Evrimin Merkezi – Yapay Zekanın Çok Yönlülüğü Son Başarılarla Sergileniyor

Yapay zekadaki yenilikler, işletmelerin geleceğini neredeyse tüm sektörlerde şekillendiriyor. Sağlık hizmetlerinden, üretime, finansa, eğitime, eğlenceye ve hukuktan medyaya, müşteri hizmetlerine, ulaşım ve daha fazlasına kadar, neredeyse hiçbir büyük sektör AI’dan etkilenmemiş değildir.

2023 tarihli bir IBM anketine göre, %42’si kurumsal ölçekli işletmeler zaten AI’yi operasyonlarına entegre etmiş, diğer %40’ı ise bu teknolojiyi organizasyonları için değerlendirmektedir.

Bu mantıklı, çünkü AI üretkenliği dönüştürme ve dolayısıyla bir ekonominin GSYİH potansiyelini artırma gücüne sahiptir.

PWC tahminlerine göre, AI, bu on yılın sonuna kadar küresel ekonomiye potansiyel olarak 15,7 trilyon dolar katkıda bulunacak, toplam ekonomik kazançların %45’i AI destekli ürün iyileştirmelerinden (uygun fiyat, çekicilik, çeşitlilik ve artan kişiselleştirme) kaynaklanarak tüketici talebini canlandıracak. Aynı zamanda, AI’dan kaynaklanan GSYİH artışının 6,6 trilyon doları yerel ekonomilerde artan verimlilikten gelecektir.

AI, neredeyse her sektörü ilerletmek için merkezi bir hub görevi görerek, büyük bir bozulma ve rekabet avantajı kaynağı haline geliyor. Bu büyük potansiyel ve AI’nın çok yönlülüğü, bu teknoloji yardımıyla yapılan son gelişmelerde görülebilir. 

Termal Özelliklerin Tahmini

Yapay zekanın ilginç bir uygulaması, malzemelerin termal özelliklerini tahmin etmektir. Bu, mühendislerin daha hızlı mikroelektronik cihazlar ve daha verimli enerji dönüşüm sistemleri tasarlamasına yardımcı olurken atık ısıyı azaltabilir.

Belirli özelliklere sahip malzemeler tasarlarken yapı ile özellik arasındaki ilişkiyi anlamak önemlidir. Bu alanda makine öğrenimi yöntemlerinde zaten önemli ilerlemeler kaydedildi. Ancak, modellerin genellenebilirliği ve özellik tahmini konusunda hâlâ zorluklar bulunmaktadır.

Bu nedenle, en yeni araştırma sanal düğüm grafik sinir ağı (VGNN)‘yi bu sorunları ele almak için sundu. Araştırmacılar, sanal düğüm modelleriyle atom koordinatlarından sadece Γ-fonon spektrumlarını ve tam fonon dağılım tahminini gerçekleştirebildiler. Yaklaşımlarını ML atomlararası potansiyelleriyle birleştirerek ekip, çok daha yüksek verimlilik ve daha iyi doğruluk elde etti.

Fonon bant yapılarını hızlı ve doğru bir şekilde hesaplama yeteneği kritiktir, çünkü dünyada üretilen enerjinin tahmini %70’i atık ısı olarak kaybolur. Bilim insanları ısıyun yalıtkanlar ve yarı iletkenler içinde nasıl hareket ettiğini tahmin edebilirse, daha verimli güç üretim sistemleri tasarlanabilir. 

Bu konunun sorunu, malzemelerin termal özelliklerinin modellenmesinin çok zor olabilmesidir. Bu, titreşimsel mekanik enerjinin bir kuantumu olan fononlardan kaynaklanmaktadır. 

Bu altatomik parçacıklar ısıyı taşır ve bir malzemenin termal özelliklerinin bir kısmı, kristal yapıda fononların enerji‑momentum ilişkisini tanımlayan fonon dağılım ilişkisine bağlıdır. Bunu bir sistem tasarımına dahil etmek zor olmakla kalmaz, aynı zamanda elde edilmesi de büyük zorluklar doğurur. 

Kıdemli Yazar Mingda Li, nükleer bilim ve mühendisliği doçenti, şöyle diyor:

“Fononlar termal kaybın sorumlusu, ancak özelliklerini elde etmek ya hesaplamalı ya da deneysel olarak son derece zor.”

Isıyı taşıyan fononların çok geniş bir frekans aralığına sahip olmaları, onları tahmin etmeyi zorlaştırıyor. Ayrıca bu parçacıklar farklı hızlarda hareket edip etkileşime giriyor.

Araştırmacılar yıllardır fonon dağılım ilişkilerini ML ile tahmin etmeye çalışıyor, ancak modeller çok yüksek hassasiyetli hesaplamalar gerektirdiği için takılıyor. 

“100 CPU ve birkaç hafta zamanınız olsaydı, muhtemelen tek bir malzeme için fonon dağılım ilişkisini hesaplayabilirsiniz. Tüm topluluk gerçekten daha verimli bir yol istiyor.”

– Ortak lider yazar Ryotaro Okabe, kimya lisansüstü öğrencisi

Yüksek hassasiyetli fonon dağılım ilişkisi tahmini için kullanılan ML modellerine grafik sinir ağları (GNN) denir. Bu ağlar bir malzemenin atomik yapısını bir kristal grafiğine dönüştürür.

Kristal grafik, kenarlarla bağlanmış birden çok düğümden oluşur. Düğümler atomları temsil ederken, kenarlar atomlar arasındaki bağları gösterir.

GNN’ler elektriksel polarizasyon ve manyetizasyon gibi niceliklerin hesaplanmasında iyi çalışmıştır. Ancak, çok yüksek boyutlu bir nicelik olan fonon dağılım ilişkisini doğru tahmin edecek kadar esnek değildir.

Fononların momentum uzayını sabit bir grafik yapısıyla modellemek işe yaramaz, çünkü fononlar farklı eksenlerde atomların etrafında hareket eder. Bu esneklik ihtiyacını ortaya koyar; araştırmacılar bunu sanal düğümlerle sağladılar.

Grafik düğümleri atomları temsil ederken, ekip “grafik düğümleri her şey olabilir. Ve sanal düğümler, yüksek boyutlu birçok niceliği tahmin etmek için kullanılabilecek çok genel bir yaklaşım.” düşüncesini gözden geçirdi.

Sabit kristal yapısına esnek sanal düğümler ekleyerek ekip, sanal düğüm grafik sinir ağı (VGNN) adlı yeni bir çerçeve oluşturdu. VGNN çıktısının boyutunun değişebilmesi, sabit kristal yapısının sınırlayıcılığını ortadan kaldırıyor.

Ancak bu sanal düğümler yalnızca gerçek düğümlerden mesaj alabilir. Bu yüzden, hesaplama sırasında gerçek düğümlerle birlikte güncellenirler, ancak sanal düğümler modelin doğruluğunu etkilemez.

Ortak lider yazar Abhijatmedhi Chotrattanapituk, elektrik mühendisliği ve bilgisayar bilimi lisansüstü öğrencisi, şöyle açıkladı: gerçek düğümler sanal düğümlerin varlığından habersizdir. Şöyle dedi:

“Bunu kodlamada çok verimli bir şekilde yapıyoruz. GNN’inize birkaç düğüm daha eklemeniz yeterli.”

Sanal düğümler fononları temsil ettiğinde, VGNN modeli fonon dağılım ilişkisini tahmin ederken çok sayıda karmaşık hesaplama yapmak zorunda kalmaz; bu da GNN’den daha verimli bir yöntem olur.

MIT ve diğer araştırmacılar tarafından oluşturulan yeni AML çerçevesi, geleneksel, AI dışı yaklaşımlara kıyasla fonon dağılım ilişkisini 1 milyon kat daha hızlı tahmin edebildi. Diğer AI tabanlı tekniklerle bile bu yeni çerçeve, karşılaştırılabilir ya da daha iyi doğrulukla 1.000 kat daha hızlı.

Malzemenin ısı kapasitesini tahmin ederken, araştırmacılar modelin biraz daha doğru olduğunu, bazı durumlarda tahmin hatalarının iki mertebe daha düşük olduğunu buldu.

Araştırmacılara göre, model kişisel bilgisayarda sadece birkaç saniye içinde birkaç bin malzeme için fonon dağılım ilişkilerini tahmin edebiliyor. Bu, belirli termal özelliklere sahip daha fazla malzemenin keşfedilmesini sağlıyor. Ayrıca alaşım sistemlerinde fonon dağılım ilişkilerini hesaplamak için de kullanılabilir; bu, geleneksel modeller için özellikle zordur.

Mikroelektronikte, ısı yönetimi cihazların daha hızlı olmasını sağlamak için büyük bir zorluktur; yeni yöntem burada son derece faydalı olabilir ve daha verimli mikroelektroniklerin geliştirilmesine yardımcı olabilir. Ayrıca, daha fazla güç ve verimlilik üreten enerji üretim sistemlerinin tasarımına da katkı sağlar. 

Araştırmacılar, malzemenin atom koordinatlarından doğrudan fononları tahmin edebilen, ancak artan karmaşıklıkla üç farklı sürüm öneriyor.

Termal özelliklerin tahmininde bu AI gelişmesinden faydalanabilecek iki şirket şunlardır:

#1. Intel

Önde gelen bir mikroişlemci üreticisi olarak, Intel (INTC ) için ısı yönetimi kritik önemdedir. Gelişmiş AI modelleri, daha hızlı ve daha verimli işlemcilerin tasarlanmasına, daha iyi ısı dağılımı ile ürün performansı ve ömrünün artırılmasına yardımcı olur ve Intel’i daha rekabetçi kılar.

#2. NVIDIA

Yüksek performanslı GPU’ları veri merkezleri, oyun ve AI uygulamaları için kullanan NVIDIA (NVDA ) için etkili termal yönetim hayati önemdedir. Gelişmiş AI modelleri, daha iyi soğutma çözümleri sağlayarak ürün performansı ve güvenilirliğini artırır. Bu, enerji verimli AI sistemlerinin tasarımına kapı açarak NVIDIA’nın pazar konumunu güçlendirir.

Eşitliğin Sağlanması

Ayrı bir makale ise, AI ile kıt kaynak tahsisinde yapılandırılmış rastgelelik tanıtarak adaleti artırdı. Bu, ML tabanlı model tahminlerinin belirsizlikleri verimliliği kaybetmeden ele almasını sağlıyor.

Geçtiğimiz yıl, ChatGPT gibi üretken AI’ların popülaritesi, teknolojiyi işletmelerin ayrılmaz bir parçası haline getirdi. Organizasyonlar, refah yardımları gibi kıt kaynakları tahsis etmek için ML modellerine yönelmeye başladı. Bu kullanım, özgeçmiş taramadan iş görüşmesi adaylarını seçmeye, yaşam kurtarıcı tıbbi kaynakların (ventilatörler ya da organlar gibi) hayatta kalma oranına göre hastaları sıralamaya kadar geniş bir yelpazeyi kapsar.

AI modelleri kullanılırken, amaç önyargıyı azaltarak adil tahminler elde etmektir. Bu genellikle puanları kalibre ederek ya da modelin özelliklerini ayarlayarak kararları daha adil hâle getirmekle başarılır. 

Algoritmaların geleneksel olarak adil olduğu düşünülse de, Northeastern University ve MIT’den araştırmacıların yeni bir makalesi, ML ile adalet sağlamanın çoğu zaman rastgeleliğe ihtiyaç duyduğunu savunuyor. Analizleri, model kararları belirsizlik içerdiğinde rastgeleliğin özellikle faydalı olduğunu gösterdi. Aynı grup sürekli olumsuz kararlar alan bir gruba rastgelelik uygulanması gerektiğini belirtiyor.

Araştırmacılar, modele belirli bir rastgelelik eklemek için bir çerçeve sundular. Yöntem, bireysel durumlara uyacak şekilde özelleştirilebilir; böylece doğruluk kaybı ya da model etkinliği zarar görmeden adaleti artırır.

“Adil tahminler yapabilseydiniz bile, bu kıt kaynakların ya da fırsatların dağıtımını sadece puanlara ya da sıralamalara dayandırmalı mısınız? Ölçeklendikçe ve daha fazla fırsat bu algoritmalar tarafından belirlendikçe, bu puanlardaki içsel belirsizlikler artırılabilir. Adaletin bazı türde rastgelelik gerektirebileceğini gösteriyoruz.”

– Lider yazar Shomik Jain, IDSS lisansüstü öğrencisi

Bu yeni araştırma, önceki bir makaleye dayanıyor; o makale, ölçekli deterministik sistemlerin zararlarını inceleyerek, ML modellerinin deterministik kaynak tahsisinde mevcut eşitsizlikleri artırdığını ve önyargıyı pekiştirdiğini ortaya koymuştu. Kıdemli yazar Ashia Wilson, LIDS’de bir araştırma sorumlusu, şöyle diyor:

“Rastgelelik, istatistikte çok faydalı bir kavramdır ve ne mutlu ki, sistemik ve bireysel açıdan adalet taleplerini karşılıyor.”

Rastgeleliğin adaleti nasıl artırabileceğini araştıran yazarlar, filozof John Broome’un adalet için çekiliş değerini benimseyerek, kıt kaynak ortamlarında herkesin bir şans almasını savundu. Jain şöyle ekliyor:

“İnsanların bu kıt kaynaklara farklı talepleri olduğunu kabul ettiğimizde, adalet bireylerin tüm taleplerine saygı duymayı gerektirir. Sürekli olarak daha güçlü bir talebi olan kişiye kaynağı verirsek, bu adil midir?”

Daha güçlü bir talebi olan birinin her zaman kaynağı alması, sistemik dışlanmaya ya da adaletsizliğin birikmesine yol açabilir. Makine öğrenimi modelleri aynı zamanda hatalar yapabilir; deterministik bir yaklaşım bu hataları tekrarlayabilir.

Makale, rastgeleliğin bu sorunları aşmaya yardımcı olabileceğini belirtiyor. Ancak tüm kararların aynı derecede rastgeleleştirilmesi gerektiği söylenmiyor. Daha az kesin bir karar daha fazla rastgelelik içermelidir.

Örneğin, böbrek tahsisinde yaşam süresi tahmini yüksek belirsizlik taşır ve iki hastanın yaşam süresi sadece beş yıl farkla ayrıldığında ölçüm daha da zorlaşır. Wilson şöyle diyor:

“Bu belirsizlik seviyesini, rastgeleliği buna göre uyarlamak istiyoruz.”

Farklı koşullarda gereken rastgelelik miktarını belirlemek için araştırmacılar, istatistiksel belirsizlik ölçüm yöntemlerini kullandı; kalibre edilmiş rastgeleliğin, modelin etkinliğini ya da faydasını önemli ölçüde etkilemeden daha adil sonuçlar üretebileceğini gösterdi.

“Genel fayda ile kıt kaynak alan bireylerin haklarına saygı arasında bir denge vardır, ancak çoğu zaman bu ödünç verme çok küçüktür.”

– Wilson

Rastgeleliğin, üniversite kabul süreçleri gibi adaleti artırabileceği alanlarda çok faydalı olabileceği belirtilirken, suç adaleti gibi kararların rastgeleleştirilmesinin bireylere zarar verebileceği de vurgulandı. 

Gelecekte araştırmacılar, diğer kullanım senaryolarını incelemeyi ve rastgeleliğin fiyatlar ve rekabet gibi faktörler üzerindeki etkisini araştırarak ML modellerinin dayanıklılığını artırmayı planlıyor. Şimdi, bu gelişmeden önemli ölçüde fayda sağlayabilecek iki şirketi inceleyeceğiz:

#1. UnitedHealth Group 

UnitedHealth (UNH ) Group Inc., AI modellerine yapılandırılmış rastgelelik ekleyerek hasta bakım yönetiminde ve kaynak dağıtımında adaleti artırabilir. Bu yaklaşım önyargıları azaltır ve tedavilere eşit erişim sağlar; UnitedHealth’ın yüksek kaliteli, uygun fiyatlı bakım sunma taahhüdüyle uyumludur.

2024 ikinci çeyrek gelirleri 98,9 milyar dolar olarak raporlandı; bir önceki yıla göre 6 milyar dolar artış gösterdi.

#2. Pfizer 

Pfizer Inc. (PFE ), AI’da yapılandırılmış rastgeleliği klinik denemelerde adil hasta seçimi ve deneysel tedavilerin eşit dağıtımı için kullanabilir. Bu yaklaşım, Pfizer’ın sağlık eşitliğini ilerletme ve daha geniş bir nüfusa fayda sağlama misyonunu destekleyecektir.

Finansal açıdan, Pfizer 2023’te yıllık 58,5 milyar dolar gelir bildirdi.

Kişiselleştirilmiş Dil Öğrenme Sistemleri

AI’nın bir başka ilginç uygulaması, çocukların dil öğrenimini destekleyen kişiselleştirilmiş hikâye kitapları üretmekte ortaya çıkıyor. Üretken AI ve ev IoT teknolojisini kullanan son çalışma, çocukların konuşma ve iletişim becerilerini geliştirmek için etkili ve özelleştirilmiş bir yol sunmayı hedefliyor. 

Çocuklarda dil gelişimi, bilişsel ve akademik büyümeyi etkilediği için son derece önemlidir. Dilin çocukların genel sosyal gelişimindeki rolü göz önüne alındığında, zamanında dil müdahaleleri sağlanabilmesi için dil ilerlemesinin düzenli olarak değerlendirilmesi gerekir. 

Geleneksel olarak, standart kelime listeleri ve önceden hazırlanmış materyallerle tek tip bir yaklaşım uygulanır. Bu, çocukların çevreleriyle etkileşime girerek dil öğrendikleri gerçeğine rağmen, farklı ortamların kelime maruziyetinde çeşitlilik yaratması nedeniyle sorunludur.

Bu geleneksel yaklaşımın eksikliklerini aşmak için araştırmacı bir ekip, her çocuğun benzersiz ortamına göre uyarlanmış yenilikçi bir eğitim sistemi geliştirdi. 

Bu kişiselleştirilmiş dil öğrenme sistemi “Open Sesame? Open Salami! (OSOS)” olarak adlandırılıyor. Konuşma patolojisi teorisini pratik uzmanlıkla birleştiriyor ve çocukların dil gelişimindeki farklılıkları, faktörlerin bireyselleştirilmiş ağırlığı ve esnek kelime seçimi kriterleriyle ele alıyor. 

Üretken AI ve yaygın algılayıcılar sayesinde OSOS, çocuğun dil ortamını profilleyerek kişisel öncelikli kelimeleri çıkarıyor ve bu kelimeleri doğal olarak içeren özel hikâye kitapları oluşturuyor. Üç ana modülden oluşur:

1. Kişiselleştirilmiş Dil Profili Oluşturucu
2. Hedef Kelime Çıkarıcı
3. Kişiselleştirilmiş Müdahale Yardımcısı Üretici

Profiler, evde konuşma örnekleri toplamak için ev aletlerine ya da akıllı hoparlörlere entegre edilerek kullanılacak. Ebeveynler kaydı ne zaman başlatıp durduracaklarını kontrol eder.

Bu amaçla, ev IoT cihazları çocukların günlük ortamını ve dil maruziyetini yakalamak ve izlemek için kullanıldı. Çocukların kelime hazinesi, farklı konuşmacıları ayıran konuşmacı ayrımı ve dilin en küçük anlamsal birimlerini değerlendiren morfolojik analiz teknikleriyle incelendi.

Çıkarıcı, ifadeleri analiz ederek çocuğa önerilebilecek öncelikli kelimeler listesini seçilebilir hâle getirir. Her kelime, konuşma patolojisiyle ilgili kritik faktörlere dayalı puanlar hesaplanarak analiz edilir.

Üretici ise, hikâye kitapları şeklinde müdahale sağlar; bu, yaygın bir klinik uygulama ve çoğu çocuğun doğal rutininin bir parçasıdır. Kişiselleştirilmiş materyaller oluşturmak için ekip, GPT-4 ve Stable Diffusion dahil gelişmiş üretken AI teknolojilerini kullandı. Bu çözümler, her çocuğun hedef kelime hazinesini sorunsuz bir şekilde bütünleştiren özel kitaplar üretmeyi mümkün kıldı. 

Ekip, dört haftalık bir süre boyunca dokuz aileyle kişiselleştirilmiş dil öğrenme sistemini test etti. Sonuçlar, sistemin günlük yaşam ortamlarında uygulanabilirliğini gösterdi ve çocukların hedef kelime hazinesini öğrenmelerini etkili bir şekilde ortaya koydu.

“Amacımız, AI’yı farklı bireylerin seviyelerine ve ihtiyaçlarına göre özelleştirilmiş rehberler oluşturmak için kullanmak.”

– Lider yazar Jungeun Lee, POSTECH

Aşağıdaki iki şirket, AI destekli kişiselleştirilmiş dil öğrenme sistemlerinden faydalanabilir:

#1. Amazon

Amazon (AMZN ), geniş AI ve IoT yetenekleriyle, Alexa gibi akıllı ev cihazlarına kişiselleştirilmiş dil öğrenme sistemlerini entegre edebilir. Bu sayede ebeveynler, Alexa’yı kullanarak çocuklarının dil gelişimini gerçek zamanlı olarak yakalayıp analiz edebilir ve özelleştirilmiş öğrenme deneyimleri sunabilir.

2023’te Amazon’un toplam geliri %12 artarak 575 milyar dolar oldu; Kuzey Amerika, Uluslararası ve AWS segmentleri bu büyümeye önemli ölçüde katkı sağladı. 

Kuzey Amerika geliri %12 artarak 353 milyar dolar, Uluslararası gelir %11 artarak 131 milyar dolar ve AWS geliri %13 artarak 91 milyar dolar oldu. İşletme geliri 2022’de 12,2 milyar dolardan 2023’te 36,9 milyar dolara yükselirken, serbest nakit akışı 2022’de negatif 11,6 milyar dolardan pozitif 36,8 milyar dolara döndü.

#2. Alphabet Inc. (Google)

Google, Google Home ve Nest cihazlarını kullanarak kişiselleştirilmiş dil öğrenme sistemlerini dağıtabilir. Google’ın AI uzmanlığından yararlanarak bu cihazlar, özelleştirilmiş öğrenme içeriği sağlayabilir ve dil gelişimini izleyerek çocuklar için daha etkili dil müdahalelerine yardımcı olabilir.

2023’te Alphabet Inc.’ (GOOG ) in toplam geliri 307,4 milyar dolar olarak artarken, 2022’deki 282,8 milyar dolardan yükseldi. Google Services (Google Search ve YouTube reklamları dahil) 272,5 milyar dolar, Google Cloud ise 33,1 milyar dolar getirdi. İşletme geliri 84,3 milyar dolar oldu; Google Cloud, 2022’deki 1,9 milyar dolar zararı 2023’te 1,7 milyar dolar kâra dönüştürdü. Toplam varlıklar 402,4 milyar dolar; nakit ise 110,9 milyar dolar.

Sonuç

Bu son başarılarla gördüğümüz gibi, AI çocukların dil gelişiminden daha verimli enerji dönüşüm sistemleri ve yüksek performanslı mikroelektronik cihazların tasarımına kadar çeşitli kullanım alanlarına sahiptir. Bu AI’nın çok yönlülüğünün ne kadar güçlü olduğunu gösteriyor. 

AI’nın büyük veri hacimlerini işleme, tekrarlayan görevleri verimli bir şekilde yapma, veriden öğrenme ve zaman içinde gelişme yeteneği, yenilik yapan, verimlilik ve üretkenliği artıran, maliyetleri düşüren ve karar alma süreçlerini iyileştiren geniş bir endüstri yelpazesi için gerçekten yıkıcı bir güç haline getiriyor. Bu bağlamda, AI mevcut tahminlerimizin ötesine geçerek endüstrileri ve dolayısıyla hayatlarımızı dönüştürme potansiyeline sahip.

Yapay zekaya yatırım hakkında her şeyi öğrenmek için buraya tıklayın.