Anton Dolgikh, Kierownik AI, Ochrony Zdrowia i Nauk o Życiu w DataArt – Wywiad

Anton Dolgikh kieruje projektami związanymi z AI i ML w praktyce Ochrony Zdrowia i Nauk o Życiu w DataArt i prowadzi szkolenia dla deweloperów, których celem jest rozwiązywanie problemów biznesowych za pomocą metod ML. Przed dołączeniem do DataArt, Dolgikh pracował w Dziale Złożonych Systemów na Université Libre de Bruxelles, wiodącym belgijskim prywatnym uniwersytecie badawczym.

Czym było to, co pierwotnie zainspirowało Cię do podjęcia kariery w dziedzinie AI i nauk o życiu?

Pasją do poszukiwania powiązań między zjawiskami i faktami. Zawsze lubiłem czytać. Kocham książki. Na uniwersytecie odkryłem nowe źródło informacji – artykuły. W pewnym momencie okazało się, że aby uzyskać pełny obraz, aby skrystalizować piękną prawdę z masy informacji, jest prawie niemożliwe. I tu pojawia się AI. Statystyka, machine learning, a także nauka przyrodnicza z AI na czele, wszystko to służy budowaniu mostu między ludzkim umysłem, który pragnie wiedzy, a światem, w którym wszystkie prawa są znane, a nie ma czarnych skrzynek.

Obecnie edukujesz i szkolisz deweloperów, którzy koncentrują się na rozwiązywaniu problemów biznesowych za pomocą metod ML. Czy jest jakiś konkretny obszar machine learningu, na którym się skupiasz, na przykład głębokie uczenie?

Tak, głębokie uczenie to bardzo popularne i, szczerze mówiąc, potężne narzędzie; nie możemy go lekceważyć. Osobiście preferuję bayesowską interpretację klasycznych algorytmów, lub nawet połączenie sieci neuronowych i podejścia bayesowskiego – na przykład, Bayesowski Autoencoder Variationalny. Ale uważam, że najważniejsze jest nauczenie nowych specjalistów ML, aby nie używali maszyn ML jak magicznej czarnej skrzynki, ale aby postrzegali podstawowe zasady za każdą metodą. Niezbędnym umiejętnością jest umiejętność wyjaśniania prognoz uzyskanych dla audytorium biznesowego.

W marcu 2019 roku napisałeś artykuł pt. ‘Czy jesteśmy gotowi na radiologów maszynowych i ich błędy?’. W artykule przedstawiłeś zalety i wady akceptowania wyników od radiologów maszynowych w porównaniu z radiologami ludzkimi. Gdybyś musiał wybrać między ludzkim radiologiem a maszyną, która daje Ci wyniki, którą wybrałbyś i dlaczego?

Wolę radiologa ludzkiego. Nie dlatego, że mam specjalną wiedzę, iż AI jest szczególnie podatna na błędy i decyzje są intrinsicznie błędne. Nie, to raczej kwestia empatii i natury psychologicznej. Chcę wspierać lekarzy w tym trudnym okresie. Ponadto uważam, że w najbliższej przyszłości będziemy widzieć tylko AI, która wspomaga ludzkie zdolności.

Niedawno napisałeś biały dokument pt. ‘Wpływ sztucznej inteligencji na długość życia‘. W tym dokumencie stwierdziłeś, że AI powinno być traktowane jako narzędzie w poszukiwaniu dłuższego życia. Jakie są najbardziej obiecujące metody, które AI mogą zastosować w poszukiwaniu dłuższego życia?

Dziś nowe narzędzie AI zaczyna działać w laboratoriach naukowych na równi z klasycznymi instrumentami i podejściami. Ten fakt sam w sobie jest obiecujący. AI jest tutaj, aby pomóc, a nie zastąpić nas w walce z ogromnymi ilościami danych, które zalewają nie tylko laboratoria, ale także nasze życie osobiste.

Także w tym samym dokumencie omawiasz twierdzenie Biogerontology Research Foundation AI Director i CEO Insilico Medicine, Dr. Alex Zhavoronkova, że zwiększenie długości życia do 150 lat nie jest fantastycznym celem. Czy uważasz, że dziecko urodzone w 2020 roku będzie mogło żyć do 120 lub nawet 150 lat?

Chcę wierzyć. Jako naukowiec wykształcenia i przekonania, muszę opierać swoje decyzje na faktach, na zrozumieniu postępu metod naukowych w tej dziedzinie. Zrobiliśmy imponujący skok w dziedzinach genetyki, biotechnologii i medycyny w ogóle, co wzmacnia moją wiarę. I nie zapominajmy, że znaczna część sukcesu w zwiększaniu długości życia to zdrowe środowisko i zdrowy styl życia, więc musimy pracować nad tym.

W tym samym dokumencie wspominasz o potencjale uploadu umysłu (transhumanizm). Czy uważasz, że to może kiedyś stać się rzeczywistością, i jak to wpływa na Ciebie osobiście?

Myślałem o tym wiele razy. Szczerze mówiąc, to mnie frustruje. Uważam, że łączymy osobowość z tym, co widzimy w lustrze, i dla mnie jest trudne, aby odłączyć moją osobowość od mojego ciała. Niezależnie od tego, nie oznacza to, że to niemożliwe. I tak, uważam, że wcześniej czy później upload umysłu stanie się możliwy. Konsekwencje są znacznie trudniejsze do przewidzenia.

Jesteś obecnie Kierownikiem AI, Ochrony Zdrowia i Nauk o Życiu w DataArt. Jakie są najbardziej interesujące projekty, nad którymi DataArt obecnie pracuje?

Mamy projekt poświęcony rozwojowi nowych leków. To inspirujące, jak metody komputacyjne rozwinęły się, aby napędzać i kierować postępem w chemii medycznej i farmakologii. Robimy także wiele pracy nad zastosowaniem AI do wyodrębniania informacji z tekstów medycznych, takich jak raporty z badań klinicznych, artykuły medyczne i specjalistyczne fora. To ciężka praca, ale to nas przybliża do cyfryzacji ochrony zdrowia, i uważam to za ekscytujące.

Jako miłośnik książek, muszę również zapytać, jakie książki polecasz?

• Judea Pearl “Przyczynowość: Modele, rozumowanie i wnioskowanie“. Tytuł jest samoopisujący – książka jest o relacjach przyczynowych. Jeśli (kiedyś) chcemy mieć prawdziwe AI, musimy nauczyć je rozumowania o przyczynie i skutku;
• Jeśli jesteś zainteresowany przyczynowymi i praktycznymi metodami, to podstawowa praca Daphne Koller i Nir Friedman “Modelowanie graficzne prawdopodobieństwa: Zasady i techniki” będzie odpowiednim wyborem;
• Oczekujemy, że potężne AI będzie mogło nas zrozumieć. Dlatego musimy nauczyć je języka. Przetwarzanie języka naturalnego zajmuje się problemem zrozumienia języków naturalnych. Mam na myśli dwie pozycje, które bardzo mi pomogły:
  1. Yoav Goldberg, Metody sieci neuronowych w przetwarzaniu języka naturalnego (Wykłady z technologii języka ludzkiego), 2017
  2. Christopher D. Manning, Prabhakar Raghavan, Hinrich Schütze Wprowadzenie do odzyskiwania informacji, 2009
• Nie jestem pewien, czy następna książka jest poświęcona AI, ale pokazuje niekonwencjonalne podejście do statystyki i prognoz, które będzie przydatne dla każdego badacza AI: Bertrand S. Clarke, Jennifer L. Clarke Statystyka predykcyjna: Analiza i wnioskowanie poza modelami
• I zakończę listę książką science fiction: Stanislav Lem, Dzienniki gwiazdowe

Czy jest coś jeszcze, co chciałbyś podzielić się na temat DataArt?

DataArt to wspaniały przykład niedawnego trendu w kierunku cyfryzacji niemal każdego aspektu życia i działalności. Ten trend zwiększa odpowiedzialność w rozwoju oprogramowania, ponieważ dzisiaj nie chodzi już tylko o budowanie strony internetowej dla sklepu, na przykład, w którym błąd programisty mógłby mieć minimalne konsekwencje. Dzisiaj błąd programisty mógłby stać się katastrofą narodową lub światową, jeśli dotyczy programu kontrolującego funkcjonowanie, na przykład, elektrowni jądrowej. Odpowiedzialne podejście DataArt do rozwoju oprogramowania w szerokim sensie daje mi pewność w tym, co rozwijamy, i jestem bardzo dumny, że jestem częścią tej firmy i pracy, którą wykonujemy.

Co do innego niedawnego projektu, w zeszłym roku DataArt uruchomiła prototyp aplikacji o nazwie ‘SkinCareAI’, która analizuje obrazy skóry, aby wykryć wczesne objawy czerniaka. Wykorzystując najnowsze osiągnięcia technologii machine learning (ML), SkinCareAI została opracowana przez eksperta DataArt ML, Andrey Sorokina, na potrzeby wyzwania International Skin Imaging Collaboration (ISIC).

Aby dowiedzieć się więcej o niektórych z naszych innych projektów i studiach przypadku, proszę odwiedzić stronę DataArt Ochrony Zdrowia i Nauk o Życiu.