Anton Dolgikh, leder for AI, helse og life sciences i DataArt – Intervju-serie

Anton Dolgikh leder AI- og ML-orienterte prosjekter i helse og life sciences-praksis ved DataArt og driver utdannings- og treningsprogrammer for utviklere som fokuserer på å løse forretningsproblemer med ML-metoder. Før han begynte å arbeide i DataArt, arbeidet Dolgikh i avdelingen for komplekse systemer ved Université Libre de Bruxelles, et ledende belgisk privat forskningsuniversitet.

Hva var det som opprinnelig inspirerte deg til å søke AI og life sciences som karriere?

En lidenskap for å søke sammenhenger mellom fenomener og fakta. Jeg liker å lese. Jeg elsker bøker. På universitetet oppdaget jeg en ny kilde til informasjon – artikler. På et tidspunkt syntes det at for å få en fullstendig bildet, å kristallisere den vakre sannheten fra en masse informasjon, er nesten umulig. Og her kommer AI inn. Statistikk, maskinlæring og naturlig vitenskap med AI på toppen, alle bidrar til å bygge en bro mellom menneskehjernets tørst etter kunnskap og en verden hvor alle lovene er kjent og det ikke finnes noen svarte bokser.

Du utdanner og trener nå utviklere som fokuserer på å løse forretningsproblemer med ML-metoder. Er det et spesifikt område innen maskinlæring som du fokuserer mer på, for eksempel dyp læring?

Ja, dyp læring er et svært populært og, la oss være ærlige, kraftfullt instrument; vi kan ikke neglisjere det. Jeg personlig foretrekker den bayesianske tolkningen av klassiske algoritmer, eller selv en kombinasjon av neurale nettverk og en bayesiansk tilnærming — for eksempel en bayesiansk variabel autoencoder. Men jeg tror at det viktigste er å lære nye ML-utviklere å ikke blindt bruke ML-maskineri som en magisk svart boks, men heller å forstå de grunnleggende prinsippene bak hver og enkelt metode. En nødvendig ferdighet er evnen til å forklare prediksjonene som er oppnådd for en forretningspublikum.

I mars 2019 skrev du en artikkel kalt ‘Er vi klare for maskinradiologer og deres feil?’. I artikkelen tegnet du opp for- og ulemper ved å akseptere resultater fra maskinradiologer versus menneskelige radiologer. Hvis du måtte velge mellom en menneskelig og en maskin som gir deg resultater, hvem ville du velge og hvorfor?

Jeg foretrekker en menneskelig radiolog. Ikke fordi jeg har noen spesiell kunnskap om at AI er svært utsatt for feil og avgjørelser er intrinsisk feilaktige. Nei, det er mer et spørsmål om empati og den psykologiske naturen. Jeg ønsker å støtte menneskelige leger under denne vanskelige perioden. Jeg tror også at i den nærmeste fremtid, vil vi bare se AI som et supplement til menneskelig evne.

Du skrev nylig en hvitbok kalt ‘The Impact of Artificial Intelligence on Lifespan.’ I denne papiren hevdet du at AI burde sees på som et verktøy i søket etter lengre liv. Hva er noen av de mer lovende metodene som AI kunne anvende i jakten på å forlenge menneskeliv?

I dag begynner det nye verktøyet AI å fungere i vitenskapelige laboratorier på linje med klassiske instrumenter og tilnærminger. Dette faktum i seg selv er lovende. AI er her for å hjelpe, ikke erstatte, oss i kampen mot å håndtere de enorme mengdene data som flommer ikke bare laboratorier, men også våre personlige liv.

Også diskutert i samme hvitbok er et krav fra Biogerontology Research Foundation AI-direktør og CEO av Insilico Medicine, Dr Alex Zhavoronkov, om at å øke levetiden til 150 år ikke er et fantastisk mål. Tror du at et barn født i 2020 vil kunne leve til 120 eller selv 150 år?

Jeg ønsker å tro. Som vitenskapsmann ved utdanning og overbevisning, må jeg basere mine avgjørelser på fakta, på forståelse av fremgangen i vitenskapelige metoder på området. Vi har gjort et imponerende sprang i feltene genetikk, bioteknologi og medisin generelt, og dette styrker min tro. Og ikke glem at en betydelig del av suksessen i å øke levetiden er en sunn miljø og en sunn livsstil, så vi må jobbe med dette.

I samme papir nevner du også muligheten for tankeoverføring (transhumanisme). Tror du at dette kunne bli en realitet, og hvordan gjør det deg personlig?

Jeg har tenkt mye på det. Ærlig talt, gjør det meg frustrert. Jeg tror at vi assosierer personlighet med hva vi ser i en speil, og for meg er det vanskelig å skille min karakter fra min kropp. Likevel betyr det ikke at det er umulig. Og, ja, jeg tror at tidlig eller senere vil tankeoverføring bli mulig. Konsekvensene er mye vanskeligere å forutsi.

Du er nå leder for AI, helse og life sciences i DataArt. Hva er noen av de mest interessante prosjektene DataArt jobber med for tiden?

Vi har et prosjekt dedikert til utvikling av nye legemidler. Det er inspirerende å se hvordan komputasjonelle metoder har utviklet seg for å drive og rette fremgangen i medisinsk kjemi og farmakologi. Vi gjør også mye arbeid med å anvende AI til å trekke ut informasjon fra medisinske tekster som kliniske rapporter, medisinske artikler og spesialiserte forum. Det er hardt arbeid, men det bringer oss nærmere digitaliseringen av helsevesenet, og jeg finner dette spennende.

Som en ivrig bokelsker, må jeg også spørre hva du anbefaler å lese?

• Judea Pearl “Causality: Models, Reasoning and Inference“. Tittelen er selvforklarende – boken handler om årsakssammenhenger. Hvis (en dag) vi ønsker å ha en sann AI, må vi lære den å resonere om årsak og virkning;
• Hvis du er interessert i årsakssammenheng og praktiske metoder, vil det fundamentale arbeidet til Daphne Koller og Nir Friedman “Probabilistic Graphical Models: Principles and Techniques” være det riktige valget;
• Vi forventer at kraftfull AI skal kunne forstå oss. Derfor må vi lære språk til den. Naturlig språkbehandling håndterer problemet med naturlige språks forståelse. Jeg har to titler i tankene som har hjulpet meg mye:
  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
• Jeg er usikker på om den neste boken er viet AI, men den demonstrerer en ikke-standard tilnærming til statistikk og prediksjoner som vil være nyttig for enhver AI-forsker: Bertrand S. Clarke, Jennifer L. Clarke Predictive statistics: Analysis and Inference beyond models
• Og jeg ville avslutte listen med en science fiction-bok: Stanislav Lem, The Star Diaries

Er det noe annet du ønsker å dele om DataArt?

DataArt er et utmerket eksempel på den nylige trenden mot digitalisering av nesten alle aspekter av liv og aktivitet. Denne trenden øker ansvar i programvareutvikling, fordi i dag er det ikke bare om å bygge en nettside for en butikk, for eksempel, hvor en feil fra utvikleren vil ha minimale konsekvenser. I dag kan en utviklers feil bli en nasjonal eller global katastrofe hvis det involverer et program som kontrollerer funksjonen av, for eksempel, et kjernekraftverk. DataArts ansvarlige tilnærming til programvareutvikling i en bred forstand gir meg tillit til hva vi utvikler, og jeg er svært stolt av å være en del av selskapet og arbeidet vi gjør.

Som et annet nylig prosjekt, lanserte DataArt i fjor en prototypeapplikasjon kalt ‘SkinCareAI’, som analyserer hudbilder for å oppdage tidlige tegn på melanom. Med de nyeste fremgangene i maskinlæringsteknologi (ML), ble SkinCareAI utviklet av DataArt ML-ekspert Andrey Sorokin for den internasjonale skin imaging-samarbeidsutfordringen (ISIC).

For å lære mer om noen av våre andre prosjekter og casestudier, gå til DataArts Helse og life sciences-side.