Abridge 내부: AI가 듣는 1억 건의 진료 — Abridge의 Janie Lee & Chai Asawa

The first and most important thing is context is everything as Tai alluded to. 첫 번째이자 가장 중요한 것은, Chai가 언급했듯이 맥락이 전부라는 겁니다. And I also think about how do we go from being reactive alerting to really proactive intelligence at the point at which it matters most. 저는 또 어떻게 하면 사후 대응적인 경보 방식에서, 가장 중요한 순간에 진정으로 선제적인 지능을 제공하는 방식으로 전환할 수 있는지를 생각합니다. One thing we like to say is we want our product to feel like air conditioning. 저희가 자주 하는 말이 있어요. 저희 제품이 에어컨 같은 느낌이었으면 한다고요. It should be in the background just making things better. 항상 배경에서 조용히 더 좋게 만들어주는 존재이길 바랍니다. And maybe if and if there is something that has great clinical risk and we're acutely aware that intervening now and not later is incredibly important, we should decide to act. 그리고 만약 임상적 위험이 크고, 지금 당장 개입하는 것이 나중보다 훨씬 중요하다고 판단되면, 그때는 행동에 나서야 합니다. Before we get into today's episode, I just have a small message for listeners. 오늘 에피소드에 들어가기 전에, 청취자 여러분께 짧게 드릴 말씀이 있습니다. Thank you. 감사합니다. We would not be able to bring you the AI engineering, science, and entertainment content that you so clearly want if you didn't choose to also click in and tune into our content. 여러분이 저희 콘텐츠를 클릭하고 즐겨 주시지 않았다면, 이렇게 AI 엔지니어링, 과학, 엔터테인먼트 콘텐츠를 제공하는 것은 불가능했을 겁니다. We've been approached by sponsors on an almost daily basis. 거의 매일 스폰서 제안이 들어옵니다. But fortunately, enough of you actually subscribe to us to keep all this sustainable without ads and we want to keep it that way. 다행히도 구독해 주시는 분들이 충분히 많아서 광고 없이도 지속 가능하게 운영되고 있는데, 이 방식을 계속 유지하고 싶습니다. But I just have one favor to ask all of you. 단 한 가지만 부탁드리겠습니다. The single most powerful, completely free thing you can do is to click that subscribe button. 구독 버튼을 클릭하는 것, 완전히 무료로 할 수 있는 가장 강력한 한 가지입니다. It's the only thing I'll ever ask of you. 제가 부탁드리는 건 그것뿐입니다. And it means absolutely everything to me and my team that works so hard to bring the Inspace to you each and every week. 매주 Latent Space를 열심히 만들고 있는 저와 팀원들에게 정말 큰 의미입니다. If you do it, I promise you we'll never stop working to make the show even better. 구독해 주신다면, 쇼를 더욱 발전시키기 위해 멈추지 않겠다고 약속드립니다. Now, let's get into it. 자, 이제 시작해 보죠. Okay, this is a special crossover late in space unsupervised learning pod. 자, 이번은 특별한 교차 에피소드로, Latent Space와 Unsupervised Learning 팟캐스트가 함께합니다. Very, very excited to do this, you know, once a year at this point. 정말 기대가 됩니다. 이제 일 년에 한 번 정도 이런 자리가 생기네요. We get together and this is a fun occasion to get to do it on. 모이면 좋은 자리가 되는데, 오늘도 그렇게 되길 바랍니다. Uh we I really wanted to talk to a bridge. 저는 Abridge와 꼭 이야기하고 싶었어요. Uh but I felt very underqualified because it's healthcare is not something we cover very intensely and it just so happens that points are big big investors and supporters of uh bridge. 그런데 제가 너무 무지한 것 같아서 망설였습니다. 의료는 저희가 깊게 다루는 분야가 아니거든요. 마침 Redpoint가 Abridge의 큰 투자자이자 후원자이기도 하고요. So 그래서 anytime you want to have a portfolio company on on your podcast so please by all means. 포트폴리오 회사를 팟캐스트에 초대하고 싶을 때는 언제든지 말씀해 주세요. So we introduce our guests um Chai and Janie welcome to the pod. 그래서 오늘 게스트 Chai와 Janie를 소개합니다. 팟캐스트에 오신 걸 환영합니다. Thanks for having us. 초대해 주셔서 감사합니다. We're excited to be here. 함께하게 되어 기쁩니다. Thank you. 감사합니다. Yeah. 네. So for for listeners 청취자 여러분께 uh what do you guys do just to situate you guys in the in the company? 회사에서 각자 어떤 일을 하시는지 간단히 소개해 주시겠어요? Uh Bridge is a clinical intelligence layer for health systems. Abridge는 의료 시스템을 위한 임상 지능 레이어입니다. We really started with documentation and building for clinicians. 저희는 정말로 문서화에서 시작해 임상의를 위해 구축했습니다. And we think that, you know, as we think about reducing the burden that clinicians have, they're spending 10 to 20 hours a week on documentation. 임상의의 부담을 줄이는 방법을 생각할 때, 그들이 문서화에만 주당 10~20시간을 쓴다는 걸 알게 됩니다. There's a massive doctor shortage in the country. 미국에는 심각한 의사 부족 현상이 있습니다. We also think that conversations between patients and clinicians are probably the most important workflow in healthcare. 저희는 또 환자와 임상의 사이의 대화가 의료에서 가장 중요한 워크플로우라고 생각합니다. It's obviously where care is given and received, but if you think about the 20% of our GDP that goes towards healthcare, almost everything is a derivative of that conversation, whether it's the claim, the payment, the actual diagnosis given the treatment. 거기서 진료가 이뤄지고 제공된다는 건 분명하지만, GDP의 20%를 차지하는 의료 지출을 생각해 보면, 청구서든 결제든 진단이든 치료든 거의 모든 게 그 대화에서 파생됩니다. And we've started with a conversation to reduce the burden for doctors on documentation, but we're really excited about the path ahead as we become this broader clinical intelligence layer. 저희는 의사들의 문서화 부담을 줄이는 것에서 시작했지만, 더 넓은 임상 지능 레이어로 발전하는 앞길이 정말 기대됩니다. I'm Chai. 저는 Chai입니다. I work on clinical decision support at ABridge. Abridge에서 임상 의사결정 지원을 담당하고 있습니다. And so I think as Jenny said that we have this we're uniquely situated where we started off with the clinical note. Janie가 말씀하신 것처럼, 저희는 임상 노트에서 시작이라는 독특한 위치에 있다고 생각합니다. What I'm really excited about and where we're expanding towards is what are all the things you can do before the conversation during the conversation and after the conversation if you did have access to all the context about patients pair guidelines medical literature and put that together and to serve you know what how healthcare could look fundamentally different. 제가 정말 기대하고 있고 저희가 확장해 나가는 부분은, 환자에 대한 모든 맥락, 보험 가이드라인, 의학 문헌에 접근할 수 있다면 대화 전, 중, 후에 무엇을 할 수 있는지입니다. 의료가 근본적으로 어떻게 달라질 수 있는지를 생각하면 정말 설레는 일입니다. Yeah. 네. And that's like the context engine that you guys have. 그게 바로 여러분이 가진 맥락 엔진이네요. Is that what it's called? 그게 그렇게 불리나요? Okay. 알겠어요. Uh so historically as I understand it company started in 2018. 제가 알기로 회사는 2018년에 시작됐죠. Uh a lot of people would be familiar with like the AI voice notes form factor that that doctors would be like well do you consent to be being recorded? 많은 분들이 의사가 진료실에 들어오면서 '녹음에 동의하십니까?'라고 묻는 AI 음성 노트 형태를 알고 계실 겁니다. It replaces handwriting and what have you. 그게 수기를 대체하는 방식이었죠. Uh but I it it sounds like more recently there's been a big transition in the company or just tell me about like the the broader transition. 그런데 최근 들어 회사에 큰 전환이 있었다고 들었는데, 그 더 넓은 전환에 대해 말씀해 주시겠어요? Yeah. 네. So from a transition perspective, we really think about our journey 전환이라는 관점에서 보면, 저희 여정은 as how do we, you know, first chapter was first act was how do we help save time and that's where a lot of that original product was 어떻게 시간을 절약할 것인가, 첫 번째 장, 첫 번째 막은 그게 기존 제품의 출발점이었습니다. which like by the way one of the interesting stats on your landing page was like people spend doctors spend like time after hours. 그런데 제 관심을 끈 게 있어요. 랜딩 페이지를 보니까 의사들이 퇴근 후에도 시간을 쓴다는 통계가 있던데요. They call it pajama time. 그걸 잠옷 타임이라고 부릅니다. Okay. 아. Why is that pajama time? 잠옷 타임이라는 게 왜 그래요? Uh doctors after work in their pajamas at home or just writing and catching up on their notes every day. 의사들이 퇴근하고 집에서 잠옷 차림으로 매일 노트를 정리하고 밀린 것들을 작성하거든요. And you know, I think some of our favorite customer love stories. 저희가 정말 좋아하는 고객 사랑 이야기들이 있어요. We have a Slack channel called Love Stories. 러브 스토리라는 Slack 채널도 있습니다. We have clinicians telling us a bridge has helped us, you know, from retiring early. 임상의들이 Abridge 덕분에 일찍 은퇴하지 않아도 되었다고 말해 줍니다. We're now finally able to go home and eat dinner with our kids for the first time and 이제는 퇴근하고 처음으로 아이들과 저녁 식사를 할 수 있게 되었다고 하더군요. save their marriage and some. 결혼도 구해줬다는 분들도 있고요. Yeah. 네. One of your quotes was like we're not divorcing anymore. 여러분 인용구 중에 이런 게 있었잖아요. '이제 더 이상 이혼 안 해요.'라고요. Like why? 왜냐고요? Like 그게 cuz they're working too much, I guess. 일을 너무 많이 해서겠죠. Yeah. 네. But um in terms of where we're going and where we're expanding, we really think about our second and third acts around how do we help health systems save and make more money. 저희가 향하는 곳, 확장하는 방향을 보면, 두 번째와 세 번째 막은 어떻게 의료 시스템이 돈을 절약하고 벌게 도울 것인가입니다. Health systems are operating with, you know, record low operating margins. 의료 시스템들은 기록적으로 낮은 영업 이익률로 운영되고 있습니다. It's getting harder and harder to serve patients. 환자를 돌보는 일이 점점 더 어려워지고 있고요. And they have regulatory, some tailwinds, but also a lot of headwinds coming their way. 규제 측면에서는 순풍도 있지만 역풍도 상당합니다. And we think AI is ripe for helping on the saving and make more money piece. AI가 비용 절감과 수익 창출 부분에서 크게 기여할 수 있다고 생각합니다. And then ultimately, how do we help save lives? 그리고 궁극적으로 어떻게 생명을 구할 것인가입니다. The fact that our software and our product is open millions of times a week before, during, and after a patient walks in the room um gives us massive opportunity with products like clinical decision support, what Chai is building, but so many others to actually improve patient outcomes and probably one of the most important workflows and and problems to be going after right now. 저희 소프트웨어와 제품이 환자가 진료실에 들어오기 전, 진료 중, 진료 후에 매주 수백만 번 사용된다는 사실은 Chai가 만들고 있는 임상 의사결정 지원 같은 제품들, 그리고 수많은 다른 제품들로 실제 환자 결과를 개선할 수 있는 엄청난 기회를 줍니다. 지금 당장 가장 중요한 워크플로우 중 하나입니다. I mean I think one thing that's that's interesting chai is obviously you came over to a bridge from glee and I think about clinical decision support uh which is you know for our listeners is basically you know in the context of a visit helping a doctor figure out the right type of care it's really a search problem in many ways right of of going through lots of different data sources very analogous to your previous role as as as one of the uh earliest engineers over at Glean um I'm sure a lot of our listeners are curious what's uh similar about the problem set you're going after now and what feels different uh now that you're you're in healthcare Chai, 한 가지 흥미로운 점이 있는데요. 아시다시피 Chai는 Glean에서 Abridge로 오셨죠. 임상 의사결정 지원에 대해 생각해 보면, 청취자분들께 설명하자면, 진료 맥락에서 의사가 적절한 치료를 찾도록 돕는 건데 여러 데이터 소스를 검색하는 문제와 매우 유사합니다. 이전 역할인 Glean 초기 엔지니어로서의 경험과 비슷한 점이 많죠. 지금 헬스케어에서 풀려는 문제와 비슷한 점, 그리고 다르게 느껴지는 점은 무엇인가요? Yeah. 네. Um, very similar. 음, 매우 비슷합니다. And I I think taking a step back, I think with every wave, there's a lot of like very similar patterns that happen across different products. 한 발짝 물러서서 생각해 보면, 모든 물결마다 다양한 제품에서 매우 유사한 패턴이 나타난다고 생각합니다. A lot of social networking products look the same. 소셜 네트워킹 제품들은 많은 부분이 비슷하게 생겼습니다. A lot of like crowd-based products look the same. 군중 기반 제품들도 비슷하게 생겼고요. And I think we're seeing that's very similar in the agent era with many companies, of course, in Redpoint's portfolio and so forth. Redpoint 포트폴리오를 비롯한 많은 회사들에서 에이전트 시대에도 매우 유사한 패턴을 보고 있습니다. Um, and the key insight between both companies is that like you have amazing models, but like context is king and context is what actually puts them to work. 두 회사의 핵심 통찰은 훌륭한 모델이 있지만 맥락이 핵심이고, 맥락이야말로 모델을 실제로 작동하게 한다는 겁니다. Um so I see in a lot of ways a lot of similarities and like this is a healthcare coded version of clean but I think the differences are really interesting. 여러 면에서 Abridge는 헬스케어 버전의 Glean이라고 봅니다. 그런데 차이점이 정말 흥미롭습니다. A couple things that come to mind. 몇 가지가 떠오르는데요. First and foremost uh like the rigor at which in which in in the setting we are in um the downside risk is extremely high here in healthcare. 무엇보다 먼저, 우리가 처한 환경에서의 엄격함이라는 측면에서 보면, 헬스케어에서는 하방 위험이 극히 높습니다. It can actually be fatal in some cases. 실제로 치명적인 결과로 이어질 수도 있습니다. You prescribe something that the patient is allergic to for example. 예를 들어, 환자가 알레르기 반응을 보이는 약을 처방하는 경우요. Whereas at Glean it's like oh you got the question wrong. 반면 Glean에서는 질문에 틀린 답을 해도 it wasn't the end of the world in most most cases. 대부분의 경우 세상이 끝나는 건 아니었죠. And so what does that mean? 그게 무엇을 의미하냐면요. That shapes our evaluation strategy, both offline evaluation, progressive roll out, and there's a lot more we could kind of go into there. 그것이 오프라인 평가, 점진적 롤아웃 등 저희 평가 전략을 형성하는 데 영향을 줍니다. 거기에 대해 더 깊이 들어갈 수 있는 게 많고요. Second thing that comes to mind is like vertical versus horizontal. 두 번째는 수직 대 수평의 문제입니다. Um, in both cases, there's there's a large variance, but when Glean is it's a much more horizontal company, there's a variance of personas, companies that you're working with. 양쪽 다 큰 편차가 있지만, Glean은 훨씬 더 수평적인 회사로, 다양한 페르소나와 기업이 있습니다. Um we also have a variance of uh personas, different types of specialties, different hospital systems, but the variance is a little more narrow. 저희도 다양한 전문과목, 다양한 병원 시스템 등 편차가 있지만, 그 범위가 좀 더 좁습니다. So from a product perspective, you're able to focus far more, especially when you have a maturing technology and you're building new products that never existed before. 그래서 제품 관점에서 기술이 성숙해지고 전에 없던 새로운 제품을 만들 때는 훨씬 더 집중할 수 있습니다. It lets you go specific uh go after them much more easily and especially in healthcare where so many problems have were solved with labor and process that's actually extremely ripe for AI to keep helping augment and enable. 더 특화된 문제를 훨씬 쉽게 공략할 수 있고, 특히 헬스케어에서는 노동과 프로세스로 해결되던 문제들이 AI가 보완하고 지원하기에 정말 좋은 환경입니다. Um, and then the final thing that I think that's really interesting, Bridge specifically compared to many other companies in the AI area is the modality we started with. 마지막으로 Abridge가 AI 분야의 많은 회사들과 비교해 정말 흥미로운 점은 저희가 시작한 모달리티입니다. We're we're ambient and we're always listening in the background. 저희는 앰비언트, 즉 항상 배경에서 듣고 있는 방식으로 시작했습니다. And I think many more AI products will go that way, but it's actually how we started. 더 많은 AI 제품들이 그 방향으로 갈 거라고 생각하지만, 실제로 저희는 그렇게 시작했어요.