Gıda
GIDA LABORATUVARLARINDA YAPAY ZEKÂ ANALİSTİN YERİNİ Mİ ALACAK, ANALİSTİ Mİ GÜÇLENDİRECEK?
Laboratuvarın Yeni Hammaddesi: Veri
Modern gıda laboratuvarında veri artık en az numune kadar önemli hale gelmektedir. Örneğin NIR veya FTIR analizinde elde edilen bir spektrum, gıdanın kimyasal bileşimine ilişkin çok sayıda bilgiyi aynı anda taşımaktadır. İnsan gözü iki spektrum arasındaki belirgin farklılıkları kolaylıkla görebilirken yüzlerce numune ve binlerce dalga boyundan oluşan veri setlerinde küçük fakat sistematik farklılıkların belirlenmesi çok daha güçtür. Makine öğrenmesi algoritmaları bu noktada önemli bir avantaj sağlamaktadır. Referans analiz sonuçları bilinen çok sayıda numunenin spektral verileri kullanılarak geliştirilen modeller, spektral özelliklerle gıdanın kimyasal veya fiziksel özellikleri arasındaki matematiksel ilişkileri öğrenebilmektedir. Daha sonra sisteme verilen bilinmeyen bir numunenin protein, yağ, nem veya diğer kalite özellikleri hakkında tahmin yapılabilmektedir. Aynı yaklaşım ürün sınıflandırılması, coğrafi köken doğrulaması, tağşiş belirleme ve kalite kusurlarının tespit edilmesinde de kullanılabilmektedir.
Bu gelişme geleceğin analitik sisteminin yalnızca cihaz üzerinden tanımlanamayacağını göstermektedir. Numunenin cihaz tarafından ölçülmesi artık sürecin yalnızca başlangıcıdır. Cihazın oluşturduğu verinin algoritmalar tarafından değerlendirilmesi, analistin bu değerlendirmeyi yorumlaması ve nihai kararın verilmesi birbirini tamamlayan aşamalar haline gelmektedir. Dolayısıyla yapay zekâ analistin yerine geçen değil, cihaz ile analist arasındaki veri değerlendirme katmanını güçlendiren bir araç olarak görülmelidir.
Spektrumdan Karara: AI, NIR, FTIR ve Raman
Yapay zekânın gıda laboratuvarlarında en hızlı geliştiği alanlardan biri spektroskopidir. NIR, FTIR, Raman ve hiperspektral görüntüleme gibi teknikler hızlı olmaları, sınırlı numune hazırlığı gerektirmeleri ve bazı uygulamalarda ürüne zarar vermeden ölçüm yapabilmeleri nedeniyle gıda analizlerinde giderek daha fazla kullanılmaktadır. Bununla birlikte bu tekniklerin oluşturduğu spektral veriler oldukça karmaşık ve çok boyutludur.
Geleneksel kemometrik yöntemler uzun yıllardır bu verilerin işlenmesinde kullanılmaktadır. Günümüzde ise bunlara makine öğrenmesi ve derin öğrenme algoritmaları eklenmektedir. Böylece yalnızca belirli kimyasal parametrelerin tahmini değil, daha karmaşık ürün sınıflandırmaları ve örüntü tanıma uygulamaları da gerçekleştirilebilmektedir. Örneğin iki zeytinyağı, bal veya meyve suyu numunesi klasik kalite analizleri açısından birbirine oldukça yakın sonuçlar verebilir. Buna karşılık ürünlerin spektral parmak izleri yüzlerce değişken üzerinden değerlendirildiğinde algoritmalar aralarındaki çok küçük farklılıkları belirleyebilir. Bu özellik yapay zekâ destekli spektroskopiyi özellikle gıda otantisitesinin doğrulanması, coğrafi kökenin değerlendirilmesi ve tağşişin belirlenmesi açısından önemli bir araç haline getirmektedir.
Kromatogramları Artık Algoritmalar da Okuyor
HPLC, GC, LC-MS/MS ve GC-MS sistemleri modern gıda laboratuvarlarının temel analitik araçları arasında yer almaktadır. Ancak bu cihazların ürettiği veri miktarı arttıkça değerlendirme süreci de giderek karmaşıklaşmaktadır. Analist pik alanını, alıkonma zamanını, sinyal/gürültü oranını ve kromatografik davranışı değerlendirebilir. Buna karşılık yüzlerce numunenin ve çok sayıda bileşiğin analiz edildiği çalışmalarda küçük sapmaların belirlenmesi önemli ölçüde zaman ve dikkat gerektirmektedir.
Yapay zekâ bu noktada analiste ikinci bir göz sağlayabilir. Algoritmalar normal kromatografik davranışı öğrenerek olağan dışı değişimleri belirleyebilir, numuneleri benzerliklerine göre sınıflandırabilir veya anormal sonuçları analistin dikkatine sunabilir. Böylece analist zamanını rutin veri taramasından çok kritik sonuçların değerlendirilmesine ayırabilir. Bununla birlikte algoritmanın bir kromatogramdaki anormalliği belirlemesi ile bunun nedenini açıklaması aynı şey değildir. Bir pikte görülen değişimin kolon performansından, matriks etkisinden, numune hazırlama hatasından, standart çözeltiden veya cihaz koşullarından kaynaklanıp kaynaklanmadığını belirlemek analitik bilgi ve deneyim gerektirir. Yapay zekâ anormalliği belirleyebilir; ancak anormalliğin analitik anlamını uzman değerlendirmelidir.
Mikrobiyoloji Laboratuvarı da Değişiyor
Geleneksel gıda mikrobiyolojisinin en önemli sınırlamalarından biri analiz süresidir. Kültür, inkübasyon, koloni oluşumu ve doğrulama aşamaları nedeniyle bazı sonuçların alınması günler sürebilmektedir. Yeni nesil yaklaşımlar ise mikroorganizmanın yalnızca çoğalmasını beklemek yerine onun oluşturduğu biyolojik, optik veya kimyasal sinyallerin tanınmasına yönelmektedir. Yapay zekâ destekli görüntü analizi, mikroskopi, spektroskopi ve biosensör sistemleri bu dönüşümün önemli bileşenleridir. Yapay zekâ ve makine öğrenmesi uygulamalarının gıda kaynaklı patojenlerin belirlenmesinde mikroskopi, spektroskopi, biosensörler ve diğer sensör tabanlı sistemlerle giderek daha fazla bütünleşmektedir. Bu gelişmeler mikrobiyoloji laboratuvarlarında önemli bir değişime işaret etmektedir. Gelecekte mikroorganizmayı belirlemek için her durumda görünür düzeyde çoğalmasını beklemek yerine, mikroorganizmanın oluşturduğu özgün sinyalin hızlı biçimde tanımlanması mümkün olabilecektir. Bununla birlikte hızlı sistemlerin referans mikrobiyolojik yöntemlerle doğrulanması ve performanslarının gerçek gıda matrikslerinde değerlendirilmesi önemini koruyacaktır.
Biosensör ve Yapay Zekâ: Laboratuvar Sahaya Çıkıyor
Yapay zekânın etkisinin görüldüğü diğer bir alan biosensör teknolojileridir. Patojenler, mikotoksinler, pestisitler, ağır metaller ve alerjenlerin hızlı belirlenmesine yönelik çok sayıda biosensör sistemi geliştirilmektedir. Ancak sensörün bir sinyal üretmesi tek başına yeterli değildir. Özellikle gıda gibi karmaşık matrikslerde sensör yanıtları birçok değişkenden etkilenebilmekte ve elde edilen sinyalin yorumlanması güçleşebilmektedir. Makine öğrenmesi algoritmaları çok sayıda sinyal özelliğini birlikte değerlendirerek sınıflandırma ve tahmin performansını geliştirebilir. Böylece biosensör ve yapay zekâ birlikteliği yalnızca analiz süresini kısaltmakla kalmayıp analizin yapıldığı yeri de değiştirebilir. Geleneksel olarak merkezi laboratuvarlarda gerçekleştirilen bazı kontrollerin üretim hattında, depoda, tarlada veya satış noktasında yapılabilmesi mümkün hale gelebilir. Bu gelişme geleceğin gıda kontrol sistemleri açısından önemli bir soruyu gündeme getirmektedir. Bugün çoğunlukla numunenin laboratuvara nasıl ulaştırılacağını tartışırken gelecekte laboratuvarın analitik kapasitesinin numunenin bulunduğu noktaya nasıl taşınabileceğini tartışabiliriz.
Reaktif Laboratuvardan Öngören Laboratuvara
Yapay zekânın laboratuvar üzerindeki en önemli etkilerinden biri yalnızca analiz süresinin kısalması olmayabilir. Daha önemli değişim, kalite kontrol sistemlerinin çalışma mantığında ortaya çıkabilir. Geleneksel kalite kontrol sistemi büyük ölçüde reaktiftir. Numune alınır, analiz gerçekleştirilir, sonuç elde edilir ve bu sonuca göre karar verilir. Başka bir ifadeyle laboratuvar çoğu zaman meydana gelmiş bir durumun uygun olup olmadığını belirlemektedir. Sensörler, üretim verileri, laboratuvar sonuçları ve yapay zekâ modellerinin birlikte kullanılması ise tahmine dayalı kalite kontrol yaklaşımını mümkün hale getirebilir. Sürekli toplanan veriler içerisindeki küçük değişimler değerlendirilerek bir kalite sapması henüz spesifikasyon dışına çıkmadan önce belirlenebilir. Böylece laboratuvar yalnızca “Üründe problem var mı?” sorusuna değil, “Problem oluşma riski artıyor mu?” sorusuna da cevap veren bir karar destek merkezine dönüşebilir. Bu yaklaşım özellikle proses kontrolü açısından önemlidir. Laboratuvar verilerinin üretim hattından elde edilen sıcaklık, basınç, pH, iletkenlik, akış, Brix veya diğer proses parametreleriyle birlikte değerlendirilmesi, kalite kontrolü ile proses kontrolü arasındaki sınırları giderek azaltabilir.
Yapay Zekâ Yanılır mı?
Yapay zekâ sistemleri yanılabilir. Hatta gıda laboratuvarlarında yapay zekâ kullanımındaki en önemli risklerden biri bilgisayar tarafından üretilen bir sonucun otomatik olarak objektif ve doğru kabul edilmesidir. Bir yapay zekâ modelinin kalitesi büyük ölçüde eğitim amacıyla kullanılan verinin kalitesine ve temsil gücüne bağlıdır. Bir model yalnızca belirli ürünlerden, belirli üretim sezonlarından veya tek bir cihazdan elde edilen verilerle eğitilmişse farklı koşullarda aynı performansı göstermeyebilir. Örneğin elma suyunun otantisitesini belirlemek üzere geliştirilen bir modelin eğitim veri setinde yalnızca birkaç elma çeşidi bulunuyorsa farklı bir çeşit, farklı hasat yılı veya farklı coğrafi köken model tarafından hatalı biçimde değerlendirilebilir.
Benzer şekilde cihazlar arasında meydana gelen farklılıklar, sensörlerin zaman içerisindeki değişimleri ve çevresel koşullar da model performansını etkileyebilir. Aşırı uyum, modelin eğitim verilerinde çok başarılı sonuçlar vermesine karşın daha önce karşılaşmadığı yeni numunelerde aynı başarıyı gösterememesi ve hatalı sonuçlar üretebilmesidir. Bu nedenle yapay zekâ kullanılan laboratuvarlarda klasik metot validasyonuna model validasyonunun da eklenmesi gerekmektedir. Modelin hangi numunelerle eğitildiği, veri setinin ürünü ne ölçüde temsil ettiği, farklı üretim sezonlarının modele dahil edilip edilmediği, farklı cihazlarda performansın korunup korunmadığı ve bağımsız veri setleriyle doğrulama yapılıp yapılmadığı geleceğin laboratuvar kalite sistemlerinin temel soruları arasında yer alacaktır.
Kara Kutu Problemi ve Açıklanabilir Yapay Zekâ
Laboratuvar açısından önemli diğer bir konu yapay zekâ modelinin verdiği kararın açıklanabilir olmasıdır. Bir algoritmanın bir numuneyi “uygun değil” olarak sınıflandırması tek başına yeterli değildir. Analistin doğal olarak soracağı ikinci soru bunun nedenidir. Özellikle derin öğrenme sistemlerinde algoritmanın hangi değişkenlere dayanarak karar verdiğinin anlaşılması her zaman kolay değildir. Bu durum “kara kutu” problemi olarak tanımlanmaktadır. Bu nedenle son yıllarda Açıklanabilir Yapay Zekâ, yani Explainable Artificial Intelligence (XAI), giderek daha fazla önem kazanmaktadır.
XAI yaklaşımlarında amaç yalnızca tahmin üretmek değil, algoritmanın bu tahmine ulaşmasında hangi değişkenlerin etkili olduğunu da gösterebilmektir. Örneğin hiperspektral görüntülemede belirli dalga boylarının veya görüntünün belirli bölgelerinin sınıflandırma kararındaki ağırlığı ortaya konabilir. Bu konu gıda laboratuvarları açısından özellikle önemlidir. Çünkü analitik bir sonuç yalnızca doğru olmak zorunda değildir; aynı zamanda izlenebilir, açıklanabilir ve gerektiğinde bilimsel olarak savunulabilir olmalıdır.
Referans Metotlar Ortadan Kalkacak mı?
Yapay zekâ ve hızlı analiz teknolojilerinin gelişmesi klasik referans yöntemlerin önemini ortadan kaldırmayacaktır. Tam tersine, yapay zekâ modellerinin güvenilir biçimde çalışabilmesi için yüksek kaliteli referans analiz sonuçlarına daha fazla ihtiyaç duyulacaktır. NIR ile protein tahmini yapılmak isteniyorsa modelin güvenilir referans protein analizleriyle oluşturulması gerekir. Yapay zekâ ile mikrobiyolojik kontaminasyonun tanınması amaçlanıyorsa gerçek pozitif ve negatif numunelerin güvenilir yöntemlerle belirlenmiş olması gerekir. Aynı durum pestisit, mikotoksin, tağşiş ve otantisite analizleri için de geçerlidir.
Dolayısıyla geleceğin laboratuvarlarında hızlı tarama ve doğrulama sistemlerinin birlikte çalışması beklenmektedir. Sensörler, spektroskopik yöntemler ve yapay zekâ çok sayıda numunenin hızlı biçimde taranmasını sağlarken kromatografi, kütle spektrometrisi ve referans kimyasal veya mikrobiyolojik yöntemler kritik sonuçların doğrulanmasında kullanılmaya devam edecektir. Yapay zekânın en değerli görevlerinden biri, binlerce numune içerisinden hangilerinin ileri doğrulama analizine yönlendirilmesi gerektiğini belirlemek olabilir.
Analistin Rolü Değişiyor
Bütün bu gelişmeler makalenin temel sorusunu gündeme getirmektedir: Yapay zekâ analistin yerini mi alacaktır? Bugünkü teknolojik gelişmeler, analistin ortadan kalkmasından çok rolünün değişeceğine işaret etmektedir. Geleceğin analisti rutin veri taramasına daha az zaman ayırabilir. Buna karşılık veri kalitesini sorgulamak, modelleri doğrulamak, anormal sonuçları araştırmak, yapay zekâ tahminlerini referans yöntemlerle karşılaştırmak ve analitik belirsizliği değerlendirmek gibi daha yüksek düzeyde uzmanlık gerektiren görevler önem kazanacaktır.
Bu nedenle laboratuvar çalışanlarının analitik kimya, mikrobiyoloji ve enstrümantal analiz bilgilerinin yanına yeni yetkinliklerin eklenmesi gerekecektir. İstatistik, kemometri, veri bilimi, makine öğrenmesi okuryazarlığı, veri bütünlüğü ve model validasyonu geleceğin laboratuvar uzmanının yetkinlikleri arasında daha fazla yer alacaktır. Ancak bütün bu teknolojilerin üzerinde değişmeyen bir gereklilik bulunmaktadır: analitik düşünme yeteneği. Cihaz ölçümü gerçekleştirir, algoritma veri içerisindeki örüntüyü belirler; fakat bu örüntünün gıda, proses, kalite ve güvenlik açısından ne anlama geldiğini değerlendirmek uzmanlık gerektirir.
Sonuç: İnsan mı, Yapay Zekâ mı?
Gıda laboratuvarlarının geleceğini “insan mı, yapay zekâ mı?” şeklinde bir ikilem üzerinden tartışmak doğru değildir. Daha gerçekçi yaklaşım insan uzmanlığı, analitik cihazlar, kaliteli veri ve yapay zekânın birlikte çalıştığı bir laboratuvar modelidir. Yapay zekânın gıda laboratuvarlarındaki gerçek değeri analistin yerine geçmesinden değil, çok büyük veri setleri içerisinde insanın görmesinin zor olduğu ilişkileri görünür hale getirmesinden kaynaklanmaktadır. Bu özellik analizlerin hızlandırılmasına, anormal numunelerin daha erken belirlenmesine, kaynakların daha etkin kullanılmasına ve kalite kontrol sistemlerinin reaktif yapıdan öngörücü yapıya doğru gelişmesine katkı sağlayabilir.
Bununla birlikte yapay zekânın verdiği her sonuç doğru kabul edilmemelidir. Modelin hangi veriyle eğitildiği, hangi koşullarda doğrulandığı, belirsizliğinin ne olduğu ve farklı numunelerde aynı performansı gösterip göstermediği mutlaka sorgulanmalıdır. Yapay zekâ laboratuvarın karar vericisi değil, karar verme kapasitesini güçlendiren bir araç olarak kullanılmalıdır. Bu nedenle geleceğin en başarılı gıda laboratuvarı en fazla yapay zekâ kullanan laboratuvar olmayacaktır. Başarılı laboratuvar; yapay zekânın nerede kullanılacağını, nerede doğrulanacağını, nerede sorgulanacağını ve hangi noktada insan uzmanlığının devreye girmesi gerektiğini bilen laboratuvar olacaktır.








