100 yılı aşkın bir süre önce Alexander Graham Bell, National Geographic okuyucularından cesur ve yeni bir şey yapmalarını istedi: “yeni bir bilim kurmak.” Ses ve ışık ölçümlerine dayanan bilimlerin zaten var olduğuna dikkat çekti. Ancak koku bilimi yoktu. Bell okuyucularından “bir kokuyu ölçmelerini” istedi.
Bugün çoğu insanın cebinde bulunan akıllı telefonlar, ses ve ışık bilimlerine dayanan etkileyici yerleşik yetenekler sunuyor: sesli asistanlar, yüz tanıma ve fotoğraf iyileştirme. Koku bilimi ise buna benzer bir şey sunmuyor. Ancak bu durum değişiyor, çünkü “dijitalleştirilmiş koku” olarak da adlandırılan makine koku alma alanındaki gelişmeler nihayet Bell’in eylem çağrısına yanıt veriyor.
Makine kokusu üzerine yapılan araştırmalar, insan koku alma duyusunun karmaşıklığı nedeniyle zorlu bir görevle karşı karşıya. İnsan görüşü esas olarak retinadaki reseptör hücrelere – çubuklar ve üç tip koni – dayanırken, koku burundaki yaklaşık 400 tip reseptör hücre aracılığıyla deneyimlenir.
Makine kokusu, havadaki molekülleri tespit eden ve tanımlayan sensörlerle başlar. Bu sensörler burnunuzdaki reseptörlerle aynı amaca hizmet eder.
Ancak insanlara faydalı olabilmek için makine koku alma sisteminin bir adım daha ileri gitmesi gerekir. Sistemin belirli bir molekülün ya da bir dizi molekülün bir insan için nasıl koktuğunu bilmesi gerekir. Bunun için makine koku alma sisteminin makine öğrenimine ihtiyacı vardır.
Makine öğrenimini kokulara uygulamak
Makine öğrenimi ve özellikle de derin öğrenme adı verilen bir tür makine öğrenimi, sesli asistanlar ve yüz tanıma uygulamaları gibi olağanüstü gelişmelerin merkezinde yer almaktadır.
Makine öğrenimi aynı zamanda kokuları dijitalleştirmenin de anahtarıdır çünkü kokuya neden olan bir bileşiğin moleküler yapısını metinsel koku tanımlayıcılarıyla eşleştirmeyi öğrenebilir. Makine öğrenimi modeli, insanların vanilin gibi belirli kokuya neden olan bileşiklerle karşılaştıklarında deneyimlediklerini tanımlamak için kullanma eğiliminde oldukları kelimeleri (örneğin, “tatlı” ve “tatlı”) öğrenir.
Ancak makine öğrenimi büyük veri kümelerine ihtiyaç duyar. Web, sesleri ve resimleri tanıyan yapay zeka sistemlerini eğitmek için kullanılabilecek hayal edilemeyecek kadar büyük miktarda ses, görüntü ve video içeriğine sahiptir. Ancak makine koku alma sistemi uzun zamandır veri eksikliği sorunuyla karşı karşıya, çünkü çoğu insan kokuları, görüntü ve sesleri tanımladıkları kadar zahmetsizce ve tanınabilir bir şekilde sözlü olarak tanımlayamıyor. Web ölçekli veri kümelerine erişim olmadan, araştırmacılar gerçekten güçlü makine öğrenimi modellerini eğitemediler.
Ancak 2015 yılında araştırmacılar DREAM Olfaction Prediction Challenge’ı başlattığında işler değişmeye başladı. Yarışma, koku alma üzerine çalışan biyologlar Andreas Keller ve Leslie Vosshall tarafından toplanan verileri yayınladı ve dünyanın dört bir yanından ekipleri makine öğrenimi modellerini sunmaya davet etti. Modeller, moleküler yapılarına dayanarak kokuya neden olan bileşikler için “tatlı”, “çiçek” veya “meyve” gibi koku etiketlerini tahmin etmek zorundaydı.
En iyi performans gösteren modeller 2017 yılında Science dergisinde bir makale olarak yayımlandı. Birden fazla karar ağacı akış şemasının çıktısını birleştiren rastgele orman adı verilen klasik bir makine öğrenimi tekniğinin kazanan olduğu ortaya çıktı.
Makine öğrenimini kimya ve psikiyatriye uygulamaya uzun süredir ilgi duyan bir makine öğrenimi araştırmacısıyım. DREAM yarışması ilgimi çekti. Ayrıca koku alma ile kişisel bir bağ hissettim. Ailemin kökleri Hindistan’ın parfüm başkenti olan kuzey Hindistan’daki küçük Kannauj kasabasına dayanıyor. Dahası, babam kariyerinin çoğunu jeolojik örnekleri analiz ederek geçirmiş bir kimyager. Dolayısıyla makine kokusu; parfümeri, kültür, kimya ve makine öğreniminin kesiştiği noktada karşı konulmaz bir fırsat sunuyordu.
Makine koku alma alanındaki ilerleme, DREAM yarışması sonuçlandıktan sonra hız kazanmaya başladı. COVID-19 pandemisi sırasında birçok koku körlüğü veya anosmi vakası rapor edildi. Genellikle arka planda kalan koku alma duyusu, kamu bilincinde yükseldi. Buna ek olarak, bir araştırma projesi olan Pyrfume Projesi, daha fazla ve daha büyük veri kümelerini halka açık hale getirdi.
Derinden koklamak
2019 yılına gelindiğinde, en büyük veri kümeleri DREAM yarışmasındaki 500’den az molekülden yaklaşık 5.000 moleküle ulaşmıştı. Alexander Wiltschko liderliğindeki bir Google Araştırma ekibi nihayet derin öğrenme devrimini makine kokusuna taşımayı başardı. Graf sinir ağları adı verilen bir tür derin öğrenmeye dayanan modelleri, makine koku alma alanında en son teknoloji ürünü sonuçları ortaya koydu. Wiltschko şu anda misyonu “bilgisayarlara koku alma duyusu kazandırmak” olan Osmo’nun kurucusu ve CEO’su.
Yakın zamanda Wiltschko ve ekibi, algısal olarak benzer kokuların birbirine benzemeyenlerden daha yakın yerleştirildiği bir “ana koku haritası” oluşturmak için bir grafik sinir ağı kullandı. Bu kolay olmadı: Moleküler yapıdaki küçük değişiklikler koku algısında büyük değişikliklere yol açabilir. Tersine, çok farklı moleküler yapılara sahip iki molekül yine de neredeyse aynı kokabilir.
Kokunun şifresini çözmede kaydedilen bu ilerleme sadece entelektüel açıdan heyecan verici değil, aynı zamanda kişiselleştirilmiş parfümler ve kokular, daha iyi böcek kovucular, yeni kimyasal sensörler, hastalıkların erken teşhisi ve daha gerçekçi artırılmış gerçeklik deneyimleri gibi son derece umut verici uygulamalara da sahip. Makine kokusunun geleceği parlak görünüyor. Ayrıca güzel kokmayı da vaat ediyor.
*Bu yazı AI is cracking a hard problem–giving computers a sense of smell başlıklı yazıdan çevrilmiştir.
