İyi bir sistematik inceleme, araştırmacıların bilimsel bir alanı keşfetmeleri için genellikle ilk adımdır. Bu inceleme, o alana yeni katılan bilim insanlarına yapılandırılmış bir genel bakış sunarken, uzmanlara ise anlayışlarını derinleştirip yeni fikirler edinmeleri konusunda yardımcı olur. 2024 itibarıyla Web of Science veritabanında toplamda 218.650 inceleme makalesi indekslenmiştir; bu durum araştırmalardaki bu tür kaynakların önemini vurgulamaktadır.
Sistematik bir inceleme tamamlamak, araştırmacının bilgi dağarcığını ve akademik etkisini önemli ölçüde arttırır. Ancak geleneksel inceleme yazma süreci, belirli bir konu hakkında çok sayıda akademik makaleyi toplama, okuma ve özetleme zorunluluğunu içerir. Bu manuel işlem zaman alıcıdır ve genellikle işlenebilen literatür miktarı, onlarla sınırlıdır. Disiplinler arası içerikler de, araştırmacının uzmanlık alanlarının dışındaki konu karmaşası ekleyerek durumu daha da zorlaştırır.
Bu zorluklar, kapsamlı, güvenilir ve etkili sistematik incelemelerin oluşturulmasını giderek daha da güçleştirmektedir.
Büyük dil modellerinin (LLM’ler) ortaya çıkışı, geniş literatürden hızlı bilgi çıkarımı ve sentezi için devrim niteliğinde bir çözüm sunmaktadır. Generative AI Codefest Australia etkinliğine katılmak, bu fikri keşfetmek için NVIDIA AI uzmanlarının desteğiyle birlikte NVIDIA NIM mikro hizmetleri üzerinde literatür incelemelerini hızlandırmak adına eşsiz bir fırsat sağlamıştır. Bu süreç, literatür analizimizi iyileştirmek için birkaç ileri düzey LLM’nin hızlı test edilmesini ve ince ayarını yapılmasını sağlamıştır.
LLM’lerin Makaleleri İşleme Potansiyelini Test Etmek
Fizyolojik ekoloji konusunda uzmanlaşmış bir araştırma grubu olarak, ARC Özel Araştırma Girişimi Antarktika’nın Çevresel Geleceğini Güvence Altına Alma (SAEF) bünyesinde, rüzgarın, moss ve liken gibi vasküler olmayan bitkilerin global yanıtları üzerine bir literatür incelemesi yazma yolculuğuna çıktık.
Ancak kısa süre içinde büyük bir zorlukla karşılaştık: rüzgar-bitki etkileşimleri hakkında pek çok ilgili makale, başlık veya özetlerinde bu anahtar kelimeleri açıkça belirtmiyordu. Kapsamlı bir analiz gerçekleştirebilmek için her bir makalenin tam metninin okunması gerekiyordu; bu ise oldukça zaman alıcı bir süreçti.
Bu durumu aşmak için, LLM’leri kullanarak makalelerden spesifik rüzgar-bitki etkileşimlerine ilişkin içerikleri çıkarmak adına potansiyellerini araştırmaya karar verdik. Bunu gerçekleştirmek için LlaMa 3.1 8B Instruct NIM mikro hizmetine dayanan basit bir Soru-Cevap uygulaması geliştirdik. Bu, bize hızlı bir prototip elde etme olanağı sundu.
Performansı Artırma Yöntemleri
İlk prototip, makaleleri sıralı olarak işlerken her bir makaleden anahtar bilgileri çıkarmak amacıyla ipuçları geliştirmemize yardımcı oldu.
Çıkarılan bilgilerin doğruluğunu doğrulamak için başlangıçta sonuçları manuel olarak kontrol ettik. Test veri setinde herhangi bir önemli hata bulunmadığında, LLM’leri kullanarak anahtar bilgilerin çıkarımını daha da geliştirmek için fırsatlar keşfettik. Bu iyileştirmeler arasında, makalelerin PDF formatından yapılandırılmış JSON’a dönüştürülmesi; görseller, tablolar ve grafiklerin çıkarılması; paralel işlemeyi kullanarak makalelerin işlenme hızının artırılması yer aldı.
Sonuçlar ve Gelecek Vizyonu
Bu iyileştirmeler sayesinde, makalelerden bilgi çıkarma süresini önemli ölçüde azalttık. Toplamda %99’a varan bir zaman tasarrufu sağladık; şimdi veritabanımızı işlemek için 30 dakikadan az bir süreye ihtiyacımız var. Geleneksel yaklaşımda bir makalenin okunması yaklaşık bir saat sürerken, bu optimize edilmiş iş akışımız sadece birkaç dakika aldı.
Sonuç olarak, otomatik makale sınıflandırmasını da araştırdık ve Llama-3.1-8b-Instruct modelini kullanarak bu süreci başarıyla otomatikleştirdik. Gelecek projelerimizde, iş akışımızı daha da hızlandırmayı ve kullanıcı arayüzümüzü geliştirerek daha fazla araştırmacıya erişilebilir hale getirmeyi amaçlıyoruz.
Özetle, Generative AI Codefest’te yaptığımız çalışmalar, sistematik literatür incelemelerini hızlandırmak için yapay zekanın dönüştürücü potansiyelini ortaya koydu. NVIDIA NIM ile fikirden çalışma çözümüne hızla geçiş yaparak bilimsel makalelerden bilgi çıkarma sürecinde önemli iyileştirmelere ulaştık.
Bu deneyim, yapay zekanın araştırma iş akışlarını nasıl düzene sokabileceğini, daha hızlı ve kapsamlı içgörüler kazandırabileceğini göstermektedir. LLM’ler, disiplinler arası araştırmalara olanak tanıyarak, bilim insanlarının karmaşık ve çok alanlı araştırma konularını daha etkili bir şekilde keşfetmelerini sağlayabilir.
Gelecekte, bu yöntemleri ve araçları daha erişilebilir ve ölçeklenebilir hale getirmek için çalışmalarımızı sürdüreceğiz.