20 Yılda Ne Kadar Yol Geldik?

    resim

    Son 20 yılda teknolojideki gelişmelerde büyük hayaller gerçekleşti mi? Keyifli okumalar! 

     Bundan 20 yıl önce MIT Technology Review "dünyayı değiştireceğine" emin olduğumuz gelişmekte olan 10 inovasyon alanını seçmişti. Teknoloji konusunda iyimserliğin zirve yaptığı bir dönemdi. Geleneksel olarak her yıl yayınladığımız listelerin ilkine bir göz atmakta, ne kadar aşama kaydettiğimizi görmekte fayda var. Bu teknolojiler, 20 yıl önce kurduğumuz hayalleri ne kadar gerçekleştirdi? 2001 listesinden bazı dersler çıkarabilir miyiz?

    • Birinci Ders: Gelişim Genelde Yavaş Olur

    İlk seçimimiz olan beyin-makine ara yüzleri, nörobilimci Miguel Nicolelis'in, bir yudum meyve suyu içmenin yollarını düşünen Belle adındaki pek sevimli bir maymunun beynindeki elektrik sinyallerini nasıl kaydettiğini anlatmasıyla başlıyor. 2020 sonlarına hızlı bir geçiş yaptığımızda, Elon Musk'ın, beyin-makine alanındaki girişimi Neuralink tarafından gerçekleştirilen bir etkinlikte, izleyicilerin heyecanlı bakışları arasında, Gertrude adında pek sevimli bir domuzun beyin sinyallerini gösterdiğine tanık oluyoruz. Musk'ın düzenlediği etkinliğe katılanların Nicolelis'in deneyinin üzerinden 20 yıl geçmiş olduğunu düşünmemesi affedilebilir bir durum. Her ikisi de benzer bir vizyona sahipti: Takılan çipler yoluyla beyni doğrudan bilgisayarlara bağlamak. Biyotıp editörümüz Antonio Regalado 2001'de "Nicolelis'in çabaları (beyin ara yüzlerini) Palm Pilot kadar yaygın hâle getirecek devrimin bir parçası" demişti. Bu iddiasında haklı çıktı. Ancak bu beyin-makine ara yüzlerinin popülerlik kazanması sayesinde değil, Palm Pilot'ın çöküşü sayesinde oldu. Aradan geçen yıllar içinde, insanlar üzerinde gerçekleştirilen umut verici deneylere rağmen, bu tür arayüzler bilimsel ve tıbbi bir "acayiplik" olma niteliğini sürdürüyor. Görünüşe göre nörobilim oldukça zor bir alan. Elektronik cihazları küçültme, yerleştirilen cihazları kablosuz hale getirme konusunda başarılar elde edilse de bilimdeki ilerleme Nicolelis ve Musk'ın gerçekleştirmek istedikleri vizyonu sekteye uğratacak kadar yavaş oldu. (Birinci derse dair bir dipnot: Başarı, genellikle bir dizi ilerlemenin bir araya gelmesine bağlıdır. Beyin arayüzlerini pratik hale getirmek, hem bilim hem de teknolojide gelişmeyi gerektirir.)

    • İkinci Ders: Kimi Zaman Bir Kriz Gerekir

    2001'de küçük miktarlardaki biyolojik numuneleri (çipteki laboratuvar olarak adlandırılan) küçük bir cihazla taşıma konusunda sağlanan kayda değer başarılardan dolayı mikro sıvıları da seçmiştik. Bu başarılar, hızlı teşhis olanağının yanı sıra ilaç ve gen deneylerinin otomatik hale gelmesini vaat ediyordu. O günden bu yana mikro sıvılar biyoloji araştırmalarında önemli kullanım alanları elde etti. Ultra ucuz ve kullanımı kolay kâğıt teşhis testleri gibi zekice ilerlemeler kaydedilmeye devam edildi ("Kâğıt Teşhis" 2009'daki TR 10 listesinde yer alıyordu). Ancak bu çalışmalar testleri dönüştür vaadini yerine getirme konusunda yetersiz kaldı. Bu teknolojiye yoğun bir talep gelmedi. Bilim dünyasının mikro sıvılara pek ilgi göstermediğini söylemek yanlış olmaz. Buna COVID-19 son verdi. Geleneksel testler analitik laboratuvarlarda gerçekleştirilen çok aşamalı prosedürler gerektirir; bu da pahalı ve yavaş bir süreçtir. COVID-19'la birlikte bir anda hızlı ve ucuz "çipteki laboratuvar" çözümlerine yönelik iştah arttı. Araştırmacıların bu teknolojinin tozunu alması birkaç ay sürse de şu anda mikro sıvıların kullanıldığı COVID-19 teşhisleri gerçekleştirilmeye başlanıyor. Aralarında CRISPR gen düzenleme yöntemi kullanan bir tanesinin de bulunduğu bu teknikler COVID-19 testlerini daha erişilebilir ve yaygın hale getirmeyi vaat ediyor.

    • Üçüncü Ders: Ne İstediğinize Dikkat Edin

    2001'de, biyometri alanının öncülerinden biri olan Joseph Atick, yüz tanıma sistemlerinin insanların bilgisayar ve cihazlarla daha güvenli ve kolay şekilde etkileşime girmesini sağlayan bir yöntem olacağını düşünüyordu. Cep telefonu ve dijital kişisel asistanların sahiplerini tanımasının giderek yaygınlaşan bir yöntemi olacak, pin kodu ve şifrelerin sonunu getirecekti. Bu vizyonun bir kısmı Apple'ın FaceID gibi uygulamaları seyesinde gerçekleşti. Ancak yüz tanıma sistemleri Atcik'in "Beni şoke ediyor" dediği bir boyut da kazandı. Bu süreçte kamu fonlarının, saldırılara açık topluluklarda yüz tanıma sistemlerinin konuşlandırılması amacıyla nasıl kullanılacağını, bunun doğru olup olmayacağını tartışmaya başladık. 2001'de yüz tanıma algoritmaları sınırlıydı. Bir yüzün ayırt edici özelliklerini belirleyebilmeleri için insanların matematiksel formda verdiği komutlara ihtiyaçları vardı. Üstelik veritabanındaki her bir yüzün titizlikle taranması ve yazılıma yüklenmesi gerekiyordu. Derken sosyal medya patlaması gerçekleşti. Atick, ilk dönemlerde, makine öğrenmesi algoritmalarının, yüz tanıma veritabanlarındaki 100.000 görselle yetinmemesinin, Facebook, LinkedIn ve diğer sitelerden taranacak milyarlarca yüz sayesinde eğitilebilecek olmasının kendisini heyecanlandırdığını söylüyor. Artık bu türden yüzlerce algoritma vardı ve bu algoritmalar insanların yardımına ihtiyaç duymadan, sadece görselleri karşılaştırarak, kendi kendilerini eğitebiliyordu. Ancak bu olağanüstü gelişmenin bir bedeli de vardı: Kimse makinelerin kullandığı mantığı tam olarak anlayamıyordu. Bu da yüz tanıma sistemlerinin, şüphelilerin belirlenmesi gibi hassas görevlerde giderek daha fazla kullanıldığı bir ortamda ciddi bir problem teşkil ediyor. Atick "Bu makinelerin kontrolü ele geçireceği ve bizim adımıza kararlar vereceği bir dünya hayal etmemiştim" diyor.

    • Dördüncü Ders: Gelişim Süreci de Önemlidir

    "Tekrar merhaba Sidney P. Manyclicks. Size önerilerimiz var. Bu ürünü alan müşteriler şunları da aldı…" 2001'deki veri madenciliği konusundaki haberimizin başında bu şekilde tanımlanan tavsiye motorları, o dönem oldukça etkileyici görünüyordu. 2001'de veri madenciliğinin heyecan veren bir diğer potansiyel kullanım alanı daha vardı: Bilgisayarlar üzerinden arama yapılabilen video kütüphaneleri. Günümüzde sıradan bir şey. Giderek artan bilgiişlem gücü, veritabanlarının katlanarak artan büyüklüğü ve yapay zekâ alanındaki bağlantılı gelişmeler sayesinde veri madenciliği (bu deyim yerine günümüzde yapay zekâ da kullanılıyor) iş dünyasını yönetir hale geldi. Bu teknoloji Google'dan ona bağlı YouTube'a, Amazon'dan Facebook'a kadar tüm büyük teknoloji şirketlerinin hayat damarı. Reklamcılığın ve kişiselleştirilmiş tavsiye motorları yoluyla ayakkabıdan sigortaya dek her şeyin satışının ardında bu teknoloji var.

    Bu teknolojiler hayatımızı kolaylaştırmanın yanında, onu bizim açımızdan anlam ifade edecek şekilde iyileştirdi mi?

    Bu büyük başarılar, özellikle pandemi sırasında bariz şekilde ortaya çıkan başarısızlıkları gizliyor. Büyük verinin gücünü bizim açımızdan önemli alanlarda kullanmadık. Virüsün ilk belirtilerinden testlere, hastanelerdeki tedavilerden aşıların geliştirilmesine dek tüm aşamalarda, kritik konularda veri toplama ve veri madenciliği yapma fırsatlarını kaçırdık. Virüsün nasıl yayıldığı, nasıl bir evrim geçirdiği, hastalığı nasıl tedavi edebileceğimiz, kaynakları nasıl dağıtacağımız konusunda çok şey öğrenebilir, sayısız insanın hayatını kurtarabilirdik. Ancak ihtiyacımız olan veriyi nasıl toplayacağımız konusunda en ufak bir fikrimiz yokmuş gibi davrandık. Genel anlamda bakıldığında, 2001'de seçtiğimiz 10 teknoloji bugün de önemini koruyor. Hiçbirinden vazgeçilmiş değil ve kimilerinde önemli, hatta dünyayı değiştiren başarılar elde edildi. Ancak gelişim konusundaki asıl test çok daha zorlu: Bu teknolojiler hayatımızı kolaylaştırmanın yanında, onu bizim açımızdan anlam ifade edecek şekilde iyileştirdi mi? Bu konudaki gelişimi nasıl ölçebiliriz?

    Kaynak: MIT Technology Review 

    İlaçta Kariyer: Beril Koparal ile İlham Röportajı
    Yapay Zekâ Alanındaki Son Gelişmeleri Takip Edebil...
     

    Yorum

    Zaten Hesabınız Varsa Buradan Oturum Açın
    Henüz bir yorum yapılmamış. İlk yorum yapan siz olun
    © 2023 BinYaprak. Tüm Hakları Saklıdır.
    Bir TurkishWIN girişimidir.