Araştırmacılar, görüntü sınıflandırma yapay zeka modellerinin eğitim sırasında hangi bilgileri unuttuğunu inceledi. ResNet-18 ve DeiT-Small mimarilerini göz hastalıkları ve kuş türleri veri setleri üzerinde test eden çalışma, farklı yapay zeka mimarilerinin tamamen farklı örnekleri unuttuğunu keşfetti. Vision Transformer (ViT) modellerinin unutma süreçlerinin CNN'lere göre daha düzenli olduğu, ancak her iki mimaride de unutmanın rastgele faktörlerden etkilendiği belirlendi. Bu bulgular, yapay zeka eğitim programlarının tasarımı, veri temizleme süreçleri ve farklı modellerin birlikte kullanılması konularında önemli ipuçları sunuyor.

Araştırmacılar, yapay zekanın geometri problemlerindeki görsel algı sorununu çözmek için yeni bir yaklaşım geliştirdi. Çok modlu büyük dil modelleri (MLLM'ler) karmaşık metinleri anlayabilse de, geometrik şekilleri görsel olarak algılamakta zorlanıyordu. Yeni geliştirilen 'Geoparsing' sistemi, hem düzlem hem de katı geometriyi kapsayan birleşik bir formal dil kullanarak bu sorunu çözüyor. Sistem, 29 bin gerçek geometri örneği ile eğitildi ve denetimli öğrenme ile pekiştirmeli öğrenmeyi birleştiren hibrit bir yaklaşım kullanıyor. Bu gelişme, yapay zekanın matematik eğitiminden mühendislik uygulamalarına kadar geniş bir yelpazede kullanılabilmesinin önünü açıyor.

Stanford araştırmacıları, giyilebilir sağlık cihazlarında yapay zeka modellerinin doğrudan cihaz üzerinde eğitilmesini sağlayan BioTrain sistemini geliştirdi. EEG ve göz hareketleri gibi biyosinyallerde kişiler arası büyük farklılıklar bulunması, yapay zeka modellerinin performansını ciddi şekilde düşürüyor. Geleneksel yöntemlerle bu sorunu çözmek için bulut tabanlı işlem gerekirken, bu yaklaşım gizlilik endişelerini beraberinde getiriyor. BioTrain, 50 miliwat altında güç tüketimiyle ve 1 megabayt altında bellek kullanımıyla tam ağ eğitimi yapabiliyor. Sistem, hem yeni kullanıcılar için ilk gün kalibrasyonunda hem de uzun vadeli sinyal değişimlerine uyumda test edildi. Sonuçlar, bu yaklaşımın doğruluk oranında yüzde 35'e varan iyileşmeler sağladığını gösteriyor. Bu teknoloji, giyilebilir sağlık cihazlarının kişiselleştirilmesi ve güvenilirliği açısından önemli bir adım teşkil ediyor.

Araştırmacılar, büyük dil modellerinin belirli görevler için eğitimini daha verimli hale getiren TLoRA+ adlı yeni bir yöntem geliştirdi. Bu teknik, modellerin performansını artırırken hesaplama maliyetini minimum düzeyde tutuyor. ChatGPT ve benzeri büyük dil modellerinin özelleştirilmesi için kullanılan mevcut LoRA yöntemini geliştiren bu yaklaşım, daha az kaynak kullanarak daha iyi sonuçlar elde etmeyi mümkün kılıyor. GLUE benchmark testlerinde yapılan denemeler, yöntemin farklı model mimarilerinde tutarlı bir şekilde başarılı olduğunu gösterdi. Bu gelişme, yapay zeka modellerinin daha geniş kitlelere ve küçük şirketlere açılması açısından önemli bir adım olarak değerlendiriliyor.

Araştırmacılar, polis-sivil gerginliklerinin çözümü için yapay zeka destekli bir eğitim sistemi geliştirdi. DeEscalWild adlı bu sistem, internet videolarından toplanan 5 bin gerçek polis-sivil etkileşiminden hareketle, özenle seçilmiş 1500 yüksek kaliteli senaryo içeriyor. Geleneksel eğitim yöntemlerinin ölçeklenebilirlik ve gerçekçilik sorunlarına çözüm sunan sistem, büyük dil modellerinin aksine küçük ve hafif yapısıyla sahada kullanılabiliyor. Bu yaklaşım, hem polis güvenliği hem de toplumsal güven açısından kritik olan gerginlik azaltma becerilerinin daha etkili öğretilmesini hedefliyor.

Araştırmacılar, yapay zeka eğitiminde kullanılan Forward-Forward algoritmasını önemli ölçüde geliştiren yeni bir yaklaşım keşfetti. Geleneksel yöntemlerin aksine, tüm nöronları değerlendirmek yerine sadece en aktif olanları seçen 'top-k iyilik' fonksiyonu, Fashion-MNIST veri setinde %22,6 oranında daha yüksek doğruluk sağladı. Bu yenilikçi yaklaşım, beynin çalışma mantığına daha yakın olan Forward-Forward algoritmasının performansını dramatik şekilde artırarak, yapay zeka eğitiminde yeni ufuklar açıyor. Çalışma, hangi nöron aktivasyonlarının ölçülmesi ve nasıl bir araya getirilmesi gerektiği konusunda sistematik bir analiz sunuyor.

Araştırmacılar, yapay zeka modellerinin uzun süreli eğitiminde karşılaşılan kritik sorunları çözen yeni bir yaklaşım geliştirdi. Çalışma, modellerin kendi içlerindeki karşılaştırmalı öğrenme sürecinde yaşanan 'öğrenme vergisi', çözüm olasılığı kayması ve entropi çöküşü gibi problemlerin temel nedenini ortaya koyuyor. Token düzeyindeki kredi atama perspektifinden hareketle, araştırmacılar gradient değiştirilebilirliğinin korunması gerektiğini ve bu sayede zayıf kredili tokenlarda gradient iptalinin sağlanabileceğini gösterdi. Bu keşif, yapay zeka modellerinin daha kararlı ve verimli eğitilmesi için yeni bir yol açıyor.

Araştırmacılar, yapay zekanın mantıksal çıkarım süreçlerini değerlendiren ödül modellerindeki temel bir sorunu çözdü. Geleneksel yöntemler, AI'nin her adımını ayrı ayrı puanlarken tutarsızlıklar yaşıyordu - eğitim sırasında sadece genel sonucu gözetirken, kullanım sırasında her adımı tek tek değerlendirmek zorundaydı. Bu durum, modelin hangi mantık adımlarının doğru olduğunu güvenilir şekilde belirleyememesine neden oluyordu. Yeni geliştirilen 'Örtük Önek-Değer Ödül Modeli' bu sorunu çözerek, AI sistemlerinin daha tutarlı ve güvenilir şekilde öğrenmesini sağlıyor. Bu gelişme, özellikle karmaşık problem çözme gerektiren AI uygulamaları için önemli bir adım.

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.

Büyük dil modellerinin eğitiminde sadece İngilizce kullanmanın yetersiz olduğunu gösteren kapsamlı bir araştırma yayınlandı. 8 milyar parametreye kadar modeller üzerinde yapılan 220 farklı eğitim deneyi, çok dilli yaklaşımın tüm dillerde performansı artırdığını ortaya koyuyor. Araştırmacılar, matematiksel akıl yürütme ve API çağrıları gibi görevlerde çok dilli eğitimin sadece düşük kaynaklı dilleri değil, İngilizce performansını da iyileştirdiğini keşfetti. Hatta tek bir yabancı dil eklemenin bile modelin genel başarısını artırdığı gözlemlendi. Bu bulgular, yapay zeka endüstrisinin İngilizce ağırlıklı eğitim yaklaşımını yeniden değerlendirmesi gerektiğine işaret ediyor.

Hindistan'ın Chhattisgarh eyaletindeki Dhamtari Geçim Kolej'inde yürütülen kapsamlı bir araştırma, meslek edindirme programlarının dijital araçlar kullanımındaki eksiklikleri ortaya çıkardı. Bir yıl boyunca süren çalışmada, GIS haritalama, CCTV video analizi ve paydaşlarla yapılan görüşmeler gibi farklı yöntemler kullanılarak beş aşamalı beceri geliştirme sürecinin ilk üç aşaması incelendi. Araştırma sonuçları, bu tür programların yaygınlaşması ve etkinliğinin artırılması açısından kritik bilgiler sunuyor.