Anton Dolgikh, DataArtin AI-, terveydenhuollon ja elämän-tieteiden johtaja – Haastattelusarja

Anton Dolgikh johtaa AI- ja ML-keskeisiä projekteja DataArtin terveydenhuollon ja elämän-tieteiden käytännössä ja johtaa koulutusohjelmia, jotka keskittyvät liiketoimintaproblematiikkaan ML-menetelmin. Ennen DataArtissa työskentelyä 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 etsimään yhteyksiä ilmiöiden ja faktoiden välillä. Minulla on aina ollut into lukea. Rakastan kirjoja. Yliopistossa löysin uuden tietolähteen – artikkeleita. Jossain vaiheessa näytti siltä, että saadakseen kokonaiskuvan, kiteyttääkseen kauniin totuuden tietovirrasta, oli melkein mahdotonta. Ja tässä tulee AI. Tilastot, machine learning tietysti, ja luonnontiede AI:n huipulla kaikki toimivat rakentamaan sillan ihmisaivojen tietämisenjano ja maailman välillä, jossa kaikki lait ovat tiedossa eikä ole mustia laatikoita.

Opitat ja koulutat kehittäjiä, jotka keskittyvät ratkaisemaan liiketoimintaproblematiikkaa ML-menetelmillä. Onko jokin tietty machine learning -alue, johon keskityt enemmän, esimerkiksi syväoppiminen?

Kyllä, syväoppiminen on erittäin suosittu ja, olkoon sanottu, voimakas väline; emme voi jättää sitä huomiotta. Henkilökohtaisesti suosin klassisten algoritmien bayesilaista tulkintaa tai jopa neuroverkkojen ja bayesilaisen lähestymistavan yhdistelmää – esimerkiksi bayesilainen variatioautoencoder. Uskon kuitenkin, että tärkeintä on opettaa uusille ML-ihmisille periaatteet, jotka ovat jokaisen menetelmän takana, eikä käytetä ML-koneistoa sokeasti mustana laatikkoa. Tärkeä taito on kyky selittää liiketoimintayleisölle saadut ennustukset.

Huhtikuussa 2019 kirjoitit artikkelin ‘Olemme valmiit koneellisiin röntgenlääkäreihin ja heidän virheisiinsä?’. Artikkelissa kuvailit koneellisten röntgenlääkärien hyötyjä ja haittoja verrattuna ihmislääkäreihin. Jos sinun pitäisi valita ihmisen ja koneen välillä, kuka sinä valitsisit ja miksi?

Enemminkin ihmisen röntgenlääkäri. En siksi, että minulla olisi erityistä tietoa siitä, että AI on altis virheille ja päätökset ovat luonteeltaan virheellisiä. Ei, se on enemminkin empaattinen ja psykologinen kysymys. Haluan tukea ihmislääkärejä tässä vaikeassa ajassa. Uskon myös, että lähitulevaisuudessa näemme vain AI:n, joka lisää ihmisten kykyjä.

Väitit äskettäin valkoisen kirjan ‘The Impact of Artificial Intelligence on Lifespan.’ Tässä kirjassa todettiin, että AI:tä tulisi nähdä työkaluna eliniän pidentämisen etsinnässä. Mitkä ovat joitakin lupaavia menetelmiä, 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 käsitellä valtavia tietomääriä, jotka tulvivat ei ainoastaan laboratorioihin vaan myös henkilökohtaiseen elämäämme.

Tässä samassa valkoisessa kirjassa mainitaan myös Biogerontology Research Foundationin AI-johtajan ja Insilico Medicinen toimitusjohtajan, Alex Zhavoronkovin väite, 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 koulutukselta ja vakaumuksesta, minun on perustettava päätökseni tosiasioihin, tieteellisen edistymiseen eliniän pidentämisalueella. Olemme tehneet vaikuttavan loikan geneetikassa, bioteknologiassa ja lääketieteessä yleensä, ja tämä vahvistaa uskoani. Ja älkäämme unohda, 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 tuntuja henkilökohtaisesti?

Olen miettinyt asiaa paljon. Rehellisesti sanottuna se tekee minusta tuntuja turhautuneelta. Luulen, että me yhdistämme persoonallisuuden siihen, mitä näemme peilissä, ja minulle on vaikea erottaa luonteeni ruumiistani. Vaikka se ei 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 DataArtin parhaita projekteja, joilla teidän on tällä hetkellä työskenneltävä?

Meillä on projekti, joka on omistettu uuden lääkkeen kehittämiselle. On inspiroivaa, miten laskennalliset menetelmät ovat kehittyneet edistämään ja ohjaamaan edistystä farmakologisessa kemiassa ja farmakologiassa. Teemme myös paljon työtä soveltamalla AI:ta tietojen hakemiseen lääketieteellisistä teksteistä, kuten kliinisten tutkimusten raporteista, lääketieteellisistä artikkeleista ja erikoistuneista foorumeista. Se on vaikeaa työtä, mutta se vie meidät lähemmäs terveydenhuollon digitalisointia, ja se on minusta jännittävää.

Milloin tahansa, kun kysyt minulta kirjoja, minun on kysyttävä, mitkä kirjat sinä suosittelet?

• Judea Pearl “Causality: Models, Reasoning and Inference“. Otsikko on itsestään selkeä – kirja on kausaalisuudesta. Jos (jossain vaiheessa) haluamme oikean AI:n, meidän on opetettava sille päättelyä syy-seuraus-suhteesta;
• Jos olet kiinnostunut kausaalisista ja käytännön menetelmistä, Daphne Kollerin ja Nir Friedmanin perusteos “Probabilistic Graphical Models: Principles and Techniques” on oikea valinta;
• Odotamme voimakasta AI:ta, joka ymmärtää meitä. Siksi meidän on opetettava kieltä sille. Luonnollinen kielen prosessointi käsittelee luonnollisten kielten ymmärtämisen ongelman. Minulla on kaksi otsikkoa, 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 osa-aluetta. Tämä trendi lisää vastuuta ohjelmistokehityksessä, koska nykyään se ei ole vain verkkokaupan sivuston rakentamisesta, esimerkiksi, jossa kehittäjän virheellä on vähäiset seuraukset. Nykyään kehittäjän virhe voi muuttua kansalliseksi tai maailmanlaajuiseksi katastrofiksi, jos se liittyy ohjelmaan, joka ohjaa esimerkiksi ydinvoimalan toimintaa. DataArtin vastuullinen lähestymistapa ohjelmistokehitykseen antaa minulle luottamusta siihen, mitä kehitämme, ja olen erittäin ylpeä olemasta osa yritystä ja työtä, jota teemme.

Vuosi sitten DataArt julkaisi sovelluksen nimeltä ‘SkinCareAI’, joka analysoi ihon kuvia havaitakseen aikaiset merkit melanoomasta. Sisältäen viimeisimmät edistysaskeleet machine learning -teknologiassa, SkinCareAI kehitettiin DataArtin ML-asiantuntija Andrey Sorokinin toimesta International Skin Imaging Collaboration (ISIC) -haasteeseen.

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