Specjalista od data science to najseksowniejszy zawód świata, uznał w 2012 roku „Harvard Business Review”. W kolejnych latach prestiż tej profesji tylko rósł. Dziś ludzie umiejący pracować z danymi są pożądani w każdej dziedzinie gospodarki, a na dodatek wciąż jest ich zbyt mało. Czy jednak słusznie kompetencje w obszarze data science stawiamy ponad wszystkimi innymi umiejętnościami?

W przekonaniu, że jedna technologia może mieć uniwersalne zastosowanie, jest coś z wiary w magiczną różdżkę. O tym, dlaczego takie podejście do analityki danych i – szerzej – sztucznej inteligencji jest naiwne i szkodliwe, można się było dowiedzieć podczas konferencji Infoshare AI & Data Science w Warszawie.

Bo do tanga trzeba dwojga

Pozbawiona dziedzinowego wsparcia sztuczna inteligencja to odpowiednik naturalnej głupoty w świecie maszyn – mówił Łukasz Paciorkowski z firmy A4BEE. Choć w swoim wystąpieniu poświęconym wykorzystaniu SI w biotechnologiach podkreślał pozytywną rolę, jaką data science i SI mogą odegrać w testowaniu biofarmaceutyków, zauważył, że same algorytmy i analityka w tym przypadku nie wystarczą. Dlaczego? Bo nie da się tworzyć leków korzystając z narzędzi, którym towarzyszy problem czarnej skrzynki (tzn. nieprzejrzystych mechanizmów działania algorytmów) – wyjaśniał.

Skuteczność SI w biotechnologiach będzie więc możliwa tylko wtedy, gdy praca z danymi zostanie uzupełniona o wiedzę merytoryczną. Nie dotyczy to zresztą tylko tej jednej dziedziny wiedzy. Paciorkowski apelował do słuchaczy, którzy planują karierę w data science, by nie ograniczali się do ściśle technicznego obszaru, ale rozszerzali swoje kompetencje na innych polach.

Potrzebujemy data science do rozwiązywania konkretnych problemów – przekonywał. – Żeby móc to robić, trzeba mieć wiedzę z obszaru, którego dany problem dotyczy. Bądźcie więc specjalistami od data science zorientowanymi na jakiś cel. Dopiero wtedy będziecie skuteczni.

Bez prostej recepty

Tego, że sztuczna inteligencja nie jest środkiem automatycznie rozwiązującym wszystkie problemy, dowodził także Piotr Krajewski z Cancer Center, który opowiadał o wykorzystaniu uczenia głębokiego w diagnostyce nowotworów.

Pomysł na zastosowanie SI w onkologii przyszedł mu do głowy, gdy dowiedział się o rozbieżnych opiniach histopatologicznych wystawionych przez dwa różne laboratoria diagnostyczne. Wraz ze swoim zespołem postanowił wspomóc specjalistów odpowiedzialnych za wykrywanie zmian nowotworowych a przy okazji skrócić czas potrzebny do postawienia diagnozy. Było to jednak trudniejsze, niż początkowo sądził.

Głównym problemem okazały się dane, a raczej ich brak. Wynikało to przede wszystkim stąd, że większość próbek nie była zdigitalizowana. Nawet jednak, gdy były one dostępne w postaci cyfrowej, to często brakowało ich odpowiedniego opisu. Brak potwierdzenia histopatologicznego rodził niepewność, czy określona zmiana nowotworowa jest złośliwa, czy nie. Dochodziły do tego jeszcze różne kryteria klasyfikacji nowotworów. Wszystko to ograniczało możliwość wytrenowania SI do trafnego wykrywania raka.

Zespół z Cancer Center musiał także pokonać nieufność lekarzy wobec narzędzi diagnostycznych wykorzystujących SI. Jak zaznaczył Krajewski, po czterech latach od rozpoczęcia prac otwartość środowiska medycznego jest znacznie większa. Dziś Cancer Center dysponuje już narzędziami wspomagającymi rozpoznawanie nowotworów. Nie jest to jednak rozwiązanie, które miałoby działać zupełnie samodzielnie. Na razie jest uzupełnieniem człowieka i ma służyć pomocą w zdobyciu drugiej bądź trzeciej opinii specjalistycznej.

Serwis Sztuczna Inteligencja objął konferencję Infoshare AI & Data Science patronatem medialnym.

Skip to content