Yapay zeka destekli bilgisayar kullanım ajanları, web gezinmesi ve masaüstü otomasyonu gibi gerçek dünya görevlerinde hızla gelişiyor ve bazen insan performansını bile geçiyor. Ancak yeni bir araştırma, bu ajanların tutarlılık konusunda ciddi sorunlar yaşadığını ortaya koyuyor. Aynı görevi bir kez başarıyla tamamlayan bir ajan, ikinci denemede başarısız olabiliyor. Araştırmacılar, bu güvenilirlik sorununu üç ana faktörle açıklıyor: yürütme sırasındaki rastgelelik, görev tanımındaki belirsizlik ve ajan davranışındaki değişkenlik. OSWorld platformu üzerinde yapılan analizler, güvenilirliğin hem görevlerin nasıl tanımlandığına hem de ajan davranışının farklı yürütmeler arasında nasıl değiştiğine bağlı olduğunu gösteriyor. Bu bulgular, AI ajanlarının pratik uygulamalarda kullanılabilmesi için yeni değerlendirme yöntemlerinin geliştirilmesi gerektiğini işaret ediyor.

Araştırmacılar, endüstriyel B2B uygulamalarda karşılaşılan veri kıtlığı sorununu çözmek için LLMAR adlı yenilikçi bir öneri sistemi geliştirdi. İnşaat sahası risk tahmini ve malzeme tedariki gibi alanlarda kullanılan geleneksel sistemler, yetersiz etkileşim verisi nedeniyle başarısız oluyor. LLMAR, büyük dil modellerinin akıl yürütme yeteneklerini kullanarak kullanıcıların gizli motivasyonlarını anlıyor ve hiçbir eğitim süreci gerektirmiyor. Sistem, davranış geçmişini yapılandırılmış anlamlı motivasyonlara dönüştüren çıkarım odaklı açıklama ve halüsinasyonları önleyen öz-düzeltme mekanizması gibi özellikler sunuyor. Bu yenilik, veri kıtlığının yaşandığı endüstriyel alanlarda öneri sistemlerinin etkinliğini artırma potansiyeli taşıyor.

Araştırmacılar, çok sayıda robotun aynı anda koordineli hareket etmesini sağlayan yeni bir yapay zeka sistemi geliştirdi. Flow-Opt adlı bu sistem, geleneksel yöntemlerin aksine makine öğrenmesi kullanarak robotların yol planlamasını büyük ölçüde hızlandırıyor. Sistem, akış eşleştirme modeli ve güvenlik filtresi olmak üzere iki ana bileşenden oluşuyor. İlk bileşen farklı hareket yolları önerirken, ikincisi bu önerilerin güvenli olup olmadığını kontrol ediyor. Bu yaklaşım, dar alanlardan geçmek zorunda olan robot sürülerinin daha pürüzsüz ve etkili hareket etmesini sağlıyor. Özellikle fabrika otomasyonu, arama-kurtarma operasyonları ve otonom araç koordinasyonu gibi alanlarda büyük potansiyele sahip olan bu teknoloji, robot sürülerinin pratik kullanımını önemli ölçüde artırabilir.

Stanford araştırmacıları, sunum slaytlarını doğal dil komutlarıyla otomatik güncelleyebilen SlideAgent sistemini geliştirdi. İş dünyasında analitik raporları ve sunum destelerini sürekli güncel tutmak büyük bir zaman kaybı yaratıyor. Yeni sistem, kullanıcıların kendi şablonlarını koruyarak sadece sözel talimatlarla grafik, tablo ve metin güncellemelerini gerçekleştiriyor. 20 binden fazla gerçek iş sunumu üzerinde test edilen DynaSlide veri seti, sistemin başarısını kanıtlıyor. SlideAgent, çok modlu görsel analiz, doğal dil işleme ve araç destekli mantık yürütmeyi birleştirerek slayt düzenini bozmadan içerik güncellemesi yapabiliyor.

Araştırmacılar, çift kollu insansız hava araçları (drone-robot hibrit sistemler) için yeni bir yapay sinir ağı tabanlı kontrol sistemi geliştirdi. Bu sistemler hem uçabilen hem de iki kol ile manipülasyon yapabilen gelişmiş robotlar olup, arama-kurtarma, inşaat ve endüstriyel uygulamalarda büyük potansiyele sahip. Ancak drone platformu ile çift kolun arasındaki karmaşık etkileşim, dış bozucular ve modellenmemiş dinamikler nedeniyle kontrol edilmeleri son derece zor. Yeni yaklaşım, sinir ağlarının yaklaşım yeteneklerini kullanarak sistemi adaptive olarak kontrol ederken, olay-tetikli mekanizma ile iletişim yükünü azaltıyor. Bu sayede hem enerji tasarrufu sağlanıyor hem de daha kararlı operasyon elde ediliyor. Sistem teorik olarak kararlılık garantileri sunuyor.

Araştırmacılar, çok ajanlı yol bulma algoritmalarını test etmek için SMART adlı yeni bir simülasyon platformu geliştirdi. Multi-Agent Path Finding (MAPF) algoritmaları, yüzlerce robotun çarpışmadan koordineli hareket etmesini sağlayabilse de, basitleştirilmiş robot modelleri kullandığı için gerçek dünya performansları belirsizdi. SMART, fizik motorlu simülatörler kullanarak robot dinamiği ve belirsizlikleri gibi karmaşık faktörleri hesaba katıyor. Bu platform, laboratuvar ortamında yüzlerce fiziksel robota erişimi olmayan araştırmacılara gerçekçi test imkanı sunuyor. Aynı zamanda MAPF konusunda uzman olmayan endüstri profesyonellerinin de algoritmaları kendi ortamlarında kolayca test edebilmelerini sağlıyor. Platform, robot koordinasyonunun kritik olduğu depo otomasyonu ve akıllı fabrika uygulamalarında önemli rol oynayabilir.

MIT araştırmacıları, robotların dokunma duyusunu kullanarak karmaşık manipülasyon becerilerini öğrenmesini sağlayan yeni bir yöntem geliştirdi. PTLD adı verilen bu teknoloji, simülasyon ortamında öğrenilen becerilerin gerçek dünyaya aktarılmasındaki en büyük sorunlardan birini çözüyor. Geleneksel yöntemler ya insan gösterimi gerektiriyor ya da dokunma sensörlerinin simülasyonunda zorlanıyor. Yeni yaklaşım ise gerçek dünyada toplanan dokunsal veri kullanarak robotların çok parmaklı ellerle hassas işlemler yapmasını mümkün kılıyor. Bu gelişme, ev işlerinin otomasyonundan endüstriyel uygulamalara kadar robotik alanında önemli ilerlemeler sağlayabilir.

Araştırmacılar, bilgisayar kullanabilen yapay zeka ajanlarının bilimsel araştırmalarda ne kadar etkili olduğunu test etmek için ScienceBoard adında yeni bir platform geliştirdi. Bu sistem, yapay zeka ajanlarının tıpkı insan araştırmacılar gibi profesyonel yazılımları kullanarak karmaşık bilimsel görevleri bağımsız olarak yerine getirebilmesini sağlıyor. Platform, farklı bilim dallarından 169 zorlu test senaryosu içeriyor ve ajanların gerçek araştırma ortamlarında nasıl performans gösterdiğini değerlendiriyor. Bu gelişme, bilimsel keşif süreçlerinin otomasyonu ve araştırmacıların rutin işlerden kurtulması açısından önemli bir adım.

Hollandalı araştırmacılar, yapay zeka modellerinin hukuki metinleri çalıştırılabilir karar sistemlerine nasıl dönüştürebileceğini araştırdı. Hollanda Çevre ve Planlama Kanunu'ndan alınan gerçek verilerle yapılan çalışmada, vatandaşların izin gereksinimlerini kontrol ettiği devlet platformu Omgevingsloket'in karar modelleri kullanıldı. Araştırma, ham hukuk metinleri ile yapılandırılmış ara temsiller arasındaki farkları inceleyerek, hangi yaklaşımın daha başarılı sonuçlar verdiğini değerlendirdi. Sonuçlar, hukuki süreçlerin otomasyonu ve dijital devlet hizmetleri için önemli çıkarımlar sunuyor.

MIT araştırmacıları, inşaat sektöründe çalışan endüstriyel robotlara difüzyon politika öğrenimi tekniğiyle hassas montaj işlerini öğretmeyi başardı. Geleneksel robotik sistemlerin zorlandığı tolerans hataları, malzeme kusurları ve konumlandırma hatalarının olduğu ortamlarda bile robotlar artık milimetrik hassasiyet gerektiren işleri yapabiliyor. Araştırmada ahşap kertik ve zıvana birleştirmeleri test edildi. Robot, insan operatörlerin gösterdiği hareketlerden öğrenerek, 10 milimetre gibi büyük sapmalarda bile başarılı montaj gerçekleştirdi. Bu gelişme, inşaat otomasyonunda yeni bir döneme işaret ediyor.

Araştırmacılar, robotların sınırlı görüş alanına sahip karmaşık ortamlarda güvenli bir şekilde hareket etmesini sağlayan yeni bir yapay zeka sistemi geliştirdi. HAVEN adı verilen bu sistem, Deep Transformer Q-Network teknolojisini kullanarak robotların engellerden yararlanmasını ve düşman varlığının olduğu ortamlarda görünmezliği korumasını sağlıyor. Sistem, hiyerarşik bir yaklaşımla yüksek seviye hedef belirleme ve düşük seviye hareket kontrolünü birleştiriyor. Bu teknoloji, otonom araçlardan depo otomasyonuna, savunma sistemlerinden gözetleme robotlarına kadar geniş bir uygulama alanına sahip. Özellikle görüş açısının kısıtlı olduğu durumlarda geleneksel yol planlama yöntemlerinin yetersiz kaldığı noktalarda devrim niteliğinde çözümler sunuyor.