Антон Долгіх, керівник напрямку штучного інтелекту, охорони здоров’я та наук про життя в DataArt – Інтерв’ю

Антон Долгіх очолює проекти, пов’язані з штучним інтелектом і машинним навчанням, у сфері охорони здоров’я та наук про життя в компанії DataArt, а також проводить освітні та тренінгові програми для розробників, які займаються вирішенням бізнес-проблем за допомогою методів машинного навчання. До роботи в DataArt Долгіх 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?

Прагнення до пошуків зв’язків між явищами та фактами. Я завжди люблю читати. Мені подобаються книги. Університет відкрив для мене нове джерело інформації – статті. На певному етапі стало очевидним, що отримання повної картини, кристалізація прекрасної істини 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, а чорних скриньок немає.

Ви зараз навчаєте та тренуєте розробників, які займаються вирішенням бізнес-проблем за допомогою методів машинного навчання. Чи існує певна галузь машинного навчання, на яку ви звертаєте особливу увагу, наприклад, глибоке навчання?

Так, глибоке навчання – це дуже популярний і, якщо бути чесним, потужний інструмент; ми не можемо його ігнорувати. Особисто мені більше подобається баєсівська інтерпретація класичних алгоритмів, або навіть поєднання нейронних мереж і баєсівського підходу – наприклад, баєсівський варіаційний автоенкодер. Але я вважаю, що найважливіше, чого треба навчити нових спеціалістів з машинного навчання, – це не використовувати машини навчання як чорну скриньку, а сприймати основні принципи, які лежать в основі кожного методу. 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 та їхніх помилок?”. У статті ви виклали переваги та недоліки прийняття результатів від машинних радіологів порівняно з людськими радіологами. Якби вам довелося вибирати між людиною та машиною, яка давала б вам результати, яку ви обрали б і чому?

Я віддаю перевагу людському радіологу. Не тому, що маю особливе знання про те, що штучний інтелект сильно схильний до помилок і рішення внутрішньо хибні. Ні, це більше питання емпатії та психологічної природи. Я хочу підтримувати людських лікарів під час цього складного періоду. Крім того, я вважаю, що в найближчому майбутньому ми побачимо лише те, як штучний інтелект підсилює людську здатність.

Ви недавно написали білу книгу під назвою “Вплив штучного інтелекту на тривалість життя“. У цій книзі ви зазначили, що штучний інтелект повинен бути розглянутий як інструмент у пошуках довшого життя. Які з методологій штучного інтелекту можуть бути найбільш перспективними для досягнення довшого життя людини?

Сьогодні новий інструмент штучного інтелекту починає працювати в наукових лабораторіях нарівні з класичними інструментами та підходами. Це сам по собі обнадійливе. Штучний інтелект тут, щоб допомогти нам, а не замінити нас у боротьбі з величезними кількостями даних, які заповнюють не тільки лабораторії, але й нашу особисте життя.

Також у тій же білий книзі згадується твердження директора Biogerontology Research Foundation та генерального директора Insilico Medicine 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 та переконанням, я повинен базувати свої рішення на фактах, на розумінні прогресу наукових методів у цій галузі. Ми зробили вражаючий стрибок у сфері генетики, біотехнологій та медицини загалом, і це посилює мою віру. І не забувайте, що суттєва частина успіху в збільшенні тривалості життя полягає в здоровому середовищі та здоровому способі життя, тому нам потрібно працювати над цим.

У тій же білий книзі ви також згадуєте можливість завантаження свідомості (трансгуманізм). Ви вважаєте, що це колись стане реальністю, і як це робить вас особисто?

Я багато думав про це. Щиро кажучи, це робить мене розчарованим. Я вважаю, що ми асоціюємо особистість з тим, що бачимо в дзеркалі, і для мене важко відокремити мою особистість від мого тіла. Тим не менш, це не означає, що це неможливо. І, так, я вірю, що колись завантаження свідомості стане можливим. Наслідки значно складніше передбачити.

Ви зараз очолюєте напрямок штучного інтелекту, охорони здоров’я та наук про життя в DataArt. Які з проектів зараз найцікавіші для DataArt?

У нас є проект, присвячений розробці нових лікарських засобів. Це надихає, як комп’ютерні методи розвинулися для підтримки та спрямування прогресу в медичній хімії та 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 любитель книги, я також хочу запитати, які книги ви рекомендуєте?

• Джудея Перл “Причинність: Моделі, висновок та інференція“. Назва самозрозуміла – книга про причинно-наслідкові зв’язки. Якщо (коли-небудь) ми хочемо мати справжній штучний інтелект, нам потрібно буде навчити його висновку про причину та наслідок;
• Якщо вас цікавлять причинно-наслідкові методи, то фундаментальна робота Дафни Коллер та Нір Фрідмана “Вероятністські графічні моделі: Принципи та техніки” буде правильним вибором;
• Ми очікуємо, що потужний штучний інтелект зможе зрозуміти нас. Тому нам потрібно навчити йому мови. Обробка природної мови займається проблемою розуміння природніх мов. У мене є дві книги на увазі, які допомогли мені багато:
• Йоав Голдберг, “Методи нейронних мереж у обробці природної мови (Синтез лекцій з технологій людської мови)“, 2017
• Крістофер Д. Меннінг, Прабхакар Рагхаван, Гінріх Шютце “Введення в інформаційне відновлення, 2009
• Не впевнений, чи наступна книга присвячена штучному інтелекту, але вона демонструє нестандартний підхід до статистики та передбачень, який буде корисним для будь-якого дослідника штучного інтелекту: Бертренд С. Кларк, Дженніфер Л. Кларк “Прогнозна статистика: Аналіз та 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 та діяльності. Ця тенденція збільшує відповідальність у розробці програмного забезпечення, оскільки сьогодні це не тільки про створення сайту для магазину, наприклад, у випадку якого помилка розробника матиме мінімальні наслідки. Сьогодні помилка розробника може стати національною або світовою катастрофою, якщо вона стосується програми, яка контролює функціонування, наприклад, атомної електростанції. Відповідальний підхід DataArt до розробки програмного забезпечення в широкому сенсі дає мені впевненість у тому, що ми розробляємо, і я дуже горджуся тим, що є частиною компанії та роботи, яку ми робимо.

Що стосується іншого недавнього проекту, минулого року DataArt запустила прототип програми під назвою “SkinCareAI”, яка аналізує зображення шкіри для виявлення ранніх ознак меланоми. Featuring the latest advancements in machine learning (ML) technology, SkinCareAI була розроблена експертом DataArt з машинного навчання Андрієм Сорокіним для участі в Міжнародному конкурсі зображень шкіри (ISIC).

Щоб дізнатися більше про деякі інші наші проекти та кейси, перейдіть на сторінку DataArt у сфері охорони здоров’я та наук про життя.