“varan” için sonuçlar
30 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yapay Zeka Eğitim Süresi Tahmini İçin Hassasiyet Tabanlı Yeni Yöntem
Dağıtık derin öğrenme sistemlerinde eğitim süresinin doğru tahmin edilmesi, kaynak planlaması ve maliyet hesaplaması açısından kritik önem taşıyor. Yeni araştırma, kayan nokta hassasiyet ayarlarının eğitim süresini 2,4 kata kadar etkileyebildiğini ortaya koyuyor. Mevcut tahmin yöntemleri karışık hassasiyet kullanımını göz ardı ettiği için %147'ye varan hata oranları yaşanabiliyor. Bilim insanları, hassasiyet değişkenlerini dikkate alan yeni bir tahmin modeli geliştirerek hata oranını %9,8'e düşürmeyi başardı.
Tek Örnekle Öğrenen Yapay Zeka: 1S-DAug ile Yeni Bir Dönem
Stanford araştırmacıları, yapay zekanın tek bir görsel örnekten öğrenmesini sağlayan devrim niteliğinde bir yöntem geliştirdi. 1S-DAug adlı bu teknik, sadece bir görüntüden yola çıkarak çeşitli varyasyonlar üretip bunları birleştirerek daha güvenilir tahminler yapabiliyor. Geleneksel makine öğrenmesi yöntemlerinin binlerce örnek gerektirdiği durumlarda, bu yeni yaklaşım minimal veriyle maksimum performans elde etmeyi hedefliyor. miniImageNet veri setinde %20'ye varan doğruluk artışı sağlayan sistem, mevcut modellere eklenti olarak entegre edilebiliyor. Bu gelişme, tıbbi görüntü analizi ve nadir türlerin tanınması gibi sınırlı veri bulunan alanlarda yapay zeka kullanımına yeni kapılar açıyor.
Cep telefonu verilerindeki sosyoekonomik önyargı nasıl düzeltilir?
Cep telefonu şebekelerinden elde edilen veriler, insan hareketliliğini anlamak için sıkça kullanılıyor ancak bu verilerde ciddi bir sorun var: sosyoekonomik önyargı. Şili'nin başkenti Santiago'da yapılan yeni bir araştırma, tek bir operatörün verilerinin gerçek nüfusu temsil etmediğini ortaya koyuyor. Araştırmacılar, çok seviyeli regresyon ve tabakalaştırma yöntemiyle bu önyargıyı düzeltmeyi başardı. Bu yeni yaklaşım, hareket yarıçapı gibi önemli metriklerde yüzde 17'ye varan düzeltmeler sağladı. Çalışma, büyük veri analizlerinde demografik dengesizliklerin nasıl giderilebileceği konusunda önemli bir yöntem sunuyor.
Giyilebilir cihazlarda biyosinyaller için yapay zeka eğitimi artık mümkün
Stanford araştırmacıları, giyilebilir sağlık cihazlarında yapay zeka modellerinin doğrudan cihaz üzerinde eğitilmesini sağlayan BioTrain sistemini geliştirdi. EEG ve göz hareketleri gibi biyosinyallerde kişiler arası büyük farklılıklar bulunması, yapay zeka modellerinin performansını ciddi şekilde düşürüyor. Geleneksel yöntemlerle bu sorunu çözmek için bulut tabanlı işlem gerekirken, bu yaklaşım gizlilik endişelerini beraberinde getiriyor. BioTrain, 50 miliwat altında güç tüketimiyle ve 1 megabayt altında bellek kullanımıyla tam ağ eğitimi yapabiliyor. Sistem, hem yeni kullanıcılar için ilk gün kalibrasyonunda hem de uzun vadeli sinyal değişimlerine uyumda test edildi. Sonuçlar, bu yaklaşımın doğruluk oranında yüzde 35'e varan iyileşmeler sağladığını gösteriyor. Bu teknoloji, giyilebilir sağlık cihazlarının kişiselleştirilmesi ve güvenilirliği açısından önemli bir adım teşkil ediyor.
Korece Yapay Zeka Modelleri Yerel Kültürde Zorlanıyor
Güney Koreli araştırmacılar, yapay zeka modellerinin Korece dilinde ve kültürel bağlamda ne kadar başarılı olduğunu ölçmek için KMMMU adlı yeni bir test sistemi geliştirdi. 3.466 sorudan oluşan bu kapsamlı değerlendirme, matematik, fen bilimleri ve sosyal bilimler gibi dokuz farklı alandaki görselli soruları içeriyor. Test sonuçları oldukça düşündürücü: en güçlü açık kaynak yapay zeka modeli bile sadece %42 başarı gösterirken, ticari modellerin en iyisi zor sorularda %52'ye ulaşabildi. Özellikle Kore kültürüne özgü sorularda performans %13'e varan düşüşler gösterdi. Bu çalışma, yapay zeka modellerinin küresel ölçekte geliştirilmesine rağmen yerel kültür ve dil özelliklerinde hala ciddi eksiklikleri olduğunu ortaya koyuyor.
Yapay Zeka Modelleri Artık Sıkıştırılmış Metinleri Anlayabilecek
Araştırmacılar, büyük dil modellerinin (LLM) sıkıştırılmış metinler üzerinde doğrudan analiz yapabildiğini keşfetti. Bu yenilikçi yaklaşım, sözlük kodlaması kullanarak tekrarlayan metin parçalarını kısa meta-simgelerle değiştiriyor ve model ince ayarına gerek kalmadan %80'e varan sıkıştırma oranları elde ediyor. Sistem, modele verilen sözlük sayesinde sıkıştırılmış metinleri doğru şekilde yorumlayabiliyor ve normal metinlerle aynı kalitede sonuçlar üretiyor. Bu gelişme, özellikle tekrarlı veriler içeren büyük metinlerin işlenmesinde maliyet etkinliği sağlayarak yapay zeka uygulamalarının ekonomik sürdürülebilirliğine önemli katkı sunuyor.