«L'aprenentatge profund que apliquem a la tecnologia pot determinar la sort d'un acusat en un judici o l'elecció d'un tractament mèdic»

 Gereziher Adhane

Foto: Gereziher Adhane

18/11/2021
Santiago Campillo
Gereziher Adhane, investigador etíop i estudiant de doctorat a la UOC

 

Adhane és investigador de la Universitat de Haramaya (Etiòpia) i està especialitzat en l'anàlisi de la intel·ligència artificial aplicada a l'aprenentatge profund i altres tecnologies relacionades amb les xarxes neuronals artificials. Actualment treballa en la seva tesi doctoral al grup de recerca AI for Human Well-being (AIWELL, abans SUNAI Lab), adscrit als Estudis d'Informàtica, Multimèdia i Telecomunicació i a l'eHealth Center de la Universitat Oberta de Catalunya (UOC). Recentment ha publicat, juntament amb Mohammad Mahdi i David Masip, una recerca sobre el desenvolupament d'una tecnologia que aprèn a identificar mosquits a través d'un gran volum de fotografies pujades a una plataforma, Mosquit Alert, i fetes per ciutadans voluntaris.

En què consisteix la teva activitat investigadora al grup de recerca?

Participo com a estudiant de doctorat en el grup de recerca amb la supervisió de David Masip. La meva recerca se centra en l'aplicació de models d'aprenentatge profund (deep learning) a la visió computacional i el processament d'imatges per a diverses aplicacions: detecció d'objectes, aplicacions mèdiques, etc. La meva funció és crear i aplicar solucions d'aprenentatge profund als problemes del món real.

Vas començar el teu doctorat l'any 2019. Quina és la teva tesi de treball?

Investigo la intel·ligència artificial (IA). Si bé s'ha publicat molt sobre les aplicacions i els usos de les xarxes neuronals profundes, quan aquesta tecnologia s'aplica a àrees crítiques com aplicació mòbil mèdiques, derivació autònoma o transaccions financeres, presenta molts desafiaments. Algunes de les dificultats provenen del fet que no es pot calcular la incertesa ni explicar com el deep learning pren les seves decisions. Com a resultat d'això, la meva recerca es focalitza en l'avaluació de la incertesa i les decisions preses a partir d'aquests models d'aprenentatge profund.

Vas ser professor i investigador a la universitat etíop de Haramaya. Quina era la teva línia de recerca? Has continuat en aquesta línia de recerca o han canviat els teus objectius?

A Etiòpia, hi vaig dedicar la majoria del meu temps a impartir cursos relacionats amb la IA i a dur a terme recerques per a diverses aplicacions. A més de la docència i la recerca, he exercit de supervisor d'estudiants de llicenciatura. Quan em vaig unir al grup SUNAI, diria que no hi va haver un canvi substancial pel que fa a l'àrea de recerca en què havia treballat. No penso que tingués dificultats per adaptar-me a l'entorn laboral o al grup actual.

Per què vas decidir venir a la UOC? Què ha d'oferir la universitat en el teu camp d'especialització?

En el moment en què em vaig decidir pel doctorat estava buscant una plaça a Europa. Per sort, vaig trobar la convocatòria de doctorat de la UOC i vaig decidir presentar-m'hi. Vaig estar mirant el web de la Universitat per saber més coses sobre les seves àrees de recerca i vaig trobar el grup SUNAI, i llavors em vaig decidir. Després de la meva acceptació, la UOC m'ha proporcionat una beca, així com recursos addicionals per dur a terme la recerca, la qual cosa m'ha ajudat professionalment.

Has publicat un article científic en què demostraves la utilitat de les xarxes neuronals profundes per identificar mosquits a partir d'imatges, mitjançant la plataforma Mosquit Alert. Com vas començar a treballar en aquest projecte?

Mosquit Alert és una plataforma que es va posar en marxa el 2014 per monitorar i controlar els portadors de malalties. El procés de recopilació de les seves dades es basa en imatges de mosquits i llocs de cria, pujades per voluntaris i que un equip d'entomòlegs inspecciona, valida i classifica. Aquesta plataforma reuneix ciutadans, entomòlegs, autoritats de salut pública i serveis de control de mosquits per ajudar a reduir les malalties transmeses per mosquits a Espanya. A la UOC hem abordat l'anotació automàtica d'imatges pujades pels ciutadans a aquesta plataforma.

Ha estat complicat? Quin va ser el desafiament més gran al qual vau fer front?

El problema que vam trobar durant l'experiment va ser que algunes de les fotos no eren clares. Moltes tenien un fons amb soroll o parts de mosquits danyades, i aquestes són crucials per distingir les espècies de mosquits. Com que les diferents espècies de mosquits tenen característiques físiques molt similars, les fotografies degradades poden dificultar el reconeixement d'espècies estretament relacionades. Gràcies als avenços en l'aprenentatge automàtic, sobretot de les xarxes neuronals profundes, vam poder proposar una xarxa neuronal convolucional profunda que podria capturar la correlació oculta entre imatges amb característiques morfològiques similars.

Parla'ns de les xarxes neuronals. Com poden ajudar la societat?

Les xarxes neuronals, també conegudes com a xarxes neuronals artificials (ANN), són un subconjunt d'aprenentatge automàtic (machine learning) que proporciona la base per a les tècniques d'aprenentatge profund. El seu nom i la seva forma estan inspirats en el cervell humà i repliquen la manera com les neurones biològiques es comuniquen les unes amb les altres.

Una ANN es compon de capes de nodes, que inclouen una d'entrada, una altra o més d'ocultes i una de sortida. Quan una xarxa neuronal rep dades d'entrada, els patrons d'informació s'aprenen dins de la xarxa i activen les unitats de les capes ocultes, que finalment arriben a les unitats de sortida per fer la tasca de classificació. 

Quan aquest càlcul arriba a un llindar específic, la unitat es "dispara" i activa les unitats a les quals està connectada. Perquè una xarxa neuronal aprengui, ha de tenir algun tipus de retroalimentació amb el qual reduir la diferència entre els valors reals i els predits. Aquest procediment es repeteix fins que estiguem satisfets amb el rendiment de la xarxa neuronal.

Les xarxes neuronals profundes són capaces de dur a terme diverses tasques crucials, que inclouen la classificació, la predicció, l'agrupació, el disseny de fàrmacs, el filtratge de xarxes socials i la traducció de llenguatge natural, entre altres. També podem abordar els problemes científics i d'enginyeria més difícils, com els de robòtica avançada i els de fabricació i navegació espacial.

És una branca que sembla molt específica. Està molt avançada, la recerca en l'ús de xarxes neuronals?

Les ANN s'utilitzen ara per resoldre una àmplia gamma de problemes del món real, normalment en paradigmes numèrics per a l'aproximació de funcions universals per les seves impressionants qualitats d'autoaprenentatge, tolerància a les fallades, no-linealitat i avanç en el mapatge des de l'entrada fins a la sortida.

Les xarxes neuronals artificials es poden utilitzar per resoldre des de la tasca de classificació més simple fins als problemes d'optimització més complexos.

Quins són els principals desafiaments als quals s'enfronten l'aprenentatge automàtic, les xarxes neuronals i els algorismes i les vies informàtiques de pròxima generació?

La xarxa neuronal profunda, que forma part d'una família més àmplia de tecnologies d'aprenentatge automàtic, pot avaluar eficaçment enormes volums de dades. Malgrat això, encara hi ha molts obstacles a l'hora d'implementar models d'aprenentatge profund. La falta de transparència en el deep learning, coneguda com a problema de la caixa negra, s'ha convertit en una preocupació clau quan s'implementen models d'IA per a aplicacions comercials.

El motiu d'això és la falta de coneixement sobre com arriba la IA a una conclusió. En són un exemple els algorismes de reconeixement d'imatges de Google Fotos que van classificar persones negres com a goril·les; o el model de classificació de gènere que classificava principalment dones negres com a persones de gènere masculí. I moltes més qüestions.

Quan l'aprenentatge profund està executant una tasca trivial en la qual una decisió incorrecta causarà poc o cap dany, el problema de la caixa negra pot no ser greu. Ara bé, quan s'està decidint la sort d'un acusat en un tribunal, el tractament mèdic d'un pacient o la seguretat del vianant en la conducció autònoma, els errors poden tenir efectes catastròfics.

I quines són les seves principals promeses?

La IA ens ajuda en la nostra vida diària. Amb ella tenim la promesa de màquines que poden interactuar amb els humans i dur a terme activitats com conduir automòbils, treballar en fàbriques o crear robots automatitzats per treballar en entorns de risc (per exemple, plantes d'energia nuclear, mineria i exploració del mar i de jaciments de gas).

La IA ja s'ha utilitzat en serveis com el reconeixement i la traducció de veu, en aplicacions mèdiques o en la previsió meteorològica, i té moltes coses a oferir per millorar la qualitat de les nostres vides.

 

UOC R&I

La recerca i innovació (R+I) de la UOC contribueix a solucionar els reptes a què s'enfronten les societats globals del segle xxi, mitjançant l'estudi de la interacció entre la tecnologia i les ciències humanes i socials, amb un focus específic en la societat xarxa, l'aprenentatge en línia i la salut digital. Els més de 500 investigadors i investigadores i els 51 grups de recerca s'articulen entorn dels set estudis de la UOC i dos centres de recerca: l'Internet Interdisciplinary Institute (IN3) i l'eHealth Center (eHC).

A més, la Universitat impulsa la innovació en l'aprenentatge digital a través de l'eLearn Center (eLC) i la transferència de coneixement i l'emprenedoria de la comunitat UOC amb la plataforma Hubbik.

Els objectius de l'Agenda 2030 de desenvolupament sostenible de les Nacions Unides i el coneixement obert són eixos estratègics de la docència, la recerca i la innovació de la UOC.

Més informació: research.uoc.edu #25anysUOC

Enllaços relacionats