Halim Abbas, Chief AI Officer hos Cognoa – Intervju-serie

Halim Abbas er Chief AI Officer hos Cognoa, han er en AI-innovator og branche-veteran, der har ledet verdensklasse-datavidenskabsprojekter hos banebrydende tech-selskaber som eBay og Teradata. Cognoa er dedikeret til at skabe en enestående standard for pediatrisk adfærdssundhed, der sikrer lige adgang til tidlig intervention ved at levere højkvalitetsprodukter til at forbedre livslange resultater for alle børn og familier.

Hvad var det, der oprindeligt tiltrak dig til maskinlæring og datavidenskab?

Jeg var altid interesseret i computerprogrammering som barn. Senere i livet blev jeg tiltrukket af det nye felt maskinlæring på grund af den uimodståelige trang til at operere på kanten af forskning og udforske de åbne udfordringer i, hvad der kan opnås gennem computeralgoritmer.

Som tidligere Senior Research Scientist hos Ebay har du en baggrund i at optimere søgeresultat-rangeringer for Ebay-platformen. Hvad er nogle af de grundlæggende læresætninger i maskinlæring, du lærte fra denne oplevelse?

Hos eBay var mit team opgaven at skabe virksomhedens første maskinlærings-drevne søgeresultat-rangeringsalgoritme. Med titusinder af varer til salg på ethvert tidspunkt og milliarder af søgerforespørgsler hver dag var den største tekniske udfordring at overvinde den overvældende skala.

Til sidst tror jeg, at min største indsigt fra denne oplevelse var at holde en åben sind til definitionen af målet i sig selv. Det viser sig, at hvis rangeringsalgoritmen med succes præsenterer shopperen med de bedste tilbud alene, er de mindre sandsynlige for at handle. De har også brug for at se de ikke-så-gode tilbud for at kunne genkende de gode tilbud som sådanne. Det krævede en data-dreven tilgang til succes samt en åben sind til at indse dette faktum og justere strategien derefter.

Hvad er nogle af de tilstande, der diagnosticeres hos Cognoa?

Cognoa er et pediatrisk adfærdssundheds-selskab, der udvikler digitale diagnostik- og terapeutiske løsninger. Vores mål er at udnytte teknologi til at strømline pediatrisk sundhedspleje og til at imødekomme de utilfredsstillede behov i pediatrisk adfærdssundhedspleje. Vi starter med autisme.

Hvad er nogle af de udfordringer bag opbygning af et klassificeringssystem til at diagnosticere autisme og andre tilstande hos børn?

Foruden det faktum, at børn i forskolen ikke er de mest samarbejdsvillige patienter, er en af de største udfordringer for os, hvad vi kalder definitionsmæssig støj. Det vil sige at forsøge at træne AI-algoritmer til at klassificere tilstande, når den kliniske videnskab omkring grænserne for disse tilstande stadig er under udvikling. I nogle tilfælde kan menneskelige specialister være uenige om diagnose af et bestemt barn, og den kollektive forståelse af de underliggende elementer i en bestemt diagnose er stadig en udviklende videnskab. For eksempel blev det, der tidligere blev kaldt Aspergers for nogle år siden, nu betragtet som en del af autismespektrumforstyrrelsen (ASD), og de tidligere separate begreber om opmærksomhedsdeficitforstyrrelse (ADD) versus hyperaktivitet nu betragtes som aspekter af en samlet diagnose, opmærksomhedsdeficit-hyperaktivitetsforstyrrelse (ADHD). Andre fremvoksende diagnostiske klassifikationer (som sensorisk procesforstyrrelse eller SPD) skal endnu nå til Diagnostic and Statistical Manual.

Til datavidenskabsmanden præsenterer disse subjektive, skiftende grænser interessante, større udfordringer, der skal overvindes.

Cognoa opbyggede et 3-udkomstdiagnostisk system. Hvorfor er systemet designet på denne måde?

Autisme er en kompleks neurodevelopmental tilstand med en bred vifte af præsentationer og komorbiditeter.

Vi opbyggede en diagnosehjælp til at hjælpe primærplejelæger med at nøjagtigt og effektivt diagnosticere autisme hos børn i alderen 18 til 72 måneder, der er i risiko for udviklingsforsinkelse baseret på en plejers eller forælders eller lægers bekymring. Cognoas diagnosehjælp fungerer på en unik måde ved at indsamle og kombinere input fra både plejere eller forældre og læger til en enkelt løsning for at analysere dem for prædiktive autismesignaler. Vores diagnosehjælp bruger AI til at evaluere alle input og – når informationen er tilstrækkelig – giver en positiv eller negativ result for autisme, som lægen anvender i kombination med den kliniske præsentation af barnet til at give en diagnose og dirigere passende næste skridt i pleje.

For at reducere risikoen for fejlklassificeringer er algoritmen også designet til at give en ubestemt output som en risikokontrolforanstaltning for at sikre de høje prædiktive værdier af “positiv/negativ for autisme”-resultater, minimere sandsynligheden for falske negativ (da falske negativ er den højeste risiko forbundet med enhedsbrug). Denne procedure for at afstå fra forudsigelse, når modellens svar indikerer lavere tillid, er en standardmetode til risikokontrol i maskinlæringsalgoritmer.

Kunne du diskutere, hvordan Cognoa overvinder forældre-bias, når det kommer til den type data, der leveres af forældre?

Godt spørgsmål. En af de største fordele ved maskinlæring er, at det er særligt nyttigt til at overvinde kilder til støj og bias i inputdata. Forældres beretninger om deres egne børn forventes at være subjektive og biased, men baseret på meget lange vinduer af observation, hvorimod kliniker-rapporter sandsynligvis er mere objektive, men også mindre informerede på grund af korte vinduer af observation.

Ved at kombinere begge input-sæt i en enkelt maskinlæringsproces er maskinlæringsalgoritmen i stand til at tilpasse sig den komplementære natur af disse input og lære mønstre, der kan bruges til at udnytte det bedste af begge informations-sæt til en enkelt bestemmelse, der er mere pålidelig end hver enkelt konto individuelt.

Hvad er nogle af de datavidenskabelige bedste praksis, der bruges hos Cognoa til at undgå enten racemæssig eller køns-bias i data?

Som selskab er Cognoa dedikeret til at bygge produkter til lige adgang til pleje. Vi er klar over, at AI-baserede innovationer har potentialet til at absorbere og forstærke indbyggede bias i samfundet. For eksempel diagnosticeres piger i gennemsnit 1,5 år senere end drenge og en af fire børn under otte år, der lever med autisme, de fleste af dem sorte eller latinamerikanske, er ikke diagnosticeret overhovedet. Dette skyldes manglen på adgang i vores nuværende system og fordi diagnose historisk har været skævt mod autisme-træk, der er almindelige hos hvide drenge, der kan præsentere karakteristika af autisme på en anden måde end unge piger og børn, der ikke er hvide.

For at imødekomme disse eksisterende bias har vi bevidst og med overlæg bygget vores teknologi til at tage hensyn til forskelle på tværs af køn, racemæssig, etnisk og socioøkonomisk baggrund. Vi har skrevet og holder fast ved en Socialt Ansvarlig AI-Charter, der vejleder vores praksis. Vores AI-algoritmer er bevidst udviklet og klinisk valideret ved hjælp af patientjournaldata fra tusinder af drenge og piger på tværs af geografier med forskellige baggrunde, tilstande, præsentationer og komorbiditeter.

Ved at henvise til store mængder af eksterne datapunkter og ved at udnytte de kombinerede erfaringer fra hundredvis af læger har Cognoas AI potentialet til at hjælpe læger med at tackle ubevidst bias.

Hvad er nogle af de terapeutiske løsninger, der tilbydes hos Cognoa?

For øjeblikket har Cognoa ikke terapeutiske løsninger til rådighed. Dog er der flere løsninger under udvikling hos Cognoa, og det er tydeligt, at AI har enormt potentiale til at gøre terapeutiske løsninger mere tilgængelige og tilgængelige for børn med adfærdsvaner.

Er der noget andet, du gerne vil dele om dit arbejde hos Cognoa?

Jeg er aldrig blevet i en stilling så længe som min nuværende rolle inden for Cognoa. Jeg tror, det skyldes tilfredsheden, jeg får fra at arbejde på et problem, der berører livet for så mange mennesker på så personligt niveau. At hjælpe forældre med at tage sig af deres børn er næsten så nobelt et kald, som man kunne ønske sig.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Cognoa.