Araştırmacılar, artan hava trafiğinin yarattığı darboğazı çözmek için yapay zeka destekli yeni bir hava sahası yönetim sistemi geliştirdi. Geleneksel hava trafik kontrolü, hava sahasını belirli bölgelere ayırarak çalışır ancak trafik arttıkça bu sistem yetersiz kalır. Yeni sistem, XGBoost sınıflandırıcısı kullanarak optimal 3D ızgara konfigürasyonunu %91,38 doğrulukla tahmin ediyor. Sistem ayrıca, uçakların kendi aralarında sektör girişlerini koordine etmesini sağlayan lidersiz Paxos konsensüs protokolü kullanıyor ve %96'nın üzerinde giriş başarı oranı elde ediyor. Bayesian optimizasyon ile desteklenen bu yaklaşım, insan denetimini koruyarak hava sahası operasyonlarını otomatikleştiriyor ve gelecekte özerk hava araçlarının güvenli entegrasyonu için kritik öneme sahip.

Modern bilişim dünyasında dağıtık sistemler, binlerce sunucunun koordineli çalışmasını gerektiren karmaşık yapılardır. Bu sistemlerde bellek kaynaklarının verimli dağıtımı kritik önem taşır - çok az bellek ayırırsanız sistem çöker, fazla ayırırsanız kaynak israfı olur. Araştırmacılar, bu dengeyi kurmak için makine öğrenmesi tabanlı yeni bir yaklaşım geliştirdi. LightGBM ve XGBoost algoritmalarını birleştiren hibrit model, gelecekteki bellek ihtiyaçlarını önceden tahmin ederek optimal kaynak dağıtımı yapıyor. SAP'nin gerçek veri setiyle yapılan testlerde çarpıcı sonuçlar elde edildi: yetersiz bellek ayırma oranı %4.17'den %2.89'a, gereksiz aşırı ayırma ise %148'den %44.51'e düştü. Bu teknoloji, bulut bilişim ve büyük ölçekli sistemlerin maliyetlerini önemli ölçüde azaltırken performansı artırıyor.

Araştırmacılar, yapay zeka destekli soru-cevap sistemlerinin performansını artıran yeni bir yaklaşım geliştirdi. LTRR adlı bu sistem, farklı soru türlerine göre en uygun arama motorunu otomatik olarak seçiyor. Geleneksel sistemler tek bir sabit arama motoru kullanırken, yeni yaklaşım her soru için en etkili arama aracını dinamik olarak belirliyor. Çeşitli test senaryolarında yapılan denemelerde, bu akıllı yönlendirme sisteminin mevcut en güçlü tek motor sistemlerinden bile daha başarılı sonuçlar verdiği görüldü. Özellikle XGBoost algoritması kullanıldığında ve cevap doğruluğu odaklı eğitim yapıldığında sistem en iyi performansı gösteriyor. Bu gelişme, ChatGPT benzeri yapay zeka asistanlarının daha doğru ve kapsamlı yanıtlar verebilmesi için önemli bir adım teşkil ediyor.

Araştırmacılar, analog optik bilgisayarın gerçek dünya verilerindeki performansını test etmek için 5,84 milyon ABD mortgage kaydını kullandı. Bu çalışma, optik bilgisayarların küçük ölçekli görüntü işleme testlerinin ötesine geçen ilk büyük veri uygulaması olma özelliği taşıyor. Sonuçlar, analog optik bilgisayarın %94,6 doğruluk oranına ulaştığını, ancak XGBoost algoritmasının %97,9'luk performansının gerisinde kaldığını gösteriyor. Araştırma, optik bilgisayarlardaki doğruluk kayıplarının üç ana kaynağını belirledi: kodlama, mimari tasarım ve donanım sınırlamaları. İlginç şekilde, donanımsal kusurların performansta ölçülebilir bir etki yaratmadığı gözlendi. Bu bulgular, analog optik bilgisayarların yapay zeka uygulamalarında kullanılabilirliğini değerlendirmek için önemli veriler sunuyor.