Podcast

Sztuczna inteligencja i autyzm

Co 59 dziecko rodzi się z autyzmem. Co to jest? Dlaczego warto wykrywać autyzm jak najwcześniej? Czy da się zdiagnozować autyzm przy pomocy uczenia maszynowego? O tym i nawet więcej, dowiesz się z dzisiejszego wywiadu.

Zanim przejdę do tematu głównego, mam dla Ciebie szybkie przypomnienie. 14 marca 2020 r. w sobotę w Krakowie odbędzie się pierwsze spotkanie dla słuchaczy i czytelników Biznes Myśli z okazji 3 lat podcastu i bloga. Tak, to już 3 lata minęły! Spotkamy się w małym gronie osób po to, żeby się poznać na żywo, wymienić się opiniami, doświadczeniami.

Jeżeli interesują Cię tematy poruszane tutaj oraz w podcaście i chcesz, żeby nasz społeczność się dalej rozwijała (chcesz pomóc, podpowiedzieć, podzielić się swoją opinią i pomysłami), to jest miejsce, gdzie warto się spotkać i o tym porozmawiać. Również jeżeli zależy Ci na tym, żeby poszerzyć sieć swoich kontaktów i poznać ludzi, którzy w ten czy w inny sposób są związani z uczeniem maszynowym – nie może Cię zabraknąć. Gorąco zapraszam. Będzie wiele ciekawych osób w tym cały zespół Biznes Myśli.

Dołącz także do wydarzenia na Facebooku lub Linkedin, aby być na bieżąco.


Przejdźmy do dzisiejszego tematu. Miałem przyjemność porozmawiać z dwojgiem niesamowitych gości – Anią oraz Krzyśkiem z Harimaty. Poruszyliśmy bardzo trudne tematy i gorąco zapraszam do lektury.

Cześć. Dzisiejszy wywiad jest wyjątkowy – mamy dwóch gości jednocześnie. Jest nas trójka. Po raz pierwszy się to wydarzyło w historii Biznes Myśli. Jest też wyjątkowy, ponieważ rozmawiamy o niezwykłych sprawach.

Aniu i Krzyśku, przedstawcie się kim jesteście, gdzie mieszkacie, czym się zajmujecie.

A: Nazywam się Ania Anzulewicz. Jestem psychologiem, kognitywistką i projektantką. Na co dzień zajmuję się łączeniem świata psychologii i świata biznesu po to, żeby wytwarzać innowacje społeczne i tworzyć technologie, które służą dobru społecznemu. Mieszkam obecnie w Warszawie, natomiast jestem wciąż bardzo związana z Krakowem. Pracuję trochę na uniwersytecie, a trochę zajmuję się rozwijaniem innowacyjnych rozwiązań. 

K: Cześć. Z tej strony Krzysiek Sobota. Jestem informatykiem i zajmuję się bardzo szeroko rozumianym software developmentem razem z machine learningiem. Razem z Anią działamy w podobnego typu projektach, łączących zagadnienia społeczne i psychologiczne z technologią. 

Łączycie rzeczy, które nie są trywialne same w sobie. Uczenie maszynowe jest tematem bardzo trudnym i rozległym. Cały czas w podcaście o tym mówimy. Dodatkowo dochodzi tu temat psychologii, która tak naprawdę jest kolejną skomplikowanym elementem w tej układance. Zanim przejdziemy do tych tematów, powiedzcie, co ciekawego ostatnio przeczytaliście? Dlaczego akurat warto to przeczytać albo się z tym zapoznać?

A: Powiem od takiej strony nie biznesowej, bo podejrzewam, że czytelnicy mogliby być zainteresowani takimi poradami natury bardziej biznesowej albo wykorzystaniem machine learningu w biznesie. Natomiast ja chciałam opowiedzieć o czymś z zupełnie innej strony. Czytam bardzo dużo książek popularnonaukowych i ostatnio jestem zachwycona książkami Fransa de Waala, który jest prymatologiem. Pisze o emocjach zwierząt, o ich inteligencji i o tym, jak bardzo świat zwierzęcy na różnych poziomach jest podobny do siebie.

To daje bardzo ciekawą perspektywę myślenia o tym, kim jesteśmy jako ludzie, jakie mamy unikalne możliwości i zdolności, a w jakich aspektach jesteśmy podobni do całej reszty zwierząt? To jest coś, co mnie zainspirowało ostatnio najbardziej. Bardzo polecam książki Fransa de Waala, przede wszystkim „Mama’s last hug”, albo „Bystre zwierzę”. Również niektóre z nich są dostępne po polsku. Niesamowicie inspirująca sprawa.

K: Również polecam książki, o których Ania wspomniała. Są naprawdę fajne i ciekawe do przeczytania. Ze swojej strony mogę polecić artykuł Marcina Rotkiewicza dotyczący terapii komórkami macierzystymi w Polsce. Jest to taki dość smutny temat i troszeczkę obrazuje, jak czasem można wykorzystać w zły sposób połączenie rzeczy związanych z nauką i biznesem. To też w kontekście tego, o czym będziemy później rozmawiać.

Myślę, że stanowi to ciekawe rozszerzenie odnośnie telemedycyny i ogólnie urządzeń medycznych i ich wdrażania w Polsce. Myślę, że to jest artykuł, który zdecydowanie polecam przeczytać. Niestety w chwili obecnej jestem tak mocno zajęty pracą, że zaniedbałem się troszeczkę w czytaniu rzeczy luźniejszych. W zasadzie to jest ta jedna rzecz, którą chciałem polecić. 

Z Waszych wypowiedzi już słychać, że dzisiejszy temat będzie przeplatany tematami medycyny (w szczególności psychologią). Rozwijacie bardzo ciekawy startup Harimata, który łączy kilka dziedzin (psychologię, biologię, uczenie maszynowe), aby pomagać dzieciom. Chyba skupiacie się tylko na dzieciach i na diagnozowaniu autyzmu.

Zanim przejdziemy do rozwiązania to ustalmy cały kontekst. Czym jest autyzm? Jak ta choroba jest wykrywalna? Dlaczego tym się zajmujecie? Jak duża jest skala tego zjawiska na ten moment? Jak ten trend zmienia się w czasie?

A: Zacznę od tego, że autyzm nie jest chorobą. Autyzm jest całościowym zaburzeniem rozwoju, który dotyka różnych sfer życia. Lubię myśleć o autyzmie, nie w kontekście zaburzenia, tylko w kontekście pewnego innego, atypowego rozwoju mózgu, który się przekłada na inny sposób odbierania świata, który osoby z autyzmem mają. Określenie autyzm to jest bardzo duży worek na różne zjawiska. Mówi się, że jeśli widziałeś osobę z autyzmem to widziałeś jedną osobę z autyzmem. Nie wiesz, jak wygląda autyzm, dlatego że może się to zaburzenie manifestować na bardzo różne sposoby.

Natomiast są pewne bardzo typowe, powtarzające się cechy, które są obserwowane u różnych osób z autyzmem. To są przede wszystkim trudności w komunikacji, zaburzenia w rozwoju języka, a także trudności w zakresie nawiązywania relacji społecznych (rozumienia tych relacji). Dodatkowo u osób z autyzmem, często pojawiały się pewne sztywne i stereotypowe zachowania i zainteresowania.

Jeżeli chodzi o zainteresowania, od razu mi przychodzi do głowy jedna z takich najbardziej wokalnych autystyczek, czyli Greta Thunberg, która niesamowicie dużo zrobiła dla walki z globalnym ociepleniem. Dzięki niej rozpoczął się cały ruch społeczny mający na celu działania na rzecz poprawy stanu klimatu. Greta powiedziała coś bardzo ciekawego. Mianowicie to, że ona nie jest działaczką środowiskową pomimo tego, że ma autyzm, tylko właśnie dlatego. Dzięki temu jest w stanie zająć się przez dłuższy czas tym, co jest dla niej ważne nie zwracając uwagi na to, że świat tego nie rozumie, bo przez długi czas tak było. To jest kwestia myślenia o autyzmie nie tylko w kontekście problemów, ale też w kontekście mocnych stron. 

Niestety są też te bardziej problematyczne strony. Osoby z autyzmem, często mają podwyższoną wrażliwość na bodźce i ograniczoną możliwość przyswajania różnych informacji z otoczenia. Mogą być bardzo wrażliwe na dźwięk, światło, intensywne kolory. Przez to jest im trudno się odnaleźć w takim świecie, w którym osoby tzw. neurotypowe, o typowym wzorcu rozwoju mózgu radzą sobie świetnie.

Ten społeczny, kolorowy, pełen dźwięków świat, niekoniecznie jest dobrym miejscem dla osób z autyzmem. Tutaj ważne jest to, żeby tym osobom jak najbardziej i jak najszybciej pomóc w tym, żeby mogły sobie radzić w tym świecie. Jedyną metodą, żeby to zrobić dobrze, jest wczesne zauważenie tych trudności i właściwe zareagowanie na nie. Autyzm nie jest chorobą, a innym wzorcem rozwoju. Nie jest czymś, z czego się wyrasta, tylko towarzyszy przez całe życie. Dobrze by było, gdyby zarówno osoba z autyzmem, jak i całe jej otoczenie z odpowiednim zrozumieniem reagowały na siebie. 

Jeśli chodzi o rozpowszechnienie autyzmu, to obecnie szacuje się, że dotyka to zaburzenie 1 na 59 dzieci. Te statystyki od kilkudziesięciu lat wyglądają coraz bardziej dramatycznie. Jest coraz więcej wykrywalnych przypadków autyzmu, co jest częściowo związane z tym, że świadomość społeczna jest większa i kryteria diagnostyczne się zmieniają. Niezależnie od tego wygląda na to, że tych przypadków jest więcej i większą liczbę dzieci dotyka to zaburzenie. Co ciekawe autyzm czterokrotnie częściej dotyka chłopców niż dziewczynki. Przekłada się to na to, że u dziewczynek bywa diagnozowany bardzo późno albo nie bywa diagnozowany wcale, co jest też problemem. 

To co jest bardzo ciekawe to to, że autyzm ma bardzo zróżnicowaną etiologię, natomiast zdecydowana większość (ale nie wszystkie!) powodów występowania autyzmu ma charakter genetyczny. Wiemy, że pewne czynniki środowiskowe, tj. zanieczyszczenie środowiska czy wiek ojca, przekładają się na zwiększone ryzyko autyzmu. Bardzo ważne jest to, że autyzm można diagnozować w pierwszych latach życia dziecka. Zaburzenia są widoczne w pierwszych trzech latach, natomiast przeciętny wiek diagnozy jest powyżej 4 roku życia.

W przypadku niektórych dzieci jest to wiek przedszkolny – idą do przedszkola i okazuje się, że mają trudności w nawiązywaniu kontaktów, nie mogą się dogadać z rówieśnikami albo nie mówią. To są takie bardzo typowe przykłady. Jeśli autyzm jest wykryty w przedszkolu, to jest nie najgorzej. Niestety wiele dzieci jest diagnozowanych dużo później, już w wieku szkolnym albo nawet na studiach.

Mam kolegę, który dostał diagnozę tuż przed obroną doktoratu. Wygląda to bardzo różnie. Niestety konsekwencją jest to, że dzieci, które nie są zdiagnozowane wcześnie, później przez całe życie czują się jakieś inne. Nie rozumieją świata, w którym się obracają, dlatego że odbierają ten świat w inny sposób. Właśnie dlatego niesamowicie ważne jest to, żeby wykrywać trudności rozwojowe tak szybko jak tylko możliwe. 

To, co chcieliśmy zrobić w Harimacie od początku, to sprawić, że ten trudny proces wykrywania był nie dość że wcześniejszy, to jeszcze mniej stresujący zarówno dla dziecka jak i dla rodzica. Jest to o tyle ważne, że wczesne wykrycie doprowadzi do wczesnej interwencji terapeutycznej, która później przekłada się na diametralne różnice w jakości życia takiego dziecka i nie tylko. Tak naprawdę wpływa to na całą jego rodzinę i na to, co się dzieje później w ich życiu. 

Wyciągając wniosek z Twojej odpowiedzi – problem, który próbujecie rozwiązać jest taki, aby jak najszybciej zdiagnozować pewne symptomy, które wskazują na autyzm. Teraz spróbujmy przejść do konkretów. W jakim stopniu zaawansowania jest Wasze rozwiązanie? Czy już przynosi pewne efekty?

A: Przeprowadziliśmy do tej pory kilka badań. Były to badania dotyczące wykorzystania naszych rozwiązań czyli Play.Care (aplikacja na tablet). Najpierw przeprowadziliśmy badanie w grupie przedszkolaków z autyzmem i typowo rozwijających się dzieci. Chcieliśmy sprawdzić, czy na podstawie analizy danych dotyczącej wzorców ruchowych dzieci w interakcji z tabletem, możemy wyciągać wnioski dotyczące tego, czy dziecko cierpi na zaburzenie, czy też nie.

Pierwsze badanie, które przeprowadziliśmy już kilka lat temu pokazało, że dzięki połączeniu sposobu zbierania informacji z tabletu i zaprzęgnięcia do tego algorytmu sztucznej inteligencji, jesteśmy w stanie z ponad 90% skutecznością wykrywać wzorce ruchowe związane z autyzmem. Nie mówimy, że wykrywamy autyzm, bo tego de facto nie wiemy, czy to jest autyzm, czy korelaty autyzmu (czyli coś, co jest związane z tym zaburzeniem, ale jednak jest czymś trochę innym). Obecnie przebadaliśmy już ponad 1000 dzieci – dzieci z autyzmem, typowo rozwijających się oraz dzieci z innymi zaburzeniami rozwoju niż autyzm. 

W tym momencie jesteśmy na etapie badań klinicznych. Skończyło się zbieranie danych, natomiast czekamy na wyniki analiz, które pokażą nam, jak skuteczna jest to metoda w wykrywaniu korelatów autyzmu w różnych krajach. Prowadziliśmy badania zarówno w Polsce, jak również w Szwecji i Wielkiej Brytanii. Mam nadzieję, że w przeciągu najbliższych kilku miesięcy będziemy mieć już oczekiwane wyniki. Jesteśmy w takim przełomowym momencie. W zależności od wyników tych badań klinicznych, będziemy wiedzieli, co dalej można zrobić z tą technologią. To jest jedna sprawa.

Druga sprawa jest taka, że tablety mają pewne ograniczenia. Nie możemy stosować ich w przypadku dzieci młodszych niż 2 lata. Tutaj w ramach działalności naukowej będziemy prowadzić badania, które dotyczą wykrywania różnych zaburzeń rozwoju u dzieci młodszych niż 2 letnie.

Oczywiście nie da się tego zrobić przy pomocy tabletów, natomiast można wykorzystać mobilne sensory ruchu, akcelerometry, żyroskopy. Będziemy się skupiać na badaniu dzieci poniżej 1 roku życia. Współpracujemy z Baby Labem na Uniwersytecie Warszawskim i z laboratorium z Glasgow, które zajmuje się opracowywaniem innowacji technologicznych w kontekście autyzmu. Wspólnie z naukowcami z Glasgow zajmujemy się rozwijaniem technologii w taki sposób, żeby jak najmłodsze dzieci mogły być otoczone opieką, wczesną diagnozą i terapią docelową.

Odnosząc się do tego, że dzieci poniżej 2 lat niekoniecznie radzą sobie z tabletem. Ja mam takie wrażenie, bo akurat jestem ojcem i obserwuję różne historie, że teraz dzieci nie mając roczku potrafią już tabletami i innymi gadżetami się posługiwać. 

Idąc w szczegóły samego rozwiązania, omówmy przykład, jak to dokładnie działa. O ile dobrze rozumiem mamy tablet, na którym otwiera się jakaś gra i następnie są wzorce, które dziecko prawdopodobnie ma poruszyć paluszkiem. Na podstawie tego jaki kształt się pojawia, stwierdzacie albo A albo B, czyli albo te ruchy wskazują na dziecko z autyzmem albo nie. Czy dobrze to rozumiem? Jak to działa tak technicznie, bardziej manualnie?

K: To, co powiedziałeś jest prawidłowe, czyli używamy tabletów. Są to bazowo iPady z racji tego, że są najbardziej stabilne pod względem hardware’u. Sam test jest stworzony na bazie dwóch gier. Każda ma za zadanie sprawdzać inne aspekty ruchowe dziecka. Tak jak wspomniałeś, w trakcie rozgrywki dziecko porusza palcem po ekranie tabletu. My te dane zbieramy z touchscreena, a także zbieramy dane pochodzące z sensorów zawartych w urządzeniu. Jest to akcelerometr i żyroskop. Po takiej rozgrywce całość danych jest przetwarzana. Robiony jest feature extraction, a następnie podpięte modele machine learningowe wykonują predykcję. W bazowym przypadku mamy tu rozróżnienie pomiędzy dziećmi typowo rozwijającymi się i dziećmi ze spektrum autyzmu. Natomiast tak jak Ania wspomniała, jeszcze w tym momencie badamy rozróżnienie pomiędzy zaburzeniami rozwoju. 

Jeżeli chodzi o samą formę testu, to są to dwie gry. Rozgrywka dla każdej z nich trwa 5 minut. W trakcie tej rozgrywki dziecko gra całkowicie samo, bez pomocy osób dorosłych. Jeżeli chodzi o rzeczy, które badamy w trakcie rozgrywki, to całość jest podzielona na dwie części. Pierwsza jest związana stricte z ruchem i kinematyką ruchu, które dziecko wykonuje.

Bazuje to na teorii, która mówi, że istnieją różnice w motoryce u dzieci typowo rozwijających się i dzieci ze spektrum autyzmu. Druga część jest powiązana z zachowaniem dziecka podczas gry. Tutaj przykładowo mogę powiedzieć, że dzieci ze spektrum autyzmu często odchodzą od głównego celu rozgrywki i skupiają się na rzeczach dodatkowych, które nazywamy dystraktorami. Już na takiej podstawie zachowania użytkownika, możemy wyciągnąć pewne wnioski. 

W uczeniu maszynowym problemem, który często spotykamy to zebranie danych. Ciekawy jestem, jak Wy sobie radzicie ze zbieraniem informacji, dzięki którym możecie stwierdzić, czy np. to dziecko ma spektrum autyzmu? W Waszym przypadku pewnie trochę to czasu zajmuje. Może trochę krócej jak w przypadku kredytów hipotecznych, w przypadku których dopiero po 10-15 latach dowiadujesz się, czy dana osoba spłaca kredyt. Zastanawiam się, w jaki sposób Wy zbieraliście dane? Czy to było tak, że ktoś już za Was to wcześniej zrobił? Czy to była hipoteza? 

K: Całość danych, którymi w tym momencie dysponujemy, zebraliśmy sami od początku do końca. Tak jak Ania wspomniała, przeprowadziliśmy kilka badań. Fizycznie pracownicy firmy jeździli do różnych ośrodków terapeutycznych, klinik, przedszkoli i badali dzieci. Rekrutowaliśmy rodziców i dzieci do badań. Jeździliśmy do danego ośrodka terapeutycznego, w którym zwykle mieliśmy wydzielony pewien pokoik. Tam dziecko dostawało tablet do ręki i przeprowadzany był test. Dane te bezpośrednio z tabletu przesyłaliśmy do serwerów po stronie firmy. Natomiast całość (1000 pełnych próbek) zebraliśmy wewnątrz firmy własnymi rękoma. 

Doprecyzuję to pytanie. Rozumiem, że zbieraliście dane samodzielnie, ale informacja o tym, czy autyzm występuje, czyli czy tzw. label był przed tym, jak dane zbieraliście, czy de facto dowiedzieliście się o tym po kilku latach i powiedzmy dziecko, które było sprawdzane dwa lata wcześniej, już teraz ma zdiagnozowany autyzm? W którym momencie pojawia się label?

K: Etykiety same w sobie mieliśmy już przed zebraniem danych i wszystkie dzieci, które zostały zdiagnozowane ze spektrum autyzmu, miały postawioną diagnozę kliniczną.

Czyli te dzieci miały już więcej niż 2 lata?

K: W większości tak. Dzieci, które brały udział w badaniu, to były dzieci w wieku 2,5 do 5 lat.

Obserwuję, jak uczenie maszynowe potrafi dawać fajne rozwiązania, ale w sytuacji, gdy dotykamy obszaru medycyny, występują pewne problemy. Obecnie pracuję nad przypadkiem związanym z rezonansem magnetycznym i widzę, jak duże opory pojawiają się, kiedy wyniki modelu są inne niż wnioski lekarzy. To oni mają wiedzę medyczną. Jeśli występują rozbieżności, to rodzi to duży konflikt – na tyle duży, że nie ma nawet pola do rozmowy, nie mówiąc w ogóle o wdrażaniu. Jak wygląda Wasza współpraca ze specjalistami w sytuacji, gdy Wasze badania pokazują inne rozwiązanie niż to dotychczas znane?

A: Napotkaliśmy dokładnie te same problemy, których można było się spodziewać. Jest to bardzo trudna współpraca, zwłaszcza jeśli rozmawiamy o czymś, co wymaga zmiany mentalnego podejścia do tego, czym jest wykrywanie zaburzeń i jak sobie z tym radzić. Na początku natrafiliśmy na bardzo duży opór ze strony zarówno diagnostów, jak i terapeutów.

Tak naprawdę dopiero po kilku latach współpracy miałam poczucie, że zaczęliśmy się docierać, aczkolwiek nie ze wszystkimi, tylko z wybraną grupą. To nie jest tak, że chcemy ich zastąpić, tylko chcemy pomóc. Ta zmiana w myśleniu była bardzo trudna. Wymagało to bardzo wielu proaktywnych działań, edukacji z naszej strony. Nie było to łatwe. Mam jednak wrażenie, że po tym jak się pojawiły i zostały opublikowane pierwsze wyniki, wtedy uwierzyli. Wcześniej trudno było wielu specjalistom nawet pomyśleć, że to jest jakiś ciekawy sposób podejścia do tematu. 

K: Ja pamiętam, że jeżeli chodzi o terapeutów, to mieliśmy większy problem. Początkowy opór, ale też chęć zrozumienia, w jaki sposób nasze modele podejmują decyzje i z czego wynika wynik. Dlatego też sporą część czasu poświęciliśmy na budowę takich modeli, które choć w jakikolwiek sensowny sposób byłyby w stanie przybliżyć praktykom, w jaki sposób sama aplikacja działa. To się też wiązało z pewnym balansem pomiędzy skutecznością działania, a objaśnianiem modeli.

Co ciekawe, w kontekście lekarzy pediatrów – byli nieco bardziej otwarci na rozwiązania technologiczne. Widać było, że więcej czytali na temat technologii, tego w jaki sposób machine learning sobie radzi w medycynie, do czego zaczyna być stosowany. Myślę, że to była miła rzecz, nieco odmienna niż to, z czym spotkaliśmy się w centrach terapeutycznych. Zarazem lekarze pediatrzy nieco bardziej docenili samą aplikację ze względu na to, że jednak oni nie są przeszkoleni w kontekście diagnozowania zaburzeń rozwoju bezpośrednio. Natomiast sami dostrzegli, że taki problem jest i ciężko jest sobie z nim poradzić. Na pewno taki wydźwięk się też pojawił w kontekście samych lekarzy.

To jest ciekawe. Myśląc o rozwiązaniach związanych z uczeniem maszynowym często jest taka teoria, że lepiej działające algorytmy są bardziej skomplikowane, de facto są black box albo grey box. Nie do końca jest wiadomo, jak dokładnie to działa, a nawet jeżeli wiadomo, że np. taka lub inna cecha mocniej wpływa na wynik, to nadal nie mając na to fundamentalnych dowodów, dość często pojawia się konflikt albo brak rozumienia, a co gorsza – właściwie brak chęci zainteresowania się tym.

Wasze doświadczenia dają więcej nadziei i wiary w przyszłość. Według mnie nie chodzi o to, żeby podważać fundamenty w jakiejkolwiek branży, tylko zwracać uwagę na rozwiązania, które realnie działają. Nie trzeba ich z miejsca wdrażać (to może być niebezpieczne), ale ignorowanie możliwości uzyskania lepszych efektów jest po prostu nierozsądne. Ten trend się na tyle dynamicznie rozwija, że już możemy zauważyć efekty osiągnięte dzięki uczeniu maszynowemu, które wcześniej nie były możliwe.

Często porównywane są różne diagnozy na poziomie człowieka. W tym przypadku niezwykłego człowieka – lekarza. Ciekawy jestem, w którym kierunku to będzie dalej się rozwijać. Mam nadzieję, że pojawi się większa otwartość i ciekawość. Jakie porady albo inspiracje można przekazać, żeby taka osoba otworzyła oczy i zainteresowała się nowymi technologiami, w szczególności uczeniem maszynowym?

A: Myślę, że przede wszystkim istotne jest to, że ułatwiamy im pracę. Jest to argument, który trudno zignorować. Tak naprawdę jest to kwestia ułatwienia i sprawienia, że będą mogli reagować szybciej. Mają jakąś wiedzę, którą dostarcza im urządzenie i nie muszą tej wiedzy pozyskiwać w inny sposób.

Był to taki moment przełomowy, kiedy byliśmy w stanie pokazać, że to nie jest kwestia dodawania pracy, tylko jest to coś, co rozwiązuje pewien problem i sprawia, że tej pracy jest mniej. Natomiast myślę, że będzie to jeszcze długa droga. Ta technologia nie jest transparentna, w związku z tym nie bardzo wiadomo, co tam działa. Z jednej strony brakuje nam tutaj zaufania do technologii, a z drugiej trudno się dziwić, że zwłaszcza taka osoba jak lekarz jest sceptyczna. Nie mam złotej rady, bo wydaje mi się, że słowo klucz to edukacja i pokazanie korzyści. Krzysztof, może coś dopowiesz ciekawego?

K: Zgadzam się z Tobą w tej kwestii. Myślę, że pokazywanie lekarzom możliwości, które przed nimi się otwierają: oszczędności czasu ich pracy, możliwości skupienia się na rzeczach, na które w tym momencie być może nie mają czasu, bo tak patrząc na pracę lekarzy (ile trwają wizyty lekarskie, znając przynajmniej kilku lekarzy), wszędzie słyszymy, że są przepracowani i przez to też pojawiają się błędy.

Machine learning na pewno może pomóc, przynajmniej w części tych prac. Same rozwiązania oparte na danych, żeby zmniejszyć liczbę błędów lekarskich (jesteśmy przecież tylko ludźmi), być może otworzą nowe perspektywy w kontekście samej pracy lekarza. Być może większe skupienie się na aspekcie ludzkim, na zostawianiu maszynom przynajmniej części prac. 

Tutaj myślę, że jeszcze jedna sprawa jest istotna. Spotykaliśmy się przez lata z takim podejściem, że chcemy kogoś zastąpić (diagnostę czy terapeutę). Jest to takie niezrozumienie. Kluczowe jest to, że ludzie i maszyny są lepsi w innych rzeczach, inne rzeczy robią dobrze. Nie chodzi o to, żeby maszyna robiła to, co człowiek tylko, żeby robiła to, co potrafi, a człowiek mógł się skupić na czym innym. Myślę, że to podejście jest bardzo ważne: pokazanie tego, że najlepiej robić to, w czym jesteśmy dobrzy. 

Powiedzieliście już, obecnie czekacie na wyniki badań klinicznych. Jakimi jeszcze projektami się zajmujecie? Jakie problemy jeszcze chcecie rozwiązać? Jakie rzeczy robicie również jako kolejną gałąź, a które są mniej znane?

A: Lista problemów do rozwiązania jest bardzo długa. Priorytetowe jest dla nas to, żeby zajmować się tematami, które są związane z szeroko pojętą diagnozą, wsparciem terapii i edukacją. Tutaj chcemy wykorzystywać nasze doświadczenia z zakresu łączenia wiedzy psychologicznej z technologią i machine learningiem do tego, żeby terapia w przyszłości była skuteczniejsza, niż jest obecnie. Bardzo ważne jest dla nas to, żeby do danych, które zbieramy podchodzić odpowiedzialnie.

Mamy w swoich rękach, nie tylko odpowiedzialność za to, jakie rekomendacje ktoś dostanie w aplikacji, ale też za to, jak będzie przebiegać jego proces diagnostyczny czy terapeutyczny, który może zadecydować o całym jego późniejszym życiu. Od początku naszej pracy to, co jest dla nas kluczowe to to, żeby opracowywać rozwiązania, które faktycznie mogą pozytywnie wpłynąć na życie osób, które doświadczają pewnych trudności (czy to są trudności rozwojowe, czy w funkcjonowaniu społecznym).

W przyszłości chcemy również wspierać wypracowanie takich rozwiązań, które przełożą się na lepsze życie osób z zaburzeniami nastroju, czy też innymi trudnościami tj. depresja. Ale to jest dopiero początek naszej drogi dlatego, że naszym ostatecznym celem jest łączenie psychologii i technologii po to, żeby poprawiać jakość życia osób na różnych etapach rozwoju.

K: Ogólnie rzecz biorąc to, o czym wspomniała Ania, czyli edukacja naukowców, przedsiębiorców w kontekście tego, co i jak mogą poprawić, jak mogą te dwa światy ze sobą współżyć i działać na wspólną korzyść – te rzeczy pochłaniają bardzo dużo czasu i są bardzo skomplikowane.

Z naszej perspektywy, z racji tego, że cały czas uczestniczymy w projektach, które są na pograniczu nauki (też na bardzo niskim poziomie) i biznesu, wiemy jak trudno jest sprawić, żeby część biznesowa i merytoryczna współgrały, a nie kłóciły się ze sobą. W szczególności jest to ważne, w kontekście (tak jak w naszym przypadku) medycyny i produktów z branży medycznej. 

Jak Was słucham teraz, to zastanawiam się, czy nie czujecie się w pewnym sensie pionierami? Odkrywacie ścieżki, po których wcześniej albo nikt nie chodził, albo jeżeli chodził, to w zupełnie rozłączny sposób. Czyli były ścieżki, gdzie chodziły jedne grupy, ścieżki gdzie chodziły drugie, trzecie grupy ludzi. A to co próbujecie zrobić to powiedzieć: „Hej, słuchajcie. Możemy tak naprawdę połączyć siły i zrobić coś, czego wcześniej nie było”. Czy czujecie się pionierami?

A: W pewnym sensie tak, przynajmniej na skalę polską, być może europejską. Poczuliśmy się tak zaczynając badania kilka lat temu, kiedy terapeuci i diagności tak naprawdę nie dowierzali, że przy pomocy technologii, możemy wesprzeć ich pracę.

Teraz trochę się to zmienia i coraz więcej specjalistów wspierających rozwój dzieci, widzi potencjał tych rozwiązań. Natomiast droga była długa do tego, żeby rzeczywiście środowisko specjalistyczne zaczęło akceptować tego rodzaju pomoc. Przez niechęć i sceptycyzm tych środowisk, napotkaliśmy trudności z przebiciem się. Ale taka jest cena robienia rzeczy po raz pierwszy. Cieszymy się, że już są pewne efekty.

K: Tak, w kontekście Polski zgadzam się. Tak obserwacyjnie patrząc na całość aktywności, które wykonujemy, to bardzo rzadko zdarza się sytuacja, żeby to połączenie działało od razu. Też bardzo jasno widać konflikty pomiędzy interesami obu grup. Czyli perspektywa czasowa w nauce jest nieco inna niż w biznesie, gdzie kwestia dowożenia rzeczy i szybkiego wdrażania produktów jest na pierwszym miejscu, a z kolei nauka bardziej idzie w stronę bardzo dużej dokładności i pewności na temat wyników badań, wszelakich aktywności okołonaukowych.

To bardzo często jest punktem spięcia pomiędzy przedsiębiorcami i naukowcami. Natomiast na pewno da się to w sposób dobry zrobić. Wymaga to jednak dużo pracy i cierpliwości obu grup biorących udział w projektach.

Porozmawiajmy jeszcze na koniec na temat przyszłości w kontekście implementacji rozwiązań uczenia maszynowego w obszarze zdrowia, opieki medycznej itd. Jak duży potencjał tutaj widzicie? Jak zmiany nastąpią w okresie do 10 lat? A z drugiej strony – jakie są zagrożenia i ewentualnie jak im zapobiec?

K: Myślę, że potencjał w zakresie rozwiązań medycznych, integracji metod opartych na danych z medycyną jest dość duży. Mam nadzieję, że to pójdzie w stronę tego, o czym wspomnieliśmy wcześniej, czyli bardzo ładnej współpracy pomiędzy ludźmi i algorytmami przy wspomaganiu pracy lekarza i operacji medycznych. Jeżeli chodzi o zagrożenia, to myślę, że warto trochę czasu poświęcić na samym sposobie wdrażania różnego rodzaju urządzeń medycznych (też opartych o software). Oczywiście jest to anegdotyczna rzecz, ale mam wrażenie, że poziom zrozumienia, co i w jaki inny sposób powinno być robione przy wdrażaniu urządzeń medycznych w stosunku do rozwiązań standardowych (czyli różnego rodzaju aplikacji i software), jest dość niski.

Myślę, że to może być rzeczywiście jedna z rzeczy, która może zagrażać poprawnym wdrożeniom i budowaniu bardzo użytecznych produktów w branży medycznej. Jednak mamy tutaj do czynienia ze zdrowiem ludzkim. Pod kątem etycznym, całej jakości wykonania i jakości tego, na czym opierają się algorytmy (dane), to musi to być zrobione na najlepszym możliwym poziomie. Mam nadzieję, że przyszli twórcy oprogramowania będą w ten sposób traktować swoje produkty medyczne.

Załóżmy, że mija 10, 20, 30 lat. Rozwiązanie, które tworzycie w Harimacie, udało się już ustabilizować. Pomogliście konkretnym dzieciom, które za 20, 30 lat są już osobami dorosłymi. Po tych latach przyjdą do Was i powiedzą: „Dzięki za pomoc, którą udzieliliście mi w dzieciństwie. Dzięki temu inaczej udało mi się tu adaptować.” Jak się poczujecie? Lub też co poczujecie, gdy tego “dziękuję” nigdy nie usłyszycie?

A: Bardzo miłe jest usłyszeć “dziękuję”, ale jeszcze milej jest mieć tę świadomość, że się komuś pomogło. Tutaj niezależnie od tego, co się wydarzy, będziemy się tym zajmować, żeby dostarczać jak najlepsze rozwiązania, które mogą potencjalnie sprawić, że życie osób, które nie są neurotypowe, będzie po prostu lepsze w przyszłości.

Tutaj trochę nie bardzo widzę, w jaki sposób nasze rozwiązanie mogłoby komuś zaszkodzić. W tym sensie, że wiemy, że wczesna diagnoza jest kluczowa do tego, żeby osoby z trudnościami w rozwoju mogły lepiej funkcjonować w przyszłości. To, że udostępniamy im takie narzędzie, powinno zwiększyć ich szanse znacząco. Mamy nadzieję, że to się po prostu będzie działo i jak najwięcej osób z tego skorzysta. 

K: Zdecydowanie tak. Dla mnie jest to wystarczająca nagroda. Zgadzam się, że rzeczywiście, sama diagnoza jest istotna. To, co się dzieje później z tymi ludźmi, ma znacznie większy wydźwięk w kontekście całego życia i tego na jakim poziomie dana osoba będzie w stanie funkcjonować. Myślę, że część terapeutyczna jest tutaj kluczowa. 

Macie bardzo dobre intencje i plany, jeżeli chodzi o pomoc, czyli zastosowanie technologii, narzędzi, które ten nowoczesny świat wytworzył po to, żeby pomóc innym. Życzę Wam, żeby faktycznie udało się to łączyć w taki sposób, żeby być pomocnym, a myślę, że to jak najbardziej idzie w tym kierunku. Trzymam kciuki, żebyście działali i rozpędzali się z tym, co robicie.

Dziękujemy bardzo.

Teraz mam pytanie do Ciebie. Jest takie ciekawe powiedzenie: “bądź sobą i pozwól innym, być innymi”. Często mamy różne opinie i poglądy na to, jak powinno być i nawet czasem możemy udowodnić, dlaczego akurat to nam się wydaje, że ma sens.

Też dość często próbujemy, z całą szczerością, pomóc zmienić się danej osobie, zmienić pewien stan. Jak można zmierzyć, czy nasze działanie faktycznie było pomocne dla tej konkretnej osoby, której chcieliśmy pomóc? Czy jednak to działanie było bardziej pomocne dla nas? Jak odróżniać jedno od drugiego? Co o tym myślisz? 

Zapisz się, a otrzymasz:

Bm small small
  1. Wartościowe materiały przygotowane przez gości podcastu, prezenty dla słuchaczy.
  2. Zniżkę (10% lub większą) na trening uczenia maszynowego.
  3. Aktualności na temat sztucznej inteligencji w zakresie nauki, technologii i biznesu.
  4. Będziesz na bieżąco ze wszystkimi odcinkami Biznes Myśli.
Rozpędź swój biznes sztuczną inteligencją! Powered by ConvertKit

Od 2013 roku zacząłem pracować z uczeniem maszynowym (od strony praktycznej). W 2015 założyłem inicjatywę DataWorkshop. Pomagać ludziom zaczać stosować uczenie maszynow w praktyce. W 2017 zacząłem nagrywać podcast BiznesMyśli. Jestem perfekcjonistą w sercu i pragmatykiem z nawyku. Lubię podróżować.

Jeden Komentarz

  • Marcin

    Cześć. Zacząłem słuchać tego odcinka w drodze do pracy i nie doszedłem jeszcze do końca, ale jest jedna rzecz, którą chciałbym skomentować już teraz. Na początku odcinka pani Anna wyjaśnia czym jest autyzm – wymaga to jednak pewnego uzupełnienia.

    Generalnie wszystko co pani Anna powiedziała na ten temat jest prawdą, ale osoby które niewiele wiedzą o autyzmie mogą to źle zrozumieć. Wynika to najprawdopodobniej z nieświadomego błędu bardzo częstego popełnianego przez ekspertów: z założenia że są rzeczy oczywiste o których nie trzeba mówić bo przecież wszyscy to wiedzą podczas gdy tak naprawdę większość odbiorców może się na tym zupełnie nie znać.

    Pani Anna używa słowa autyzm i opowiadając np. o Grecie Thunderg oraz osobach jej podobnych i robiąc to pozwala sobie tutaj na pewien nadmierny skrót myślowy. W rzeczywistości mówiąc np. o Grecie mówi o osobie z zespołem Aspergera w którym występują pewne zaburzenia np. w komunikacji czy relacjach społecznych, ale w którym NIE MA upośledzenia rozwoju intelektualnego. Trzeba tu jednak wiedzieć, że zespół Aspergera jest zaledwie jednym z zaburzeń ze spektrum autyzmu. Obok niego występują też zaburzenia w których następuje też upośledzenie rozwoju intelektualnego. Wszystkie zaburzenia mogą też występować w różnym nasileniu. To sprawia, że obok osób wybitnie inteligentnych (ale mających np. problemy w kontaktach społecznych) w spektrum autyzmu znajdują się też osoby które mają trudności z nawet najprostszymi czynnościami życiowymi.

    Tematyka jest generalnie bardzo rozległa i warta badania oraz jak najwcześniejszego wykrywania. Niezależnie od tego czy mówimy o dzieciach o obniżonej normie intelektualnej czy o małych bystrzakach (a czasem geniuszach) jakie często zdarzają się wśród aspergerowców, warto diagnozę postawić jak najwcześniej żeby takim dzieciom pomagać w tych obszarach w których tej pomocy rzeczywiście potrzebują. Przy dobrej pracy można ograniczyć wpływ bardzo wielu deficytów na późniejsze życie osoby z zaburzeniami ze spektrum autyzmu.

    Myślę, że warto też wiedzieć, że w klasyfikacji WHO ICD-10 Zespół Aspergera należał do grupy zaburzeń ze spektrum autyzmu obok np. autyzmu dziecięcego, atypowego itd. W najnowszej klasyfikacji ICD-11 mamy po prostu zaburzenia ze spektrum autyzmu a pod nimi bardziej szczegółowe klasyfikacje gdzie w różnych kombinacjach i nasileniach występują lub nie występują: upośledzenie rozwoju intelektualnego oraz upośledzenie funkcjonalne języka. Do tego dochodzi podgrupa innych zaburzeń ze spektrum autyzmu.

    I na podsumowanie – chociaż jeszcze nie skończyłem słuchać odcinka już teraz dziękuję za bardzo ciekawą rozmowę i poruszenie ważnej tematyki.

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Pola, których wypełnienie jest wymagane, są oznaczone symbolem *