Penn State Üniversitesi’nden araştırmacılar, yapay zeka (YZ) ve insan uzmanlığını bir araya getirerek gıda biliminde yeni fiziksel ilişkiler keşfetme potansiyelini ortaya koydu.
Veri Erişimi ve Analizi Sorunları
Gıda ürün geliştirme ve işleme tasarımı için kritik olan gıda özellikleri bilgisi, yıllar boyunca yazılmış binlerce bilimsel makaleye yayılmış durumda. Bu durum, gıda mühendislerinin verilere erişip analiz etmesini zorlaştırıyor. Penn State Üniversitesi’nden Xu Zhou liderliğindeki ekip, yapay zeka ajanlarının insan uzmanlığıyla yönlendirilerek bilimsel literatürden deneysel verileri çıkartıp düzenleyebileceğini gösterdi.
Bu sistem, daha önce bildirilmemiş fiziksel ilişkileri ortaya çıkarmaya yardımcı olan aranabilir bir veri tabanı oluşturuyor. Ayrıca, genel amaçlı yapay zeka için bir bilgi tabanı işlevi görüyor, böylece daha doğru ve kanıta dayalı yanıtlar sağlayabiliyor.
AgentXtract Sistemi
Bu araştırmanın fikir aşaması, Xu Zhou’nun 2025 sonlarında Penn State’deki öğretim üyeliği görüşmesi sırasında ortaya çıktı. Tarım Bilimleri Fakültesi’nde yapay zekayı kullanarak geliştirilmiş bir arama asistanı olan Tilva’dan haberdar olduktan sonra, benzer bir kavramın mevcut problemleri çözebileceğini fark etti.
Zhou, “Yapay zekayı çok sık kullanıyorum ve giderek daha güçlü hale geldiğini görüyorum; ama bazen bilimsel makaleleri arasa bile gıda bilimi sorularına ihtiyacım olan yanıtları veremiyor,” dedi. Bu durumun temel nedenlerinden birinin, eğitiminde yeterli kaliteli gıda verisi olmaması olduğunu vurguladı.
AI ve İnsan Uzmanlığı İşbirliği
Gıda mühendislerinin matematiksel modeller ve bilgisayar simülasyonları için güvenilir fiziksel özellik verisine ihtiyaçları var. Ancak, bu veriler yıllar boyunca yayımlanan makalelere dağılmış durumda ve toplanması zaman alıyor. Zhou, YZ ajanları ve insan uzmanlarının nasıl birlikte çalışabileceğini araştırdı.
AgentXtract, bilimsel makaleleri yorumlamak üzere YZ ajanlarının birlikte çalışmasını sağlıyor. Geleneksel metin tabanlı veri madenciliğinin aksine, gıda mühendisliğindeki değerli deneysel veriler genellikle tablolar, şekiller ve matematiksel denklemler halinde raporlanıyor.
Başarı ve Yeni Keşifler
AgentXtract’ın performansını test etmek için, araştırmacılar OpenAI, Google ve Anthropic’ten 10 farklı büyük dil modelini değerlendirdi. Bu modellerin bilimsel makaleleri yorumlama, deney verilerini anlama ve ilgili sayısal bilgileri çıkartma performansı, insan uzmanları tarafından doğrulanan verilerle karşılaştırıldı.
Zhou, “Geçmişte, bir deneyimli lisansüstü öğrenci veya doktora sonrası araştırmacının altı ay veya daha fazla zaman harcaması gerekiyordu. Şimdi YZ ajanları ile yalnızca 30 dakikada 4.000’den fazla deneysel veri kaydını topladık ve düzenledik,” dedi.
Yeni Matematiksel İlişki ve Uygulamalar
Araştırma, daha önce bildirilmemiş bir matematiksel ilişki keşfiyle de sonuçlandı. Toplanan verileri analiz eden araştırmacılar, yiyeceklerin elektromanyetik enerjiyle etkileşimini tanımlayan iki dielektrik özelliği arasında yeni bir ilişki buldular.
“Beni en çok heyecanlandıran şey, tüm verileri bir araya getirdiğimizde, 100’den fazla farklı yiyecek için dielektrik sabiti ile kayıp faktörü arasında tutarlı bir ilişki gözlemlememiz oldu,” diyen Zhou, bunun manuel olarak veri toplamanın zorluğundan dolayı daha önce bildirilmediğini kaydetti.
Gelecek Perspektifleri
Son olarak, araştırmacılar veritabanını bir soru-cevap YZ’si ile bağlayarak performansını değerlendirdi. Kullanıcılar, örneğin, “Belirli bir frekansta patateslerin dielektrik özellikleri nelerdir?” gibi sorular sorabiliyor ve sistem, ilgili veritabanı kayıtlarını hızlı bir şekilde geri getiriyor.
Zhou, “Günümüzün büyük dil modelleri zaten çok güçlü, ancak onları daha faydalı hale getirmenin bir yolu, insan uzmanları tarafından doğrulanan yüksek kaliteli bilimsel verilerle beslemektir. Çalışmamız, sadece gıda bilimi için değil, birçok araştırma alanı için nasıl yapılabileceğini gösteriyor,” dedi.
