Londra merkezli bir yapay zeka girişimi, bilimsel makalelerdeki sonuçları bağımsız biçimde yeniden üretebilen Faraday adlı ajanını tanıttı. Şirket, küçük ölçekli bir modelin güçlü araçlarla birlikte çalışarak büyük sistemleri belirli bir araştırma görevinde geride bıraktığını savunuyor.
Yapay zekanın bilimsel araştırmalardaki rolü, yalnızca metin özetlemek veya kod yazmakla sınırlı olmaktan çıkıyor. Yeni geliştirilen Faraday adlı sistem, yayımlanmış bilimsel çalışmalardaki deney sonuçlarını yeniden oluşturmaya odaklanıyor. Bu yaklaşımın arkasındaki temel fikir, bir makalenin ulaştığı nihai sonucu tekrar etmekten çok, o sonuca götüren deneysel yolu yeniden kurabilmek.
Sistemi geliştiren ekip, bu görevi bilim insanlarının eğitimindeki klasik süreçlerden biri olarak görüyor. Araştırmacılar, özellikle lisansüstü eğitim döneminde önceki çalışmaları yeniden deneyerek kullanılan yöntemleri, varsayımları ve sınırları anlamaya çalışıyor. Yapay zeka için de benzer bir eğitim alanı oluşturulmuş durumda. Faraday’e bir çalışmanın sonucu doğrudan verilmeden, makaledeki bilgileri kullanarak grafik veya bulguları yeniden üretme görevi veriliyor.
Bu süreç ilk bakışta teknik bir doğrulama çalışması gibi görünebilir. Ancak araştırma dünyasında yeniden üretilebilirlik, sonuçların güvenilirliğini değerlendirmek için kritik önem taşıyor. Bir çalışmada yalnızca başarılı adımlar yer alırken, başarısız denemeler ve yanlış varsayımlar çoğu zaman yayımlanan metne girmiyor. Bu nedenle bir sonucu baştan üretmeye çalışan ekip ya da sistem, eksik bırakılmış ayrıntıları araştırmak, yeni hipotezler kurmak ve sınırlı kaynakla mantıklı deneyler tasarlamak zorunda kalıyor.
Faraday’in eğitimi için Replica adı verilen bir görev alanı oluşturuldu. Bu alan, makine öğrenmesinden malzeme bilimine ve hava tahminine kadar uzanan yüz farklı makaleden derlenen 310 görevi kapsıyor. Her görevde ajanın belirli bir süre ve işlem bütçesi içinde bir araştırma figürünü yeniden oluşturması bekleniyor. Sistemin, özgün grafik veya sonuç dosyasına erişmeden çalışması özellikle önemli; çünkü hedef, hazır cevabı bulmak değil, araştırma sürecini taklit edebilmek.
Şirketin paylaştığı sonuçlara göre Faraday, kendi temelindeki daha küçük ölçekli modelle çalışmasına rağmen belirli yeniden üretim testlerinde daha büyük yapay zeka sistemlerinden daha iyi sonuç aldı. Bunun arkasındaki farkın, yalnızca modelin bilgi kapasitesi olmadığı belirtiliyor. Sistem, dışarıdan kodlama aracı kullanabiliyor; ancak hangi deneyin yapılacağına, sonuçların nasıl yorumlanacağına ve hangi yaklaşımın kaynak harcamaya değer olduğuna kendisi karar vermeye çalışıyor.
Bu noktada “araştırma sezgisi” adı verilen, ölçülmesi zor bir beceri öne çıkıyor. Bilimsel çalışma yalnızca doğru cevaba ulaşmakla ilgili değil. Doğru soruyu seçmek, gereksiz deneylerden kaçınmak, eldeki verinin zayıf noktalarını fark etmek ve belirsizlik altında ilerlemek de sürecin parçası. Geliştirici ekip, sistemin bu yeteneğini değerlendirmek için otomatik denetim ile insan uzman değerlendirmesini bir araya getiren bir yöntem kullandığını aktarıyor.
Uzun adımlı görevlerde yapay zekayı eğitmek, kısa ve net cevap gerektiren işlerden daha zor. Çünkü sistemin yaptığı onlarca işlem içinde hangi kararın işe yaradığını belirlemek güçleşiyor. Bu nedenle eğitim sürecinde ödül sinyalini daha tutarlı hale getirecek görev bazlı ölçütler kullanılmış. Amaç, ajanın yalnızca bir grafiğe benzer çıktı üretmesini değil; iyi deney tasarımı, kaynak verimliliği ve bilimsel iddialara sadakat açısından da gelişmesini sağlamak.
Sistemin dikkat çeken yönlerinden biri, daha güçlü bir kodlama aracını yönetebilmesi. İnsan araştırmacıların laboratuvar yazılımlarından veya analiz araçlarından yararlanmasına benzer şekilde Faraday de karmaşık kod görevlerinde harici bir yapay zeka aracından destek alıyor. Ancak bu kullanım, aracı çalıştırmanın ötesine geçiyor. Ajanın görevi; araçtan ne istemesi gerektiğini belirlemek, çıkan sonucu sınamak ve gerektiğinde araştırma yönünü değiştirmek.
Bu tür sistemlerin yaygınlaşması bilimsel üretimi hızlandırabilir, fakat sonuçların insan denetimi olmadan kabul edilmesi doğru olmaz. Özellikle sağlık, biyoloji, enerji ve iklim gibi alanlarda bir modelin ürettiği araştırma önerilerinin doğrulanması zorunlu. Yapay zeka, deney tasarımı ve veri analizi için güçlü bir yardımcı olabilir; ancak bilimsel kanıtın yerini tek başına alamaz. Bu nedenle insanın karar verici konumunu koruyan, denetlenebilir ve tekrar incelenebilir çalışma akışları kritik olacak.
Geliştirici ekip, sonraki aşamada sistemin yalnızca mevcut araştırmaları yeniden üretmesini değil, daha önce ele alınmamış problemlerde yeni hipotezler önermesini hedefliyor. Bu hedefe ulaşılması halinde yapay zeka ajanları, araştırmacıların yerine geçen kapalı kutular olmaktan çok; farklı deney ihtimallerini hızlıca tarayan, yanlış yolları erken eleyen ve insan ekiplerle birlikte çalışan dijital araştırma ortaklarına dönüşebilir.
