MAKINE ÖĞRENIMI BILIMI NASIL DEĞIŞTIRECEK?
Makine öğrenimi son yirmi yılda sahneye çıktı ve geleceğin belirleyici bir teknolojisi olacak. Sağlık, eğitim, ulaşım, gıda ve endüstriyel üretim de dâhil olmak üzere toplumun büyük sektörlerini dönüştürüyor ve bilim ve araştırma üzerinde muazzam bir etki
Yapay zekânın bir alt kümesi olan makine öğrenimi, bilgisayarların doğrudan talimat olmadan ve deneyimden öğrenmesine yardımcı olan bir süreçtir. Bunu, daha sonra tahminlerde bulunabilen modeller oluşturmak için kullanılan veriler içindeki kalıpları tanımlamak için algoritmalar kullanarak yapar. Bir veri anahtardır. Makine öğrenimi ve büyük miktarda verinin giderek artan kullanılabilirliği, bilgi üretiminde devrim yaratmayı vaat ediyor. Gerçekten de, diğer teknolojilerin yanı sıra derin öğrenmede günümüzün üstel ve erdemli büyüme döngüsü, Dünya'daki yaşamın kısa birçok hızlı çeşitlenme dönemi yaşadığı yarım milyar yıl önce Kambriyen Patlaması ile karşılaştırılmaktadır.
EPFL Bilgisayar ve İletişim Bilimleri Okulu (IC) Dekanı Profesör James Larus, makine öğrenimi ve yapay zekânın nasıl yaşayacağımız üzerinde derin bir etkisi olacağını ve henüz tam potansiyeline yakın bir yer görmediğimizi kabul ediyor.
"Bana göre makine öğrenimi, henüz emekleme aşamasında olan çok güçlü bir araçtır ve halen 'karanlık bir sanat'tır. Sınıflara makine öğrenimi, bunun altında yatan matematik öğretiyoruz ve öğrencilere örnekler verebiliyoruz. Ama onlara prensipler veremiyoruz çünkü kelimenin tam anlamıyla neden bu kadar iyi çalıştığını bile bilmiyoruz."
EPFL'den Lenka Zdeborová bu temel soru üzerinde çalışıyor, "Bilimlerde incelediğimiz nesneleri daha iyi anlamak istiyoruz, amaç sabit değil. Makine öğrenimi sisteminin bilimsel çabada yararlı olması için bir hedef bulmamız ve makine öğreniminin bu süreçte oynadığı role bakmamız gerekiyor” diyor.
Fizik, kimya, mühendislik ve yaşam bilimlerinden meslektaşlarıyla birlikte Zdeborová, EPFL'de ve dünya çapında yürütülen en son çalışmaları keşfedecek olan bilimsel makine öğrenimi üzerine yeni bir doktora kursu ders dizisi başlattı.
Bir başka EPFL girişimi tüm disiplinlerdeki laboratuvarlardan bilim projelerini makine öğrenimi uzmanlıklarını yeni teknolojilere taşıyacak öğrencilerle eşleştirerek kampüsler arası işbirlikleri kuruyor. 2018 ve 2020 arasında 600'den fazla öğrenci, EPFL genelinde 77 laboratuvar tarafından ve hatta CERN de dahil olmak üzere kurumlar dışında önerilen projelere katıldı.
IC Profesörleri Martin Jaggi "Bu, kampüsteki en büyük yüksek lisans düzeyindeki kurs ve tüm disiplinlerdeki öğrenciler, gelecekteki kariyerleri için faydalı olacağını bildikleri için bu aracı öğrenmek istiyorlar. Kampüsteki herhangi bir laboratuvara gidebilir ve işbirliği içinde uygulamalı bir proje yapabilirler. Bu gerçek bir kazan-kazan ve bence her iki tarafın da yapıdan faydalandığını hissettiğini söylemek adil olur” diyor.
Cathrin Brisken'in Yaşam Bilimleri Okulu'ndaki (SV) laboratuvar projelerden biri, fare hücrelerini insan hücrelerinden ayırt etmek için bir makine öğrenme algoritması ile ilgili, özellikle kanser araştırmaları için faydalı. Onkologlar, tipik olarak, insan hücrelerini farelere aşılayarak tümörleri inceler, ancak sorun iki tür hücreyi birbirinden ayırmaktır. Bu genellikle, insan hücrelerini bulmadan önce birçok doku örneğinin birkaç tur floresan boyamasını ve analiz edilmesini içerir. Ancak, IC öğrencisi Quentin Juppet'in programı, hücre sınıflandırma sürecini otomatikleştirerek tüm bunları basitleştirebiliyor. Çalışma yakın zamanda Journal of Mammary Gland Biology and Neoplasia dergisinde yayınlanan sonuçlarıyla bunu bir yüksek lisans tezi haline getirdi.
Yine Yaşam Bilimleri Okulu'nun çalışması, zebra balığı embriyolarının görüntülerinden mutant fenotipleri kategorize etmek için makine öğrenimini kullanmayı içeriyordu. Profesör Andrew Oates,
"Laboratuvarım iki kez katıldı ve her seferinde, makine öğrenimini kullanarak laboratuvarda gerçek bir bilimsel problemin ele alınmasında inisiyatif ve yaratıcılık gösteren gerçekten özel bir öğrenci grubuyla çalıştık. Bildiğim kadarıyla bu proje ( İnsan genetik bozukluklarını modellemek için bir sistem olarak zebra balığının daha verimli kullanımına yönelik çıkarımları olan embriyoloji alanı) dünyada bir ilk. Machine Learning 4 Science programına katılma şansımız olmasaydı bu çalışmaya girişmezdik" diyor.
James Larus, "Şu anda makine öğrenimi, beynin nasıl çalıştığına dair 1940'larda geliştirilen bir modele dayanıyor ve o zamanlar doğru bile değildi. Şimdi araştırıyoruz. Daha sofistike ve etkili modeller geliştirmek ve yeni nesil yapay zeka sistemleri oluşturmak için en son nörobilim tarafından yönlendirilen beyinden ilham alan makine öğrenimi yöntemleri geliştiriyoruz. Bu nedenle, makine öğreniminde uzun bir ilerleme ve büyük bir genişleme olacağından gerçekten umutluyum. Bilimi sonsuza dek değiştirebiliriz" diyor.