Adimen artifiziala oso arlo teknikoa da, eta bere erabilera ez-adituentzat ezinezkoa edo gaitza da. Baina aldi berean izugarri aberatsa eta boteretsua da, bestelako ikerkuntza arloak bizkortzeko gaitasuna duelarik. Zehazki, gaur egun, adimen artifizialean paradigma den Deep Learning* (hemendik aurrera DL) edo ikasketa sakonari esker lortutako sistemak bestelako arloetako ikerlarientzat izugarri baliotsuak dira.

Adibidez, DL teknikak erabiliz, irudi mediko batean melanomak adituek baino hobeto detektatzeko gai den sistema garatzea lortu da. Aldi berean, proteinen tolestea iragartzen duten sistemak ere lortu dira; funtsezkoa da biologoentzat toleste honen informazioa izatea. Fisikaren arloan ere, fusio nuklearreko erreaktoreetan plasma egonkortzeko gai den sistema garatu da. Kalkulu zentro handietako energia berriztagarrien kudeaketa eraginkorra, medikamentu berriak diseinatzea edo testua emanda irudi errealistak sortzeko gai diren sistemak ere lortu dira gaur egungo adimen artifizialeko teknikei esker.

Baina, aipatu bezala, sistema hauen garapenak aditua izatea eskatzen du. Gainontzeko arloetako ikerlariek, gaur egungo adimen artifizialaren gaitasunaz baliatzeko, eskura izan behar dute teknika hau: demokratizatu egin behar da adimen artifiziala.

Horren adibide, ZeroCostDL4Mic** proiektua aurkeztea gustatuko litzaidake. Honen helburua, hain zuzen ere, DL teknikak mikroskopiaren domeinuan erabilgarri eta eskuragarri egitea da, adimen artifizialean zein programazioan adituak ez diren erabiltzaileentzako.

Mikroskopia zelulak bistaratzea, hauen egitura ezagutzea eta beraien funtzioa ikastea ahalbidetzen duen teknika da***. Mikroskopia arloko aurrerakuntzak, biologoei zein medikuei ikerkuntza zein diagnosi lanetarako baliagarri den informazio kopuru ikaragarria eskura izateko aukera ematen die.

Horrela, ZeroCostDL4Mic proiektuari esker, ikerlariek mikroskopia irudiei DL teknikak aplikatu diezazkiekete zuzenean, garapen prozesua ekidinez. Aplikazio horren ondorioz, automatikoki ataza desberdinak egikari dezakete: biopsia lagin batetik minbizidun zelulak hautematea, 2D edo 3D irudi baten ehun bateko organulu indibidualak identifikatzea, zelula desberdinak sailkatzea, infekzioak antzematea edo irudiei zarata ezabatzea, besteak beste. Ataza automatiko hauek lana erraztu eta denbora aurrezten diete ikerlariei, beraien ikerketa prozesuak azkartuz.

Gaur egun, ZeroCostDL4Mic proiektuan dagoeneko 30 kolaboratzailek hartzen dute parte, adimen artifizialean aditu eta garatzaileak, (EHUko Informatika Fakultateko hainbat kide barne). Hauek hainbat ataza garatu dituzte, eta eskuragarri utzi ez-adituen probetxurako. Biologia zein medikuntzako ikerketa proiektuetan ohikoa bihurtzen ari da ZeroCostDL4Mic-en erabilpena, eta adimen artifizialaren demokratizazioaren adibide bihurtu da.

Zientzia eta teknologiaren demokratizazioaren garrantziaz jabetzeko proiektu egokia da hau. Lan egin dezagun, batez ere ikerketa prozesuetan, noski, baina baita ere ikerketa horiei esker lortzen diren aurrerapenak adituak ez direnen eskura uzten. •

*LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.

**Von Chamier, L., Laine, R. F., Jukkala, J., Spahn, C., Krentzel, D., Nehme, E., ... & Henriques, R. (2021). Democratising deep learning for microscopy with ZeroCostDL4Mic. Nature communications, 12(1), 1-18.

***The University of Edinburgh (March 6, 2018). "What is Microscopy?". The University of Edinburgh. Retrieved April 9, 2018.