Araştırmacılar, yapay zeka sistemlerinin hayvan refahını dikkate alacak şekilde eğitilmesi için yenilikçi bir yöntem geliştirdi. Dokümana dayalı eğitim yaklaşımı, geleneksel talimat verme yöntemlerine kıyasla çok daha başarılı sonuçlar verdi. Hayvan Zarar Kıyaslama Ölçeği adlı 26 soruluk test sistemi ile değerlendirilen bu yöntem, yapay zekanın etik değerleri öğrenmesi konusunda umut verici sonuçlar ortaya koydu. Çalışma, AI sistemlerinin sadece güvenli olmakla kalmayıp aynı zamanda hayvan refahı gibi önemli değerleri de içselleştirmesi gerektiğini vurguluyor.

Araştırmacılar, büyük dil modellerinin koroner anjiyografi raporlarından fizyolojik ölçümleri otomatik olarak çıkarma yeteneğini inceledi. Çalışma, 1342 Portekizce tıbbi rapor üzerinde gerçekleştirildi ve yapay zekanın tıbbi verileri ne kadar güvenilir şekilde işleyebileceğini araştırdı. Koroner anjiyografi raporları, kalp damarlarının durumu hakkında kritik bilgiler içerir ancak bu veriler genellikle yapılandırılmamış metin halindedir. Bu durum, araştırmacıların verileri analiz etmesini zorlaştırır. Araştırmada farklı prompting stratejileri kullanılarak, yapay zekanın bu tıbbi raporlardan değerli bilgileri ne kadar başarılı şekilde çıkarabileceği test edildi. Sonuçlar, tıbbi alanda yapay zeka kullanımının potansiyelini gösterirken, güvenilirlik konusundaki sınırları da ortaya koydu.

Araştırmacılar, yapay zeka eğitiminde kullanılan Forward-Forward algoritmasını önemli ölçüde geliştiren yeni bir yaklaşım keşfetti. Geleneksel yöntemlerin aksine, tüm nöronları değerlendirmek yerine sadece en aktif olanları seçen 'top-k iyilik' fonksiyonu, Fashion-MNIST veri setinde %22,6 oranında daha yüksek doğruluk sağladı. Bu yenilikçi yaklaşım, beynin çalışma mantığına daha yakın olan Forward-Forward algoritmasının performansını dramatik şekilde artırarak, yapay zeka eğitiminde yeni ufuklar açıyor. Çalışma, hangi nöron aktivasyonlarının ölçülmesi ve nasıl bir araya getirilmesi gerektiği konusunda sistematik bir analiz sunuyor.

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, yapay zeka modellerinin uzun süreli eğitiminde karşılaşılan kritik sorunları çözen yeni bir yaklaşım geliştirdi. Çalışma, modellerin kendi içlerindeki karşılaştırmalı öğrenme sürecinde yaşanan 'öğrenme vergisi', çözüm olasılığı kayması ve entropi çöküşü gibi problemlerin temel nedenini ortaya koyuyor. Token düzeyindeki kredi atama perspektifinden hareketle, araştırmacılar gradient değiştirilebilirliğinin korunması gerektiğini ve bu sayede zayıf kredili tokenlarda gradient iptalinin sağlanabileceğini gösterdi. Bu keşif, yapay zeka modellerinin daha kararlı ve verimli eğitilmesi için yeni bir yol açıyor.

Cerrahi güvenlik sorunu dünya çapında kritik bir sağlık meselesi olmaya devam ediyor. Cerrahların deneyim eksikliği ve durumsal farkındalık yetersizlikleri ameliyat başarısını olumsuz etkiliyor. Araştırmacılar, laparoskopik cerrahide hasta odaklı 3D modelleme teknolojisi geliştirerek bu soruna çözüm arıyor. Yeni sistem, ameliyat öncesi görüntülerle ameliyat sırasındaki gerçek organ görüntülerini eşleştirmek için yapay zeka kullanıyor. Transformer mimarisi tabanlı bu teknoloji, organların ameliyat sırasındaki deformasyonlarını hesaba katarak cerrahlara daha doğru görsel rehberlik sağlıyor. Geliştirilen nokta bulutu kayıt yöntemi, her hastaya özel optimizasyon yaparak ameliyat güvenliğini artırmayı hedefliyor. Bu teknolojik ilerleme, minimal invaziv cerrahide yeni bir dönemin başlangıcı olabilir.

Araştırmacılar, yapay zekanın mantıksal çıkarım süreçlerini değerlendiren ödül modellerindeki temel bir sorunu çözdü. Geleneksel yöntemler, AI'nin her adımını ayrı ayrı puanlarken tutarsızlıklar yaşıyordu - eğitim sırasında sadece genel sonucu gözetirken, kullanım sırasında her adımı tek tek değerlendirmek zorundaydı. Bu durum, modelin hangi mantık adımlarının doğru olduğunu güvenilir şekilde belirleyememesine neden oluyordu. Yeni geliştirilen 'Örtük Önek-Değer Ödül Modeli' bu sorunu çözerek, AI sistemlerinin daha tutarlı ve güvenilir şekilde öğrenmesini sağlıyor. Bu gelişme, özellikle karmaşık problem çözme gerektiren AI uygulamaları için önemli bir adım.

Araştırmacılar, tüp bebek tedavilerinde embriyo kalitesini otomatik olarak değerlendiren yeni bir yapay zeka sistemi geliştirdi. Mevcut yöntemler embriyologların görsel değerlendirmelerine dayanıyor ve bu durum subjektiflik ile uzmanlar arası farklılıklara yol açıyor. Yeni sistem, 5. gün insan embriyolarının görüntülerini analiz ederek kritik embriyo bileşenlerini otomatik olarak tanımlıyor ve derecelendiriyor. Multitask embedding yaklaşımı kullanan bu teknoloji, sınırlı veri setinden bile etkili öğrenme gerçekleştirebiliyor. Sistem özellikle trofektoderm, iç hücre kütlesi ve blastosist genişlemesi gibi görsel olarak benzer ve ayırt edilmesi zor yapıları başarıyla tanımlayabiliyor. Bu gelişme, tüp bebek tedavilerinin başarı oranını artırabilir ve standardizasyon sorunlarını çözebilir.

Bilim insanları, elektromanyetik dalgaların nesnelerle etkileşimini analiz eden ters saçılma problemlerini çözmek için yenilikçi bir hibrit yöntem geliştirdi. ULR adı verilen bu yaklaşım, dönme-eşdeğişkenliği destekleyen sinir ağları ile düşük-rank yapıları birleştiriyor. Bu teknoloji, radar sistemlerinden tıbbi görüntülemeye kadar birçok alanda kullanılan ters saçılma analizlerinde daha hassas sonuçlar elde etmeyi mümkün kılıyor. Geleneksel Born yaklaşımının sınırlarını aşan yöntem, özellikle yüksek frekanslı gürültüyü filtreleyen düşük-rank yapısı sayesinde daha kararlı çözümler sunuyor. Araştırmacılar ayrıca tamamen sinir ağı tabanlı alternatif bir yaklaşım da geliştirerek farklı senaryolar için optimum çözümler sunuyor.

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.

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.