Anton Dolgikh, Hoofd van AI, Healthcare en Life Sciences bij DataArt – Interviewreeks

Anton Dolgikh leidt AI- en ML-georiënteerde projecten in de Healthcare en Life Sciences-praktijk bij DataArt en geeft educatieve en trainingsprogramma’s voor ontwikkelaars die zich richten op het oplossen van bedrijfsproblemen met ML-methoden. Voordat hij bij DataArt werkte, werkte Dolgikh in de afdeling Complex Systems van de Université Libre de Bruxelles, een toonaangevende Belgische particuliere onderzoeksuniversiteit.

Wat was het dat je oorspronkelijk inspireerde om een carrière in AI en life sciences na te streven?

Een passie voor het zoeken naar de verbindingen tussen fenomenen en feiten. Ik hou ervan om te lezen. Ik hou van boeken. Op de universiteit ontdekte ik een nieuwe bron van informatie – artikelen. Op een gegeven moment bleek het dat het bijna onmogelijk is om een complete beeld te krijgen, om de prachtige waarheid te kristalliseren uit een massa informatie. En hier komt AI om de hoek kijken. Statistiek, machine learning en natuurwetenschap met AI aan de top helpen om een brug te bouwen tussen de dorst van de menselijke hersenen naar kennis en een wereld waar alle wetten bekend zijn en er geen zwarte dozen zijn.

Je geeft momenteel educatie en training aan ontwikkelaars die zich richten op het oplossen van bedrijfsproblemen met ML-methoden. Is er een specifiek gebied van machine learning waar je je meer op richt, bijvoorbeeld diepe leer?

Ja, diepe leer is een zeer populaire en, laten we eerlijk zijn, krachtig instrument; we kunnen het niet negeren. Ik geef persoonlijk de voorkeur aan de Bayesiaanse interpretatie van klassieke algoritmes, of zelfs een combinatie van neurale netwerken en een Bayesiaanse benadering – bijvoorbeeld een Bayesiaanse Variational Autoencoder. Maar ik geloof dat het belangrijkste is om nieuwe ML-mensen te leren niet blindelings ML-machinerie te gebruiken als een magische zwarte doos, maar om de basisprincipes achter elke methode te begrijpen. Een must-have vaardigheid is de mogelijkheid om de voorspellingen die zijn verkregen voor een bedrijfspubliek uit te leggen.

In maart 2019 schreef je een artikel getiteld ‘Zijn we klaar voor machine radiologen en hun fouten?’. In het artikel schetste je de voor- en nadelen van het accepteren van resultaten van machine radiologen versus menselijke radiologen. Als je zou moeten kiezen tussen een mens en een machine die je resultaten geeft, welke zou je kiezen en waarom?

Ik geef de voorkeur aan een menselijke radioloog. Niet omdat ik speciale kennis heb dat AI erg gevoelig is voor fouten en beslissingen intrinsiek fout zijn. Nee, het is meer een kwestie van empathie en de psychologische aard. Ik wil menselijke artsen tijdens deze moeilijke periode steunen. Bovendien geloof ik dat we in de nabije toekomst alleen maar zullen zien dat AI de menselijke capaciteit versterkt.

Je schreef onlangs een white paper getiteld ‘The Impact of Artificial Intelligence on Lifespan‘. In dit papier stelde je dat AI moet worden beschouwd als een instrument in de zoektocht naar een langer leven. Wat zijn enkele van de meest veelbelovende methoden die AI kan toepassen op de zoektocht naar het verlengen van de menselijke levensduur?

Vandaag begint het nieuwe instrument van AI te werken in wetenschappelijke laboratoria op gelijke voet met klassieke instrumenten en benaderingen. Dit feit op zich is veelbelovend. AI is hier om ons te helpen, niet om ons te vervangen, in de strijd om om te gaan met de enorme hoeveelheden data die niet alleen laboratoria maar ook ons persoonlijke leven overspoelen.

Ook in hetzelfde white paper wordt een bewering van Biogerontology Research Foundation AI-directeur en CEO van Insilico Medicine, Dr. Alex Zhavoronkov, besproken, dat het verlengen van de levensduur tot 150 jaar geen fantastisch doel is. Geloof je dat een kind dat in 2020 is geboren, tot 120 of zelfs 150 jaar kan leven?

Ik wil geloven. Als wetenschapper door opleiding en overtuiging, moet ik mijn beslissingen baseren op feiten, op het begrijpen van de vooruitgang van wetenschappelijke methoden in het gebied. We hebben een indrukwekkende sprong gemaakt in de gebieden van genetica, biotechnologie en geneeskunde in het algemeen, en dit versterkt mijn geloof. En vergeet niet dat een aanzienlijk deel van het succes in het verlengen van de levensduur een gezonde omgeving en een gezonde levensstijl is, dus we moeten hier aan werken.

In hetzelfde white paper wordt ook de mogelijkheid van mind uploading (transhumanisme) besproken. Geloof je dat dit uiteindelijk een realiteit kan worden, en hoe maakt het je persoonlijk?

Ik heb er veel over nagedacht. Eerlijk gezegd, maakt het me gefrustreerd. Ik denk dat we onze persoonlijkheid associëren met wat we in de spiegel zien, en voor mij is het moeilijk om mijn karakter los te koppelen van mijn lichaam. Niettemin betekent dit niet dat het niet mogelijk is. En ja, ik geloof dat mind uploading uiteindelijk haalbaar zal worden. De gevolgen zijn veel moeilijker te voorzien.

Je bent momenteel het hoofd van AI, Healthcare en Life Sciences bij DataArt. Wat zijn enkele van de meest interessante projecten waar DataArt momenteel aan werkt?

We hebben een project gewijd aan de ontwikkeling van nieuwe medicijnen. Het is inspirerend om te zien hoe computationele methoden zijn ontwikkeld om de vooruitgang in de medicinale chemie en farmacologie te stimuleren en te sturen. We doen ook veel werk aan het toepassen van AI om informatie te extraheren uit medische teksten zoals klinische proefverslagen, medische artikelen en gespecialiseerde forums. Het is hard werk, maar het brengt ons dichter bij de digitalisering van de gezondheidszorg, en ik vind dit spannend.

Als een fervent boekenliefhebber, moet ik je ook vragen welke boeken je aanbeveelt?

• Judea Pearl “Causality: Models, Reasoning and Inference“. De titel is zelfverklarend – het boek gaat over causale relaties. Als we (op een dag) een echte AI willen hebben, moeten we het leren redeneren over oorzaak en gevolg;
• Als je geïnteresseerd bent in causatieve en praktische methoden, dan is het fundamentele werk van Daphne Koller en Nir Friedman “Probabilistic Graphical Models: Principles and Techniques” de juiste keuze;
• We verwachten dat krachtige AI ons moet kunnen begrijpen. Daarom moeten we taal aan het leren. Natural Language Processing behandelt het probleem van de begrijpelijkheid van natuurlijke talen. Ik heb twee titels in gedachten die me veel hebben geholpen:
  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
• Ik weet niet of het volgende boek gewijd is aan AI, maar het toont een niet-standaardbenadering van statistiek en voorspellingen die nuttig kan zijn voor elke AI-onderzoeker: Bertrand S. Clarke, Jennifer L. Clarke Predictive statistics: Analysis and Inference beyond models
• En ik zou de lijst beëindigen met een sciencefictionboek: Stanislav Lem, The Star Diaries

Is er nog iets anders dat je over DataArt wilt delen?

DataArt is een uitstekend voorbeeld van de recente trend naar digitalisering van bijna elk aspect van het leven en de activiteit. Deze trend verhoogt de verantwoordelijkheid in softwareontwikkeling, omdat een fout van een ontwikkelaar vandaag niet alleen een minimale gevolgen kan hebben, maar ook een nationale of wereldwijde catastrofe kan veroorzaken als het een programma betreft dat de werking van een kerncentrale controleert. De verantwoordelijke aanpak van DataArt voor softwareontwikkeling in brede zin geeft me vertrouwen in wat we ontwikkelen, en ik ben erg trots om deel uit te maken van het bedrijf en het werk dat we doen.

Wat betreft een ander recent project, lanceerde DataArt vorig jaar een prototype-applicatie genaamd ‘SkinCareAI’, die huidafbeeldingen analyseert om vroege tekenen van melanoom te detecteren. Met de nieuwste ontwikkelingen in machine learning (ML)-technologie, werd SkinCareAI ontwikkeld door DataArt ML-expert Andrey Sorokin voor de International Skin Imaging Collaboration (ISIC)-uitdaging.

Om meer te weten te komen over enkele van onze andere projecten en casestudies, ga naar de Healthcare en Life Sciences-pagina van DataArt.