Vikas Garg ratkaisee tosielämän monimutkaisia ongelmia syväoppimismallien avulla

Mitä tutkit?

Tutkimukseni Aalto-yliopistolla ja Suomen tekoälykeskuksella (FCAI) keskittyy eettisen tekoälyn sekä kvanttikoneoppimisen algoritmien suunnitteluun, joiden avulla on mahdollista tutkia eräitä aikamme vaikeimpia ongelmia. Nämä haasteet sijaitsevat useissa monitieteellisissä solmukohdissa, kuten terveydenhuollon, energian, materiaalitieteen, tietoliikenteen ja esineiden internetin aloilla.

Esimerkiksi uusien lääkkeiden markkinoilletuonti voi kestää vuosikymmenen ja maksaa jopa kaksi miljardia dollaria. Erittäin pieni osa näistä projekteista läpäisee koko prosessin, koska lääkkeiden kehittäminen ja kaupallistaminen ovat niin vahvasti säänneltyjä.

Lääkkeet sisältävät molekyylejä, jotka pyrkivät kiinnittymään tiettyihin proteiineihin tai nukleiinihappoihin ja tuottamaan tehokkaan hoitovasteen. Haasteena on löytää kaikista lupaavimmat molekyylit ja proteiinit sekä hallita mahdollisia sivuvaikutuksia, jotka syntyvät lääkemolekyylien kiinnittyessä vääriin proteiineihin. Molekyylejä on kuitenkin niin paljon ihmiskehossa, että väsytyshyökkäystekniikat ovat tehottomia - puhumattakaan manuaalisista keinoista. Tätä varten tutkimusryhmämme kehittää tehokkaita syväoppimismalleja lääkesuunnittelun eri vaiheisiin, kuten multiomiikka-analyysiin, proteiinisuunnitteluun, molekyylituotantoon ja -optimointiin, imputointiin sekä retrosynteesiin.

Selvitämme myös keinoja hyödyntää kvanttialgoritmien ja -menetelmien sovellutuksia, koska myös niiden mahdolliset hyödyt ovat valtavat suhteessa perinteisiin menetelmiin. Kvanttitutkimuksemme keskittyy erityisesti hybridiratkaisuihin, joissa optimoimme klassisen suorittimen ja kvanttisuorittimen yhteistoimintaa. Lisäksi tutkimme kvanttipiirien simulointia ja tehostamista.

Miten kuvailisit tutkimuksesi vaikuttavuutta?

Haluan selvittää tosielämän monimutkaisia ongelmia, jotka vaativat tinkimätöntä tieteellistä tutkimusta ja joilla on jokin merkittävä käytännöllinen vaikutus – kuten uusi algoritmi, malli tai havainto. Esimerkiksi tehdessäni väitöskirjaa Massachusettsin teknillisessä korkeakoulussa (MIT), tutkimusryhmämme kehitti syväoppimismenetelmän proteiinien suunnitteluun. Malli osoittautui 20 000 kertaa nopeammaksi kuin silloinen huippumenetelmä nimeltä Rosetta fixbb ja mahdollisti huomattavasti nopeamman biomolekyylitekniikan. Toisin sanoen, ongelma, jonka ratkaisemiseen menisi perinteisellä tavalla puoli vuosisataa, voidaan ratkaista mallillamme yhdessä päivässä ja entistä tarkemmin.

MIT:ssa selvitimme myös graafisten neuroverkkojen ominaisuuksia, jotka ovat koneoppimisen merkittävimpiä tutkimusaiheita tällä hetkellä. Tutkimuksemme edesauttoi uusien algoritmien ja arkkitehtuurien kehittämistä useilla eri sovellusaloilla.

Olen jatkanut näiden teemojen parissa Aallossa ja FCAI:lla. Suomen Akatemian rahoittamassa HEALED-hankkeessa pyrimme yhdistämään tekoälymallien ja ihmisosaamisen parhaita puolia. Tarjoamme asiantuntijoille työkaluja, joilla he voivat ohjata suunnitteluprosessia interaktiivisesti ja täten vähentää tekoälyyn vaikuttavien kognitiivisten vinoumien vaikutusta. Aineistoissa tavallisesti esiintyvien vinoumien vähentäminen tarjoaa paremmat mahdollisuudet tehdä luotettavia yleistyksiä ja havaintoja. Olemme myös kehittämässä uusia ja tehokkaampia graafisia neuroverkkoja.

Miten tekoälyosaamistasi voi käyttää muilla aloilla?

Olen aina ollut erittäin kiinnostunut siitä, miten tiede voi edistää ymmärrystämme ympäröivästä maailmasta. Tämän sisäsyntyisen uteliaisuuden ansiosta olen pyrkinyt tekemään yhteistyötä useiden eri alojen toimijoiden kanssa ja pohtinut niitä lukuisia tosielämän ongelmia, joihin olen tutustunut urani aikana Suomessa, Intiassa ja Yhdysvalloissa. Kokemukseni huippuyliopistoista sekä yksityiseltä sektorilta IBM:ltä, Microsoftilta sekä Amazonilta ovat tukeneet pohjakoulutustani sekä laajentaneet osaamistani. Lisäksi MIT:n aikana saamani mahdollisuudet osallistua energia- ja lääkealan tutkimusprojekteihin ovat auttaneet osaamiseni soveltamisessa eri aloille.

Järjestämmekin FCAI:n ja Suomalais-intialaisen tutkimus- ja koulutuskonsortion (FICORE) avustuksella opiskelijoille syvä- ja koneoppimiseen, tekoälyyn ja yritysyhteistyöhön keskittyvää kurssia. Opiskelijat tutkivat kurssin aikana elinkeinoelämän ongelmia, joita selvittämällä he saavat kokemuksia tekoälyosaamisen sovellusaloista.

Mistä tekoälyyn liittyvistä asioista pitäisi puhua enemmän?

On tärkeää, että tekoälyä kehittävät ihmiset keskustelevat tekoälyn tarkoituksenmukaisuudesta eri tapauksissa. Tavoitteena tulisi olla ongelman ratkaiseminen, eikä tekoälyn tai muiden tekniikoiden pakottaminen ongelmiin, joihin on olemassa parempia vaihtoehtoja. Tekoälyn väärinkäyttöä tulee täten välttää eikä eettiseen harkintaan tule suhtautua välinpitämättömästi.

Tekoälyä opiskelevan henkilön tulisi pyrkiä kehittämään vahvat matemaattiset perus- ja soveltamistaidot, menemättä siitä, mistä aita on matalin. Se mikä on nyt muodissa voi menettää merkityksensä tulevaisuudessa, mutta vahvoilla perustaidoilla on mahdollista sopeutua uusiin tarpeisiin ja uuteen tietoon. Opiskelijoiden kannattaa siis ottaa omat projektit tosissaan!

Miten voidaan varmistaa, että tekoälyn kehitys perustuu eettiseen harkintaan?

Teknologian kehityksen ja eettisen pohdinnan välillä tulee aina olemaan jännite. Siksi juuri eettiset kysymykset tulee sisällyttää osaksi tutkimusprosessin ydintä heti alusta alkaen. Jos haluamme ratkaista tosielämän monimutkaisia ongelmia, meidän on kannettava vastuu työmme mahdollisista vaikutuksista. On tärkeää kysyä itseltä sekä kollegoilta, että mikä on pahin mahdollinen skenaario, jos jatkamme tämän teknologian kehittämistä. Esimerkiksi potilaiden henkilötietoja vuotava koneoppimismalli voi tehdä potilaat alttiiksi sosiaaliselle häpeälle ja syrjinnälle. Tällaisissa tapauksissa tulee käyttää erityisen tarkkaa harkintaa.

Meillä on siis velvollisuus tuoda eettinen harkinta osaksi algoritmien suunnitteluprosessia. Tekoälyn avulla tulee rakentaa siltoja, ei tuhota niitä.