Yapay zeka, hava tahminlerinden analizlere kadar iklim araştırmalarını hızlandırıyor

Yapay zeka (YZ), giderek kötüleşen aşırı hava olayları ve fon kesintileri nedeniyle zorluklar yaşayan iklim araştırmalarına büyük destek sağlıyor. Üretken yapay zeka modellerinin büyük miktarda enerji tüketimi eleştirilse de, bilimsel ilerlemeye katkıda bulunma potansiyeli taşıyor.

İspanya’daki AZTI deniz araştırma merkezinden biyolog Ángel Borja, “Bu, dev bir adım ileri,” diyor. “Verileri çok daha hızlı işlememizi ve sonuçlar almamızı sağlayacak, böylece karar vericiler de daha hızlı hareket edebilecek.”

Araştırmacılar, haftalarca sürecek rutin görevler için mevcut YZ modellerini eğitiyor veya yenilerini oluşturuyor. Okyanus tabanından Antarktika’nın en uzak köşelerine kadar toplanan veriler, artık saatler içinde sınıflandırılabiliyor.

Ancak, üretken YZ’nin tehlikeleri de bulunuyor. Project Drawdown’ın yönetici direktörü Jonathan Foley, makine öğrenimi tekniklerinin hiçbir zaman insan düşüncesinin, yazısının ve analizinin yerini almaması gerektiğini vurguluyor. Foley, “Tanımı gereği, üretken YZ intihale dayanır ve sıklıkla yanlış bilgiler, alıntılar, veriler ve yaratıcı içerikler uydurur,” diyor.

Bu uyarılara rağmen, diğer araştırmacılar YZ’yi projelerine entegre etmeye devam ediyor. İşte üç örnek:

Yapay zeka deniz araştırmacılarına yardım ediyor

Borja, 45 yıl önce bilimsel çalışmaya başladığında verileri elle topladığını ve yüzlerce ölçümü veritabanlarına girdiğini hatırlıyor. YZ’nin son üç-dört yıldaki yükselişi ise “tamamen farklı ve daha dönüştürücü” bir his veriyor.

AZTI’deki bilim insanları, 30 yılı aşkın süredir toplanan milyonlarca veri noktasını bir YZ modeline beslemeye başladı. Bu veriler, su kalitesinden farklı balık ve plankton türlerinin varlığına kadar her şeyi içeriyor. Model, araştırmacıların hangi veritabanlarını kullanacaklarına daha kolay karar vermelerini sağlayacak araştırma notları oluşturuyor.

Merkez ayrıca, araştırma gezilerinden elde edilen video ve fotoğrafları kullanarak balık ve deniz canlılarını tanıyacak başka bir modeli eğitiyor. Bu görev, normalde bilim insanlarının yüzlerce saatlik su altı videosunu izlemesini ve türleri manuel olarak kaydetmesini gerektiriyordu. Borja, YZ’nin bu süreci hızlandırarak “deniz ortamının durumu hakkında daha hızlı sonuçlar almamızı sağlayacağını” belirtiyor.

Hava tahminleri daha doğru hale geliyor

Bazı YZ destekli modeller, geleneksel hava tahmin sistemlerini şimdiden geride bırakıyor. Microsoft’un Aurora adlı modeli, bir milyondan fazla saatlik jeofiziksel veriyle eğitildi. Aurora, yaratıcıları tarafından belirlenen hedeflerin %91’inde, geleneksel Avrupa Orta Vadeli Hava Tahminleri Merkezi’nin modelinden ve Google DeepMind’ın GraphCast modelinden daha doğru tahminler yapıyor.

Microsoft Research çalışanlarının bir makalesine göre Aurora, hava kalitesi, dalgalar ve tropikal siklon yolları gibi tahminleri, geleneksel modellere kıyasla çok daha düşük bir hesaplama maliyetiyle yapabiliyor.

Geleneksel hava durumu modellerine kıyasla YZ modellerinin bir “kara kutu” olması, bazı tahmincileri endişelendiriyor. Ancak yüksek kaliteli hava durumu bilgileri, aşırı hava olayları sırasında insanlara sığınacak yer bulmaları için zaman tanıyan uyarı sistemlerinin ilk adımı.

Gönüllü bilim insanlarına YZ desteği

Geçen yıl yayımlanan bir makaleye göre, insan ve YZ’nin kombinasyonu bilimsel araştırmalar için en iyi sonuçları verebilir. The Open University’den bilgisayar bilimcisi Nirwan Sharma, 2010 yılında bir vatandaş bilimi projesinde, şimdiki üretken YZ’nin erken bir biçimi olan doğal dil üretimini kullanmaya başladı.

İnsanlar, yürüyüşlerinde veya bahçelerinde gördükleri yaban arılarının fotoğraflarını Sharma ve ekibine gönderiyordu. YZ, fotoğraftaki 22 İngiliz arı türünden hangisi olduğunu belirliyordu ve araştırmacılar bu çalışmayı doğruluyordu. Ardından, vatandaş bilim insanlarına katkılarından dolayı teşekkür eden ve fotoğrafını çektikleri arı türünü açıklayan otomatik bir e-posta gönderiliyordu.

Başlangıçta, türü doğru bir şekilde tanımlamak için yaklaşık 10 kişinin çalışması gerekiyordu. Model öğrendikçe, bu sayı üçe kadar düştü. Yıllar içinde toplanan büyük miktardaki fotoğraflar kullanılarak, model arıların fotoğraflandığı bitkileri de tanımlayacak şekilde eğitildi ve bu sayede vatandaş bilim insanlarının çekmek istedikleri arı türlerine göre bitki önerileri sunabildi.

Sharma, “Türleri nasıl tanımlayacağımıza dair bilginin çoğu, bilimsel dergilerde veya insanların erişiminin gerçekten zor olduğu yerlerde gizli kalıyor,” dedi. “YZ, öğrenmemizi geliştirmek için bir başka araçtır; bu bilgiyle diyalog kurmanın bir yoludur.”