- Makine öğrenimi ve bilgisayarla görü tekniklerinin birleşmesiyle ortaya çıkan yeni bir alan olan imageomics, dünya çapındaki organizmaların biyolojisiyle ilgili soruları ele almak için önemli bir araç olabilir.
- Manuel olarak uzun zamanda yapılan araştırmalar, bu sayede önemli bir hız ve verimlilik kazanabilir.
- Algoritma geliştirilirken biyologların ve ekologların çeşitli biyolojik organizma türlerini ayırt etmek için nasıl özellikler aradıklarından ilham alındı.
Makine öğrenimi ve bilgisayarla görü tekniklerinin birleşmesiyle ortaya çıkan yeni bir alan olan imageomics, dünya çapındaki organizmaların biyolojisiyle ilgili soruları ele almak için önemli bir araç olabilir. Ohio State Üniversitesinin Imageomics Enstitüsünde araştırmacı olan ve Ohio State’te bilgisayar bilimci olan Wei-Lun Chao, geçen ay Amerikan İlerlemesi Bilimler Derneğinin yıllık toplantısında alanındaki son araştırma ilerlemeleri hakkında detaylı bir sunum yaptı. Bu sunum, “Imageomics: Biyolojik Özellikleri Anlama için Makine Öğrenimini Güçlendirme” başlıklı bir oturumun parçasıydı.
Bazı araştırma sorunlarının manuel olarak yıllar veya on yıllar alabileceğini belirten imageomics araştırmacıları, desen tanıma ve çoklu model hizalama gibi makine ile bilgisayar görüsü tekniklerinin yardımıyla, gelecek nesil bilimsel keşiflerin hızı ve verimliliğinin katlanarak artabileceğini öne sürüyor.
Chao ve meslektaşlarının bu hedefe ulaşmak için çalıştığı yollardan biri, çeşitli görevleri mümkün kılacak şekilde tüm türlerden veri kullanan imageomics’in temel modellerini oluşturmak. Başka bir yol da bilgisayarların görüntülerdeki nesneleri tanımlamasını ve sınıflandırmasını daha kolay hâle getirmek için özellikler belirleyebilen hatta keşfeden makine öğrenme modelleri geliştirmek. Özellik tespiti ile görüntü sınıflandırmaya yönelik geleneksel yöntemler büyük miktarda insan açıklaması gerektiriyor ancak yeni yöntem bunu gerektirmiyor. Chao, algoritmayı geliştirirken biyologların ve ekologların çeşitli biyolojik organizma türlerini ayırt etmek için nasıl özellikler aradıklarından ilham aldıklarını söyledi.
Geleneksel makine öğrenimi tabanlı görüntü sınıflandırıcıları, bir görüntüyü bütün olarak analiz ederek ve ardından belirli bir nesne kategorisini etiketleyerek büyük bir doğruluk seviyesine ulaşıyor. Ancak Chao’nun ekibi daha proaktif bir yaklaşım benimsiyor. Yöntemleri, algoritmaya analiz edilirken bir nesnenin sınıfına (hayvan türü gibi) özgü herhangi bir görüntüdeki renkler ve desenler gibi özellikleri aktif olarak aramasını öğretiyor. Algoritmanın kullanım kolaylığı, potansiyel olarak imageomics’in iklimden malzeme bilimine kadar çeşitli amaçlar için entegre edilmesine olanak tanıyabilir. Chao, imageomics araştırmasının zorlayıcı yönlerinden birinin farklı bilimsel kültürlerin farklı bölümlerini entegre etmek olduğunu belirtti.
Derleyen: Esin Özcan
