Varun Ganapathi 是 AKASA 的首席技术官和联合创始人，AKASA是医疗保健应用人工智能的开发者。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。Varun在 AKASA 之前已经成功创办了两家 AI 公司，一家被谷歌收购，另一家被 Udacity 收购。
你在机器学习领域有着杰出的职业生涯，你能谈谈你在斯坦福大学的一些早期工作，当时你致力于让直升机自主化吗？
当我在斯坦福大学攻读物理时，我也对计算机科学和机器学习 (ML) 非常感兴趣。对我来说，AI 和 ML 将所有东西合二为一——它实际上是一种对任何可数字化现象进行物理处理的自动化方式。
对于这个特殊的项目，我们有这架看起来像大型无人机的直升机，比双人床垫小一点——当时无人机还不流行。人们正在飞行它并让它做一些技巧，例如倒挂。虽然这很难做到，但我们想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 ML 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。我们打开直升机后，第一次尝试就成功了！这架直升机能够立即自行倒挂，这非常令人印象深刻。该团队继续致力于使用 ML 自动化其他类型的技巧。
您还曾在 Google Books 工作过，您能否谈谈您研究的算法以及您的公司最终是如何被 Google 收购的？
实际上，我在 2004 年在斯坦福大学上课时曾在谷歌实习——那是在直升机项目之后。在那段时间里，我正在为 Google Books 项目实施 ML，我们正在扫描世界上所有的书籍。
谷歌付钱给所有这些人来标注书籍信息，例如页面、目录、版权等——这是一项非常耗时的任务。我想看看我们是否可以使用 ML 来做到这一点，并且效果非常好。它实际上比人类做的更好，更准确，因为大多数错误是由于人工标记的人为错误造成的。
这让我对 ML 感到非常兴奋，因为它表明你可以从人类的表现转变为超人的表现——在处理边缘情况的同时，以更少的错误和更一致的方式完成平凡的任务。
从那里，我决定攻读博士学位。在斯坦福大学，起初专注于 ML 和更多的理论论文。在我的论文中，我开发了一种算法来执行实时动作捕捉，其中计算机可以从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，该公司专注于用户交互的运动跟踪和计算机视觉。它被谷歌收购。
从直升机项目到 Google Books 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。
你能分享一下 AKASA 背后的起源故事吗？
我们构建AKASA是为了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。行政方面缺乏新技术，也没有专门建造的东西。我们很清楚，您可以使用 AI 和 ML 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，最终促成了 2019 年 AKASA 的成立。
因此，AKASA 的目标从一开始就很明确——用人工智能促进人类健康并构建医疗保健的未来。我们决定迎接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，这样卫生系统就可以降低运营成本并将资源分配到最重要的地方。
我们与系统无关的灵活平台目前正在为代表超过 475 家医院和卫生系统以及 8,000 多个门诊设施的客户群提供服务，遍及所有 50 个州。我们的技术可以帮助这些组织，无论他们使用的是 Epic、Cerner、其他 EHR 等电子健康记录 (EHR) 提供商，还是附加系统，以及介于两者之间的一切。我们已经取得了很好的成果。
根据医疗补助和医疗保险服务中心的数据，我们的客户群代表了超过 1100 亿美元的总患者净收入，这相当于美国卫生系统每年支出的 10% 以上。AKASA 的模型和算法已经针对近 2.9 亿次索赔和汇款进行了训练。
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它的自动化。
AKASA 正在考虑在医疗保健中实现哪些自动化任务？
我们独特的专家在环方法 Unified Automation 将 ML 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 可以快速有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、估计患者成本、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——让他们专注于更有价值、更具挑战性和更有价值的工作- 生成针对患者体验的任务。
使用了哪些不同类型的机器学习算法？
AKASA 使用与使自动驾驶汽车成为可能的机器学习方法相同的机器学习方法，为医疗系统提供单一解决方案，以实现医疗保健操作的自动化。这种以 ML 为中心的方法扩展了自动化的能力，可以大规模地承担更复杂的工作。
我们针对计算机视觉、自然语言理解和结构化数据问题开发最先进的算法。我们的平台从计算机视觉驱动的 RPA 开始，并通过现代 AI、ML 和专家在环进行增强，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他们的任务。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，以便我们的技术可以了解和了解医护人员及其系统的工作方式。从那里，我们的平台自动执行这些工作流程。最后，我们使用专家在循环中，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。
您能否讨论一下人在环方法的重要性以及为什么它会取代 RPA？
铁的事实是，RPA 是一项已有数十年历史的技术，其能力受到真正的限制。它总是在自动化简单、离散和线性的工作方面具有一定的价值。然而，自动化努力往往达不到他们的愿望的原因是生活是复杂的，而且总是在变化。
RPA 的基本方法是为您要解决的每个问题或路径构建一个机器人（机器人）。一个人（顾问或工程师）建造一个机器人来解决一个特定的问题。这种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 UI 的修改，可能会导致机器人崩溃。众所周知，技术在不断发展，创造动态环境。这意味着 RPA 机器人经常出现故障。
这些机器人的另一个问题是，您需要为要解决的每种情况创建一个。这样做，你最终会得到许多机器人，它们都完成了不需要太多技能的非常小的动作。
这就像打地鼠游戏。每天，您都面临其中一个可能会因为某个软件将要更改或发生一些不寻常的事情而崩溃的可能性——一个对话框会弹出或一种新的输入会发生。结果是维持这些机器人运行的成本高昂。根据 Forrester 的研究，在 RPA 上每花费 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。更可观的成本投资是您必须做的所有工作以保持 RPA 始终运行。许多组织没有考虑到持续的成本。
由于生活如此复杂且不断发展，许多工作超出了 RPA 的能力，而这正是 ML 的用武之地。ML 使我们能够将困难的事情自动化。我们相信特殊的调味料是人类通过教他们来改进算法。
当算法不确定它应该做什么（低置信度）时，它会升级为人工参与。人类标记这些示例并识别当前模型未处理的案例。当这完成后，人工智能做对了，这是一项运行良好的任务。
人类发现问题的每一项任务都是机器无法正确处理的情况。在这种情况下，数据被添加到我们的数据集中，从而重新训练 ML 模型以处理这种新情况。
随着时间的推移，ML 模型建立了对这些新边缘情况的弹性。这导致系统对新的异常值或异常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强大。这意味着自动化变得越来越好，人工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 AI 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值——尤其是在医疗保健等动态领域。
AKASA 的人在环解决方案 Unified Automation 是如何工作的，该平台的一些主要用例是什么？
统一自动化是专为医疗保健而构建的平台。使用 AI、ML 和我们的医疗计费专家团队，它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。
它的设计考虑了异常和异常值。如果遇到新问题，平台会将问题标记给 AKASA 的专家团队，由他们解决，同时系统会从他们采取的行动中学习。正是这种人为因素将我们与市场上的其他解决方案区分开来，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，并改善卫生系统的收入获取，同时改善患者的财务体验。
以下是统一自动化的工作原理：
专有软件观察：我们的 Worklogger 工具远程观察医护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到我们的自动化中，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、工作流基础数据的可见性，以支持我们的自动化，以及准确的每个任务的时间分析。
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干扰团队的情况下完成它们。它还可以自动优化流程，因此无需员工进行设置或干预。
人类专业知识确保： 系统自动标记我们的医疗计费专家团队以处理异常和异常值，并在 AI 工作时实时训练它们。这是专家在环部分。通过内置的持续学习，统一自动化平台随着时间的推移变得更加智能和高效，工作总能完成。
关于 AKASA，您还有什么想分享的吗？
我们采用研究为先的方法，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的出版物中发布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最先进标准，并引领我们整个行业向前发展。
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) 峰会和机器学习医疗保健会议 (MLHC) 等上发表。我们正在采用非常严格的方法来测试我们的模型，并将性能与市场上最先进的 AI 方法进行比较。
我们的预测性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，该系统可以准确预测医疗索赔拒绝超过 22%。我们用于从临床记录中对医疗索赔进行自主编码的“阅读、参加、编码”模型已被公认为为行业定义了一种新的最先进技术，并且比当前模型高出 18%——超过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。
在医疗保健领域有很多关于人工智能的炒作，但归根结底，公司可能会过度炒作他们的技术实际上可以做什么。进行研究以验证算法的作用要困难得多——我们为采用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积极而有意义的变化而感到自豪。
随着我们用人工智能构建医疗保健的未来，我们对 AKASA 的未来和未来感到兴奋。
