面试
Varun Ganapathi，AKASA 首席技术官兼联合创始人 – 访谈系列
Varun Ganapathi 是 CTO 兼联合创始人 赤笠，一家医疗保健应用人工智能开发商。 AKASA 帮助医疗保健组织改善运营（包括收入周期），以增加收入、提高效率并增强患者体验。 瓦伦 在AKASA之前已经成功创办了两家AI公司，一家被Google收购，另一家被Udacity收购。
您在机器学习领域有着杰出的职业生涯，您能谈谈您在斯坦福大学早期致力于直升机自动化的一些经历吗？
当我在斯坦福大学攻读物理学本科生时，我对计算机科学和机器学习（ML）也非常感兴趣。 对我来说，人工智能和机器学习将一切结合在一起——这实际上是一种对任何数字化现象进行物理处理的自动化方法。
对于这个特定的项目，我们拥有一架看起来像一架大型无人机的直升机，比一张双人床垫小一点——当时无人机还不流行。 人们驾驶它并让它做一些特技，比如倒挂盘旋。 虽然这很难做到，但我们希望构建一种机器学习算法，可以向人类学习如何自主驾驶这架直升机。
我们创建了一个基于实际直升机的物理模拟器和一个学习如何预测其运动的机器学习算法。 然后，我们在模拟器中应用强化学习来开发控制器，获取软件并将其上传到实际的直升机中。 当我们打开直升机后，第一次尝试就成功了！ 直升机能够立即自行倒悬，这非常令人印象深刻。 该团队继续致力于使用机器学习来自动化其他类型的技巧。
您也曾在 Google Books 工作过，您能讨论一下您所研究的算法以及您的公司最终是如何被 Google 收购的吗？
事实上，2004 年我在斯坦福大学上课时曾在谷歌实习过——那是在直升机项目之后。 在那段时间，我正在为 Google 图书项目实施机器学习，我们正在扫描世界上所有的图书。
谷歌付钱给所有这些人来标记有关书籍的信息，例如页面、目录、版权等——这是一项非常耗时的任务。 我想看看我们是否可以使用机器学习来做到这一点，而且效果非常好。 它实际上比人类执行时表现更好并且更准确，因为大多数错误都是由于手动标记的人为错误造成的。
这让我对机器学习感到非常兴奋，因为它表明你可以从人类的表现提升到超人的表现——在处理边缘情况的同时，以更少的错误、更一致地完成平凡的任务。
从那时起，我决定攻读博士学位。在斯坦福大学，首先专注于机器学习和更多的理论论文。在我的论文中，我开发了一种执行实时运动捕捉的算法，其中计算机可以通过深度相机实时跟踪所有人体关节的运动。这是我的第一家公司 Numovis 的基础，该公司专注于运动跟踪和用于用户交互的计算机视觉。它被谷歌收购了。
从直升机项目到谷歌图书再到自动驾驶汽车，再到现在的医疗保健运营，我的整个旅程确实向我展示了机器学习算法的强大和通用性。
您能分享一下 AKASA 背后的起源故事吗？
我们已经建立 赤笠 解决医疗保健运营中一个巨大的、根深蒂固的问题。 这些操作既昂贵又容易出错，可能会给患者带来不必要的恐慌性财务体验。 管理方面缺乏新技术，也没有任何专门的建设。 我们清楚地意识到，您可以使用人工智能和机器学习等技术以创新的方式解决这些运营挑战。 当我们与众多卫生系统和医疗保健领导者交谈时，他们验证了我们的想法，最终导致 AKASA 在 2019 年成立。
因此，AKASA 的目标从一开始就很明确——利用人工智能促进人类健康并构建医疗保健的未来。 我们决定应对这一挑战的方式是将人类智能与领先的人工智能和机器学习相结合，以便卫生系统可以降低运营成本并将资源分配到最重要的地方。
我们与系统无关的灵活平台目前正在为代表全美 475 个州超过 8,000 家医院和卫生系统以及 50 多个门诊设施的客户群提供服务。 我们的技术可以帮助这些组织，无论他们使用 Epic、Cerner 等电子健康记录 (EHR) 提供商、其他 EHR，还是附加系统，以及介于两者之间的一切。 我们已经做到了这一点并取得了良好的成果。
我们的客户群代表着超过 110 亿美元的患者净收入总额，根据美国医疗保健系统的数据，这相当于美国每年所有医疗系统支出的 10% 以上。 医疗补助和医疗保险服务中心。 AKASA 的模型和算法已经接受了近 290 亿笔索赔和汇款的训练。
医疗保健的隐形管道极其复杂，但它对人类健康有着巨大的影响，我们正在一点一点地实现自动化。
AKASA 正在考虑在医疗保健领域实现哪些自动化任务？
我们独特的专家循环方法 Unified Automation™ 将机器学习与人类判断和主题专业知识相结合，为医疗保健运营提供强大且有弹性的自动化。 AKASA 可以快速高效地自动化和简化医疗保健财务职能中的端到端任务，包括账单处理和支付。 AKASA 自动化的具体任务包括检查患者资格、记录和验证保险信息、估计患者费用、编辑、重新计费和上诉索赔，以及预测和管理拒绝。
这种类型的自动化不仅减少了患者的人为错误和延误，有助于防止意外的医疗费用，而且还通过完全摆脱手动重复性任务来解放医护人员，让他们能够专注于更有回报、更具挑战性和价值的事情-生成针对患者体验的任务。
使用哪些不同类型的机器学习算法？
AKASA 使用与自动驾驶汽车相同的机器学习方法，为卫生系统提供单一解决方案来实现医疗保健运营自动化。 这种以机器学习为中心的方法扩展了自动化的能力，可以大规模地处理更复杂的工作。
我们开发跨计算机视觉、自然语言理解和结构化数据问题的最先进算法。 我们的平台从计算机视觉驱动的 RPA 开始，并通过现代人工智能、机器学习和专家进行增强，以提供强大的自动化。
为了提供其工作原理的高级概述，我们的专有解决方案首先观察医护人员如何完成任务。 然后，我们的团队标记这些数据并使用它来训练我们的算法，以便我们的技术能够理解和了解医疗保健人员及其系统的工作方式。 从那里，我们的平台自主执行这些工作流程。 最后，我们使用循环专家，只要系统标记异常值或异常，他们就可以介入。 人工智能不断从这些经验中学习，使其能够随着时间的推移承担更复杂的任务。
您能否讨论一下人机交互方法的重要性以及为什么它会取代 RPA？
残酷的事实是，RPA 是一项已有数十年历史的技术，它很脆弱，其功能确实受到限制。 它对于简单、离散和线性工作的自动化总是具有一定的价值。 然而，自动化工作常常达不到他们的愿望的原因是生活是复杂的并且总是在变化。
RPA 的基本方法是为您想要解决的每个问题或路径构建一个机器人 (bot)。 人类（顾问或工程师）建造机器人来解决特定问题。 该机器人解决方案取代了一系列步骤。 它看着屏幕，采取行动，然后重复。
经常发生的问题是，世界的变化，例如对软件或用户界面的修改，可能会导致机器人崩溃。 众所周知，技术不断发展，创造出动态的环境。 这意味着 RPA 机器人经常会失败。
这些机器人的另一个问题是，您需要为每种想要解决的情况创建一个机器人。 这样做，你最终会得到许多机器人，它们都完成不需要太多技能的非常小的动作。
这就像打地鼠游戏。 每天，您都面临着其中一个软件崩溃的可能性，因为某个软件将发生变化，或者发生一些不寻常的事情——弹出一个对话框，或者出现一种新的输入。 结果是为了保持这些机器人的运行而进行昂贵的维护。 根据 Forrester 的研究，每在 RPA 上花费 1 美元，就会在咨询资源上额外花费 3.41 美元。
换句话说，RPA 的实际软件并不是成本的大部分。 更可观的成本投入是为了保持 RPA 始终运行而必须做的所有工作。 许多组织没有考虑到持续的成本。
由于生活的大部分内容都是复杂且不断发展的，因此很多工作超出了 RPA 的能力范围，而这正是 ML 发挥作用的地方。ML 使我们能够将困难的事情自动化。 我们相信，特殊的调味品是人类通过教授算法来改进算法。
当算法不确定它应该做什么（低置信度）时，它会升级为人机交互。 人类标记这些示例并识别当前模型未处理的情况。 当这一切完成并且人工智能做得正确时，这就是一项运作良好的任务。
人类发现问题的每一项任务都是机器未能正确处理的情况。 在这种情况下，数据会添加到我们的数据集中，从而重新训练 ML 模型来处理这种新情况。
随着时间的推移，机器学习模型会针对这些新的边缘情况建立弹性。 这会导致系统对新的异常值或例外情况具有鲁棒性和灵活性，并且系统会随着时间的推移而变得更加强大。 这意味着自动化会变得越来越好，而人为干预将随着时间的推移而减少。
让人类专家参与其中对于让人工智能变得更智能、更快、更好至关重要。 我们需要人类正确训练人工智能，并确保它能够处理任何行业不可避免的异常情况，尤其是在医疗保健等动态领域。
AKASA 的人机交互解决方案 Unified Automation™ 如何工作？该平台的一些主要用例有哪些？
统一自动化是专为医疗保健而构建的平台。 它利用人工智能、机器学习和我们的医疗计费专家团队，创建了一个无缝集成的定制解决方案，帮助您更快地看到价值，几乎没有维护或异常队列。
它的设计考虑到了例外和异常值。 如果遇到新问题，平台会将问题标记给 AKASA 的专家团队，专家团队会解决该问题，同时系统会从他们采取的操作中学习。 正是这种人为因素使我们区别于市场上的其他解决方案，并使平台能够不断学习和改进。
统一自动化还适应医疗保健行业的动态特性。 它是一个无缝集成的定制解决方案，有助于降低运营成本，提升员工处理需要人性化的更有价值的工作，并提高卫生系统的收入，同时改善患者的财务体验。
统一自动化的工作原理如下：
专有软件观察到： 我们的 Worklogger™ 工具可远程观察医护人员如何完成任务。 然后，我们的团队标记这些数据并将其输入到我们的自动化系统中，以提供当前工作流程和流程的全面视图。 这可以提高员工绩效的可见性、支持自动化的工作流程基础数据以及准确的每项任务时间分析。
人工智能执行： 在观察和学习医护人员的工作流程后，我们的人工智能会自主执行这些任务。 它不断从遇到的问题和边缘情况中学习，随着时间的推移承担更复杂的任务。 统一自动化位于工作队列的上游——为自己分配适用的任务并在不中断团队的情况下完成这些任务。 它还会自动优化流程，因此无需工作人员进行设置或干预。
人类的专业知识确保： 该系统会自动标记我们的医疗计费专家团队来处理异常情况和异常值，并在人工智能工作时实时训练他们。 这是专家参与的部分。 通过内置的持续学习，统一自动化平台会随着时间的推移变得更加智能和高效，并且工作总能完成。
关于 AKASA 您还有什么想分享的吗？
我们采取研究第一的方法，这意味着我们的客户可以获得领先的技术。 我们致力于在同行评审出版物中发布我们的人工智能和方法，不断为医疗保健运营中的人工智能制定新的最先进标准，并引领整个行业向前发展。
例如，我们的研究已在国际机器学习会议 (ICML)、自然语言处理 (NLP) 峰会和医疗保健机器学习会议 (MLHC) 等上进行展示。我们正在采取非常严格的方法来测试我们的模型，并将其性能与市场上最先进的人工智能方法进行比较。
我们的预测拒绝解决方案被认为是第一个发布的基于深度学习的系统，与现有基线相比，可以准确预测医疗索赔拒绝超过 22%。 我们用于根据临床记录对医疗索赔进行自主编码的“阅读、参加、编码”模型被认为定义了行业的最新技术，其性能比当前模型高出 18%，超越了人类编码员的生产力。 我们相信这些后台创新对于大规模改善美国医疗保健系统至关重要，并将继续推动进步并为该领域构建定制解决方案。
关于医疗保健领域的人工智能有很多炒作，但归根结底，公司可能会夸大其技术的实际功能。 进行研究来验证算法的作用要困难得多，我们很自豪能够采取这条有意义但具有挑战性的路线，最终证明 AKASA 的统一自动化平台真正为医院和卫生系统带来了积极和有意义的变化。
我们对 AKASA 的未来以及即将发生的事情感到兴奋，因为我们利用人工智能构建医疗保健的未来。
感谢您的精彩采访，想要了解更多信息的读者可以访问 赤笠.
