Halim Abbas, vodja umetne inteligence pri Cognoa – serija intervjujev

Halim Abbas je glavni uradnik za AI pri Cognoa, je inovator umetne inteligence in veteran industrije, ki je vodil vrhunske projekte podatkovne znanosti pri tehnologijah, ki spreminjajo igre, kot sta eBay in Teradata. Cognoa se posveča ustvarjanju neprimerljivega standarda oskrbe pediatričnega vedenjskega zdravja, ki zagotavlja pravičen dostop do zgodnjega posredovanja z zagotavljanjem visokokakovostnih izdelkov za izboljšanje vseživljenjskih rezultatov za vse otroke in družine.

Kaj vas je na začetku pritegnilo k strojnemu učenju in podatkovni znanosti?

Že kot otroka me je vedno zanimalo računalniško programiranje. Kasneje v življenju sem gravitiral k nastajajočemu področju strojnega učenja zaradi neustavljive želje po delovanju na robu raziskav in raziskovanju odprtih izzivov, kaj je mogoče doseči z računalniškimi algoritmi.

Kot nekdanji višji raziskovalec pri Ebayu imate izkušnje z optimizacijo uvrstitev rezultatov iskanja za platformo Ebay. Katere so temeljne lekcije strojnega učenja, ki ste se jih naučili iz te izkušnje?

Pri eBayu je bila moja ekipa zadolžena za ustvarjanje prvega algoritma za razvrščanje rezultatov iskanja v podjetju, ki temelji na strojnem učenju. Z več deset milijoni predmetov, ki so naprodaj v vsakem trenutku, in milijardami iskalnih poizvedb vsak dan, je bil največji tehnični izziv premagati izjemen obseg.

Navsezadnje menim, da je bila moja največja pridobitev iz te izkušnje to, da sem ohranil odprt um glede definicije samega cilja. Izkazalo se je, da če je algoritem za razvrščanje kupcu uspešno predstavil samo najboljše ponudbe, je manj verjetno, da bo opravil transakcijo. Morali so videti tudi ne tako dobre posle, da bi prepoznali dobre posle kot take. Za spoznanje tega dejstva in ustrezno prilagoditev strategije je bil potreben pristop k uspehu, ki temelji na podatkih, in odprt um.

Katera so nekatera stanja, ki jih diagnosticira Cognoa?

Cognoa je pediatrično podjetje za vedenjsko zdravje, ki razvija digitalno diagnostiko in terapevtiko. Naš cilj je izkoristiti tehnologijo za racionalizacijo pediatričnega zdravstvenega varstva in reševanje nezadovoljenih potreb pediatričnega vedenjskega zdravstvenega varstva. Začenjamo z avtizmom.

Kakšni so nekateri izzivi za izgradnjo sistema klasifikatorjev za diagnosticiranje avtizma in drugih stanj pri otrocih?

Poleg dejstva, da predšolski otroci med bolniki niso najbolj kooperativni, je eden glavnih izzivov za nas tisto, čemur pravimo definicijski hrup. To pomeni, da poskuša usposobiti algoritme AI za razvrščanje stanj, medtem ko se klinična znanost okoli meja omenjenih stanj še vedno razvija. V nekaterih primerih se strokovnjaki za ljudi morda ne strinjajo med seboj glede diagnoze določenega otroka, kolektivno razumevanje temeljnih elementov določene diagnoze pa je še vedno nastajajoča znanost. Na primer, tisto, kar se je pred nekaj leti imenovalo Aspergerjeva bolezen, zdaj velja za motnjo avtističnega spektra (ASD), prej ločeni pojmi motnje pomanjkanja pozornosti (ADD) in hiperaktivnosti pa zdaj veljajo za vidika enotne diagnoze, motnja pozornosti s hiperaktivnostjo (ADHD). Druge nastajajoče diagnostične klasifikacije (kot je motnja senzorične obdelave ali SPD) še niso prišle v Diagnostični in statistični priročnik.

Podatkovnemu znanstveniku te subjektivne, premikajoče se meje predstavljajo zanimive in precejšnje izzive, ki jih je treba premagati.

Cognoa je zgradila diagnostični sistem s tremi izidi. Zakaj je sistem zasnovan tako?

Avtizem je zapleteno nevrorazvojno stanje s širokim spektrom manifestacij in sočasnih bolezni.

Izdelali smo diagnostični pripomoček, ki pomaga zdravnikom primarnega zdravstvenega varstva pri natančnem in učinkovitem diagnosticiranju avtizma pri otrocih, starih od 18 do 72 mesecev, pri katerih obstaja tveganje za zamudo pri razvoju na podlagi skrbi skrbnika, staršev ali zdravnika. Diagnostični pripomoček Cognoa deluje na edinstven način tako, da zbira in združuje vnose negovalcev ali staršev in zdravnikov v eno rešitev, da jih analizira za napovedne signale avtizma. Naš diagnostični pripomoček uporablja AI za ovrednotenje vseh vnosov in – ko je informacij dovolj – zagotovi pozitiven ali negativen rezultat za avtizem, ki ga pediater uporabi v kombinaciji s klinično sliko otroka, da postavi diagnozo in usmeri ustrezne nadaljnje korake. - nega.

Da bi zmanjšali tveganje napačnih razvrstitev, je bil algoritem zasnovan tudi tako, da zagotavlja nedoločen izhod kot ukrep za nadzor tveganja, da se zagotovijo visoke napovedne vrednosti izidov »pozitivno/negativno za avtizem«, kar zmanjša verjetnost lažno negativnih rezultatov ( saj so lažno negativni rezultati največje tveganje, povezano z uporabo naprave). Ta postopek opustitve napovedi, ko odziv modela kaže nižjo zanesljivost, je a standardna metoda nadzora tveganja v algoritmih strojnega učenja.

Ali lahko razpravljate o tem, kako Cognoa premaga starševsko pristranskost, ko gre za vrsto podatkov, ki jih posredujejo starši?

Odlično vprašanje. Ena glavnih prednosti strojnega učenja je, da je še posebej uporabno za premagovanje virov hrupa in pristranskosti, pričakovanih v vhodnih podatkih. Pričakuje se, da bodo pričevanja staršev o lastnih otrocih subjektivna in pristranska, vendar temeljijo na zelo dolgih oknih opazovanja, medtem ko bodo poročila zdravnikov verjetno bolj objektivna, a tudi manj informirana zaradi kratkih oken opazovanja.

Z združevanjem obeh vhodnih nizov v en sam proces strojnega učenja se lahko algoritem strojnega učenja prilagodi komplementarni naravi teh vnosov in se nauči vzorcev, ki jih je mogoče uporabiti za izkoriščanje najboljšega iz obeh nizov informacij v eno samo določitev, ki je večja. zanesljiv kot vsak račun posebej.

Katere so nekatere najboljše prakse podatkovne znanosti, ki jih Cognoa uporablja za izogibanje rasni ali spolni pristranskosti v podatkih?

Kot podjetje je Cognoa predana izdelavi izdelkov za pravičen dostop do oskrbe. Zavedamo se, da lahko inovacije, ki temeljijo na AI, absorbirajo in okrepijo inherentne pristranskosti v družbi. Na primer, dekleta v povprečju dobijo diagnozo 1.5 leta kasneje kot fantje in eden od štirih otrok, mlajših od 8 let, ki živijo z avtizmom, večina temnopoltih ali Hispanic, je ni diagnosticiran nasploh. To je posledica pomanjkanja dostopa v našem trenutnem sistemu in ker je bila diagnoza zgodovinsko nagnjena k lastnostim avtizma, ki prevladujejo pri belih dečkih, ki lahko značilnosti avtizma predstavljajo drugače kot mlada dekleta in otroci, ki niso belci.

Da bi odpravili te obstoječe pristranskosti, smo namenoma in zavestno zgradili našo tehnologijo, ki upošteva razlike med spoloma, raso, etničnim in družbeno-ekonomskim ozadjem. Napisali smo in se držimo Listine družbeno odgovorne umetne inteligence, ki vodi naše prakse. Naši algoritmi umetne inteligence so bili namerno razviti in klinično potrjeni z uporabo podatkov o bolnikih, ki pripadajo na tisoče fantov in deklet na različnih območjih z različnimi ozadji, stanji, predstavitvami in komorbidnostmi.

S sklicevanjem na množico zunanjih podatkovnih točk in uporabo združenih izkušenj več sto zdravnikov ter hkratnim analiziranjem različnih človeških lastnosti in lastnosti ima Cognoin AI potencial, da pomaga zdravnikom pri reševanju nezavednih pristranskosti.

Katere so terapevtske rešitve, ki jih ponuja Cognoa?

Kongo trenutno nima na voljo terapevtskih rešitev za uporabo. Vendar Cognoa razvija številne rešitve in jasno je, da ima umetna inteligenca ogromen potencial, da naredi terapevtske rešitve bolj dostopne in na voljo otrokom z vedenjskimi motnjami.

Ali želite še kaj povedati o svojem delu pri Cognoi?

Nikoli nisem ostal na enem delovnem mestu tako dolgo kot moja trenutna vloga v podjetju Cognoa. Mislim, da je to zaradi zadovoljstva, ki ga imam ob delu na problemu, ki se na tako osebni ravni dotika življenj toliko ljudi. Pomagati staršem pri skrbi za svoje otroke je tako plemenit poklic, kot si ga sploh lahko upamo.

Hvala za odličen intervju, bralci, ki želite izvedeti več, naj ga obiščejo Cognoa.