобувається шляхом пояснення моделей, повторюваності та сертифікації, а не однією сайтовою продуктивністю. Нарешті, пілотні проекти занижують загальну вартість володіння: розробники у виробництві потребують SDK, послідовних кінцевих точок та примітивів управління, щоб підтримувати безпеку та продуктивно ітеруватися.

Охорона здоров’я вимагає вищої пояснюваності, ніж споживчий штучний інтелект. Як ви підходите до клінічної логіки, прозорості та відповідальності, коли штучний інтелект впливає на медичні рішення?

Охорона здоров’я вимагає вищого стандарту, оскільки вартість помилки реальна. Клінічний штучний інтелект не може просто генерувати правдоподібну мову; він повинен логічно оперувати над складною, регульованою, високоризикованою інформацією таким чином, щоб бути прозорим та інспектованим.

Це чому ми розробили GIM, наш метод модифікації взаємодії градієнтів, щоб зробити клінічну логіку більш інтерпретованим на рівні моделі. GIM недавно зайняв перше місце в бенчмарку механістичної інтерпретації Hugging Face, посівши перше місце серед підходів до інтерпретації. Це має значення, оскільки інтерпретація не є академічним вправлянням у сфері охорони здоров’я – це фундаментальне для довіри, безпеки та регуляторного прийняття.

Поза рамками досліджень, прозорість повинна тривати до розгортання. Ми забезпечуємо карти моделей, бенчмарки валідації, аудит-треки та контроль версій, щоб клієнти знали точно, що працює та як воно було оцінено. Вихідні дані прив’язані до доказів, невизначеність явна, а системи розроблені для підтримки клініцистів як гаранта рішень, а не заміни їх непрозорою чорною скринькою.

В охороні здоров’я пояснюваність не є функцією. Це передумова для довіри. Це чому ми підходимо до клінічного штучного інтелекту як до лабораторної дисципліни спочатку та забезпечуємо, щоб дослідження відправлялися у виробничі системи, які можуть бути інспектованими, керованими та безпечно розгорнутими.

Суверенітет штучного інтелекту є критичною темою в регульованих секторах. Що означає суверенітет у сфері охорони здоров’я, і як постачальники можуть зберігати контроль, одночасно користуючись передовим штучним інтелектом?

В охороні здоров’я суверенітет означає, що постачальники зберігають контроль над резиденцією даних, вибором моделі та оперативним управлінням. Практично суверенітет досягається за допомогою варіантів локального чи регіонального хостингу (суверенні хмари та локальне розгортання), приватних кінцевих точок моделей, повного контролю аудиту та життєвого циклу, а також гарантій контрактних та технічних (угоди про обробку даних, угоди про рівень обслуговування, оцінки впливу на дані). Суверенітет не є антихмарним; це про надання постачальникам можливості вибирати, де працюють їхні робочі процеси, та мати верифікований контроль та слідування за моделями та даними. Це поєднання дозволяє постачальникам доступ до передових можливостей, одночасно виконуючи юридичні та інституційні зобов’язання.

Як засновник і радник ЄС-ініціатив, як ви бачите розвиток регуляції, і де політики ще недооцінюють технічні реалії клінічного штучного інтелекту?

Європа права, ставлячи регуляцію на серйозне місце. В охороні здоров’я аудитованість, слідування та відповідальність не є опціональними – вони передумови для довіри.

Де політики іноді недооцінюють реальність, це в тому, наскільки оперативний клінічний штучний інтелект. Сертифікація не є одноразовим схваленням; це вимагає постійного моніторингу, контролю версій та тривалої валідації. В той же час, нам потрібно уникати надрегулювання. Якщо відповідальність стає непропорційною, інновації сповільнюються, а корисні інструменти ніколи не досягають клініцистів.

У Corti ми припускаємо регуляцію з дня заснування. Ми будуємо аудитованість, управління моделями та суверенні варіанти розгортання безпосередньо в наші моделі та API, щоб стартапи та встановлені постачальники не мусили пізніше переробляти для відповідальності. Охорона здоров’я є складною та фрагментованою, і єдиний спосіб рухатися в темпі – це включити готовність до регуляції в основу. Баланс, якого потребує Європа, – це суворий, але практичний: захист пацієнтів, але зробити можливим будівництво та розгортання безпечно у масштабі.

Подивившись вперед на 12-24 місяці, які великі зміни мають очікувати лідери охорони здоров’я від Corti, і як ці плани закладуть основу для 2026 року?

Очікуйте, що Corti подвоїть зусилля на шляху від лабораторії до виробництва: відправляючи дослідженнями підтримані, клінічно-відповідальні моделі та пакуючи їх як розгортання інфраструктури (мовлення, кодування та агентські кінцеві точки, шар клінічної логіки та суверенні варіанти розгортання), явно призначені для того, щоб перемістити клієнтів від пілотних проектів до сертифікованого виробництва. Corti не є окремим додатком; це лабораторія штучного інтелекту охорони здоров’я, побудована для забезпечення цілих класів безпечного, аудитуємого клінічного програмного забезпечення – основи для наших амбіцій 2026 року.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Corti.