Ing. Adam Novozámský, Ph.D., je garantem stáže Segmentace biologických 2D objektů, kterou můžeš absolvovat na Ústavu teorie informace a automatizace AV ČR (ÚTIA). Právě tady se potkává matematika, informatika a inženýrství s cílem hledat chytrá řešení komplikovaných procesů pro reálné problémy v medicíně, dopravě nebo třeba průmyslu. ÚTIA se dlouhodobě věnuje tématům jako je umělá inteligence, počítačové vidění nebo statistické modelování. Co ti stáž může dát, jak AI uplatníš v běžném životě a jak může pomoci ve vědeckém výzkumu? Dozvíš se níže.
Existuje nějaké společné téma nebo přístup, který propojuje stáže nabízené na Vašem ústavu?
Stáže u nás se většinou točí kolem práce s daty – ale ne stylem „nahraj to do modelu a čekej na zázrak“. Jde o hlubší pochopení, tvorbu vlastních modelů, hraní si s algoritmy a přemýšlení nad tím, co data opravdu znamenají. Každý projekt má praktický přesah, ale zároveň se člověk dostane k základním otázkám typu: Jak vlastně poznat, že něco poznáváme dobře?
Jaké znalosti a dovednosti by měli mít studenti, kteří se chtějí přihlásit na stáže na vašem ústavu, případně přímo na vaši stáž?
Pro absolvování stáží na UTIA je potřeba mít nějaké vstupní znalosti, mezi které patří například programování ideálně v Pythonu, protože právě ten se nejčastěji používá na práci s daty, strojové učení nebo vizualizaci. Nečekáme, že budou studující znát každý balíček nazpaměť, ale měli by umět přemýšlet algoritmicky a nebát se ladit kód.
Hodně se ti bude hodit i základní matematická výbava, hlavně lineární algebra, statistika a pravděpodobnost, což jsou důležité nástroje k pochopení, proč algoritmy fungují tak, jak fungují.
Máme i stáže zaměřené na práci s biologickými daty, např. mikroskopickými obrazy, takže otevřenost k mezioborové spolupráci je také velmi vítána.
V jakých oblastech může podle vás AI nejvíce zjednodušit vědeckou práci a proč?
AI dneska není jen chytrý nástroj, co zvládne vyplnit tabulku nebo rozpoznat obrázek. Vědecké práci může pomoct ve třech zásadních směrech:
Rutina
Zpracování dat z experimentů, analýza obrázků, hledání článků, to všechno jsou činnosti, které AI zvládá rychleji než člověk. Neznamená to, že vědec zmizí ze hry, ale spíš že se může víc soustředit na podstatné otázky a méně klikat.
Pomoc s rozhodováním
Vědci jsou často zahlceni tunou komplexních dat a AI může pomoct hledat vzorce k řešení, které nejsou na první pohled vidět. Tohle je obzvlášť cenné ve vědách, kde je šum nebo neurčitost – třeba v biologii nebo v analýze společenských jevů.
Generátor nápadů
Možná překvapivě, ale AI umí i inspirovat, například navrhnout alternativní hypotézu nebo neotřelý způsob, jak něco otestovat. Ne že by nahradila lidskou kreativitu, ale může ji nakopnout.
A jo, neměli bychom zapomenout ani na tu méně sexy, ale zato dost vyčerpávající část vědecké práce, kterou je administrativa. Výkazy, anotace, přehledy… i tady může AI výrazně ulevit a ušetřit spoustu času.
Existují podle vás nějaká zásadní omezení nebo rizika při využívání umělé inteligence ve vědeckém výzkumu? Například při sdílení citlivých dat nebo interpretaci výsledků?
Určitě, AI ve vědě není jen zázračný pomocník, má i svoje limity a rizika, na která je dobré nezapomínat. První problém je „black box“ efekt. Když nevím, proč mi model něco doporučuje nebo jak k nějakému závěru došel, těžko na tom postavím důvěryhodný vědecký argument. Ve výzkumu prostě nestačí říct „to řekla AI“, je potřeba rozumět i proč to řekla.
Druhá velká výzva se týká citlivých dat, třeba v medicíně, biologii nebo sociálních vědách. Tady nejde jen o technickou stránku, ale i o etiku, souhlas účastníků, ochranu soukromí a právní rámec.
A třetí riziko je možná nejzrádnější: přeceňování AI. Modely umí najít vzory, ale nechápou, co ty vzory znamenají v reálném světě a můžou svést ke špatné interpretaci.
AI je silný nástroj, ale pořád jen nástroj. Kritické myšlení a zvídavost vědce by měla zůstat na prvním místě.
Vaše stáž se zaměřuje na analýzu biologických dat ve spolupráci s mikrobiology. Jak tato spolupráce probíhá v praxi?
Spolupráce s mikrobiology není jednorázová konzultace, ale spíš dlouhodobý dialog dvou různých světů. Mikrobiologové nám dodávají mikroskopická data, často ve formě 2D nebo 3D obrazů, ale ještě důležitější je, že nám k nim dávají i kontext: co vlastně na obrázku vidíme, co je relevantní a co naopak šum.
Naším úkolem pak je vytvořit algoritmy, které dokážou v těchto datech něco smysluplného rozpoznat – třeba detekovat buněčné struktury, klasifikovat typy mikroorganismů nebo sledovat jejich vývoj v čase. Typicky to znamená trénovat modely, které se učí na označených datech a pak se testují na nových vzorcích.
S jakými výzvami jste se při propojení informatiky a biologie setkal?
Největší výzvou této spolupráce je, že informatik a biolog často mluví úplně jiným jazykem. Informatik řeší přesnost modelu, biolog klinickou relevanci. Informatik ladí hyperparametry, biolog přemýšlí nad buněčnou kulturou. Někdy je těžké si navzájem vysvětlit, co je v daném oboru „dost dobré“. Takže klíčem je trpělivost, vzájemná zvědavost a schopnost učit se od druhých.
Jaký konkrétní problém v oblasti mikrobiologie váš projekt řeší?
Jedním z konkrétních projektů, na kterém pracujeme, je automatická segmentace sféroidů, což jsou 3D buněčné útvary, které se používají třeba při vývoji léčiv proti rakovině. Jde o to, aby algoritmus sám rozpoznal tvar a velikost sféroidu v mikroskopických datech a umožnil tak sledovat, jak na něj působí různé látky.
Tohle je zrovna skvělý příklad toho, jak může AI podpořit výzkum s reálným dopadem v medicíně.
Mohou si studující odnést znalosti získané na této stáži i do běžného života? V jakých situacích se jim mohou hodit znalosti z oblasti počítačového vidění a AI?
Rozhodně ano a možná víc, než by se na první pohled zdálo. Znalosti, které si studující odnesou, nejsou „jen“ o programování nebo trénování modelů. Naučí se zde hlavně přemýšlet v algoritmech, pracovat s daty a formulovat problémy tak, aby se daly řešit chytrým způsobem, což je dovednost, která se dá přenést téměř kamkoliv. A právě to bývá často to nejcennější, co si studující ze stáží u nás mohou odnést.
Co se týče počítačového vidění, tak stejné principy se používají při kontrole kvality ve výrobě, v medicíně při analýze snímků, nebo třeba v bezpečnostních systémech a autonomním řízení. AI ale může pomoci i v jiných profesích, a to automatizovat rutinu – od filtrování e-mailů až po generování podkladů pro práci nebo školu.