Araştırmacılar, görsel ve metin verilerini birlikte işleyen CLIP gibi yapay zeka modellerinde kritik bir güvenlik açığı keşfetti. 'Hub metinler' olarak adlandırılan bu sorun, yüksek boyutlu embedding uzaylarında ortaya çıkıyor ve tek bir metin parçasının alakasız binlerce görsel ile yanlış şekilde eşleştirilmesine neden oluyor. Bu durum, görsel arama sistemlerinden otomatik değerlendirme metriklerine kadar pek çok uygulamada ciddi sorunlar yaratabilir. MSCOCO ve Flickr30k gibi veri setlerinde yapılan deneyler, bu hub metinlerin görsel-metin benzerlik skorlarını mantıksız şekilde yükselttiğini gösterdi.

Araştırmacılar, görev odaklı diyalog sistemlerinin nesne referanslarını anlama yeteneğini geliştiren yeni bir yöntem önerdi. Büyük dil modellerinin nesne açıklamaları üzerinde mantıksal çıkarım yapmasını sağlayan bu yaklaşım, özellikle karmaşık görsel ortamlarda chatbot'ların hangi nesneden bahsedildiğini daha doğru tespit etmesini mümkün kılıyor. SIMMC 2.1 veri seti üzerinde yapılan testler, bu yöntemin geleneksel supervised öğrenme modellerinin aksine farklı alanlarda daha iyi genelleme yapabildiğini gösteriyor. Sistem, adım adım mantıksal süreçler oluşturarak kullanıcının kastettiği nesneyi daha başarılı şekilde belirleyebiliyor.

Araştırmacılar, geleneksel arama sistemlerindeki sabit puanlama fonksiyonlarının yerini alan yenilikçi Hypencoder teknolojisini kapsamlı testlerden geçirdi. Bu sistem, sorguya özel sinir ağları kullanarak daha esnek ve etkili sonuç sıralama yapabiliyor. Yapılan çalışmada, orijinal bulgular tekrar test edildi ve sistemin performansı farklı zorluktaki görevlerde analiz edildi. Sonuçlar, Hypencoder'ın hem tanıdık hem de yeni veri setlerinde geleneksel yöntemlerden daha iyi performans gösterdiğini ortaya koydu. Özellikle geliştirilen hızlı arama algoritması, performansta minimal kayıpla sorgu süresini önemli ölçüde azalttı. Bu teknoloji, arama motorları ve bilgi erişim sistemlerinde önemli ilerlemeler sunabilir.

Araştırmacılar, e-ticaret platformlarında ürün arama ve sıralama işlemlerini iyileştiren yenilikçi bir yapay zeka sistemi geliştirdi. İki aşamalı bu yaklaşım, büyük dil modellerini kullanarak yapılandırılmamış ürün bilgilerinden özellik grafikleri oluşturuyor ve bu yapılandırılmış veriler üzerinden daha akıllı sıralama yapıyor. Sistem, geleneksel yöntemlere göre işlem gücünden %57 tasarruf sağlarken, arama doğruluğunu %5'ten fazla artırdı. Bu gelişme, milyonlarca ürün arasından en uygun olanları bulma konusunda yaşanan zorlukları aşmaya yönelik önemli bir adım. Özellikle farklı kategorilerdeki ürünlerin benzerlikleri ve kullanıcı bağlamının doğru anlaşılması konusunda mevcut sistemlerin eksikliklerini gideriyor. Çalışma, e-ticaret arama motorlarının verimliliğini artırma potansiyeli taşıyor.

Büyük Dil Modelleri (LLM) bilgi arama sistemlerinde sorguları yeniden düzenlemek ve genişletmek için yaygın olarak kullanılıyor. Ancak bu sistemlerin etkinliği konusundaki araştırma sonuçları farklı koşullarda elde edildiği için hangilerinin güvenilir olduğunu anlamak zorlaşıyor. Yeni bir çalışma, on farklı LLM tabanlı sorgu geliştirme yöntemini aynı kontrollü koşullarda test etti. Araştırma, iki farklı LLM ailesini, üç arama paradigmasını ve dokuz kıyaslama veri setini kullanarak kapsamlı bir analiz gerçekleştirdi. Sonuçlar, sorgu geliştirme başarısının kullanılan arama yöntemine bağlı olduğunu ve geleneksel arama sistemlerinde görülen iyileştirmelerin modern yoğun arama sistemlerine aktarılamadığını gösteriyor.

Araştırmacılar, yapay zekanın uzun süreli konuşmalarda önemli bilgileri kaybetme problemine çözüm getiren EviMem sistemini geliştirdi. Sistem, eksik kanıtları tespit edebilen IRIS çerçevesi ve katmanlı hafıza mimarisi LaceMem'i birleştiriyor. Geleneksel tek geçişli arama yöntemleri, zaman içinde dağılmış bilgileri bir araya getirmekte yetersiz kalıyor. EviMem ise kanıt boşluklarını tespit edip hedefli sorgular yaparak bu sorunu çözüyor. Test sonuçları, sistemin zamansal sorularda %73,3'ten %81,6'ya, çok aşamalı sorularda ise %65,9'dan %85,2'ye doğruluk oranını artırdığını gösteriyor. Bu gelişme, sohbet botları ve AI asistanları için daha tutarlı ve kapsamlı konuşma deneyimi sağlayabilir.

MIT araştırmacıları, mevcut yapay zeka ajanslarının hafıza sistemlerinin aslında gerçek hafıza olmadığını, yalnızca bilgi arama mekanizması olduğunu ortaya koydu. Vektör depoları, bağlamsal pencere yönetimi ve benzer teknolojilerin 'arama' işlevi gördüğünü, ancak gerçek öğrenme sağlamadığını gösterdiler. Bu durum, ajanların sürekli not biriktirmesine rağmen uzmanlık geliştiremediği, kompozisyonel görevlerde genelleme tavanına çarptığı ve kalıcı hafıza zehirlenmesine karşı savunmasız kaldığı anlamına geliyor. Araştırma, sinir bilimindeki Tamamlayıcı Öğrenme Sistemleri teorisinden yola çıkarak, biyolojik zekanın bu sorunu nasıl çözdüğünü inceliyor.

Araştırmacılar, yapay zekanın geleneksel arama motorlarını nasıl dönüştürdüğünü anlamak için kapsamlı bir çalışma gerçekleştirdi. 11.500 kullanıcı sorgusundan oluşan benchmark veri setiyle Google Arama, AI Overview ve Gemini Flash 2.5'i karşılaştıran araştırma, çarpıcı bulgular ortaya koydu. Sonuçlara göre, kullanıcı sorgularının yarısından fazlasında (%51.5) AI Overview'lar oluşturuluyor ve organik arama sonuçlarının üzerinde gösteriliyor. Özellikle tartışmalı konularda AI özetlerinin daha sık görüldüğü tespit edildi. Çalışma ayrıca farklı arama sistemlerinin kaynaklarını seçme biçimlerinin önemli ölçüde farklılaştığını gösteriyor. Bu araştırma, yapay zekanın arama deneyimini nasıl şekillendirdiğini ve bilgiye erişim şeklimizi nasıl değiştirdiğini anlamamız açısından kritik bulgular sunuyor.

Araştırmacılar, yapay zeka sistemlerinin hafıza yönetiminde karşılaştıkları temel sorunu çözmek için yenilikçi bir yaklaşım geliştirdi. Mevcut sistemler hafızayı basit bir arama problemi olarak görürken, yeni yöntem hafızayı yapılandırılmış bir veri sistemi gibi ele alıyor. Şema tabanlı bu yaklaşım, AI'ların hangi bilgileri hatırlaması, hangilerini görmezden gelmesi ve hangi değerlerin asla tahmin edilmemesi gerektiğini net şekilde tanımlıyor. Bu gelişme, üretim ortamında çalışan AI ajanlarının ihtiyaç duyduğu kesin bilgiler, güncel durum bilgileri, güncelleme ve silme işlemleri gibi kritik hafıza operasyonlarını mümkün kılıyor.

Araştırmacılar, sosyal medyada paylaşılan metin ve görsellerdeki tutumları analiz eden yeni bir yapay zeka sistemi geliştirdi. MM-StanceDet adlı bu sistem, çoklu ajan mimarisi kullanarak insanların belirli konulardaki görüşlerini tespit etmede mevcut yöntemlerden çok daha başarılı sonuçlar veriyor. Sistem özellikle metin ve görsel içerik arasında çelişki olduğu durumlarda bile doğru analiz yapabiliyor. Bu gelişme, sosyal medyada kamuoyu analizi ve yanlış bilgi tespiti açısından önemli bir adım olarak görülüyor.

Araştırmacılar, büyük çoklu ortam modellerinin (görsel ve metinsel verileri birlikte işleyen AI sistemler) eğitiminde karşılaşılan temel bir sorunu çözmek için PRISM adlı yeni bir yaklaşım geliştirdi. Mevcut eğitim süreçlerinde modeller, başlangıçtaki yeteneklerini kaybetme ve istenmeyen davranış değişiklikleri gösterme eğiliminde. PRISM, bu sorunu üç aşamalı bir süreçle çözüyor: önce denetimli öğrenme, ardından dağılım hizalama ve son olarak pekiştirmeli öğrenme. Sistem, algısal hatalar ve mantıksal başarısızlıkları ayrı ayrı ele alan uzman modüller kullanarak, AI'ın hem görme hem de muhakeme becerilerini daha dengeli şekilde geliştiriyor. Bu yaklaşım, özellikle görsel-metinsel çoklu ortam görevlerinde modellerin performansını artırarak, gelecekteki AI sistemlerinin daha güvenilir olmasına katkıda bulunabilir.