Varun Ganapathi，AKASA 的 CTO 和联合创始人 – 采访系列

Varun Ganapathi 是 AKASA 的 CTO 和联合创始人，AKASA 是一家开发医疗保健应用人工智能的公司。AKASA 帮助医疗保健组织改善运营，包括收入循环，以驱动收入，创造效率，并增强患者体验。Varun 成功地创立了两家人工智能公司，之前的 AKASA，一家被谷歌收购，另一家被 Udacity 收购。

您在机器学习方面有着杰出的职业生涯，可以讨论一下您在斯坦福大学早期的日子，当时您正在研究让直升机变得自主的项目吗？

当我在斯坦福大学学习物理作为本科生时，我也非常感兴趣计算机科学和机器学习（ML）。对我来说，人工智能和机器学习结合了所有的一切 – 它真正是一个自动化的方式来对任何数字化现象进行物理学研究。

对于这个特定的项目，我们有一个看起来像一个大型无人机的直升机，略小于一张双人床 – 在无人机不普遍的时代。人们正在飞行它并让它做技巧，如倒立悬停。虽然这很难做到，但我们想建立一个机器学习算法来学习如何让这个直升机自主飞行。

我们创建了一个基于实际直升机的物理模拟器和一个机器学习算法来预测其运动。我们然后在模拟器中应用强化学习来开发一个控制器，将软件上传到实际直升机中。我们打开直升机后，它第一次就能正常工作！直升机能够立即倒立悬停，这很令人印象深刻。团队继续使用机器学习来自动化其他类型的技巧。

您还曾在谷歌图书工作，可以讨论一下您工作的算法以及您的公司最终如何被谷歌收购吗？

我在斯坦福大学上课期间在 2004 年在谷歌实习 – 这是在直升机项目之后。期间，我正在为谷歌图书项目实施机器学习，我们当时正在扫描世界上所有的书籍。

谷歌正在支付给很多人来标记书籍信息，例如页面、目录、版权等 – 这是一项非常耗时的任务。我想看看是否可以使用机器学习来完成这项任务，结果效果非常好。它实际上比人类标记更准确，因为大多数错误都是由于人为错误造成的。

这让我对机器学习非常兴奋，因为它表明我们可以从人类的性能到超人类的性能 – 以更少的错误和更一致地完成单调的任务，同时仍然处理边缘情况。

从那里，我决定在斯坦福大学攻读博士学位，专注于机器学习和更理论性的论文。我的论文开发了一个算法来实时捕捉运动，计算机可以从深度摄像头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，Numovis 专注于运动跟踪和计算机视觉用于用户交互。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，最后到医疗保健运营，我的整个旅程都表明了机器学习算法的强大和普遍性。

您能分享一下 AKASA 的创立故事吗？

我们建立了 AKASA 来解决医疗保健运营中一个巨大、深层次的问题。这些运营既昂贵又容易出错，这可能会导致患者出现不必要的、令人恐惧的财务经历。行政方面缺乏新技术，什么也没有被专门设计。很明显，我们可以使用人工智能和机器学习等技术来创新地解决这些运营挑战。当我们与多个医疗系统和医疗保健领导人交谈时，他们验证了我们的想法，这最终导致了 AKASA 在 2019 年的成立。

从一开始，AKASA 的目的就很明确 – 启用人类健康，并使用人工智能来构建医疗保健的未来。我们决定通过将人类智能与最先进的人工智能和机器学习相结合来应对这一挑战，这样医疗系统就可以降低运营成本并将资源分配到最重要的地方。

我们的系统无关、灵活的平台目前为代表超过 475 家医院和医疗系统以及超过 8,000 家门诊设施的客户提供服务，遍布所有 50 个州。我们的技术帮助这些组织，无论他们是否使用电子健康记录（EHR）提供商，如 Epic、Cerner 或其他 EHR 或附加系统，以及所有中间系统。我们已经取得了良好的效果。

我们的客户代表着超过 1100 亿美元的总净患者收入，这相当于根据美国医疗保险和医疗补助服务中心的数据，每年超过 10% 的美国医疗系统支出。AKASA 的模型和算法已经在近 2.9 亿份索赔和付款中进行了训练。

医疗保健的“隐形管道”非常复杂，但它对人类健康有着巨大的影响，我们正在逐步自动化它。

AKASA 正在寻求自动化医疗保健中的哪些任务？

我们的独特专家在循环中的方法，统一自动化，结合机器学习与人类判断和主题领域专业知识，提供医疗保健运营的强大和灵活的自动化。AKASA 可以快速高效地自动化和简化医疗财务功能中的端到端任务，包括账单处理和付款。AKASA 自动化的特定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、重新提交和上诉索赔，以及预测和管理拒绝。

这种自动化不仅减少了人类错误和患者延迟，帮助防止意外的医疗账单，还解放了医疗人员，让他们能够专注于更有回报、更具挑战性和价值创造的任务，这些任务面向患者体验。

AKASA 使用了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，为医疗系统提供一个用于自动化医疗保健运营的解决方案。这种以机器学习为中心的方法扩大了自动化的能力，以处理更复杂的任务。

我们开发了计算机视觉、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，并用现代人工智能、机器学习和专家在循环中增强它，以提供强大的自动化。

为了提供一个高层次的概述，关于它的工作原理，我们的专有解决方案首先观察医疗人员如何完成他们的任务。我们的团队然后标记这些数据，并使用它来训练我们的算法，这样我们的技术就可以了解和学习医疗人员及其系统的工作方式。从那里，我们的平台执行这些工作流程自主地。最后，我们使用专家在循环中，他们可以在系统标记异常或例外时介入。人工智能从这些经历中不断学习，使其能够处理新的边缘情况和例外。

您能讨论一下人工智能在循环中的方法的重要性以及为什么它将取代 RPA 吗？

残酷的真相是 RPA 是一个几十年前的技术，具有脆弱的局限性。它将始终具有某些价值，以自动化简单、离散和线性的工作。然而，自动化工作往往未达到其雄心壮志的原因是生活是复杂和不断变化的。

RPA 的基本方法是为每个问题或路径构建一个机器人（bot）。一个人类（顾问或工程师）为解决特定问题而构建一个机器人。这个机器人解决方案取代了一系列步骤。它查看屏幕，采取行动并重复它。

经常出现的问题是，世界的变化，例如软件或用户界面的修改，可能会导致机器人故障。正如我们所知，技术正在不断演变，创造动态环境。这意味着 RPA 机器人经常会故障。

这些机器人的另一个问题是，您需要为每种情况创建一个机器人。这样做，您最终会有很多机器人，每个机器人都完成非常小的动作，这些动作不需要太多技能。

这就像一个打地鼠游戏。每天，您都面临着其中一个机器人故障的可能性，因为软件可能会更改，或者会出现意外的输入。结果是昂贵的维护成本，以保持这些机器人的运行。根据 Forrester 的研究，RPA 的每 1 美元支出，还需要额外的 3.41 美元用于咨询资源。

换句话说，RPA 软件的实际成本并不是主要成本。更大的投资是您必须不断做的工作，以保持 RPA 的运行。许多组织没有考虑到这一持续的成本。

由于生活的复杂性和不断变化，很多工作超出了 RPA 的能力，这就是机器学习的用处。机器学习使我们能够自动化困难的任务。我们相信，特殊的酱料是教会算法的人类。

当算法不确定它应该做什么（低置信度）时，它会将其升级到人工智能循环中。人类标记这些示例并识别当前模型未处理的案例。当完成时，人工智能做对了，这是一个正常运行的任务。

每个任务中，人类捕获问题是一个机器无法正常处理的案例。在这种情况下，数据被添加到我们的数据集中，以重新训练机器学习模型，以处理这种新情况。

随着时间的推移，机器学习模型对这些新边缘情况和例外情况建立了强大的和灵活的能力。结果是一个强大和灵活的系统，能够处理新的边缘情况和例外情况。自动化变得越来越好，人类干预会随着时间的推移而减少。

在循环中拥有人类专家对于使人工智能更聪明、更快、更好至关重要。我们需要人类来正确训练人工智能，并确保它可以处理任何行业中不可避免的异常情况 – 尤其是在医疗保健这样动态的领域。

您能讨论一下 AKASA 的人工智能循环解决方案 Unified Automation 的工作原理以及该平台的一些主要用例吗？

Unified Automation 是一个专为医疗保健设计的平台。使用人工智能、机器学习和我们的医疗计费专家团队，它创建了一个无缝集成、定制的解决方案，帮助您更快地看到价值，几乎没有维护或异常队列。

它的设计考虑到了异常和边缘情况。如果遇到新情况，平台会将问题标记为 AKASA 的专家团队，他们在系统学习他们采取的行动时解决问题。正是人类的元素使我们与市场上的其他解决方案区别开来，并使平台能够不断学习和改进。

Unified Automation 也适应了医疗行业的动态性质。它是一个无缝集成、定制的解决方案，帮助降低运营成本，将人员提升到更有回报的工作中，这些工作需要人类的触感，并提高医疗系统的收入捕获，同时也改善患者的财务体验。

以下是 Unified Automation 的工作原理：

专有软件观察： 我们的 Worklogger 工具远程观察医疗人员如何完成他们的任务。然后我们的团队标记这些数据，并将其输入我们的自动化中，以提供对当前工作流程和流程的全面视图。结果是对人员表现有更高的可见性、对工作流程有基础数据以支持我们的自动化，以及对每项任务的准确分析。

人工智能执行： 在观察和学习医疗人员的工作流程之后，我们的人工智能然后自主执行这些任务。它不断从遇到的问题和边缘情况中学习，并随着时间的推移承担更多复杂的任务。Unified Automation 位于工作队列的上游 – 为适用的任务分配自己并在不干扰团队的情况下完成它们。它还会自动优化流程，因此不需要人员设置或干预。

人类专业知识确保： 系统会自动标记我们的医疗计费专家团队来处理异常和边缘情况，同时在他们工作时训练人工智能。这是循环中的专家部分。具有内置的持续学习，Unified Automation 平台变得越来越智能和高效，随着时间的推移，工作总是会完成。

您是否还有其他想分享的关于 AKASA 的信息？

我们采取研究为先的方法，这意味着我们的客户可以使用最先进的技术。我们致力于在同行评审出版物中发表我们的人工智能和方法，以不断为医疗保健运营中的人工智能设定新的标准，并引领整个行业向前发展。

例如，我们的研究曾在国际机器学习会议（ICML）、自然语言处理峰会（NLP Summit）和机器学习与医疗保健会议（MLHC）等会议上发表。我们正在采取一种非常有纪律的方法来测试我们的模型，并将其性能与市场上的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表的基于深度学习的系统，可以比现有基准准确预测医疗索赔拒绝超过 22%。我们的阅读、关注、编码模型用于从临床笔记中自主编码医疗索赔，被认为是为该行业定义了新的标准，并且比当前模型的性能提高了 18%，超越了人类编码者的生产力。我们相信这些后台创新对于以大规模改善美国医疗保健系统至关重要，并将继续推动这一领域的进步，并为这一领域构建定制的解决方案。

围绕医疗保健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能力。验证算法的研究更具挑战性，但我们为走这条有意义但具有挑战性的道路而感到自豪，为了最终证明 AKASA 的统一自动化平台确实为医院和医疗系统带来了积极和有意义的改变。

我们对 AKASA 的未来和人工智能在医疗保健领域的发展前景感到兴奋。

感谢这次精彩的采访，希望读者能够通过访问 AKASA 来了解更多信息。