Araştırmacılar, hastane ve okul gibi sınırlı bütçeli kuruluşları siber saldırılara karşı korumak için açık kaynak kodlu bir ağ güvenlik sistemi geliştirdi. ML Defender adı verilen bu sistem, yaklaşık 150-200 dolarlık donanımla çalışabiliyor ve makine öğrenmesi algoritmalarını kullanarak botnet ve DDoS saldırılarını tespit ediyor. Sistem, kural tabanlı hızlı tespit mekanizması ile rastgele orman sınıflandırıcısını birleştirerek yanlış alarm oranını 500 kat azaltmayı başarıyor. CTU-13 veri seti üzerindeki testlerde %99.85 F1 skoru ve %100 hassasiyet oranı elde eden sistem, siber güvenlikte kaynak kısıtlı organizasyonlar için umut verici bir çözüm sunuyor.

Araştırmacılar, DNA dizilerindeki düzenleyici motifleri keşfetmek için geleneksel yöntemlerin ötesine geçerek, MAP-Elites adlı yapay zeka algoritmasını kullandı. Geleneksel motif keşfi yöntemleri tek bir baskın motif bulurken, yeni yaklaşım biyolojik çeşitliliği koruyarak birden fazla olası motif açıklamasını ortaya çıkarıyor. İnsan karaciğer CTCF protein verilerinde yapılan denemelerde, algoritma motif özgüllüğü, yapısal kompozisyon ve kapsama alanı arasındaki dengeyi başarıyla yönetti. Bu gelişme, gen düzenleme mekanizmalarının daha iyi anlaşılmasına katkı sağlayabilir.

Araştırmacılar, yapay zeka ajanlarının görev dağıtımında devrim niteliğinde bir yaklaşım geliştirdi. CADMAS-CTX adlı yeni framework, ajanların yeteneklerini sabit kabul etmek yerine, görevin bağlamına göre değerlendiriyor. Örneğin bir kodlama ajanı kısa düzenlemelerde başarılı olurken, uzun süreli hata ayıklama işlerinde zorlanabilir. Geleneksel sistemler bu farklılıkları göz ardı ederek yanlış görev dağıtımlarına neden oluyordu. Yeni sistem, her ajan için farklı beceri alanlarında ve bağlamlarda ayrı deneyim profilleri oluşturuyor. Görev dağıtımı yaparken hem performans ortalamasını hem de belirsizlik seviyesini dikkate alan risk bilincli bir yaklaşım benimsiyor. Bu sayede ajanlar, yalnızca bir meslektaşının gerçekten daha iyi olduğuna dair yeterli kanıt bulunduğunda görev devri yapıyor.

Araştırmacılar, tıp alanında kullanılan dev veri tabanı SNOMED CT'den bilgi arama işlemini kolaylaştıran yeni bir yapay zeka modeli geliştirdi. Bu sistem, tıbbi terimler arasındaki hiyerarşik ilişkileri anlayabiliyor ve daha önce veri tabanında bulunmayan sorguları bile başarıyla işleyebiliyor. SNOMED CT, dünya genelinde hastane ve sağlık sistemlerinde kullanılan dev bir tıbbi terminoloji veri tabanı olmasına rağmen, içindeki bilgilere erişim dilbilimsel zorluklar nedeniyle kompleks. Yeni yaklaşım, dil modellerini hiperbolik uzayda kullanarak bu sorunu çözüyor ve tıbbi kavramlar arasındaki alt-üst ilişkilerini daha doğru şekilde tespit ediyor.

Çinli araştırmacılar, Shanghai Borsası endeks tahminlerinde devrim yaratabilecek yeni bir yapay zeka modeli geliştirdi. CTLNet adı verilen bu hibrit sistem, üç farklı derin öğrenme teknolojisini birleştireyor: konvolüsyonel sinir ağları (CNN), transformer mimarisi ve LSTM ağları. Model, geleneksel tek-teknoloji yaklaşımlarının aksine, her bir yöntemin güçlü yanlarını harmanlayarak finansal verilerdeki karmaşık kalıpları daha başarılı şekilde yakalıyor. Transformer'ın dikkat mekanizması uzun vadeli bağımlılıkları analiz ederken, CNN yerel kalıpları, LSTM ise zamansal dizilerdeki değişimleri işliyor. Yapılan karşılaştırmalı testlerde, CTLNet'in mevcut en gelişmiş modelleri geride bıraktığı görüldü. Bu gelişme, sadece Çin borsası için değil, global finansal piyasaların yapay zeka destekli analizi için önemli bir adım sayılıyor.

Araştırmacılar, dil ve ayrık veri üretimi için kullanılan difüzyon modellerinde çığır açan yeni bir yaklaşım geliştirdi. Neural Continuous-Time Markov Chain (Neural CTMC) adlı bu yöntem, sürekli zamanlı Markov zincirlerinin temel yapısını iki ayrı bileşene ayırarak daha etkili sonuçlar elde ediyor. Mevcut yöntemler tersine oran matrisini tek bir nesne olarak ele alırken, yeni yaklaşım 'ne zaman zıplama yapılacağı' ve 'nereye zıplanacağı' sorularını iki ayrı ağ başlığıyla çözüyor. Bu matematiksel ayrıştırma, Poisson süreçlerinin doğal yapısına daha uygun olduğu için daha verimli ve teorik temellere dayalı bir çözüm sunuyor. Yapay zeka modellerinin metin ve kategorik veri üretme yeteneklerini artırabilecek bu yenilik, özellikle doğal dil işleme alanında önemli gelişmelere yol açabilir.

Araştırmacılar, büyük dil modellerinin siber güvenlik görevlerindeki performansını daha etkili şekilde değerlendirmek için yeni bir yöntem geliştirdi. Geleneksel testlerin aksine, bu yaklaşım aynı güvenlik açığını farklı kod versiyonlarında test ederek yapay zeka ajanlarının ne kadar sağlam olduğunu ölçüyor. Evolve-CTF adlı araç, Python tabanlı siber güvenlik zorluklarından semantik olarak eşdeğer alternatifler üretiyor. 13 farklı yapay zeka modelinin test edildiği çalışmada, modellerin değişken adı değişikliklerine ve kod eklemelerine oldukça dayanıklı olduğu, ancak daha karmaşık dönüşümler ve kod gizleme teknikleri karşısında performanslarının düştüğü görüldü.

Yapay zeka sistemlerinin göğüs tomografisi görüntülerini analiz etme başarısı, gerçekte olduğundan çok daha yüksek görünüyor. Araştırmacılar, mevcut test yöntemlerinin ciddi bir hata içerdiğini keşfetti. Eğitim ve test verilerinde aynı hastalardan alınan görüntülerin karışması, yapay zekanın performansını olduğundan 3 kat daha iyi gösteriyor. Yeni geliştirilen CTSCAN kıyaslama sistemi bu sorunu çözmeyi hedefliyor. Doğru test yöntemleri uygulandığında, yapay zeka sistemlerinin başarı oranı %66'dan %20'ye düşüyor. Bu bulgular, tıp alanında yapay zeka sistemlerinin güvenilirliği konusunda önemli sorular ortaya çıkarıyor ve daha titiz test protokollerine ihtiyaç olduğunu gösteriyor.