“MEV” için sonuçlar
1.522 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yapay Zeka Hizalaması: Davranış Kontrolünden Kurumsal Tasarıma
Stanford araştırmacıları yapay zeka güvenliği için yeni bir yaklaşım önerdi. Mevcut yöntemler yapay zekanın davranışlarını sürekli denetleyerek düzeltmeye odaklanırken, bu çalışma ekonomik kuramlardan ilham alarak farklı bir yol öneriyor. Araştırmacılar, mülkiyet hakkının olmadığı bir ekonomiye benzettiği mevcut sistemlerin sürekli polis denetimi gerektirdiğini ve bu durumun ölçeklenmediğini belirtiyor. Bunun yerine, yapay zeka sistemlerinin iç yapısını öyle tasarlama öneriyorlar ki, istenen davranış en düşük maliyetli seçenek haline gelsin. Bu yaklaşım, yapay zeka hizalamasını bir davranış kontrolü sorunundan ziyade politik-ekonomi sorunu olarak görüyor. Çalışma, insan müdahalesinin üç temel seviyesini tanımlıyor: yapısal, parametrik ve denetimsel. Bu yeni framework, yapay zeka güvenliğinde paradigma değişikliği yaratabilir.
Yapay Zeka Yazılım Geliştirmede Yeni Dönem: Contract-Coding Yaklaşımı
Yazılım geliştirmede yapay zekanın kullanımı hızla yaygınlaşırken, karmaşık projelerde büyük sorunlar ortaya çıkıyor. Geleneksel AI kod üretim yöntemleri, belirsiz kullanıcı talimatlarını anlamlandırmakta zorlanıyor ve büyük çaplı projelerde sistem çöküşleri yaşanıyor. Araştırmacılar bu sorunu çözmek için 'Contract-Coding' adında yeni bir yaklaşım geliştirdi. Bu yöntem, belirsiz kullanıcı isteklerini önce formal bir sözleşmeye dönüştürüyor, sonra bu sözleşmeyi kullanarak kod üretiyor. Greenfield-5 test platformunda yapılan denemelerde, mevcut en gelişmiş sistemlerin başarısız olduğu durumlarda Contract-Coding %47 işlevsel başarı oranına ulaştı. Bu gelişme, yapay zekanın yazılım geliştirmedeki rolünü köklü şekilde değiştirebilir.
Yapay Zeka Destekli Sistem Kurumsal Yazılım Kodlarını Otomatik Bakımda Tutuyor
Büyük şirketlerin yüzlerce yazılım deposu, binlerce bağımlı paket ve farklı programlama dillerinden oluşan kod tabanlarını güncel tutması giderek zorlaşıyor. Araştırmacılar bu sorunu çözmek için CCCE adlı yapay zeka tabanlı bir sistem geliştirdi. Sistem, yazılım geliştirme sürecinin tamamında kod tabanlarını otomatik olarak bakımda tutuyor. Mevcut araçların aksine, CCCE tüm bileşenler arasındaki karmaşık ilişkileri anlayabiliyor ve bir değişikliğin sistem genelindeki etkilerini öngörebiliyor. Bu teknoloji, manuel müdahale gerektiren geleneksel yaklaşımların yerini alarak yazılım bakım süreçlerini devrim niteliğinde değiştirme potansiyeline sahip.
Kodlama Ajanları İş Dünyasında Ne Kadar Başarılı? Yeni Araştırma Sınırları Ortaya Koydu
Yapay zeka destekli kodlama ajanları yazılım geliştirme alanında hızla yaygınlaşırken, kullanıcılar bu teknolojileri genel iş süreçlerinde de kullanmaya başladı. Yeni bir araştırma, kodlama ajanlarının yazılım mühendisliği dışındaki alanlarda ne kadar etkili olduğunu inceledi. Araştırmacılar, mevcut değerlendirme yöntemlerindeki eksiklikleri tespit ederek, Enterprise Resource Planning (ERP) sistemi üzerinde pratik iş görevlerini test ettiler. Sonuçlar, bu ajanların basit görevleri güvenilir şekilde tamamlayabildiğini ancak karmaşık işlerde karakteristik hatalar yaptığını gösterdi. Bu durum, alan bilgisi ile kod çalıştırma arasındaki köprünün kurulmasının, bu teknolojinin genelleştirilebilirliği için kritik bir darboğaz olduğunu ortaya koyuyor.
Siber-Fiziksel Sistemlerde Yeni Mühendislik Yaklaşımı: Modelleme ve Simülasyon
Siber-fiziksel sistemler (CPS), hesaplama ve fiziksel süreçleri birleştiren karmaşık yapılardır. Ancak mevcut mühendislik yaklaşımları, bu sistemlerin çalıştırılma semantiğini yeterince dikkate almıyor. Araştırmacılar, doğrulanmış model davranışları ile gerçek çalıştırma davranışları arasındaki boşluğu kapatmak için yeni bir yaklaşım öneriyor. Bu yaklaşımda, çalıştırma semantiği birinci sınıf mühendislik varlıkları olarak ele alınıyor. Geleneksel formal doğrulama yöntemleri sabit semantik varsayımlarla çalışırken, simülasyon tabanlı doğrulama ise fiziksel kısıtlamaları göz ardı ediyor. Yeni yaklaşım, fiziksel çalıştırma kısıtlamalarını implementasyon detayları yerine semantik sınır koşulları olarak değerlendiriyor. Bu çalışma, CPS mühendisliğinde modelleme ve simülasyon tabanlı yeni bir paradigma sunarak, daha güvenilir ve gerçekçi sistem geliştirme süreçlerinin temelini atıyor.
Yapay Veri Üreticileri Dolandırıcılık Kalıplarını Taklit Etmekte Başarısız
Araştırmacılar, yapay zeki sistemlerin ürettiği sentetik verilerin gerçek dolandırıcılık davranışlarını yansıtmadığını ortaya koydu. Çalışma, mevcut yapay veri üreticilerinin istatistiksel özellikleri koruyabildiğini ancak dolandırıcıların karakteristik davranış kalıplarını yakalayamadığını gösteriyor. Bu durum, finansal güvenlik sistemlerinin geliştirilmesinde ciddi bir engel oluşturuyor. Araştırma ekibi, davranışsal sadakat adını verdikleri yeni bir değerlendirme boyutu tanımlayarak, yapay verilerin gerçek dünyadaki varlık aktivitelerinin zamansal ve yapısal kalıplarını ne ölçüde koruduğunu ölçmeyi hedefliyor.
Yapay Zeka Modelleri Artık Öğrendiklerini Seçerek Unutabilecek
Araştırmacılar, derin öğrenme modellerinin belirli bilgileri seçici ve güvenli şekilde unutmasını sağlayan yeni bir algoritma geliştirdi. Graph-Propagated Projection Unlearning (GPPU) adlı bu yöntem, görüntü ve ses işleme modellerinde istenmeyen sınıf bilgilerini kalıcı olarak silmeyi mümkün kılıyor. Sistem, graf tabanlı yayılım kullanarak özellik uzayında sınıfa özgü yönleri tespit ediyor ve bu bilgileri dik alt uzaya yansıtarak etkisiz hale getiriyor. Altı görüntü veri seti ve iki büyük ses veri seti üzerinde yapılan testlerde, GPPU'nun mevcut yöntemlere göre 10-20 kat daha hızlı çalıştığı ve hem CNN hem de Transformer mimarilerinde başarılı sonuçlar verdiği görüldü. Bu gelişme, veri mahremiyeti düzenlemeleri ve uyarlanabilir sistem tasarımı açısından büyük önem taşıyor.
Yapay Zeka Modelleri İçin Devrim Niteliğinde Bellek Yönetimi: KV Packet
Büyük dil modellerinin (LLM) çalışma hızını artıran yeni bir bellek yönetim sistemi geliştirildi. KV Packet adlı bu sistem, yapay zeka modellerinin önceki hesaplamalarını tekrar kullanma biçimini değiştirerek, işlem yükünü neredeyse sıfıra indiriyor. Geleneksel sistemlerde, bir belge farklı bağlamda kullanıldığında tüm hesaplamalar yeniden yapılıyor ve bu da önemli zaman kaybına yol açıyordu. Yeni yaklaşım ise belgeleri değiştirilemez 'paketler' olarak ele alıp, hafif eğitilebilir adaptörlerle sararak bu sorunu çözüyor. Llama-3.1 ve Qwen2.5 modellerinde yapılan testler, sistemin mevcut yöntemlere göre çok daha az işlem gücü kullandığını ve ilk yanıt sürelerini önemli ölçüde kısalttığını gösteriyor. Bu gelişme, yapay zeka asistanlarının daha hızlı ve verimli çalışmasının önünü açıyor.
Yapay zeka dilbilim testinin ciddi eksikleri ortaya çıkarıldı
Araştırmacılar, dilsel anlam değişimini tespit etmede kullanılan en etkili kıyaslama testlerinden SemEval-2020 Task 1'in temel sorunlarını analiz etti. Çalışma, testin kelimelerin anlam değişimini yalnızca ayrı anlamların kazanılması, kaybedilmesi veya yeniden dağıtılması olarak ele aldığını gösteriyor. Bu yaklaşım, dilin doğasında var olan kademeli, yapısal ve bağlamsal değişimleri yakalayamıyor. Ayrıca veri kalitesi incelemesinde OCR hataları, bozuk karakterler, kesik cümleler ve tutarsız dilbilgisel etiketleme gibi ciddi teknik problemler tespit edildi. Bu bulgular, yapay zeka sistemlerinin dil anlama kapasitelerini değerlendirmede kullanılan temel araçların ne kadar güvenilir olduğu sorusunu gündeme getiriyor.
Anomali Tespitinde Bağlam Sorunu: Yapay Zeka Neyin Normal Olduğunu Karıştırıyor
Yapay zeka sistemlerinde anomali tespiti, beklenmeyen durumları fark etmek için kritik bir yetenektir. Ancak yeni bir araştırma, mevcut sistemlerin önemli bir eksikliği olduğunu ortaya koyuyor: bağlamı göz ardı etme. Bir durum belirli koşullarda normal olabilirken, başka koşullarda anormal sayılabilir. Örneğin, bir fabrikada gece vardiyasında düşük ses seviyesi normal iken, gündüz vardiyasında aynı ses seviyesi arıza işareti olabilir. Araştırmacılar, bu bağlamsal çıkarım eksikliğinin sistemlerin performansını düşürdüğünü ve güvenilmez sonuçlar verdiğini tespit etti. Dinamik ortamlarda çalışan yapay zeka sistemleri için bu sorun daha da kritik hale geliyor.
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.
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.
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.
WebXSkill: Web Otomasyon Ajanları İçin Yeni Beceri Öğrenme Sistemi
Büyük dil modelleriyle çalışan otonom web ajanları, karmaşık tarayıcı görevlerini tamamlama konusunda umut vadediyor ancak uzun süreli iş akışlarında zorlanıyor. Araştırmacılar, bu sorunu çözmek için WebXSkill adlı yeni bir framework geliştirdi. Bu sistem, hem doğrudan çalıştırılabilen hem de ajan tarafından anlaşılabilen 'yürütülebilir beceriler' kullanıyor. Mevcut sistemlerdeki temel sorun, metin tabanlı becerilerin anlaşılır olmasına rağmen doğrudan çalıştırılamaması, kod tabanlı becerilerin ise çalıştırılabilir olmasına karşın ajan için anlaşılır olmaması. WebXSkill, parametreli eylem programlarını adım adım doğal dil rehberliğiyle birleştirerek bu açığı kapatıyor ve ajanlara hem hata kurtarma hem de adaptasyon imkanı sunuyor.
Yapay Zeka ile Tıbbi Verilerin Anlaşılmasında Yeni Dönem: CoMed Sistemi
Araştırmacılar, elektronik sağlık kayıtlarındaki tıbbi kavramları daha iyi anlayabilmek için yapay zeka destekli yeni bir sistem geliştirdi. CoMed adlı bu sistem, hastalık tanıları, ilaçlar ve tıbbi prosedürler arasındaki karmaşık ilişkileri haritalayarak sağlık verilerinin daha doğru yorumlanmasını sağlıyor. Mevcut tıbbi bilgi sistemlerinin eksik bağlantılar ve yetersiz anlamsal bilgi gibi sorunları bulunuyor. CoMed, büyük dil modellerini kullanarak bu eksiklikleri gideriyor ve tıbbi kodlar arasında küresel bir bilgi ağı oluşturuyor. Bu gelişme, gelecekte hastalık teşhisi, tedavi planlaması ve klinik karar verme süreçlerinde önemli iyileştirmeler sağlayabilir. Sistem, hem yapısal verileri hem de metinsel bilgileri birleştirerek tıbbi kavramların daha zengin temsillerini oluşturuyor.
Yapay zeka ajanları için yeni programlama dili: AgentSPEX
Araştırmacılar, yapay zeka ajanlarının davranışlarını daha etkili kontrol etmek için özel bir programlama dili geliştirdi. AgentSPEX adlı bu dil, mevcut sistemlerin karmaşıklık ve kontrol zorluklarını çözmeyi hedefliyor. Geleneksel yaklaşımlarda AI ajanları tek bir talimatla yönlendirilirken, yeni sistem açık kontrol akışları ve modüler yapılar sunuyor. LangGraph, DSPy gibi mevcut çerçeveler Python'a bağımlılık gösterirken, AgentSPEX daha esnek ve sürdürülebilir bir alternatif sunuyor. Sistem, tiplenmiş adımlar, dallanma, döngüler, paralel işlem ve yeniden kullanılabilir modüller gibi gelişmiş özellikler içeriyor. Bu gelişme, AI ajanlarının daha karmaşık görevlerde güvenilir şekilde çalışmasını sağlayabilir ve yazılım geliştirme süreçlerini kolaylaştırabilir.
Büyük dil modellerini eğitmenin yeni yolu: TLoRA+ ile daha verimli yapay zeka
Araştırmacılar, büyük dil modellerinin belirli görevler için eğitimini daha verimli hale getiren TLoRA+ adlı yeni bir yöntem geliştirdi. Bu teknik, modellerin performansını artırırken hesaplama maliyetini minimum düzeyde tutuyor. ChatGPT ve benzeri büyük dil modellerinin özelleştirilmesi için kullanılan mevcut LoRA yöntemini geliştiren bu yaklaşım, daha az kaynak kullanarak daha iyi sonuçlar elde etmeyi mümkün kılıyor. GLUE benchmark testlerinde yapılan denemeler, yöntemin farklı model mimarilerinde tutarlı bir şekilde başarılı olduğunu gösterdi. Bu gelişme, yapay zeka modellerinin daha geniş kitlelere ve küçük şirketlere açılması açısından önemli bir adım olarak değerlendiriliyor.
Büyük Dil Modelleri Karmaşık Mantık Sorunlarında Sınırlarına Çarpıyor
Araştırmacılar, büyük dil modellerinin (LLM) mantıksal akıl yürütme yeteneklerini sistematik olarak test eden kapsamlı bir çalışma yürüttü. Sudoku, Hanoi Kulesi ve Rubik Küpü gibi dokuz klasik mantık problemiyle yapılan testlerde, modellerin problem karmaşıklığı arttıkça performanslarının belirgin şekilde düştüğü gözlemlendi. Çalışma, mevcut değerlendirme yöntemlerinin yetersizliğini ortaya koyarak, modellerin gerçek akıl yürütme kapasitelerini ölçmek için kontrollü test ortamları geliştirdi. Bu bulgular, yapay zeka sistemlerinin karmaşık mantıksal problemlerde henüz önemli sınırlarının bulunduğunu gösteriyor.
UniBlendNet: Karmaşık Aydınlatma Sorunlarını Yapay Zeka ile Çözüyor
Araştırmacılar, fotoğraflardaki karmaşık aydınlatma problemlerini çözebilen yeni bir yapay zeka sistemi geliştirdi. UniBlendNet adlı bu sistem, görüntülerdeki düzensiz ışık dağılımını normalize ederek daha kaliteli sonuçlar üretiyor. Mevcut yöntemlerin aksine, hem global hem de yerel ışık özelliklerini aynı anda analiz edebilen bu teknoloji, özellikle zorlu aydınlatma koşullarında çekilmiş görüntüleri iyileştirmede başarılı oluyor. Sistem, çok ölçekli yapıları ve bölgesel uyarlanabilir iyileştirmeyi birleştiren birleşik bir yaklaşım benimsiyor. Bu gelişme, fotoğrafçılık, güvenlik kameraları ve medikal görüntüleme gibi alanlarda önemli uygulamalara sahip olabilir.
Yapay zeka öneri sistemleri artık zamanı daha iyi anlıyor
Araştırmacılar, kullanıcı davranışlarını tahmin eden öneri sistemlerini geliştirmek için yeni bir zaman modelleme yöntemi geliştirdi. RoTE adı verilen bu sistem, kullanıcıların etkileşimleri arasındaki gerçek zaman aralıklarını dikkate alarak daha doğru öneriler sunabiliyor. Mevcut sistemler sadece işlemlerin sırasını göz önünde bulundururken, RoTE zamanı farklı detay seviyelerinde analiz ederek kullanıcıların kısa ve uzun vadeli ilgi değişimlerini daha iyi yakalayabiliyor. Bu yenilik, e-ticaret platformlarından sosyal medyaya kadar birçok alanda kullanılan öneri algoritmalarının performansını artırmaya yönelik önemli bir adım.
Siber Saldırılara Dayanıklı Robot Sürüleri İçin Yeni Kontrol Sistemi
Araştırmacılar, birbirleriyle iletişim kuran robot sistemlerinin siber saldırılara karşı dayanıklılığını artıran yeni bir kontrol yöntemi geliştirdi. Çoklu ajan sistemleri olarak bilinen bu robot sürülerinde, hizmet reddi (DoS) saldırıları iletişimi kesintiye uğratarak sistemin başarısızlığına neden olabilir. Yeni yaklaşım, sabit zamanda işleyen ve mevcut sistemlerin aksine güçlü bağlantılılık gerektirmeyen dağıtık bir kontrol mekanizması sunuyor. Sistem, başlangıç durumlarından bağımsız olarak belirli bir süre içinde hedefine ulaşmayı garanti ediyor. Bu gelişme, otonom araç filosundan drone sürülerine kadar pek çok alanda güvenlik açısından kritik uygulamalar için önemli.
Çok Modlu Yapay Zeka Neden Geride Kalıyor? İç Mekanizmalar Araştırıldı
Yapay zeka modellerinin yeni görevleri örneklerden öğrenmesini sağlayan 'bağlam içi öğrenme' yöntemi, sadece metinle çalışırken başarılı olsa da görsel ve metinsel verileri birlikte işlerken zorlanıyor. Araştırmacılar, çok modlu büyük dil modellerinin neden tek modal karşılıklarından daha zayıf performans sergilediğini sistematik olarak inceledi. Bulgular, mevcut modellerin görsel ve metinsel temsiller arasında mantıksal düzeyde yeterli hizalamaya sahip olmadığını ve öğrenilen görev eşlemelerini güvenilir şekilde aktaramadığını gösteriyor. Bu keşif, yapay zeka sistemlerinin farklı veri türlerini daha etkili şekilde birleştirmesi için gereken iyileştirmelere ışık tutuyor.