MIT ve Stanford araştırmacıları, makine öğrenmesinde yaygın kullanılan ensemble yöntemlerinin zaman serisi verileri gibi birbirine bağımlı veri kümelerinde neden beklenenden daha düşük performans gösterdiğini matematiksel olarak açıkladı. Çoğunluk oylama sistemleri normalde bağımsız modelleri birleştirerek daha iyi sonuçlar verir, ancak Markov bağımlılığı olan verilerde bu avantaj azalır. Çalışma, bu sorunu teorik olarak tanımlarken aynı zamanda grafik düzenli veri yapılarında optimal performans gösteren uyarlanabilir bir algoritma da geliştirdi. Bulgular, finansal tahminler, pekiştirmeli öğrenme ve uzaysal veri analizinde ensemble modellerinin daha etkili kullanımı için yol gösterici nitelikte.

Bilim insanları, büyük dil modellerinin (LLM) gerçek zamanlı güvenilirliğini izlemek için yeni bir yöntem geliştirdi. 'Çift yönlü tahmin yetisi' adı verilen bu sistem, modellerin çok turlu konuşmalardaki bütünlüğünü anlık olarak kontrol edebiliyor. Mevcut değerlendirme yöntemleri ya sonradan analiz gerektiriyor ya da tek yönlü güven ölçümleri kullanıyor. Yeni sistem ise ham token istatistiklerinden yola çıkarak, modelin etkileşim yapısının sağlam kalıp kalmadığını gerçek zamanlı olarak izliyor. Araştırmacılar ayrıca 'Bilgi Dijital İkizi' adında hafif bir mimari geliştirerek bu ölçümü pratik hale getirdi. Bu yaklaşım, yüksek riskli otonom sistemlerde çalışan yapay zeka modellerinin fark edilmeden bozulmasını önleyebilir.

Büyük dil modellerinin ne zaman gerçek dışı bilgi üreteceğini önceden tahmin etmek mümkün mü? MIT araştırmacıları, bu kritik soruya yanıt aramak için 7 farklı yapay zeka modelini inceledi. Bulgular, 1 milyar parametrenin altındaki küçük modellerin hiçbir güvenilir sinyal vermediğini, ancak bu eşiği aşan büyük modellerin ilk kelimeyi bile üretmeden önce 'hayal kuracaklarını' belli ettiklerini ortaya koydu. Bu keşif, sağlık, hukuk ve finans gibi kritik alanlarda kullanılan yapay zekanın güvenilirliğini artırmak için önemli bir adım.

Araştırmacılar, yapay zeka modellerinin matematik problemlerini çözerken yaşadığı 'grokking' fenomeninin nedenini keşfetti. Transformer modellerin eğitim verilerini öğrendikten sonra genelleme yapabilmesi arasında geçen uzun sürenin, bilgiyi işleyen encoder bölümünün öğrendiği yapıyı decoder bölümüne aktaramamasından kaynaklandığı ortaya çıktı. MIT araştırmacıları Collatz tahmin problemini kullanarak yaptıkları deneylerde, encoder'ın sayısal yapıları binlerce adımda öğrendiğini ancak çıktı doğruluğunun on binlerce adım boyunca şans seviyesinde kaldığını gözlemledi. Bu bulgular, AI modellerinin öğrenme süreçlerinin daha iyi anlaşılması ve optimize edilmesi açısından kritik önem taşıyor.

Araştırmacılar, hareket halindeki koku kaynaklarını takip etme problemini matematiksel olarak modellediler. Çalışma, gecikmiş ve kesintili koku sinyalleriyle hedef tespiti yapmanın zorluklarını ele alıyor. Geliştirilen model, hedefin pozisyon ve hızını aynı anda tahmin eden bir karar verme sistemi kullanıyor. Bulgular, hedef sık yön değiştirdiğinde keşifsel stratejilerin etkili olduğunu, ancak hedef kararlı hareket ettiğinde bu yaklaşımların başarısız olduğunu gösteriyor. Bu araştırma, av arayan hayvanlardan otonom robot sistemlerine kadar geniş bir uygulama alanına sahip.

MIT araştırmacıları, yapay zekanın geç öğrenme fenomeni olan 'grokking'i tahmin edebilecek yeni bir yöntem keşfetti. Grokking, yapay zeka modellerinin önce bilgiyi ezberleyip, çok daha sonra gerçek anlamda öğrenmeye başladığı ilginç bir durumdur. Araştırmacılar, spektral entropi adı verilen matematiksel bir ölçümün, bu geçişi %100 başarıyla önceden tahmin edebildiğini gösterdi. Bu keşif, yapay zeka modellerinin nasıl öğrendiğini anlamamızda büyük bir adım ve gelecekte daha verimli AI sistemleri geliştirmemize yardımcı olabilir. Çalışma, Transformer modellerinde yapılan deneylerle doğrulandı.

Araştırmacılar, türlerin coğrafi dağılımını modelleyen yapay zeka sistemlerinin karar verme süreçlerini anlaşılabilir kılan yenilikçi bir yöntem geliştirdi. Doğa koruma ve istilacı türlerin yönetimi için kritik olan tür dağılım modelleri, derin öğrenme ile daha karmaşık hale gelirken, ekolojik içgörüler elde etmek zorlaşmıştı. Yeni çalışma, Concept-based Explainable AI teknolojisini bu alana ilk kez uygulayarak, modellerin hangi peyzaj özelliklerine odaklandığını görünür kılıyor. Multispektral ve LiDAR drone görüntülerinden oluşturulan yüksek çözünürlüklü veri seti, 15 farklı peyzaj konseptini kapsayan 653 alan ve 1.450 referans noktası içeriyor. Bu yaklaşım, hem güçlü tahmin performansı hem de ekolojik anlayış sağlayarak, korumanın geleceğini şekillendirebilir.

Araştırmacılar, masif açık çevrimiçi kurslarında (MOOC) öğrenci memnuniyetini erken dönemde tahmin edebilen yenilikçi bir yapay zeka sistemi geliştirdi. TET-LLM adlı bu sistem, öğrencilerin ilk 7-28 gün içindeki davranışlarını analiz ederek kurs sonundaki memnuniyet düzeylerini öngörebiliyor. Sistem, öğrencilerin tıklama davranışları, forum gönderileri ve kısa geri bildirimlerini büyük dil modelleriyle işleyerek çok boyutlu bir analiz gerçekleştiriyor. Bu gelişme, eğitim platformlarının risk altındaki öğrencileri erkenden tespit etmesini ve müdahale etmesini sağlayarak hem öğrenci başarısını hem de platform itibarını artırabilir. Geleneksel yöntemler kurs bitimindeki değerlendirmelere dayandığından müdahale için çok geç kalıyordu, ancak bu yeni yaklaşım proaktif eğitim desteği sunma imkanı tanıyor.

CVPR 2026 konferansının parçası olarak düzenlenen 4. Denizcilik Bilgisayarla Görme Atölyesi (MaCVi), deniz ortamlarında yapay zeka uygulamalarının geliştirilmesine odaklanıyor. Bu yılki etkinlik, hem tahmin doğruluğunu hem de gerçek zamanlı gömülü sistem uygulanabilirliğini vurgulayan beş farklı benchmark yarışması içeriyor. Deniz araçlarının otonom navigasyonu, gemi tespiti, deniz altı görüntüleme ve maritime güvenlik gibi alanlarda AI algoritmalarının performansını değerlendiren bu atölye, sektörün ihtiyaçlarına yönelik pratik çözümler sunuyor. Yarışmacı ekiplerin teknik raporları, gerçek dünya uygulamalarında karşılaşılan zorlukları ve çözüm yollarını ortaya koyuyor. Bu tür çalışmalar, denizcilik endüstrisinin dijital dönüşümünde önemli bir rol oynuyor.

Araştırmacılar, farklı online eğitim platformlarında öğrenci memnuniyetini tahmin edebilen yeni bir yapay zeka sistemi geliştirdi. ADAPT-MS adlı bu sistem, öğrenci yorumlarını ve davranışsal verilerini analiz ederek, bir platformda eğitilen modelin başka platformlarda da başarılı çalışmasını sağlıyor. Sistem, platform farklılıklarından kaynaklanan sorunları çözmek için gelişmiş dil modelleri ve alan adaptasyon tekniklerini kullanıyor. Bu yenilik, online eğitim kalitesinin artırılması ve platform işletmeciliği açısından önemli avantajlar sunuyor.

Araştırmacılar, zaman serisi verilerinde tahmin yaparken karşılaşılan yanlılık sorununu çözen yeni bir algoritma geliştirdi. Bias-Corrected Adaptive Conformal Inference (BC-ACI) adlı bu yöntem, özellikle veri dağılımında değişiklikler yaşandığında ortaya çıkan sistematik hataları otomatik olarak düzeltebiliyor. Geleneksel yöntemler bu durumda sadece tahmin aralıklarını genişleterek aşırı temkinli sonuçlar üretirken, BC-ACI hem yanlılığı düzeltiyor hem de tahmin aralıklarını yeniden merkezleyerek daha hassas sonuçlar veriyor. 688 farklı test senaryosunda yapılan deneylerde, algoritmanın başarılı performans gösterdiği kanıtlandı.