Варун Ганапаті, CTO та співзасновник AKASA – Інтерв’ю Серія

Варун Ганапаті – CTO та співзасновник AKASA, розробника штучного інтелекту для медичних застосунків. AKASA допомагає медичним організаціям покращувати операції, включаючи цикл доходів, для отримання доходу, створення ефективності та покращення досвіду пацієнтів. Варун успішно заснував дві компанії штучного інтелекту до AKASA, одну з яких була придбана Google (GOOGL ), а іншу – Udacity.

Ви мали видатну кар’єру в машинному навчанні, можете розповісти про свої перші дні в Стенфорді, коли ви працювали над створенням автономних гелікоптерів?

Коли я вивчав фізику в Стенфорді, я також був дуже зацікавлений у комп’ютерних науках та машинному навчанні (ML). Для мене штучний інтелект та машинне навчання об’єднують все в одному – це真的 автоматичний спосіб проведення фізики на будь-яких цифрових явищах.

Для цього одного проекту ми мали гелікоптер, який виглядав як великий безпілотник, трохи менший за двоспальний матрас – у час, коли безпілотники не були поширені. Люди літали на ньому та робили трюки, такі як зависання догори дном. Хоча це дуже складно зробити, ми хотіли створити алгоритм машинного навчання, який міг би вивчити у людей, як літати на цьому гелікоптері автономно.

Ми створили фізичний симулятор, який базувався на реальному гелікоптері, та алгоритм машинного навчання, який міг передбачити його рухи. Потім ми застосували підкріплення навчання у симуляторі для розробки контролера, взяли програмне забезпечення та завантажили його в реальний гелікоптер. Після того, як ми увімкнули гелікоптер, він працював з першої спроби! Гелікоптер міг одразу зависати догори дном самостійно, що було досить вражаючим. Команда продовжила працювати над автоматизацією інших трюків за допомогою машинного навчання.

Ви також працювали в Google Books, можете розповісти про алгоритм, над яким ви працювали, та про те, як ваша компанія була придбана Google?

Я зробив стажування в Google під час навчання в Стенфорді в 2004 році – це було відразу після проекту з гелікоптером. Під час цього часу я реалізовував машинне навчання для проекту Google Books, де ми сканували всі книги світу.

Google платив людям за маркування інформації про книги, таких як сторінки, зміст, авторські права тощо – це була дуже трудомістка задача. Я хотів побачити, чи можемо ми використовувати машинне навчання для цього, і воно працювало дуже добре. Воно справді виконувало свою роботу краще та точніше, ніж люди, оскільки більшість помилок були спричинені людською помилкою під час ручного маркування.

Це мене дуже зацікавило в машинному навчанні, оскільки показало, що можна перейти від людської продуктивності до надлюдської – виконання рутинних завдань з меншою кількістю помилок та більш стабільно, а також обробку крайніх випадків.

Відтоді я вирішив зробити докторську дисертацію в Стенфорді, зосередившись на машинному навчанні та більш теоретичних роботах спочатку. Для своєї дисертації я розробив алгоритм для виконання руху в реальному часі, де комп’ютер міг відстежувати рух усіх людських суглобів в реальному часі з глибинної камери. Це було основою для моєї першої компанії, Numovis, яка займалася відстежуванням руху та комп’ютерним зором для взаємодії з користувачем. Її придбала Google.

Мій весь шлях від проекту з гелікоптером до Google Books, а потім до автономних автомобілів та зараз до медичних операцій показав мені, наскільки потужними та загальними є алгоритми машинного навчання.

Чи можете ви розповісти про історію створення AKASA?

Ми створили AKASA, щоб вирішити величезну, глибоко вкорінену проблему в медичних операціях. Ці операції є як дорогими, так і схильними до помилок, що може привести до непотрібного фінансового стресу для пацієнтів. Бракувало нової технології на адміністративній стороні, і нічого не було створено спеціально для цього. Стало ясно, що можна використовувати технології, такі як штучний інтелект та машинне навчання, для вирішення цих операційних завдань інноваційним способом. Коли ми поговорили з багатьма медичними системами та лідерами охорони здоров’я, вони підтвердили наші думки, що в кінцевому підсумку призвело до заснування AKASA в 2019 році.

З того часу мета AKASA була ясною з самого початку – дозволити людському здоров’ю та побудувати майбутнє охорони здоров’я з допомогою штучного інтелекту. Спосіб, яким ми вирішили прийняти цей виклик, полягає в поєднанні людського інтелекту з передовими технологіями штучного інтелекту та машинного навчання, щоб медичні системи могли скоротити операційні витрати та розподіляти ресурси там, де вони найбільш потрібні.

Наша платформа, яка не залежить від системи, гнучка та зараз обслуговує клієнтів, які представляють понад 475 лікарень та медичних систем, а також понад 8 000 амбулаторних закладів у всіх 50 штатах. Наша технологія допомагає цим організаціям, незалежно від того, чи вони використовують постачальників електронних медичних записів (EHR), таких як Epic, Cerner, інші EHR або додаткові системи, і все, що між ними. І ми зробили це з хорошими результатами.

Наш клієнтський базис представляє понад 110 мільярдів доларів у сукупному чистому доході від пацієнтів, що еквівалентно понад 10% усіх витрат медичних систем США щорічно згідно з Центрами медичного страхування та медичних послуг. І моделі та алгоритми AKASA були навчені на майже 290 мільйонах вимог та розрахунків.

Невидима інфраструктура охорони здоров’я надзвичайно складна, але вона має величезний вплив на людське здоров’я, і ми автоматизуємо її крок за кроком.

Які завдання AKASA намагається автоматизувати в охороні здоров’я?

Наш унікальний підхід “експерт у циклі”, Unified Automation, поєднує машинне навчання з людською судовістю та експертними знаннями для надання надійного та стійкого автоматизованого рішення для медичних операцій. AKASA може швидко та ефективно автоматизувати та оптимізувати завдання кінця в кінць у фінансовій функції охорони здоров’я, включаючи обробку рахунків та платежів. Конкретні завдання, які автоматизує AKASA, включають перевірку права пацієнта, документування та верифікацію інформації про страхування, оцінку вартості пацієнта, редагування, повторну подачу та оскарження заяв, а також передбачення та управління відмовах.

Цей тип автоматизації не тільки скорочує людську помилку та затримки для пацієнтів, допомагаючи запобігти несподіваним медичним рахункам, але також звільняє медичний персонал, взявши на себе ручні, повторювані завдання повністю з їхнього плеча – дозволяючи їм зосередитися на більш нагороджувальних, складних та цінних завданнях, спрямованих на досвід пацієнтів.

Які різні типи алгоритмів машинного навчання використовуються?

AKASA використовує ті самі підходи машинного навчання, які зробили можливим створення автономних автомобілів, щоб надати медичним системам єдине рішення для автоматизації медичних операцій. Цей підхід – заснований на машинному навчанні – розширює можливості автоматизації для виконання більш складних завдань у великому масштабі.

Ми розробляємо алгоритми найвищого рівня в галузі комп’ютерного зору, природної мови та структурованих даних. Наша платформа починається з комп’ютерного зору, що підтримує RPA, та покращується сучасним штучним інтелектом, машинним навчанням та експертом у циклі для надання надійного автоматизованого рішення.

Для надання загального огляду того, як це працює, наше власне рішення спочатку спостерігає, як медичний персонал виконує свої завдання. Наша команда потім маркує ці дані та використовує їх для навчання наших алгоритмів, щоб наша технологія могла зрозуміти та вивчити, як працюють медичний персонал та їхні системи. Відтоді наша платформа виконує ці робочі процеси автономно. Нарешті, ми використовуємо експертів у циклі, які можуть втрутитися, коли система прапорить винятки або відхилення. Штучний інтелект безперервно вчиться з цих досвідів, що дозволяє йому брати на себе більш складні завдання з часом.

Чи можете ви обговорити важливість підходів “людина у циклі” та чому це готується до заміни RPA?

Справда є така, що RPA – це десятилітня технологія, яка є крихкою з реальними обмеженнями її можливостей. Вона завжди матиме деяку цінність у автоматизації роботи, яка є простою, дискретною та лінійною. Однак причина, через яку зусилля з автоматизації часто не досягають своїх амбіцій, полягає в тому, що життя складне та завжди змінюється.

Базовий підхід до RPA полягає у створенні робота (бота) для кожної проблеми або шляху, який ви хочете вирішити. Людина (консультант або інженер) створює робота для вирішення певної проблеми. Це роботизоване рішення займає місце послідовності кроків. Воно дивиться на екран, виконує дію та повторює її.

Проблема, яка часто виникає, полягає в тому, що зміна у світі, така як зміна програмного забезпечення або інтерфейсу користувача, може викликати поломку роботів. Як ми знаємо, технології постійно еволюціонують, створюючи динамічні середовища. Це означає, що роботи RPA часто виходять з ладу.

Інша проблема з цими роботами полягає в тому, що вам потрібно створити один для кожної ситуації, яку ви хочете вирішити. Роблячи це, ви закінчуєте з багатьма роботами, які виконують дуже маленькі дії, які не потребують багато навичок.

Це як гра у “колючий м’яч”. Кожного дня ви стикаєтеся з можливістю того, що один з них вийде з ладу через зміну програмного забезпечення або щось незвичайне – діалогове вікно з’являється або новий тип вводу відбувається. Результатом є дорога підтримка для утримання цих роботів. Згідно з дослідженням Forrester, на кожен долар, витрачений на RPA, додатково витрачається 3,41 долара на консультативні ресурси.

Іншими словами, фактичне програмне забезпечення для RPA не є основною витратою. Більша витрата інвестується у всю роботу, яку ви повинні зробити для утримання RPA у роботі весь час. Багато організацій не враховують цю постійну вартість.

Оскільки більша частина життя складна та постійно змінюється, багато роботи виходить за межі можливостей RPA, де вступає в дію машинне навчання. Машинне навчання дозволяє нам автоматизувати складні завдання. І ми вважаємо, що особливим соусом є люди, які покращують алгоритми, навчаючи їх.

Коли алгоритм не впевнений у тому, що він повинен зробити (низька впевненість), його ескалується до людини у циклі. Люди маркують ці приклади та ідентифікують випадки, які не обробляються поточною моделлю. Коли це робиться, і штучний інтелект все зробив правильно, це добре функціонуюче завдання.

Кожне завдання, у якому людина ловить проблему, є випадком, у якому машина не обробляє її правильно. У цьому випадку дані додаються до нашого набору даних, який повторно навчає моделі машинного навчання для обробки цієї нової ситуації.

З часом модель машинного навчання будує стійкість до цих нових крайніх випадків. Це призводить до системи, яка є стійкою та гнучкою до нових винятків або відхилень, і система стає сильнішою з часом. Це означає, що автоматизація покращується, а втручання людини буде зменшуватися з часом.

Мати людей-експертів у циклі є критично важливим для того, щоб зробити штучний інтелект розумнішим, швидшим та кращим. Нам потрібні люди для належного навчання штучного інтелекту та забезпечення того, що він може обробляти винятки, які є невід’ємною частиною будь-якої галузі – і особливо у динамічній галузі, такій як охорона здоров’я.

Як працює рішення AKASA “людина у циклі” Unified Automation, і які є основні випадки використання цієї платформи?

Unified Automation – це платформа, спеціально створена для охорони здоров’я. Використовуючи штучний інтелект, машинне навчання та нашу команду медичних експертів з рахунками, вона створює безшовно інтегроване, спеціально створене рішення, яке допомагає вам бачити цінність швидше, практично без жодного обслуговування чи винятків.

Вона була розроблена з урахуванням винятків та відхилень. Якщо вона зустрічає щось нове, платформа прапорить питання нашій команді експертів, які вирішують його, а система вчиться з дій, які вони виконують. Саме людський елемент відрізняє нас від інших рішень на ринку та дозволяє платформі безперервно вчиться та покращуватися.

Unified Automation також адаптується до динамічної природи галузі охорони здоров’я. Це безшовно інтегроване, спеціально створене рішення, яке допомагає скоротити операційні витрати, підвищити персонал для виконання більш нагороджувальних завдань, які вимагають людського дотику, та покращити захоплення доходу для медичних систем, а також покращити фінансовий досвід пацієнтів.

Ось як працює Unified Automation:

Пропрієтарне програмне забезпечення спостерігає: Наш інструмент Worklogger віддалено спостерігає, як медичний персонал виконує свої завдання. Потім наша команда маркує ці дані та вводить їх у наше автоматизоване рішення для надання всебічного огляду поточних робочих процесів та процесів. Це призводить до вищої видимості виконання персоналу, основних даних про робочі процеси для живлення нашого автоматизованого рішення, та точного аналізу часу на завдання.

Штучний інтелект виконує: Після спостереження та вивчення робочих процесів медичного персоналу наш штучний інтелект виконує ці завдання автономно. Він безперервно вчиться з проблем та крайніх випадків, з якими він стикається, приймаючи на себе більш складні завдання з часом. Unified Automation розташовується в черзі робіт – призначає собі відповідні завдання та виконує їх без порушення команди. Він також автоматично оптимізує процеси, тому жодної установки чи втручання з боку персоналу не потрібно.

Людський експерт забезпечує: Система автоматично прапорить нашій команді медичних експертів з рахунками для обробки винятків та відхилень, навчаючи штучний інтелект в реальному часі, коли вони працюють. Це частина “людина у циклі”. З безперервним навчанням, побудованим у платформі Unified Automation, вона стає розумнішою та ефективнішою з часом, а робота завжди виконується.

Чи є щось інше, що ви хотіли б поділитися про AKASA?

У нас є підхід “дослідження першочергового”, що означає, що наші клієнти мають доступ до передових технологій. Ми зобов’язані публікувати наш штучний інтелект та підходи в рецензованих публікаціях для встановлення нових стандартів штучного інтелекту в операціях охорони здоров’я та для лідерства в нашій галузі.

Наприклад, наші дослідження були представлені на Міжнародній конференції з машинного навчання (ICML), саміті з обробки природної мови (NLP) та конференції з машинного навчання для охорони здоров’я (MLHC), серед інших. Ми приймаємо дуже дисциплінований підхід до тестування наших моделей та порівняння їх продуктивності з передовими підходами штучного інтелекту на ринку.

Наше передбачуване рішення для відмовах, як вважається, є першим опублікованим системою, заснованою на глибокому навчанні, яка може точно передбачити медичні заяви про відми по більш ніж 22% порівняно з існуючими базовими рівнями. Наша модель “Читати, Відвідувати, Код” для автономного кодування медичних заяв з клінічних нотаток була визнана як визначення нового стандарту для галузі та перевершує поточні моделі на 18% – перевершуючи продуктивність людських кодерів. Ми вважаємо, що ці інновації у сфері обробки заднього плану є критично важливими для покращення системи охорони здоров’я США у великому масштабі та продовжимо стимулювати вдосконалення та побудову спеціальних рішень для цієї галузі.

Є багато шуму довкола штучного інтелекту в охороні здоров’я, але коли все зводиться до суті, компанії можуть переоцінювати, що їхня технологія може насправді зробити. Це набагато складніше проводити дослідження для підтвердження того, що алгоритми роблять – і ми пишаємося тим, що приймаємо цей значимий, але складний шлях для підтвердження того, що платформа Unified Automation AKASA справді приносить позитивні та значимі зміни до лікарень та медичних систем.

Ми раді майбутньому та тому, що буде далі в AKASA, оскільки ми будемо будувати майбутнє охорони здоров’я з допомогою штучного інтелекту.

Дякуємо за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати AKASA.