Araştırmacılar, büyük dil modellerinin kod yazabildiği ama doğruluğunu kontrol edemediği sorununa çözüm getiren AgentForge adlı sistemi geliştirdi. Bu yenilikçi çerçeve, beş farklı AI ajanının koordineli çalışmasıyla yazılım geliştirme sürecini otomatikleştiriyor. Planlayıcı, kodlayıcı, test edici, hata ayıklayıcı ve eleştiri ajanlarından oluşan ekip, her kod değişikliğini güvenli bir test ortamında çalıştırarak doğruluğunu kontrol ediyor. Sistem, yazılım mühendisliğini iteratif bir karar süreci olarak modelleyerek, geleneksel token tabanlı yaklaşımlar yerine gerçek çalıştırma geri bildirimini kullanıyor. SWE-BENCH Lite test setinde %40 başarı oranına ulaşan AgentForge, tek ajan sistemlerinden 26-28 puan daha iyi performans gösteriyor. Bu gelişme, AI destekli yazılım geliştirmede önemli bir adım teşkil ediyor.

Araştırmacılar, büyük dil modellerinin aynı anda birden fazla çelişkili hedefi optimize edebilmesi için yeni bir yaklaşım geliştirdi. STOMP adlı bu algoritma, geleneksel doğrusal ödül sistemlerinin aksine, Tchebysheff skalarizasyonu tekniğini kullanarak daha karmaşık optimizasyon problemlerini çözebiliyor. Bu gelişme, hem yardımsever hem de zararsız chatbot'lar geliştirmek ya da protein mühendisliğinde katalitik aktivite ve özgüllüğü aynı anda artırmak gibi gerçek dünya uygulamalarında önemli avantajlar sunuyor. Yöntem, Pareto optimal çözümlerin dışbükey olmayan bölgelerini de kapsayabiliyor.

ChatGPT gibi yapay zeka araçları yazılım geliştirmede hızla yaygınlaşıyor ancak beraberinde 'Anlama Borcu' (Comprehension Debt) sorununu getiriyor. Bu terim, geliştirici takımların kendi kodlarını anlama düzeyi ile gerçekte bilmeleri gereken seviye arasındaki artan uçurumu ifade ediyor. Araştırmacılar, 207 öğrencinin 8 hafta boyunca tuttuğu 621 günlüğü inceleyerek yapay zeka araçlarının bu borcu nasıl artırdığını ortaya çıkardı. Öğrenciler yapay zekadan gelen kodu sorgulamadan kabul etme, bağlam uyumsuzlukları ve bağımlılık kaynaklı yeteneklerinin körelmesi gibi sorunlar yaşıyor. Bu durum yazılım mühendisliği eğitiminde önemli bir uyarı niteliğinde.

Yer gözlem uydularının hangi görüntüleme görevlerini ne zaman gerçekleştireceğini belirlemek karmaşık bir optimizasyon problemidir. Geleneksel yöntemler, uydu operasyonlarını kısıtlayan faktörlerin önceden tam olarak bilindiğini varsayar. Ancak gerçekte güç tüketimi, termal sınırlar ve gözlemler arası mesafe gibi kısıtlar genellikle mühendislik yazılımlarında gömülü haldedir. Araştırmacılar, bu bilinmeyen kısıtları öğrenebilen yeni bir yapay zeka yaklaşımı geliştirdi. Conservative Constraint Acquisition adlı bu yöntem, uydu programlama sürecinde kısıtları etkileşimli olarak keşfederek daha verimli çizelgeleme imkanı sunuyor.

Araştırmacılar, fiziksel sistemlerin dijital modellemesinde kararlılık ve yapısal özelliklerini koruyan yeni bir yapay zeka yaklaşımı geliştirdi. Port-Hamiltonian sistemler olarak bilinen bu matematiksel modeller, robotik, enerji sistemleri ve kontrol mühendisliğinde kritik öneme sahip. Geleneksel yöntemler tek bir denge noktasını koruyabilirken, yeni teknik birden fazla kararlı denge durumunu aynı anda muhafaza edebiliyor. Bu breakthrough, yapay zekanın fizik yasalarına uygun simülasyonlar yapmasında önemli bir adım.