Stanford Üniversitesi’nde geliştirilen yapay zekâ sistemleri, bilimsel makaleler arasında yeni bağlantılar buluyor, milyonlarca hücrenin verisini karşılaştırıyor ve eğitimde yeni uygulamaların önünü açıyor. Araştırmaların ortak hedefi, teknolojinin yeteneklerini artırırken insanın karar verme gücünü ve denetimini korumak.
Yapay zekâ, Stanford Üniversitesi’nde laboratuvarlardan sınıflara uzanan geniş bir araştırma alanına dönüşmüş durumda. Bilgisayar bilimcileri, hekimler, biyomühendisler, eğitim uzmanları ve sosyal bilimciler; teknolojinin neler yapabileceği kadar, nasıl geliştirilmesi ve kullanılması gerektiği üzerinde de çalışıyor.
Bu çalışmaların merkezinde “insan merkezli yapay zekâ” yaklaşımı bulunuyor. Amaç, teknik ilerlemeyi insanların ihtiyaçları, güvenliği ve yaşam kalitesiyle birlikte değerlendirmek. Üniversitenin 2019’da kurulan İnsan Merkezli Yapay Zekâ Enstitüsü (Stanford HAI), araştırma ve eğitimin yanında kamu politikaları ve yönetişim çalışmalarını da destekliyor.
Bilimsel makaleler birbirleriyle “konuşuyor”
Stanford Medicine araştırmacılarının geliştirdiği Paper2Agent, bilimsel yayınları sorulara cevap verebilen ve başka yayınlardan oluşturulan yapay zekâ ajanlarıyla etkileşime girebilen sistemlere dönüştürüyor.
Jiacheng Miao ve James Zou’nun öncülük ettiği çalışmada ajanlar, makalelerin metinlerini, verilerini ve ilişkili kodlarını inceliyor. Ardından araştırmanın hesaplamalı süreçlerini sanal ortamda yeniden üretmeye çalışarak kullanılan yöntemleri uygulanabilir hâle getiriyor.
Sistemin bir gösteriminde, birbirinden farklı iki araştırmadan oluşturulan ajan birlikte çalıştırıldı. Genetik değişimlerin etkilerini tahmin eden bir çalışmanın yöntemleri, dikkat eksikliği ve hiperaktivite bozukluğu (DEHB) riskine ilişkin verilerle birleştirildi. Bu süreçte, MPHOSPH9 adlı genin yakınındaki bir varyant ile artmış DEHB riski arasında daha önce bildirilmediği belirtilen bir bağlantı saptandı.
Araştırmacılar, bu yaklaşımın ileride çok sayıda yayın arasında gözden kaçan ilişkileri ortaya çıkarabileceğini düşünüyor. Ancak makalelerde yer almayan başarısız deneyler ve araştırmacıların karar gerekçeleri gibi bilgiler için insan katkısı hâlâ gerekli. Yeni sonuçların özgün çalışmalara ve onların yazarlarına doğru biçimde bağlanması da sistemin temel gereklilikleri arasında bulunuyor.
112 milyon hücreden öğrenen model
Biyoloji alanındaki çalışmaların önemli örneklerinden biri TranscriptFormer. İnsanlardan mayalara kadar 12 türü kapsayan 112 milyon hücrenin gen ifadesi verileriyle eğitilen model, farklı canlılardaki hücreleri ortak bir matematiksel çerçevede karşılaştırmayı sağlıyor.
Gen ifadesi, bir hücrenin hangi genleri kullandığını gösteriyor. Bu örüntüler, hücrenin türünü ve işlevini anlamanın yanı sıra sağlıklı ve hastalıklı hücreler arasındaki farklılıkları incelemek için de önem taşıyor.
TranscriptFormer, dil modellerinin metinlerdeki örüntüleri öğrenmesine benzer biçimde, gen ifadesi verilerindeki ilişkileri öğreniyor. Böylece araştırmacılar, insanın tek başına değerlendirmekte zorlanacağı büyüklükteki biyolojik verileri inceleyebiliyor.
Model, süngerlerdeki bazı hücrelerin diğer canlıların sinir hücreleriyle ilişkisini araştırmak için de kullanıldı. Ayrıca eğitiminde bulunmayan türlerden gelen verilerde hücre tiplerini belirleyebildiği ve sağlıklı hücrelerle hastalıklı hücreleri ayırt edebildiği gösterildi.
Araştırmacılar, aracın gelecekte hücre temelli tedavilerin tasarımına katkı sunabileceğini öngörüyor. Bu olasılık, henüz kullanıma hazır bir tedavi anlamına gelmiyor; modelin mevcut rolü, biyologların karmaşık soruları araştırmasını desteklemek.
Daha bağımsız yapay zekâ, daha anlamlı insan denetimi
Yapay zekâ sistemleri kendi başlarına daha fazla işlem yapabilir hâle gelirken, insanın ne zaman devreye girmesi gerektiği de önemli bir araştırma sorusuna dönüşüyor.
Stanford İşletme Enstitüsü’nden William Overman ve Mohsen Bayati, bu sorun için iki farklı çerçeve geliştirdi. İlkinde, yapay zekâ ile insanın ortak bir hedefe ulaşmaya çalıştığı bir düzen kuruldu. Sistem, hangi durumlarda bağımsız hareket edeceğini, hangi durumlarda durup insandan yardım isteyeceğini öğreniyor.
Deneylerde amaç, her adımda onay isteyen bir sistem oluşturmak yerine, kritik karar noktalarını tanıyabilen bir iş birliği geliştirmek. İnsan da ne zaman müdahale etmesi gerektiğini öğreniyor.
İkinci yaklaşım, kullanıcının geliştirmediği ve tamamen güvenmediği güçlü bir modeli denetlemeye odaklanıyor. Birden fazla insan veya daha küçük yapay zekâ sistemi, ortak denetim mekanizması içinde çalışıyor. Araştırmacılar, belirli matematiksel koşullar altında güvenli olmayan kararların oranını kullanıcının belirlediği sınırla kontrol etmeyi hedefliyor.
Bu çerçeveler, bütün yapay zekâ sistemlerinin güvenli olduğu iddiasını taşımıyor. İnsan denetiminin nasıl tasarlanabileceğine ilişkin, farklı uygulamalarda geliştirilip sınanması gereken yöntemler sunuyor.
Eğitimde kullanıcıdan tasarımcıya geçiş
Stanford’un AI Tinkery girişimi ise eğitimcilerin üretken yapay zekâyı uygulamalı olarak incelemesini sağlıyor. Fiziksel çalışma alanlarını çevrim içi kaynaklar ve atölyelerle birleştiren model, üniversite dışındaki okullara da yayılıyor.
Oluşturulan iş birliği ağı ve uygulama rehberi, eğitim kurumlarının kendi deneme alanlarını kurmasına yardımcı oluyor. Katılımcılar, yapay zekânın nasıl çalıştığını öğreniyor, çıktılarını değerlendiriyor ve belirli eğitim amaçlarına yönelik araçlar geliştiriyor.
Girişimin kurucusu Karin Forssell’in yaklaşımında, her durumda yapay zekâ kullanılması gerektiği varsayımı bulunmuyor. Eğitimcilerin teknolojinin uygun olduğu ve olmadığı durumları anlayabilmesi, kullanım kararlarını bilinçli biçimde verebilmesi hedefleniyor.
Bilimsel keşiften eğitime uzanan bu çalışmalar, Stanford’un yapay zekâ yaklaşımındaki iki hedefi birlikte ortaya koyuyor: İnsanların erişebildiği bilgi ve araçları genişletmek, bu araçların yönünü belirleme sorumluluğunu insanda tutmak.
