COVID-19'a Karşı Yapay Zeka

Artificial Intelligence against COVID-19: An Early Review

COVID-19'a Karşı Yapay Zeka: Erken Bir Gözden Geçirme

Özet

Yapay Zeka (AI), COVID-19 pandemisine karşı mücadelede potansiyel olarak güçlü bir araçtır. Pandeminin patlak vermesinden bu yana, AI kullanmak için bir mücadele oldu. Bu makale, AI'nın COVID-19 ile mücadeleye katkısını ve bu katkılar üzerindeki mevcut kısıtlamaları tartışan erken ve zorunlu olarak seçici bir inceleme sunmaktadır. Yapay zekanın COVID-19 ile mücadeleye katkıda bulunabileceği altı alan tartışılmaktadır:

1. erken uyarı ve ikazlar,
2. ii) izleme ve tahmin,

• iii) veri panoları,

1. iv) teşhis ve prognoz,
2. v) tedaviler ve uygulamaları 
3. vi) sosyal kontrol.

AI'nın henüz COVID-19'a karşı etkili olmadığı sonucuna varıldı. Kullanımı veri eksikliği ve çok fazla veri nedeniyle engellenmektedir. Bu kısıtlamaların aşılması, veri gizliliği ve halk sağlığı ile titiz insan-AI etkileşimi arasında dikkatli bir denge kurulmasını gerektirecektir. Bunların şimdiki salgın sırasında çok yardımcı olması için zamanında ele alınması olası değildir. Bu arada, kimin bulaşıcı olduğuna dair kapsamlı teşhis verilerinin toplanması hayat kurtarmak, AI uyarlamak ve ekonomik zararları sınırlamak için gerekli olacaktır.

1. Giriş

SARS-CoV-2 virüsünün neden olduğu COVID-19 hastalığı, Aralık 2019'da Çin'de tanımlandı ve WHO tarafından 11 Mart 2020'de küresel bir pandemi ilan etti. AI, COVID-19 pandemisine karşı güçlü bir potansiyel aracıdır . Yapay zeka, mevcut amaçlar doğrultusunda bilgisayarlara örüntü tanıma, açıklama ve tahmin için büyük veri tabanlı modelleri kullanmayı öğretmek için Makine Öğrenmesi (ML), Doğal Dil İşleme (NLP) ve Bilgisayar Görme uygulamaları olarak tanımlanabilir. Bu işlevler COVID-19 enfeksiyonlarını tanımak (teşhis etmek), tahmin etmek ve açıklamak (tedavi etmek) ve sosyo-ekonomik etkilerin yönetilmesine yardımcı olabilir. Pandeminin patlak vermesinden bu yana, AI ve diğer veri analitik araçlarını bu amaçlar için kullanmak için bir karıştırma yapıldı, bkz. Geniş (2020); Hollister (2020) ve Taulli (2020).

Bu yazıda, AI'nin COVID-19'a karşı fiili ve gerçek katkısının yanı sıra bu katkılar üzerindeki mevcut kısıtlamaları tartışarak, bu AI karıştırmasının erken ve hızlı bir incelemesini sunuyorum. Bu makale, araştırma, politika ve tıbbi analizde hızlı yanıtlar için bir girdi olarak hizmet etmek amacıyla, hızla genişleyen bir tartışmadan ve büyüyen bir çalışma grubundan hızlı katılımlar sağlamayı amaçlamaktadır. Salgının yaşam ve ekonomik zarar açısından maliyeti korkunç olacaktır; Bu yazının yazıldığı sırada, büyük belirsizlik, ne kadar korkunç olduğunun ve hem farmasötik olmayan hem de farmasötik tepkilerin ne kadar başarılı olabileceğine dair tahminleri kuşattı. Bu belirsizlikleri azaltmaya yardımcı olmak için, son on yılda geliştirilen en umut verici veri analitik araçlarından biri olan AI'nin iyileştirilmesi faydalı bir arayıştır. Cesaret verici bir şekilde, veri bilimcileri bu mücadeleyi üstlenmişlerdir.

Önemli çıkarımlar aşağıdaki gibidir. AI'nın henüz COVID-19'a karşı etkili olmadığı sonucuna varıyorum. Kullanımı veri eksikliği ve çok fazla gürültülü ve aykırı verilerle engellenir. Bu kısıtlamaların aşılması, veri gizliliği ve halk sağlığı endişeleri ile titiz insan-AI etkileşimi arasında dikkatli bir denge kurulmasını gerektirecektir. Bunların şimdiki salgın sırasında çok yardımcı olması için zamanında ele alınması olası değildir. Bunun yerine AI “bir sonraki pandemiye yardımcı olabilir”. Bu arada, kimin bulaşıcı olduğuna dair kapsamlı teşhis verileri toplamak, hayat kurtarmak ve ekonomik zararları sınırlamak için gerekli olacaktır. Makale aşağıdaki gibi yapılandırılmıştır. Bölüm 2'de AI'nin COVID-19'a karşı fiili ve potansiyel katkıları tartışılmaktadır. 3. bölümde kısıtlamalar incelenmiştir.

2. Yapay Zekanın COVID-19'a Karşı Gerçek ve Potansiyel Katkıları

Yapay zekanın COVID-19'a karşı etkisine katkıda bulunabileceği altı alan vardır: i) erken uyarı ve uyarılar, ii) izleme ve tahmin, iii) veri panoları, iv) teşhis ve prognoz, v) tedaviler ve uygulamaları  vi) sosyal kontrol.

• Erken uyarı ve ikazlar

Kanada merkezli AI modeli BlueDot örneği zaten efsanevi hale geldi. Göreceli olarak düşük maliyetli bir AI aracının (BlueDot'un yaklaşık 9 milyon dolarlık bir başlangıç yatırımı tarafından finanse edildi), bulaşıcı hastalık salgınlarını tespit etmede insanları tahmin edebileceğini göstermektedir. Hesaplara göre, BlueDot 2019 yılının sonunda enfeksiyonun patlak vereceğini tahmin ederek, 31 Aralık 2019'da Dünya Sağlık Örgütü 9 Ocak 2020'de bunu yapmadan önce müşterilerine bir uyarı verdi. BlueDot ile çalışan bir grup araştırmacı, Wuhan'dan gelen yolcuların salgının ardından geleceği ilk 20 hedef şehri listeledi. Bu şehirlerin hastalığın küresel yayılmasında ön planda olabileceği konusunda uyardılar.

BlueDot şüphesiz güçlü bir araç olsa da, aldığı tanıtımın çoğu insan bilim adamlarının rolünün bir miktar abartılmasını ve biraz değer düşüklüğünü içeriyor. İlk olarak, BlueDot 31 Aralık 2019'da alarm çalarken, Boston Çocuk Hastanesi'nde (ABD) başka bir AI tabanlı model olan HealthMap, 30 Aralık 2019'da daha erken bir alarm verdi. Ayrıca, Associated Press'e göre, sadece 30 dakika sonra bu, Gelişen Hastalıkları İzleme Programı'nda (PMED) bir bilim adamı bir uyarı yayınladı. AI tabanlı model sadece 30 dakika daha hızlı olmasına rağmen, salgına çok düşük bir önem seviyesi ekledi. Özünde, tehdidi tanımak için insan yorumu ve bağlam sağlanması gerekiyordu. Aslında, BlueDot söz konusu olduğunda bile, insanlar bir podcast'te BlueDot'un Kurucusu Kamran Khan'ın açıkladığı gibi, çıktılarını değerlendirme ve yorumlamada merkezi konumdadır. Bu nedenle, yapay zekanın optimum uygulaması için disiplinler arası insan girdisinin gerekli olduğunu vurgulamak doğrudur.

• İzleme ve Tahmin

AI, COVID-19 hastalığının zaman içinde ve uzayda nasıl yayılacağını izlemek ve tahmin etmek için kullanılabilir. Örneğin, önceki bir pandemiyi takiben, 2015 Zika virüsünün yayılımını tahmin etmek için dinamik bir sinir ağı geliştirdi. Bununla birlikte, bu gibi modellerin COVID19 salgını verileri kullanılarak yeniden eğitilmesi gerekecektir. Bu şimdi gerçekleşiyor gibi görünüyor. Carnegie Mellon Üniversitesi'nde, mevsimsel nezleyi tahmin etmek için eğitilmiş algoritmalar şimdi yeniden eğitilmektedir. Aşağıda tartıştığım gibi, mevcut pandemiden eğitim verilerinin toplanması için çeşitli girişimler devam etmektedir.

Çeşitli problemler, pandeminin doğru tahmin edilmesini engeller. Bunlar arasında yapay zekayı eğitecek tarihsel ve tarafsız verilerin eksikliği; sosyal medyada “gürültüye” yol açan panik davranış; ve COVID-19 enfeksiyonlarının özelliklerinin önceki pandemiklerden farklı olması. Bu sadece tarihsel verilerin eksikliği değil, aynı zamanda sorunlu olduğu gösterilen sosyal medyadan toplanan “büyük veri” kullanımıyla ilgili problemlerdir. Burada, Google Grip Trendleri'nin rezil başarısızlığında gösterildiği gibi, bulaşıcı hastalıklar bağlamında büyük verilerin ve yapay zekanın tuzakları geçerli olmaya devam etmektedir. Lazer ve ark. (2014) bunlara “büyük veri kasılması ve algoritma dinamikleri” adını vermiştir. Örneğin, enfeksiyon yayılmaya devam ettikçe ve çevresindeki sosyal medya biriktikçe, anlamlı eğilimlerin farkına varılmadan önce toplanması gereken gürültü miktarı birikir. Genel olarak ve bu aynı zamanda ekonomi ve finans dahil olmak üzere diğer alanlarda yapay zeka tahmin modelleri için kötü bir haberdir, çünkü geçmiş davranışa dayanan herhangi bir tahmin algoritması için, COVID-19 gibi yeni ve benzeri olmayan veri kütlesi ile küresel bir aykırı olay. Rowan (2020) tarafından “modern Sanat zekasının kriptoniti” olarak tanımlanabilir. Sonuç olarak, yakın gelecekte “birçok endüstrinin insanları modelleri tarafından alınan tahmin sandalyesine geri çekeceği” sonucuna varıyor.

Büyük veri kocaları ve algoritma dinamikleriyle başa çıkmanın bir yolu, sosyal medyada içerik yönetimi. Google (YouTube) ve Facebook gibi büyük sosyal medya platformları, kilitlenme önlemlerinden kaynaklanan insan statüsündeki bir azalmadan etkilenmeleri nedeniyle sahte haberleri kontrol etmek de dahil olmak üzere içerik yönetimi için yapay zekayı daha yoğun kullanmaya başladı. İçerik yönetimi için yapay zekaya daha fazla güvenmek, AI'nın hala kötü bir iş çıkardığı gerçeğini ortaya koydu. YouTube'un yapay zekayı içerik yönetiminde daha yaygın olarak kullanmanın “hata eğilimli” olduğunu kabul ettiği bildiriliyor. Bu yine insanoğlunun yapay zekaya girmesinin ve yönünün önemini göstermektedir.

Veri eksikliği, gürültülü sosyal medya, büyük veri kasılmaları ve algoritmik dinamiklerin bir sonucu olarak, COVID-19'un yayılmasının AI tahminleri henüz çok doğru veya güvenilir değildir. Bu nedenle, şimdiye kadar, izleme ve tahmin için kullanılan çoğu model AI yöntemleri kullanmaz. Bunun yerine, çoğu tahminci, SIR modelleri olarak adlandırılan, Duyarlı, Enfekte ve Kaldırılan bir alanın nüfusu için kullanılan kısaltma olan tercih edilen epidemiyolojik modelleri tercih eder. Örneğin, Oxford Üniversitesi İnsanlığın Geleceği Enstitüsü GLEAMviz epidemiyolojik modeline dayalı olarak virüsün yayılmasını öngörür. San Francisco merkezli bir şirket olan Metabiota, bir Salgın İzleyici ve kısa vadeli bir hastalık tahmini modeli öngörüyor. Bir Oxford Üniversitesi matematikçisi Crawford, bir YouTube videosunda kısa ve özlü bir açıklama SIR modelleri sunar.

Berlin'deki Robert Koch Enstitüsü, hükümetler tarafından kilitlenmeler, karantinalar ve sosyal uzaklaştırma reçeteleri gibi sınırlama önlemlerini dikkate alan bir epidemiyolojik SIR modeli kullanıyor. Benzer şekilde genişletilmiş bir SIR modeli, pandemiye karşı halk sağlığı önlemlerini dikkate alarak ve Çin'den gelen verileri kullanarak, R formatında kullanıma sunuldu. Robert Kock Enstitüsü'nün modeli, Çin örneğinde, muhafazanın üstel oranlardan daha yavaş yayılmayı azaltmada başarılı olabileceğini göstermek için daha önce kullanılmıştır.

COVID-19'un yayılmasını izlemek ve yayılmasını öngörmek, halk sağlığı otoritelerinin pandemi planlaması, hazırlanması ve yönetmesi için değerli veri girdileridir. Ve epidemiyolojik eğri üzerinde nerede olduklarını ve onu zayıflatmakta başarılı olup olmadıklarını değerlendirmek. Ayrıca, yayılımı azaltmak veya yavaşlatmak için alınan önlemlerin olası başarısı hakkında kabaca yansımalar da sağlayabilir. Örneğin, Robert Koch Enstitüsü, 28 Mart 2020'ye kadar Hollanda'daki enfeksiyon sayısının 10.922'ye ulaşacağını tahmin etti. Bu tarihte, John's Hopkins Üniversitesi CSSE'ye göre, Hollanda'daki toplam enfekte hasta sayısı tahmin edilenden daha düşük olarak 8,647'de. Bu, hükümetin yaklaşımının enfeksiyonlardaki büyümeyi azaltmaya yardımcı olduğu argümanlarını güçlendirebilir.

• Veri Gösterge Tabloları

COVID-19'un izlenmesi ve öngörülmesi, gerçek ve beklenen yayılmanın görüntülenmesi için bir veri panosu oluşturma endüstrisine neden olmuştur. MIT Technology Review, bu izleme ve tahmin panellerinin sıralamasını oluşturdu. En iyi gösterge tablolarını UpCode, NextStrain, Johns Hopkins’in CSSE, Thebaselab, BBC, New York Times ve HealthMap olarak sıralıyorlar. Diğer önemli gösterge tablosu da Microsoft Bing’in COVID-19 İzleyicisi.

Şekil 1: Microsoft Bing’in COVID-19 İzleyicisi (31 Mart 2020)

Bu gösterge tabloları küresel bir genel bakış sunarken, gelişmekte olan ekonomiler de dahil olmak üzere artan sayıda ülkede zaten kendi gösterge panoları bulunmaktadır; örneğin Güney Afrika, Pretoria Üniversitesi'nde Sosyal Etki için Veri Bilimi Araştırma Grubu tarafından sürdürülen COVID 19 ZA Güney Afrika Panosunu kurdu. Salgının veri görselleştirmeleri ve gösterge tablolarının üretimini kolaylaştırmak için Tableau, bir COVID-19 Başlangıç Çalışma Kitabı ile bir COVID-19 Veri Merkezi yarattı. Sarkar (2020), New York Times’ın COVID-19 veri kümesinden nasıl veri ayıklayabildiğini ve enfeksiyonun ilerlemesi için veri görselleştirmeleri oluşturabildiğini göstermek için bir Python betiği sağlar. Makulec (2020), COVID-19 Verilerini Görselleştirirken On Düşünceyi listeleyen COVID-19 verilerinin sorumlu bir şekilde görselleştirilmesini talep etmektedir.

• Tanı ve Prognoz

COVID-19'un hızlı ve doğru teşhisi hayat kurtarabilir, hastalığın yayılmasını sınırlayabilir ve AI modellerinin eğitileceği verileri oluşturabilir. AI, özellikle göğüs radyografi görüntülerine dayalı tanı koymada bu konuda yararlı girdiler sağlayabilir. Son zamanlarda COVID-19'a karşı AI uygulamaları çalışmaları, yapay zekanın insanlar kadar doğru olabileceğini, radyologların zamanından tasarruf edebileceğini ve COVID-19 için yapılan standart testlerden daha hızlı ve daha ucuz bir teşhis yapabileceğini göstermiştir. Hem X-ışınları hem de Bilgisayarlı Tomografi (BT) taramaları kullanılabilir. Rosebrock (2020), X-ray görüntüleri kullanarak COVID-19'u teşhis etmek için Derin Öğrenme'nin nasıl kullanılacağına dair bir öğretici sunmaktadır. COVID-19 testlerinin “yetersiz ve pahalı” olduğunu, ancak “tüm hastanelerde röntgen cihazlarının bulunduğunu” belirtiyor. Maghdid ve diğ. (2020), CT görüntülerini taramak için cep telefonlarını kullanan bir teknik önermiştir.

Bu konuda çeşitli girişimler devam etmektedir. Wang ve Wong (2020), göğüs radyografisi görüntülerinden COVID-19'u teşhis edebilen derin konvolüsyonel bir sinir ağı olan COVID-Net'i geliştirdi. COVID-19 dahil olmak üzere çeşitli akciğer rahatsızlıkları olan 13.000 hastanın açık depo verileri üzerine eğitilmiştir. Bununla birlikte, yazarların belirttiği gibi, “hiçbir şekilde üretime hazır bir çözüm değildir” ve bilim topluluğunu daha da geliştirmeye, özellikle de “duyarlılığı artırmaya” çağırıyorlar. Chen ve diğ. (2020b), CT taramalarından COVID-19'u teşhis etmek için bir Derin Öğrenme modeli yayınladı (ancak henüz gözden geçirilmedi), “Derin öğrenme modeli uzman bir radyologla karşılaştırılabilir performans gösterdi ve klinikte radyologların verimliliğini büyük ölçüde artırdı. uygulama. Cephe radyologlarının baskısını hafifletmek, erken tanı, izolasyon ve tedaviyi iyileştirmek ve böylece salgının kontrolüne katkıda bulunmak için büyük bir potansiyele sahiptir ”.

Son olarak, hastalık bir kişide teşhis edildiğinde, soru, o kişinin etkilenip etkilenmeyeceği ve ne kadar yoğun etkileneceği sorusudur. COVID-19 teşhisi konan herkesin yoğun bakıma ihtiyacı yoktur. Kimin daha ciddi etkileneceğini tahmin edebilmek yardımın hedeflenmesine ve tıbbi kaynak tahsisi ve kullanımının planlanmasına yardımcı olabilir. Yan ve diğ. (2020), Wuhan, Çin'deki Tongji Hastanesi'ndeki (sadece) 29 hastanın verilerini kullanarak enfekte olmuş bir kişinin ölüm riskini tahmin etmek için bir prognostik tahmin algoritması geliştirmek için Machine Learning'i kullandı. Ve Jiang ve ark. (2020), COVID-19'dan etkilenen kişinin akut solunum sıkıntısı sendromu (ARDS) geliştirmeye devam edebileceği yüzde 80 doğrulukla tahmin edebilen bir AI sunmaktadır. AI sistemlerini eğitmek için kullandıkları örnek küçüktür (sadece 53 hasta) ve iki Çin hastanesi ile sınırlıdır.

Sonuç olarak, AI'nin COVID-19'u teşhis etmek ve hastaların nasıl ilerleyebileceğine dair bir prognoz yapmak için uygulanması, çok fazla araştırma yapılmasını sağlamıştır, ancak henüz geniş çapta operasyonel değildir. Coldeway'in (2020) şu sonuca varmış olması muhtemeldir: “Bu baharda hiç kimseye bir AI doktoru tarafından koronavirüs teşhisi verilmeyecektir”. Ayrıca göreceli olarak AI'yı kullanarak daha az çaba ile çok erken teşhis amaçlanmaktadır.

• Tedaviler ve Uygulamaları

COVID-19 salgından çok önce bile, AI yeni ilaç keşfine katkıda bulunma potansiyeli nedeniyle övüldü. COVID-19 durumunda, bir dizi araştırma laboratuvarı ve veri merkezi, COVID-19'a karşı tedavi aramak ve bir aşı bulmak için AI aldıklarını zaten belirtmişlerdir. Umut, AI'nin hem yeni ilaç keşfetme süreçlerini hem de mevcut ilaçları yeniden kullanma süreçlerini hızlandırabilmesidir.

Örneğin, Google’ın AlphaGo oyun oynama algoritması ile ünlü olan DeepMind, yeni ilaçlar geliştirmede yararlı olabilecek virüs bilgilerinin proteinlerinin yapısını tahmin etmek için AI'yi kullandı. Bununla birlikte, DeepMind web sitesinde açıkça belirttiği gibi, “bu yapı tahminlerinin deneysel olarak doğrulanmadığını vurguluyoruz… sağladığımız yapıların doğruluğundan emin olamayız”.

Beck ve diğ. (2020) mevcut bir ilacın, atazanavir'in COVID-19'u tedavi etmek için potansiyel olarak tekrar kullanılabileceğini tanımlamak için Machine Learning'i kullanarak sonuçları rapor etmiştir.

Bu tedavilerin (özellikle bir aşı) yakın gelecekte, en azından mevcut pandemi sırasında çok yararlı olması muhtemel değildir. Bunun nedeni, bu ilaçların onaylanmasından ve taranmasından sonra yapılması gereken tıbbi ve bilimsel izlemelerin ve kontrollerin zaman almasıdır - bir aşı için 18 aya kadar tahmini süre verilmektedir-.

• Sosyal kontrol

AI, potansiyel olarak enfekte olan insanlar için kamusal alanları taramak için termal görüntüleme kullanarak ve sosyal uzaklaşma ve kilitlenme önlemlerini uygulayarak pandemiyi yönetmek için kullanılabilir. Örneğin, Chun (2020) tarafından South China Morning Post'ta açıklandığı gibi, “Çin'deki havaalanlarında ve tren istasyonlarında, kızılötesi kameralar kalabalığı yüksek sıcaklıklara karşı taramak için kullanılır. Bazen bireyi yüksek bir sıcaklıkla ve cerrahi maske takıp takmadığını tespit edebilen bir yüz tanıma sistemi ile kullanılırlar. ”

Çinli Firma Baidu, kalabalığı taramak için bilgisayar görüşünü kullanan bu tür kızılötesi kameraların üreticilerinden biridir. Bu kameraların dakikada 200 kişiyi tarayabildiği ve vücut ısısı 37,3 dereceyi aşanları tanıyacağı bildiriliyor. Bununla birlikte termal görüntüleme, gözlük takan insanlarda ateşin uzaktan tanımlanması için yetersiz olduğu için eleştirilmiştir (çünkü iç gözyaşı kanalının taranması en güvenilir endikasyonu verir) ve COVID-19 nedeniyle bir kişinin ateşinin çıkıp çıkmayacağı da ayrı bir konudur.

Dahası, Chun'un (2020) ileri sürdüğü gibi, “Bu sistem vatandaşların kendi karantina emirlerine uymalarını sağlamak için de kullanılıyor. Raporlara göre, evi terk eden bireyler, muhtemelen yüz tanıma sistemi tarafından izlendikten sonra yetkililerden bir çağrı alacaklar ”. Bu tip kullanım sadece Çin ile sınırlı değildir. Birleşik Krallık'taki Oxford kentinde insanların hükümetin sosyal uzaklaştırma ölçütlerine uyup uymadığını izlemek için ortak alanları tarayan AI tabanlı bir bilgisayar görüş kamera sistemi kullanılmıştır. ABD sosyal mesafe normlarının ne zaman ihlal edildiğini tespit etmek için kamera görüntülerini kullanan ve ardından bir uyarı gönderecek olan “sosyal mesafe algılama” yazılımını sunuyor. Aşırı bir durumda, İsrail hükümeti enfekte olabilecek insanları belirlemek ve karantinaya almak için güvenlik hizmetleri tarafından siber izlemeyi onayladı.

Kısa vadede bu tür yapay zekaların sosyal kontrol için daha fazla kullanıldığını görme ihtimalimiz daha yüksektir. Yapay zeka destekli uygulamalara sahip cep telefonları veya sahiplerinin konum, kullanım ve sağlık verilerini toplayan giyilebilir cihazlar gibi ilgili teknolojilerin de kullanılması daha olasıdır. Petropoulos'a (2020) göre, bu tür uygulamalar hastaların tıbbi sağlayıcılarından gerçek zamanlı bilgileri almalarını, insanlara bir hastaneyi bizzat ziyaret etmeleri gerekmeden tıbbi durumları hakkında tavsiye ve güncelleme sunmalarını ve bildirimde bulunmalarını sağlayabilir.

Korku, salgın sona erdiğinde, veri gizliliğinin erozyonunun geri alınmayacağı ve hükümetlerin nüfuslarını incelemek ve COVID-19'a karşı elde edilen verileri başka amaçlarla kullanmak için gelişmiş yeteneklerini kullanmaya devam edeceği yönündedir. Harari (2020) “Koronavirüs enfeksiyonları sıfıra düştüğünde bile, veriye aç bazı hükümetler biyometrik sürveyans sistemlerini, ikinci bir koronavirüs dalgasından korktukları için ya da yeni bir Ebola olduğu için yerinde tutmaları gerektiğini iddia edebilirler”.

3. Kısıtlamalar: Çok Fazla ve Çok Az Veri

AI, COVID-19 ve benzeri pandemilere karşı etkili bir araç olma potansiyeline sahiptir. Ancak Petropoulos'un (2020) sonuçlandırdığı gibi, “AI sistemleri hala başlangıç aşamasındadır ve bu tür AI önlemlerinin sonuçlarının görünmesi zaman alacaktır”. Bullock ve diğ. (2020), AI'nin COVID-19'a karşı kullanımını gözden geçirirken “gözden geçirilmiş AI sistemlerinin çok azının bu aşamada operasyonel olgunluğa sahip olduğu” sonucuna varmışlardır.

Bu makalede, mevcut AI kullanımının bir yandan veri eksikliği ve diğer yandan çok fazla veri ile kısıtlandığı gösterilmiştir. AI modellerini eğitmek için yeterli tarihsel veriler (henüz), üzerinde çalışmak için yeterli açık veri kümeleri ve modelleri değil, aynı zamanda büyük veri kasmalarının, algoritmaların ayarlanmamasının ve aykırı verilerin ve bir bilim dalının potansiyel sorunlarının potansiyel problemleri yoktur. Somut tanı ve tedavi seçenekleri sunulmadan önce hepsinin değiştirilmesi ve değerlendirilmesi önerilir.

İlk olarak, daha fazla veri gereksinimi söz konusu olduğunda, COVID-19 hakkında daha fazla yeni eğitim verisine açıkça ihtiyaç vardır; yapay zeka yeteneğini geliştirmek için daha fazla açıklık ve bilgi paylaşımı ve daha işbirlikçi ve çok disiplinli araştırmalar gereklidir. Yapay zeka yoluyla teşhis araçları veya tedavileri ile ilgili raporların çoğunda küçük, muhtemelen yanlı ve Çin merkezli örnekler kullanma eğilimi vardır. Eğer pandeminin izlenmesi ve tahmininin iyileştirilmesi gerekiyorsa ve aşağıda tartışıldığı gibi, dünya ekonomisinin yeniden başlatılması gerekiyorsa, daha fazla tanı testi yapılması gerekmektedir. Bütün bunların ötesinde, insanların yapay zeka ile etkileşime girme ve yapay zekayı yönetmedeki rolü gereklidir ve belki de her zamankinden daha da önemlidir.

Şimdiye kadar, mevcut veri kümelerinin ve salgın hakkındaki bilgilerin oluşturulmasının ve paylaşılmasının önemini kabul eden bir dizi kayda değer etkinlikle ilerleme kaydedilmiştir. Bunlardan birincisi, Dünya Sağlık Örgütü'nün (WHO) Coronavirus hastalığı veritabanında Global Araştırmaları olmuştur ve bu da diğer benzer girişimlere bağlantılar da sunmaktadır. Bunlardan biri GISAID Girişimi'nin açık erişim verileridir.

Yapay zekaya odaklanan en iddialı ise, Semantic Scholar, Allen Zeka Enstitüsü, Microsoft, Facebook ve diğerleri arasında COVID-19 Açık Araştırma Veri Kümesi'ni (CORD-19) açık bir şekilde sunma ortak girişimidir ve veri madenciliği için şu anda mevcut olan yaklaşık 44.000 bilimsel makale içermektedir.

Diğer benzer girişimler arasında, Novel Coronavirus Bilgi Merkezi'nde COVID-19 ve ScienceDirect ile ilgili 20.000 civarında ilgili makalenin yanı sıra veri madenciliği için tam metinler hakkında erken aşama ve hakemli araştırmalarda halka açık hale getirilen Elsevier'in girişleri yer alıyor. İnsan Coronavirus İnovasyon Peyzaj Patenti ve Araştırma Çalışmaları Açık Veri Kümeleri adı verilen patentler hakkındaki tüm verilerini patentlere sunmuş olan Lens'in yanı sıra, yeni ve yeniden tasarlanmış ilaçların araştırılmasını desteklemek için.

Diğer kayda değer yeni veri toplama ve açık inovasyon girişimleri arasında Kaliforniya Üniversitesi, Berkeley, Urbana-Champaign'daki Illinois Üniversitesi ve C3.ai Dijital Dönüşüm Enstitüsü'nü kuran C3.ai bulunmaktadır. Bu Enstitü, Pandemi Azaltmak için Yapay Zeka Teknikleri için Teklif Çağrısı başlattı. Bunlar, diğerleri arasında “COVID-19 salgınının yayılmasını azaltmak için makine öğrenimi ve diğer AI yöntemlerini uygulama” ve “Özel ve hassas verileri kullanan COVID-19 araştırmaları için veri analizi” ile ilgilenmelidir.

COVID-19 ile ilgili verilere ve bilimsel literatüre açık erişimi teşvik eden sadece büyük teknoloji şirketleri, yayıncıları ve üniversiteler değildir. Aynı zamanda daha küçük girişimler ve STK'lar da mevcuttur. Örneğin, Newspeak House - İngiltere merkezli bağımsız bir konut koleji - kitle kaynaklı bir “Coronavirus Tech El Kitabı” yazmaya başladı. Chen ve ark. (2020a) ilk genel COVID-19 Twitter veri kümesini yayınladı.

Sadece AI uygulamalarını kısıtlayan veri eksikliği değil, aynı zamanda belki de paradoksal olarak çok fazla veri mevcuttur. Belirtildiği gibi, pandemi ilerledikçe ve sorun haberlere ve sosyal medyaya hakim olduğunda, çok fazla büyük veri gürültüsü ve daha fazla gözlem oluşturuldu ve algoritmalar bir süre sonra bunalmış olacak, bu da Google Grip Trendleri'nin başarısız girişiminden alınan dersti. Bilim insanlarının bilimsel makalelerin ve yeni verilerin üretilmesiyle uğraşmaları ve bunlar arasında geçiş yapmaları gerekecektir. Günümüzde pandemi hakkında günde 100'den fazla bilimsel makale yayınlanmaktadır (30 Mart 2020'de 185).  Bu konuda bir inisiyatif örneği Gruenwald ve ark.'nın COVID-19 Kanıt Gezginidir. Bu pandemi ile ilgili bilimsel yayınların bilgisayar tarafından oluşturulan kanıt haritalarını sağlayan, günlük olarak PubMed'den güncellenen bir ekrandır.

Şekil 2: COVID-19 Kanıt Gezgini (1Nisan 2020)

4. Son sözler

Yapay zeka henüz COVID-19'a karşı en azından epidemiyolojik, tanısal ve farmasötik açıdan önemli bir rol oynamamaktadır. Kullanımı veri eksikliği ve çok fazla gürültülü ve aykırı verilerle sınırlıdır. Yapay zeka eğitimi için tarafsız zaman serisi verilerinin oluşturulması gereklidir. Bu konuda gittikçe artan sayıda uluslararası girişim cesaret vericidir; ancak daha fazla tanısal test için bir zorunluluk vardır. Eğitim sağlamak sadece AI modellerini çalışır hale getirmek için değil, aynı zamanda salgını daha etkin bir şekilde yönetmek ve insan yaşamı ve ekonomik hasar açısından maliyetini azaltmak için gereklidir.

Daha fazla tanısal test, nihayetinde salgını durdurmaya, kilitlenmelerden kaynaklanan ekonomik zararı sınırlamaya ve kısıtlamalar hafifletildikten sonra geri tepmeyi önlemeye yardımcı olacaktır. Şu anda, kaç kişinin enfekte olduğunu bilmiyoruz. Esasen, Li ve ark. (2020) tüm enfeksiyonların yüzde 86'sının belgesiz olduğunu ileri sürmektedir. Bu durumda, pandeminin geri tepme tehlikesi büyük olasılıkla ekonomik iyileşmeyi daha da geciktirdi. Bu nedenle, kimin bulaşıcı olduğu konusunda sınırlı verilerin aşılması kritik öneme sahiptir.

Açıkça, veriler yapay zekanın gelecekteki salgınlara ve pandemilere karşı etkili bir araç olup olmayacağının merkezinde yer almaktadır. Korku, daha önce de belirttiğim gibi, halk sağlığı endişelerinin veri gizliliği endişelerini sürdürmesidir. Hükümetler, pandemi bittikten çok sonra da vatandaşlarını olağanüstü gözetimde tutmaya devam etmek isteyebilirler. Bu nedenle, veri gizliliğinin aşınmasıyla ilgili endişeler yerinde kalmaktadır.

Veri yönetiminin yasal ve etik boyutları hakkında tam bir tartışma bu makalenin kapsamı dışındadır. Büyük verileri derhal toplama ve analiz etme esnekliği, yetkililerin birçok insanın rahat hissedebileceğinden daha fazla kişisel veri toplamasını gerektirse bile, pandemi ile mücadelede çok önemlidir. Bu nedenle, yetkililerin bu tür verilerin işlenmesinde ve bunların kamuoyu ile iletişimlerinde özellikle dikkatli olmaları çok önemlidir.

Son olarak, AI'nin etkisi şimdiye kadar oldukça sınırlı olmasına rağmen, pandemi ve buna yönelik politika tepkileri, insan emeğinin daha fazla otomasyonuna geçiş de dahil olmak üzere ekonominin dijitalleşmesini hızlandırabilir. Bu nedenle, mevcut krizin bir sonucu olabilecek yapay zeka teknolojisindeki yenilikler, yapay zekanın yönetimi için uygun mekanizmaların yerleştirilmesinde daha hızlı ilerleme gerektirebilir.

( IZA İşgücü Ekonomileri Enstitüsü / Tartışma Makale Serileri / Nisan 2020 )