Halim Abbas, Chief AI Officer at Cognoa – Rozhovorová série

Halim Abbas je Chief AI Officer ve společnosti Cognoa, je inovátorem v oblasti umělé inteligence a veteránem průmyslu, který vedl špičkové projekty datové vědy ve společnostech jako eBay a Teradata. Cognoa se zaměřuje na vytvoření bezprecedentního standardu péče v oblasti pediatrické behaviorální zdraví, který zajišťuje rovný přístup k časným zásahům poskytováním vysoce kvalitních produktů pro zlepšení výsledků života pro všechny děti a rodiny.

Co vás původně přitáhlo k strojovému učení a datové vědě?

Již jako dítě jsem byl fascinován programováním. Později jsem se začal zajímat o vznikající obor strojového učení kvůli neodolatelné touze pracovat na hranici výzkumu a prozkoumávat otevřené výzvy toho, co je možné dosáhnout pomocí výpočetních algoritmů.

Jako bývalý Senior Research Scientist v eBay máte zkušenosti s optimalizací pořadí vyhledávacích výsledků pro platformu eBay. Jaké jsou některé zásadní lekce ze strojového učení, které jste se z této zkušenosti naučil?

V eBay můj tým vytvořil první algoritmus pro strojové učení pro pořadí vyhledávacích výsledků. S desítkami milionů položek k prodeji v každém okamžiku a miliardami vyhledávacích dotazů denně byla největší technickou výzvou překonat enormní rozsah.

Nakonec si myslím, že největší poučení z této zkušenosti bylo udržet otevřenou mysl ohledně definice cíle samotného. Ukázalo se, že pokud algoritmus pro pořadí úspěšně předložil zákazníkovi pouze nejlepší nabídky, byli méně pravděpodobně transakční. Potřebovali také vidět méně dobré nabídky, aby mohli rozpoznat dobré nabídky jako takové. To vyžadovalo datově řízený přístup k úspěchu a otevřenou mysl, aby se uvědomil tento fakt a upravil strategii odpovídajícím způsobem.

Jaké jsou některé podmínky, které jsou diagnostikovány v Cognoa?

Cognoa je pediatrická behaviorální zdravotnická společnost, která vyvíjí digitální diagnostiku a terapeutiku. Naším cílem je využít technologii ke streamlinování pediatrické zdravotní péče a řešení nezodpovězených potřeb v pediatrické behaviorální zdravotní péči. Začínáme s autismem.

Jaké jsou některé výzvy spojené se stavbou klasifikačního systému pro diagnostiku autismu a dalších podmínek u dětí?

Kromě faktu, že předškoláci nejsou nejvíce spolupracujícími pacienty, je jednou z hlavních výzev pro nás takzvaný definiční šum. To znamená, že se snažíme trénovat algoritmy pro strojové učení na klasifikaci podmínek, když klinická věda kolem hranic těchto podmínek je stále evoluční. V některých případech se lidské specialisté mohou neshodnout mezi sebou o diagnóze konkrétního dítěte, a kolektivní pochopení základních prvků konkrétní diagnózy je stále vznikající věda. Například to, co se dříve nazývalo Aspergerův syndrom, je nyní považováno za součást spektra poruch autistického typu (ASD), a dříve samostatné pojmy poruchy pozornosti (ADD) a hyperaktivity jsou nyní považovány za aspekty jednotné diagnózy, poruchy pozornosti s hyperaktivitou (ADHD). Další vznikající diagnostické klasifikace (jako senzorická porucha nebo SPD) ještě nejsou součástí Diagnostického a statistického manuálu.

Pro datového vědce tyto subjektivní, měnící se hranice představují zajímavé, rozsáhlé výzvy, které je třeba překonat.

Cognoa vytvořila 3-výsledkový diagnostický systém. Proč je systém navržen tímto způsobem?

Autismus je komplexní neurodevelopmentální stav s širokým spektrem prezentací a komorbidit.

Vyvinuli jsme diagnostickou pomoc, aby pomohli primárním péčím lékařům přesně a efektivně diagnostikovat autismus u dětí ve věku 18 až 72 měsíců, kteří jsou ohroženi zpožděním vývoje na základě obav rodičů, pečovatelů nebo lékařů. Diagnostická pomoc Cognoa funguje jedinečným způsobem tím, že shromažďuje a kombinuje vstupy od pečovatelů nebo rodičů a lékařů do jediného řešení, aby je analyzovala pro prediktivní signály autismu. Naše diagnostická pomoc využívá umělou inteligenci k vyhodnocení všech vstupů a – když je dostatek informací – poskytuje pozitivní nebo negativní výsledek pro autismus, který pediatr využije v kombinaci s klinickou prezentací dítěte k poskytnutí diagnózy a směrování odpovídajících dalších kroků v péči.

Aby se snížilo riziko falešných klasifikací, byl algoritmus navržen tak, aby poskytoval neurčitý výstup jako opatření pro kontrolu rizika, aby se zajistily vysoké prediktivní hodnoty „pozitivního/negativního pro autismus“ výsledků, minimalizující pravděpodobnost falešných negativních výsledků (protože falešné negativy jsou největším rizikem spojeným s použitím zařízení). Tento postup zdržení se předpovědi, když modelová odpověď indikuje nižší důvěru, je standardní metodou kontroly rizika v algoritmech strojového učení.

Můžete diskutovat o tom, jak Cognoa překonává rodičovské předpojatosti, pokud jde o typ dat, která jsou poskytována rodiči?

Velmi dobrá otázka. Jednou z hlavních výhod strojového učení je, že je zvláště užitečné překonat zdroje šumu a předpojatosti očekávané ve vstupních datech. Rodičovské zprávy o svých vlastních dětech jsou očekávány jako subjektivní a předpojaté, ale založené na velmi dlouhých oknech pozorování, zatímco zprávy lékařů jsou pravděpodobně objektivnější, ale také méně informované kvůli krátkým oknům pozorování.

Combining obou vstupních sad do jediného procesu strojového učení, algoritmus pro strojové učení je schopen přizpůsobit se komplementární povaze těchto vstupů a naučit se vzorce, které lze využít k využití nejlepších informací z obou sad do jediného určení, které je spolehlivější než každá zpráva jednotlivě.

Jaké jsou některé postupy datové vědy, které se používají v Cognoa, aby se zabránilo rasovým nebo genderovým předpojatostem v datech?

Jako společnost je Cognoa zavázána budovat produkty pro rovný přístup ke zdravotní péči. Jsme si vědomi, že inovace založené na umělém intelektu mají potenciál absorbovat a zesílit inherentní předpojatosti ve společnosti. Například dívky jsou v průměru diagnostikovány o 1,5 roku později než chlapci a jeden ze čtyř dětí mladších 8 let s autismem, většina z nich černochů nebo hispánců, není diagnostikován vůbec. To je způsobeno nedostatkem přístupu v našem současném systému a protože diagnóza byla historicky zkreslena směrem k autismu u bílých chlapců, kteří mohou projevit charakteristiky autismu odlišně než mladé dívky a děti, které nejsou bílé.

Abychom řešili tyto existující předpojatosti, vědomě a záměrně jsme vyvinuli naší technologii, aby zohledňovala rozdíly napříč genderem, rasou, etnickým původem a socioekonomickým zázemím. Napsali jsme a dodržujeme Chartu sociálně odpovědného umělého intelektu, která řídí naše postupy. Naše algoritmy pro umělý intelekt byly záměrně vyvinuty a klinicky ověřeny pomocí dat z pacientských záznamů tisíců chlapců a dívek z různých prostředí, podmínek, prezentací a komorbidit.

Pomocí externích datových bodů a využití kombinovaných zkušeností stovek lékařů,同时 analyzujeme různé lidské rysy a funkce, umělý intelekt Cognoa má potenciál pomoci lékařům řešit nevědomá předpojatost.

Jaké jsou některé terapeutické řešení, která jsou nabízena v Cognoa?

Currently, Cognoa nemá k dispozici terapeutická řešení. Nicméně, několik řešení je ve vývoji v Cognoa, a je zřejmé, že umělý intelekt má enormní potenciál učinit terapeutická řešení více dostupnými a přístupnými dětem s behaviorálními poruchami.

Je něco jiného, co byste rádi sdíleli o své práci v Cognoa?

Již nikdy nezůstal jsem v jedné práci tak dlouho, jako je moje současná role v Cognoa. Myslím, že to je proto, že mám uspokojení z práce na problému, který se dotýká životů tolik lidí na tak osobní úrovni. Pomáhat rodičům pečovat o své děti je tak ušlechtilé volání, jakého by člověk mohl doufat.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Cognoa.