Антон Долгіх, керівник відділу штучного інтелекту, охорони здоров’я та наук про життя DataArt – Серія інтерв’ю

Антон Долгіх керує проектами, орієнтованими на AI та ML, у практиці Healthcare and Life Sciences DataArt і керує освітніми та навчальними розробниками, орієнтованими на вирішення бізнес-проблем за допомогою методів ML. До роботи в DataArt Долгих працював на кафедрі складних систем у Université Libre de Bruxelles, провідному бельгійському приватному дослідницькому університеті.

Що спочатку надихнуло вас зайнятися ШІ та науками про життя?

Пристрасть до пошуку зв'язків між явищами та фактами. Я завжди люблю читати. Я люблю книги. В університеті я відкрив для себе нове джерело інформації – статті. У якийсь момент виявилося, що отримати цілісну картину, викристалізувати прекрасну правду з маси інформації практично неможливо. І тут з’являється ШІ. Статистика, машинне навчання, звісно, ​​і природничі науки з штучним інтелектом на вершині — усі вони створюють міст між жагою людського мозку до знань і світом, де відомі всі закони та немає чорних ящиків.

Зараз ви навчаєте та навчаєте розробників, які зосереджені на вирішенні бізнес-проблем за допомогою методів ML. Чи є певна сфера машинного навчання, на якій ви більше зосереджуєтеся, наприклад глибоке навчання?

Так, глибинне навчання є дуже популярним і, будемо чесними, потужним інструментом; ми не можемо цим нехтувати. Я особисто віддаю перевагу байєсівській інтерпретації класичних алгоритмів або навіть комбінації нейронних мереж і байєсівського підходу — наприклад, байєсівського варіаційного автокодувальника. Але я вважаю, що найголовніше, чого потрібно навчити нових хлопців МЛ, — це не сліпо використовувати машину МЛ, як чарівну чорну скриньку, а радше сприймати основні принципи кожного методу. Обов’язковим навиком є ​​вміння пояснювати отримані прогнози для бізнес-аудиторії.

У березні 2019 року ви написали статтю під назвою «Чи готові ми до машинних радіологів та їхніх помилок?». У статті ви окреслили плюси та мінуси прийняття результатів апаратних рентгенологів порівняно з людськими рентгенологами. Якби вам довелося вибирати між людиною та машиною, яка дає вам результати, що б ви вибрали і чому?

Я віддаю перевагу людині-радіологу. Не тому, що я володію спеціальними знаннями про те, що штучний інтелект дуже схильний до помилок, а рішення за своєю суттю є помилковими. Ні, це більше питання емпатії та психологічного характеру. Я хочу підтримати лікарів-людей у ​​цей важкий період. Більше того, я вірю, що в найближчому майбутньому ми побачимо, як штучний інтелект тільки розширить людські можливості.

Ви нещодавно написали білий документ під назвою "Вплив штучного інтелекту на тривалість життя.' У цій статті ви заявили, що ШІ слід розглядати як інструмент у пошуку довшого життя. Які найбільш перспективні методології штучного інтелекту можна застосувати для подовження тривалості життя людини?

Сьогодні новий інструмент ШІ починає працювати в наукових лабораторіях нарівні з класичними інструментами та підходами. Сам цей факт багатообіцяючий. ШІ тут, щоб допомогти, а не замінити нас у боротьбі з величезною кількістю даних, які заполонили не лише лабораторії, але навіть наше особисте життя.

У тій самій білій книзі також обговорюється заява директора Biogerontology Research Foundation AI та генерального директора Insilico Medicine доктора Алекса Жаворонкова про те, що збільшення тривалості життя до 150 років не є фантастичною метою. Чи вірите ви, що дитина, народжена в 2020 році, зможе прожити до 120 або навіть 150 років?

Я хочу вірити. Будучи вченим за освітою та переконаннями, я повинен базувати свої рішення на фактах, на розумінні прогресу наукових методів у цій галузі. Ми зробили вражаючий стрибок у галузях генетики, біотехнології та медицини загалом, і це зміцнює мою віру. І не забувайте, що суттєвою частиною успіху у збільшенні тривалості життя є здорове довкілля та здоровий спосіб життя, тому над цим треба працювати.

У цій же статті ви згадуєте про потенціал завантаження розуму (трансгуманізм). Чи вірите ви, що це зрештою стане реальністю, і що це викликає у вас особисті почуття?

Я багато думав про це. Відверто кажучи, це мене розчаровує. Я думаю, що ми асоціюємо особистість з тим, що бачимо в дзеркалі, і мені важко відокремити свій характер від мого тіла. Однак це не означає, що це неможливо. І, так, я вірю, що рано чи пізно завантаження розуму стане здійсненним. Наслідки передбачити набагато важче.

Зараз ви очолюєте відділ штучного інтелекту, охорони здоров’я та наук про життя в DataArt. Які найцікавіші проекти, над якими зараз працює DataArt?

У нас є проект, присвячений розробці нових ліків. Це надихає, як розвинулися обчислювальні методи, щоб стимулювати та спрямовувати прогрес у медичній хімії та фармакології. Ми також багато працюємо над застосуванням ШІ для отримання інформації з медичних текстів, таких як звіти про клінічні випробування, медичні статті та спеціалізовані форуми. Це важка робота, але вона наближає нас до цифровізації охорони здоров’я, і я вважаю це захоплюючим.

Мені, як завзятому книголюбові, також потрібно запитати, які книги ви рекомендуєте?

• Юдейська перлина"Причинність: моделі, міркування та висновок“. Назва зрозуміла сама за себе – книга про причинно-наслідкові зв’язки. Якщо (одного дня) ми хочемо мати справжній ШІ, ми повинні навчити його міркувати про причину та наслідок;
• Якщо вас цікавлять причинні та практичні методи, то фундаментальна робота Дафни Коллер і Ніра Фрідмана «Імовірнісні графічні моделі: принципи та методи» буде правильним вибором;
• Ми очікуємо, що потужний штучний інтелект зможе нас зрозуміти. Отже, ми повинні навчити його мови. Обробка природної мови вирішує проблему розуміння природних мов. Я маю на увазі дві назви, які мені дуже допомогли:
  1. Йоав Голдберг, Методи нейронної мережі в обробці природної мови (узагальнюючі лекції з технологій людської мови), 2017
  2. Крістофер Д. Меннінг, Прабхакар Рагхаван, Хінріх Шютце Вступ до інформаційного пошуку, 2009
• Не впевнений, що наступна книга присвячена штучному інтелекту, але вона демонструє нестандартний підхід до статистики та прогнозів, які будуть корисні будь-якому досліднику ШІ: Бертран С. Кларк, Дженніфер Л. Кларк Прогностична статистика: аналіз і висновок поза моделями
• І я б завершив список науково-фантастичною книгою: Станіслав Лем,  Зоряні щоденники

Чи є ще щось, чим ви хотіли б поділитися про DataArt?

DataArt є чудовим прикладом недавньої тенденції до цифровізації майже всіх аспектів життя та діяльності. Ця тенденція підвищує відповідальність у розробці програмного забезпечення, адже сьогодні мова йде не лише про створення сайту, наприклад, для магазину, тоді помилка розробника матиме мінімальні наслідки. Сьогодні помилка розробника може стати національною чи всесвітньою катастрофою, якщо мова йде про програму, яка контролює роботу, наприклад, атомної станції. Відповідальний підхід DataArt до розробки програмного забезпечення в широкому сенсі дає мені впевненість у тому, що ми розробляємо, і я дуже пишаюся тим, що є частиною компанії та роботи, яку ми виконуємо.

Щодо ще одного недавнього проекту годин, минулого року DataArt запустила прототип програми під назвою «SkinCareAI», яка аналізує зображення шкіри для виявлення ранніх ознак меланоми. Завдяки останнім досягненням у технології машинного навчання (ML), SkinCareAI був розроблений експертом DataArt ML Андрієм Сорокіним для конкурсу International Skin Imaging Collaboration (ISIC).

Щоб дізнатися більше про деякі інші наші проекти та тематичні дослідження, перейдіть на сайт DataArt Охорона здоров'я та науки про життя стр.