Yarı iletken üretiminde kritik öneme sahip hata analizi süreci, geleneksel yöntemlerle uzmanların saatler süren çalışmasını gerektiriyor. Araştırmacılar, bu süreci tamamen dönüştüren SemiFA adlı yapay zeka sistemini geliştirdi. Sistem, yarı iletken muayene görüntülerini analiz ederek bir dakika içinde yapılandırılmış hata analizi raporları üretebiliyor. Dört farklı yapay zeka ajanının birlikte çalıştığı bu sistem, kusur tanımlama, kök neden analizi, ciddiyet değerlendirmesi ve çözüm önerileri sunma işlevlerini gerçekleştiriyor. SemiFA-930 veri setiyle test edilen sistem, yarı iletken endüstrisinde kalite kontrol süreçlerini hızlandırma potansiyeli taşıyor. Bu gelişme, elektronik sektörünün temel taşlarından biri olan yarı iletken üretiminde verimlilik artışı sağlayabilir.

Araştırmacılar, göz hareketlerini analiz etmek için büyük dil modellerini kullanan yenilikçi bir sistem geliştirdi. Geleneksel yöntemler karmaşık programlama bilgisi gerektirirken, yeni sistem doğal dil komutlarıyla çalışıyor. Kullanıcılar basit Türkçe talimatlar vererek göz takip verilerini analiz edebiliyor. Sistem ham verileri otomatik olarak inceleyip temizliyor, göz hareketlerini kategorize ediyor ve sonuçları anlaşılır raporlar halinde sunuyor. Bu gelişme, göz takip teknolojisini sadece uzman laboratuvarlardan çıkarıp daha geniş kullanıcı kitlesine açıyor.

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.

Yapay zeka sistemlerinde anomali tespiti, beklenmeyen durumları fark etmek için kritik bir yetenektir. Ancak yeni bir araştırma, mevcut sistemlerin önemli bir eksikliği olduğunu ortaya koyuyor: bağlamı göz ardı etme. Bir durum belirli koşullarda normal olabilirken, başka koşullarda anormal sayılabilir. Örneğin, bir fabrikada gece vardiyasında düşük ses seviyesi normal iken, gündüz vardiyasında aynı ses seviyesi arıza işareti olabilir. Araştırmacılar, bu bağlamsal çıkarım eksikliğinin sistemlerin performansını düşürdüğünü ve güvenilmez sonuçlar verdiğini tespit etti. Dinamik ortamlarda çalışan yapay zeka sistemleri için bu sorun daha da kritik hale geliyor.

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.

Araştırmacılar, T hücresi reseptörlerinin peptid-MHC molekül bağlanmalarını tahmin etmek için yeni bir yapay zeka modeli geliştirdi. Bu sistem, aşı tasarımı ve T hücresi tedavilerinde kritik öneme sahip. Yeni yaklaşım, modelin eğitim sırasında görmediği epitoplarla karşılaştığında sessizce yanlış güven skoru vermesi sorununu çözmeyi hedefliyor. Araştırmacılar, güvenilir tahminler yapabilmek için 'seçici tahmin' yaklaşımını benimsiyor - model ya güvenilir bir skor verir ya da açıkça karar vermekten kaçınır. Dual-encoder mimarisi kullanan sistem, protein dil modeliyle eğitilmiş ve sıcaklık ölçeklendirmesi ile kalibre edilmiş. Conformal abstention kuralı sayesinde kullanıcının belirlediği hata oranında finite-sample kapsama garantisi sağlıyor. Üç farklı test stratejisinde değerlendirilen method, AUROC 0.813 ve ECE 0.043 değerlerine ulaştı.

Bilim insanları, bağışıklık sistemi T hücrelerinin hangi hedefleri tanıyacağını tahmin eden yapay zeka modellerinde önemli bir sorunu çözdü. Mevcut modeller, gerçek biyolojik mekanizmalar yerine veri setlerindeki sahte ilişkileri öğreniyordu. Araştırmacılar, varsayımsal peptit düzenlemeleri yaparak modelleri eğiten yeni bir yöntem geliştirdi. Bu yaklaşım, T hücre reseptörlerinin hedef tanıma mekanizmasını daha doğru modelliyor ve bağışıklık araştırmalarında önemli ilerlemeler sağlayabilir.

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.

Büyük dil modelleri telekomünikasyon sektöründe 3GPP spesifikasyon analizi ve ağ sorun giderme gibi karmaşık görevlerde kullanılıyor. Ancak bu modellerin kendi cevaplarına dair güven skorları genellikle yanıltıcı ve aşırı iyimser çıkıyor. Araştırmacılar, Gemma-3 model ailesi üzerinde yaptıkları çalışmada standart tek geçişli güven tahminlerinin yetersiz kaldığını gösterdi. Sorunun çözümü için Twin-Pass Chain of Thought yöntemi adı verilen yeni bir yaklaşım geliştirdiler. Bu teknik, birden fazla bağımsız düşünce zinciri kullanarak modelin kendi doğruluğunu değerlendirme yeteneğini artırıyor. Telekomünikasyon alanında AI güvenilirliğinin kritik öneme sahip olduğu düşünüldüğünde, bu gelişme sektörün AI benimseme sürecini hızlandırabilir.

Araştırmacılar, yapay zeka tabanlı arama sistemlerinde kritik bir sorunla karşı karşıya: kullanıcı davranışları zaman içinde değişince sistemin performansı düşüyor. Geleneksel arama sistemleri en yakın eşleşmeyi bulurken, yeni nesil sistemler her öğeye benzersiz tanımlayıcılar vererek aramayı metin üretimi problemi haline getiriyor. Bu yaklaşım başlangıçta etkili olsa da, kullanıcı etkileşim kalıpları değiştikçe tanımlayıcılar güncelliğini kaybediyor. Mevcut çözümler ya sabit tanımlayıcı setleri kullanıyor ya da sistemi sıfırdan yeniden eğitiyor. Bu durumda hem maliyet artıyor hem de sürekli güncelleme zorlaşıyor. Yeni araştırma, bu sorunun ne kadar ciddi olduğunu kronolojik testlerle analiz ediyor ve hafif, model-bağımsız bir güncelleme yöntemi öneriyor.

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.