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

Варун Ганапаті є CTO і співзасновником AKASA, розробника штучного інтелекту для медичних застосунків. AKASA допомагає організаціям охорони здоров’я покращувати операції, включаючи цикл доходів, для підвищення доходів, створення ефективності та поліпшення досвіду пацієнтів. Варун успішно заснував дві компанії з штучним інтелектом до AKASA, одну з яких була придбана Google, 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 і машинному навчанні (ML). Для мене штучний інтелект і ML поєднували 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 дрон, трохи менший за двоспальне ліжко – у час, коли дронів ще не було. Люди летіли на ньому та робили трюки, такі як зависання догори дном. Хоча це дуже складно зробити, ми хотіли створити алгоритм ML, який міг би вивчити у людей, як літати на цьому гелікоптері автономно.

Ми створили фізичний симулятор, заснований на реальному гелікоптері, і алгоритм ML, який міг би передбачити його рухи. Потім ми застосували підкріплювальне навчання всередині симулятора, щоб розробити контролер, взяли програмне забезпечення та завантажили його в реальний гелікоптер. Після того, як ми увімкнули гелікоптер, він працював з першої спроби! Гелікоптер міг зависати догори дном самостійно, що було досить вражаюче. Команда продовжила роботу над автоматизацією інших видів трюків за допомогою ML.

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

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

Google платив багатьом людям за маркування інформації про книги, таких як сторінки, зміст, авторські права тощо – дуже трудомістке завдання. Я хотів побачити, чи можна використовувати ML для виконання цього завдання, і воно працювало дуже добре. Воно фактично працювало краще і було більш точним, ніж коли люди робили це, оскільки більшість помилок були спричинені людською помилкою при ручному маркуванні.

Це дуже збудило мене щодо ML, оскільки показало, що можна перейти від людської продуктивності до надлюдської продуктивності – виконання рутинних завдань з меншими помилками та більш стабільно, а також обробляти крайні випадки.

Від того часу я вирішив зробити докторську дисертацію в Стенфорді, зосередившись на ML і більш теоретичних роботах на початку. Для своєї дисертації я розробив алгоритм для виконання руху в реальному часі, де комп’ютер міг відстежувати рух усіх суглобів людини 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 гелікоптера до Google Books, а потім до самохідних автомобілів і тепер до операцій з охорони здоров’я показав мені, наскільки потужними і загальними є алгоритми машинного навчання.

Чи можете розповісти про історію створення AKASA?

Ми створили AKASA, щоб вирішити величезну, глибоко вкорінену проблему в операціях з охорони здоров’я. Ці операції є як дорогими, так і схильними до помилок, що може привести до непотрібної паніки щодо фінансових 경험 пацієнтів. Було відсутнє нове технології на адміністративній стороні, і нічого не було створено спеціально. Стало ясно, що можна використовувати технології, такі як штучний інтелект і ML, для вирішення цих операційних проблем інноваційним способом. Коли ми говорили з багатьма системами охорони здоров’я та лідерами галузі, вони підтвердили наші думки, що в кінцевому підсумку призвело до створення AKASA в 2019 році.

З того часу мета AKASA була ясна з самого початку – дозволити людському здоров’ю та побудувати майбутнє охорони здоров’я з AI. Спосіб, яким ми вирішили прийняти цей виклик, полягає у поєднанні людського інтелекту з передовими технологіями AI і ML, щоб системи охорони здоров’я могли скоротити операційні витрати та розподілити ресурси там, де вони найбільш потрібні.

Наша система-агностична, гнучка платформа зараз обслуговує клієнтів, які представляють понад 475 лікарень і систем охорони здоров’я та понад 8 000 амбулаторних закладів у всіх 50 штатах. Наша технологія допомагає цим організаціям, незалежно від того, чи вони використовують постачальників електронних медичних записів, таких як Epic, Cerner, інші ЕМЗ або додаткові системи, і все, що між ними. І ми зробили це з потужними результатами.

Наш клієнтський базис представляє понад 110 мільярдів доларів США агрегованого чистого доходу пацієнтів, що становить понад 10% всіх витрат системи охорони здоров’я США щорічно згідно з Центрами медичного страхування та медикаменту. І моделі та алгоритми AKASA були навчені майже на 290 мільйонах вимог і заяв.

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

Які завдання AKASA розглядає для автоматизації в сфері охорони здоров’я?

Наш унікальний підхід “експерт у циклі”, Unified Automation, поєднує ML з людським судженням та експертизою для надання стійкої та ефективної автоматизації операцій з охорони здоров’я. AKASA може швидко та ефективно автоматизувати та оптимізувати завдання кінця в кінці в сфері фінансів охорони здоров’я, включаючи обробку рахунків та платежів. Конкретні завдання, які автоматизує AKASA, включають перевірку права пацієнта, документування та верифікацію інформації про страхування, оцінку витрат пацієнта, редагування, повторну подачу та оскарження вимог, 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 персонал охорони здоров’я, забираючи з них ручні та повторювані завдання – дозволяючи їм зосередитися на більш винагороджувальних, складних та цінних завданнях, спрямованих на досвід пацієнтів.

Які різні типи алгоритмів машинного навчання використовуються?

AKASA використовує ті самі підходи машинного навчання, які зробили можливими самохідні автомобілі, щоб надати системам охорони здоров’я єдине рішення для автоматизації операцій охорони здоров’я. Цей підхід – центрований навколо ML – розширює можливості автоматизації для виконання більш складних завдань у масштабі.

Ми розробляємо алгоритми державного рівня в області комп’ютерного зору, природної мови та структурованих даних. Наша платформа починається з комп’ютерного зору, підкріпленого RPA, та покращується сучасним AI, ML та експертом у циклі для надання стійкої автоматизації.

Для надання загального огляду того, як це працює, наше пропрієтарне рішення спочатку спостерігає, як персонал охорони здоров’я виконує свої завдання. Наша команда потім маркує ці дані та використовує їх для навчання наших алгоритмів, щоб наша технологія могла зрозуміти та вивчити, як персонал охорони здоров’я та їхні системи працюють. Від того часу наша платформа виконує ці робочі процеси автономно. Нарешті, ми використовуємо експертів у циклі, які можуть втрутитися, коли система прапорець аутсайдерів або винятків. AI постійно вчиться з цих досвідів, що дозволяє йому брати на себе більш складні завдання з часом.

Чи можете розповісти про важливість підходів “людина у циклі” та чому це повинно замінити RPA?

Справда є така, що RPA – це десятилітня технологія, яка є крихкою з реальними обмеженнями її можливостей. Вона завжди матиме певну цінність у автоматизації роботи, яка є простою, дискретною та лінійною. Однак причина, по якій зусилля з автоматизації часто не досягають своїх аспірацій, 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 конкретної проблеми. Це роботизоване рішення займає місце послідовності кроків. Воно дивиться на екран, виконує дії та повторює їх.

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

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

Це як гра у “крота”. Кожного дня ви стикаєтеся з можливістю того, що один з них вийде з ладу, оскільки програмне забезпечення зміниться або щось незвичайне станеться – діалогове вікно з’явиться або новий тип вводу виникне. Результатом є дорогий обслуговування для підтримки цих ботів. За даними дослідження Forrester, на кожен долар, витрачений на RPA, додатково витрачається 3,41 доларів на консультативні ресурси.

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

Як багато життя складне та постійно змінюється, багато роботи виходить за межі можливостей RPA, де вступає в дію ML. ML дозволяє нам автоматизувати складні завдання. І ми вважаємо, що спеціальна приправа – це 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 AI правильно робить завдання, це працює добре.

Кожне завдання, де людина впіймала проблему, є випадком, коли машина не обробляє її правильно. У цьому випадку дані додаються до нашого набору даних, який повторно тренує моделі ML для обробки цієї нової ситуації.

З часом модель ML будує стійкість до цих нових крайніх випадків. Це призводить до системи, яка є стійкою та гнучкою до нових аутсайдерів або винятків, і система стає сильнішою з часом. Це означає, що автоматизація стає краще та краще, а втручання людини буде знижуватися з часом.

Мати людських експертів у циклі є критично важливим для того, щоб зробити AI розумнішим, швидшим та кращим. Нам потрібні люди, щоб правильно навчити AI та забезпечити, щоб він міг обробляти аутсайдерів, які є невід’ємною частиною будь-якої галузі – і особливо в динамічній галузі, як охорона здоров’я.

Чи можете розповісти про те, як працює рішення AKASA “людина у циклі” Unified Automation, і які є основні випадки використання цієї платформи?

Unified Automation – це платформа, створена спеціально для охорони здоров’я. Використовуючи AI, ML та нашу команду медичних експертів з медичної документації, вона створює безшовно інтегроване, спеціалізоване рішення, яке допомагає вам бачити цінність швидше, практично без обслуговування або виняткових черг.

Вона була розроблена з винятками та аутсайдерами на увазі. Якщо вона зустрічає щось нове, платформа прапорець проблему команді експертів AKASA, які вирішують її, поки система вчиться з дій, які вони приймають. Це людський елемент, який 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, спеціалізоване рішення, яке допомагає скоротити операційні витрати, підвищити рівень персоналу для виконання більш винагороджувальних завдань, які потребують людського дотику, та покращити захоплення доходів для систем охорони здоров’я, а також покращити фінансовий досвід пацієнтів.

Ось як працює Unified Automation:

Пропрієтарне програмне забезпечення спостерігає: Наш інструмент Worklogger віддалено спостерігає, як персонал охорони здоров’я виконує свої завдання. Потім наша команда маркує ці дані та вводить їх у наше автоматизоване рішення, щоб забезпечити всебічний огляд 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.

AI виконує: Після спостереження та вивчення робочих процесів персоналу охорони здоров’я наше AI виконує ці завдання автономно. Воно безперервно вчиться з проблем та крайніх випадків, з якими воно стикається, приймаючи на себе більш складні завдання з часом. Unified Automation сидить у черзі роботи – призначає собі відповідні завдання та виконує їх без порушення команди. Воно також автоматично оптимізує процеси, так що жодної установки чи втручання персоналу не потрібно.

Експертна допомога забезпечує: Система автоматично прапорець нашій команді медичних експертів з медичної документації для обробки винятків та аутсайдерів, навчаючи AI в реальному часі, поки вони працюють. Це частина “експерт у циклі”. З безперервним навчанням, побудованим всередині, платформа Unified Automation стає розумнішою та ефективнішою з часом, і робота завжди виконується.

Чи є щось інше, що ви хочете поділитися про AKASA?

У нас є дослідницький підхід, який означає, що наші клієнти мають доступ до передових технологій. Ми зобов’язані публікувати наш AI та підходи в рецензованих публікаціях, щоб продовжувати встановлювати нові державні стандарти для AI в операціях охорони здоров’я та лідирувати 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 державними підходами AI на ринку.

Наше передбачуване рішення щодо відмов вважається першим опублікованим системою, заснованою на глибокому навчанні, яка може точно передбачити медичні відмови на понад 22% порівняно з існуючими базовими рівнями. Наша модель Read, Attend, Code для автономного кодування медичних вимог з клінічних нотаток була визнана як визначення нового державного рівня для галузі та перевершила поточні моделі на 18% – перевершуючи продуктивність людських кодерів. Ми вважаємо, що ці інновації в сфері обслуговування є критично важливими для покращення системи охорони здоров’я США в масштабі та продовжимо стимулювати розвиток та будувати спеціалізовані рішення для цієї сфери.

Є багато шуму навколо AI в охороні здоров’я, але коли все звужується, компанії можуть переоцінювати, що їхня технологія може фактично зробити. Це набагато складніше проводити дослідження для підтвердження того, що алгоритми роблять – і ми пишаємося тим, що приймаємо цей значимий, але складний шлях, щоб довести, що платформа Unified Automation AKASA справді приносить позитивні та значимі зміни в лікарні та системи охорони здоров’я.

Ми раді майбутньому та тому, що буде в AKASA, коли ми будемо будувати майбутнє охорони здоров’я з AI.

Дякуємо за велике інтерв’ю. Читачам, які хочуть дізнатися більше, слід відвідати AKASA.