Anton Dolgikh, Head of AI, Healthcare and Life Sciences at DataArt – Intervista

Anton Dolgikh guida progetti di AI e ML-oriented nel settore Healthcare e Life Sciences di DataArt e gestisce progetti educativi e formativi per sviluppatori focalizzati sulla risoluzione di problemi aziendali con metodi di ML. Prima di lavorare a DataArt, Dolgikh ha lavorato nel Dipartimento di Sistemi Complessi dell’Université Libre de Bruxelles, un’università privata di ricerca belga di primo piano.

Cosa ti ha ispirato a perseguire una carriera nell’AI e nelle scienze della vita?

Una passione per la ricerca dei collegamenti tra fenomeni e fatti. Ho sempre amato leggere. Adoro i libri. All’università, ho scoperto una nuova fonte di informazione – gli articoli. A un certo punto, è apparso che per ottenere un quadro completo, per cristallizzare la bella verità da una massa di informazioni, è quasi impossibile. Ecco dove entra in gioco l’AI. La statistica, il machine learning, naturalmente, e la scienza naturale con l’AI al vertice agiscono per costruire un ponte tra la sete di conoscenza del cervello umano e un mondo in cui tutte le leggi sono note e non ci sono scatole nere.

Attualmente educi e formi sviluppatori che si concentrano sulla risoluzione di problemi aziendali con metodi di ML. C’è un campo specifico del machine learning su cui ti concentri di più, ad esempio il deep learning?

Sì, il deep learning è uno strumento molto popolare e, onestamente, potente; non possiamo trascurarlo. Io personalmente preferisco l’interpretazione bayesiana degli algoritmi classici, o anche una combinazione di reti neurali e approccio bayesiano – ad esempio, un Bayesian Variational Autoencoder. Ma credo che la cosa più importante da insegnare ai nuovi sviluppatori di ML sia di non utilizzare la macchina di ML come una scatola nera magica, ma di percepire i principi fondamentali dietro ogni metodo. Una competenza fondamentale è la capacità di spiegare le previsioni ottenute per un pubblico aziendale.

Nel marzo 2019, hai scritto un articolo intitolato ‘Siamo pronti per i radiologi macchina e i loro errori?’. Nell’articolo hai delineato i pro e i contro dell’accettazione dei risultati dei radiologi macchina rispetto ai radiologi umani. Se dovessi scegliere tra un umano e una macchina che ti forniscono i risultati, quale sceglieresti e perché?

Preferisco un radiologo umano. Non perché ho una conoscenza speciale che l’AI sia fortemente propensa a errori e le decisioni siano intrinsecamente errate. No, è più una questione di empatia e natura psicologica. Voglio sostenere i medici umani durante questo periodo difficile. Inoltre, credo che nel prossimo futuro, vedremo solo l’AI aumentare le capacità umane.

Hai recentemente scritto un white paper intitolato ‘L’impatto dell’intelligenza artificiale sulla durata della vita‘. In questo documento, hai affermato che l’AI dovrebbe essere vista come uno strumento nella ricerca di una vita più lunga. Quali sono alcune delle metodologie più promettenti che l’AI potrebbe applicare alla ricerca di una vita più lunga?

Oggi lo strumento di AI inizia a operare nei laboratori scientifici su parità con strumenti e approcci classici. Questo fatto di per sé è promettente. L’AI è qui per aiutarci, non per sostituirci, nella lotta per far fronte alle enormi quantità di dati che inondano non solo i laboratori, ma anche le nostre vite personali.

È anche discusso nello stesso white paper l’affermazione del direttore dell’AI e CEO di Insilico Medicine, Dr Alex Zhavoronkov, che aumentare la durata della vita a 150 anni non è un obiettivo fantastico. Credi che un bambino nato nel 2020 sarà in grado di vivere fino a 120 o addirittura 150 anni?

Voglio crederci. Essendo uno scienziato per formazione e convinzione, devo basare le mie decisioni sui fatti, sulla comprensione del progresso dei metodi scientifici in questo settore. Abbiamo fatto un balzo impressionante nei campi della genetica, della biotecnologia e della medicina in generale, e questo rafforza la mia convinzione. E non dimentichiamo che una parte sostanziale del successo nell’aumentare la durata della vita è un ambiente sano e uno stile di vita sano, quindi dobbiamo lavorare su questo.

Nello stesso documento si parla anche del potenziale per il caricamento della mente (transumanesimo). Credi che questo potrebbe eventualmente diventare una realtà e come ti fa sentire personalmente?

Ci ho pensato molto. Onestamente, mi fa sentire frustrato. Credo che associamo la personalità a ciò che vediamo nello specchio, e per me è difficile staccare il mio carattere dal mio corpo. Tuttavia, ciò non significa che non sia possibile. E sì, credo che prima o poi il caricamento della mente diventerà fattibile. Le conseguenze sono molto più difficili da prevedere.

Attualmente sei il capo dell’AI, Healthcare e Life Sciences di DataArt. Quali sono alcuni dei progetti più interessanti su cui DataArt sta attualmente lavorando?

Abbiamo un progetto dedicato allo sviluppo di nuovi farmaci. È ispirante vedere come i metodi computazionali siano stati sviluppati per alimentare e dirigere il progresso nella chimica farmaceutica e nella farmacologia. Facciamo anche molto lavoro sull’applicazione dell’AI per estrarre informazioni da testi medici come rapporti di prove cliniche, articoli medici e forum specializzati. È un lavoro difficile, ma ci avvicina alla digitalizzazione della sanità, e trovo questo emozionante.

Da appassionato di libri, devo anche chiederti quali libri consigli?

• Judea Pearl “Causalità: modelli, ragionamento e inferenza“. Il titolo è autoesplicativo – il libro è sui rapporti causali. Se (un giorno) vogliamo avere un vero AI, dobbiamo insegnargli a ragionare sulla causa e l’effetto;
• Se sei interessato ai metodi causativi e pratici, allora il lavoro fondamentale di Daphne Koller e Nir Friedman “Modelli grafici probabilistici: principi e tecniche” sarà la scelta giusta;
• Ci aspettiamo che un AI potente sia in grado di capirci. Quindi, dobbiamo insegnargli la lingua. L’elaborazione del linguaggio naturale affronta il problema della comprensione delle lingue naturali. Ho due titoli in mente che mi hanno aiutato molto:
  1. Yoav Goldberg, Metodi di rete neurale nell’elaborazione del linguaggio naturale (Lezioni sintetiche sulle tecnologie del linguaggio umano), 2017
  2. Christopher D. Manning, Prabhakar Raghavan, Hinrich Schütze Introduzione all’elaborazione dell’informazione, 2009
• Non sono sicuro se il prossimo libro sia dedicato all’AI, ma dimostra un approccio non standard alla statistica e alle previsioni, che sarà utile per qualsiasi ricercatore di AI: Bertrand S. Clarke, Jennifer L. Clarke Statistica predittiva: analisi e inferenza oltre i modelli
• E terminerei la lista con un libro di fantascienza: Stanislav Lem, Le storie stellari

C’è qualcos’altro che vorresti condividere su DataArt?

DataArt è un ottimo esempio della recente tendenza alla digitalizzazione di quasi ogni aspetto della vita e dell’attività. Questa tendenza aumenta la responsabilità nello sviluppo del software, poiché oggi non si tratta solo di costruire un sito per un negozio, ad esempio, nel quale caso un errore dello sviluppatore avrebbe conseguenze minime. Oggi, un errore dello sviluppatore potrebbe diventare una catastrofe nazionale o mondiale se coinvolge un programma che controlla il funzionamento, ad esempio, di una centrale nucleare. L’approccio responsabile di DataArt allo sviluppo del software in senso lato mi dà fiducia in ciò che sviluppiamo, e sono molto orgoglioso di far parte dell’azienda e del lavoro che stiamo facendo.

Per quanto riguarda un altro progetto recente, lo scorso anno DataArt ha lanciato un’applicazione prototipo chiamata ‘SkinCareAI’, che analizza le immagini della pelle per rilevare i primi segni di melanoma. Caratterizzata dalle ultime innovazioni nella tecnologia del machine learning (ML), SkinCareAI è stata sviluppata da DataArt ML expert Andrey Sorokin per la sfida dell’International Skin Imaging Collaboration (ISIC).

Per saperne di più sui nostri altri progetti e casi di studio, visita la pagina Healthcare e Life Sciences di DataArt.