Araştırmacılar, video görüntülerini analiz ederek çarpışma zamanını (TTC) tahmin edebilen yeni bir yapay zeka modeli geliştirdi. CollideNet adı verilen bu sistem, hiyerarşik transformer mimarisi kullanarak hem uzamsal hem de zamansal bilgileri çoklu ölçeklerde işliyor. Model, video karelerini farklı çözünürlüklerde eş zamanlı analiz ederken, zamansal akışta trend ve döngüsel bileşenleri ayırarak çarpışma riskini hesaplıyor. Üç farklı veri setinde yapılan testlerde, mevcut yöntemlerden önemli ölçüde daha iyi performans gösterdi. Bu teknoloji, otonom araçlar, güvenlik sistemleri ve endüstriyel otomasyon alanlarında çarpışma önleme sistemlerinin geliştirilmesinde kritik rol oynayabilir.

Araştırmacılar, belirsizlik ve gürültü içeren verilerde bile hızlı ve güvenilir sonuçlar üretebilen yeni bir optimizasyon algoritması geliştirdi. RAAS adı verilen bu yöntem, makine öğrenmesi ve yapay zeka uygulamalarında karşılaşılan en büyük zorluklardan birini çözüyor: gürültülü ve önyargılı verilerle çalışırken hem hızlı hem de kararlı sonuçlar elde etmek. Geleneksel momentum tabanlı yöntemler bu durumda hataları büyüterek sistem kararlılığını bozarken, yeni algoritma ayarlanabilir momentum müdahalesi ile bu sorunu aşıyor. Araştırmacılar, algoritmanın matematiksel olarak güçlü teorik garantiler sunduğunu ve yüksek olasılıkla hedeflenen doğruluk seviyesine ulaştığını kanıtladı.

Araştırmacılar, kanser tanısında kullanılan bütün slayt görüntü analizi için yeni bir yapay zeka mimarisi geliştirdi. MambaBack adlı bu sistem, hem yerel hücresel yapıları hem de global bağlamları etkili şekilde modelleyerek mevcut yöntemlerin üç temel sorununu çözüyor. Patoloji alanında kullanılan Multiple Instance Learning yaklaşımının geliştirilmiş hali olan bu teknoloji, 2D uzamsal yerelliği korurken ince taneli hücresel yapıları daha iyi analiz edebiliyor. Ayrıca kaynak kısıtlı cihazlarda bile düşük bellek kullanımıyla çalışabilen sistem, kanser teşhisinin hızlanmasına ve daha erişilebilir hale gelmesine katkı sağlayabilir.

Araştırmacılar, yapay zekanın video içeriklerini anlama ve analiz etme yeteneğini artıran yeni bir yöntem geliştirdi. 'Bul, Düzelt, Akıl Yürüt' adı verilen bu yaklaşım, büyük ve küçük yapay zeka modellerini birlikte kullanarak video analizindeki eksiklikleri gideriyor. Sistem, büyük bir öğretmen modelin eksik bağlantıları tespit etmesi ve küçük öğrenci modele gerekli ipuçlarını sağlaması prensibine dayanıyor. Bu yöntem, mevcut tekniklerden farklı olarak karmaşık ön eğitim gerektirmiyor ve video analiz performansını önemli ölçüde artırıyor. Gelişme, video içeriği anlama, güvenlik sistemleri ve eğitim teknolojileri gibi alanlarda önemli uygulamalara sahip olabilir.

Araştırmacılar, ses ve metin verilerini etkili şekilde birleştirerek analiz edebilen HILBERT adlı yeni bir yapay zeka sistemi geliştirdi. Bu sistem, özellikle uzun belgelerdeki ses kayıtları ile metinler arasında bağlantı kurabiliyor ve her iki veri türünün kendine özgü özelliklerini koruyarak ortak bir anlayış oluşturuyor. HILBERT, sınırlı veri kaynaklarının bulunduğu ortamlarda bile başarılı sonuçlar verebilecek şekilde tasarlandı. Sistem, önceden eğitilmiş dil ve konuşma modellerini kullanarak parça parça analiz yaptıktan sonra, bu parçaları birleştirerek bütünsel bir anlam çıkarıyor. Bu yaklaşım, ses ve metin arasındaki boyutsal dengesizlik sorununu çözerek, gelecekte çok modlu yapay zeka uygulamalarında önemli ilerlemeler sağlayabilir.

Araştırmacılar, mühendislik ve bilimde karşılaşılan karmaşık matematiksel problemleri çözmek için yapay zeka ile geleneksel matematik yöntemlerini birleştiren yenilikçi bir yaklaşım geliştirdi. Bu hibrit sistem, kontrol sistemlerinden belirsizlik analizi yapılmasına kadar geniş bir yelpazede kullanılabiliyor. Yöntem, fiziksel uzayda sonlu elemanlar yöntemini kullanırken, parametre uzayında ise makine öğrenmesi tekniklerinden yararlanıyor. Özellikle yüksek boyutlu problemlerde geleneksel yöntemlerin yetersiz kaldığı durumlarda, aşırı öğrenme makineleri devreye girerek çözüm sürecini hızlandırıyor. Bu yaklaşım, hem hesaplama hızını artırıyor hem de daha karmaşık sistemlerin analiz edilmesini mümkün kılıyor.

Bilim insanları, işbirlikçi ve düşman etkileşimlerin bir arada bulunduğu ağ sistemlerinde zaman gecikmelerinin nasıl kararsızlığa neden olduğunu matematiksel olarak analiz etti. Halka şeklindeki ağlarda yapılan bu çalışma, sistem elemanları arasındaki iletişim gecikmelerinin artması durumunda, başlangıçta kararlı olan sistemlerin nasıl istikrarsızlaştığını gösteriyor. Araştırmacılar, gecikme miktarına bağlı olarak sistemin farklı davranış rejimlerine geçtiğini ve bu geçişlerin kritik eşik değerlerle belirlendiğini ortaya koydu. Bu bulgular, sosyal ağlardan biyolojik sistemlere kadar geniş bir yelpazede karşılaşılan ağ dinamiklerini anlamak için önemli ipuçları sunuyor.

Cep telefonu şebekelerinden elde edilen veriler, insan hareketliliğini anlamak için sıkça kullanılıyor ancak bu verilerde ciddi bir sorun var: sosyoekonomik önyargı. Şili'nin başkenti Santiago'da yapılan yeni bir araştırma, tek bir operatörün verilerinin gerçek nüfusu temsil etmediğini ortaya koyuyor. Araştırmacılar, çok seviyeli regresyon ve tabakalaştırma yöntemiyle bu önyargıyı düzeltmeyi başardı. Bu yeni yaklaşım, hareket yarıçapı gibi önemli metriklerde yüzde 17'ye varan düzeltmeler sağladı. Çalışma, büyük veri analizlerinde demografik dengesizliklerin nasıl giderilebileceği konusunda önemli bir yöntem sunuyor.

Araştırmacılar, çok modlu büyük dil modellerinin (MLLM) spor hakemliği yapma yeteneğini ölçmek için RefereeBench adlı kapsamlı bir test sistemi geliştirdi. 11 farklı spor dalından 925 video ve 6.475 soru-cevap çifti içeren bu benchmark, yapay zekanın kurallara dayalı karar verme becerisini değerlendiriyor. Test sonuçları, en gelişmiş modellerin bile sadece %60 civarında başarı gösterdiğini ortaya koydu. Bu çalışma, spor endüstrisinde artan teknoloji kullanımı ve VAR gibi sistemlerin yaygınlaşması bağlamında önem taşıyor. Yapay zeka modellerinin genel video anlama konusunda başarılı olmasına rağmen, özelleşmiş kural tabanlı değerlendirmelerde henüz yeterli seviyeye ulaşamadığı görülüyor.

Araştırmacılar, büyük dil modellerinin (LLM) ontoloji mühendisliğinde kullanılan yeterlilik sorularını otomatik olarak oluşturabilme kapasitesini inceledi. Ontoloji mühendisliğinde gereksinim analizi için kritik öneme sahip bu sorular, geleneksel olarak uzmanlar tarafından manuel süreçlerle hazırlanıyordu. Çalışma, farklı yapay zeka modellerinin ürettiği soruların okunabilirlik, yapısal karmaşıklık gibi özelliklerini sistematik olarak analiz etti. Bu gelişme, ontoloji mühendisliği süreçlerinin demokratikleşmesi ve daha geniş katılımcı kitlelere açılması anlamına geliyor. Araştırma, açık ve kapalı kaynak modeller arasında karşılaştırma yaparak, yapay zekanın bu alandaki potansiyelini değerlendirdi.

Araştırmacılar, tıbbi yapay zeka modellerini test etmek için MEDSYN adlı yeni bir değerlendirme sistemi geliştirdi. Bu sistem, gerçek hastane koşullarını taklit eden karmaşık vakalarla yapay zekanın tanı koyma becerilerini ölçüyor. Sonuçlar şaşırtıcı: En gelişmiş yapay zeka modelleri bile, farklı türdeki tıbbi kanıtları bir araya getirip doğru tanı koymakta zorlanıyor. Özellikle görüntü analizi yerine sadece hasta hikayesine odaklanma eğilimi gösteriyorlar. Bu bulgular, tıbbi yapay zekanın henüz insan doktorların yerini alamayacağını gösteriyor.