Anton Dolgikh, AI-, terveydenhuollo- ja elämän-tieteiden johtaja DataArtissa – Haastattelusarja

Anton Dolgikh johtaa AI- ja ML-keskeisiä projekteja DataArtin terveydenhuollon ja elämän-tieteiden käytännössä ja pyörittää koulutus- ja kehitysohjelmia, jotka keskittyvät liiketoimintaproblematiikan ratkaisemiseen ML-menetelmillä. Ennen työskentelyään DataArtissa Dolgikh työskenteli Brysselin vapaan yliopiston monimutkaisen järjestelmän osastolla, joka on johtava belgialainen yksityinen tutkimusyliopisto.

Mikä oli se, mikä alun perin innoitti sinua seuraamaan uraa AI:ssa ja elämän-tieteissä?

Into himoita linkkejä ilmiöiden ja faktien välillä. Minä olen aina pitänyt lukemisesta. Rakastan kirjoja. Yliopistossa löysin uuden tiedonlähteen – artikkelit. Jossain vaiheessa kävi ilmi, että saada kokonainen kuva, kiteyttää kauniin totuuden tietovirrasta on melkein mahdotonta. Ja tässä tulee AI. Tilastot, koneoppiminen ja luonnontiede AI:n huipulla kaikki toimivat rakentamaan sillan ihmisaivojen tietämisenjano ja maailman välille, jossa kaikki lait ovat tiedossa eivätkä mustia rasioita ole.

Opetat ja koulutat kehittäjiä, jotka keskittyvät ratkaisemaan liiketoimintaproblematiikkaa ML-menetelmillä. Onko jokin tietty koneoppimisen ala, johon keskittyät enemmän, esimerkiksi syväoppiminen?

Kyllä, syväoppiminen on erittäin suosittu ja, olkoon rehellinen, voimakas väline; emme voi jättää sitä huomiotta. Henkilökohtaisesti suosin klassisten algoritmien bayesilaista tulkintaa tai jopa yhdistelmää neuroverkkoja ja bayesilaista lähestymistapaa – esimerkiksi bayesilainen variatio-autoenkooderi. Uskon kuitenkin, että tärkeintä on opettaa uusille ML-ihmisille ei käyttää sokeasti ML-koneistoa kuin taikaa, vaan ymmärtää perusperiaatteet jokaisen ja jokaisen menetelmän takana. Välttämätön taito on kyky selittää liiketoimintayleisölle saadut ennusteet.

Maaliskuussa 2019 kirjoitit artikkelin ‘Olemme kohta valmiit kone-radiologeille ja heidän virheilleen?’. Artikkelissa kuvailit kone-radiologien hyväksymisen etuja ja haittoja verrattuna ihmisten radiologeihin. Jos sinun pitäisi valita ihmisen ja koneen välillä, kuka sinä valitsisit ja miksi?

Suosin ihmisen radiologia. Ei siksi, että minulla on jokin erityinen tieto, jonka mukaan AI on altis virheille ja päätökset ovat luontaisesti virheellisiä. Ei, se on enemmän kysymys empatiasta ja psykologisesta luonteesta. Haluan tukea lääkäreitä tässä vaikeassa vaiheessa. Uskon myös, että lähitulevaisuudessa näemme vain AI:n, joka lisää ihmisten kykyjä.

Viimeksi kirjoitit valkoisen kirjan ‘The Impact of Artificial Intelligence on Lifespan.’ Tässä kirjassa totesit, että AI:n tulisi katsota olevan työkalu eliniän pidentämisen etsimisessä. Mitkä ovat joitain lupaavimmista menetelmistä, joita AI voisi soveltaa eliniän pidentämiseen?

Tänään uusi AI-työkalu alkaa toimia tieteellisissä laboratorioissa perinteisten välineiden ja lähestymistapojen rinnalla. Tämä seikka itsessään on lupaava. AI on täällä auttamaan meitä, ei korvaamaan meitä, taistelussa hallita valtavia tietomääriä, jotka tulvivat ei ainoastaan laboratorioihin vaan jopa henkilökohtaiseen elämään.

Tässä samassa valkoisessa kirjassa käsitellään myös Biogerontology Research Foundationin AI-johtajan ja Insilico Medicinen toimitusjohtajan, Dr Alex Zhavoronkovin väitettä, jonka mukaan eliniän pidentäminen 150 vuoteen ei ole fantastinen tavoite. Uskotko, että lapsi, joka syntyy vuonna 2020, voi elää 120 tai jopa 150 vuotta?

Haluan uskoa. Olemalla tutkija koulutukseltani ja uskollisuudestani, minun on perustettava päätökseni tosiasioihin, tieteellisten menetelmien edistymiseen alalla. Olemme tehneet vaikuttavan loikan geneetikassa, bioteknologiassa ja lääketieteessä yleensä, ja tämä vahvistaa uskoani. Älkäämme unohko myöskään, että merkittävä osa eliniän pidentämisessä on terve ympäristö ja terve elämäntapa, joten meidän on työskenneltävä tämän parissa.

Tässä samassa kirjassa mainitaan myös mielen lataaminen (transhumanismi). Uskotko, että tämä voisi lopulta olla todellisuutta, ja miten se tekee sinusta henkilökohtaisesti?

Olen miettinyt asiaa paljon. Rehellisesti sanottuna se tekee minusta turhautuneen. Luulen, että me yhdistämme persoonallisuuden siihen, mitä näemme peilissä, ja minulle on vaikea erottaa luonteeni ruumiistani. Tämä ei kuitenkaan tarkoita, ettei se ole mahdollista. Ja kyllä, uskon, että mielen lataaminen tulee olemaan mahdollista. Seuraukset ovat paljon vaikeampia ennustaa.

Olet tällä hetkellä DataArtin AI-, terveydenhuollon ja elämän-tieteiden johtaja. Mitkä ovat joitain mielenkiintoisimmista projekteista, joissa DataArt on parhaillaan mukana?

Meillä on projekti, joka on omistettu uuden lääkkeen kehittämiseen. On inspiroivaa, miten laskennalliset menetelmät ovat kehittyneet polttoaineeksi ja ohjaamaan edistystä lääkekemian ja farmakologian alalla. Teemme myös paljon työtä soveltamalla AI:ta tietojen poistamiseen lääketieteellisistä teksteistä, kuten kliinisten koetuloksista, lääketieteellisistä artikkeleista ja erikoisfoorumeista. Se on vaikeaa työtä, mutta se vie meitä lähemmäs terveydenhuollon digitalisointia, ja se on minusta jännittävää.

Koska olet intohimoinen kirjain, minun on myös kysyttävä, mitkä kirjat sinä suosittelet?

• Judea Pearl “Causality: Models, Reasoning and Inference“. Otsikko on itse selkeä – kirja on aiheuttavista suhteista. Jos (joku päivä) haluamme oikean AI:n, meidän on opetettava sille päättelyä aiheuttavasta ja vaikutuksesta;
• Jos olet kiinnostunut aiheuttavista ja käytännön menetelmistä, Daphne Kollerin ja Nir Friedmanin perusteos “Probabilistic Graphical Models: Principles and Techniques” on oikea valinta;
• Odottamme voimakasta AI:ta, joka pystyy ymmärtämään meitä. Niinpä meidän on opetettava kieltä sille. Luonnollinen kielen prosessointi käsittelee luonnollisten kielten ymmärtämisen ongelmaa. Minulla on kaksi otsikkoa mielessäni, jotka auttoivat minua paljon:
  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
• En ole varma, onko seuraava kirja omistettu AI:lle, mutta se osoittaa epätavanomaisen lähestymistavan tilastoihin ja ennusteisiin, mikä on hyödyllistä kaikille AI-tutkijoille: Bertrand S. Clarke, Jennifer L. Clarke Predictive statistics: Analysis and Inference beyond models
• Ja lopetan listan tieteiskirjalla: Stanislav Lem, The Star Diaries

Onko mitään muuta, mitä haluaisit jakaa DataArtista?

DataArt on erinomainen esimerkki viimeaikaisesta trendistä digitalisoida melkein jokaista elämän ja toiminnan osaa. Tämä trendi lisää vastuuta ohjelmistokehityksessä, koska tänään se ei ole enää ainoastaan rakentaa verkkosivua kaupalle, esimerkiksi, jossa kehittäjän virheellä on vähäiset seuraukset. Tänään kehittäjän virhe voi muuttua kansalliseksi tai maailmanlaajuiseksi katastrofiksi, jos se liittyy ohjelmaan, joka ohjaa esimerkiksi ydinvoimalan toimintaa. DataArtin vastuullinen lähestymistapa ohjelmistokehitykseen laajassa mielessä antaa minulle luottamusta siihen, mitä kehitämme, ja olen erittäin ylpeä olemisesta osana yritystä ja työtä, jota teemme.

Viimeaikaisen projektin osana DataArt julkaisi viime vuonna prototyyppisovelluksen nimeltä ‘SkinCareAI’, joka analysoi ihon kuvia havaitakseen melanooman varhaiset merkit. Sisältäen viimeisimmät edistysaskeleet koneoppimisessa (ML), SkinCareAI kehitettiin DataArtin ML-asiantuntija Andrey Sorokinin toimesta Kansainvälisen ihon kuvien yhteistyön (ISIC) haasteeseen.

Lisätietoja joistakin muista projekteistamme ja case-tutkimuksistamme löydät DataArtin terveydenhuollon ja elämän-tieteiden sivuilta.