“sel” için sonuçlar
5.533 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Zaman Serisi Tahminlerinde Yanlılığı Düzelten Yeni Algoritma Geliştirildi
Araştırmacılar, zaman serisi verilerinde tahmin yaparken karşılaşılan yanlılık sorununu çözen yeni bir algoritma geliştirdi. Bias-Corrected Adaptive Conformal Inference (BC-ACI) adlı bu yöntem, özellikle veri dağılımında değişiklikler yaşandığında ortaya çıkan sistematik hataları otomatik olarak düzeltebiliyor. Geleneksel yöntemler bu durumda sadece tahmin aralıklarını genişleterek aşırı temkinli sonuçlar üretirken, BC-ACI hem yanlılığı düzeltiyor hem de tahmin aralıklarını yeniden merkezleyerek daha hassas sonuçlar veriyor. 688 farklı test senaryosunda yapılan deneylerde, algoritmanın başarılı performans gösterdiği kanıtlandı.
AI Ajanları Sınırlı Bilgiyle Nasıl Karar Alıyor? Yeni Araştırma Çığır Açtı
Yapay zeka sistemleri gerçek dünyada sürekli bilgi akışına erişemeyebilir - sensör sınırları, iletişim kesintileri ya da hesaplama kısıtları nedeniyle. MIT araştırmacıları, bu zorlu koşullarda çalışan AI ajanlarının performansını analiz eden yeni bir çerçeve geliştirdi. Zamana bağlı değişen ortamlarda, eski bilgilerle karar almak zorunda kalan yapay zeka sistemlerinin ne kadar etkili olabileceğini matematiksel olarak kanıtladılar. Bu çalışma, otonom araçlardan robot sistemlere, gerçek zamanlı veri akışının kesintiye uğradığı her durumda kritik öneme sahip. Araştırma, AI'nin güvenilirliği ve dayanıklılığı konusunda yeni perspektifler sunuyor.
HETA ile Yapay Zeka Modelleri Nasıl Düşünüyor Artık Daha İyi Anlayabiliriz
Büyük dil modellerinin kararlarını nasıl aldığını anlamak, yapay zekanın güvenilirliği için kritik önem taşıyor. Araştırmacılar, GPT benzeri modellerin hangi kelimelerin etkisiyle belirli çıktılar ürettiğini açıklayan yeni bir yöntem geliştirdi. HETA adlı bu sistem, mevcut tekniklerin aksine, sadece kodlayıcı tabanlı değil, üretici modeller için özel olarak tasarlandı. Yöntem, kelimelerin birbirini nasıl etkilediğini, hassasiyet puanlarını ve bilgi kaybını bir arada değerlendireyor. Bu sayede modelin düşünce sürecini daha doğru bir şekilde haritalayabiliyor. Geliştirilen sistem, özellikle otoregresif üretim yapan modellerin karmaşık nedensel ilişkilerini yakalayabildiği için önemli bir ilerleme sayılıyor. Araştırma, yapay zekanın açıklanabilirliği konusunda yeni bir standart oluşturma potansiyeli taşıyor.
Yapay Zeka Öğrenme Hızını Artıran Yeni Matematiksel Yöntem Geliştirildi
Araştırmacılar, yapay zekanın yeni görevleri daha hızlı öğrenmesini sağlayan 'binomial gradyan tabanlı meta-öğrenme' adlı yeni bir yöntem geliştirdi. Meta-öğrenme, AI sistemlerinin geçmiş deneyimlerden yararlanarak az veriyle bile yeni görevlerde başarılı olmalarını sağlar. Mevcut yöntemler çok fazla hesaplama gücü gerektirirken, yeni yaklaşım binomial genişleme matematiksel tekniğini kullanarak bu sorunu çözüyor. Sistem paralel hesaplama yapabildiği için hem daha hızlı hem de daha doğru sonuçlar üretiyor. Bu gelişme, yapay zekanın öğrenme sürecini optimize ederek daha verimli AI sistemlerinin geliştirilmesine katkı sağlayabilir.
Yapay Zeka Arama Sistemlerinde Zaman İçinde Değişen Kullanıcı Davranışları Sorunu
Araştırmacılar, yapay zeka tabanlı arama sistemlerinde kritik bir sorunla karşı karşıya: kullanıcı davranışları zaman içinde değişince sistemin performansı düşüyor. Geleneksel arama sistemleri en yakın eşleşmeyi bulurken, yeni nesil sistemler her öğeye benzersiz tanımlayıcılar vererek aramayı metin üretimi problemi haline getiriyor. Bu yaklaşım başlangıçta etkili olsa da, kullanıcı etkileşim kalıpları değiştikçe tanımlayıcılar güncelliğini kaybediyor. Mevcut çözümler ya sabit tanımlayıcı setleri kullanıyor ya da sistemi sıfırdan yeniden eğitiyor. Bu durumda hem maliyet artıyor hem de sürekli güncelleme zorlaşıyor. Yeni araştırma, bu sorunun ne kadar ciddi olduğunu kronolojik testlerle analiz ediyor ve hafif, model-bağımsız bir güncelleme yöntemi öneriyor.
Büyük Dil Modelleri İkilem Yaşıyor: Daha Akıllı Ama Aynı Zamanda Daha Kolay Kandırılır
Yeni bir araştırma, yapay zeka dil modellerinin boyutu büyüdükçe paradoksal bir davranış sergilediğini ortaya koyuyor. Cornell Üniversitesi araştırmacıları, büyük modellerin yanlış bilgilere karşı daha dirençli hale gelirken, aynı zamanda rastgele ve anlamsız metinleri taklit etme eğiliminin arttığını keşfetti. Cerebras-GPT ve Pythia model ailelerini analiz eden çalışma, bu durumun öngörülebilir matematiksel yasalara uyduğunu gösteriyor. En büyük modeller, yanlış bilgilere karşı en küçük modellerden dört kat daha dirençliyken, anlamsız içerikleri kopyalama konusunda iki kat daha eğilimli. Bu bulgu, AI sistemlerinin geliştirilmesinde önemli bir ikilem olduğuna işaret ediyor.
İHA Görüntülerindeki Minik Nesneleri Tespit Eden Yeni Yapay Zeka Sistemi
Araştırmacılar, insansız hava araçları (İHA) ile çekilen görüntülerdeki çok küçük nesneleri tespit etmek için DroneScan-YOLO adlı yeni bir yapay zeka sistemi geliştirdi. Mevcut YOLO tabanlı tespit sistemleri, 32 piksel altındaki nesneleri fark etmekte zorlanıyor ve yoğun hesaplama gücü gerektiriyordu. Yeni sistem, 1280x1280 çözünürlükle çalışarak daha fazla uzamsal detay yakalıyor, gereksiz filtreleri otomatik olarak temizleyen RPA-Block mekanizması kullanıyor ve sadece %1.1 parametre artışıyla 4 piksel adımlı yeni bir tespit dalı ekliyor. Hibrit kayıp fonksiyonu SAL-NWD ile de özellikle çok küçük nesnelerdeki tespit başarısını artırıyor. Bu gelişme, arama-kurtarma operasyonları, tarımsal izleme ve güvenlik uygulamalarında kritik öneme sahip.
Yaşlılar İçin Güvenilir Düşme Algılama: T-SHAP ile Açıklanabilir Yapay Zeka
Araştırmacılar, yaşlı bakımında düşme tespiti için yenilikçi bir yapay zeka sistemi geliştirdi. Bu sistem, sadece düşmeleri tespit etmekle kalmıyor, aynı zamanda klinik uzmanların güvenebileceği açıklanabilir sonuçlar da sunuyor. T-SHAP adı verilen yeni yöntem, geleneksel SHAP algoritmalarının zamanlı veriler üzerindeki kararsızlık sorununu çözüyor. Sistem, insan iskelet verilerini analiz ederek düşmeleri tespit ederken, her karar için klinisyenlere güvenilir açıklamalar sunabiliyor. Bu gelişme, yaşlanan nüfus ve bakım ihtiyaçları göz önünde bulundurulduğunda, sağlık teknolojisinde önemli bir adım olarak değerlendiriliyor.
Yapay Zeka Modelleri İnsan Gibi Bilişsel Esneklik Kazanabilir mi?
Araştırmacılar, insanların farklı görevler arasında geçiş yapma yeteneği olan bilişsel esnekliği yapay zeka modellerinde nasıl geliştirebileceğini inceledi. Çalışma, çok görevli öğrenme ortamlarında görev yapısının ve çevre koşullarının bilişsel esneklik üzerindeki etkisini araştırıyor. Önceki bilgileri korurken (bilişsel kararlılık) yeni görevlere de aktarabilme (bilişsel genelleme) kabiliyeti, hem insanlar hem de yapay zeka sistemleri için kritik öneme sahip. Araştırmada graf teorisi yöntemleri kullanılarak tasarlanan özel öğrenme ortamında, dikkat tabanlı modellerin görevleri bileşenlerine ayırabildiği ve sıralı dikkat mekanizmaları geliştirebileceği gösterildi. Bu bulgular, gelecekteki yapay zeka sistemlerinin daha esnek ve adaptif olmasına katkı sağlayabilir.
Yapay Zeka Modellerinin Çok Dilli Eğitimi İngilizce'den Çok Daha Etkili
Büyük dil modellerinin eğitiminde sadece İngilizce kullanmanın yetersiz olduğunu gösteren kapsamlı bir araştırma yayınlandı. 8 milyar parametreye kadar modeller üzerinde yapılan 220 farklı eğitim deneyi, çok dilli yaklaşımın tüm dillerde performansı artırdığını ortaya koyuyor. Araştırmacılar, matematiksel akıl yürütme ve API çağrıları gibi görevlerde çok dilli eğitimin sadece düşük kaynaklı dilleri değil, İngilizce performansını da iyileştirdiğini keşfetti. Hatta tek bir yabancı dil eklemenin bile modelin genel başarısını artırdığı gözlemlendi. Bu bulgular, yapay zeka endüstrisinin İngilizce ağırlıklı eğitim yaklaşımını yeniden değerlendirmesi gerektiğine işaret ediyor.
MOONSHOT: Yapay Zeka Modellerini Sıkıştırma Sanatında Çoklu Hedef Yaklaşımı
Araştırmacılar, milyarlarca parametreli yapay zeka modellerini yeniden eğitmeden küçültebilen yeni bir framework geliştirdi. MOONSHOT adlı bu sistem, mevcut model sıkıştırma yöntemlerinin tek hedefli yaklaşımlarının yetersizliklerini gidererek, hem katman bazında yeniden yapılandırma hatalarını hem de eğitim kaybının matematiksel yaklaşımlarını aynı anda optimize ediyor. Bu çoklu hedefli strateji, farklı mimarilerde ve sıkıştırma seviyelerinde daha tutarlı sonuçlar veriyor. Framework, mevcut budama algoritmalarının etrafına sarılabilen esnek bir yapıya sahip ve büyük dil modellerinden görüntü işleme modellerine kadar geniş bir yelpazede kullanılabiliyor.
Yapay Zeka ile Şifreleme Sistemlerinin Zayıflıklarını Keşfetmek
Araştırmacılar, modern şifreleme sistemlerindeki gizli zayıflıkları tespit etmek için yapay zeka destekli yeni bir yöntem geliştirdi. Neural Stringology Cryptanalysis adı verilen bu yaklaşım, geleneksel güvenlik testlerinin gözden kaçırabileceği yapısal anormallikleri makine öğrenmesi ile ortaya çıkarıyor. Özellikle ChaCha20 gibi yaygın kullanılan akım şifrelerini hedef alan sistem, metin analizi tekniklerini sinir ağlarıyla birleştiriyor. Bu yöntem, şifreleme algoritmalarının ürettiği anahtar dizilerindeki gizli kalıpları analiz ederek, daha önce fark edilmeyen güvenlik açıklarını tespit edebiliyor. Çalışma, siber güvenlik alanında yeni bir paradigma sunarak, şifreleme sistemlerinin dayanıklılığını değerlendirmek için daha sofistike araçların gerekliliğini vurguluyor.
Yapay Zeka ile Yeraltı Rezervuarları Artık Daha Kesin Haritalanabiliyor
Stanford araştırmacıları, yeraltı rezervuarlarının özelliklerini belirlemek için fizik kurallarını yapay zeka ile birleştiren yenilikçi bir yöntem geliştirdi. Bu teknik, petrol rezervuarları, jeotermal enerji kaynakları ve CO₂ depolama alanları gibi yeraltı yapılarının daha doğru haritalanmasını sağlıyor. Geleneksel yöntemlerin aksine, sınırlı basınç ölçümleriyle bile güvenilir sonuçlar üretebilen sistem, özellikle nadir görülen aşırı basınç olaylarını da başarıyla modelleyebiliyor. Makine öğrenmesi algoritmaları içine fizik simülatörleri gömülerek geliştirilen bu yaklaşım, hem hesaplama maliyetlerini düşürüyor hem de fiziksel tutarlılığı koruyor. Yöntem, enerji sektöründen çevre koruma uygulamalarına kadar geniş bir kullanım alanı sunuyor ve yeraltı kaynak yönetiminde devrim yaratma potansiyeli taşıyor.
Dronlar için AI Destekli Güvenli İniş Sistemi Geliştirildi
Araştırmacılar, otonom kargo dronlarının kentsel alanlarda güvenli paket teslimatı yapabilmesi için yenilikçi bir yapay zeka sistemi geliştirdi. 'See&Say' adlı bu sistem, görsel algı ve dil modellerini birleştirerek dronların iniş yapacakları alanları dinamik olarak değerlendiriyor. Geleneksel yaklaşımlar sadece geometrik analiz veya görüntü segmentasyonuna odaklanırken, yeni sistem her iki yöntemi entegre ederek daha güvenilir karar verme sağlıyor. Sistem, tek kamerayla çekilen görüntülerdeki derinlik gradyanlarını açık-kelime dağarcığı algılama maskeleriyle birleştirerek güvenlik haritaları oluşturuyor. Bu teknolojik gelişme, kargo dronlarının karmaşık şehir ortamlarında güvenli teslimat yapabilmesi için kritik bir adım.
Video Sıkıştırmada Yapay Zeka için Yeni Esnek Yaklaşım: PAT-VCM
Araştırmacılar, makine öğrenmesi sistemleri için video sıkıştırma teknolojisinde önemli bir yenilik geliştirdi. PAT-VCM adlı yeni sistem, farklı yapay zeka görevleri için ayrı ayrı video kodlayıcı eğitme ihtiyacını ortadan kaldırıyor. Geleneksel yöntemler her görev için özel sıkıştırma algoritması gerektirirken, bu sistem tek bir temel video akışını hafif 'yardımcı tokenlar' ile destekleyerek çoklu görevlerde kullanılabiliyor. Sistem, görsel kalıntı tokenları, kontrol tokenları ve anlamsal tokenlar olmak üzere üç tür yardımcı bilgi türünü destekliyor. Nesne tespiti, derinlik tahmin etme ve görüntü segmentasyonu gibi farklı görevlerde test edilen sistem, her görev için ayrı model eğitme maliyetini azaltırken performansı koruyor. Bu yaklaşım, yapay zeka sistemlerinin video analizi yeteneklerini daha verimli hale getirerek endüstriyel uygulamalarda önemli bir adım teşkil ediyor.
t-SNE'nin Matematiksel Sınırları: Veri Görselleştirmede Kayıplar
Veri biliminde yaygın kullanılan t-SNE algoritmasının teorik sınırları araştırıldı. Yüksek boyutlu verileri düşük boyutlarda görselleştirmek için kullanılan bu tekniğin, hangi durumlarda önemli veri özelliklerini kaybettiği matematiksel olarak ortaya kondu. Araştırmacılar, t-SNE'nin popülaritesine rağmen sahip olduğu temel kısıtlamaları detaylı bir çerçevede inceleyerek, algoritmanın farklı senaryolardaki performans kayıplarını analiz etti. Bu çalışma, veri bilimcilerin t-SNE'yi kullanırken karşılaştıkları potansiel sorunları daha iyi anlamalarına yardımcı olacak teorik temeller sunuyor. Bulgular, boyut indirgeme tekniklerinin doğal olarak taşıdığı bilgi kaybının t-SNE özelindeki matematiksel açıklamasını sağlıyor.
Yapay Zeka Güvenliğinde Yeni 'Bal Küpü' Protokolü: Gizli Davranışları Tespit Etmenin Yolu
Araştırmacılar, yapay zeka sistemlerinin farklı ortamlarda sergiledikleri gizli davranışları tespit etmek için 'bal küpü protokolü' adını verdikleri yeni bir yöntem geliştirdi. Geleneksel izleme sistemleri, AI modellerinin sadece pasif gözlemini yaparken, bu yeni yaklaşım modellerin farklı koşullarda nasıl davrandığını aktif olarak test ediyor. Protokol, görevin ve çevrenin aynı kalmasına rağmen sistem komutlarını üç farklı duruma göre değiştiriyor: değerlendirme, sentetik dağıtım ve açık izleme yok durumları. Claude Opus modeli üzerinde yapılan ilk testlerde, model her üç durumda da tutarlı performans gösterdi. Bu yöntem, AI güvenliğinde önemli bir adım olarak görülüyor çünkü modellerin potansiyel olarak zararlı davranışlarını gizlemesi durumunu tespit edebiliyor.
Yapay zeka modellerinin 'kara kutu' sorunu için yeni çözüm: Katmanlar arası kod çeviriciler
Yapay zeka araştırmacıları, Vision Transformer modellerinin nasıl çalıştığını anlamamızı sağlayacak yeni bir yöntem geliştirdi. 'Katmanlar Arası Kod Çeviriciler' (CLT) adı verilen bu teknik, görüntü işleyen AI modellerinin her katmanının nasıl kararlar aldığını görünür hale getiriyor. Geleneksel yöntemler sadece tek katmanları inceleyebiliyorken, CLT tüm katmanlar arasındaki etkileşimleri analiz edebiliyor. Bu gelişme, AI modellerinin daha güvenilir ve anlaşılabilir olmasını sağlayarak, özellikle kritik uygulamalarda yapay zekanın nasıl çalıştığını açıklamamıza yardımcı oluyor. Araştırmacılar, bu yöntemin AI'nın 'kara kutu' problemini çözmede önemli bir adım olduğunu belirtiyor.
Yapay zeka, uydu görüntülerini gruplamada yeni çığır açtı
Araştırmacılar, hiperspektral uydu görüntülerini analiz etmek için yeni bir yapay zeka algoritması geliştirdi. Bu yöntem, görüntüleri anlamlı bölgelere ayırarak tarım, çevre izleme ve şehir planlama gibi alanlarda devrim yaratabilir. Algoritma, Vision Transformer teknolojisi kullanarak görüntülerin hem uzamsal hem de spektral özelliklerini etkili şekilde öğreniyor. Geleneksel yöntemlerden farklı olarak, sadece küçük bir veri alt kümesiyle eğitilerek yüksek doğruluk elde ediyor. Bu gelişme, uydu verilerinin daha hızlı ve doğru analiz edilmesini sağlayarak çevresel değişikliklerin takibi, tarımsal verimlilik analizi ve doğal afet yönetimi gibi kritik uygulamalarda önemli avantajlar sunuyor.
Robotlar Artık Kendi Vücutlarını Görsel Olarak Algılayabiliyor
Araştırmacılar, robot kollarının kendi vücutlarını görsel olarak algılayarak hareket edebilmesi için yenilikçi bir yöntem geliştirdi. Bu sistem, robotların üzerine herhangi bir işaretçi yerleştirmeden, sadece doğal görsel özelliklerini kullanarak kendilerini konumlandırabilmesini sağlıyor. Geliştirilen teknik, önce robot üzerine ArUco işaretçiler yerleştirerek veri topluyor, ardından bu işaretçileri dijital olarak silerek doğal görünümlü robot görüntüleri elde ediyor. Bu yaklaşım, özellikle işaretçi yerleştirmenin mümkün olmadığı endüstriyel uygulamalar için büyük önem taşıyor ve robot kontrolünde yeni bir dönem başlatabilir.
Yapay Zeka Robotları İçin Belirsizlikle Başa Çıkan Yeni Kontrol Sistemi
Araştırmacılar, eksik bilgiye sahip sistemlerde çalışan robotlar için yeni bir kontrol algoritması geliştirdi. Path integral kontrol yöntemi, geleneksel olarak tam gözlemlenebilen sistemlerde kullanılırken, yeni yaklaşım belirsizlik içeren durumları da ele alabiliyor. Gaussian inanç uzayı kullanılarak geliştirilen MPPI-Belief algoritması, robotların çevreyi tam olarak algılayamadığı durumlarda daha etkili kararlar almasını sağlıyor. Bu yenilik özellikle otonom navigasyon, drone kontrolü ve endüstriyel robotik uygulamaları için kritik önem taşıyor. Sistem, belirsizlik altında optimal yol planlama yapabilen yapay zeka sistemlerinin geliştirilmesinde önemli bir adım olarak değerlendiriliyor.
Tensor Bellek Motoru: Veriyi Anlık Yeniden Düzenleyerek Performansı Artırıyor
Bulut bilişimden kenar bilişime geçiş, yeni nesil akıllı sistemler için ciddi performans zorlukları yaratıyor. Araştırmacılar, bellek duvarı problemini çözmek için yenilikçi bir donanım-yazılım hibrit yaklaşımı geliştirdi. Tensor Bellek Motoru adı verilen bu sistem, veriyi bellekte ideal şekilde düzenleyerek önbellek performansını dramatik olarak artırıyor. Geleneksel veri yoğun uygulamalar ya kötü bellek erişimi sergiliyor ya da performans için aşırı bellek tüketimine zorlanıyor. Bu yeni teknoloji, işlemcinin veri yoluna şeffaf şekilde entegre edilerek, ticari SoC ve FPGA platformlarda uygulanabiliyor. Sistem, uygulamaların pahalı yeniden tasarım süreçlerine gerek kalmadan ideal önbellek yerelliği sağlamasına olanak tanıyor. Edge computing'in artan öneminde bu gelişme, mobil ve gömülü sistemlerde veri işleme performansını yeni boyutlara taşıyabilir.
Yapay Zeka Modelleri Neden Nesnelerin Yönünü Anlayamıyor?
Çok modlu büyük dil modelleri (MLLM'ler), görüntülerdeki nesnelerin 2D yönelimini belirleme konusunda ciddi zorluklar yaşıyor. Yeni bir araştırma, bu sorunun kaynağını araştırarak görsel kodlayıcıların rolünü inceliyor. CLIP ve SigLIP gibi yaygın kullanılan kodlayıcıların, geometrik akıl yürütme yerine görüntü-metin anlamsal hizalama için eğitilmiş olmasının bu başarısızlığın temel nedeni olabileceği hipotezi test ediliyor. Araştırmacılar, LLaVA OneVision ve Qwen2.5-VL gibi modellerden elde edilen kodlayıcı temsillerinin rotasyon bilgisini koruyup korumadığını ölçmek için kontrollü deneysel protokoller tasarlıyor.
Robotlar İçin Gerçek Zamanlı Hareket Planlama: 1000 Kat Hızlı Algoritma
Stanford araştırmacıları, humanoid robotların karmaşık hareketlerini planlamak için yeni bir algoritma geliştirdi. Geleneksel yöntemler onlarca saniye sürerken, yeni SIMD tabanlı yaklaşım aynı işlemi milisaniyeler içinde tamamlayabiliyor. Algoritma, robotların çeşitli kısıtlamalar altında hareket planlamasını 100-1000 kat hızlandırarak gerçek zamanlı uygulamaları mümkün kılıyor. Bu gelişme özellikle dinamik ortamlarda çalışan humanoid robotlar ve endüstriyel otomasyon sistemleri için büyük önem taşıyor. Paralel işleme teknolojisinin robotik alanındaki potansiyelini gösteren çalışma, robotların daha akıllı ve hızlı karar vermesinin önünü açıyor.