Duke Üniversitesi’nde yapay zeka ve gelişmiş hesaplama artık deneysel eklemeler değil. Sorulara yanıt vermek için önceki olarak imkânsız olan sorulara yönelik varsayılan araçlar haline geliyor. Bu değişme, biyoloji, tıp ve daha geniş bilimlerde araştırmacıların çalışma şeklini değiştiriyor. [1] [2]
Vakıf Modelleri Bioloji için Mikroskop Görevini Görüyor
Rohit Singh, Duke Tıp Fakültesi’nin hesaplıyorum biyologu, vakıf modellerini yeni tür mikroskoplar gibi ele alıyor. Bu makine öğrenimi sistemleri, yüzlerce milyon veri noktasında eğitilerek, araştırmacıların milyonlarca gen ifadesi profili ve biyolojik dizideki desenleri görmesini sağlıyor. Her model, incelenebilecek hayatin farklı bir yönünü gösteriyor.
Bu modelleri eğitmek büyük hesaplama gücü gerektiriyor, ancak grafik işleme birimleri (GPU) erişimi, haftalar süren işlemleri günlere indirgeme sağlıyor. Duke Bilgisayar Kümesi, bu görevler için yüksek performanslı hesaplama omurgasını sağlıyor ve 2027’de açılacak küçük GPU merkezi kapasiteyi daha da artıracak.
Getiri doğrudan. Proteinler, genetler ve hücrelerin soyut temsillerini öğrenerek, Singh’ın modelleri sağlıklı hücreleri kanser hücreleriyle karşılaştırabilir ve bir ilacın bu farkı sıfıra yakınlaştıp getirebilip getiremeyeceğini sorabilir. Bu çalışmadan elde edilen bilgiler, gen terapisi geliştirmesinden çeşitli hastalıklar için ilaç keşfine kadar uzanan projelerde kullanılıyor.
Yorumlanabilir AI, Yüksek Riskli Kararlarda Güveni Artırıyor
Daha hızlı donanım olanakları genişlettikçe, Cynthia Rudin, insanların anlayabileceği ve güvelebileceği AI sistemleri oluşturmaya odaklanıyor. Yıllarca, çoğu AI modeli kararlarının ardındaki gerekçeyi gizleyen siyah kutular olarak çalıştı. Bu opaklık, sağlık ve ceza sistemi gibi alanlarda sorun oluşturuyor; çünkü bu alanlarda kararlar ciddi sonuçlar doğurabiliyor.
Rudin laboratuvarı, uzmanların kararların nasıl alındığını görebileceği yorumlanabilir modeller tasarlıyor. Duke radyologu Joseph Lo ile birlikte geliştirilen bu modellerden biri, mamografi görüntülerindeki hassas desenleri analiz ederek bir hastanın bir sonraki bir‑beş yıl içinde meme kanseri geliştirme riskini tahmin ediyor. Model şeffaf olduğu için, klinisyenler her tahminin ardındaki verileri ve gerekçeyi sorun giderebilir ve değerlendirebilir.
Bu yorumlanabilir sistemler, nöbet tahmininden medikal görüntü analizine kadar sağlık ortamlarında zaten uygulanmış durumda. Hedef, sadece doğruluk değil, güvenin performans kadar önemli olduğu alanlarda sorumluluk sağlamak da oluyor.
AI, Disiplinler Arası Köprü Olarak Keşfi Hızlandırıyor
Duke’nin Deep Tech girişimi, çok disiplinli iş birliğiyle bilimsel keşfi hızlandırabilecek AI’nin nasıl çalışabileceğini araştıran dört projeyi finanse ediyor. Her proje, farklı alanlarda ilerlemeyi yavaşlatan farklı bir engelle karşı karşıya.
Brinnae Bent’in liderliğinde bulunan Consilience, disiplinlerarası iş birliğini desteklemek için tasarlanmış ses tabanlı bir AI sistemidir. Terminolojiyi çevirir, yansıtmaya teşvik eder ve gerçek zamanlı olarak yeni araştırma bağlantılarını ortaya koyar. Sistem, üniversite hackathonu sırasında test edilmekte ve farklı alanlardan gelen yüksek lisans öğrenci takımlarını, disiplinlerarası araştırma önerileri sentezlerken yönlendiriyor.
David Carlson’ın projesi, öğrencileri AI’yi eleştirel şekilde kullanmaya eğitmeye odaklanıyor. Büyük dil modellerini sadece benimsemek yerine, araştırmacılar bu araçları değerlendirmeyi, hatalı gerekçeleri tespit etmeyi ve sorumlu bir şekilde uygulamayı öğreniyor. Bu, biyoloji, istatistiği ve mühendisliği köprüleyen disiplinlerarası çalışmalarda en kritik noktadır; çünkü karmaşık gerekçe gerektirir.
Sharique Hasan’ın ekibi, AI’nin karmaşık bulguları karar vericiler, endüstri ve kamu için nasıl çevirebileceğini araştırıyor. Yüksek etki potansiyeli olan araştırmaları vurgulayarak ve alanlar arasındaki gizli bağlantıları ortaya çıkarmak suretiyle, bu araçlar keşiften gerçek dünya faydasına kadar olan süreyi kısaltabilir.
Matthew Hirschey’nin projesi, literatürü analiz ederek bilimsel ilerlemeyi ve bottlenecks’leri haritalıyor. Büyük dil modelleri, kavramların alanlar arasında nasıl hareket ettiğini izleyerek, sınırlı veri veya hesaplama gücü gibi paylaşılan zorlukları ortaya koyar. Elde edilen haritalar, finansman kararlarını yönlendirmeyi ve geleneksel kılavuzların ötesinde iş birliğini teşvik etmeyi hedefliyor.
Altyapı, Hedeflerle Aynı Ritimde Gelişiyor
Bu şeylerin hiçbiri, hesaplama altyapısında sürekli yatırım olmadan mümkün olmazdı. Duke Bilgisayar Kümesi zaten büyük ölçekli bilimsel uygulamaları destekliyor ve planlanan GPU merkezi, enerji verimli uygulamalar aracılığıyla güç ve tüketimi yanı sıra karbon emisyonlarını minimize edecek şekilde tasarlanmış.
Singh, daha fazla GPU erişiminin kendi hesaplıyorum biyoloji araştırmasını doğrudan hızlandırdığını belirtiyor. Duke’nin yaptığı yatırımlar, üniversiteyi bu tür çalışmaların önde gelen bir merkezi haline getiriyor; yetenek çekiyor ve hem ölçek hem de sürdürülebilirlik gerektiren projeleri mümkün kılıyor.
AI araştırma sürecine entegre olmaya başladıkça, zorunlu olan sadece daha hızlı modeller üretmek değil, aynı zamanda faydalı, güvenilir ve kullananların ihtiyaçlarıyla uyumlu modeller geliştirmek. Duke’nin yaklaşımları, bilimsel keşfin geleceğinin iş birliğine dayalı, yorumlanabilir ve derinlemesine hesaplamalı olacağını gösteriyor.
