Yapay Zekâ
Yapay Zekâ Kullanarak Mevsimsel Alerjiler İçin Şehir Planlamasını Yeniden Düşünmek
Soğuk kış geriledikçe, bahar renk patlaması, kuş sesleri, daha sıcak sıcaklıklar, artan gün ışığı saatleri ve genel olarak canlı bir enerjiyle bizi mutlu eder.
Ancak bu tazelik, polen alerjileri gibi zorlukları da beraberinde getirir. Polen alerjileri en çok baharda görülür, ancak birçok bitki, ağaç, çimen ve ot bu dönemde polen yaydığı için yaz aylarında da yaygındır.
Polen sayısı daha sıcak mevsimlerde daha yüksek olma eğilimindedir, ancak bazı bitkiler yıl boyunca polen yayar.
Ayrıca iklim değişikliği, polen yayılımını etkileyebilir. Sıcaklıkları, atmosferik karbondioksit (CO2) seviyesini ve yağışları değiştirerek iklim değişikliği, polen sezonunun süresini, polen miktarını, alerjenliğini ve alerji semptomları yaşama riskini etkileyebilir.
Polen, çeşitli alerjik reaksiyonları tetikleyen havada taşınan bir alerjendir. Bunlar arasında polen vücuda girdiğinde bağışıklık sistemi onu tehdit olarak yanlış tanımlayıp tepki verdiğinde ortaya çıkan alerjik rinit ya da saman nezlesi bulunur.
Polen alerjisi aslında oldukça yaygındır; dünya nüfusunun %10‑%30’u bu durumdan etkileniyor. ABD’de 18 yaş ve üzeri nüfusun yaklaşık %7,8’i saman nezlesi yaşıyor.
Polene maruz kalmak ayrıca göz konjunktivitisi semptomlarını tetikleyebilir; bu, göz zarının iltihaplanmasıdır. Normal nüfusun yaklaşık %30’u göz alerjisi yaşar; bu durum kırmızı, sulanmış ya da kaşıntılı gözleri içerir. Alerjik rinitli bireylerin %70’i ise bu belirtileri gösterir.
Astım gibi solunum rahatsızlıkları olan kişiler polene karşı daha hassas olabilir ve maruz kalmak astım ataklarına, solunum sorunlarına ve iş‑okul verimliliğinin azalmasına yol açabilir.
Bu büyük halk sağlığı sorununun çözümü, çiçekli bitkiler ve ağaçlardan yayılan küçük ‘tohum’ gibi polen tanelerinin doğru şekilde tanımlanmasını gerektirir. Doğru tanımlama, insan‑çevre etkileşimlerini anlamak ve peyzaj ile ortamları yeniden inşa etmek için önemlidir.
“Hangi ağaç türlerinin en alerjenik olduğu ve ne zaman polen yaydığına dair daha ayrıntılı verilerle, şehir planlamacıları ne ekileceği ve nerede ekileceği konusunda daha akıllı kararlar alabilir.”
– Çalışma ortak yazarı Behnaz Balmaki, UT Arlington’da biyoloji araştırma asistanı profesör
Balmaki, parklar, okullar, hastaneler ve mahalleler gibi yüksek yoğunluklu alanlarda seçim ve yerleştirmenin önemine de değindi.
Bununla birlikte, Abies (köknar), Pinus (çam) ve Picea (ladin) gibi kozalaklı cinslerin polen tanelerini ayırt etmek, morfolojik benzerlikleri nedeniyle palinoloji alanında zorluk yaratmaktadır.
Yüksek Benzerlikler Polen’i Ayırt Etmeyi Zorlaştırıyor
Araştırmacılar, tarihsel ve güncel çevresel analizleri incelemek ve şehirleri planlamak için polen verilerini kullanıyor.
Sedimanlar ve turbalıklarda korunan polen tanelerinin analizi, paleoekologların belirli bir konumda geçmişte hangi bitki örtüsünün bulunduğunu tanımlamasını sağlar. Bu, geçmiş bitki örtüsü desenlerini ve tarihsel iklim koşullarını yeniden inşa etmeye yardımcı olur; çünkü bitki dağılımı yağış ve sıcaklık gibi iklim parametreleriyle yakından ilişkilidir.
Bu sayede araştırmacılar, manzara değişikliklerini anlayabilir ve yüzyıllar boyunca iklim dalgalanmalarının ekolojik etkilerini izleyebilir. Bu, ekosistemlerin çevresel değişimlere nasıl yanıt verdiğine dair içgörüler sunar ve iklim değişikliğine yönelik gelecekteki ekolojik tepkileri tahmin etmeye yardımcı olur.
Polen taneleri ayrıca insan faaliyetleri ile çevresel faktörler arasındaki etkileşimleri tanımlamamıza yardımcı olur; bu etkileşimler manzara desenlerini önemli ölçüde şekillendirir.
Kozaçık cinsleri, belirli ekolojik ve iklimsel adaptasyonların temsilcileri oldukları için önemlidir. Örneğin, çam ağaçları yangın gibi çevresel streslere karşı dayanıklılıklarıyla bilinir. Ladin ağaçları soğuk ortamlara, köknar ağaçları ise nem değişimlerine duyarlıdır.
Bu bitki türlerine ait veriler, yangın rejimleri, iklim dalgalanmaları, yağış desenleri ve tarihsel nem hakkında kapsamlı bir anlayış kazanmamıza yardımcı olabilir. Ayrıca alerjen tedavisi ve halk sağlığı yönetiminde kilit bir rol oynar.
Özellikle, polen analizi alerjenik türleri belirlemeye ve ilgili sağlık sorunlarını öngörmeye yardımcı olabilir; bu da alerji ve sağlık araştırmalarında faydalıdır.
Tabii ki, burada ortaya çıkan sorun, kozalaklı cinslerin morfolojik benzerlikleridir. Araştırmacılar, polen tanelerinin boyut, şekil, simetri, kutup, açıklık ve süsleme gibi morfolojik özelliklerine dayanarak inceleme yapar.
Yakın akraba polen tanelerinde morfolojik farklar çok ince olduğundan, bir türü diğerinden doğru ve hızlı bir şekilde ayırt etmek zordur.
Örneğin, mikroskopla polen tanelerini tanımlamak kaynak yoğun bir süreçtir. Sadece maliyetli ve zaman alıcı olmakla kalmaz, aynı zamanda öznel kriterlere dayanır; bu da hata oranlarının %33’e kadar çıkmasına neden olur.
Kozaçık türlerine ait polen taneleri, az morfolojik farklılıkları nedeniyle tanımlanması zor olarak belgelenmiştir. Grup içindeki tüm taneler iki hava kesesi ve merkezi bir gövdeye sahiptir; bu yüzden mikroskop altında bu türleri doğru tanımak bile zordur.
Araştırmacılar, analizleri geliştirmek için dijital görüntüleme teknikleri ve grafik yazılımlarını kullanıyor. Ancak bu hâlâ büyük ölçüde insan görsel incelemesine bağlıdır; bu da özellikle yeni başlayan palinologlar söz konusu olduğunda sınıflandırma hatalarına yol açar.
Bu sınırlamalar, polen tanelerini tanımlamak için daha nesnel, verimli ve hassas tekniklerin gerekliliğini ortaya koymaktadır. Bu zorlu görev, uzman bilgi, yüksek çözünürlüklü mikrograflar ve doğru karşılaştırmalar yapabilmek için çok sayıda referans slaytı gerektirir.
“Yüksek çözünürlüklü mikroskoplarla bile, polenler arasındaki farklar çok ince.”
– Dr. Balmaki
Yapay Zekâ Alerjiden Sorumlu Polen’i Bulmaya Yardımcı Olabilir
Yapay zekâ (AI), neredeyse tüm sektörlerde ilerlemeler kaydetmeye yardımcı oluyor. Büyük miktarda veriyi öğrenmek ve ardından iyileştirmek için kullanarak, teknoloji insanların kaçırabileceği desen ve ilişkileri tanımlayabiliyor.
Daha önce paylaştığımız gibi, AI bilim insanlarının önceki çalışmaların devasa veri tabanından yararlanarak en iyi katı hal elektrolit (SSE) adaylarını bulmalarını sağlıyor. Bu hızlı arama, potansiyel seçeneklerin tümünü tarayarak yüksek performanslı katı hal bataryaları (SSB) için optimize edilmiş SSE seçeneklerinin keşfini hızlandırıyor.
Şimdi, Texas Arlington Üniversitesi (UTA) araştırmacıları teknolojiyi kullanarak polen analizini geliştirmeyi1 hedefliyor; binlerce görüntü üzerinde eğitilmiş derin öğrenme modeliyle türleri tanımlıyor.
Derin öğrenmenin bu amaç için harika bir teknik olduğunu belirten araştırmacılar, bu yaklaşımın polen sınıflandırma doğruluğunu önemli ölçüde artırabileceğini ve tanımlama süresini dramatik şekilde azaltabileceğini vurguladı.
Geleneksel yöntemler, örneğin bir polen örneğini manuel olarak tanımlamak, örnek karmaşıklığına ve kişinin uzmanlığına bağlı olarak saatler sürebilir.
Buna karşılık, makine öğrenimi (ML) ve derin öğrenme (DL) modelleri, bir kez eğitildikten sonra binlerce görüntüyü saniyeler içinde işleyebilir. “Hızdaki üssel iyileşme”, DL’yi büyük ölçekli ekolojik ve çevresel çalışmalar için özellikle değerli kılıyor.
Bu şekilde, eğitilmiş bir model, morfolojik eğitim ihtiyacını azaltarak tür tanımlamayı iyileştirebilir.
“Çalışmamız, derin öğrenme araçlarının polen sınıflandırma hızını ve doğruluğunu önemli ölçüde artırabileceğini gösteriyor. Bu, büyük ölçekli çevresel izleme ve ekolojik değişimin daha ayrıntılı yeniden yapılandırılmasına kapı açıyor. Ayrıca, hangi türlerin ne zaman polen yaydığını kesin olarak belirleyerek alerjen takibini iyileştirme potansiyeli taşıyor.”
– Dr. Balmaki
UT araştırmacılarının Nevada Üniversitesi ve Virginia Tech ile iş birliği içinde kullandığı teknolojiye daha derinlemesine bakmak için, gelişmiş derin öğrenme teknikleri, özellikle transfer öğrenme modelleri kullanıldı.
Bu modeller, farklı ancak ilgili bir görev için önceden eğitilmiş bir modeli yeniden kullanmayı içerir. Böylece transfer öğrenme, sıfırdan başlama ihtiyacını önler ve sınırlı veriyle bile yeni modelleri eğitmek için gereken zaman ve kaynakları azaltır.
Çalışmaya göre, transfer modelleri detaylı özelliklerdeki benzerlikleri tanımada etkilidir. Özellikle kozalaklı tür sınıflandırmasında zor türlerin tanımlanmasına yardımcı olabilir ve polen tanım analizini geliştirebilir.
Araştırmacılar, dokuz transfer öğrenme modeli kullandı — VGG16, VGG19, ResNet101, ResNet50, MobileNetV2, InceptionV3, EfficientNetV2S, DenseNet201 ve Xception.
Bu modelleri, Nevada Üniversitesi Doğa Tarihi Müzesi tarafından korunan örneklerden toplanan polen görüntü veri seti üzerinde eğitip doğruladı.
Modeller, eğitim, test ve doğrulama aşamalarında kesinlik, doğruluk, geri çağırma ve F1-skoru gibi çeşitli performans metrikleriyle değerlendirildi. Bu modellerin sonuçlarına göre, ResNet101 diğerlerinin hepsinden üstün bulundu. Test doğruluğu %99 ve aynı derecede yüksek kesinlik, geri çağırma ve F1-skoru elde etti. Balmaki’ye göre:
“Bu, derin öğrenmenin hem hız hem de doğruluk açısından geleneksel tanımlama yöntemlerini başarılı bir şekilde destekleyebileceğini ve hatta aşabileceğini gösteriyor.”
Güçlü olmasına rağmen, AI hâlâ eğitimli palinologların uzmanlığına ihtiyaç duyuyor. Aslında, “insan uzmanlığının hâlâ ne kadar hayati olduğunu doğruluyor,” diye ekledi. Gerekli veri setlerini oluşturmak için “iyi hazırlanmış örnekler ve ekolojik bağlamın güçlü bir anlayışı” gerektiğini vurguladı. “Bu sadece makinelerle ilgili değil — teknoloji ve bilim arasındaki bir iş birliği.”
Bu yeni AI sistemiyle, araştırmacılar şehir planlamacılara ağaç seçiminde daha bilinçli kararlar alabilecekleri ve alerjisi olan bireyler için daha sağlıklı ortamlar inşa edebilecekleri bir araç sunmayı hedefliyor. Dr. Balmaki şöyle belirtti:
“Sağlık hizmetleri, polen sezonlarının zirvesinde alerji uyarılarını, halk sağlığı mesajlarını ve tedavi önerilerini daha iyi zamanlayabilir.”
Çiftçiler de bu çalışmadan büyük fayda sağlayabilir; “polen ekosistem sağlığının güçlü bir göstergesidir.” Dr. Balmaki şöyle açıkladı:
“Polen bileşenlerindeki değişimler, bitki örtüsü, nem seviyeleri ve hatta geçmiş yangın aktiviteleri hakkında sinyaller verebilir. Çiftçiler bu bilgiyi uzun vadeli çevresel trendleri izlemek için kullanabilir; bu da ekin verimliliği, toprak koşulları veya bölgesel iklim desenlerini etkileyebilir.”
Ayrıca, çalışma vahşi yaşam ve tozlayıcıların korunması için de faydalı olabilir.
Arılar ve kelebekler gibi böcekler, belirli bitkilere yiyecek ve yaşam alanı olarak bağımlıdır. Bir bölgede hangi bitki türlerinin mevcut ya da azaldığını belirleyerek, bu değişikliklerin tüm besin zincirine nasıl etki ettiğini daha iyi anlayabilir ve kritik bitki‑tozlayıcı ilişkilerini korumak için uygun önlemler alabiliriz.
Araştırma, daha geniş bir bitki yelpazesini kapsayacak şekilde genişletmeyi planlıyor. Araştırmacıların hedefi, ABD genelinde uygulanabilecek kapsamlı bir polen tanımlama sistemi geliştirmek; böylece aşırı hava olaylarına karşı bitkilerin nasıl kayabileceğini daha iyi anlamak.
Yapay Zekâ (AI) Yatırımları
AI alanında Nvidia (NVDA ) en büyük isimdir. Bu yarı iletken devi, GPU teknolojileri ve AI donanımlarıyla birçok derin öğrenme modeline güç sağlıyor. Aslında, bu çalışmadaki tüm modeller, Python 3.10.6 ve TensorFlow kullanılarak 12 GB belleğe sahip bir NVIDIA GeForce RTX 3060 üzerinde eğitilip test edildi.
NVIDIA Corporation (NVDA )
Nvidia’nın GeForce RTX 3060’ı, Nvidia tarafından Ocak 2021’de ikinci nesil NVIDIA RTX™ olarak tanıtıldı; GTX 1060’ın ışın izleme performansının 10 katına kadar çıkış ve NVIDIA DLSS desteği sunuyor.
NVIDIA Ampere Mimarisiyle güçlendirilmiştir; 54 milyar transistörle üretilen ve şimdiye kadar yapılmış en büyük 7 nm çiptir. Mimari, 3. nesil Tensor Çekirdekleri, çoklu örnek GPU (MIG), 600 GB/s GPU‑GPU doğrudan bant genişliği, model eğitiminin performansını artıran yapısal seyreklik, 2. nesil RT Çekirdekleri ve 2 TB/s bellek bant genişliği gibi çığır açan yenilikler içerir.
Şu anda Nvidia’nın Hopper (H100) GPU’su ve yeni nesil Blackwell GPU mimarisi, AI yeniliklerine öncülük etmek isteyen işletmelerin tercih ettiği çipler olarak tüm ilgiyi çekiyor.
Gelişmiş çözümleri ve üst düzey müşterileri sayesinde Nvidia, iki yıl önce 30 $ altından 119 $ seviyesine yükselen bir AI sevilen hisse haline geldi. Bu %296’luk artış, büyük ölçüde AI çılgınlığı sayesinde gerçekleşti; NVDA hisseleri Kasım 2024’te, ABD başkanlık seçimlerinin hemen ardından neredeyse 150 $’a ulaştı.
O zamandan beri NVDA hisseleri değerinin %20,66’sını kaybetti ve bu yıl %12,83 düşüş kaydetti; tarifeler ve ticaret savaşı borsayı etkiliyor. Geçtiğimiz ay Nvidia aslında rapor etti H20’nun Çin’e ihracatıyla ilgili 5,5 milyar $’lık masrafları öngördüğünü.
Bununla birlikte, önde gelen AI çip üreticisi, önümüzdeki dört yıl içinde ABD tedarik zincirine yüzlerce milyar dolar yatırım yapma planını açıkladı. “Bu sektörün başarısını önemseyen bir yönetimin desteği ve enerjinin bir engel olmaması, ABD’de AI için muazzam bir sonuç.” dedi CEO Jensen Huan, FT’ye birkaç ay önce.
Trump yönetimi, “AI yayılım kuralı”nı iptal etmeye de hazırlanıyor; bu kural, ayda ilerleyen bir tarihte yürürlüğe girecek AI çip kontrollerinin bir setini etkili bir şekilde önleyecek. Kural, ülkeleri üç seviyeye ayırıyor ve her seviyeye Nvidia ve diğer çiplerin lisanssız gönderilebileceği farklı kısıtlamalar getiriyor.
Nvidia, bu kurala karşı çıkıyor; Huang, bu hafta başında Çin AI pazarının, 50 milyar $’lık bir değer taşıyabileceğini ve kilit dışarıda kalmanın “muazzam bir kayıp” olacağını söyledi.
Karlılık açısından bakıldığında, Nvidia’nın EPS (TTM) değeri 2,94, P/E (TTM) 39,82 ve ROE (TTM) %119,18. Nvidia ayrıca %0,03 temettü veriyor. Piyasa değeri ise 2,85 trilyon $, bu da onu dünyanın üçüncü en büyük şirketi yapıyor.
(NVDA )
Şimdi, 26 Ocak 2025’te sona eren Q4 için Nvidia, %12 artışla ve bir önceki çeyrek ve bir yıl öncesine göre sırasıyla %78 artışla rekor çeyrek geliri 39,3 milyar $ açıkladı.
Tam mali yıl 2025 için gelir 130,5 milyar $, bir önceki yıla göre %114 artış. GAAP bazında hisse başına kazanç %147 artarak 2,94 $, GAAP dışı bazda %130 artarak 2,99 $ oldu.
Bu güçlü finansallar, Nvidia’nın yeni GPU mikro mimarisi Blackwell sayesinde; bu mimari, Gen AI ve hızlandırılmış hesaplama için tasarlandı ve “harika” bir talep görüyor. Şubat ayında sonuçları paylaşırken, Huang, Blackwell AI süper bilgisayarlarının üretimini artırdıklarını ve ilk çeyrekte milyarlarca dolar satış yaptıklarını söyledi.
NVIDIA Corporation’da Son Gelişmeler
Sonuçlar
Derin öğrenme teknikleri, nesne tespiti, görüntü sınıflandırması ve görev tanıma gibi alanlarda verimliliği ve doğruluğu artırıp hataları ve manuel çabayı azaltmasıyla bilinir. Aynı zamanda polen sınıflandırmasında da son derece etkilidir. Çalışma, özellikle transfer öğrenmeyi kullandı ve maliyet açısından etkili, zaman açısından daha az harcayıcı olduğunu ve konifer türlerine yardımcı olurken veri kıtlığı sorununu da çözdüğünü buldu.
AI’yi kullanarak, araştırmacılar alerji hastalarına rahatlama sağlayan ve çiftçilere ve şehir planlamacılara yardımcı olan bir araç sundu. Ölçeklenebilir, hızlı ve doğru polen tanımlamasıyla, kentsel ortamlar alerjen maruziyetini azaltmak ve halk sağlığı yanıtlarını iyileştirmek için şekillendirilebilir.
Ayrıca, iklim değişikliğinin çevre üzerindeki etkisi göz önüne alındığında, ekolojik bilimle AI’yi birleştirmek, sadece şehir ve peyzaj planlamasını daha sağlıklı hâle getirmekle kalmayıp, aynı zamanda yaban hayatı ve tozlayıcıları koruyacak, daha yüksek ürün verimi sağlayacak.
Yapay zekâ yatırımları hakkında her şeyi öğrenmek için buraya tıklayın.
Referans Alınan Çalışmalar:
1. Rostami, M. A., Kydd, L., Balmaki, B., Dyer, L. A., & Allen, J. M. (2025). Konifer polen tanelerinin doğru sınıflandırması için derin öğrenme: palinolojide tür tanımlamasını geliştirme. Frontiers in Big Data, 8, 1507036. https://doi.org/10.3389/fdata.2025.1507036
