Araştırmacılar, büyük dil modellerinin adım adım düşünme yeteneğini kullanarak karmaşık hale getirilmiş yazılım kodlarını çözümleyebileceğini keşfetti. Chain-of-Thought (CoT) yöntemi kullanılarak gerçekleştirilen çalışmada, yapay zeka sistemlerinin gizlenmiş kod yapılarını nasıl daha etkili şekilde çözebileceği araştırıldı. Bu gelişme, siber güvenlik ve yazılım analizinde manuel olarak aylar süren işlerin otomatikleştirilmesi açısından büyük önem taşıyor. Beş farklı gelişmiş dil modeli üzerinde yapılan testlerde, adım adım çözümleme yaklaşımının basit yöntemlere kıyasla belirgin üstünlük sağladığı görüldü. Sonuçlar, yapay zekanın karmaşık yazılım analizi görevlerinde insan uzmanlara yardımcı olabileceğini gösteriyor.

Stanford araştırmacıları, büyük dil modellerinin neden gerçek dışı bilgiler ürettiğini açıklayan çığır açar bir keşif yaptı. Qwen2.5 modeli üzerinde yapılan deneyler, halüsinasyonların tesadüfi olmadığını, modelin ilk kelimeden itibaren yanlış bir 'yörüngeye' girdiğini ortaya koyuyor. Araştırma, aynı soruya verilen farklı yanıtları analiz ederek, modellerin %44 oranında doğru ve yanlış bilgi arasında erken ayrım yaptığını gösteriyor. En çarpıcı bulgu ise, yanlış aktivasyonların doğru yanıtları bozmasının (%87), doğru aktivasyonların yanlış yanıtları düzeltmesinden (%33) çok daha kolay olması. Bu asimetrik yapı, AI sistemlerinin neden bazen ısrarla yanlış bilgiler ürettiğini ve bu sorunu çözmenin neden bu kadar zor olduğunu açıklıyor.

Araştırmacılar, denizaltı akustiği ve sonar görüntüleme alanında çığır açan yeni bir yapay zeka yöntemi geliştirdi. Histogram Tabanlı Parametre Verimli Ayarlama (HPT) adı verilen bu teknik, büyük sinir ağlarını tüm modeli yeniden eğitmeden farklı görevlere uyarlayabiliyor. Geleneksel adaptör yöntemlerinin aksine, HPT hedef alanın istatistiksel özelliklerini yakalayarak daha etkili sonuçlar üretiyor. ShipsEar, DeepShip ve VTUAD gibi pasif sonar veri setlerinde yapılan testlerde, yöntem mevcut teknikleri geride bıraktı. VTUAD veri setinde %91,8 doğruluk oranıyla %89,8'lik geleneksel adaptör performansını aştı. Aktif sonar görüntülemede de rekabetçi sonuçlar elde eden HPT, tam olarak ayarlanmış modellere daha yakın özellik temsilleri sunuyor. Bu gelişme, denizcilik güvenliği ve denizaltı araştırmaları için önemli uygulamalara sahip.

Yapay zeka ajanlarının çoklu hedeflerin aynı anda takip edildiği karmaşık karar durumlarıyla başa çıkabilme kapasitesi araştırıldı. Çalışma, mevcut AI ajanlarının optimizasyon temelli tasarımlarının iki temel sınırlama yarattığını ortaya koyuyor: Tanımlama Sorunu ve Çözüm Sorunu. Multi-Objective Optimisation kullanan ajanların, seçenekler arasında karşılaştırılabilirlik olmadığında bu durumu fark edemediği tespit edildi. Bu durum engelleme, güvensizlik ve güvenilmezlik sorunları yaratıyor. Araştırmacılar, Human-in-the-Loop gibi standart çözümlerin birçok karar ortamında yetersiz kaldığını belirtiyor. Alternatif olarak ensemble çözüm önerilse de, tanımlama sorunu çözülse bile AI ajanlarının karşılaştığı çözüm problemi devam ediyor. Bu bulgular, gelecekteki AI sistemlerinin tasarımında önemli değişikliklerin gerekli olduğunu gösteriyor.

Araştırmacılar, mevcut REST API'leri GraphQL formatına otomatik olarak dönüştüren GraphQLify adlı yenilikçi bir framework geliştirdi. Bu sistem, statik kod analizi kullanarak tip güvenliğini korurken, geleneksel yaklaşımlardan farklı olarak performans kaybına neden olan adaptör sunucular yerine gömülü sunucu mimarisi kullanıyor. GraphQL, şema tabanlı ve güçlü tip sistemine sahip sorgu dili olarak, istemci-sunucu iletişiminde yüksek verimlilik sağlıyor. GraphQLify'ın en önemli yeniliği, kaynak kodunu doğrudan analiz ederek kesin tip çıkarımı yapması ve bu sayede uçtan uca tip güvenliği garantilemesi. 834 farklı API üzerinde yapılan testlerde, sistemin başarılı sonuçlar verdiği gözlemlendi. Bu gelişme, web geliştirme ekosisteminde API migrasyonlarını kolaylaştıracak önemli bir adım olarak değerlendiriliyor.

Araştırmacılar, karmaşık kontrol sistemlerindeki arızaları tespit etmek ve düzeltmek için olasılık yoğunlukları üzerinde çalışan yeni bir yapay zeka yöntemi geliştirdi. Perron-Frobenius operatörleri adı verilen matematiksel araçları kullanan bu yaklaşım, sistem davranışlarını bireysel yörüngeler yerine olasılık dağılımları üzerinden analiz ediyor. Yöntem, farklı arıza profillerinin sistem durumunu nasıl etkileyeceğini önceden tahmin edebiliyor ve hangi arızaların tespit edilebilir olduğuna dair kesin matematiksel sınırlar belirleyebiliyor. Bu gelişme, otonom araçlardan endüstriyel robotlara kadar birçok alanda sistem güvenilirliğini artırabilir.

Araştırmacılar, büyük dil modellerinin (LLM) zararlı veya gizlilik açısından hassas bilgileri güvenli şekilde unutabilmesi için yeni bir çerçeve geliştirdi. Mevcut yöntemler genellikle tek hedefe odaklanırken, yeni yaklaşım hem istenmeyen bilgileri silme, hem genel yetenekleri koruma, hem de siber saldırılara karşı dayanıklılık sağlama gibi birden fazla kritik hedefi aynı anda başarıyor. Bu gelişme, AI güvenliği ve gizlilik koruma alanında önemli bir adım olarak değerlendiriliyor.

Büyük dil modelleri günlük hayatımızda giderek daha fazla yer alırken, güvenlik açıkları da kritik bir sorun haline geliyor. Araştırmacılar, AI sistemlerinin zararlı içerik üretme risklerini azaltmak için TRIDENT adlı yeni bir yaklaşım geliştirdi. Bu sistem, üç temel boyutta - kelime çeşitliliği, kötü niyetli amaçlar ve güvenlik duvarı aşma taktikleri - AI modellerine karşı simülasyon saldırılar düzenleyerek zayıflıkları tespit ediyor. Mevcut güvenlik veri setlerinin çoğunlukla yalnızca sözcük çeşitliliğine odaklandığını belirten araştırma, daha kapsamlı risk analizi ihtiyacını vurguluyor. TRIDENT, persona tabanlı otomatik üretim teknikleriyle çeşitli zararlı talimatlar oluşturup bunlara etik açıdan uygun yanıtlar eşleştiriyor. Bu yaklaşım, AI güvenlik sistemlerinin daha dayanıklı hale gelmesine katkı sağlayabilir.

Araştırmacılar, eski C ve C++ kodlarını modern ve güvenli Rust programlama diline otomatik olarak dönüştüren yeni bir yapay zeka sistemi geliştirdi. LLM4C2Rust adlı bu sistem, büyük dil modellerini (LLM) küçük dil modelleriyle birleştirerek kod çevirisini gerçekleştiriyor. Sistem, özellikle bellek güvenliği sorunlarını çözmek için tasarlandı. C ve C++ gibi eski programlama dillerinde yazılmış yazılımlar, bellek hatalarına karşı savunmasızken, Rust dili yerleşik güvenlik garantileri sunuyor. Manuel kod çevirisi zaman alıcı ve hata yapmaya açık olduğundan, bu otomatik yaklaşım yazılım geliştirme sürecini hızlandırabilir. RAG (Retrieval-Augmented Generation) teknolojisini kullanan framework, hem büyük hem de küçük dil modellerinin avantajlarını birleştirerek daha etkili sonuçlar elde ediyor. Bu gelişme, özellikle eski sistemlerin modernizasyonu için önemli bir adım sayılıyor.

Yapay zeka sistemlerinin bilgi erişimini geliştiren RAG (Retrieval-Augmented Generation) teknolojisi, önemli gizlilik sorunları yaratabilir. Araştırmacılar, kişisel verilerin korunması için kullanılan anonimleştirme tekniklerinin RAG sisteminde hangi aşamada uygulanması gerektiğini inceledi. Çalışma, anonimleştirmenin veri setinde mi yoksa sistem çıktısında mı yapılmasının daha etkili olduğunu karşılaştırdı. Sonuçlar, farklı konumlardaki anonimleştirme işlemlerinin gizlilik-fayda dengesini farklı şekillerde etkilediğini gösterdi. Bu araştırma, RAG teknolojisinin güvenli kullanımı için kritik önem taşıyor.

Araştırmacılar, pahalı hesaplama gerektiren karmaşık problemlerde birden fazla hedefi aynı anda optimize etmek için yeni bir yapay zeka yöntemi geliştirdi. STAGE-BO adı verilen bu yaklaşım, mevcut çok hedefli Bayesian optimizasyon yöntemlerinin kapsam, ölçeklenebilirlik ve kısıt entegrasyonu konularındaki sorunlarını çözmeyi hedefliyor. Yöntem, Pareto frontu üzerindeki keşfedilmemiş bölgeleri sistematik olarak hedefleyerek daha uniform bir kapsama sağlıyor. Bu gelişme, mühendislikten ilaç keşfine kadar birçok alanda karmaşık optimizasyon problemlerinin daha verimli çözülmesini mümkün kılabilir.