Anton Dolgikh, Chef for AI, Healthcare og Life Sciences hos DataArt – Interviewserie

Anton Dolgikh leder AI- og ML-orienterede projekter i Healthcare og Life Sciences-praksis hos DataArt og driver uddannelses- og træningsprogrammer for udviklere, der fokuserer på at løse forretningsproblemer med ML-metoder. Før han arbejdede hos DataArt, arbejdede Dolgikh i afdelingen for komplekse systemer på Université Libre de Bruxelles, et førende belgisk privat forskningsuniversitet.

Hvad var det, der oprindeligt inspirerede dig til at forfølge AI og livsvidenskab som karriere?

En passion for at søge efter sammenhænge mellem fænomener og fakta. Jeg elsker at læse. Jeg elsker bøger. På universitetet opdagede jeg en ny kilde til information – artikler. På et tidspunkt syntes det, at det var næsten umuligt at få et komplet billede, at kristallisere den smukke sandhed fra en masse information. Og her kommer AI ind i billedet. Statistik, maskinlæring og naturvidenskab med AI øverst danner broen mellem hjernens tørst efter viden og en verden, hvor alle love er kendte, og der ikke er nogen sorte kasser.

Du uddanner og træner i øjeblikket udviklere, der fokuserer på at løse forretningsproblemer med ML-metoder. Er der et specifikt område inden for maskinlæring, du fokuserer mere på, f.eks. dyb læring?

Ja, dyb læring er et meget populært og, lad os være ærlige, kraftfuldt instrument; vi kan ikke negligere det. Jeg personligt foretrækker den bayesianske fortolkning af klassiske algoritmer eller endda en kombination af neurale netværk og en bayesiansk tilgang – f.eks. en bayesiansk variational autoencoder. Men jeg tror, at det vigtigste er at undervise nye ML-folk i, at de ikke skal bruge ML-maskineri som en magisk sort kasse, men snarere forstå de grundlæggende principper bag hver enkelt metode. En nødvendig færdighed er evnen til at forklare de forudsigelser, der er opnået for en forretningsmæssig publikum.

I marts 2019 skrev du en artikel med titlen ‘Er vi klar til maskinradiologer og deres fejl?’. I artiklen fremhævede du for- og ulemperne ved at acceptere resultater fra maskinradiologer i forhold til menneskelige radiologer. Hvis du skulle vælge mellem en menneskelig radiolog og en maskine, der giver dig resultater, hvem ville du vælge, og hvorfor?

Jeg foretrækker en menneskelig radiolog. Ikke fordi jeg har nogen særlig viden om, at AI er meget fejlbehæftet, og beslutninger er intrinsisk fejlbehæftede. Nej, det er mere et spørgsmål om empati og den psykologiske natur. Jeg vil støtte menneskelige læger under denne svære periode. Desuden tror jeg, at vi i den nærmeste fremtid kun vil se AI som en forstærkning af menneskelig evne.

Du skrev nyligt en hvidbog med titlen ‘The Impact of Artificial Intelligence on Lifespan‘. I denne bog fastslog du, at AI burde ses som et værktøj i søgen efter et længere liv. Hvad er nogle af de mere lovende metoder, som AI kunne anvende i søgen efter at forlænge menneskeligt liv?

I dag begynder det nye værktøj AI at fungere i videnskabelige laboratorier på lige fod med klassiske instrumenter og tilgange. Dette faktum i sig selv er lovende. AI er her for at hjælpe os, ikke erstatte os, i kampen for at tackle de enorme mængder af data, der oversvømmer ikke kun laboratorier, men også vores personlige liv.

I samme hvidbog diskuteres også en påstand af Biogerontology Research Foundation AI-direktør og CEO af Insilico Medicine, Dr. Alex Zhavoronkov, om, at det at forlænge livet til 150 år ikke er et fantastisk mål. Tror du, at et barn født i 2020 vil kunne leve til 120 eller endda 150 år?

Jeg vil gerne tro på det. Som videnskabsmand ved uddannelse og overbevisning må jeg basere mine beslutninger på fakta, på forståelsen af den videnskabelige fremgang i området. Vi har gjort et imponerende spring i områderne genetik, bioteknologi og medicin generelt, og dette styrker min overbevisning. Og lad os ikke glemme, at en betydelig del af succesen i at forlænge livet er en sund miljø og en sund livsstil, så vi må arbejde på det.

I samme bog nævnes også muligheden for at uploade hjernen (transhumanisme). Tror du, at dette kunne blive en realitet, og hvordan føler du det personligt?

Jeg har tænkt meget over det. Ærligt talt, gør det mig frustreret. Jeg tror, at vi associerer personlighed med, hvad vi ser i spejlet, og for mig er det svært at adskille min karakter fra min krop. Alligevel betyder det ikke, at det er umuligt. Og ja, jeg tror, at det før eller senere vil blive muligt at uploade hjernen. Konsekvenserne er meget sværere at forudsige.

Du er i øjeblikket chef for AI, Healthcare og Life Sciences hos DataArt. Hvad er nogle af de mest interessante projekter, DataArt arbejder på lige nu?

Vi har et projekt, der er dedikeret til udvikling af nye lægemidler. Det er inspirerende, hvordan computermæssige metoder er udviklet til at fremme og lede fremgangen i medicinalkemi og farmakologi. Vi arbejder også meget med at anvende AI til at udtrække information fra medicinske tekster, såsom kliniske rapporter, medicinske artikler og specialiserede fora. Det er hårdt arbejde, men det bringer os tættere på digitaliseringen af sundhedssektoren, og jeg finder det spændende.

Da du er en ivrig bogelsker, må jeg også spørge, hvilke bøger du anbefaler?

• Judea Pearl “Causality: Models, Reasoning and Inference“. Titlen er selvforklarende – bogen handler om årsagsforhold. Hvis (en dag) vi vil have en sand AI, må vi undervise den i at resonere om årsag og virkning;
• Hvis du er interesseret i årsags- og praktiske metoder, vil den fundamentale bog af Daphne Koller og Nir Friedman “Probabilistic Graphical Models: Principles and Techniques” være det rigtige valg;
• Vi forventer, at en kraftfuld AI kan forstå os. Derfor må vi undervise sproget i den. Naturlig sprogbehandling løser problemet med naturlige sprogs forståelse. Jeg har to titler i tankerne, der har hjulpet mig meget:
  1. Yoav Goldberg, Neural Network Methods in Natural Language Processing (Synthesis Lectures on Human Language Technologies), 2017
  2. Christopher D. Manning, Prabhakar Raghavan, Hinrich Schütze An Introduction to Information Retrieval, 2009
• Jeg er ikke sikker, om den næste bog er dedikeret til AI, men den demonstrerer en ikke-standard tilgang til statistik og forudsigelser, der vil være nyttig for enhver AI-forsker: Bertrand S. Clarke, Jennifer L. Clarke Predictive statistics: Analysis and Inference beyond models
• Og jeg ville afslutte listen med en science fiction-bog: Stanislav Lem, The Star Diaries

Er der noget andet, du gerne vil dele om DataArt?

DataArt er et fremragende eksempel på den seneste trend mod digitalisering af næsten alle aspekter af liv og aktivitet. Denne trend øger ansvarligheden i softwareudvikling, fordi en udviklers fejl i dag ikke kun kan have minimale konsekvenser, men også kan være en national eller global katastrofe, hvis det involverer et program, der kontrollerer funktionen af f.eks. et kernekraftværk. DataArts ansvarlige tilgang til softwareudvikling i bred forstand giver mig tillid til, hvad vi udvikler, og jeg er meget stolt af at være en del af virksomheden og det arbejde, vi laver.

Som for et andet nyligt projekt har DataArt sidste år lanceret en prototypeapplikation kaldet ‘SkinCareAI’, der analyserer hudbilleder for at opdage tidlige tegn på malignt melanom. Featuring the latest advancements in machine learning (ML) technology, SkinCareAI was developed by DataArt ML expert Andrey Sorokin for the International Skin Imaging Collaboration (ISIC) challenge.

For at lære mere om nogle af vores andre projekter og cases, gå venligst til DataArts Healthcare and Life Sciences side.