Araştırmacılar, tıbbi görüntü segmentasyonunda yapay zekanın belirsizlik tahminlerini nasıl pratik kararlara dönüştürebileceğini araştırdı. Retina damar görüntüleri üzerinde yapılan çalışmada, belirsizlik haritalarının doğru stratejilerle kullanılması durumunda segmentasyon hatalarının yüzde 80'ine kadar azaltılabildiği gösterildi. İki aşamalı bir yaklaşım benimseyen bilim insanları, tahmin ve karar verme süreçlerini ayrı ayrı optimize ederek, yapay zekanın hangi tahminleri kabul edeceği, hangileri işaretleyeceği veya erteleyeceği konusunda daha etkili politikalar geliştirdi. Bu çalışma, tıbbi yapay zeka uygulamalarında güvenlik ve doğruluğun artırılması açısından önemli bir adım olarak değerlendiriliyor.

Araştırmacılar, tıbbi metin analizi için yeni bir yapay zeka sistemi geliştirdi. L2D-Clinical adlı bu sistem, ne zaman uzmanlaşmış BERT modellerini, ne zaman ise büyük dil modellerini kullanması gerektiğini kendi kendine öğrenebiliyor. Sistem, belirsizlik sinyallerini ve metin özelliklerini analiz ederek hangi durumda hangi modelin daha başarılı olacağını tahmin ediyor. İlaç yan etkisi tespiti ve tedavi sonucu sınıflandırması gibi görevlerde test edilen sistem, tek bir model kullanmaya kıyasla daha yüksek doğruluk oranları elde etti. Bu yaklaşım, tıbbi yapay zeka uygulamalarında farklı modellerin güçlü yanlarını birleştirerek daha güvenilir sonuçlar elde etmeyi mümkün kılıyor.

Araştırmacılar, makine öğrenmesi sistemleri için video sıkıştırma teknolojisinde önemli bir yenilik geliştirdi. PAT-VCM adlı yeni sistem, farklı yapay zeka görevleri için ayrı ayrı video kodlayıcı eğitme ihtiyacını ortadan kaldırıyor. Geleneksel yöntemler her görev için özel sıkıştırma algoritması gerektirirken, bu sistem tek bir temel video akışını hafif 'yardımcı tokenlar' ile destekleyerek çoklu görevlerde kullanılabiliyor. Sistem, görsel kalıntı tokenları, kontrol tokenları ve anlamsal tokenlar olmak üzere üç tür yardımcı bilgi türünü destekliyor. Nesne tespiti, derinlik tahmin etme ve görüntü segmentasyonu gibi farklı görevlerde test edilen sistem, her görev için ayrı model eğitme maliyetini azaltırken performansı koruyor. Bu yaklaşım, yapay zeka sistemlerinin video analizi yeteneklerini daha verimli hale getirerek endüstriyel uygulamalarda önemli bir adım teşkil ediyor.

İsveç'te gerçekleştirilen kapsamlı bir araştırma, yapay zekanın rutin sağlık verileri kullanarak melanom riski yüksek kişileri belirleyebildiğini ortaya koydu. Gelişmiş AI modelleri, geleneksel yöntemlerden çok daha başarılı sonuçlar elde etti. Sistem tarafından işaretlenen bazı bireylerin 5 yıl içinde melanom geliştirme olasılığı %33'e kadar çıktı. Bu yaklaşım, cilt kanseri taramalarında hedefli ve akıllı stratejiler geliştirilmesine yardımcı olabilir. Erken teşhisin hayati önem taşıdığı melanom vakalarında, AI destekli risk değerlendirmesi sağlık sistemlerini daha verimli hale getirebilir.

Araştırmacılar, yapay zeka sistemlerinin metin sınıflandırmasında belirsizliklerini tahmin edebilmesi için yeni bir yöntem geliştirdi. HolUE adlı bu yaklaşım, sistemin ne zaman hata yapabileceğini önceden tahmin ederek, bilinmeyen durumlarla karşılaştığında 'bilmiyorum' diyebilmesini sağlıyor. Yöntem, iki temel belirsizlik kaynağını ele alıyor: kullanıcının belirsiz sorularından kaynaklanan 'metin belirsizliği' ve veri dağılımındaki belirsizliklerden kaynaklanan 'galeri belirsizliği'. Test sonuçları oldukça etkileyici - farklı veri setlerinde mevcut yöntemlere göre %40 ile %365 arasında iyileşme sağlandı. Bu gelişme, özellikle güvenilir yapay zeka sistemleri için kritik önem taşıyor.

Karmaşık sahnelerin nasıl gelişeceğini doğru tahmin etmek için belirsizliği temsil eden, uzun etkileşim zincirlerini simüle eden ve birçok olası geleceği verimli şekilde keşfeden modeller gerekiyor. Mevcut yaklaşımlar yoğun video tahminlerine odaklanırken, yeni yaklaşım sahnenin altında yatan seyrek nokta yörüngelerine odaklanıyor.