Otonom Sürüşten Öğrendiğimiz Yaşam Bilimlerinin Geleceği

Yıllarca süren bekleyişin ardından, artık otonom araçlar burada. Hevesli ilk hedefler ve şişen beklentiler tamamen karşılanmasa da, önemli ilerleme kaydedildi.

Tam otonom ve kısmi otonom araçlar, artık yapay zekanın (AI) en olgun teknolojilerinden biridir. Bugün San Francisco'da telefonunuzla Waymo'yu çağırırsanız, birkaç dakika sonra dönme sensörleriyle kaplı beyaz bir Jaguar I-Pace, boş sürücü koltuğuyla sessizce yanınıza gelir. Ayrıca, şerit takip gibi standart araçlardaki sürücü destek özellikleri de hızla gelişmeye devam ediyor.

Otonom sürüş endüstrisi olgunlaştıkça, ilgi ve yetenekli kişiler yaşam bilimleri de dahil olmak üzere diğer yapay zeka uygulamalarına sürekli olarak geçiş yapıyor ve bu kişilerin girişi yaşam bilimlerinin gelişmesine yol gösterici olabilir diye inanıyoruz. Yaşam bilimleri alanındaki yapay zeka da, insanların beklentilerinin zirveye ulaşmasının ardından kademeli başarıların birikmesi ve sektörü yeniden tanımlama sürecini geçirecektir.

Bu içerikleri temel alarak, otonom sürüş endüstrisinden elde edilen dört dersi, yeni ilaç keşfi ve geliştirme için yapay zekaya da uygulayabileceğimize inanıyorum.

Yüksek Boyutlu Veri Temsiline Geçiş

Belirli bir alan içinde temel veriler ve modeller iyileştikçe, daha fazla karar verme, açıklanabilir insan tanımlı algoritmalardan 'kara kutu' modellere doğru kayıyor. Bu, otonom sürüş yazılımı geliştirmede de görülüyor; sektör, giderek araç çevresindeki sahnelerin öğrenilmiş temsillerini ve yığının daha fazla işlevini kontrol eden öğrenme modellerini benimsiyor.

Örneğin, bir otomobilin park halinde olup olmadığını belirlemek için bir algoritmayı sabit kodlama yerine (otonom araçla ilgili bağıl hıza dayanarak), model, park halindeki araçların tüm etiketlenmiş eğitim verilerine dayanarak aracın durumunu tahmin edebilir.

Otonom sürüş endüstrisi, katı bir şekilde tanımlanmış gereksinim tabanlı geliştirmeden, aracın çalışma alanını istatistiksel olarak temsil edebilen ve keşfedebilen karmaşık ve yüksek boyutlu bir uzaya modelleme biçimine geçti. Bu, performansı artırdı ancak yorumlanabilirliği azalttı.

Yaşam bilimlerinde de aynı değişimin yaklaştığına inanıyoruz. Biyolojinin karmaşıklığı ve çeşitliliği (hastalıklar ve nüfus grupları arasındaki karmaşık etkileşimler dahil), insanın anlayabileceği kavramların temsilinden çok daha fazla bilgi içerir. Bu karmaşıklığı karar verme sürecine yansıtmak için ilaç endüstrisi, geleneksel basitleştirilmiş veri temsillerinden yüksek boyutlu veri temsil yöntemlerine geçecektir.

"Hangi hasta grubu yeni ilaç adayımızdan en fazla fayda görme olasılığı en yüksek?" gibi önemli sorular, sezgi veya sezgisel kararlar yerine veriye dayalı karar vermeyle ele alınacaktır. Ve bu tür soruları yanıtlamak için algoritmalar, karmaşık yüksek boyutlu veri temsillerine bağlı olacaktır.

Otomatik Veri Motoru Oluşturma

Otonom sürüş endüstrisi, içeriden toplanan sınırlı verileri kullanarak öğrenme tarzından araç öğrenme modellerine geçiyor. Müşteri araçlarının gerçek dünyada sürüş yaparken topladığı verilere dayanarak modelleri sürekli olarak geliştiriyorlar. Müşteri araçlarından toplanan veriler artık otomobil üreticilerinin otonom sürüş yarışında sahip oldukları en değerli varlıklardan biridir. Büyük ölçekli veri motorları aracılığıyla otomatik veri toplama, araçların konuşlandırıldığı karmaşık alanlar hakkında anlayış oluşturmak için gerekli çeşitli verileri toplamanın tek yoludur.

Yaşam bilimleri alanında da aynı dinamiğin ortaya çıkmasını bekliyoruz. Bu 'gerçek zamanlı veri toplama', keşif, geliştirme ve klinik aşamalar boyunca gerçekleşecektir:

• Büyük ölçekli bilgisayarlı tasarım ve tedavi adaylarının sanal taraması
• Yapay zeka bilim insanlarıyla entegre otomatik robotlu ıslak laboratuvarlar
• Geçmiş klinik çalışma sonuçlarından ölçeklenebilir veri düzenleme, koruma ve tekrarlı öğrenme
• Çoklu modaliteli, yüksek doğrulukta hasta düzeyinde verileri içeren geniş klinik verilerin benzersiz kaynakları
• Pazar verilerinden (örneğin yan etkiler, ürün deneyimi, tıbbi bilgi istekleri) otomatik analiz ve içgörüler elde etme

Otomatik veri motorları, ilaç geliştirme sürecinin her aşamasında toplanan verilerle ürünleri ve süreçleri otomatik olarak iyileştirir.

Başarı için tekrarlayan büyük veri toplama gerekir. Her deney ve reçete, gelecekteki geliştirme için daha fazla veri toplama fırsatı olacaktır. Yani her aşamada toplanan veriler, yeni ilaç keşfi ve geliştirmenin tüm aşamalarını iyileştirmek için kullanılmalıdır.

Yaşam bilimlerindeki düzenleyici ve güvenlik gereksinimleri ve biyolojik verilerin heterojenliği nedeniyle, bu veri motoru otonom sürüşten görünüşte farklı olsa da, veri toplama ve ürün geliştirme arasında derin ve otomatik entegrasyon temel hedef aynıdır. Başarılı şirketler, yeni toplanan verilere dayanarak gelecekteki ürün yinelemelerinin otomatik olarak iyileştirildiğini göreceklerdir.

Uzun Vadeli Planlama

Otonom sürüşün başarısı planlanandan daha uzun sürdü. Kazananlar, 10 yıldan fazla bir süredir geliştirmeye büyük yatırımlar yapabilecek konumdaydı. Yaşam bilimleri için yapay zeka da aynıdır. Mevcut yoğun ilgi, bu alana yetenek ve sermaye çeken ileriye dönük bir düşünce fırsatıdır. Ancak kazananlar, neredeyse hiç anlık sonuç elde etmeden uzun vadeli çabaları planlayanlar olacaktır.

Yani uzun vadeli bir çaba gerektiği anlamına gelir. Bu yolculuk için fon sağlayacak yatırımcılar, ortaklar veya müşteriler var mı? Veri motorunun bir platform olarak oluşturulması sırasında birden fazla klinik başarısızlığı atlatabilir miyiz?

Otomasyon Düzeyini Düşünmek

Otonom sürüş mükemmel olmasa da, otonomi seviyelerini sınıflandırmak için kullanışlı bir sınıflandırma kullanır. SAE'nin otonom sürüş seviyeleri, otomasyon sistemlerini Seviye 0 (otomasyon yok), Seviye 2 (kısmi sürüş otomasyonu), Seviye 5 (tam sürüş otomasyonu) dahil olmak üzere 6 seviyeye sınıflandırır.

Sürücü desteği ve tam otonom sürüş, farklı yaklaşımlar ve yatırımlar gerektirir. Bu nedenle, tüm otonom sürüş programları, geliştirilen otomasyon seviyesine bağlı olarak gereksinim ve planlarda farklılık gösterir. SAE'nin otonom sürüş sınıflandırması, bunu özetlerken kullanılır.

Program başına farklı otomasyon hedefleri, yaşam bilimleri alanında da aynıdır. Boru hattının hangi bölümünü otomatikleştireceğiz? Bazı şirketler, keşif sürecinin küçük bir bölümünü, örneğin bilgisayarlı tarama işlemini otomatikleştirecek ve yığının geri kalanında geleneksel ilaç geliştirme metodolojilerini benimseyecektir. Diğer şirketler, tamamen otonom ve yinelemeli ilaç keşfi ve geliştirmeyi amaçlayan bir platform oluşturmayı hedefleyecektir.

Farklı yaklaşımlar, farklı yapılar, araçlar ve sermaye yapısı gerektirecektir. Otonomi seviyesi tanımı, endüstrinin 'yapay zeka benimseme' genel hedefinin ötesinde ortak bir dile ve yol haritasına sahip olmasını sağlayacaktır.

Önümüzdeki Yol

Önümüzdeki yol uzun ve zorlu olacak. Birçok başarısızlık yaşanacak, ancak başarı yaşam bilimlerinin potansiyelini yeniden tanımlayacaktır.

Referans

https://www.convoke.bio/from-self-driving?utm_source=substack&utm_medium=email