Nörobilim ve makine öğrenmesi alanlarında yaygın olarak kullanılan beyin bölgeleri arası karşılaştırma yöntemlerinin ciddi bir zayıflığı olduğu ortaya çıktı. Representational Similarity Analysis (RSA) gibi popüler tekniklerin, tüm nöron populasyonunu temsil ettiği varsayılan benzerlik analizlerinin aslında çok küçük nöron grupları tarafından şekillendirildiği belirlendi. Bu durum, farklı beyin bölgeleri ve organizmaların karşılaştırılmasında kullanılan mevcut yaklaşımların güvenilirliğini sorgulatıyor. Araştırmacılar, bu sorunun çözümü için alternatif 'kodlama paradigması' yaklaşımını öneriyor.

Araştırmacılar, küçük dil modellerinin tablo verilerini analiz ederken hangi hücrelerden bilgi aldığını şeffaf bir şekilde gösterebilen RSAT yöntemini geliştirdi. Bu yenilik, yapay zeka sistemlerinin güvenilirliği açısından önemli bir adım. 1-8 milyar parametreli modeller üzerinde test edilen sistem, her akıl yürütme adımını kaynak hücrelerle eşleştirerek doğrulanabilir sonuçlar üretiyor. Geleneksel yaklaşımlarda kullanıcılar, AI'nın hangi verileri kullanarak sonuca ulaştığını bilemiyordu. RSAT ise adım adım mantık yürütme sürecinde kullanılan her tablo hücresini işaret ederek bu sorunu çözüyor. Test sonuçları, sistemin güvenilirliğini 3,7 kat artırdığını ve kaynak gösterme doğruluğunun yüzde 99,2'ye ulaştığını gösteriyor.

Araştırmacılar, ses işleyen büyük yapay zeka modellerinin gerçek dünya koşullarındaki performansını ölçmek için RSA-Bench adlı yeni bir test platformu geliştirdi. Mevcut değerlendirme yöntemleri yapay gürültü ve basit müdahaleler kullanırken, yeni platform gerçek akustik ortamların karmaşık yapısını simüle ediyor. Çayır, aşırı hava koşulları, sınıf ve açık alan gibi çeşitli çevre ses manzaralarını temiz konuşma sinyalleriyle birleştiren sistem, ses AI modellerinin gerçek dünyadaki dayanıklılığını test ediyor. Bu gelişme, ses teknolojilerinin pratik uygulamalarda daha güvenilir çalışması için kritik önem taşıyor.