Bir bilgisayar ekranında, daha önce görmediğimiz bir yapının üç boyutlu görüntüsü beliriyor. Renkler düzenli, biçim etkileyici, yanında açıklamalar var. Görüntünün altında da şu cümle: “Yapay zekâ yeni bir keşfe yardımcı oldu.”
Böyle bir haber karşısında heyecan duymak anlaşılır. Ardından birkaç soru gelmeli: Ne bulundu? Nasıl doğrulandı? Yapay zekâ hangi işi yaptı? Araştırmacılar hangi kararı verdi? Henüz bilinmeyen ne kaldı?
Bu sorular merakı azaltmaz; haberi daha iyi anlamamızı sağlar. Çünkü bilimsel gelişmeleri yalnızca sonuç cümlesinden okuduğumuzda, o sonuca ulaşmak için gösterilen emeği ve sonucun sınırlarını kolayca gözden kaçırabiliriz.
Güncel Bir Çalışmanın Anlattığı
Anthropic’in araştırma ekibi, 4 Kasım’da yayımladığı açıklamada, hücre içinde oluşan, içi boş bir protein kabuğunun yapısını inceleyen çalışmalarını anlattı. “Vault” adı verilen bu yapılara benzeyen parçacıklardan birinin üç boyutlu yapısını ortaya koyduklarını bildiriyorlar. İncelenen protein, bakterileri enfekte eden bir virüsten geliyor; parçacıklar laboratuvarda bakteriler kullanılarak üretilmiş.
Ekibin anlatımına göre Claude, protein verilerinin taranması, deney hazırlığı ve mikroskop görüntülerinin işlenmesi gibi aşamalarda görev aldı. Araştırmacılar süreci yönlendirdi. Çalışmanın ön baskı olarak sunulduğu belirtiliyor; bunu tamamlanmış bir hakem değerlendirmesi gibi okumamalıyız.
Açıklamada sınırlar da var. Bu yapıların biyolojik işlevi henüz çözülmüş değil. Laboratuvarda elde edilen sonucun, kaynak canlılardaki doğal oluşumuyla ilgili ek araştırmalar gerekiyor. Dolayısıyla haberi “Yapay zekâ hücrenin sırrını çözdü” diye aktarmak, çalışmanın söylediğinden daha ileri gitmek olur.
Hata da Çalışmanın Bir Parçası
Aynı ekip, yapay zekânın önerdiği bir deney hazırlığının işi geciktirdiğini ve görüntü işleme sırasında yaptığı bir hataya müdahale ettiklerini de anlatıyor. Bu ayrıntılar en az olumlu sonuçlar kadar öğretici.
Bir araştırmayı değerlendirirken yalnızca aracın neyi başardığını bilmek yetmez. Nerede yanıldığını, hatanın nasıl fark edildiğini ve nasıl düzeltildiğini de öğrenmek isteriz. Bilimsel yöntemin gücü, bütün adımların ilk seferde doğru olmasına bağlı değildir. Yanlışı bulabilecek ve sonucu yeniden sınayabilecek bir düzen kurmak önemlidir.
Bir önerinin değerini anlamak için onu ölçüm, gözlem ve verilerle sınamak gerekir.
İyi Bir Öneriyle Kanıt Arasındaki Mesafe
Gündelik bir örnek düşünelim. Bir bahçede bazı bitkiler zayıf gelişiyor. Biri bunun sulamadan, diğeri topraktan kaynaklandığını söylüyor. İki açıklama da kulağa makul gelebilir. Hangisinin duruma uyduğunu anlamak için gözlem ve karşılaştırma gerekir.
Yapay zekâ da araştırmada çeşitli ihtimaller önerebilir. Çok sayıda metni taramakta, bilgileri düzenlemekte veya belirli analizleri yürütmekte yardımcı olabilir. Fakat bir önerinin düzgün anlatılması, onun eldeki sorunu doğru açıkladığını tek başına göstermez.
Burada birbirine karıştırılmaması gereken iki soru var: “Böyle olabilir mi?” ve “Bunun böyle olduğunu hangi veriler destekliyor?” İlk soru yeni bir yol açabilir. İkinci soru o yolda ne kadar ilerlediğimizi anlamamızı sağlar. İyi bir bilim haberi, okuyucuya bu farkı hissettirmelidir.
Ekrandaki Güven Duygusu
Düzenli bir grafik veya ayrıntılı bir görüntü, insanda güçlü bir tamamlanmışlık hissi uyandırabilir. Görsel iletişim açısından etkileyici olan bir sunum, araştırmanın bütün belirsizliklerinin giderildiği izlenimini verebilir. Oysa verilerin nasıl toplandığı ve nasıl yorumlandığı ayrıca incelenmelidir.
Bu yüzden bir çalışmanın görsellerine bakarken açıklama metnine de zaman ayırmalıyız. Görüntü bir ölçümden mi elde edildi, hesaplanmış bir model mi, yoksa konuyu anlatan temsili bir çizim mi? Üçü de işe yarayabilir. Fakat okuyucuya sundukları bilgi aynı değildir.
Sakarya’da Bilim Konuşurken Soracağımız Sorular
Bu tartışmanın Sakarya’daki karşılığı yalnızca büyük araştırma merkezleriyle sınırlı değil. Bir öğrencinin proje hazırlaması, bir işletmenin üretimdeki sorunu incelemesi veya bir kurumun çevreyle ilgili veri toplaması sırasında da benzer sorular doğabilir.
Burada belli bir yerel proje hakkında başarı ya da eksiklik iddiasında bulunmuyorum. Önerim, yapay zekâ kullanılan çalışmaları anlatırken yöntemi görünür kılmak. Hangi veri kullanıldı? Verinin kaynağı biliniyor mu? Araç ne önerdi? İnsanlar bu öneriyi nasıl kontrol etti?
Üniversitelerin, okulların ve meslek kuruluşlarının düzenleyebileceği etkinliklerde bu tarafın da gösterilmesini değerli buluyorum. Yalnızca sonuç sunumunu izlemek yerine, hatalı bir önerinin nasıl fark edildiğini görmek katılımcıya daha kalıcı bir düşünme alışkanlığı kazandırabilir.
Araştırmacının Sorumluluğu Genişliyor
Yapay zekâ bazı işleri hızlandırdığında araştırmacının bütün yükü ortadan kalkmış olmaz. Kullanılacak soruyu seçmek, eldeki imkânlarla uygun yöntemi belirlemek ve sonucun ne kadar ileri taşınabileceğini değerlendirmek gerekir. Yeni araçların ürettiği çıktıları denetlemek de bu emeğin içinde yer alır.
Üstelik hız, bazen durmayı daha önemli hâle getirir. Birbirine benzeyen çok sayıda sonuç arasından hangisinin gerçekten araştırmaya değer olduğunu ayırt etmek, yalnızca daha fazla çıktı almakla çözülecek bir mesele değildir. Alan bilgisine, dikkatli değerlendirmeye ve gerektiğinde itiraza ihtiyaç vardır.
Bilimsel gelişmeleri okuyan bizlerin de küçük ama anlamlı bir sorumluluğu var. Heyecan verici bir başlığı paylaşmadan önce, çalışmanın kendisinin hangi sonucu bildirdiğine bakabiliriz. Ön bulguyu kesin sonuçtan, araştırma hedefini gerçekleşmiş başarıdan ayırabiliriz.
Yapay zekânın bilimde açtığı imkanları merakla izliyorum. Bu merakın yanında, bilmediğimiz şeyi söyleyebilme cesaretini de korumamız gerektiğini düşünüyorum. Yeni bir araç bize daha çok cevap üretebilir. O cevapların hangisine, hangi gerekçeyle güveneceğimizi araştırmak ise bilimsel çalışmanın merkezinde kalmaya devam edecek.
Bilimsel araştırma üzerine basitleştirilmiş düşünme çerçevesi; süreç bu adımlar arasında geri dönüşler içerebilir.
—
Yazarın diğer yazıları için tıklayınız.
