“TEMPO” için sonuçlar
20 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yapay Zeka Beynini Evrimle Tasarlayan EARLY Algoritması Geliştirildi
Araştırmacılar, insan beyninin modüler yapısından ilham alarak yapay sinir ağlarının mimarisini evrimsel algoritmalarla optimize eden EARLY adlı yeni bir sistem geliştirdi. Bu sistem, Echo State Networks adı verilen özel sinir ağlarının hem yapısını hem de parametrelerini otomatik olarak ayarlayarak, zaman tabanlı öğrenme görevlerinde daha başarılı sonuçlar elde ediyor. Geleneksel yöntemlerde her görev için manuel ayarlama gereken bu ağlar, EARLY sayesinde crossover, mutasyon ve doğal seçilim gibi evrimsel süreçlerle kendini optimize edebiliyor. CogScale veri setinde yapılan testlerde, evrimleşen mimariler rastgele arama yöntemlerine göre üstün performans sergiledi. Bu gelişme, yapay zekanın temporal öğrenme yeteneklerini artırırken, manuel ayarlama gereksinimini azaltarak daha genel kullanımlı AI sistemlerinin geliştirilmesine kapı aralıyor.
Konuşan yapay zeka modelleri zamanlamada zorlanıyor
Gerçek zamanlı konuşma yapabilen yapay zeka modelleri, gelecekteki insan-bilgisayar etkileşiminin anahtarı olarak görülüyor. Ancak bu sistemlerin zamansal yetenekleri - yani konuşma temposunu ayarlama, zamanlamayı yönetme ve eş zamanlı konuşmaları idare etme becerileri - henüz yeterince test edilmemişti. Araştırmacılar bu eksikliği gidermek için Game-Time Benchmark adlı yeni bir değerlendirme çerçevesi geliştirdiler. İnsanların dil öğrenme sürecinden ilham alan bu test sistemi, basit talimat takip etme görevlerinden karmaşık zamanlama gerektirenlerine kadar çeşitli görevleri içeriyor. En gelişmiş modellerin bile temel talimatlarda güçlük çektiği, zamansal kısıtlamalar altında ise neredeyse tüm sistemlerin performansının ciddi şekilde düştüğü ortaya çıktı. Bu bulgular, doğal konuşma deneyimi için yapay zekanın aşması gereken önemli engelleri gözler önüne seriyor.
Çok Ajanlı Sistemlerde Kontrol Sorunu: Tensör Temelli Yenilikçi Çözüm
Araştırmacılar, birden fazla ajanın bulunduığu karmaşık sistemlerde kontrol stratejileri geliştirmek için yeni bir matematiksel yöntem önerdi. Stokastik çok-ajanlı sistemler olarak adlandırılan bu yapılar, otonom araçlardan robot sürülerine kadar birçok alanda kullanılıyor. Geleneksel yöntemler boyut lanetine takılırken, yeni yaklaşım tensör ayrışımı tekniklerini kullanarak bu sorunu aşıyor. Yöntem, temporal mantık spesifikasyonları için kanıtlanabilir olasılık garantileri sunuyor ve sürekli durumlu doğrusal stokastik sistemlerde test edildi. Bu gelişme, karmaşık sistemlerin daha güvenilir kontrolü için önemli bir adım.
Yapay Zeka Sohbet Robotları Artık Kullanıcıların Niyetlerini Önceden Tahmin Edebiliyor
Araştırmacılar, sohbet robotlarının reaktif yapısını değiştirerek proaktif hale getiren yeni bir model geliştirdi. Geleneksel yapay zeka asistanları sadece mevcut soruya yanıt verirken, yeni sistem kullanıcının gelecekteki niyetlerini önceden tahmin ederek daha verimli diyaloglar kurabiliyor. Temporal Bayesian Network kullanan bu yaklaşım, MultiWOZ 2.2 veri setinde test edildi ve kullanıcı niyetlerinin %75'ini karşılamak için gereken sohbet turlarını 3.95'ten 2.73'e düşürdü. Sistem, mevcut dil modelini değiştirmeden sadece hafif bir rehberlik mekanizması ekleyerek bu başarıyı elde ediyor. Bu gelişme, müşteri hizmetlerinden kişisel asistanlara kadar birçok alanda daha etkili yapay zeka etkileşimleri vaat ediyor.
Robotlar İçin Çok Sensörlü Öğrenme Sistemi: M2R2 ile Hareket Analizi
Araştırmacılar, robotların hareketlerini daha iyi anlayabilmesi için M2R2 adlı yeni bir sistem geliştirdi. Bu sistem, robotların kendi iç sensörlerinden gelen bilgileri kamera görüntüleriyle birleştirerek hareket segmentasyonunu gerçekleştiriyor. Temporal hareket segmentasyonu, robotların karmaşık görevleri daha küçük parçalara ayırarak öğrenmesini sağlayan kritik bir teknoloji. Geleneksel yaklaşımlar ya sadece robot sensörlerine ya da sadece kamera verilerine odaklanıyordu, ancak M2R2 her iki veri türünü etkin şekilde harmanlıyor. Sistem, özellikle görünürlüğün kısıtlı olduğu cerrahi robotik gibi alanlarda önemli avantajlar sunuyor. Öğrenilen özelliklerin farklı modeller arasında yeniden kullanılabilmesi de sistemin önemli bir yeniliği olarak öne çıkıyor.
Robotlar İçin Yeni Mantık Dili: Bulanık Yollar ile Hareket Planlama
Araştırmacılar, robot hareket planlaması için geleneksel signal temporal logic (STL) mantığının ötesine geçen yenilikçi bir yaklaşım geliştirdi. 'Bulanık Yollar Mantığı' adlı bu yeni sistem, robotların hareket planlarını daha anlaşılır ve esnek şekilde tanımlamaya olanak sağlıyor. Sistem, geometri ve mantık kavramlarını birbirinden ayırarak, karmaşık robot davranışlarının daha basit formüllerle ifade edilmesini mümkün kılıyor. Bu yaklaşım, hem insan operatörlerin robot davranışlarını daha kolay tanımlamasına hem de robotların örnek hareketlerden öğrenmesine imkan veriyor. Siber-fiziksel sistemler ve robotik alanında önemli bir gelişme olan bu çalışma, robot hareket planlamasında yeni standartlar oluşturabilir.
Beethoven'ın Sonatlarında Zamanlama Değişiklikleri Görsel Analiz Yöntemleriyle Keşfedildi
Araştırmacılar, müzikal performansları analiz etmek için beş farklı görselleştirme tekniğini birlikte kullanmanın önemini ortaya koydu. Beethoven'ın piyano ve çello sonatlarının 1930-2012 yılları arasındaki kayıtları üzerinde yapılan çalışma, tek bir analiz yönteminin diğerlerinin ortaya çıkardığı bilgileri saklayabildiğini gösterdi. Tempograflar, histogram grafikleri, ridgeline çizimleri, yığılmış çubuk grafikler ve kombinasyon tablolarının bir arada kullanılması, müzik performanslarındaki tempo değişimlerini daha derinlemesine anlamaya olanak sağlıyor.
TimeColor: Video Renklendirmede Çoklu Referans Devrimi
Araştırmacılar, video renklendirme teknolojisinde yeni bir yaklaşım geliştirdi. TimeColor adlı bu sistem, geleneksel yöntemlerin aksine tek bir referans kaynağıyla sınırlı kalmayıp, karakter taslaklarından arka plan görsellerine kadar çeşitli kaynaklardan aynı anda yararlanabiliyor. Sketch tabanlı bu model, farklı türdeki referansları temporal olarak birleştirerek işleme alıyor ve her bir kaynağı belirli bölgelere atayarak renklendirme kalitesini artırıyor. Yapay zeka destekli sistem, difüzyon modeli kullanarak çoklu referansları eşzamanlı işleyebilirken model parametrelerini sabit tutuyor. Özellikle anime ve illüstrasyon alanında önemli iyileştirmeler sağlayan teknoloji, renk karışması sorunlarını da minimize ediyor.
İnsan-robot işbirliği güvenliğinde yeni yaklaşım: Drone'lar için akıllı planlama
Araştırmacılar, insanlarla birlikte çalışan çok rotorlu hava araçları için gelişmiş bir hareket planlama ve risk analizi sistemi geliştirdi. Yeni yaklaşım, Signal Temporal Logic kullanarak güvenlik, zamanlama ve insan ergonomisi gereksinimlerini kodluyor. Sistem, drone'ların doğrusal olmayan dinamiklerini hesaba katarak dinamik olarak uygulanabilir yörüngeler üretiyor. Özellikle insan pozisyonundaki belirsizlikleri göz önünde bulundurarak risk analizini gerçekleştiren bu teknoloji, öngörülemeyen durumlardan kurtulmak için güvenlik odaklı yeniden planlama stratejisi de içeriyor. Bu gelişme, insanlarla aynı ortamda çalışan otonom hava araçlarının güvenliğini artırmada önemli bir adım teşkil ediyor.
Yapay Zeka İle Hava Durumu Tahmini Devrim Yaşıyor: Bölgesel Sınırları Kendisi Belirliyor
Araştırmacılar, hava durumu tahminlerinde çığır açacak yeni bir yapay zeka sistemi geliştirdi. STCast adı verilen bu sistem, geleneksel yöntemlerin aksine bölgesel hava tahmini sınırlarını kendisi belirleyebiliyor ve sürekli optimize ediyor. Sistem, küresel atmosfer verilerinden yararlanarak daha hassas bölgesel tahminler üretiyor. Özellikle Spatial-Aligned Attention mekanizması ile küresel ve bölgesel hava durumu verilerini akıllıca hizalıyor, ardından dikkat tabanlı öğrenme ile bu sınırları sürekli iyileştiriyor. Ayrıca Temporal Mixture-of-Experts modülü sayesinde farklı aylara ait atmosferik değişkenleri dinamik olarak analiz edebiliyor. Bu teknolojik gelişme, meteoroloji alanında sabit ve hatalı bölgesel sınırlar sorununun üstesinden gelmeyi vaat ediyor.
Yapay Zeka E-Spor Videoları Analiz Etmeyi Öğreniyor: EgoEsportsQA Benchmark'ı
Araştırmacılar, video analizi yapabilen büyük dil modellerinin (Video-LLM) e-spor ortamlarındaki performansını değerlendirmek için yeni bir test sistemi geliştirdi. EgoEsportsQA adı verilen bu sistem, profesyonel e-spor maçlarından 1.745 soru-cevap çifti içeriyor. Mevcut yapay zeka modelleri günlük yaşam videolarında başarılı olsa da, hızlı tempolu e-spor ortamlarında zorlanıyor. Bu çalışma, yapay zekanın oyun stratejilerini anlama ve hızlı karar verme becerilerini test eden ilk kapsamlı değerlendirme aracını sunuyor.
VideoThinker: Uzun videolar için yeni nesil yapay zeka modeli geliştirildi
Araştırmacılar, uzun videolardaki içerikleri daha etkili anlayabilen VideoThinker adlı yeni bir yapay zeka modeli geliştirdi. Mevcut video anlama modellerinin aksine, VideoThinker aracı tabanlı (agentic) bir yaklaşım benimsiyor ve videolardaki önemli anları adaptif şekilde keşfedebiliyor. Model, temporal geri çağırma, uzamsal yakınlaştırma ve zamansal yakınlaştırma gibi araçları kullanarak videolardaki bilgi kaybını minimize ediyor. En önemli yenilik, modelin tamamen sentetik araç etkileşim verisiyle eğitilmiş olması. Bu sayede uzun form video anlayışında döngüsel bağımlılık sorunu çözülüyor. VideoThinker, videoları zengin altyazılara dönüştürüp güçlü bir dil modeli kullanarak çok adımlı araç kullanım dizileri oluşturuyor. Bu gelişme, video analizi yapan AI sistemlerinin performansını önemli ölçüde artırabilir.
Robotlar İçin Yeni Planlama Sistemi: DAG-STL Çerçevesi Geliştirildi
Araştırmacılar, robotların karmaşık görevleri yerine getirebilmesi için yeni bir planlama sistemi geliştirdi. DAG-STL adlı bu hiyerarşik çerçeve, robotların daha önce hiç karşılaşmadıkları görevleri bile başarıyla tamamlayabilmesini sağlıyor. Sistem, Signal Temporal Logic (STL) denilen özel bir dil kullanarak robotlara zamana bağlı görevler veriyor. Geleneksel yöntemlerden farklı olarak, bu yaklaşım sistem dinamiklerini önceden bilmeye gerek duymadan çalışabiliyor. Araştırma, mantıksal akıl yürütme ile yörünge planlamasını birbirinden ayırarak üç aşamalı bir süreç oluşturuyor. Bu sayede robotlar, önceden öğrenilmiş görev-bağımsız veriler kullanarak yeni durumlarla baş edebiliyor. Gelişme, otonom sistemlerin daha esnek ve uyarlanabilir olmasında önemli bir adım teşkil ediyor.
Yapay Zeka Videoları 'Gaslighting' ile Kandırılabiliyor
Araştırmacılar, video anlama konusunda başarılı olan büyük dil modellerinin (Vid-LLM) 'gaslighting' tekniğine karşı savunmasız olduğunu keşfetti. Bu modeller, başlangıçta doğru cevaplar verse de kullanıcının yanıltıcı geri bildirimlerinden sonra yanlış kararlar alarak, hatalı açıklamalar üretebiliyor. Stanford araştırmacıları bu sorunu 'spatiotemporal sycophancy' (uzamsal-zamansal dalkavukluk) olarak adlandırdı ve GasVideo-1000 test veri setini geliştirerek farklı modelleri değerlendirdi. Bulgular, yapay zekanın insan etkileşimlerinde ne kadar manipüle edilebilir olduğunu gösteriyor.
Yapay Zeka Metin Üretiminde Yeni Kararlılık Tabanlı Çözüm
Araştırmacılar, paralel metin üretimi yapan difüzyon dil modellerinin performansını artıran yeni bir yöntem geliştirdi. Stability-Weighted Decoding (SWD) adlı bu teknik, modellerin metin üretim sürecinde hangi kelimelerin güvenli şekilde ortaya çıkarılabileceğini daha doğru belirliyor. Geleneksel yöntemler tek bir andaki güven puanlarına dayanırken, SWD kelimelerin zaman içindeki kararlılığını da hesaba katıyor. Bu yaklaşım, kelimelerin temporal kararsızlığının, maskelenmiş bağlamla olan karşılıklı bilgisine katı bir alt sınır sağladığını teorik olarak kanıtlıyor. Sonuç olarak kararsız kelimeler için erken maskesini kaldırma riskini azaltıyor ve kod üretimi gibi uygulamalarda daha kaliteli sonuçlar elde ediliyor.
Zaman Serisi Verilerle Gerçekleri Doğrulayan Yeni Yapay Zeka Sistemi
Araştırmacılar, sayısal ve zamansal verileri kullanarak haberlerin doğruluğunu kontrol edebilen yeni bir yapay zeka sistemi geliştirdi. TSVer adlı bu sistem, 41 farklı doğruluk kontrol kuruluşundan toplanan 304 gerçek dünya iddiasını ve 400 zaman serisi verisini içeren kapsamlı bir veri tabanına sahip. Sistem, özellikle istatistiksel grafiklerdeki trendleri analiz ederek iddiaların doğruluğunu değerlendirebiliyor. Bu teknoloji, yanlış bilgilerin hızla yayıldığı günümüzde büyük önem taşıyor çünkü sayısal kanıtlara dayalı iddiaları otomatik olarak kontrol edebiliyor. Geleneksel doğruluk kontrol sistemlerinin aksine, TSVer temporal mantık yürütme yaparak zaman içindeki değişimleri de hesaba katıyor.
Yapay Zeka Artık Ödül Beklemeden Keşfetmeyi Öğreniyor
Araştırmacılar, yapay zeka ajanlarının dış ödül sistemlerine ihtiyaç duymadan karmaşık keşif davranışları geliştirmesini sağlayan yeni bir yöntem geliştirdi. Temporal kontrastif temsiller kullanılan bu yaklaşım, ajanların gelecekte öngörülemeyen sonuçları olan durumları önceliklendirmesini sağlıyor. Hareket, manipülasyon ve somutlaştırılmış yapay zeka görevlerinde test edilen sistem, geleneksel olarak dış ödüllerin gerektirdiği yetenekleri kendiliğinden kazanabiliyor. Bu gelişme, yapay zekanın çevreyi anlama ve keşfetme biçiminde önemli bir paradigma değişikliği anlamına geliyor.
EventCrab: Olay Tabanlı Eylem Tanıma İçin Çığır Açan Hibrit Yaklaşım
Araştırmacılar, geleneksel kamera sistemlerinin aksine yüksek temporal çözünürlük ve mahremiyet koruması sağlayan olay tabanlı eylem tanıma teknolojisinde yeni bir döneme işaret eden EventCrab çerçevesini geliştirdi. Bu yenilikçi sistem, olay verilerinin benzersiz özelliklerini - zaman boyutunda yoğun, uzay boyutunda seyrek olan asenkron yapılarını - dikkate alarak iki farklı yaklaşımı ustaca birleştiriyor. Hafif çerçeve tabanlı ağlar ile ağır nokta tabanlı ağları harmanlayan EventCrab, hem doğruluk hem de verimlilik açısından denge kuruyor. Bu teknoloji, özellikle gizlilik gerektiren uygulamalarda ve yüksek hızlı hareket analizinde devrim yaratabilir.
Yapay zeka öneri sistemlerinde zamansal davranış analizi: TAI2Vec modeli
Stanford ve diğer üniversitelerden araştırmacılar, kullanıcı davranışlarındaki zaman boyutunu daha etkili analiz edebilen yeni bir yapay zeka modeli geliştirdi. TAI2Vec adlı bu sistem, öneri algoritmalarının temelini oluşturan item embedding teknolojisine zamansal farkındalık kazandırıyor. Geleneksel yöntemler kullanıcı etkileşimlerini zamansız bir şekilde değerlendirirken, yeni yaklaşım kısa ve uzun vadeli tercihleri birbirinden ayırt edebiliyor. Model, dakikalar arayla yapılan etkileşimlerle aylar arayla yapılanları aynı önemde görmek yerine, her kullanıcının bireysel davranış temposuna uyarlanabiliyor. Bu gelişme, e-ticaret platformlarından sosyal medya algoritmalarına kadar geniş bir yelpazede daha kişiselleştirilmiş ve doğru öneriler sunulmasını sağlayabilir.
NEFFY 2.0: Ukraynalı Mülteciler İçin Stres Azaltan Nefes Arkadaşı Robot
Araştırmacılar, stres ve kaygı yaşayan kişiler için tasarlanmış sosyal robot NEFFY 2.0'ı geliştirdi. Robot, dokunsal geri bildirim ve çok duyulu etkileşim kullanarak yavaş tempolu nefes alma tekniklerinde rehberlik ediyor. Ukraynalı 14 mülteci ile yapılan çalışmada, robotun stres azaltmadaki etkinliği test edildi. Kalp atış hızı, kalp ritmi değişkenliği, solunum hızı ve deri iletkenliği gibi fizyolojik göstergeler ölçülerek, robot destekli nefes egzersizlerinin yalnızca ses rehberliğine kıyasla daha etkili olduğu belirlendi. Uzun süreli kaygı yaşayan bireyler için özellikle değerli olan bu teknoloji, erişilebilir ve düşük eşikli bir stres yönetimi çözümü sunuyor.