Дж. Д.: Возможно. Но хотелось бы, чтобы этим занимались люди, обладающие нужным опытом. Мне кажется, что регулирование порой происходит с задержкой, так как государственные структуры пытаются угнаться за стремительно меняющейся ситуацией. В таких вопросах нужна не реакция под влиянием момента, а информированный диалог с людьми на местах.

Разрабатывая сильный ИИ, важно помнить об этических аспектах. Именно поэтому Google выпустила документ, в котором четко и недвусмысленно перечислены принципы, которыми руководствуется в исследованиях. Мы думаем не только о техническом развитии, но и о том, какие проблемы мы хотим решать и какими способами.

Дафна Коллер

“Если мы откажемся от технологического прогресса, его осуществит кто-то другой, возможно, имеющий не такие мирные намерения".

Генеральный директор и основатель компании INSITRO, внештатный преподаватель computer science в Стэнфорде

Дафна Коллер – бывший профессор computer science в Стэнфорде. Вместе с Эндрю Ыном основала образовательную онлайн-компанию Coursera и стала ее президентом. Была директором по информационным технологиям компании Calico. Внесла значительный вклад в область байесовского машинного обучения и представления знаний. Степени бакалавра и магистра получила в Еврейском университете в Израиле, а степень доктора наук в области computer science – в Стэнфорде. Имеет множество наград, в том числе стипендию Макартура. Член AAAI и Национальной инженерной академии. В 2013 г. попала в список 100 самых влиятельных людей мира по версии журнала Time.

Мартин Форд: Расскажите о вашем стартапе insitro.

Дафна Коллер: Мы в insitro надеемся, что большие данные и машинное обучение вкупе с новейшими медико-биологическими разработками помогут ускорить, удешевить и сделать более эффективным процесс разработки лекарственных средств.

Я начала заниматься машинным обучением в сфере здравоохранения 17 лет назад, когда большим считался набор данных из нескольких десятков выборок. Сейчас британский UK Biobank хранит миллионы биообразцов. При этом технологии позволяют создавать модели биологических систем и экспериментировать с ними с беспрецедентной точностью и пропускной способностью.

Без наших разработок показатели успешности клинических испытаний крайне низки: стоимость создания каждого нового лекарства (с учетом неудачных попыток) оценивается более чем в 2,5 млрд долларов, а доходность от инвестиций в эту сферу постоянно снижается и согласно некоторым расчетам станет нулевой к 2020 г. Происходящее объясняют, в частности, тем, что уже найдены лекарства, которые эффективно работают для большинства, и впереди более сложная работа.

М. Ф.: То есть компания insitro планирует совмещать экспериментальные работы с машинным обучением. Как это реализовать в рамках одной компании?

Д. К.: Труднее всего заставить ученых и специалистов по данным работать как равные партнеры. Во многих компаниях направление задает одна группа, а все остальные отходят на второй план. В insitro мы пытаемся сформировать культуру, в которой ученые, инженеры и специалисты по данным работают в тесном и равноправном сотрудничестве.

М. Ф.: Насколько важно машинное обучение в сфере здравоохранения?

Д. К.: Машинное обучение имеет смысл применять в сферах, где можно накопить большие объемы данных. При этом нужно, чтобы специалисты в проблемной области одновременно разбирались в машинном обучении и понимали, как с помощью этой технологии решать имеющиеся задачи.

Сегодня без проблем можно получить большой объем данных из таких ресурсов, как UK Biobank или All of Us. Кроме того, появились удивительные технологии, например, CRISPR, синтез ДНК, секвенирование нового поколения и другие вещи, позволяющие создавать большие наборы данных на молекулярном уровне.

Уже можно начинать деконволюцию одной из самых сложных систем: биологии людей и других организмов. Для науки это невероятная возможность.

М. Ф.: Как возник ваш интерес к ИИ?

Д. К.: В аспирантуре в Стэнфорде я занималась вероятностным моделированием. Сейчас бы сказали, что я занимаюсь ИИ, но в сфере ИИ в то время в основном фокусировались на логических рассуждениях.

Потом я стала работать в Беркли и задумалась о связи моих разработок с реальными проблемами. В 1995 г. я вернулась в Стэнфорд как преподаватель и занялась вещами, связанными со статистическим моделированием и машинным обучением, подбирая к ним прикладные задачи.

Какое-то время я работала в области компьютерного зрения и робототехники, а с 2000 г. перешла в сферу здравоохранения. Меня всегда интересовало обучение с применением новейших технологий, в результате чего в 2011 г. появились три массовых открытых онлайн-курса, которые вирусным образом приобрели невероятную популярность. Это дало толчок к созданию проекта Coursera.

М. Ф.: Прежде чем мы начнем разговор об этом проекте, я хочу узнать о ваших исследованиях. Вы занимались байесовскими сетями и интеграцией вероятностного подхода в машинное обучение. Эти вещи можно использовать с нейронными сетями глубокого обучения?

Д. К.: На этот вопрос нет однозначного ответа. Вероятностные модели лежат между моделями, которые кодируют предметные знания интерпретируемым образом (имеющим смысл для людей), и моделями, которые передают статистические свойства данных. Глубокое обучение направлено на точность прогнозирования, зачастую в ущерб интерпретируемости, столь важной в медицинских приложениях. Хотя, конечно, способность обходиться без предварительно накопленных знаний, извлекая всю необходимую информацию из данных, имеет много преимуществ. Было бы здорово соединить все это.

М. Ф.: Расскажите о проекте Coursera.

Д. К.: Мы изо всех сил пытались выяснить, в каком направлении лучше всего двигаться. Стоит ли продолжить деятельность на базе Стэнфорда? Или создать некоммерческую организацию? Или открыть компанию? В итоге нам показалось, что максимальный результат даст создание компании. И в январе 2012 г. появилась Coursera.

М. Ф.: Я помню весь этот шум в СМИ о том, что теперь для обучения в Стэнфорде достаточно мобильного телефона. Мне кажется, ажиотаж в изрядной степени был вызван людьми, которые, уже имея высшее образование, посещали сайт Coursera с целью повышения квалификации. Ведь вопреки многочисленным предсказаниям студенты продолжают обучаться стандартным способом. Или со временем ситуация может поменяться?

Д. К.: Первым делом подчеркну, что мы никогда не позиционировали себя как замену полноценного высшего образования. Разумеется, разговоры на эту тему периодически возникали, но лично я не считаю эту идею хорошей. В 2012 г. утверждалось, что массовые онлайн-курсы оставят университеты без работы. Спустя год начались разговоры о том, что раз университеты все еще функционируют, идея массовых открытых онлайн-курсов провалилась. Оба утверждения представляют собой нелепые крайности, типичные для шумихи.