“tablo verileri” için sonuçlar
12 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Küçük dil modelleri artık tablo verilerini kaynak göstererek analiz edebiliyor
Araştırmacılar, küçük dil modellerinin tablo verilerini analiz ederken hangi hücrelerden bilgi aldığını şeffaf bir şekilde gösterebilen RSAT yöntemini geliştirdi. Bu yenilik, yapay zeka sistemlerinin güvenilirliği açısından önemli bir adım. 1-8 milyar parametreli modeller üzerinde test edilen sistem, her akıl yürütme adımını kaynak hücrelerle eşleştirerek doğrulanabilir sonuçlar üretiyor. Geleneksel yaklaşımlarda kullanıcılar, AI'nın hangi verileri kullanarak sonuca ulaştığını bilemiyordu. RSAT ise adım adım mantık yürütme sürecinde kullanılan her tablo hücresini işaret ederek bu sorunu çözüyor. Test sonuçları, sistemin güvenilirliğini 3,7 kat artırdığını ve kaynak gösterme doğruluğunun yüzde 99,2'ye ulaştığını gösteriyor.
AI Sistemleri İçin Yeni Tablo Arama Teknolojisi: FollowTable Benchmark'ı
Yapay zeka sistemlerinin veri tablolarından daha etkili bilgi alabilmesi için yeni bir yaklaşım geliştirildi. Geleneksel tablo arama yöntemleri sadece konu benzerliğine odaklanırken, LLM tabanlı sistemler belirli talimatları takip ederek arama yapmak zorunda. Araştırmacılar bu ihtiyacı karşılamak için Instruction-Following Table Retrieval (IFTR) adlı yeni bir görev türü tanımladı. Bu sistem, hem konusal uygunluğu hem de detaylı talimat kısıtlarını aynı anda sağlayabiliyor. Çalışmada iki temel zorluk belirlendi: içerik kapsamına duyarlılık ve şema tabanlı gereksinimlerin farkında olma. Bu alandaki ilk büyük ölçekli değerlendirme sistemi olan FollowTable benchmark'ı, geliştiricilerin yeni algoritmaları test etmesi için kapsamlı bir platform sunuyor.
Yapay Zeka Modelleri Tablo Verilerindeki Geleceği Öngörmekte Zorlanıyor
Araştırmacılar, büyük dil modellerinin tablo verilerinden gelecekteki durumları öngörme yeteneklerini test eden TopBench adlı yeni bir değerlendirme sistemi geliştirdi. 779 farklı örnekten oluşan bu sistem, yapay zeka modellerinin tablolardaki geçmiş verilerden hareketle gelecek tahminleri yapabilme becerisini ölçüyor. Çalışma, mevcut yapay zeka modellerinin basit bilgi çıkarma işlemlerinde başarılı olduğunu, ancak gizli amaçları anlama ve güvenilir öngörü yapma konularında yetersiz kaldığını ortaya koydu. Bu bulgular, yapay zekanın gerçek dünya uygulamalarında karşılaştığı önemli sınırları gösteriyor.
Yapay zeka spor haberciliğinde ağaç yapısıyla başarıya ulaştı
Araştırmacılar, spor maçı verilerinden haber metni üreten yeni bir yapay zeka sistemi geliştirdi. Tree-of-Text adlı bu framework, büyük dil modellerinin tablo verilerini yorumlarken yaşadığı 'halüsinasyon' sorununu çözmek için ağaç yapısına dayalı bir yaklaşım benimsiyor. Sistem, içerik planlama, işlem yürütme ve metin üretimi olmak üzere üç aşamalı bir süreçle çalışıyor. Geleneksel yöntemlerin büyük veri setlerine ihtiyaç duyması ve mevcut prompt yöntemlerinin veri yorumlama konusundaki zayıflıkları göz önüne alındığında, bu yenilik spor haberciliğinde önemli bir adım teşkil ediyor.
Yapay Zeka Ajanları Tablo Verilerindeki Yanlış Bilgileri Tespit Ediyor
Araştırmacılar, tablo halindeki verilerden yapılan iddiaların doğruluğunu kontrol etmek için yeni bir yapay zeka sistemi geliştirdi. MACE adlı sistem, üç özel ajan kullanarak dezenformasyonla mücadele ediyor. Planlayıcı ajan doğrulama stratejisini belirliyor, Uygulayıcı ajan hesaplamaları yapıyor, Doğrulayıcı ajan ise mantıksal tutarlılığı kontrol ediyor. Sistem, karmaşık eğitim süreçlerine ihtiyaç duymadan çalışıyor ve her adımda açıklanabilir sonuçlar üretiyor. Test edilen dört veri setinden ikisinde en iyi performansı sergileyen sistem, diğer ikisinde de mevcut en iyi modellerle eşdeğer başarı gösterdi.
R Dili İçin Yeni Derin Öğrenme Çerçevesi: mlr3torch Paketi Tanıtıldı
Araştırmacılar, R programlama dili için geliştirilmiş yeni bir derin öğrenme çerçevesi olan mlr3torch paketini tanıttı. Bu paket, makine öğrenmesi uzmanlarının sinir ağlarını daha kolay tanımlayabilmesi, eğitebilmesi ve değerlendirebilmesi için tasarlandı. Özellikle tablo verileri ve görüntüler gibi genel tensörlerle çalışabilen sistem, hem sınıflandırma hem de regresyon görevlerini destekliyor. Paketin en dikkat çekici özelliği, kullanıcıların sinir ağlarını grafik yapısında tanımlayabilmesi ve veri ön işleme, artırma ve ağ mimarisi gibi tüm modelleme sürecini tek bir grafikte yönetebilmesi. Bu yenilik, R kullanıcılarının derin öğrenme projelerinde daha verimli çalışmasını sağlayacak.
Yapay Zeka Tablolu Verilerden Belirsiz Sorulara Cevap Vermeyi Öğreniyor
Araştırmacılar, büyük dil modellerinin tablo verilerinden belirsiz sorulara yanıt verme yeteneğini geliştirmek için yeni bir sistem geliştirdi. ODUTQA-MDC adlı bu çalışma, 209 tablo ve 25.000'den fazla soru-cevap çifti içeren kapsamlı bir veri seti sunuyor. Sistem, belirsiz ifadeleri tespit edebiliyor ve kullanıcıyla diyalog kurarak soruları netleştiriyor. Bu gelişme, yapay zekanın günlük hayattaki belirsiz sorulara daha akıllıca yaklaşmasını sağlayabilir.
Sahte Etiketler Kullanarak Tablo Verilerindeki Anomalileri Tespit Eden Yeni Yöntem
Araştırmacılar, tablo verilerindeki anormallikleri tespit etmek için yeni bir yapay zeka yöntemi geliştirdi. PLAG adı verilen bu sistem, sahte etiketleri rehber olarak kullanarak anomali tespitinde çığır açıyor. Geleneksel yöntemler genellikle denetimsiz öğrenme kullanır ya da küçük miktarda etiketli veriye dayanır, ancak bunlar yerel anomali paternlerini gözden kaçırabilir. Yeni yaklaşım, bir örneğin genel anomali değerlendirmesini özellik düzeyindeki anormalliklerin birikimine bölerek daha hassas sonuçlar elde ediyor. Bu gelişme, veri güvenilirliğinin artırılması ve sistem kararlılığının korunması açısından büyük önem taşıyor.
Büyük Dil Modelleri Tablo Verilerinden Soru-Cevap Alanını Nasıl Değiştiriyor?
Araştırmacılar, büyük dil modellerinin tablo verilerinden soru yanıtlama (TQA) alanındaki etkisini kapsamlı bir şekilde inceledi. Bu çalışma, Excel tabloları gibi yapılandırılmış verilerden doğal dil sorularına yanıt veren sistemlerin mevcut durumunu analiz ediyor. TQA, finansal raporlardan bilimsel verilere kadar geniş bir yelpazede kullanılan kritik bir AI yeteneği. Araştırma, mevcut yöntemlerin güçlü ve zayıf yönlerini sistematik olarak kategorize ederken, pekiştirmeli öğrenme gibi yeni yaklaşımların potansiyelini de değerlendiriyor. Bu derleme çalışması, alanın gelecekteki araştırma yönlerini belirlemek ve mevcut zorlukları aşmak için yol haritası sunuyor. Özellikle ChatGPT benzeri modellerin bu alanda nasıl kullanıldığı ve hangi sınırlamaları olduğu detaylı şekilde ele alınıyor.
Yapay Zeka Artık Tablolarla Matematik Yapabilecek
Araştırmacılar, büyük dil modellerinin tablo verilerini kullanarak matematik problemlerini çözme yeteneklerini değerlendiren yeni bir sistem geliştirdi. TabularMath adlı bu benchmark, yapay zekanın gerçek dünya uygulamalarında karşılaştığı eksik ve tutarsız verilerle nasıl başa çıktığını ölçüyor. AutoT2T çerçevesi sayesinde matematik sorularını otomatik olarak tablo formatına dönüştüren sistem, iş zekası uygulamalarından finansa kadar birçok alanda kullanılabilir. Bu gelişme, AI'nın sadece metin tabanlı matematik problemlerini değil, aynı zamanda karmaşık veri tablolarıyla da mantıklı çıkarımlar yapabilmesinin yolunu açıyor.
Yapay Zeka Tablolar İçin İnsansı Mantık Yürütmeyi Öğreniyor
Araştırmacılar, tablo verilerini analiz etmek için yeni bir yapay zeka sistemi geliştirdi. ReSS adlı bu sistem, sembolik mantık ile büyük dil modellerini birleştirerek hem yüksek doğruluk hem de anlaşılır açıklamalar sunuyor. Sistem, karar ağaçlarından elde edilen mantıksal yolları kullanarak, yapay zekanın verdiği kararları insan dilinde açıklayabiliyor. Sağlık ve finans gibi kritik alanlarda kullanılmak üzere tasarlanan bu yaklaşım, yapay zekanın şeffaflık sorununa önemli bir çözüm getiriyor. Geleneksel sembolik modellerin katı mantığı ile modern dil modellerinin esnekliğini harmanlayan sistem, özellikle hassas kararlar gerektiren uygulamalar için büyük önem taşıyor.
Yapay Zeka Temelli Yeni Yöntem Veri Analizinde Çığır Açıyor
Araştırmacılar, tablo verilerindeki karmaşık ilişkileri tespit etmek için TabDistill adlı yenilikçi bir yöntem geliştirdi. Bu yaklaşım, büyük yapay zeka modellerinin örtük olarak öğrendiği veri bağımlılıklarını çıkararak, geleneksel istatistiksel modellerin performansını artırıyor. Yöntem, önce büyük bir temel model eğitiyor, ardından bu modelden anlamlı özellik etkileşimlerini çıkarıyor ve bunları yorumlanabilir Genelleştirilmiş Toplamsal Modeller'de kullanıyor. Bu hibrit yaklaşım, hem yüksek doğruluk hem de yorumlanabilirlik sağlayarak, finans, sağlık ve pazarlama gibi kritik alanlarda daha güvenilir karar verme imkanı sunuyor. Geleneksel sezgisel yöntemlerin aksine, TabDistill daha karmaşık ve bağlama bağlı etkileri yakalayabiliyor.