Anton Dolgikh, Голова відділу штучного інтелекту, охорони здоров’я та наук про життя в DataArt – Серія інтерв’ю

Anton Dolgikh очолює проекти, пов’язані з штучним інтелектом і машинним навчанням, у сфері охорони здоров’я та наук про життя в DataArt і проводить освітні та тренінгові програми для розробників, спрямовані на вирішення бізнес-проблем за допомогою методів машинного навчання. До роботи в DataArt Dolgikh працював у відділі складних систем Університету Брюсселя, провідного приватного дослідницького університету Бельгії.

Що спочатку надихнуло вас на кар’єру в галузі штучного інтелекту та наук про життя?

Пристрасть до пошуку зв’язків між явищами і фактами. Я завжди люблю читати. Мені подобаються книги. Університет відкрив для мене новий джерело інформації – статті. У якийсь момент з’ясувалося, що отримати повну картину, кристалізувати прекрасну правду з маси інформації майже неможливо. І тут з’являється штучний інтелект. Статистика, машинне навчання, природничі науки з штучним інтелектом на вершині всіх цих дисциплін допомагають побудувати міст між людським розумом, який прагне знань, і світом, де всі закони відомі і немає чорних скриньок.

Наразі ви займаєтеся навчанням і тренуванням розробників, які зосереджені на вирішенні бізнес-проблем за допомогою методів машинного навчання. Чи є певна галузь машинного навчання, на яку ви зосереджуєтесь більше, наприклад, глибоке навчання?

Так, глибоке навчання – це дуже популярний і, чесно кажучи, потужний інструмент; ми не можемо його ігнорувати. Особисто мені подобається баєсівська інтерпретація класичних алгоритмів, або навіть поєднання нейронних мереж і баєсівського підходу – наприклад, баєсівський варіаційний автоенкодер. Але я вважаю, що найважливіше – це навчити нових спеціалістів з машинного навчання не використовувати машині навчання як магічну чорну скриньку, а сприймати основні принципи кожної з методів. Необхідна уміння – це можливість пояснити передбачення, отримані для бізнес-аудиторії.

У березні 2019 року ви написали статтю під назвою “Чи готові ми до машинних радіологів і їхніх помилок?”. У статті ви виклали за і проти прийняття результатів від машинних радіологів порівняно з людськими радіологами. Якби вам довелося вибирати між людиною і машиною, яка давала б вам результати, яку ви виберете і чому?

Я віддаю перевагу людському радіологу. Не тому, що у мене є певні знання, що штучний інтелект сильно схильний до помилок і рішення є внутрішньо помилковими. Ні, це більше питання емпатії і психологічної природи. Я хочу підтримувати людських лікарів під час цього важкого періоду. Крім того, я вважаю, що в найближчому майбутньому ми побачимо лише те, як штучний інтелект посилить людську здатність.

Ви нещодавно написали білу книгу під назвою “Вплив штучного інтелекту на тривалість життя“. У цій книзі ви заявили, що штучний інтелект повинен розглядатися як інструмент у пошуках довшого життя. Які з методологій штучного інтелекту можуть бути найбільш перспективними для застосування до пошуку тривалого життя людини?

Сьогодні новий інструмент штучного інтелекту починає працювати в наукових лабораторіях нарівні з класичними інструментами і підходами. Це сам по собі є перспективним. Штучний інтелект тут, щоб допомогти, а не замінити нас у боротьбі з величезними обсягами даних, які заповнюють не тільки лабораторії, але навіть нашу особисту життя.

Також у тій же білий книзі обговорюється твердження директора AI Biogerontology Research Foundation і генерального директора Insilico Medicine, доктора Олександра Жаворонкова, про те, що збільшення тривалості життя до 150 років не є фантастичною метою. Ви вважаєте, що дитина, народжена в 2020 році, зможе прожити до 120 або навіть 150 років?

Я хочу вірити. Будучи вченим за освітою і переконанням, я повинен базувати свої рішення на фактах, на розумінні прогресу наукових методів у цій галузі. Ми зробили вражаючий стрибок у сфері генетики, біотехнологій і медицини загалом, і це зміцнює мою віру. І не забудьте, що суттєва частина успіху в збільшенні тривалості життя – це здорове середовище і здоровий спосіб життя, тому нам потрібно працювати над цим.

У тій же білий книзі ви згадуєте потенціал завантаження розуму (трансгуманізм). Ви вважаєте, що це може колись стати реальністю, і як це робить вас особисто?

Я багато думав про це. Чесно кажучи, це робить мене розчарованим. Я вважаю, що ми асоціюємо особистість з тим, що ми бачимо в дзеркалі, і для мене важко відокремити мою особистість від мого тіла. Тим не менше, це не означає, що це неможливо. І, так, я вважаю, що завантаження розуму колись стане реальністю. Наслідки важче передбачити.

Ви зараз очолюєте відділ штучного інтелекту, охорони здоров’я та наук про життя в DataArt. Які з проектів DataArt зараз працюють над найбільш цікавими?

У нас є проект, присвячений розробці нових лікарських засобів. Це надихає, як комп’ютерні методи розвинулися для підтримки і спрямування прогресу в медичній хімії і фармакології. Ми також багато працюємо над застосуванням штучного інтелекту для витягування інформації з медичних текстів, таких як клінічні звіти, медичні статті та спеціалізовані форуми. Це важка робота, але вона наближає нас до цифровізації охорони здоров’я, і я вважаю це цікавим.

Як шанувальник книг, я також хочу запитати, які книги ви рекомендуєте?

• Джудея Перл “Причинність: Моделі, висновок і висновки“. Назва самозрозуміла – книга про причинні зв’язки. Якщо (коли-небудь) ми хочемо мати справжній штучний інтелект, ми повинні навчити його висновкам про причину і наслідок;
• Якщо вас цікавлять причинні і практичні методи, то фундаментальна робота Дафни Коллер і Нира Фрідмана “Вероятністські графічні моделі: Принципи і техніки” буде правильним вибором;
• Ми очікуємо, що потужний штучний інтелект зможе зрозуміти нас. Тому нам потрібно навчити мову йому. Обробка природної мови займається проблемою розуміння природних мов. У мене є дві назви на увазі, які допомогли мені багато:
  1. Йоав Голдберг, Методи нейронних мереж у обробці природної мови (Синтез лекцій з технологій людської мови), 2017
  2. Крістофер Д. Меннінг, Прабхакар Рагхаван, Гінріх Шютце Введення в інформаційний пошук, 2009
• Не впевнений, чи наступна книга присвячена штучному інтелекту, але вона демонструє нестандартний підхід до статистики і передбачень, який буде корисним для будь-якого дослідника штучного інтелекту: Бертран С. Кларк, Дженніфер Л. Кларк Прогнозна статистика: Аналіз і висновок за межами моделей
• І я закінчу список книгою наукової фантастики: Станіслав Лем, Зоряні щоденники

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

DataArt – це чудовий приклад недавньої тенденції до цифровізації майже кожної сторони життя і діяльності. Ця тенденція збільшує відповідальність у розробці програмного забезпечення, оскільки сьогодні це не тільки будівництво сайту для магазину, наприклад, у випадку, коли помилка розробника матиме мінімальні наслідки. Сьогодні помилка розробника може стати національною або світовою катастрофою, якщо це програма, яка контролює роботу, наприклад, атомної електростанції. Відповідальний підхід DataArt до розробки програмного забезпечення в широкому сенсі дає мені впевненість у тому, що ми розробляємо, і я дуже гордий бути частиною компанії і роботи, яку ми робимо.

Що стосується іншого недавнього проекту, минулого року DataArt запустив прототип програми під назвою “SkinCareAI”, який аналізує зображення шкіри для виявлення ранніх ознак меланоми. Використовуючи останні досягнення в галузі машинного навчання (ML), SkinCareAI був розроблений експертом DataArt з машинного навчання Андрієм Сорокіним для Міжнародного співробітництва зі зображень шкіри (ISIC) виклику.

Для того, щоб дізнатися більше про деякі з наших інших проектів і кейс-стаді, перейдіть на сторінку DataArt з охорони здоров’я та наук про життя.