Často sa hovorilo: „Údaje sú nová ropa“. V digitálnom veku sú totiž údaje palivom, ktoré poháňa motory digitálnych médií, pokročilej informatiky (umelú inteligenciu – AI, strojové učenie atď.) a v neposlednom rade vedeckého výskumu. Napriek tomu, keď čelíme niektorým veľmi zložitým problémom, prístupy založené na údajoch nemusia byť vždy tým najefektívnejším riešením. Na Inštitúte výpočtovej techniky Università della Svizzera italiana (USI) vo Švajčiarsku prof. Illia Horenko navrhol robustnú jednotnú modelovú stratégiu učenia založenú na nových a veľmi efektívnych riešeniach tradičných matematických a štatistických problémov, ktoré otvorili cestu významnému vývoju v oblastiach, ako je zdravotníctvo. Jeho práca je publikovaná v PNAS, oficiálnom časopise Národnej akadémie vied.
Pri práci s ľudským organizmom a chorobami môže množstvo premenných a charakteristík pacienta – známych aj neznámych – ľahko prevyšovať dostupné údaje na analýzu. Navyše, najmä v biomedicínskych aplikáciách, sú dostupné údaje často kontaminované anomáliami, odľahlými hodnotami, nesprávnymi meraniami a nesprávnym označovaním. Myšlienkou výpočtovej stratégie navrhnutej profesorom Horenkom, nazvanej Entropic Outlier Sparification (EOS), je zlepšiť učenie sa z údajov a presnosť predpovedí v prítomnosti anomálií údajov a odľahlých hodnôt využitím potenciálu nového matematického učenia a matematickej metódy. Oblasťou s obrovským potenciálom na prijatie tohto druhu stratégie je oblasť biomedicíny a zdravotnej starostlivosti. Napríklad veľký, ale nerozlúštený potenciál takýchto metód je v zlepšovaní diagnostiky kardiovaskulárnych chorôb (CVD): podľa Svetovej zdravotníckej organizácie (WHO) sú KVO zodpovedné za približne jednu tretinu celosvetovej úmrtnosti, čo predstavuje ročne približne 18-miliónov úmrtí na celom svete (a viac ako 21 000 úmrtí ročne len vo Švajčiarsku).
Ako uviedol prof. Horenko: „Napríklad EOS môže pomôcť dosiahnuť štatisticky významné zlepšenie presnosti pri predpovedaní úmrtnosti pacienta na srdcové zlyhanie v porovnaní s bežnými metódami učenia sa v súčasnosti používanými na tento účel. Toto zlepšenie môže potenciálne znamenať včasnejšia a správna diagnostika a adekvátnejšia klinická liečba pre značný počet jednotlivcov vo Švajčiarsku a na celom svete.“
Práca prof. Horenka bola čiastočne financovaná z iniciatívy „Emergent Algorithmic Intelligence“ nadácie Carl-Zeiss Foundation. Článok Lacné robustné učenie anomálií údajov s analyticky riešiteľnou entropickou odľahlou parcifikáciou je dostupný online.
Illia Horenko je riadnym profesorom na Fakulte informatiky USI v Lugane. Získal titul Ph.D. v aplikovanej matematike na Free University (FU) v Berlíne v roku 2004 a niekoľko rokov strávil ako postdoktorandský výskumný pracovník v Biocomputing Group a Climate Research Group na FU Berlín, než nastúpil na Fakultu matematiky a informatiky FU Berlín ako odborný asistent v roku 2008. Jeho výskumné záujmy sa zameriavajú na matematické základy AI. Oblasťami použitia vyvinutých metód sú problémy z výskumu klímy/počasia, výpočtové financie a ekonometria, biofyzika, výpočtová mechanika tekutín a sociológia.
Zdroj: https://www.usi.ch, zverejnené: 3. 3. 2022, autor: rpa
