Halim Abbas, Chief AI Officer i Cognoa – Intervju-serie

Halim Abbas er Chief AI Officer i Cognoa, han er en AI-innovatør og bransje-veteran som har ledet verdensledende data science-prosjekter i teknologiselskaper som eBay og Teradata. Cognoa er dedikert til å skape en utenkelig standard for pediatrisk atferdshelse som sikrer likeverdig tilgang til tidlig inngripen ved å levere høykvalitetsprodukter for å forbedre livslange resultater for alle barn og familier.

Hva var det som først tiltalte deg til maskinlæring og data science?

Jeg var alltid interessert i dataprogrammering som barn. Senere i livet, ble jeg tiltrukket av det nye feltet maskinlæring på grunn av den uimotståelige ønsket om å operere på grensen av forskning og utforske de åpne utfordringene med hva som er mulig å oppnå gjennom beregningsalgoritmer.

Som tidligere Senior Research Scientist i Ebay har du en bakgrunn i å optimalisere søkeresultat-rangering for Ebay-plattformen. Hva er noen av de grunnleggende leksjonene i maskinlæring som du lærte fra denne erfaringen?

Ved Ebay, var mitt team oppnevnt til å lage selskapets første maskinlæring-baserte søkeresultat-rangeringsalgoritme. Med titall millioner varer til salgs på noen tidspunkt, og milliarder søkeforespørsler hver dag, var den største tekniske utfordringen å overvinne den overveldende skalaen.

Til slutt, tror jeg at min største takeaway fra denne erfaringen var å holde et åpent sinn om definisjonen av målet i seg selv. Det viste seg at hvis rangeringsalgoritmen presenterte shopperen med de beste tilbudene bare, var de mindre sannsynlig til å transaksjonere. De trengte også å se de ikke-så-bra tilbudene for å gjenkjenne de gode tilbudene som slike. Det tok en data-drevet tilnærming til suksess, samt et åpent sinn for å innse dette faktum og tilpasse strategien etter hvert.

Hva er noen av de tilstandene som diagnostiseres ved Cognoa?

Cognoa er et pediatrisk atferdshelse-selskap som utvikler digitale diagnostiske og terapeutiske løsninger. Vårt mål er å utnytte teknologi til å strømlinje pediatrisk helse og møte de udekkede behovene i pediatrisk atferdshelse. Vi starter med autisme.

Hva er noen av de utfordringene bak å bygge et klassifiseringsystem for å diagnostisere autisme og andre tilstander hos barn?

Bortsett fra det faktum at førskolebarn ikke er de mest samarbeidende pasientene, er en av de største utfordringene for oss det vi kaller definisjonsstøy. Det vil si, å forsøke å trene AI-algoritmer til å klassifisere tilstander når den kliniske vitenskapen rundt grensene for disse tilstandene fortsatt er under utvikling. I noen tilfeller kan menneskelige spesialister være uenige blant seg selv om diagnosen av ett bestemt barn, og den kollektive forståelsen av de underliggende elementene i en bestemt diagnose er fortsatt en ny vitenskap. For eksempel, hva som tidligere ble kalt Aspergers for noen år siden, er nå betraktet som en del av autismespekterforstyrrelse (ASD), og de tidligere separate begrepene om oppmerksomhetsdefisit (ADD) versus hyperaktivitet er nå betraktet som aspekter av en samlet diagnose, oppmerksomhetsdefisit/hyperaktivitetsforstyrrelse (ADHD). Andre nydiagnostiske klassifiseringer (som sanseprosessforstyrrelse eller SPD) er fortsatt ikke inkludert i Diagnostisk og statistisk håndbok.

Til en data scientist, presenterer disse subjektive, skiftende grenser interessante, betydelige utfordringer å overvinne.

Cognoa bygde et 3-utfall-diagnostisk system. Hvorfor er systemet designet på denne måten?

Autisme er en kompleks nevrologisk tilstand med en bred rekke av presentasjoner og komorbiditeter.

Vi bygde en diagnosehjelp til å hjelpe primærhelsetjenesteleger til å nøyaktig og effektivt diagnostisere autisme hos barn i alderen 18 til 72 måneder som er i risiko for utviklingsforsinkelse basert på en omsorgspersons eller foreldres eller legens bekymring. Cognoas diagnosehjelp fungerer på en unik måte ved å samle og kombinere innputt fra både omsorgspersoner eller foreldre og leger inn i en enkelt løsning for å analysere dem for prediktive autismesignaler. Vår diagnosehjelp bruker AI til å evaluere alle innputtene og — når informasjonen er tilstrekkelig — gir en positiv eller negativ resultat for autisme som pediatren bruker i kombinasjon med den kliniske presentasjonen av barnet for å gi en diagnose og rette oppfølgende tiltak.

I orden til å redusere risikoen for feil klassifiseringer, er algoritmen også designet til å gi en ubestemt utgang som en risikokontrolltiltak for å sikre de høye prediktive verdiene av “positiv/negativ for autisme”-resultatene, minimere sannsynligheten for feil negativ (siden feil negativ er den høyeste risikoen forbundet med enhetbruk). Denne prosedyren med å avstå fra prediksjon når modellresponsen indikerer lavere konfidens er en standard metode for risikokontroll i maskinlæring-algoritmer.

Kunne du diskutere hvordan Cognoa overvinner foreldrebias når det gjelder typen data som blir gitt av foreldrene?

En stor spørsmål. En av de største fordelene med maskinlæring er at det er spesielt nyttig til å overvinne kilder for støy og bias i inndata. Foreldrenes beskrivelser av sine egne barn er forventet å være subjektive og biased, men basert på svært lange vinduer av observasjon, hvor clinician-rapporter er sannsynligvis mer objektive, men også mindre informert på grunn av korte vinduer av observasjon.

Ved å kombinere begge inndatasett inn i en enkelt maskinlæring-prosess, er maskinlæring-algoritmen i stand til å tilpasse seg den komplementære naturen av disse inndata, og lære mønster som kan brukes til å utnytte det beste av begge informasjonssett inn i en enkelt bestemmelse som er mer pålitelig enn hver enkelt konto individuelt.

Hva er noen av de data science-best-praksisene som brukes i Cognoa for å unngå enten rase- eller kjønnsbias i data?

Som selskap er Cognoa dedikert til å bygge produkter for likeverdig tilgang til omsorg. Vi er klar over at AI-basert innovasjon har potensialet til å absorbere og forsterke innebygde bias i samfunnet. For eksempel, blir jenter i gjennomsnitt diagnostisert 1,5 år senere enn gutter og en av fire barn under åtte år som lever med autisme, de fleste av dem svarte eller hispanicske, er ikke diagnostisert i det hele tatt. Dette skyldes mangelen på tilgang i vårt nåværende system og fordi diagnose har historisk sett vært skjev mot autisme-trekk som er vanlige hos hvite gutter, som kan presenteres forskjellig enn unge jenter og barn som ikke er hvite.

Til å møte disse eksisterende bias, har vi bevisst og med overlappende bygget vår teknologi til å ta hensyn til forskjeller over kjønn, rase, etniske og sosioøkonomiske bakgrunner. Vi har skrevet og adlyder en sosialt ansvarlig AI-charter som veileder våre praksiser. Våre AI-algoritmer er bevisst utviklet og klinisk validerert ved hjelp av pasientjournaldata som tilhører tusenvis av gutter og jenter over geografier med forskjellige bakgrunner, tilstander, presentasjoner og komorbiditeter.

Ved å referere til store mengder eksterne datapunkter og å utnytte de kombinerte erfaringene fra hundrevis av leger, samtidig som vi analyserer en rekke forskjellige menneskelige trekk og funksjoner, har Cognoas AI potensialet til å hjelpe leger å takle ubevisst bias.

Hva er noen av de terapeutiske løsningene som tilbys i Cognoa?

Aktuelt har Cognoa ingen terapeutiske løsninger tilgjengelig for bruk. Imidlertid er det en rekke løsninger under utvikling i Cognoa, og det er klart at AI har enormt potensial til å gjøre terapeutiske løsninger mer tilgjengelige og tilgjengelige for barn med atferdsforstyrrelser.

Er det noe annet du ville like å dele om ditt arbeid i Cognoa?

Jeg har aldri vært i ett arbeid like lenge som min nåværende rolle i Cognoa. Jeg tror at det skyldes tilfredsheten jeg får fra å jobbe med et problem som berører så mange menneskers liv på så personlig niveau. Å hjelpe foreldre å ta vare på sine barn er omtrent like edelt et kall som en kunne ønske seg.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Cognoa.