Araştırmacılar, robotların farklı ortamlarda hızla adapte olabilmesi için yeni bir yapay zeka yaklaşımı geliştirdi. Sistem tanımlama problemini 'bağlamsal meta-öğrenme' olarak ele alan çalışma, diffusion modellerini kullanarak robotların dinamik davranışlarını tahmin etmeyi amaçlıyor. Geleneksel Transformer tabanlı deterministik modellere karşı iki farklı diffusion yaklaşımı test edildi: girdi-gözlem dağılımını öğrenen 'inpainting diffusion' ve kontrol girdilerine dayalı gelecek gözlemleri üreten 'koşullu diffusion modelleri'. Geniş çaplı simülasyonlar, diffusion modellerinin özellikle dağılım dışı koşullarda daha güçlü performans sergilediğini gösterdi. Bu gelişme, robotların bilinmeyen ortamlarda daha esnek ve güvenilir davranabilmesi için önemli bir adım.

Bangladeş'te yapılan yeni bir araştırma, mobil bankacılık uygulamalarının kullanıcı yorumlarını analiz etmek için farklı yapay zeka modellerini karşılaştırdı. Çalışma, gelişmekte olan ülkelerde milyonlarca kişinin finansal hizmetlere erişimde kullandığı mobil bankacılık uygulamalarının kalitesini ölçmeye odaklandı. Araştırmacılar, 11.414 ham yorumdan filtreledikleri 5.652 İngilizce ve Bengalce Google Play yorumunu inceleyerek, geleneksel makine öğrenmesi modellerinin transformer tabanlı yapay zeka modellerinden daha başarılı olduğunu keşfetti. Bu bulgular, finansal teknoloji uygulamalarının kullanıcı memnuniyetini değerlendirmede hangi analiz yöntemlerinin daha etkili olduğuna dair önemli ipuçları sunuyor.

Büyük dil modellerinin ne zaman gerçek dışı bilgi üreteceğini önceden tahmin etmek mümkün mü? MIT araştırmacıları, bu kritik soruya yanıt aramak için 7 farklı yapay zeka modelini inceledi. Bulgular, 1 milyar parametrenin altındaki küçük modellerin hiçbir güvenilir sinyal vermediğini, ancak bu eşiği aşan büyük modellerin ilk kelimeyi bile üretmeden önce 'hayal kuracaklarını' belli ettiklerini ortaya koydu. Bu keşif, sağlık, hukuk ve finans gibi kritik alanlarda kullanılan yapay zekanın güvenilirliğini artırmak için önemli bir adım.

Araştırmacılar, yapay zeka modellerinin matematik problemlerini çözerken yaşadığı 'grokking' fenomeninin nedenini keşfetti. Transformer modellerin eğitim verilerini öğrendikten sonra genelleme yapabilmesi arasında geçen uzun sürenin, bilgiyi işleyen encoder bölümünün öğrendiği yapıyı decoder bölümüne aktaramamasından kaynaklandığı ortaya çıktı. MIT araştırmacıları Collatz tahmin problemini kullanarak yaptıkları deneylerde, encoder'ın sayısal yapıları binlerce adımda öğrendiğini ancak çıktı doğruluğunun on binlerce adım boyunca şans seviyesinde kaldığını gözlemledi. Bu bulgular, AI modellerinin öğrenme süreçlerinin daha iyi anlaşılması ve optimize edilmesi açısından kritik önem taşıyor.

MIT araştırmacıları, yapay zekanın geç öğrenme fenomeni olan 'grokking'i tahmin edebilecek yeni bir yöntem keşfetti. Grokking, yapay zeka modellerinin önce bilgiyi ezberleyip, çok daha sonra gerçek anlamda öğrenmeye başladığı ilginç bir durumdur. Araştırmacılar, spektral entropi adı verilen matematiksel bir ölçümün, bu geçişi %100 başarıyla önceden tahmin edebildiğini gösterdi. Bu keşif, yapay zeka modellerinin nasıl öğrendiğini anlamamızda büyük bir adım ve gelecekte daha verimli AI sistemleri geliştirmemize yardımcı olabilir. Çalışma, Transformer modellerinde yapılan deneylerle doğrulandı.

Araştırmacılar, derin öğrenme modellerinin belirli bilgileri seçici ve güvenli şekilde unutmasını sağlayan yeni bir algoritma geliştirdi. Graph-Propagated Projection Unlearning (GPPU) adlı bu yöntem, görüntü ve ses işleme modellerinde istenmeyen sınıf bilgilerini kalıcı olarak silmeyi mümkün kılıyor. Sistem, graf tabanlı yayılım kullanarak özellik uzayında sınıfa özgü yönleri tespit ediyor ve bu bilgileri dik alt uzaya yansıtarak etkisiz hale getiriyor. Altı görüntü veri seti ve iki büyük ses veri seti üzerinde yapılan testlerde, GPPU'nun mevcut yöntemlere göre 10-20 kat daha hızlı çalıştığı ve hem CNN hem de Transformer mimarilerinde başarılı sonuçlar verdiği görüldü. Bu gelişme, veri mahremiyeti düzenlemeleri ve uyarlanabilir sistem tasarımı açısından büyük önem taşıyor.

Cerrahi güvenlik sorunu dünya çapında kritik bir sağlık meselesi olmaya devam ediyor. Cerrahların deneyim eksikliği ve durumsal farkındalık yetersizlikleri ameliyat başarısını olumsuz etkiliyor. Araştırmacılar, laparoskopik cerrahide hasta odaklı 3D modelleme teknolojisi geliştirerek bu soruna çözüm arıyor. Yeni sistem, ameliyat öncesi görüntülerle ameliyat sırasındaki gerçek organ görüntülerini eşleştirmek için yapay zeka kullanıyor. Transformer mimarisi tabanlı bu teknoloji, organların ameliyat sırasındaki deformasyonlarını hesaba katarak cerrahlara daha doğru görsel rehberlik sağlıyor. Geliştirilen nokta bulutu kayıt yöntemi, her hastaya özel optimizasyon yaparak ameliyat güvenliğini artırmayı hedefliyor. Bu teknolojik ilerleme, minimal invaziv cerrahide yeni bir dönemin başlangıcı olabilir.

Büyük dil modellerinin (LLM) öngörülemeyen davranışlar sergilemesinin ardındaki temel sebep ortaya çıkarıldı. ArXiv'de yayınlanan yeni araştırma, bu modellerin kaotik davranışlarının sayısal hassasiyet sınırlarından kaynaklandığını gösteriyor. Bilim insanları, kayan nokta sayılarındaki küçük yuvarlama hatalarının transformer katmanları boyunca nasıl yayıldığını ve büyüdüğünü izledi. Araştırmacılar, erken katmanlarda 'çığ etkisi' adını verdikleri kaotik bir fenomen keşfetti - küçük değişiklikler ya hızla büyüyor ya da tamamen sönüyor. Bu bulgular, yapay zeka sistemlerinin güvenilirliği için kritik önem taşıyor. Özellikle LLM'lerin otonom süreçlerde kullanımı arttıkça, bu öngörülemezlik ciddi bir güvenilirlik sorunu haline geliyor. Çalışma, farklı ölçeklerdeki modellerin üç farklı davranış rejimi sergilediğini ortaya koyuyor.

Yapay zeka araştırmacıları, Vision Transformer modellerinin nasıl çalıştığını anlamamızı sağlayacak yeni bir yöntem geliştirdi. 'Katmanlar Arası Kod Çeviriciler' (CLT) adı verilen bu teknik, görüntü işleyen AI modellerinin her katmanının nasıl kararlar aldığını görünür hale getiriyor. Geleneksel yöntemler sadece tek katmanları inceleyebiliyorken, CLT tüm katmanlar arasındaki etkileşimleri analiz edebiliyor. Bu gelişme, AI modellerinin daha güvenilir ve anlaşılabilir olmasını sağlayarak, özellikle kritik uygulamalarda yapay zekanın nasıl çalıştığını açıklamamıza yardımcı oluyor. Araştırmacılar, bu yöntemin AI'nın 'kara kutu' problemini çözmede önemli bir adım olduğunu belirtiyor.

Araştırmacılar, hiperspektral uydu görüntülerini analiz etmek için yeni bir yapay zeka algoritması geliştirdi. Bu yöntem, görüntüleri anlamlı bölgelere ayırarak tarım, çevre izleme ve şehir planlama gibi alanlarda devrim yaratabilir. Algoritma, Vision Transformer teknolojisi kullanarak görüntülerin hem uzamsal hem de spektral özelliklerini etkili şekilde öğreniyor. Geleneksel yöntemlerden farklı olarak, sadece küçük bir veri alt kümesiyle eğitilerek yüksek doğruluk elde ediyor. Bu gelişme, uydu verilerinin daha hızlı ve doğru analiz edilmesini sağlayarak çevresel değişikliklerin takibi, tarımsal verimlilik analizi ve doğal afet yönetimi gibi kritik uygulamalarda önemli avantajlar sunuyor.