Anton Dolgikh, chef för AI, hälso- och livsvetenskap på DataArt – Intervjuserie

Anton Dolgikh leder AI- och ML-orienterade projekt inom hälso- och livsvetenskapspraktiken på DataArt och driver utbildnings- och utvecklingsprogram för utvecklare som fokuserar på att lösa affärsproblem med ML-metoder. Innan han började arbeta på DataArt arbetade Dolgikh på institutionen för komplexa system vid Université Libre de Bruxelles, ett ledande belgiskt privat forskningsuniversitet.

Vad var det som ursprungligen inspirerade dig att söka dig till AI och livsvetenskap som karriär?

En passion för att söka efter samband mellan fenomen och fakta. Jag har alltid tyckt om att läsa. Jag älskar böcker. På universitetet upptäckte jag en ny källa till information – artiklar. Vid något tillfälle tycktes det som att för att få en komplett bild, att kristallisera den vackra sanningen från en massa information, var nästan omöjligt. Och här kommer AI in i bilden. Statistik, maskinlärande och naturlig vetenskap med AI i toppen alla bidrar till att bygga en bro mellan den mänskliga hjärnans törst efter kunskap och en värld där alla lagar är kända och det inte finns några svarta lådor.

Du utbildar och tränar för närvarande utvecklare som fokuserar på att lösa affärsproblem med ML-metoder. Finns det ett specifikt område inom maskinlärande som du fokuserar mer på, till exempel djupinlärande?

Ja, djupinlärande är ett mycket populärt och, låt oss vara ärliga, kraftfullt instrument; vi kan inte försumma det. Jag personligen föredrar den bayesianska tolkningen av klassiska algoritmer, eller till och med en kombination av neuronnät och en bayesiansk ansats — till exempel en bayesiansk variabel autoencoder. Men jag tror att det viktigaste att lära nya ML-utvecklare är inte att använda ML-maskineriet som en magisk svart låda, utan snarare att förstå de grundläggande principerna bakom varje och ett metod. En nödvändig färdighet är förmågan att förklara de prediktioner som erhålls för en affärspublik.

I mars 2019 skrev du en artikel med titeln ‘Är vi redo för maskinradiologer och deras misstag?’. I artikeln beskrev du för- och nackdelarna med att acceptera resultat från maskinradiologer jämfört med humana radiologer. Om du skulle välja mellan en människa och en maskin som ger dig resultat, vilken skulle du välja och varför?

Jag föredrar en human radiolog. Inte för att jag har någon särskild kunskap som tyder på att AI är kraftigt benägen att göra fel och att beslut är intrinsikalt felaktiga. Nej, det är mer en fråga om empati och den psykologiska naturen. Jag vill stödja humana läkare under denna svåra period. Dessutom tror jag att vi i närmaste framtiden bara kommer att se AI som ett verktyg för att förstärka den mänskliga förmågan.

Du skrev nyligen en vitbok med titeln ‘The Impact of Artificial Intelligence on Lifespan‘. I den här vitboken påstod du att AI bör ses som ett verktyg i sökandet efter ett längre liv. Vilka är några av de mer lovande metoderna som AI kunde använda i jakten på att förlänga det mänskliga livet?

I dag börjar det nya verktyget AI att fungera i vetenskapliga laboratorier på samma sätt som klassiska instrument och metoder. Detta faktum i sig är lovande. AI är här för att hjälpa, inte ersätta, oss i kampen mot de enorma mängderna data som översvämmar inte bara laboratorier utan även våra personliga liv.

I samma vitbok diskuteras också påståendet av Biogerontology Research Foundation AI-direktör och VD för Insilico Medicine, Dr Alex Zhavoronkov, att en ökning av livslängden till 150 år inte är ett fantastiskt mål. Tror du att ett barn som föds 2020 kommer att kunna leva till 120 eller till och med 150 år?

Jag vill tro. Som forskare till utbildning och övertygelse måste jag basera mina beslut på fakta, på förståelsen av den vetenskapliga metodens framsteg inom området. Vi har gjort ett imponerande språng inom genetik, bioteknik och medicin i allmänhet, och detta stärker min tro. Och glöm inte att en betydande del av framgången i att öka livslängden är en hälsosam miljö och en hälsosam livsstil, så vi måste arbeta med detta.

I samma vitbok nämns också potentialen för tankeöverföring (transhumanism). Tror du att detta kan bli verklighet, och hur känns det personligen för dig?

Jag har tänkt mycket på det. Ärligt talat känns det frustrerande. Jag tror att vi associerar personlighet med vad vi ser i en spegel, och för mig är det svårt att skilja min karaktär från min kropp. Trots detta betyder det inte att det är omöjligt. Och ja, jag tror att tankeöverföring kommer att bli möjlig förr eller senare. Konsekvenserna är mycket svårare att förutse.

Du är för närvarande chef för AI, hälso- och livsvetenskap på DataArt. Vilka är några av de mest intressanta projekten som DataArt för närvarande arbetar med?

Vi har ett projekt som är dedikerat till utveckling av nya läkemedel. Det är inspirerande att se hur beräkningsmetoder har utvecklats för att driva och styra framstegen inom medicinsk kemi och farmakologi. Vi gör också mycket arbete med att tillämpa AI för att extrahera information från medicinska texter som kliniska prövningsrapporter, medicinska artiklar och specialiserade forum. Det är hårt arbete, men det tar oss närmare digitaliseringen av hälso- och sjukvården, och jag tycker att det är spännande.

Som en ivrig bokälskare måste jag också fråga vilka böcker du rekommenderar?

• Judea Pearl “Causality: Models, Reasoning and Inference“. Titeln är självförklarande – boken handlar om orsakssamband. Om (en dag) vi vill ha en sann AI måste vi lära den att resonera om orsak och verkan;
• Om du är intresserad av orsakssamband och praktiska metoder, då är den grundläggande arbetet av Daphne Koller och Nir Friedman “Probabilistic Graphical Models: Principles and Techniques” rätt val;
• Vi förväntar oss att kraftfull AI ska kunna förstå oss. Därför måste vi lära den språk. Naturlig språkbehandling hanterar problemet med naturliga språks förståelse. Jag har två titlar i åtanke som har hjälpt mig mycket:
  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
• Det nästa boken är inte dedikerad till AI, men den visar en icke-standardiserad ansats till statistik och prediktioner som kommer att vara användbar för varje AI-forskare: Bertrand S. Clarke, Jennifer L. Clarke Predictive statistics: Analysis and Inference beyond models
• Och jag skulle avsluta listan med en science fiction-bok: Stanislav Lem, The Star Diaries

Finns det något annat du vill dela om DataArt?

DataArt är ett utmärkt exempel på den senaste trenden mot digitalisering av nästan varje aspekt av liv och verksamhet. Denna trend ökar ansvaret i programvaruutveckling eftersom det i dag inte bara handlar om att bygga en webbplats för en butik, till exempel, där en utvecklares misstag kommer att ha minimala konsekvenser. I dag kan en utvecklares misstag bli en nationell eller global katastrof om det handlar om ett program som kontrollerar funktionen hos, till exempel, ett kärnkraftverk. DataArts ansvarsfulla tillvägagångssätt för programvaruutveckling i en bred bemärkelse ger mig förtroende för vad vi utvecklar, och jag är mycket stolt över att vara en del av företaget och det arbete vi gör.

Som ett annat nyligt projekt kan nämnas att DataArt förra året lanserade en prototypapplikation som kallas ‘SkinCareAI’, som analyserar hudbilder för att upptäcka tidiga tecken på malignt melanom. Med de senaste framstegen inom maskinlärningsteknologi (ML) utvecklades SkinCareAI av DataArts ML-expert Andrey Sorokin för den internationella samarbetsutmaningen inom hudbilder (ISIC).

För att lära mer om några av våra andra projekt och fallstudier, vänligen gå till DataArts Hälso- och livsvetenskaps sida.