AI tarımı nasıl dönüştürüyor?

Tarım ve çiftçilik dünyanın en eski ve en önemli mesleklerinden biridir. İnsanlık, çeşitli teknolojilerin tanıtılmasıyla ekinleri nasıl ektiğimiz ve yetiştirdiğimiz konusunda binlerce yıl boyunca uzun bir yol kat etti. Dünya nüfusu artmaya devam ettikçe ve arazi daha kıt hale geldikçe, insanların daha fazla mahsul üretmek için daha az arazi kullanarak ve ekilen bu dönümlerin üretkenliğini ve verimini artırarak nasıl çiftçilik yaptığımız konusunda yaratıcı olmaları ve daha verimli olmaları gerekiyor. Dünya çapında, tarım 5 trilyon dolarlık bir endüstridir ve şimdi endüstri daha sağlıklı mahsuller elde etmek, zararlıları kontrol etmek, toprak ve yetiştirme koşullarını izlemek, çiftçiler için veri düzenlemek, iş yüküne yardımcı olmak ve çok çeşitli tarımı geliştirmek için AI teknolojilerine yöneliyor. 

Çiftlikler her gün yerde yüz binlerce veri noktası üretir. Yapay zekanın yardımıyla çiftçiler, kararlarını daha iyi bildirmek için artık hava koşulları, sıcaklık, su kullanımı veya çiftliklerinden toplanan toprak koşulları gibi çeşitli şeyleri gerçek zamanlı olarak analiz edebilirler. Örneğin yapay zeka teknolojileri, çiftçilerin ürün seçimlerini, en iyi hibrit tohum seçimlerini ve kaynak kullanımını belirleyerek daha bol verim elde etmek için planlamayı optimize etmelerine yardımcı olur.

Yapay zeka sistemleri, hassas tarım olarak bilinen hasat kalitesini ve doğruluğunu artırmaya da yardımcı oluyor. Hassas tarım, bitkilerdeki hastalıkları, zararlıları ve çiftliklerdeki yetersiz bitki beslenmesini tespit etmeye yardımcı olmak için AI teknolojisini kullanır. AI sensörleri yabani otları tespit edip hedefleyebilir ve ardından doğru tampon bölge içinde hangi herbisitlerin uygulanacağına karar verebilir. Bu, gıdalarımızda yolunu bulan herbisitlerin ve aşırı toksinlerin aşırı uygulanmasını önlemeye yardımcı olur.

Çiftçiler ayrıca tarımsal doğruluğu iyileştirmek ve üretkenliği artırmak için mevsimsel tahmin modelleri oluşturmak için AI kullanıyor. Bu modeller, çiftçilerin kararlarına yardımcı olmak için aylar öncesinden gelecek hava durumu modellerini tahmin edebiliyor. Verileri ve bilgileri sınırlı olabileceğinden, gelişmekte olan ülkelerdeki küçük çiftlikler için mevsimsel tahminler özellikle değerlidir. Bu küçük çiftlikleri çalışır durumda tutmak ve bol miktarda verim elde etmek önemlidir, çünkü bu küçük çiftlikler dünyadaki mahsulün %70’ini üretir.

Yer verilerine ek olarak, çiftçiler çiftliği izlemek için gökyüzüne de bakıyorlar. Bilgisayarla görme ve derin öğrenme algoritmaları, alanları üzerinde uçan drone’lardan elde edilen verileri işler. AI özellikli kameralar, drone’lardan tüm çiftliğin görüntülerini yakalayabilir ve sorunlu alanları ve potansiyel iyileştirmeleri belirlemek için görüntüleri neredeyse gerçek zamanlı olarak analiz edebilir. İnsansız dronlar, büyük çiftliklerin daha sık izlenmesine izin vererek, insanlardan çok daha kısa sürede çok daha fazla araziyi kaplayabilir.

AI, işgücü sorununun üstesinden geliyor

Çiftçilik mesleğine daha az insanın girmesiyle çoğu çiftlik, işgücü sıkıntısı sorunuyla karşı karşıya. Geleneksel olarak çiftlikler, mahsulleri hasat etmek ve çiftlikleri verimli tutmak için çoğunlukla mevsimlik olmak üzere birçok işçiye ihtiyaç duymuştur. Ancak, büyük miktarlarda insanın çiftliklerde yaşadığı bir tarım toplumu olmaktan uzaklaştıkça, artık şehirlerde yaşayan çok sayıda insanla daha az insan toprağa yönelebilir ve istekli hale geldi. Bu işçi sıkıntısına yardımcı olacak bir çözüm, AI tarım botlarıdır. Bu botlar insan emeği işgücünü artırmakta ve çeşitli şekillerde kullanılmaktadır. Bu botlar, mahsulleri insan işçilerden daha yüksek bir hacimde ve daha hızlı bir şekilde hasat edebilir, yabani otları daha doğru bir şekilde tanımlayıp ortadan kaldırabilir ve günün her saatinde bir işgücüne sahip olarak çiftliklerin maliyetlerini azaltabilir.

Ek olarak, çiftçiler yardım için sohbet robotlarına yönelmeye başlıyor. Sohbet robotları, çeşitli soruları yanıtlamaya yardımcı olur ve belirli çiftlik sorunları hakkında tavsiye ve öneriler sunar. Chatbot’lar halihazırda çok sayıda başka sektörde büyük bir başarı ile kullanılmaktadır.

Yapay zeka ve bilişsel teknolojilerin kullanımı sayesinde dünya genelindeki çiftlikler, dünyanın gıda ihtiyaçlarını karşılamaya devam ederken eskisinden daha az işçiyle daha verimli çalışabilir. Yiyecek ihtiyacından daha temel bir ihtiyaç yoktur ve bu asla ortadan kalkmayacaktır. Neyse ki, AI kullanımı, dünyamızı besleyen her büyüklükteki çiftliğin çalışmasına  izin verecektir. Tarımsal yapay zeka ve bilişsel teknolojilerin kullanımı sayesinde, dünyanın dört bir yanındaki çiftlikler, diyet yaşam tarzlarımızın temel gıda maddelerini üretmek için daha verimli çalışabilir.

Bugün AI: Nerede ve Ne İçin Çalışır?

Örneğin, seyahat endüstrisinde Yapay Zeka, satışları ve fiyatı optimize etmenin yanı sıra hileli işlemleri önlemeye yardımcı olur. Ayrıca AI, bir sonraki yaz tatilimizi planlarken uçakta veya otel rezervasyon sitelerinde gezinirken istenen tarihler, rotalar ve maliyetler için kişiselleştirilmiş öneriler sunmayı mümkün kılar. 

Ulaşım endüstrisinde yapay zeka, kendi kendine park etme ve sürüşü daha kolay ve daha güvenli hale getirmek için adlandırılan gelişmiş hız sabitleyici özelliklerinin geliştirilmesinde aktif olarak kullanılmaktadır. 

AI kullanmanın bir başka parlak örneği, Coursera veya Lynda gibi açık çevrimiçi kursların (MOOC) her yıl daha popüler hale geldiği eğitimdir. Bunlar eğitimde Yapay Zekanın yükselişiyle mümkün oldu. Otomatik not verme, kendi kendine öğretilen çevrimiçi kursları internet erişimi olan herkes için kullanılabilir hale getirdi – pek çok yaşam ve kariyer için çok önemli bir nokta.

Yapay Zeka hayat kurtarır ve bu bir mecaz değildir. Doktorlar, robotik ameliyatlardan sanal hemşire asistanlarına ve hasta izlemeye kadar, hastalarına en iyi bakımı sağlamak için yapay zeka kullanır. Görüntü analizi ve dosyalama ve çizelge oluşturma gibi çeşitli idari görevler, pahalı insan emeği maliyetini azaltmaya yardımcı oluyor ve sağlık personelinin hastalarla daha fazla zaman geçirmesini sağlıyor.

Yapay zekanın finans sektöründeki yükselişi, geleneksel alanlarda bile iş ortamını ne kadar hızlı değiştirdiğini kanıtlıyor. İşte finans alanındaki en popüler yapay zeka örneklerinden bazıları. 

1. Yapay Zeka ve Kredi Kararları

Yapay Zeka, potansiyel bir borçlunun daha az maliyetle daha hızlı, daha doğru bir şekilde değerlendirilmesini sağlar ve daha fazla bilgilendirilmiş, veri destekli bir karara yol açan daha geniş çeşitlilikteki faktörleri hesaba katar. AI tarafından sağlanan kredi puanlaması, geleneksel kredi puanlama sistemlerinde kullanılanlara kıyasla daha karmaşık ve karmaşık kurallara dayanmaktadır. Borç verenlerin, yüksek temerrüt riski olan başvuru sahipleri ile krediye değer ancak kapsamlı bir kredi geçmişi olmayanlar arasında ayrım yapmasına yardımcı olur.

Nesnellik, AI destekli mekanizmanın bir başka avantajıdır. Bir insanın aksine, bir makinenin önyargılı olması muhtemel değildir.

Dijital bankalar ve kredi veren uygulamalar, kredi uygunluğunu değerlendirmek ve kişiselleştirilmiş seçenekler sunmak için alternatif verileri (ör. akıllı telefon verileri) kullanmak için makine öğrenimi algoritmalarını kullanır.

ABD’deki otomobil kredisi şirketleri, ihtiyaçları için de AI ile başarılı olduklarını bildirdi. Örneğin, yapay zeka  kayıpları yıllık %23 oranında azalttığını belirtiliyor. 

2. Yapay Zeka ve Risk Yönetimi

Risk yönetimi söz konusu olduğunda, yapay zekanın finansal hizmetlerdeki etkisinden de bahsetmeliyiz. Muazzam işlem gücü, kısa sürede çok büyük miktarda verinin işlenmesine izin verir ve bilişsel bilgi işlem, bir insanın yapması için çok fazla zaman alacak bir görev olan hem yapılandırılmış hem de yapılandırılmamış verilerin yönetilmesine yardımcı olur. Algoritmalar, risk vakalarının geçmişini analiz eder ve gelecekteki olası sorunların erken belirtilerini belirler.

Finansta yapay zeka, herhangi bir pazar veya ortamdaki gerçek zamanlı faaliyetleri analiz etme konusunda güçlü bir müttefiktir; Sağladığı doğru tahminler ve ayrıntılı tahminler, birden çok değişkene dayanır ve iş planlaması için hayati önem taşır.

Bir ABD kiralama şirketi olan Crest Financial, Amazon Web Hizmetleri platformunda yapay zeka kullandı ve geleneksel veri bilimi yöntemleriyle ilişkili dağıtım gecikmeleri olmadan risk analizinde hemen önemli bir gelişme yakladı. 

3. Yapay Zeka ve Dolandırıcılığı Önleme

Birkaç yıldır, yapay zeka finansal dolandırıcılıkla mücadelede çok başarılı oldu ve makine öğrenimi suçluları yakaladığı için gelecek her yıl daha parlak görünüyor.

AI, özellikle e-ticaret ve çevrimiçi işlemlerin artması nedeniyle son yıllarda katlanarak büyüyen kredi kartı sahtekarlığını önlemede etkilidir. Dolandırıcılık tespit sistemleri, müşterilerin davranışlarını, konumlarını ve satın alma alışkanlıklarını analiz eder ve bir şey bozuk göründüğünde ve yerleşik harcama modeliyle çeliştiğinde bir güvenlik mekanizmasını tetikler.

Bankalar ayrıca başka bir kötü şöhretli mali suç türü olan kara para aklamayı ortaya çıkarmak ve önlemek için yapay zeka kullanır. Makineler şüpheli faaliyetleri tespit eder ve iddia edilen kara para aklama planlarını araştırma maliyetlerini düşürmeye yardımcı olur. Bir Vaka çalışması, soruşturma iş yükünde %20’lik bir azalma olduğunu bildirdi.

Plaid (CITI, Goldman Sachs ve American Express gibi finans devleriyle çalışan) gibi toplayıcılar, dolandırıcılık tespit yeteneklerinden gurur duyarlar. Karmaşık algoritmaları, farklı koşullar ve değişkenler altındaki etkileşimleri analiz edebilir ve gerçek zamanlı olarak güncellenen çok sayıda benzersiz desen oluşturabilir. Plaid, güvenli finansal işlemler sağlamak için bir bankayı müşterinin uygulamasına bağlayan bir widget olarak çalışır.

4. Yapay Zeka ve Ticaret

Veriye dayalı yatırımlar son 5 yılda istikrarlı bir şekilde artıyor ve 2018’de bir trilyon doları geçti. Algoritmik, nicel veya yüksek frekanslı ticaret olarak da adlandırılan bu tür ticaret, dünya borsalarında hızla yayılıyor ve bunun iyi bir nedeni var: yapay zeka birçok önemli fayda sağlıyor.

Akıllı Ticaret Sistemleri, hem yapılandırılmış (veritabanları, elektronik tablolar, vb.) hem de yapılandırılmamış (sosyal medya, haberler vb.) verileri, insanların işlemesi için gereken sürenin çok altında bir sürede izler. Ve hiçbir yerde “vakit nakittir” sözü ticaretten daha doğru değildir: daha hızlı işlem daha hızlı kararlar anlamına gelir ve bu da daha hızlı işlemler anlamına gelir.

Algoritmaların geçmiş verilere dayalı ticaret sistemlerini test edebilmesi ve doğrulama sürecini canlı yayınlamadan önce tamamen yeni bir seviyeye getirebilmesi nedeniyle hisse senedi performansına ilişkin tahminler daha doğrudur.

AI, belirli bir yatırımcının kısa ve uzun vadeli hedeflerine bağlı olarak en güçlü portföyler için önerileri bir araya getirir; birden fazla finans kurumu da tüm portföylerini yönetmek için yapay zekaya güveniyor.

İş haberleri kaynağı Bloomberg, kısa süre önce AI tarafından desteklenen yatırımcılar için bir fiyat tahmin uygulaması olan Alpaca Forecast AI Prediction Matrix’i başlattı. Yüksek doğrulukta piyasa tahminleri için fiyat hareketlerindeki kalıpları belirlemek için Bloomberg tarafından sağlanan gerçek zamanlı piyasa verilerini gelişmiş bir öğrenme motoruyla birleştirir. 

5. Yapay Zeka ve Kişiselleştirilmiş Bankacılık

Yapay zeka, bireysel kullanıcılara ek faydalar ve konfor sağlamanın yeni yollarını keşfetmeye geldiğinde gerçekten parlıyor.

Bankacılık sektöründe yapay zeka, müşterilere kapsamlı kendi kendine yardım çözümleri sunan ve çağrı merkezlerinin iş yükünü azaltan akıllı sohbet robotlarına güç veriyor. Amazon’un Alexa’sı gibi akıllı teknoloji tarafından desteklenen ses kontrollü sanal asistanlar da hızla çekiş kazanıyor, bu şaşırtıcı değil: kendi kendine eğitim özelliğiyle övünüyorlar, her gün daha akıllı oluyorlar, bu yüzden burada muazzam gelişmeler beklemelisiniz. Her iki araç da bakiyeleri kontrol edebilir, ödemeleri planlayabilir, hesap hareketlerini arayabilir ve daha fazlasını yapabilir.

Bir dizi uygulama kişiselleştirilmiş finansal tavsiyeler sunar ve bireylerin finansal hedeflerine ulaşmalarına yardımcı olur. Bu akıllı sistemler geliri, önemli yinelenen harcamaları ve harcama alışkanlıklarını takip eder ve optimize edilmiş bir plan ve finansal ipuçları sunar.

Wells Fargo, Bank of America ve Chase gibi en büyük ABD bankaları, müşterilere faturalarını ödemeleri, harcamalarını planlamaları ve bankalarıyla bilgi almaktan bankaya daha kolay ve daha düzenli bir şekilde etkileşime geçmeleri için hatırlatmalar sağlayan mobil bankacılık uygulamalarını piyasaya sürdü. 

6. Yapay Zeka ve Süreç Otomasyonu

İleri görüşlü endüstri liderleri, operasyonel maliyetleri azaltmak ve üretkenliği artırmak istediklerinde robotik süreç otomasyonuna bakıyorlar.

Akıllı karakter tanıma, eskiden binlerce çalışma saati alan ve maaş bordrolarını şişiren çeşitli sıradan, zaman alıcı görevleri otomatikleştirmeyi mümkün kılmakta. Yapay zeka özellikli yazılım, verileri doğrular ve verilen parametrelere göre raporlar oluşturur, belgeleri inceler ve formlardan (uygulamalar, sözleşmeler vb.) bilgi çıkarır.

Yüksek frekanslı tekrarlayan görevler için robotik süreç otomasyonu kullanmak, insan hatası olasılığını ortadan kaldırır ve bir finans kuruluşunun işgücü çabalarını insan katılımı gerektiren süreçlere yeniden odaklamasına olanak tanır. Ernst & Young, bu tür görevler için %50-70 oranında bir maliyet düşüşü bildirdi ve Forbes buna “Dijital Dönüşüme Açılan Ağ Geçidi İlaç” diyor.

Önde gelen bir finans firması olan JP Morgan Chase, verileri ayıklamak, müşterinizi tanımak, düzenlemelere  uymak ve belgeleri yakalamak gibi görevleri gerçekleştirmek için bir süredir Robotik Süreç Otomasyonu’ndan (RPA) başarıyla yararlanıyor. RPA, JP Morgan Chase’in nakit yönetimi sürecini geliştirmek için kullandığı ‘beş gelişen teknolojiden’ biridir. 

Finans Sektöründe Yapay Zekadan Gelecekte Ne Beklenmeli?

Finansal hizmetlerde yakında gelecek olan AI uygulamalarına ilişkin tahminler bugünlerde sıcak bir konu ancak kesin olan bir şey var: AI, finans sektörünün iş ortamını hızla yeniden şekillendiriyor.

Özellikle blok zincirlerin ve kripto para biriminin benimsenmesi genişledikçe, artan işlem ve hesap güvenliği için büyük umutlar var. Buna karşılık, aracı olmaması nedeniyle işlem ücretlerini önemli ölçüde azaltabilir veya ortadan kaldırabilir.

Her türlü dijital asistan ve uygulama, bilişsel bilgi işlem sayesinde kendilerini mükemmelleştirmeye devam edecek. Akıllı makineler faturaları ödemekten vergi beyannamelerini hazırlamaya kadar kısa ve uzun vadeli görevleri planlayıp uygulayabileceğinden, bu kişisel finans yönetimini katlanarak kolaylaştıracak.

Ayrıca, doğal dil işleme ilerledikçe ve geçmiş deneyimlerin genişleyen veri havuzundan daha fazlasını öğrendiğinden, gelişmiş, kendi kendine yardım VR sistemleri kullanan daha iyi müşteri hizmetleri görmeyi bekleyebiliriz.

Sonuç

Gördüğümüz gibi, yapay zekanın finansal hizmetlerdeki faydaları çoktur ve görmezden gelinmesi zordur. Forbes’a göre, üst düzey finansal yönetimin %65’i, finansal hizmetlerde yapay zeka kullanımından olumlu değişiklikler bekliyor.

Bu, 2018’in sonlarında şirketlerin yalnızca üçte birinin yapay zekayı şirket süreçlerine uygulamak için adımlar attığını söyledi. Birçoğu, böyle bir girişimin gerektireceği zaman ve masraftan korkarak ihtiyatlı olmaya devam ediyor ve finansal hizmetlerde yapay zekayı uygulamak için zorluklar olacak.

Bununla birlikte, teknolojik ilerlemeden sonsuza kadar uzak durulamaz ve bununla şimdi yüzleşmemek uzun vadede daha pahalıya mal olabilir.

Bu disiplinler arası yaklaşım, 5 Ağustos’ta yapılan Yapay Zeka ve Görüntüleme Merkezi (AIMI) çevrimiçi konferansı sırasında konuşmanın odak noktasıydı. Bilgisayar bilimi, tıp, endüstri ve hükümet alanlarındaki dünya uzmanlarının yer aldığı etkinlik, gelişmekte olan klinik makinelere baktı. teknik yenilikler, veri etiği, politika ve düzenleme etrafında odaklanmış tartışma ile öğrenme teknolojilerini değerlendirdi. Sempozyum, Stanford radyoloji doçenti ve AIMI yardımcı direktörü Matthew Lungren ve biyomedikal veri bilimi ve bilgisayar bilimi yardımcı doçenti ve AIMI direktör yardımcısı Serena Yeung tarafından yönetildi. 

İşte gün boyu süren konferansdan bazı notlar:

AI’nın En Büyük Potansiyeli

Scripps Research’ten tanınmış kardiyolog, araştırmacı ve yazar Eric Topol, yapay zekanın tıbbı dönüştürmek için en büyük potansiyele sahip olduğu üç alan görüyor. 

İlki, yanlış teşhise yol açan tıbbi hataları azaltmaktır, dedi. Yakın zamanda yapılan bir çalışmaya dikkat çekerek, AI ile birleştirilmiş insan patolojisinin meme kanserlerini bulmada, özellikle de hasta bakımı geciktiren yanlış negatif mamogramları azaltmada, meme kanserlerini ayrı ayrı bulmada daha iyi olduğunu belirtti. 

İkincisi, cilt kanserlerini teşhis eden akıllı telefon uygulamaları gibi, hastaların yaşamları boyunca sağlıklarını kendi kendilerine yönetmelerine yardımcı olacak çok sayıda yeni uygulama olacak. Bu, “tıbbi özçekim” çağı olacak.

Son olarak, AI ile doktor yorgunluğuna yol açan ve hasta ile değerli zamanınızı çalan veri girişi angaryasının azaltılabileceği veya ortadan kaldırılabileceği konuşuldu.

Verileri Demokratikleştirmek

Sadece tıbbi yapay zeka ürünleri oluşturmak yeterli değildir. Önemli olan bu ürünleri insanlara ulaştırmak. Google Beyin Yapay Zeka Araştırma Grubu ürün müdürü Lily Peng, “Dünyanın en iyi ürünü, insanlar ona erişemezse hiçbir işe yaramaz” dedi. Örnek olarak, ekibinin diyabetik göz hastalığını teşhis etmek için üzerinde çalıştığı, daha küçük, daha yüksek kaliteli bir veri seti ile benzer sonuçlara ulaşabilecek ve potansiyel olarak değerli bir ürünün pazara sunulmasını hızlandırmaya yardımcı olabilecek yeni bir model kaydetti. “Bu ürünleri insanlara daha yakın hale getirmemiz gerekiyor.”

Stanford araştırmacısı Pranav Rajpurkar, tescilli veya eksik veri kümeleri üzerinde eğitilmiş algoritmaların bu dostane sınırların dışında başarısız olma eğilimine baktı – yani genelleme yapmıyorlar. Bir örnek olarak, etiketlemelerinde tüberkülozu içermeyen akciğer hastalıkları için Amerikan eğitimli AI modellerine işaret etti. Tüberküloz, gelişmekte olan dünya için kayda değer bir sorundur, ancak Amerika’da daha az olduğu için, eğitim veri setinde tüberküloz taramaları bulunmaz. Gerçek demokratikleşme, AI’nın herkes için her yerde çalışmasını gerektirdiğini söyledi. Basitçe Amerikan eğitim veri kümelerine tüberküloz görüntüleri eklemek, değerli yapay zekayı dünyanın diğer bölgelerine genelleştirmeye ve dolayısıyla demokratikleştirmeye yardımcı olacaktır.

Göğüs radyoloğu Gilberto Szarf, anavatanı Brezilya’da demokratikleşmenin, melanom, tüberküloz, Zika ve hatta COVID-19’u tedavi etmek için uzmanların ve kaynakların yetersiz olduğu yerlerde bakımı sağlamak veya hızlandırmak için yapay zekayı kullanmak anlamına geldiğini tartıştı. Zika’yı tıbbi görüntülerden teşhis etmek için bir AI modelinin, kaliteli tıbbi bakımın zor olduğu Brezilya’nın – neredeyse ABD büyüklüğünde bir ülke – bölgelerine değerli bir araç olacağını belirtti.

İşbirlikçi Düzenleme

ABD Gıda ve İlaç Dairesi (FDA) tıbbi politika direktörü Khair El Zarrad, yapay zekanın düzenleyicinin rolünü hafife alınmaması gerektiğini söyledi. “Düzenleme bir işbirliğidir” dedi. “Düzenleyiciler güvenlik konusunda endişeli, ancak iyi teknolojilerin kliniklere ulaştığını da görmek istiyoruz.” diye ekledi.

Tartışmaya tele-radyoloji ve AI girişimi Nines’in başkan yardımcısı Russell Stewart ve klinik dijital danışmanlık Hardian Health’in genel müdürü Hugh Harvey katıldı. Stewart ve Harvey, algoritmaları ilaçlardan ve tıbbi cihazlardan ayıran belirgin düzenleyici farklılıklara dikkat çekti: İlaçların ve cihazların geliştirilmesi yıllar alsa ve onaylandıktan sonra kolayca değiştirilemese de, algoritmalar birkaç tuşa basarak değiştirilebilir, bu da kalıcı düzenlemeyi zorlaştırır. Her iki panelist de düzenleyici inceleme altındaki bir ürünün kullanım amacını açıklarken titiz bir dil kullanmasını teşvik etti. Kapsamı dar bir şekilde odaklayın ve aşırıya kaçmayın, diye uyardı Harvey. Bu arada Stewart, teknolojilerin pazara sunulmasına yardımcı olmak için geliştirme süreci boyunca düzenleyicilerle işbirliği içinde çalışmayı tavsiye etti.

FDA’dan El Zarrad, “Yeni araçlar görmek istiyoruz, ancak yapay zekanın piyasaya hepimizin rahat edeceği şekilde girmesini sağlamalıyız.” dedi.

Gelişen Teknolojiler 2020

Birçok katılımcı, tıpta yapay zeka için yakın zamanda ne olduğunu duymaya hevesliydi. fast.ai’de kurucu araştırmacı olan panelist Jeremy Howard, “süper çözünürlük” elde etmek için yapay zekayı kullanmaya odaklanıyor. Birinin yüksek çözünürlüklü veya hızlı taramalara sahip olabileceği, ancak ikisinin birden olamayacağı ikilemine dikkat çekerek, o ve grubu sorunu çözmek için yola çıktı. Onun süreci, kötü görüntüleri tekrar iyi hale getirmek için makineleri eğitmek için iyi görüntüler çekmeyi ve onları daha da kötüleştirmeyi içeriyor. Sonuç, düşük çözünürlüklü, hızlı bir şekilde kaydedilen orijinalleri yüksek kaliteli taramalara dönüştürebilen bir algoritma olacağını umuyor.

Bu arada, Stanford’da bir radyolog olan Shreyas Vasanawala, hangi testlerin gerçekleştirileceği, testlerin hangi sırayla yapılması gerektiği, bunları kimin yapması gerektiği ve hatta tarama cihazının nasıl yapıldığı gibi kararları belirlemek için AI kullanıyor. Her karar noktasının gelişmek için bir şans olduğunu söylüyor.

Facebook AI’dan Nafissa Yakubova, görüntü alımını ve teşhis çıktısını hızlandırmayı amaçlayan fastMRI’nin ön izlemesini yaptı.Daha hızlı MRI’lar zaten dönüşümsel bir görüntüleme tekniğini sergileyebilir. Etkileyici sonuçlar elde ediliyor. Taramalar günümüzün MRG’sinden dört kat daha hızlı yapıldı. Yakubova ve ekibi, NYU tıp fakültesi ile ortaklık kuruyor ve bulunması zor ham MRI’lardan oluşan veri setlerini halka açıklıyor.

Herkes için Adalet

Eşitlik kavramı birçok konuşmacının aklındaydı. Fast.ai’nin kurucu ortağı Rachel Thomas, iyilik için oluşturulan yapay zekanın, evrensel olarak hastalara yardımcı olmadığında çok fazla zarar verebileceğine dikkat çekti. Bir örnek: Renkli insanlar için pek işe yaramayan yeşil ışık teknolojisini kullanarak kalp aktivitesini izleyen bileğe takılan cihazlar. Milyonlarca kişi bu cihazları kullanıyor ve çok fazla kişi için veriler güvenilmez ve hatta yanıltıcı.

Google teknik program yöneticisi Donald Martin, birçok veri kümesinin büyük ölçüde beyaz, Kuzey Avrupa popülasyonlarından veya algoritmaların karar verme süreçlerine yazılan hatalı varsayımlardan alındığını belirtti. Martin, “Topluluk Tabanlı Sistem Analizi” adını verdiği bir süreç geliştirdi. CBSD, karar vermek için algoritmada kullanılan nedensel varsayımlar hakkında açık ifadeler gerektirerek ve geliştirme ekiplerinde daha fazla çeşitliliği teşvik ederek veri toplama ve analizindeki önyargıyı tanımlamı ve ortadan kaldırmalıdırlar. Martin, karmaşık sağlık bakımı ihtiyaçları olan hastaları ek bakım için ayırmak için tasarlanmış yapay zeka destekli bir algoritmada bir ırksal önyargı vakasının altını çizdi. AI ekibinin nedensel teorisi, hastaların sağlık hizmetlerine yaptığı harcamaların, ihtiyaç karmaşıklığının bir göstergesi olduğuydu. Ne yazık ki, Afrikalı Amerikalılar ortalama olarak sağlık hizmetlerine daha az harcıyor ve bu nedenle gerekli bakım için seçilmediler.

Stanford biyoinformatik uzmanı Jonathan Chen, “kalabalığın bilgeliği”ne iyimser bir bakışla kapanışı yaptı. Chen, diğer doktorların benzer semptomları olan hastaları nasıl tedavi ettiğine bağlı olarak tıbbi bakım öneren, yapay zeka destekli bir araç geliştirdi. Chen, AI’nın daha iyi, daha adil kararlara yol açarken bilgimizi ve yeteneklerimizi artırabilme vaadinde bulunduğunu söylüyor.

Ayrıca, birçok ticari yapay zeka uygulaması, askeriye için işlevsel hale gelmeden önce önemli değişikliklerden geçmelidir. Bazı ticari AI şirketleri, etik kaygılar nedeniyle Savunma Bakanlığı (DOD) ile ortaklığa karşı isteksiz olduklarından ve departman içinde bile AI teknolojisini mevcut silah sistemlerine dahil etmeye karşı direnç olabileceğinden, bir dizi kültürel sorun da AI edinimini zorluyor. ve süreçler. AI pazarındaki potansiyel uluslararası rakipler, Amerika Birleşik Devletleri’nin yenilikçi askeri AI uygulamaları için rekabet etmesi için baskı yaratıyor. Çin, bu konuda lider bir rakiptir ve 2030 yılına kadar yapay zeka geliştirmede küresel liderliği yakalamak için 2017’de bir plan yayınlar. Şu anda Çin, öncelikle daha hızlı ve daha bilgili kararlar almak için yapay zekayı kullanmaya ve aynı zamanda bir yapay zeka geliştirmeye odaklanmıştır. çeşitli özerk askeri araçlar. Rusya, öncelikli olarak robotik üzerine odaklanarak askeri yapay zeka geliştirmede de aktif. AI, askeri bağlamda bir dizi avantaj sağlama potansiyeline sahip olsa da, farklı zorluklar da getirebilir. AI teknolojisi, örneğin, otonom operasyonları kolaylaştırabilir, daha bilinçli askeri karar almaya yol açabilir ve askeri harekatın hızını ve ölçeğini artırabilir. Bununla birlikte, tahmin edilemez veya benzersiz manipülasyon biçimlerine karşı savunmasız olabilir. Bu faktörlerin bir sonucu olarak, analistler, AI’nın gelecekteki muharebe operasyonlarında ne kadar etkili olacağına dair geniş bir görüş yelpazesine sahiptir. Az sayıda analist, teknolojinin minimum etkiye sahip olacağına inanırken, çoğu, AI’nın en azından evrimsel (devrimci olmasa da) bir etkiye sahip olacağına inanıyor. Askeri AI geliştirme, Kongre için bir dizi potansiyel sorun sunar:

Yapay zeka gelişimi için ticari ve devlet finansmanının doğru dengesi nedir?

Askeri yapay zeka gelişimini kolaylaştıran savunma edinimi reform girişimlerini nasıl etkileyebilir?

Yapay zeka gelişiminin etkin gözetimini uygulamak için Kongre ve Savunma Bakanlığı’nda varsa hangi değişiklikler gerekli?

Birleşik Devletler, yapay zeka ve otonom sistemlerle ilgili araştırma ve geliştirmeyi etik kaygılarla nasıl dengelemelidir?

Askeri AI uygulamalarının entegrasyonu için hangi yasal veya düzenleyici değişiklikler gereklidir?

Kongre, küresel olarak yapay zeka rekabetini yönetmeye yardımcı olmak için hangi önlemleri alabilir?

Bilimsel keşfin etkinleştiricisi olarak yapay zeka

AI teknolojileri artık çeşitli bilimsel araştırma alanlarında kullanılmaktadır. Örneğin:

• Protein yapılarını tahmin etmek için genomik verilerin kullanılması: Bir proteinin şeklini anlamak, vücutta oynadığı rolü anlamanın anahtarıdır. Bilim adamları bu şekilleri tahmin ederek hastalıklarda rol oynayan proteinleri tanımlayabilir, tanıyı iyileştirebilir ve yeni tedavilerin geliştirilmesine yardımcı olabilir. Protein yapılarını belirleme süreci, hem teknik olarak zor hem de emek yoğundur ve bugüne kadar yaklaşık 100.000 bilinen yapı vermiştir. Son yıllarda genetik alanındaki ilerlemeler, zengin DNA dizileri veri kümeleri sağlarken, bir proteinin şeklini karşılık gelen genetik dizilimden (protein katlama zorluğu) belirlemek karmaşık bir iştir. Bu süreci anlamaya yardımcı olmak için araştırmacılar, DNA dizilerinden proteinlerin üç boyutlu yapısını tahmin edebilen makine öğrenimi yaklaşımları geliştiriyorlar. Örneğin, DeepMind’deki AlphaFold projesi, amino asit çiftleri arasındaki mesafeleri ve bağları arasındaki açıları tahmin eden derin bir sinir ağı yarattı ve bunu yaparken genel bir protein yapısının oldukça doğru bir tahmin ile gerçekleştirdi.
• İklim değişikliğinin şehirler ve bölgeler üzerindeki etkilerini anlama: Çevre bilimi, büyük miktarda kayıtlı veriyi analiz etme ihtiyacını karmaşık sistem modellemesi ile birleştirir (iklim değişikliğinin etkilerini anlamak için gerekli olduğu gibi). Ulusal veya yerel düzeyde karar vermeyi bilgilendirmek için, küresel iklim modellerinden gelen tahminlerin şehirler veya bölgeler için sonuçları açısından anlaşılması gerekir; örneğin, 20 yıl içinde bir şehirde sıcaklığın 30°C’yi aştığı yaz günlerinin sayısını tahmin etmek. Bu tür yerel alanlar, örneğin hava istasyonlarından yerel çevre koşulları hakkında ayrıntılı gözlemsel verilere erişebilir, ancak iklim değişikliğinin bir sonucu olarak meydana gelen temel değişiklikler göz önüne alındığında, yalnızca bunlardan doğru tahminler oluşturmak zordur. Makine öğrenimi, bu iki bilgi türü arasındaki boşluğu kapatmaya yardımcı olabilir. İklim modellerinin düşük çözünürlüklü çıktıları ayrıntılı, ancak yerel, gözlemsel verilerle bütünleştirilebilir. Ortaya çıkan hibrit analiz, geleneksel analiz yöntemleriyle oluşturulan iklim modellerini iyileştirecek ve iklim değişikliğinin yerel etkilerinin daha ayrıntılı bir resmini sunacaktır. Örneğin, Cambridge Üniversitesi’ndeki mevcut bir araştırma projesi, Mısır’daki iklim değişkenliğinin önümüzdeki on yıllarda nasıl değişeceğini ve bu değişikliklerin bölgedeki pamuk üretimi üzerindeki etkisini anlamaya çalışıyor. Ortaya çıkan tahminler daha sonra iklim değişikliğinin bölgedeki tarım üzerindeki etkisini azaltacak iklim direnci oluşturmak için stratejiler sağlamak için kullanılabilir.
• Astronomik verilerde kalıpları bulma: Astronomi araştırmaları büyük miktarda veri üretir ve önemli bir zorluk, gürültüden gelen ilginç özellikleri veya sinyalleri tespit etmek ve bunları doğru kategoriye veya fenomene atamaktır. Örneğin, Kepler misyonu, diğer yıldızların yörüngesinde dönen Dünya boyutundaki gezegenleri keşfetmeyi, Orion Spur’un gözlemlerinden ve ötesinde yıldızların veya gezegenlerin varlığını gösterebilecek verileri toplamayı amaçlıyor. Ancak, bu verilerin tümü yararlı değildir; gemideki iticilerin aktivitesi, yıldız aktivitesindeki değişiklikler veya diğer sistematik eğilimler tarafından bozulabilir. Verilerin analiz edilebilmesi için önce, bu sözde enstrümantal hataların sistemden çıkarılması gerekir. Buna yardımcı olmak için araştırmacılar, bu gürültüleri tanımlayabilen ve bunları sistemden çıkarabilen ve daha sonra analiz için temizleyen bir makine öğrenimi sistemi geliştirdiler. Makine öğrenimi ayrıca yeni astronomik fenomenleri keşfetmek için de kullanıldı, örneğin: mevcut veri kümelerinden yeni pulsarlar bulmak; yıldızların ve süpernovaların özelliklerinin belirlenmesi; ve galaksileri doğru bir şekilde sınıflandırmak.

AB, yeniliği desteklerken aynı zamanda temel değerlere ve haklara saygı gösterilmesini sağlamak için düzenleyici çerçevesini bu gelişmelere uyarlamak için adımlar atmaktadır. Halihazırda alınan önlemler arasında yapay zeka konusunda genel stratejiler ve yapay zekanın ulaşımda uygulanmasını sağlayan teknolojileri destekleyen kurallar yer alıyor. Ayrıca AB, özellikle araştırma için mali destek sağlamaktadır. 

AI meteorolojide yeni değil, sinir ağlarının ilk kez tanıtıldığı 80’lerden beri hava tahmininde uygulamalar bulmuştur. Son yıllarda bir dizi endüstride güç ve ivme kazanan yapay zeka modelleri ile meteoroloji araştırmacıları artık teknolojiyi uydu veri işleme, anlık tahmin, tayfun ve aşırı hava tahmini ve diğer iş ve çevre analitiği alanlarında uyguluyorlar.

Earth and Space Science dergisi, daha doğru ve zamanında tahminler sunarken, insan tahmincilerinin iş yüklerini azaltmanın anahtarı olarak AI teknolojilerini tanımlar. ABD Ulusal Okyanus ve Atmosfer İdaresi (NOAA), yapay zeka ve makine öğrenimini birleştirmenin, fırtınalar ve kasırgalar gibi aşırı hava koşullarının tahmin yeteneğini önemli ölçüde artırdığını da söylüyor.

Google bir endüstri öncüsüdür. Teknoloji devi, Aralık 2019’da yağış tahmini için derin öğrenme modellerinin geliştirilmesine yönelik yeni bir araştırma sundu. Ekip, tahmine bir görüntüden görüntüye çeviri sorunu olarak baktı ve her yerde bulunan UNET evrişimli sinir ağının gücünden yararlandı. U-Net, katmanların bir kodlama aşamasında içlerinden geçen görüntülerin çözünürlüğünü yinelemeli olarak azalttığı ve kodlama aşaması tarafından oluşturulan görüntünün düşük boyutlu temsillerinin sonraki kod çözme aşamasında daha yüksek çözünürlüklere genişletildiği bir ağ mimarisine sahiptir. Testlerde, önerilen sistem yaygın olarak kullanılan üç modelden daha iyi performans gösterdi: optik akış, kalıcılık ve NOAA’nın sayısal bir saatlik HRRR şimdi tahmin tahmini.

Büyük şirketler de trendi sürdürmek için ortaklık kuruyor. IBM, 2015 yılında Weather Company’yi satın aldı. İki şirketin hava durumu verilerindeki teknoloji ve uzmanlığını bir araya getirmesi, dünyanın dört bir yanındaki müşterilere kişiselleştirilmiş, eyleme dönüştürülebilir öngörüler sağlayan Atmosferik Tahmin Sistemini ortaya çıkardı. Sistem, makine öğrenimi modellerini kullanarak 72 saat önceden hava durumuyla ilgili elektrik kesintileri tahminleri de dahil olmak üzere çok çeşitli tahmin hizmetleri sunar. Sistemin, artan çözünürlüğü ve sık güncellemeleri işlemek için GPU hızlandırmalı sunucularda çalışan ilk operasyonel küresel hava durumu modeli olduğu söyleniyor.

Çin’in Shenzhen kentindeki meteoroloji bürosu, şiddetli konveksiyon havasının sık görüldüğü zorlu Guangdong kıyı bölgesinde hava tahminlerini iyileştirmenin yollarını araştırıyor. Büro, tahmin modellerinin geliştirilmesini, eğitimini ve dağıtımını 1-2 haftadan 3 güne veya daha kısa sürede hızlandırmak için 5G ve AI yeteneğine sahip bir meteorolojik bulut platformu oluşturmak için teknoloji devi Huawei ile birlikte çalıştı.

Startup’lar da kendilerini sektörde oyunun kurallarını değiştiren kişiler olarak konumlandırıyorlar. ClimaCell’in patentli MicroWeather motoru, hava durumu tahmininde doğruluğu artırmak için geçmişe yönelik ızgaralı hava durumu verilerine makine öğrenimi uygular. Şirket kısa süre önce, küresel bir kablosuz sinyaller ağından, bağlantılı arabalardan, uçaklardan, sokak kameralarından, insansız hava araçlarından ve diğer nesnelerin interneti (IoT) cihazlarından elde edilen AI modeli eğitimi için bir geçmiş hava durumu veri arşivi başlattı.

AI, hava tahmininde önemli bir rol oynamaya devam edecek olsa da, AI yeteneklerini sahaya çekmek kolay olmadı. Meteoroloji büroları, kendi kendini süren arabalar ve bilgisayarlı görme gibi şık sektörlere odaklanan teknoloji şirketlerinin sunduğu maaşlarla rekabet edemez. Bunun yerine, teknoloji devlerinin yerel meteorolojik kuruluşlarla ortaklık kurmasını veya işi kendilerinin devraldığını görüyoruz. Küresel olarak, gelecekte bu tür düzenlemelerin artmasını bekleyebiliriz.