“Stanford” için sonuçlar
169 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yapay Zeka Algoritmalarında Yeni Geometrik Yaklaşım: Bellman Sabit Noktasının Ötesi
Stanford ve MIT'den araştırmacılar, yapay zeka sistemlerinde karar verme süreçlerinin temelini oluşturan dinamik programlama algoritmalarını yeni bir perspektifle inceledi. Markov karar problemlerinin çözümünde kritik rol oynayan Q-değer iterasyonu algoritmasının geometrik yapısını analiz eden çalışma, geleneksel yaklaşımların gözden kaçırdığı önemli detayları ortaya çıkarıyor. Araştırma, algoritmanın sadece nihai sonuca değil, optimal politikanın ne zaman etkili hale geldiğine odaklanarak daha hassas bir karakterizasyon sunuyor. Switching sistem teorisi lens kullanılarak geliştirilen bu yeni yaklaşım, yapay zeka sistemlerinin öğrenme süreçlerini daha iyi anlamamızı sağlayabilir.
AI Terapist Güvenliği için Yeni Değerlendirme Sistemi Geliştirildi
Stanford araştırmacıları, büyük dil modellerinin ruh sağlığı danışmanlığında güvenliğini değerlendirmek için yeni bir sistem geliştirdi. MHSafeEval adlı bu sistem, AI'ların terapist rolündeyken nasıl zararlı davranışlar sergileyebileceğini çok turlu konuşmalarda test ediyor. Mevcut değerlendirme yöntemleri genellikle tek cevaplara odaklanırken, yeni sistem AI'ın hasta ile etkileşim boyunca nasıl zararlı roller üstlenebileceğini inceliyor. R-MHSafe taksonomisi ile AI'ların suçlu, kışkırtıcı, kolaylaştırıcı veya destekleyici roller oynayabileceği belirleniyor. Bu çalışma, ruh sağlığı alanında AI kullanımının güvenlik standartlarının geliştirilmesi açısından kritik öneme sahip.
Yapay Zeka Modelleri Artık Çok Daha Az Bellek Kullanacak
Stanford ve diğer kurumlardan araştırmacılar, mevcut Transformer tabanlı yapay zeka modellerinin yüksek bellek tüketimi sorununa çözüm ürettiler. Geliştirdikleri yeni yaklaşım, tekrarlayan sinir ağı mimarileri kullanarak metin gömme işlemlerini sabit bellek kullanımıyla gerçekleştiriyor. Mamba2, RWKV ve xLSTM gibi modellerde test edilen bu yöntem, uzun metinlerde bile bellek kullanımını sabit tutarken performansta rekabetçi sonuçlar veriyor. Bu gelişme, yapay zeka uygulamalarının daha verimli çalışmasını ve kaynak kısıtlı ortamlarda bile güçlü dil modellerinin kullanılabilmesini sağlayabilir. Araştırma, özellikle uzun metin analizlerinde büyük avantaj sunuyor.
8 Milyar Parametreli Açık Kaynak Model, Araç Kullanan Yapay Zeka Eğitiminde Devrim Yaratıyor
Stanford araştırmacıları, yapay zeka ajanlarına araç kullanmayı öğretmek için sadece 8 milyar parametreli açık kaynak dil modellerinin yeterli olduğunu kanıtladı. TRUSTEE adlı yeni yöntem, pahalı ticari modellere veya önceden hazırlanmış veri setlerine ihtiyaç duymadan, dinamik simülasyon ortamları oluşturarak AI ajanları eğitiyor. Sistem, görev üretimi, kullanıcı simülasyonu ve araç simülasyonu süreçlerini tamamen ücretsiz modellerle gerçekleştiriyor. Bu yaklaşım, AI ajanlarının farklı alanlarda tutarlı performans iyileştirmeleri göstermesini sağlıyor ve dış kaynak gerektiren diğer yöntemleri geride bırakıyor.
Multimodal AI modelleri temel matematikte neden başarısız oluyor?
Stanford araştırmacıları, gelişmiş çok modallı yapay zeka modellerinin görsel, işitsel ve metin tabanlı matematik problemlerinde beklenmedik zorluklarla karşılaştığını ortaya çıkardı. GPT-4V, Claude-3 ve Gemini gibi modeller, sayıları farklı formatlarda algılayabilmesine rağmen çok basamaklı çarpma işlemlerinde ciddi hatalar yapıyor. Araştırma, aynı matematik probleminin rakam, kelime, görsel veya ses formatında sunulmasına göre model performansının dramatik şekilde değiştiğini gösteriyor. Bu bulgular, AI modellerinin gerçek aritmetik yeteneklerinin sanıldığından çok daha sınırlı olduğunu ve farklı modaliteler arasında tutarsız davranış sergilediklerini işaret ediyor.
Yapay Zeka Kullanıcı Tercihlerinin Zamanla Değişimini Takip Edebilecek mi?
Stanford araştırmacıları, yapay zeka sistemlerinin kullanıcı tercihlerindeki uzun vadeli değişimleri anlayabilme yetisini test eden HorizonBench adlı yeni bir benchmark geliştirdi. Araştırma, AI'ın insanların yaşam olayları sonucu değişen tercihlerini nasıl takip edebileceğini inceliyor. 6 aylık zaman dilimlerinde 360 simüle kullanıcıdan 4,245 veri örneği içeren bu benchmark, AI sistemlerinin uzun dönemli kişiselleştirme becerisini ölçüyor. Çalışma, mevcut AI modellerinin kullanıcıların evliliği, yeni işe başlama veya sağlık durumu değişikliği gibi yaşam olayları sonrasında değişen tercihlerini takip etmekte zorlandığını ortaya koyuyor. Bu araştırma, gelecekteki AI asistanlarının daha etkili kişiselleştirme yapabilmesi için kritik öneme sahip.
Makine Öğrenmesinde 'Negatif Düzenleme' ile Küçük Veri Problemine Çözüm
Araştırmacılar, az veri bulunan durumlarda makine öğrenmesi modellerinin performansını artıran yenilikçi bir yaklaşım geliştirdi. Geleneksel düzenleme yöntemleri modellerin aşırı öğrenmesini önlemek için tasarlanmış olsa da, sınırlı veri setlerinde bazen tam tersine yetersiz öğrenmeye neden olabiliyor. Stanford ve diğer kurumlardan bilim insanları, bu sorunu çözmek için 'negatif düzenleme' adı verilen kontrollü bir anti-büzülme tekniği öneriyor. Bu yöntem, özellikle zayıf sinyal yönlerinde modelin karmaşıklığını artırarak daha iyi tahminler yapmasını sağlıyor. Yapılan teorik analiz ve deneyler, bu yaklaşımın küçük veri setlerinde geleneksel yöntemlerden daha başarılı sonuçlar verdiğini ortaya koyuyor.
AI ajanlarının halüsinasyonları artık tespit edilip önlenebiliyor
Yapay zeka destekli grafik arayüz ajanları, bilgisayar ekranlarını insan gibi kullanabilen gelişmiş sistemler olmasına rağmen, gerçek dışı algılar yaşayarak hatalı işlemler yapabiliyorlar. Bu durum özellikle gerçek dünya uygulamalarında ciddi sorunlara yol açıyor. Stanford araştırmacıları, bu soruna çözüm getirmek için HalluClear adlı kapsamlı bir sistem geliştirdi. Sistem, GUI ajanlarındaki halüsinasyonları kategorize ederek tanımlayabiliyor, güvenilir değerlendirme yöntemleri kullanabiliyor ve hafif eğitim teknikleriyle bu sorunları azaltabiliyor. Bu gelişme, AI ajanlarının daha güvenilir hale gelmesi açısından kritik önem taşıyor.
Eğitilmemiş Yapay Sinir Ağları İnsan Beynindeki Görsel Korteksi Taklit Edebiliyor
Stanford araştırmacıları, yapay sinir ağlarının insan beynindeki görsel korteksi ne kadar iyi taklit ettiğini araştıran çığır açıcı bir çalışma yayınladı. Araştırma, hiç eğitilmemiş rastgele ağırlıklara sahip yapay sinir ağlarının, karmaşık öğrenme algoritmalarıyla eğitilmiş ağlar kadar başarılı olduğunu ortaya koydu. 720 görsel uyaran ve 3 katılımcıdan elde edilen fMRI verileri kullanılarak yapılan karşılaştırmada, erken görsel alanlar olan V1 ve V2'de başarının büyük ölçüde ağ mimarisinden kaynaklandığı keşfedildi. Bu bulgular, beyin ve yapay zeka arasındaki benzerlikler konusunda yeni sorular ortaya çıkarıyor ve yapay sinir ağlarının insan beynini anlamamızdaki rolünü yeniden değerlendirmemizi gerektiriyor.
Yapay Zeka İçin İnsan Anlayışı Testi: Yaşam Hikayelerinden Öğrenme
Stanford araştırmacıları, yapay zeka sistemlerinin insanları ne kadar iyi anladığını ölçen yeni bir test geliştirdi. KnowMe-Bench adlı bu test, geleneksel kısa sohbetler yerine uzun yaşam hikayelerini kullanıyor. Test, AI sistemlerinin sadece bilgi hatırlama değil, kişinin motivasyonlarını ve karar verme ilkelerini anlayıp anlayamadığını değerlendiriyor. Sonuçlar, mevcut AI sistemlerinin temel bilgileri hatırlamada başarılı olduğunu ancak daha karmaşık insan davranışlarını açıklamada yetersiz kaldığını gösteriyor. Bu çalışma, gelecekteki dijital asistanların insanları daha iyi anlaması için gerekli teknolojik gelişmelere işaret ediyor.
Yapay zeka modelleri görsel değerlendirmelerde neden 'kör' kararlar veriyor?
Görsel-dil modellerinin yargıç olarak kullanıldığı otomatik değerlendirme sistemlerinde kritik bir sorun keşfedildi. Araştırmacılar, bu modellerin görüntülere yeterince odaklanmadan kararlar verdiğini ve genellikle daha bilgi içeren cevapları kayırdığını buldu - görüntüyle çelişse bile. Bu 'bilgisellik önyargısı' olarak adlandırılan problem, yapay zeka değerlendirmelerinin güvenilirliğini ciddi şekilde tehlikeye atıyor. Stanford ve diğer kurumlardan araştırmacılar, BIRCH adlı yeni bir yaklaşım geliştirerek bu soruna çözüm öneriyorum. Sistem, önce adaylık cevapları görüntü içeriğiyle tutarlı hale getiriyor, sonra karşılaştırma yapıyor. Bu yöntem önyargıyı %17'ye kadar azaltırken performansı %9 artırıyor.
Yapay Zeka Modelleri Artık Ne Zaman Durması Gerektiğini Öğreniyor
Büyük dil modelleri karmaşık problemleri çözerken gereksiz hesaplamalar yaparak enerji ve zaman israf ediyor. Stanford araştırmacıları, Step-GRPO adlı yeni bir yöntem geliştirerek bu soruna çözüm getirdi. Bu teknik, modellerin cevabı bulduklarında otomatik olarak durmayı öğrenmelerini sağlıyor. Geleneksel yöntemler ya modelin performansını düşürüyor ya da sistem karmaşıklığını artırıyordu. Step-GRPO ise modelin içine dinamik erken çıkış yeteneği yerleştirerek bu ikilemden kurtulmuş. Yöntem, düşünce zincirini anlamsal adımlara bölerek optimize ediyor ve gereksiz tekrarları cezalandırıyor. Test sonuçları, Qwen3-8B modelinde hem doğruluğu koruduğunu hem de hesaplama verimliliğini önemli ölçüde artırdığını gösterdi.
Yapay Zeka Güvenliğinde Yeni Strateji: Çeşitlilik Kaybına Karşı Koruma
Stanford araştırmacıları, yapay zeka modellerinin eğitim verilerindeki önyargıları tekrarlayarak toplumsal çeşitliliği tehdit ettiğini ortaya koydu. 'Homojenleşme' adını verdikleri bu soruna karşı 'ksenö-reprodüksiyon' stratejisini geliştirdiler. Büyük dil modelleri için yapı-farkında çeşitlilik takibi yaklaşımı öneren çalışma, AI güvenliğinde çeşitliliğin korunmasını birincil öncelik haline getirmeyi hedefliyor. Araştırma, mode çöküşü nedeniyle zararlı çeşitlilik kaybının nasıl önlenebileceğine dair temel bir çerçeve sunuyor.
Yapay zeka ajanları artık deneyimlerinden öğrenerek yeni yetenekler geliştirebiliyor
Özerk yapay zeka ajanlarının yetenekleri hızla genişlerken, araştırmacılar bu sistemlerin sadece verilen görevleri yerine getirmekle kalmayıp kendi deneyimlerinden öğrenerek yeni beceriler geliştirebilip geliştiremediğini merak ediyordu. Stanford ve diğer kurumlardan araştırmacılar, bu soruyu yanıtlamak için SkillFlow adlı yeni bir değerlendirme sistemi geliştirdi. Bu sistem, 20 farklı kategoride 166 görev içeriyor ve yapay zeka ajanlarının yaşam boyu öğrenme yeteneklerini test ediyor. Araştırma sonuçları, mevcut en gelişmiş modellerin bile bu alanda önemli eksiklikleri olduğunu ortaya koydu. Çalışma, yapay zeka ajanlarının gerçek dünyada daha etkili çalışabilmesi için hangi alanlarda gelişim gerektiğini gösteriyor.
Yapay Zeka Dil Modellerinin Eğitimindeki Kritik Sorununa Yeni Çözüm
Büyük dil modellerinin insan tercihlerine göre eğitilmesinde karşılaşılan temel bir problemin çözümü geliştirildi. Mevcut eğitim yöntemlerinde, istenmeyen yanıtları bastırırken istenen yanıtların da zarar görmesi sorunu yaşanıyor. Stanford ve diğer üniversitelerden araştırmacılar, bu 'olasılık yer değiştirme' problemini analiz ederek, farklı eğitim hedeflerinin aslında benzer günceleme yönleri kullandığını keşfetti. Çalışma, eğitim sürecinde istenen yanıtları koruyup istenmeyen yanıtları bastırmanın mümkün olduğu koşulları belirleyen 'ayrışma bandı' kavramını tanımlıyor. Bu bulgular, ChatGPT gibi AI sistemlerin daha etkili eğitilmesine katkı sağlayabilir.
Yapay Zeka Hakemlerinin Değerlendirmelerini Parçalara Ayıran Yeni Sistem
Araştırmacılar, büyük dil modellerinin yapay zeka çıktılarını değerlendirirken kullandığı 'YZ-Hakem' yaklaşımının sorunlarına çözüm geliştirdi. Stanford Üniversitesi'nden bilim insanları, geleneksel yöntemlerin verdiği genel puanların hangi unsurlara dayandığını anlamayı zorlaştırdığını tespit etti. Geliştirdikleri 'işlevsel parçalanma' yöntemi, her çıktıyı kilit parçalara ayırıp bu parçaların değerlendirme kriterlerine göre hangi retorik işlevleri yerine getirdiğini analiz ediyor. Evalet adlı interaktif sistem, parça düzeyindeki işlevleri görselleştirerek kullanıcıların değerlendirmeleri incelemesini, puanlamasını ve karşılaştırmasını kolaylaştırıyor. On katılımcılı kullanıcı çalışması, sistemin değerlendirme uyumsuzluklarını tespit etmede %48 daha başarılı olduğunu gösterdi. Bu gelişme, yapay zeka değerlendirmelerinin şeffaflığını artırarak daha güvenilir YZ sistemlerine giden yolu açabilir.
Yapay Zeka Modellerini 16 Kat Küçültecek Yeni Sıkıştırma Tekniği
Stanford araştırmacıları, büyük dil modellerinin boyutunu dramatik şekilde azaltacak yeni bir teknik geliştirdi. DuQuant++ adlı yöntem, NVIDIA'nın yeni Blackwell işlemcilerinde desteklenen MXFP4 formatını kullanarak modelleri sıkıştırırken kalite kaybını minimize ediyor. Teknik, veri içindeki aykırı değerlerin neden olduğu sıkıştırma hatalarını akıllı döndürme algoritmaları ile çözüyor. Bu gelişme, yapay zeka modellerinin mobil cihazlarda ve daha düşük güçlü donanımlarda çalışmasını mümkün kılabilir.
Yapay zeka, karmaşık kontrol sistemlerini saniyeler içinde optimize ediyor
MIT ve Stanford araştırmacıları, mühendislikte kritik öneme sahip Linear Quadratik Regülatör (LQR) problemlerini çözme sürecini devrimsel şekilde hızlandıran bir yapay zeka sistemi geliştirdi. Geleneksel yöntemlerle her sistem için ayrı ayrı saatlerce süren karmaşık diferansiyel denklem hesaplamalarını, derin öğrenme tabanlı operatör ağları kullanarak saniyeler içinde çözebilen sistem, özellikle otonom araçlar, robotik ve havacılık sektöründe büyük etki yaratacak. Sistem, önceden öğrendiği matematiksel kalıpları kullanarak yeni durumlar için optimal kontrol stratejilerini anında üretebiliyor.
Yapay zeka robotları artık 'bulunamayan' hedefleri algılayabiliyor
Stanford araştırmacıları, görsel-dil navigasyon sistemlerinde devrim niteliğinde bir gelişme gerçekleştirdi. Geleneksel yapay zeka navigasyon sistemleri, verilen talimatların her zaman gerçekleştirilebilir olduğunu varsayıyordu. Ancak gerçek dünyada robotlar bazen var olmayan nesneleri aramaları istenebilir. VLN-NF adlı yeni sistem, robotların yanlış premisli talimatları algılamasını ve hedefin bulunmadığını anlayabilmesini sağlıyor. Bu teknoloji, robotların daha akıllı davranmasını ve gereksiz arama yapmak yerine 'bulunamadı' sonucuna varabilmesini mümkün kılıyor. Araştırma, yapay zeka sistemlerinin gerçek dünya koşullarında daha güvenilir ve pratik olması açısından önemli bir adım teşkil ediyor.
Yapay Zeka Grafik Dönüştürücülerde Devrim: SigGate-GT ile Aşırı Düzgünleşme Sorunu Çözüldü
Stanford araştırmacıları, grafik dönüştürücü yapay zeka modellerinde yaşanan 'aşırı düzgünleşme' sorununa yenilikçi bir çözüm geliştirdi. SigGate-GT adlı yeni sistem, sigmoid kapıları kullanarak modellerin derinleştikçe bilgi kaybetmesi problemini çözüyor. Büyük dil modellerindeki dikkat batma sorunuyla benzer kök nedenleri paylaşan bu sorun, softmax dikkat mekanizmasının her düğümü bir yere odaklanmaya zorlamasından kaynaklanıyor. Yeni yaklaşım, her dikkat kafasına öğrenilen sigmoid kapıları ekleyerek, bilgi vermeyen bağlantıları seçici şekilde susturma imkanı sağlıyor. Moleküler veri analizi ve uzun mesafeli akıl yürütme görevlerinde test edilen sistem, beş standart kıyaslamada önceki en iyi sonuçları yakalayıp aştı. Bu gelişme, grafik tabanlı yapay zeka uygulamalarında önemli bir ilerleme anlamına geliyor.
Yapay Zeka Okuma Problemi: Bilgiyi Yeniden Yazarak Doğruluğu Artırma
Büyük dil modelleri bilgiyi işlerken tuhaf bir özellik sergiliyor: doğru ama dağınık bilgiler yerine, yanlış ama akıcı metinleri tercih ediyorlar. Stanford araştırmacıları bu soruna yönelik QREAM adlı yeni bir sistem geliştirdi. Bu sistem, yapay zekanın daha iyi anlayabileceği şekilde belgeleri yeniden yazıyor. Araştırma, yapay zekanın sadece doğru bilgiye erişiminin yeterli olmadığını, bu bilginin nasıl sunulduğunun da kritik olduğunu gösteriyor. QREAM sistemi, belgeleri soru odaklı bir tarzda yeniden düzenleyerek hem doğruluğu koruyor hem de yapay zekanın okuma kabiliyetini artırıyor.
Yapay Zeka Algoritmaları Belirsizlik Altında Daha İyi Eşleştirme Yapacak
Stanford ve MIT araştırmacıları, belirsizlik içeren eşleştirme problemleri için yeni algoritma geliştirdi. Stokastik eşleştirme olarak adlandırılan bu yaklaşım, her bağlantının belirli bir olasılıkla var olduğu durumları ele alıyor. Yeni algoritma, önceki en iyi yöntemden %23 daha iyi performans göstererek 0.382 yaklaşım oranına ulaşıyor. Bu gelişme, online reklamcılık, organ nakli eşleştirme, işe alım süreçleri ve kaynak tahsisi gibi belirsizlik barındıran birçok alanda uygulanabilir. Araştırma, 'sabır kısıtları' denilen ve her düğümün kaç bağlantısının test edilebileceğini sınırlayan koşullar altında çalışıyor. Algoritma, bağlantıları test etmeden önce hangi sırada deneyeceğini optimal şekilde belirleyerek daha etkili eşleştirmeler gerçekleştiriyor.
Görme Engelliler İşe Alımda Yapay Zekâya Karşı Yeni Stratejiler Geliştiriyor
Stanford araştırmacıları, görme engelli iş arayanların yapay zekâ destekli işe alım sistemleriyle yaşadığı zorlukları inceledi. Çalışma, bu sistemlerin görme engelli adayları nasıl dezavantajlı duruma düşürdüğünü ve adayların buna karşı geliştirdiği yaratıcı çözümleri ortaya koyuyor. 17 görme engelli iş arayan ile yapılan görüşmeler, AI sistemlerinin profesyonel kimliklerini yanlış temsil ettiğini ve insanlıktan uzaklaştırıcı etkileşimler yarattığını gösteriyor. Buna karşılık adaylar, algoritmaları atlatmak için kendi araçlarını geliştirip stratejik yaklaşımlar benimsiyor. Araştırma, teknoloji tasarımcılarına engelli bireyler için daha adil işe alım sistemleri geliştirmeleri konusunda önemli ipuçları sunuyor.
Yapay Zeka Hasta Simülasyonları Gerçek Toplumu Yansıtmıyor
Stanford araştırmacıları, büyük dil modellerinin ruh sağlığı alanında hasta simülasyonu yaparken ciddi bir sorun keşfetti. GPT-4, DeepSeek ve Gemini gibi yapay zeka sistemleri, bireysel hastalar için mantıklı profiller oluşturabiliyor ancak toplum düzeyindeki gerçek hasta dağılımını doğru yansıtamıyor. 28.800 sanal hasta profili üzerinde yapılan kapsamlı incelemede, modellerin gerçek nüfus verilerine kıyasla çok daha dar bir varyans aralığında kaldığı görüldü. Bu durum, klinisyen eğitimi ve araştırma amaçlı kullanılan yapay zeka sistemlerinin yanıltıcı sonuçlar verebileceği anlamına geliyor. Araştırma, yapay zekanın tıbbi simülasyonlarda kullanımında dikkatli olunması gerektiğini gösteriyor.