Varun Ganapathi 是 AKASA 的首席技術官和聯合創(chuàng)始人，AKASA是醫(yī)療保健應用人工智能的開發(fā)者。AKASA 幫助醫(yī)療保健組織改善運營，包括收入周期，以增加收入、提高效率并增強患者體驗。Varun在 AKASA 之前已經成功創(chuàng)辦了兩家 AI 公司，一家被谷歌收購，另一家被 Udacity 收購。

你在機器學習領域有著杰出的職業(yè)生涯，你能談談你在斯坦福大學的一些早期工作，當時你致力于讓直升機自主化嗎？

當我在斯坦福大學攻讀物理時，我也對計算機科學和機器學習 (ML) 非常感興趣。對我來說，AI 和 ML 將所有東西合二為一——它實際上是一種對任何可數字化現象進行物理處理的自動化方式。

對于這個特殊的項目，我們有這架看起來像大型無人機的直升機，比雙人床墊小一點——當時無人機還不流行。人們正在飛行它并讓它做一些技巧，例如倒掛。雖然這很難做到，但我們想構建一種機器學習算法，可以向人類學習如何自主駕駛這架直升機。

我們創(chuàng)建了一個基于實際直升機的物理模擬器和一個學習如何預測其運動的 ML 算法。然后，我們在模擬器中應用強化學習來開發(fā)控制器，獲取軟件，并將其上傳到實際的直升機中。我們打開直升機后，第一次嘗試就成功了！這架直升機能夠立即自行倒掛，這非常令人印象深刻。該團隊繼續(xù)致力于使用 ML 自動化其他類型的技巧。

您還曾在 Google Books 工作過，您能否談談您研究的算法以及您的公司最終是如何被 Google 收購的？

實際上，我在 2004 年在斯坦福大學上課時曾在谷歌實習——那是在直升機項目之后。在那段時間里，我正在為 Google Books 項目實施 ML，我們正在掃描世界上所有的書籍。

谷歌付錢給所有這些人來標注書籍信息，例如頁面、目錄、版權等——這是一項非常耗時的任務。我想看看我們是否可以使用 ML 來做到這一點，并且效果非常好。它實際上比人類做的更好，更準確，因為大多數錯誤是由于人工標記的人為錯誤造成的。

這讓我對 ML 感到非常興奮，因為它表明你可以從人類的表現轉變?yōu)槌说谋憩F——在處理邊緣情況的同時，以更少的錯誤和更一致的方式完成平凡的任務。

從那里，我決定攻讀博士學位。在斯坦福大學，起初專注于 ML 和更多的理論論文。在我的論文中，我開發(fā)了一種算法來執(zhí)行實時動作捕捉，其中計算機可以從深度相機實時跟蹤所有人體關節(jié)的運動。這是我的第一家公司 Numovis 的基礎，該公司專注于用戶交互的運動跟蹤和計算機視覺。它被谷歌收購。

從直升機項目到 Google Books 再到自動駕駛汽車，再到現在的醫(yī)療保健運營，我的整個旅程確實向我展示了機器學習算法的強大和通用性。

你能分享一下 AKASA 背后的起源故事嗎？

我們構建AKASA是為了解決醫(yī)療保健運營中一個巨大的、根深蒂固的問題。這些操作既昂貴又容易出錯，可能會給患者帶來不必要的恐慌性財務體驗。行政方面缺乏新技術，也沒有專門建造的東西。我們很清楚，您可以使用 AI 和 ML 等技術以創(chuàng)新的方式解決這些運營挑戰(zhàn)。當我們與眾多衛(wèi)生系統(tǒng)和醫(yī)療保健領導者交談時，他們驗證了我們的想法，最終促成了 2019 年 AKASA 的成立。

因此，AKASA 的目標從一開始就很明確——用人工智能促進人類健康并構建醫(yī)療保健的未來。我們決定迎接這一挑戰(zhàn)的方式是將人類智能與領先的人工智能和機器學習相結合，這樣衛(wèi)生系統(tǒng)就可以降低運營成本并將資源分配到最重要的地方。

我們與系統(tǒng)無關的靈活平臺目前正在為代表超過 475 家醫(yī)院和衛(wèi)生系統(tǒng)以及 8,000 多個門診設施的客戶群提供服務，遍及所有 50 個州。我們的技術可以幫助這些組織，無論他們使用的是 Epic、Cerner、其他 EHR 等電子健康記錄 (EHR) 提供商，還是附加系統(tǒng)，以及介于兩者之間的一切。我們已經取得了很好的成果。

根據醫(yī)療補助和醫(yī)療保險服務中心的數據，我們的客戶群代表了超過 1100 億美元的總患者凈收入，這相當于美國衛(wèi)生系統(tǒng)每年支出的 10% 以上。AKASA 的模型和算法已經針對近 2.9 億次索賠和匯款進行了訓練。

醫(yī)療保健的隱形管道極其復雜，但它對人類健康有著巨大的影響，我們正在一點一點地實現它的自動化。

AKASA 正在考慮在醫(yī)療保健中實現哪些自動化任務？

我們獨特的專家在環(huán)方法 Unified Automation 將 ML 與人類判斷和主題專業(yè)知識相結合，為醫(yī)療保健運營提供強大且有彈性的自動化。AKASA 可以快速有效地自動化和簡化醫(yī)療財務功能中的端到端任務，包括賬單處理和支付。AKASA 自動化的具體任務包括檢查患者資格、記錄和驗證保險信息、估計患者成本、編輯、重新計費和上訴索賠，以及預測和管理拒絕。

這種類型的自動化不僅減少了患者的人為錯誤和延誤，有助于防止意外的醫(yī)療費用，而且還通過完全擺脫手動、重復性任務來解放醫(yī)護人員——讓他們專注于更有價值、更具挑戰(zhàn)性和更有價值的工作- 生成針對患者體驗的任務。

使用了哪些不同類型的機器學習算法？

AKASA 使用與使自動駕駛汽車成為可能的機器學習方法相同的機器學習方法，為醫(yī)療系統(tǒng)提供單一解決方案，以實現醫(yī)療保健操作的自動化。這種以 ML 為中心的方法擴展了自動化的能力，可以大規(guī)模地承擔更復雜的工作。

我們針對計算機視覺、自然語言理解和結構化數據問題開發(fā)最先進的算法。我們的平臺從計算機視覺驅動的 RPA 開始，并通過現代 AI、ML 和專家在環(huán)進行增強，以提供強大的自動化。

為了提供其工作原理的高級概述，我們的專有解決方案首先觀察醫(yī)護人員如何完成他們的任務。然后，我們的團隊標記這些數據并使用它來訓練我們的算法，以便我們的技術可以了解和了解醫(yī)護人員及其系統(tǒng)的工作方式。從那里，我們的平臺自動執(zhí)行這些工作流程。最后，我們使用專家在循環(huán)中，只要系統(tǒng)標記異常值或異常，他們就可以介入。人工智能不斷從這些經驗中學習，使其能夠隨著時間的推移承擔更復雜的任務。

您能否討論一下人在環(huán)方法的重要性以及為什么它會取代 RPA？

鐵的事實是，RPA 是一項已有數十年歷史的技術，其能力受到真正的限制。它總是在自動化簡單、離散和線性的工作方面具有一定的價值。然而，自動化努力往往達不到他們的愿望的原因是生活是復雜的，而且總是在變化。

RPA 的基本方法是為您要解決的每個問題或路徑構建一個機器人（機器人）。一個人（顧問或工程師）建造一個機器人來解決一個特定的問題。這種機器人解決方案取代了一系列步驟。它看著屏幕，采取行動，然后重復。

經常發(fā)生的問題是，世界的變化，例如對軟件或 UI 的修改，可能會導致機器人崩潰。眾所周知，技術在不斷發(fā)展，創(chuàng)造動態(tài)環(huán)境。這意味著 RPA 機器人經常出現故障。

這些機器人的另一個問題是，您需要為要解決的每種情況創(chuàng)建一個。這樣做，你最終會得到許多機器人，它們都完成了不需要太多技能的非常小的動作。

這就像打地鼠游戲。每天，您都面臨其中一個可能會因為某個軟件將要更改或發(fā)生一些不尋常的事情而崩潰的可能性——一個對話框會彈出或一種新的輸入會發(fā)生。結果是維持這些機器人運行的成本高昂。根據 Forrester 的研究，在 RPA 上每花費 1 美元，就會在咨詢資源上額外花費 3.41 美元。

換句話說，RPA 的實際軟件并不是成本的大部分。更可觀的成本投資是您必須做的所有工作以保持 RPA 始終運行。許多組織沒有考慮到持續(xù)的成本。

由于生活如此復雜且不斷發(fā)展，許多工作超出了 RPA 的能力，而這正是 ML 的用武之地。ML 使我們能夠將困難的事情自動化。我們相信特殊的調味料是人類通過教他們來改進算法。

當算法不確定它應該做什么（低置信度）時，它會升級為人工參與。人類標記這些示例并識別當前模型未處理的案例。當這完成后，人工智能做對了，這是一項運行良好的任務。

人類發(fā)現問題的每一項任務都是機器無法正確處理的情況。在這種情況下，數據被添加到我們的數據集中，從而重新訓練 ML 模型以處理這種新情況。

隨著時間的推移，ML 模型建立了對這些新邊緣情況的彈性。這導致系統(tǒng)對新的異常值或異常具有魯棒性和靈活性，并且系統(tǒng)會隨著時間的推移而變得更強大。這意味著自動化變得越來越好，人工干預將隨著時間的推移而減少。

讓人類專家參與其中對于讓 AI 變得更智能、更快、更好至關重要。我們需要人類正確訓練人工智能，并確保它能夠處理任何行業(yè)不可避免的異常值——尤其是在醫(yī)療保健等動態(tài)領域。

AKASA 的人在環(huán)解決方案 Unified Automation 是如何工作的，該平臺的一些主要用例是什么？

統(tǒng)一自動化是專為醫(yī)療保健而構建的平臺。使用 AI、ML 和我們的醫(yī)療計費專家團隊，它創(chuàng)建了一個無縫集成的定制解決方案，幫助您更快地看到價值，幾乎沒有維護或異常隊列。

它的設計考慮了異常和異常值。如果遇到新問題，平臺會將問題標記給 AKASA 的專家團隊，由他們解決，同時系統(tǒng)會從他們采取的行動中學習。正是這種人為因素將我們與市場上的其他解決方案區(qū)分開來，并使平臺能夠不斷學習和改進。

統(tǒng)一自動化還適應醫(yī)療保健行業(yè)的動態(tài)特性。它是一個無縫集成的定制解決方案，有助于降低運營成本，提升員工處理需要人性化的更有價值的工作，并改善衛(wèi)生系統(tǒng)的收入獲取，同時改善患者的財務體驗。

以下是統(tǒng)一自動化的工作原理：

專有軟件觀察：我們的 Worklogger 工具遠程觀察醫(yī)護人員如何完成他們的任務。然后我們的團隊標記這些數據并將其輸入到我們的自動化中，以提供當前工作流程和流程的全面視圖。這可以提高員工績效、工作流基礎數據的可見性，以支持我們的自動化，以及準確的每個任務的時間分析。

人工智能執(zhí)行：在觀察和學習醫(yī)護人員的工作流程后，我們的人工智能會自主執(zhí)行這些任務。它不斷從遇到的問題和邊緣情況中學習，隨著時間的推移承擔更復雜的任務。統(tǒng)一自動化位于工作隊列的上游——為自己分配適用的任務并在不干擾團隊的情況下完成它們。它還可以自動優(yōu)化流程，因此無需員工進行設置或干預。

人類專業(yè)知識確保： 系統(tǒng)自動標記我們的醫(yī)療計費專家團隊以處理異常和異常值，并在 AI 工作時實時訓練它們。這是專家在環(huán)部分。通過內置的持續(xù)學習，統(tǒng)一自動化平臺隨著時間的推移變得更加智能和高效，工作總能完成。

關于 AKASA，您還有什么想分享的嗎？

我們采用研究為先的方法，這意味著我們的客戶可以獲得領先的技術。我們致力于在同行評審的出版物中發(fā)布我們的人工智能和方法，以不斷為醫(yī)療保健運營中的人工智能設定新的最先進標準，并引領我們整個行業(yè)向前發(fā)展。

例如，我們的研究已在國際機器學習會議 (ICML)、自然語言處理(NLP) 峰會和機器學習醫(yī)療保健會議 (MLHC) 等上發(fā)表。我們正在采用非常嚴格的方法來測試我們的模型，并將性能與市場上最先進的 AI 方法進行比較。

我們的預測性拒絕解決方案被認為是第一個發(fā)布的基于深度學習的系統(tǒng)，與現有基線相比，該系統(tǒng)可以準確預測醫(yī)療索賠拒絕超過 22%。我們用于從臨床記錄中對醫(yī)療索賠進行自主編碼的“閱讀、參加、編碼”模型已被公認為為行業(yè)定義了一種新的最先進技術，并且比當前模型高出 18%——超過了人類編碼員的生產力。我們相信這些后臺創(chuàng)新對于大規(guī)模改善美國醫(yī)療保健系統(tǒng)至關重要，并將繼續(xù)推動進步并為該領域構建定制解決方案。

在醫(yī)療保健領域有很多關于人工智能的炒作，但歸根結底，公司可能會過度炒作他們的技術實際上可以做什么。進行研究以驗證算法的作用要困難得多——我們?yōu)椴捎眠@條有意義但具有挑戰(zhàn)性的路線最終證明 AKASA 的統(tǒng)一自動化平臺真正為醫(yī)院和衛(wèi)生系統(tǒng)帶來積極而有意義的變化而感到自豪。

隨著我們用人工智能構建醫(yī)療保健的未來，我們對 AKASA 的未來和未來感到興奮。