À medida que as agências fazem a transição para registros estritamente digitais, há muita papelada para distribuir #ÚltimasNotícias

Como as agências estão no meio da transição para registros estritamente digitais, ainda há muita papelada para distribuir. Muitas delas estão se voltando para novos mecanismos para processar esses documentos em papel em dados utilizáveis. Nosso próximo convidado está no negócio de ajudá-los a fazer isso, damos as boas-vindas a a Federal Drive com Tom TeminBrian Weiss, Diretor de Tecnologia da Hyperscience, fornecedora de software de IA.

Transcrição da entrevista:

Tom Temin As agências fizeram a transição para registros digitais, mas ainda têm muita papelada. Algumas recorreram à tecnologia para converter papel em dados legíveis por máquina. Para mais informações, Eric White, da Federal News Network, falou com o diretor de tecnologia da Hyperscience, Brian Weiss.

Brian Weiss Estamos em um ponto de inflexão realmente interessante agora porque todas as tecnologias legadas que existem fizeram o que as tecnologias sempre tentam fazer, que é entender informações humanas ruidosas, certo? É a interface entre máquinas e pessoas, e não há mais evidências sobre a dificuldade desse problema, que é, tipo, tentar fazer uma máquina entender a escrita à mão. Mas nossos cérebros são muito bons em entender visualmente, tipo, rapidamente, o que estamos olhando e o que isso significa. Mas fazer uma máquina fazer isso é realmente muito, muito difícil. Agora, historicamente, a maneira como as empresas têm feito, a tecnologia tem feito isso, é o que nós, apenas uma abordagem baseada em regras. Então, toda vez que você vê algo, eu tento escrever uma regra para o que vou ver, e se ela corresponder à minha regra, então eu posso transformar essa informação confusa em algo digital e onde estamos agora, e o que a Hyperscience realmente está impulsionando, é uma revolução no uso do que chamamos de IA atualmente, mas na verdade é aprendizado profundo de máquina para treinar modelos para entender, semelhante ao que as pessoas fazem, ao longo do tempo, porque você está mostrando a eles a repetição da variedade que eles aprendem a entender a variância. Então, você sabe, se você olha para uma caixa de papel, você acha que é muito simples apenas escanear essas coisas e entendê-las, mas pense em como é difícil entender a caligrafia. Ok, uma máquina para entender, você teria que dizer, aqui está cada variante do caminho. Então, a única maneira de lidar com a complexidade é usar um modelo subjacente que aprende ao longo do tempo. Você mostra muitos exemplos, e você treina, e é isso que a Hyperscience realmente fez, tipo, somos uma empresa de aproximadamente oito anos, e os primeiros quatro anos disso foram todos sobre construir uma estrutura de aproveitamento para entender informações da mesma forma que os humanos, mas para fazer isso de uma forma em que os dados que você está usando e as informações que você está tocando sejam altamente seguros. Então, nós começamos, como eu disse, na automação de back office e na construção de modelos para o setor de serviços financeiros. Não há, esses dados são tão incrivelmente seguros, ou e então também governos. Então, organizações como o VA, onde processamos, na verdade, um bilhão de documentos hoje em dia, e é cada reivindicação passando pelo VA para nossos veteranos, esses dados têm que viver dentro do ambiente. Tipo, você não pode entregá-los a um modelo GPT ou a um terceiro. Então, o que a Hyperscience fez foi meio que decifrar esse código para como habilitar o reconhecimento de informações de alto desempenho, como pessoas, e obtemos, obtemos precisão de nível humano do sistema dessas maneiras, com a Hyperscience. O que isso significa? Quero dizer, só para colocar em números puros, a abordagem de tecnologias legadas para isso geralmente atinge cerca de 60% de correção, precisão. Então, se for esse o caso, o que acontece com os outros 40, certo? E, agora, o que acontece é que vai para as pessoas. Tipo, alguém tem que sentar e pegar o formulário e pegar uma tela e digitar o que está vendo, e então torná-lo traduzível para a máquina. Então, 40% dessa carga de trabalho vai para as pessoas. É realmente uma oportunidade madura para uma transição tecnológica. Na Hyperscience, veja, estamos trazendo uma taxa de precisão de quase 99% porque os modelos estão ficando mais inteligentes, então quanto mais eles veem, melhores eles ficam. E, então, os ganhos de eficiência são monstruosos nisso e realmente é uma revolução tecnológica. Não é incremental de forma alguma. São maçãs e aviões, não são maçãs e laranjas. E, então, os benefícios são realmente enormes e a Hyperscience é, você sabe, nós temos sido, não é da noite para o dia. Fazemos isso há mais de oito anos. E então meio que deciframos esse código internamente para como impulsionar essa eficiência.

Eric Branco Se você pudesse me explicar, como isso funciona? Quer dizer, você sabe, voltando, eu lembro das ferramentas de documentos digitalizáveis ​​onde você sabe, você insere um pedaço de papel no que você sabe que era um scanner ou mesmo às vezes apenas uma barra pela qual você o envia. Do que estamos falando aqui em termos de hardware e tecnologia e o quê? O que exatamente isso é capaz de fazer?

Brian Weiss Sim, então olhe a infraestrutura de back-end. Estamos pegando documentos digitalizados, sejam eles escaneados ou, você sabe, seus nativos digitais. E então a infraestrutura, realmente, o que ela faz é isso, é uma plataforma na qual nós aproveitamos modelos, modelos de máquinas que foram treinados para fazer o que as pessoas fazem. E a primeira parte disso é o que chamamos de código de visão computacional. Então, todo o ruído e as linhas em uma digitalização, e as pessoas derramam café nele, e dobram ao meio, e todas essas coisas, ou fica enviesado para os lados. Nossos modelos que construímos por mais de 10 anos corrigem tudo isso. Então, nós meio que tiramos o ruído de tudo isso. Antes mesmo de você perguntar, o que estou olhando? E então, você sabe, estamos essencialmente levantando modelos que respondem à pergunta, o que estou olhando? É o formulário XYZ, é 1040, ou é etc.? Ou, e então, uma vez que você descobrir isso, que tipo de dados eu preciso tirar da página? E esses são modelos de aprendizagem. Então, vá encontrar essas cinco informações. Eu não vou te dizer onde elas estão, Eric, eu só preciso que você as encontre, certo? E, a propósito, eu nem vou, eu nem vou remotamente mostrar a você onde elas podem estar. Você precisa, você precisa descobrir, com base no que você viu até agora, onde esses dados vivem em uma página. E então, uma vez que você tenha feito isso, eu preciso que você os traduza para o digital e isso significa que quando eu rabisco meu nome e escrevo fora da caixa, e eu coloco o zero quando eu corro sobre ele e eu risco e tudo, eu preciso que você descubra isso também. E, então, o aproveitamento subjacente disso é que temos servidores de treinamento bem nos quais você constrói os modelos para permitir que você, você sabe, crie essa eficiência, e então um pipeline que é muito eficiente em aproveitar os modelos em processo. E usamos CPU, não GPU, porque pode ser muito caro, sabe. Então, estamos realmente orgulhosos de ter modelos efetivamente estreitos. Você ouve sobre um trilhão de parâmetros e coisas assim, como se estivéssemos muito focados em fazer o trabalho. E então a outra inovação com a Hyperscience é o que chamamos de just in time humano no loop. Então, diferente da gama anterior de tecnologias que faziam isso, se um OCR errar, sua única opção é entregá-lo a alguém para fazer todo o formulário sozinho. O que a Hyperscience faz de forma única é se a máquina não estiver um pouco confiante, certo? Então eu tenho 100 campos, estou tentando obter dados, mas tenho um, mas não tenho certeza se estou certo. Ele levanta a mão e diz, ei, preciso de uma ajudinha. Então, naquele ponto, bem a tempo para uma pequena intervenção humana, agora posso passar todo o documento. Ele me leva direto a eles, diz, me ajude a descobrir isso. Então, esse conceito de um ser humano presente no circuito para ajudar os modelos a fazerem seu trabalho é como um trabalhador digital, certo?

Eric Branco Bem, é por isso que eu ia perguntar, com os clientes da sua agência, você sabe, qual é o desejo habitual deles? E você sabe, com o que exatamente eles estão mais preocupados? É carga de trabalho ou precisão?

Brian Weiss Ótima pergunta. Há uma relação inversa entre “Eu me importo muito com precisão” e “Se eu”, e é realmente uma configuração ajustável em nossa plataforma, você pode dizer “Eu me importo muito com precisão”. E, a propósito, se você vai usar esses dados para treinar outros modelos, isso é crítico. Então, nesse ponto, o trabalhador digital levantará a mão com mais frequência porque não é permitido empurrar essa coisa sem um nível de confiança muito alto. Então você meio que define esse nível de confiança para que os clientes então, e o que você está negociando é que você terá que tocar em mais alguns documentos, certo, com mais frequência, para fazer com que a máquina atinja seu limite. Mas, ao mesmo tempo, eles estão atingindo esse equilíbrio entre o que é automatizado sem que ele levante a mão e a precisão. E vemos taxas de precisão de 99% e níveis de automação de 98. Agora, isso é em um mundo onde 60% costumava ser considerado bom.

Tom Temin Brian Weiss, Chief Technology Officer na Hyperscience. Encontre esta entrevista em federalnewsnetwork.com/federaldrive e assine o Federal Drive onde quer que você tenha seus podcasts.

Copyright © 2024 Federal News Network. Todos os direitos reservados. Este site não é destinado a usuários localizados na Área Econômica Europeia.