Anton Dolgikh, Kepala AI, Healthcare dan Life Sciences di DataArt – Seri Wawancara

Anton Dolgikh memimpin proyek-proyek AI dan ML-berorientasi di praktik Healthcare dan Life Sciences di DataArt dan mengoperasikan pelatihan dan pengembangan developer yang fokus pada memecahkan masalah bisnis dengan metode ML. Sebelum bekerja di DataArt, Dolgikh bekerja di Departemen Sistem Kompleks di Université Libre de Bruxelles, sebuah universitas penelitian swasta terkemuka di Belgia.

Apa yang awalnya menginspirasi Anda untuk mengejar AI dan ilmu kehidupan sebagai karir?

Sebuah kecintaan untuk mencari tautan antara fenomena dan fakta. Saya selalu suka membaca. Saya mencintai buku. Di universitas, saya menemukan sumber informasi baru – artikel. Pada suatu titik, tampaknya untuk mendapatkan gambaran lengkap, untuk mengkristalkan kebenaran yang indah dari sejumlah besar informasi hampir mustahil. Dan di sinilah AI datang. Statistik, pembelajaran mesin tentu saja, dan ilmu alam dengan AI di atas semua bertindak untuk membangun jembatan antara keinginan otak manusia untuk pengetahuan dan dunia di mana semua hukum diketahui dan tidak ada kotak hitam.

Saat ini Anda mendidik dan melatih developer yang fokus pada memecahkan masalah bisnis dengan metode ML. Apakah ada bidang tertentu dari pembelajaran mesin yang Anda fokuskan lebih, misalnya deep learning?

Ya, deep learning adalah alat yang sangat populer dan, mari kita jujur, kuat; kita tidak bisa mengabaikannya. Saya pribadi lebih suka interpretasi Bayesian dari algoritma klasik, atau bahkan kombinasi dari jaringan saraf dan pendekatan Bayesian — misalnya, Bayesian Variational Autoencoder. Tapi saya percaya bahwa hal terpenting untuk mengajar baru ML adalah tidak menggunakan mesin ML seperti kotak hitam ajaib, tapi memahami prinsip dasar di balik setiap metode. Kemampuan yang harus dimiliki adalah kemampuan untuk menjelaskan prediksi yang diperoleh untuk audiens bisnis.

Pada Maret 2019, Anda menulis sebuah artikel berjudul ‘Apakah Kita Siap untuk Radiologi Mesin, dan Kesalahan mereka?’. Dalam artikel tersebut Anda menguraikan kelebihan dan kekurangan menerima hasil dari radiologi mesin versus radiologi manusia. Jika Anda harus memilih antara manusia dan mesin yang memberikan hasil, mana yang akan Anda pilih dan mengapa?

Saya lebih suka radiologi manusia. Bukan karena saya memiliki pengetahuan khusus bahwa AI sangat rentan terhadap kesalahan dan keputusan yang intrinsik salah. Tidak, ini lebih tentang empati dan sifat psikologis. Saya ingin mendukung dokter manusia selama periode sulit ini. Selain itu, saya percaya bahwa di masa depan terdekat, kita hanya akan melihat AI meningkatkan kemampuan manusia.

Baru-baru ini Anda menulis sebuah makalah putih berjudul ‘Dampak Kecerdasan Buatan pada Masa Hidup.’ Dalam makalah tersebut Anda menyatakan bahwa AI harus dilihat sebagai alat dalam pencarian untuk memperpanjang hidup. Apa saja metode yang lebih menjanjikan yang AI bisa terapkan pada pencarian untuk memperpanjang hidup manusia?

Hari ini alat baru AI mulai beroperasi di laboratorium ilmiah sejajar dengan instrumen dan pendekatan klasik. Fakta ini sendiri sangat menjanjikan. AI ada untuk membantu, tidak menggantikan, kita dalam perjuangan untuk mengatasi sejumlah besar data yang mengalir tidak hanya ke laboratorium tetapi juga ke kehidupan pribadi kita.

Juga dibahas dalam makalah yang sama adalah klaim oleh Direktur AI Yayasan Penelitian Biogerontologi dan CEO Insilico Medicine, Dr Alex Zhavoronkov, bahwa memperpanjang hidup hingga 150 tahun tidaklah mustahil. Apakah Anda percaya bahwa seorang anak yang lahir pada tahun 2020 akan dapat hidup hingga 120 atau bahkan 150 tahun?

Saya ingin percaya. Sebagai seorang ilmuwan oleh pendidikan dan keyakinan, saya harus berdasarkan keputusan saya pada fakta, pada pemahaman kemajuan metode ilmiah di bidang ini. Kami telah membuat lompatan yang mengesankan dalam bidang genetika, bioteknologi, dan kedokteran secara umum, dan ini memperkuat keyakinan saya. Dan jangan lupa bahwa sebagian besar keberhasilan dalam memperpanjang hidup adalah lingkungan yang sehat dan gaya hidup yang sehat, jadi kita harus bekerja pada ini.

Dalam makalah yang sama Anda menyebutkan potensi untuk mengunggah pikiran (transhumanisme). Apakah Anda percaya bahwa ini bisa menjadi kenyataan, dan bagaimana perasaan Anda secara pribadi?

Saya telah memikirkan banyak tentang hal ini. Jujur, ini membuat saya merasa frustrasi. Saya pikir bahwa kita mengasosiasikan kepribadian dengan apa yang kita lihat di cermin, dan bagi saya, sulit untuk memisahkan karakter saya dari tubuh saya. Namun, ini tidak berarti bahwa ini tidak mungkin. Dan, ya, saya percaya bahwa lebih cepat atau lambat, mengunggah pikiran akan menjadi memungkinkan. Konsekuensinya jauh lebih sulit untuk diprediksi.

Saat ini Anda adalah Kepala AI, Healthcare dan Life Sciences di DataArt. Apa saja proyek-proyek yang paling menarik yang DataArt kerjakan saat ini?

Kami memiliki proyek yang didedikasikan untuk pengembangan obat baru. Ini menginspirasi bagaimana metode komputasi telah berkembang untuk memacu dan mengarahkan kemajuan dalam kimia farmasi dan farmakologi. Kami juga melakukan banyak pekerjaan pada penerapan AI untuk mengekstrak informasi dari teks medis seperti laporan uji klinis, artikel medis, dan forum khusus. Ini adalah pekerjaan yang sulit, tetapi ini membawa kita lebih dekat ke digitalisasi kesehatan, dan saya menemukan ini menarik.

Sebagai seorang pecinta buku, saya juga perlu bertanya apa buku yang Anda rekomendasikan?

• Judea Pearl “Kausalitas: Model, Penalaran, dan Inferensi“. Judulnya sendiri menjelaskan – buku ini tentang hubungan sebab-akibat. Jika (suatu hari) kita ingin memiliki AI yang sebenarnya, kita harus mengajarinya penalaran tentang sebab dan akibat;
• Jika Anda tertarik dengan metode sebab-akibat dan praktis, maka karya fundamental Daphne Koller dan Nir Friedman “Model Grafis Probabilistik: Prinsip dan Teknik” akan menjadi pilihan yang tepat;
• Kami berharap AI yang kuat dapat memahami kita. Oleh karena itu, kita harus mengajar bahasa kepadanya. Pemrosesan Bahasa Alami menangani masalah pemahaman bahasa alami. Saya memiliki dua judul yang membantu saya banyak:
  1. Yoav Goldberg, Metode Jaringan Saraf dalam Pemrosesan Bahasa Alami (Synthesis Lectures on Human Language Technologies), 2017
  2. Christopher D. Manning, Prabhakar Raghavan, Hinrich Schütze Pengenalan Bahasa Alami, 2009
• Tidak yakin apakah buku berikutnya didedikasikan untuk AI, tetapi ini menunjukkan pendekatan non-standar untuk statistik dan prediksi yang akan berguna bagi peneliti AI mana pun: Bertrand S. Clarke, Jennifer L. Clarke Statistik Prediktif: Analisis dan Inferensi di luar model
• Dan saya akan mengakhiri daftar dengan buku fiksi ilmiah: Stanislav Lem, Diari Bintang

Apakah ada hal lain yang ingin Anda bagikan tentang DataArt?

DataArt adalah contoh yang sangat baik dari tren terbaru menuju digitalisasi hampir setiap aspek kehidupan dan aktivitas. Tren ini meningkatkan tanggung jawab dalam pengembangan perangkat lunak karena hari ini tidak hanya tentang membangun situs untuk toko, misalnya, dalam hal ini kesalahan pengembang akan memiliki konsekuensi minimal. Hari ini kesalahan pengembang bisa menjadi bencana nasional atau dunia jika melibatkan program yang mengontrol fungsi, misalnya, pembangkit nuklir. Pendekatan yang bertanggung jawab DataArt terhadap pengembangan perangkat lunak dalam arti luas memberi saya kepercayaan diri dalam apa yang kita kembangkan, dan saya sangat bangga menjadi bagian dari perusahaan dan pekerjaan yang kita lakukan.

Sebagai proyek lain yang baru-baru ini, tahun lalu DataArt meluncurkan aplikasi prototipe yang disebut ‘SkinCareAI’, yang menganalisis gambar kulit untuk mendeteksi tanda-tanda awal melanoma. Menampilkan kemajuan terbaru dalam teknologi pembelajaran mesin (ML), SkinCareAI dikembangkan oleh ahli ML DataArt Andrey Sorokin untuk tantangan Kolaborasi Imaji Kulit Internasional (ISIC).

Untuk mempelajari lebih lanjut tentang beberapa proyek dan studi kasus lainnya, silakan kunjungi halaman Healthcare dan Life Sciences DataArt.