“hesaplama maliyeti” için sonuçlar
66 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yapay Zeka Devrelerini Keşfetmek İçin Yeni PIE Çerçevesi Geliştirildi
Araştırmacılar, yapay zeka sistemlerinin nasıl çalıştığını anlamamıza yardımcı olacak yeni bir framework geliştirdi. PIE adı verilen bu sistem, büyük dil modellerinde önemli özellikleri belirleyip gereksiz olanları ayıklayarak, hem hesaplama maliyetini düşürüyor hem de modelin davranışını daha iyi anlamamızı sağlıyor. Cross-layer transcoder (CLT) teknolojisini kullanan bu yaklaşım, modelin hangi özelliklerinin kritik olduğunu tespit ederek, yorumlanabilirlik alanında önemli bir ilerleme sunuyor. Bu gelişme, yapay zeka sistemlerinin şeffaflığını artırarak daha güvenilir AI teknolojilerinin geliştirilmesine katkıda bulunabilir.
Görsel-Dil Yapay Zeka Modellerinde Yeni Optimizasyon Yöntemi
Araştırmacılar, görsel-dil yapay zeka modellerinin hesaplama maliyetini azaltmak için yenilikçi bir yöntem geliştirdi. QUOTA adlı bu sistem, modellerin hem veri boyutunu küçültme hem de gereksiz bilgileri eleme işlemlerini birlikte optimize ediyor. Günümüzde görsel içerikleri anlayıp metin üretebilen AI modelleri, yüksek hesaplama gücü gerektirdiği için pratik kullanımda zorluklar yaşanıyor. Yeni yaklaşım, bu modellerin daha az kaynak tüketmesini sağlarken performanslarını koruyor. Geliştirilen framework, özellikle mobil cihazlar ve sınırlı donanıma sahip sistemlerde AI uygulamalarının yaygınlaşmasına katkı sağlayabilir.
Çinli araştırmacılar tıbbi metin arama sistemlerini hızlandıran yeni yapay zeka modeli geliştirdi
Çin'den araştırmacılar, tıbbi metinlerde arama yapan yapay zeka sistemlerinin hem daha hızlı hem de daha doğru çalışmasını sağlayan yeni bir model geliştirdi. CARE adı verilen bu sistem, asimetrik kodlayıcı mimarisi kullanarak büyük dil modellerinin yüksek hesaplama maliyeti sorununu çözmeyi hedefliyor. Araştırma ekibi aynı zamanda Çince tıbbi metinler için kapsamlı bir değerlendirme standardı olan CMedTEB'i de tanıttı. Bu benchmark, klinik uzmanların doğrulamasından geçen çoklu yapay zeka oylama sistemiyle hazırlandı ve metin arama, yeniden sıralama ve anlamsal benzerlik gibi üç farklı görevde sistem performansını test ediyor. Yeni yaklaşım, gerçek zamanlı tıbbi bilgi sistemlerinde kullanım potansiyeli taşıyor.
Yapay Zeka Araştırma Sistemleri İçin Akıllı Derinlik Ayarlama Teknolojisi
Araştırmacılar, büyük dil modellerinin karmaşık soruları çözmek için dış kaynaklardan bilgi topladığı RAG sistemlerinde önemli bir sorun çözdü. Bu sistemler genellikle gereksiz arama adımları yaparak zaman ve kaynak israfına neden oluyor. MIT ve diğer kurumlardan bilim insanları, AutoSearch adlı pekiştirmeli öğrenme tabanlı bir çerçeve geliştirdi. Sistem, her arama adımını değerlendirerek optimal derinliği belirliyor ve gereksiz aramalardan kaçınıyor. Bu yaklaşım, hem doğruluğu koruyor hem de hesaplama maliyetini önemli ölçüde düşürüyor. Geliştirilen teknoloji, yapay zeka asistanlarının daha verimli çalışması için kritik öneme sahip.
RAYEN: Yapay Sinir Ağlarına Sert Matematiksel Kısıtlamalar Getiren Yeni Çerçeve
Araştırmacılar, yapay sinir ağlarının çıktılarına matematiksel kısıtlamalar uygulayabilen RAYEN adlı yeni bir çerçeve geliştirdi. Robotik uygulamalarında kritik olan bu yaklaşım, sinir ağlarının güvenlik gereksinimleri veya fiziksel sınırları ihlal etmesini önlüyor. RAYEN, eğitim ve test aşamalarında bu kısıtlamaların her zaman karşılanmasını garanti ederken, hesaplama maliyetini minimum seviyede tutuyor. Mevcut yöntemlerin aksine, pahalı matematiksel işlemler veya yaklaşık çözümler gerektirmiyor. Bu gelişme, otonom araçlardan robotik sistemlere kadar güvenlik kritik uygulamalarda yapay zekanın daha güvenilir kullanımını mümkün kılıyor.
Güneş Enerjisi Tahmininde Yeni Dönem: Fizik Kurallarını Bilen Yapay Zeka
Şebeke bağlantısı olmayan güneş enerjisi sistemlerinin güvenilir çalışması için araştırmacılar, fizik kurallarını içeren yeni bir yapay zeka modeli geliştirdi. Physics-Informed State Space Model (PISSM) adlı bu sistem, güneş ışınımını tahmin ederken hem yüksek doğruluk hem de düşük hesaplama maliyeti sunuyor. Geleneksel derin öğrenme modellerinin aksine, güneşin günlük döngüsü ve atmosferik koşulları gibi fiziksel gerçekleri dikkate alarak imkansız tahminler üretmeyi engelliyor. Model, küçük işlemcilerde bile çalışabilecek kadar hafif tasarlanmış ve meteorolojik sensör verilerindeki gürültüyü filtreleyebiliyor. Bu gelişme, özellikle uzak bölgelerdeki güneş enerjisi sistemlerinin daha verimli yönetilmesi açısından önemli bir adım.
Yapay Zeka Modelleri Artık Kendi Eğitim Verilerini Seçebiliyor
Araştırmacılar, görsel-dil modellerinin eğitimi için kaliteli veri seçiminde yeni bir yaklaşım geliştirdi. DOSE adlı bu yöntem, önceden eğitilmiş modelleri kullanarak hedef veriler üzerinde hiç eğitilmemiş olan yapay zeka sistemlerinin, daha büyük modeller için uygun eğitim örneklerini belirleyebileceğini gösteriyor. Mevcut çok modlu veri setleri genellikle gürültülü, tekrarlayan ve zayıf hizalanmış örnekler içeriyor. Geleneksel filtreleme yöntemleri ekstra hesaplama maliyeti getirirken, DOSE bu sorunu çözmek için raf dışı modelleri kullanıyor. Bu yaklaşım, metin kalitesi ve görsel-metin uyumunu değerlendirerek bilgilendirici örnekleri seçiyor.
DisCa: Video Yapay Zeka Üretiminde Hız ve Kalite Sorununa Yenilikçi Çözüm
Yapay zeka ile video üretimi alanında büyük ilerlemeler kaydedilirken, hesaplama maliyeti de hızla artıyor. Mevcut hızlandırma yöntemleri arasında özellik önbellekleme (Feature Caching) popüler olsa da, sıkıştırma artırıldığında kalite kaybı yaşanıyor. Adım-damıtma (step-distillation) yöntemi ise görüntü üretiminde başarılı olmasına rağmen video üretiminde performans düşüşü gösteriyor. Araştırmacılar bu sorunlara DisCa adlı yeni bir yaklaşım geliştirdi. Bu yöntem, geleneksel eğitimsiz sezgisel yöntemler yerine hafif bir öğrenebilir sinir ağı öngörücüsü kullanarak, damıtma uyumlu öğrenebilir özellik önbellekleme mekanizması sunuyor. Böylece hem hız artışı sağlanırken hem de video kalitesi korunabiliyor.
Yapay Zeka Uzun Videoları Nasıl Anlayacak? Q-Gate ile Akıllı Kare Seçimi
Uzun videoları anlama konusunda yapay zeka modellerinin karşılaştığı en büyük sorun, binlerce kareyi işlemenin getirdiği hesaplama maliyeti. Araştırmacılar bu sorunu çözmek için Q-Gate adında yeni bir sistem geliştirdi. Mevcut yöntemler genellikle tek bir görsel metrik kullanarak önemli kareleri seçerken, Q-Gate sorulan sorunun türüne göre farklı yaklaşımlar benimsiyor. Sistem, görsel detaylar için Visual Grounding, sahne anlamları için Global Matching ve altyazı odaklı anlatımlar için Contextual Alignment olmak üzere üç farklı uzman akış kullanıyor. Bu dinamik yaklaşım sayesinde, görsel sorular için sadece görsel verilere odaklanırken, hikaye odaklı sorular için metin bilgilerini de devreye alabiliyor. Ek eğitim gerektirmeyen bu sistem, mevcut video anlama modellerine kolayca entegre edilebiliyor.
Yapay Zeka Asistanları Artık Kuralları Hafızasında Saklayabilecek
ChatGPT ve Alexa gibi konuşan yapay zeka sistemleri, şu anda karmaşık politika kurallarını her seferinde bellekte tutmak zorunda kalıyor. Bu durum hem hesaplama maliyetini artırıyor hem de kuralları takip etmeyi zorlaştırıyor. Araştırmacılar, Çok Modlu Politika İçselleştirme adını verdikleri yeni bir yaklaşım geliştirdi. Bu teknoloji, görsel ve metin tabanlı kuralları doğrudan yapay zeka modelinin parametrelerine gömüyor. Böylece sistem, her işlem sırasında kuralları yeniden yüklemek yerine bunları kalıcı hafızasında saklayabiliyor. Özellikle görsel içeriklerle çalışan çok modlu asistanlar için kritik olan bu gelişme, hem performansı artırıyor hem de maliyetleri düşürüyor. Mevcut araştırmalar genellikle metin tabanlı güvenlik kurallarına odaklanırken, bu çalışma görsel davranış kurallarının da içselleştirilebileceğini gösteriyor.
Yapay Zeka Ne Zaman Susmalı? YZ'nin Akıllı Vazgeçme Stratejisi
Büyük dil modelleri bazen uzun ve yanlış cevaplar üreterek hesaplama gücünü boşa harcıyor. MIT araştırmacıları, yapay zekanın ne zaman cevap vermeyi bırakması gerektiğini belirleyen matematiksel bir çerçeve geliştirdi. Bu yöntem, YZ'nin mantık yürütme sürecinde her adımda durması gerekip gerekmediğini değerlendiren dinamik bir karar mekanizması sunuyor. Araştırma, pekiştirmeli öğrenme teorisini kullanarak, yapay zekanın hesaplama maliyeti ile bilgi kalitesi arasındaki dengeyi optimize edecek prensipli bir yaklaşım öneriyor.
Yapay Zeka Kontrol Sistemlerinde Yeni Açıklanabilirlik Yaklaşımı
Araştırmacılar, veri tabanlı kontrol sistemlerinin nasıl çalıştığını daha iyi anlamamızı sağlayan yeni bir matematiksel çerçeve geliştirdi. Linear Quadratic Regulation (LQR) adı verilen bu sistemler, robotlardan otonom araçlara kadar birçok alanda kullanılıyor. Ancak bu sistemlerin karmaşık matematiksel yapısı, mühendislerin neden belirli kararlar aldığını anlamalarını zorlaştırıyordu. Yeni yaklaşım, düzenlileştirme parametrelerinin sistem performansına olan etkilerini daha sezgisel bir şekilde açıklayarak bu sorunu çözüyor. Aynı zamanda gereksiz hesaplamaları elimine ederek hesaplama maliyetini de düşürüyor. Bu gelişme, özellikle güvenlik kritik uygulamalarda yapay zeka sistemlerinin daha şeffaf ve anlaşılır hale gelmesi açısından önemli bir adım.
Görsel Belgelerde Arama Yapan Yeni Yapay Zeka Sistemi HEAVEN Geliştirildi
Araştırmacılar, görsel açıdan zengin belgeler üzerinde arama yapmak için yeni bir hibrit sistem olan HEAVEN'ı geliştirdi. Bu sistem, hukuki araştırmalar, bilimsel doküman tarama ve kurumsal bilgi yönetimi gibi alanlarda kullanılmak üzere tasarlandı. Geleneksel yöntemlerin hız ve doğruluk arasındaki ikilemini çözmek için iki aşamalı bir yaklaşım benimseyen HEAVEN, önce tek vektör yöntemiyle hızlı tarama yapıyor, ardından çok vektörlü yöntemle sonuçları hassas bir şekilde sıralıyor. Sistem, görsel düzeni özetleyen sayfalar oluşturarak hesaplama maliyetini düşürürken doğruluğu koruyor. Araştırmacılar ayrıca sistemlerini test etmek için ViMDoc adlı yeni bir değerlendirme standardı da tanıttılar.
Karmaşık Sistemlerin Güvenilirliği İçin Yeni RSR Yöntemi Geliştirildi
Altyapı ağlarından tedarik zincirlerine kadar birçok kritik alanda kullanılan karmaşık sistemlerin güvenilirlik analizi, önemli bir mühendislik sorunu olarak karşımıza çıkıyor. Mevcut yöntemler, sistem bileşen sayısı arttıkça hesaplama yükü nedeniyle yetersiz kalıyor. Araştırmacılar bu soruna çözüm olarak Referans-durum Sistem Güvenilirliği (RSR) adlı yeni bir yöntem geliştirdi. Bu yenilikçi yaklaşım, geleneksel ayrıştırma tabanlı yöntemlerden farklı olarak Monte Carlo örneklemesi kullanarak hesaplama maliyetini önemli ölçüde azaltıyor. RSR yöntemi, sistem durumları arasındaki sınırları referans durumlar kullanarak belirliyor ancak durum uzayını keşfetme biçimi tamamen farklı. Geleneksel yöntemlerin aksine, referans durumları ayrık hiper-küpler oluşturmak yerine Monte Carlo örneklerini sınıflandırmak için kullanıyor. Bu yaklaşım sayesinde hesaplama maliyeti, referans durum sayısından çok daha az etkileniyor.
Yeni yapay zeka modeli video üretiminde devrim yaratıyor: FrameDiT teknolojisi
Araştırmacılar, yüksek kaliteli video üretimi için yenilikçi bir yapay zeka modeli geliştirdi. FrameDiT adlı bu teknoloji, Matrix Attention adı verilen özel bir dikkat mekanizması kullanarak videoların karmaşık hareket dinamiklerini daha verimli şekilde modelleyebiliyor. Geleneksel yöntemlerin aksine, her kareyi bir matris olarak işleyerek hem kaliteyi artırıyor hem de hesaplama maliyetini düşürüyor. Bu breakthrough, film endüstrisinden sosyal medyaya kadar birçok alanda video üretim süreçlerini köklü değiştirebilir. Diffusion Transformer mimarisi üzerine kurulu sistem, özellikle büyük hareketlerin olduğu sahnelerde geleneksel yöntemlerden üstün performans gösteriyor.
PiCa: Yapay Zeka Modellerini Eğitmek İçin Yeni Matematiksel Yöntem
Araştırmacılar, dev yapay zeka modellerini daha verimli bir şekilde özelleştirmek için PiCa adlı yeni bir matematiksel yöntem geliştirdi. Bu teknik, milyarlarca parametre içeren modelleri eğitirken hesaplama maliyetini önemli ölçüde azaltıyor. Geleneksel yöntemlerin aksine, PiCa sağlam teorik temellere dayalı bir yaklaşım sunuyor ve gradyanları önceden eğitilmiş ağırlıkların ana sütun uzayına yansıtarak parametre verimliliğini artırıyor. Bu gelişme, yapay zeka modellerinin daha geniş kitlelere erişimini kolaylaştırabilir.
Yapay zeka optimizasyonunda çığır açan RASP-Tuner: Değişken ortamlarda akıllı adaptasyon
Araştırmacılar, sürekli değişen koşullarda çalışan sistemleri optimize etmek için RASP-Tuner adlı yenilikçi bir algoritma geliştirdi. Bu sistem, geçmiş deneyimlerden yararlanarak karmaşık optimizasyon problemlerini daha hızlı ve verimli şekilde çözer. Geleneksel yöntemlerin aksine, her değişiklik karşısında sıfırdan başlamak yerine benzer durumları hatırlayarak adapte olur. Özellikle sürekli ayar gerektiren endüstriyel uygulamalar, otomotiv sistemleri ve yapay zeka modellerinin optimizasyonu için büyük potansiyel taşıyor. Algoritma, hem hesaplama maliyetini düşürüyor hem de performansı artırıyor.
Otonom araçlar için çok araçlı harita oluşturma teknolojisi geliştirildi
Araştırmacılar, otonom sürüş için kritik öneme sahip vektörize haritaların oluşturulmasında yeni bir yaklaşım geliştirdi. OptiMVMap adlı sistem, tek araç perspektifinin sınırlarını aşarak çevredeki diğer araçların görüş açılarını da kullanıyor. Geleneksel yöntemler sadece bir aracın gözlem verilerine dayanırken, bu da görüş alanı eksikliği ve engellenen bölgelerin tespit edilememesi sorunlarına yol açıyordu. Yeni sistem, stratejik araç seçimi ve akıllı veri birleştirme teknikleriyle hem hesaplama maliyetini düşürüyor hem de daha kapsamlı haritalar oluşturuyor. Bu gelişme, otonom araçların çevre algılama yeteneklerini önemli ölçüde artırabilir.
Görüntü İşlemede Devrim: Yapay Zeka Gözlerini Mekansal Algıyla Açıyor
Bilgisayarlı görme alanında çığır açan Vision Transformer (ViT) teknolojisi, yeni bir evrime tanık oluyor. Araştırmacılar, mevcut sistemlerin mekansal bilgileri yetersiz işlemesi ve yüksek hesaplama maliyeti sorunlarını çözmek için RMT ve EVT adlı yenilikçi yaklaşımlar geliştirdi. Bu sistemler, Manhattan ve Öklid mesafe hesaplamalarını kullanarak yapay zekanın görsel bilgileri daha doğal ve verimli şekilde işlemesini sağlıyor. Özellikle EVT modeli, mekansal ilişkileri daha hassas bir şekilde modelleyerek görüntü tanıma ve analiz yeteneklerinde önemli ilerlemeler sunuyor.
Yapay Zeka Eğitiminde Devrim: Temel Ağırlık Yöntemiyle %90 Daha Az Hesaplama
Stanford araştırmacıları, büyük dil modellerinin eğitiminde çığır açan bir keşif yaptı. Geleneksel yöntemlerde modelin tüm parametreleri güncellenmesi gerekirken, yeni 'Principal Weights' tekniği sadece kritik ağırlıkları belirleyerek aynı performansı çok daha az hesaplama gücüyle elde ediyor. Araştırma, düşük boyutlu yaklaşım sonrası en yüksek değerli ağırlıkların muhakeme yetenekleri için en kritik olduğunu ortaya koyuyor. Bu buluş, yapay zeka modellerinin eğitiminde hem maliyet hem de zaman açısından büyük tasarruf sağlayabilir.
PowerCLIP: Yapay Zeka Görsel-Metin Anlayışında Yeni Dönem
Araştırmacılar, yapay zekanın görsel ve metinsel içeriği birlikte anlamasını geliştiren PowerCLIP adlı yeni bir sistem geliştirdi. Mevcut CLIP teknolojisi tek kelimelerle görsel bölgeleri eşleştirirken, PowerCLIP birden fazla görsel bölgeyi kapsayan karmaşık anlamları yakalayabiliyor. Sistem, görsel bölgelerin her türlü kombinasyonunu metin parçalarıyla eşleştirerek çalışıyor. Bu yaklaşım teorik olarak üstel hesaplama maliyeti gerektirse de, araştırmacılar geliştirdikleri özel algoritmayla bu karmaşıklığı önemli ölçüde azalttı. PowerCLIP'in en önemli avantajı, görüntülerdeki nesneler arası ilişkileri ve bağlamsal anlamları daha iyi kavrayabilmesi. Bu gelişme, yapay zekanın görsel içeriği anlama ve tanımlama yeteneğinde önemli bir ilerleme anlamına geliyor.
Mobil Cihazlarda Ultra Gerçekçi Dijital Avatarlar Artık Mümkün
Araştırmacılar, yüksek kaliteli dijital insanları mobil cihazlarda çalıştırabilecek yeni bir teknoloji geliştirdi. MUA (Mobile Ultra-detailed Animatable Avatars) adlı sistem, daha önce sadece güçlü sunucu bilgisayarlarda mümkün olan gerçekçi avatar animasyonlarını VR başlıkları gibi sınırlı kaynaklara sahip cihazlarda da çalıştırabiliyor. Sistem, dalga tabanlı çok seviyeli uzamsal faktörize karışım şekilleri kullanarak hem yüksek görsel kaliteyi hem de düşük hesaplama maliyetini aynı anda başarıyor. Bu gelişme, sanal gerçeklik, oyun ve dijital iletişim alanlarında önemli ilerlemeler sağlayabilir.
Yapay Zeka Modellerinde Belirsizlik Ölçümü için Yeni Durdurma Kuralı Geliştirildi
Araştırmacılar, derin öğrenme modellerinde belirsizlik tahminini iyileştiren Bayesci Derin Topluluklarının (BDE) eğitim süresini optimize etmek için E-değer tabanlı yeni bir yöntem geliştirdi. Bu yaklaşım, pahalı örnekleme işleminin ne zaman durdurulması gerektiğini istatistiksel hipotez testleriyle belirliyor. Derin öğrenme modellerinin güvenilirlik ölçümü kritik uygulamalarda hayati önem taşırken, mevcut yöntemler hesaplama maliyeti açısından zorlayıcı olabiliyor. Yeni teknik, model performansında anlamlı iyileşme olmadığında eğitimi otomatik olarak sonlandırarak hem zaman hem de kaynak tasarrufu sağlıyor. Bu gelişme, özellikle sağlık ve otonom sistemler gibi güvenilirlik gerektiren alanlarda yapay zeka modellerinin daha etkin kullanımına olanak tanıyacak.
Yapay Zeka Modellerinin Güvenilirliği Artık Tasarım Aşamasında Test Edilebilecek
Araştırmacılar, yapay zeka modellerinin güvenilirliğini eğitim başlamadan önce tasarım aşamasında doğrulayabilen yeni bir yöntem geliştirdi. Geleneksel yaklaşımın aksine, bu teknik modelin sayısal kararlılığı, hesaplama doğruluğu ve fiziksel alanlarla tutarlılığı gibi kritik özellikleri önceden test edebiliyor. Özellikle yüksek riskli karar destek sistemleri ve bilimsel uygulamalarda kullanılacak AI modelleri için büyük önem taşıyan bu gelişme, minimal hesaplama maliyetiyle güvenilir yapay zeka sistemleri oluşturulmasını mümkün kılıyor. Yöntem, matematiksel olarak sonlu üretilmiş değişmeli gruplar üzerine kurulu özel bir cebirsel yapı kullanıyor.