Araştırmacılar, karmaşık ortamlarda faaliyet gösteren çok ajanlı sistemlerin performansını artırmak için BOIL (Blackbox Oracle Information Learning) adını verdikleri yeni bir yöntem geliştirdi. Bu yaklaşım, sınırlı bilgiden maksimum verim alarak ajanların uzun vadeli davranışlarını yönlendirebiliyor. PageRank algoritması ve ortak bilgi maksimizasyonu tekniklerini kullanan sistem, özellikle alan kaplama, devriye gezme ve stokastik erişilebilirlik problemlerinde etkili çözümler sunuyor. Deneysel sonuçlar, BOIL'in geleneksel sezgisel yaklaşımları geride bırakarak karmaşık ortamlarda daha iyi performans sergilediğini gösteriyor.

Araştırmacılar, bilimsel makaleleri sentezleyen derin araştırma sistemlerinde kişiselleştirme problemini inceledi. MyScholarQA adlı yeni sistem, kullanıcıların araştırma ilgi alanlarını çıkarıp kişiselleştirilmiş raporlar üretiyor. Ancak çalışma önemli bir sorunu ortaya koyuyor: yapay zeka yargıçlarının değerlendirdiği standart testler, gerçek kullanıcıların ihtiyaçlarını tam olarak yansıtmıyor. Gerçek kullanıcılarla yapılan görüşmelerde, yapay zeka sistemlerinin fark edemediği dokuz farklı kişiselleştirme hatası tespit edildi. Bu bulgular, bilimsel araştırma araçlarının geliştirilmesinde insan merkezli yaklaşımların önemini vurguluyor.

İsrailli araştırmacılar, büyük dil modellerini bireysel hakimlerin karar verme tarzlarını taklit edecek şekilde kişiselleştiren yenilikçi bir sistem geliştirdi. JudgeMeNot adlı proje, gerçek mahkeme kararlarını analiz ederek yapay zekanın her hakimin kendine özgü hukuki muhakeme tarzını öğrenmesini sağlıyor. Sistem, ham mahkeme kararlarını eğitim verisine dönüştüren sentetik-organik bir gözetim hattı kullanıyor. Test sonuçları, yapay zekanın ürettiği hukuki muhakemelerin insan hakimlerinkinden ayırt edilemeyecek kadar gerçekçi olduğunu gösteriyor. Bu çalışma, yapay zekanın hukuk alanındaki uygulamaları için önemli bir adım teşkil ederken, kişiselleştirilebilir AI sistemlerinin gelişimi açısından da değerli içgörüler sunuyor.

Araştırmacılar, TikTok'un yorum bölümlerinde kişiselleştirme algoritmalarının nasıl çalıştığını incelemek için kapsamlı bir denetim gerçekleştirdi. Çalışmada, farklı siyasi eğilimlere sahip sahte hesaplar oluşturularak, platformun yorumları nasıl sıraladığı analiz edildi. 2024 ABD başkanlık seçimleriyle ilgili siyasi açıdan tarafsız 65 video üzerinde yapılan deneyler, TikTok'un aynı videolara farklı siyasi görüşlerdeki kullanıcılara farklı yorum sıralamaları gösterdiğini ortaya koydu. Bu bulgular, sosyal medya platformlarının algoritmaları aracılığıyla kullanıcıları farklı bilgi balonlarına yerleştirdiği ve bu durumun toplumsal kutuplaşmayı artırabileceği konusundaki endişeleri destekliyor.

Araştırmacılar, yapay zeka modellerinin kullanıcıların tercihlerini sadece birkaç örnekle öğrenebilmesini sağlayan yeni bir yöntem geliştirdi. FSPO (Few-Shot Preference Optimization) adlı bu teknik, büyük dil modellerinin her kullanıcı için özelleştirilmiş ödül fonksiyonları öğrenmesini mümkün kılıyor. Sistemin gerçek dünyada test edilmesi için araştırmacılar 1 milyon sentetik tercih verisi üretti. Bu gelişme, sanal asistanlardan içerik önerilerine kadar birçok AI uygulamasında kişiselleştirmeyi büyük ölçüde iyileştirebilir. Çalışma, yapay zekanın bireysel kullanıcı ihtiyaçlarına uyum sağlamasında önemli bir adım olarak değerlendiriliyor.

Büyük dil modellerinin (LLM) kullanıcı tercihlerini nasıl etkili bir şekilde modellediği konusunda yeni bir araştırma, mevcut yaklaşımların kritik faktörleri gözden kaçırdığını ortaya koyuyor. Araştırmacılar, ikili karşılaştırmalara dayanan geleneksel yöntemlerin, tercih yoğunluğu ve zamansal bağlam gibi önemli unsurları ihmal ettiğini keşfetti. Tercih yoğunluğu, bir kullanıcının belirli bir içeriğe karşı ne kadar güçlü bir beğeni veya hoşnutsuzluk duyduğunu; zamansal bağlam ise son etkileşimlerin kullanıcının mevcut niyetini ne ölçüde yansıttığını ifade ediyor. Bu bulgular doğrultusunda geliştirilen RecPO adlı yeni çerçeve, hem açık hem de örtük geri bildirimleri ortak bir tercih sinyaline dönüştürerek öneri sistemlerinin performansını önemli ölçüde artırıyor. Bu keşif, yapay zeka tabanlı kişiselleştirme teknolojilerinin gelecekteki gelişimine ışık tutuyor.

Stanford ve diğer üniversitelerden araştırmacılar, kullanıcı davranışlarındaki zaman boyutunu daha etkili analiz edebilen yeni bir yapay zeka modeli geliştirdi. TAI2Vec adlı bu sistem, öneri algoritmalarının temelini oluşturan item embedding teknolojisine zamansal farkındalık kazandırıyor. Geleneksel yöntemler kullanıcı etkileşimlerini zamansız bir şekilde değerlendirirken, yeni yaklaşım kısa ve uzun vadeli tercihleri birbirinden ayırt edebiliyor. Model, dakikalar arayla yapılan etkileşimlerle aylar arayla yapılanları aynı önemde görmek yerine, her kullanıcının bireysel davranış temposuna uyarlanabiliyor. Bu gelişme, e-ticaret platformlarından sosyal medya algoritmalarına kadar geniş bir yelpazede daha kişiselleştirilmiş ve doğru öneriler sunulmasını sağlayabilir.

Araştırmacılar, kişiselleştirilmiş soru-cevap sistemlerinde devrim yaratacak yeni bir benchmark geliştirdi. IPQA adındaki bu sistem, kullanıcıların sorularındaki temel niyetleri tespit edebiliyor. Geleneksel yapay zeka sistemleri sadece cevap kalitesine odaklanırken, bu yeni yaklaşım kullanıcının gerçekte ne aradığını anlayabiliyor. Sistem, kullanıcıların cevap seçme davranışlarını analiz ederek hangi bilgileri önceliklendirdiklerini öğreniyor. Bu gelişme, AI asistanlarının daha tatmin edici ve kişiye özel yanıtlar vermesini sağlayacak. Çalışma, satisficing teorisine dayalı olarak kullanıcı davranış kalıplarını inceliyor ve yapay zekanın insan ihtiyaçlarını daha iyi anlamasında önemli bir adım teşkil ediyor.

Araştırmacılar, endüstriyel öneri sistemlerinin iki temel sınırını aşan yenilikçi bir yaklaşım geliştirdi. Mevcut sistemler, kullanıcı davranış geçmişinden sadece küçük bir bölümü kullanabilirken ve farklı veri türlerini etkili şekilde birleştiremezken, yeni SIF (Sample Is Feature) yöntemi bu sorunları çözüyor. Bu yaklaşım, her eğitim verisini tam bir özellik haline getirerek, geleneksel madde düzeyindeki tokenlerden örnek düzeyindeki tokenlere geçiş yapıyor. Böylece öneri modellerinin hem veri zenginliği hem de model kapasitesi açısından performansı önemli ölçüde artıyor.

Araştırmacılar, Netflix ve Amazon gibi platformlarda kullanılan öneri sistemlerinde devrim yaratabilecek yeni bir teknoloji geliştirdi. 'AdaTTA' adı verilen bu sistem, her kullanıcının benzersiz davranış kalıbını analiz ederek kendini otomatik olarak ayarlayabiliyor. Geleneksel yöntemler tüm kullanıcılara aynı yaklaşımı uygularken, yeni teknoloji pekiştirmeli öğrenme kullanarak her kişiye özel stratejiler belirliyor. Sistem, kullanıcının geçmiş tercihlerini Markov Karar Süreci olarak modelleyip, en uygun veri artırma tekniklerini seçiyor. Bu yaklaşım, mevcut model yapısını değiştirmeden öneri doğruluğunu önemli ölçüde artırıyor ve veri yetersizliği sorununa çözüm sunuyor.

Araştırmacılar, kullanıcıların geçmiş davranışlarından psikolojik motivasyonlarındaki değişimleri analiz ederek daha etkili öneriler yapan yeni bir yapay zeka sistemi geliştirdi. SRSUPM adlı bu sistem, mevcut öneri algoritmalarının aksine kullanıcıların motivasyonlarındaki dinamik değişiklikleri izleyerek çok daha kişiselleştirilmiş sonuçlar sunuyor. Geleneksel sistemler yalnızca son davranışları tek bir vektöre sıkıştırırken, yeni yaklaşım psikolojik motivasyon değişimlerini sayısal olarak ölçüp çok seviyeli durumları modelliyor. Bu teknoloji, özellikle e-ticaret platformları, müzik servisleri ve sosyal medya uygulamalarında kullanıcı deneyimini önemli ölçüde iyileştirebilir.