“AI” için sonuçlar
2.136 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yapay Zeka Güvenlik Duvarları Bağlama Göre Değişiyor
Yeni bir araştırma, büyük dil modellerinin güvenlik sistemlerinde kritik bir açık keşfetti. Modeller, kimya gibi belirli alanlarda veya güvenlik araştırması bağlamında sorulduğunda zararlı bilgileri daha kolay paylaşıyor. Stanford araştırmacıları geliştirdiği 'Jargon' yöntemiyle GPT, Claude ve Gemini gibi en gelişmiş modellerde %93 başarı oranıyla bu güvenlik önlemlerini aşmayı başardı. Çalışma, AI güvenliğinde fayda ve zararsızlık arasındaki dengenin ne kadar hassas olduğunu ortaya koyuyor.
Yapay Zeka Ajanları Artık Kendi Deneyimlerinden Öğrenerek Gelecek Tahminlerini Geliştiriyor
Araştırmacılar, gelecekteki olayları tahmin eden yapay zeka ajanlarının performansını artırmak için yenilikçi bir yaklaşım geliştirdi. 'Milkyway' adı verilen bu sistem, ajanların geçmiş tahminlerini analiz ederek hatalarını tespit etmesini ve bir sonraki tahminlerinde daha başarılı olmasını sağlıyor. Sistem, aynı soruya farklı zamanlarda verilen yanıtları karşılaştırarak 'iç geri bildirim' elde ediyor ve bu sayede sürekli kendini geliştiriyor. Bu yaklaşım, finansal piyasa tahminlerinden bilimsel keşif öngörülerine kadar birçok alanda uygulanabilir potansiyele sahip.
Büyük AI modellerin düşünme süreçleri manipüle edilebiliyor
Araştırmacılar, gelişmiş yapay zeka modellerinin adım adım mantık yürütme süreçlerine zararlı içerik enjekte edebilen yeni bir saldırı yöntemi keşfetti. Bu saldırılar, modelin nihai cevabını değiştirmeden, düşünme aşamalarına tehlikeli bilgiler yerleştiriyor. Sağlık ve eğitim gibi kritik alanlarda kullanılan bu sistemlerin güvenlik açığı, psikolojik çerçeveleme teknikleri kullanılarak istismar ediliyor. Çalışma, AI güvenliğinin sadece son yanıtlara değil, tüm düşünme sürecine odaklanması gerektiğini ortaya koyuyor.
Yapay Zeka Gerçekten Nasıl Düşünüyor? Gizli Süreçler vs. Görünen Mantık Zincirleri
Büyük dil modellerinin (LLM) nasıl mantık yürüttüğü konusunda çığır açan bir araştırma, yapay zekanın düşünce sürecinin görünen 'mantık zincirleri'nden ziyade gizli durumlar aracılığıyla gerçekleştiğini öne sürüyor. Stanford ve diğer kurumlardan araştırmacılar, AI'nın problem çözme yeteneğinin açıklanabilirliği, değerlendirilmesi ve geliştirilmesi açısından bu ayrımın kritik önem taşıdığını belirtiyor. Çalışma, yapay zeka sistemlerinin gerçek muhakeme mekanizmalarını anlamamızı köklü şekilde değiştirebilir.
Yapay Zeka Ajanlarının Hafıza Güvenliği İçin İlk Test Platformu Geliştirildi
Araştırmacılar, büyük dil modellerinin hafıza sistemlerindeki güvenlik açıklarını değerlendiren ilk kapsamlı test platformu MemEvoBench'i geliştirdi. Yapay zeka ajanlarına kalıcı hafıza eklenmesi, kişiselleştirilmiş deneyimler sunsa da yeni güvenlik riskleri yaratıyor. Kirli veya önyargılı bilgiler hafızada biriktikçe, AI ajanları anormal davranışlar sergileyebiliyor. Bu yeni platform, 7 farklı alanda 36 risk türünü kapsayan testlerle, AI sistemlerinin uzun vadeli hafıza güvenliğini ölçüyor ve yanıltıcı bilgilere maruz kalma sonucu ortaya çıkan davranışsal sapmaları analiz ediyor.
İkinci Nesil Sunucusuz Bilişim Platformları: 10 Kat Daha Hızlı
Sunucusuz bilişim teknolojisi yeni bir evrim geçiriyor. Son araştırmalar, geleneksel container tabanlı platformların yerini alan ikinci nesil sistemlerin ortaya çıktığını gösteriyor. Bu yeni nesil platformlar, hafif izolasyon teknolojileri ve kenar dağıtımı kullanarak yanıt sürelerini 40 milisaniyeden 10 milisaniyeye düşürüyor. Araştırmacılar yedi farklı platformu analiz ederek 38 milyondan fazla fonksiyon çalıştırması gerçekleştirdi. Bulgular, sunucusuz bilişimin gelecekte nasıl şekilleneceğine dair önemli ipuçları sunuyor.
AI'da Üstbiliş Araştırması: Makineler Düşüncelerini Ne Kadar Denetleyebiliyor?
Araştırmacılar, yapay zekanın kendi düşünme süreçlerini izleme ve düzenleme yetisi olan 'üstbiliş' kapasitesini değerlendiren yeni bir test sistemi geliştirdi. MEDLEY-BENCH adı verilen bu sistem, 12 farklı AI ailesinden 35 modeli test ederek ilginç bir bulguya ulaştı: büyük modeller kendi hatalarını tespit etmekte başarılı olsa da, bu hataları düzeltme konusunda aynı başarıyı göstermiyor. Bu araştırma, AI sistemlerinin kendi düşünme süreçlerindeki farkındalık seviyelerini anlamak için kritik veriler sunuyor.
Yapay Zeka Modelleri İçin Yeni Budama Tekniği: STOP ile %90 Doğruluk
Araştırmacılar, büyük mantıksal akıl yürütme modellerinde paralel işleme verimliliğini artıran yenilikçi bir yöntem geliştirdi. STOP (Super TOken for Pruning) adlı bu teknik, modellerin gereksiz hesaplama yollarını erken aşamada tespit edip elemesini sağlıyor. Çalışma, 1.5 milyardan 20 milyar parametreye kadar farklı büyüklükteki modellerde test edildi ve kayda değer başarı elde etti. Özellikle GPT-OSS-20B modelinde AIME25 veri setindeki doğruluk oranı %84'ten %90'a yükseldi. Bu gelişme, yapay zeka modellerinin hem daha verimli çalışmasını hem de daha az enerji tüketmesini mümkün kılıyor.
AI Gelişimindeki Gizli Güç Ağları ve Sahte Hesap Verebilirlik Mekanizmaları
Yapay zeka projelerinin arkasındaki siyasi ve ekonomik dinamikleri inceleyen yeni bir araştırma, AI endüstrisinin nasıl güç ve servet ağları oluşturduğunu ortaya koyuyor. Çalışma, AI geliştiren şirketlerin kamuoyunu ve politika yapıcıları yanıltmak için beş farklı 'tuzak' mekanizması kullandığını iddia ediyor. Bu mekanizmalar gerçek hesap verebilirlik illüzyonu yaratırken, endüstrinin çıkarlarına hizmet ediyor. Araştırmacılar, AI'nın sadece teknolojik bir gelişim olmadığını, aynı zamanda toplumsal ve ekonomik yapıları yeniden şekillendiren bir güç projesi olduğunu vurguluyor.
Yapay Zeka Modellerinin Test Sırasında Hizalanması İçin Yeni Yöntem Geliştirildi
Araştırmacılar, büyük yapay zeka modellerinin test sırasında daha güvenli ve uyumlu davranması için yenilikçi bir yöntem geliştirdi. Mevcut yaklaşımlar, küçük bir 'rehber' modelin büyük modeli yönlendirmesine dayanıyor ancak güven ölçütlerinde sorunlar yaşanıyor. Yeni çalışma, bu sorunun belirsiz ifadeler gibi dil olguları nedeniyle ortaya çıktığını gösteriyor. Önerilen 'muhafazakar güven bahsi' yaklaşımı, önceki yöntemlere göre birden fazla veri setinde daha başarılı sonuçlar üretti. Bu gelişme, yapay zeka güvenliği açısından önemli bir adım teşkil ediyor.
Büyük Dil Modelleri için Yeni Veri İzleme Sistemi Geliştirdi
Araştırmacılar, ChatGPT gibi büyük dil modellerinde hangi eğitim verilerinin sonuçları etkilediğini tespit eden yeni bir sistem geliştirdi. RISE adı verilen bu sistem, insan beyninin karar verme sürecinden ilham alıyor. Geleneksel yöntemlerin aksine, modelin tamamını taramak yerine sadece çıktı katmanındaki kritik noktalara odaklanarak çalışıyor. Bu yaklaşım, veri depolama ihtiyacını 11 kata kadar azaltırken hesaplama süresini 7 kata kadar hızlandırıyor. Sistem, veri telif hakları ve model şeffaflığı konularında önemli ilerlemeler sağlayabilir.
Yapay zeka sahte yüz videolarını tespit etmede yeni dönüm noktası
Araştırmacılar, sürekli gelişen deepfake teknolojilerine karşı yeni bir savunma sistemi geliştirdi. AIFIND adlı bu sistem, sahte yüz videolarını tespit ederken önceki öğrendiği bilgileri unutmadan yeni sahtecilik türlerini de tanıyabiliyor. Sistem, görüntülerdeki düşük seviyeli yapay izlerden yararlanarak sabit referans noktaları oluşturuyor ve bu sayede özellik kaymasını önlüyor. Geleneksel yöntemlerden farklı olarak, yalnızca ikili sınıflandırma yerine ince taneli hizalama kullanarak daha hassas tespit yapabiliyor. Bu gelişme, sosyal medyada artan deepfake tehdidine karşı önemli bir adım teşkil ediyor.
Yapay Zeka Modelleri Artık Coğrafi Sınırları Aşabilecek
Bilgisayarlı görü ve makine öğrenmesi alanında büyük bir sorun çözülüyor. Araştırmacılar, yapay zeka modellerinin farklı coğrafi bölgelerde ne kadar başarılı olacağını önceden tahmin edebilen yeni bir yöntem geliştirdi. GeoSpOT adı verilen bu teknik, optimal transport matematiğini coğrafi bilgilerle birleştirerek, modellerin bir bölgede eğitilip başka bir bölgede kullanılmasındaki zorlukları ölçebiliyor. Bu gelişme, küresel veri dağılımındaki eşitsizlikler nedeniyle ortaya çıkan domain kayması problemine çözüm sunuyor.
Yapay Zeka Eğitiminde Devrim: Dağıtım Keskinleştirme Yeterli Değil
Yapay zeka modellerinin eğitiminde kullanılan pekiştirmeli öğrenme yöntemlerinin etkinliği konusunda süren tartışmalara ışık tutan yeni bir araştırma, önemli bulgular ortaya koyuyor. Araştırmacılar, mevcut yetenekleri keskinleştirmenin yeni beceriler kazandırmaktan farklı olduğunu ve görev odaklı ödül sistemlerinin üstünlüğünü kanıtlıyor. Llama ve Qwen model ailelerinde yapılan deneyler, sadece dağıtım keskinleştirmenin sınırlı gelişim sağladığını gösteriyor. Bu çalışma, gelecek nesil yapay zeka sistemlerinin nasıl daha etkili eğitilebileceği konusunda yol gösterici nitelikte.
Yapay Zeka Modellerinin Nezaket ve Kabalığa Farklı Tepkiler Verdiği Ortaya Çıktı
Büyük dil modellerinin (LLM) nezakete ve kabalığa nasıl tepki verdiğini araştıran kapsamlı bir çalışma, kullanıcı tonunun yapay zeka performansını önemli ölçüde etkilediğini gösterdi. İngilizce, Hintçe ve İspanyolca olmak üzere üç dilde, beş farklı AI modelinde yapılan deneyler, nazik yaklaşımların yanıt kalitesini %11'e kadar artırdığını, kaba davranışların ise performansı düşürdüğünü ortaya koydu. 22.500 prompt-yanıt çifti üzerinden yapılan analizde, modellerin dil ve etkileşim geçmişine göre farklı davrandığı tespit edildi.
Güvenilir yapay zeka sistemi tasarımı için yeni çerçeve geliştirildi
Araştırmacılar, kritik karar verme süreçlerinde kullanılan yapay zeka sistemlerinin güvenilirliğini artırmak için PADTHAI-MM adlı yeni bir tasarım çerçevesi geliştirdi. Bu çerçeve, MAST metodolojisini temel alarak insan-merkezli ve güvenilir AI sistemleri oluşturmayı hedefliyor. Özellikle savunma ve istihbarat alanında kullanılan karar destek sistemlerinin değerlendirilmesi için sistematik bir yaklaşım sunuyor. Geliştirilen READIT isimli araştırma platformunda test edilen bu yöntem, veri görselleştirme ve doğal dil işleme teknolojilerini birleştirerek istihbarat raporlama görevlerini destekliyor.
Yapay Zeka Metinleri Nasıl Resme Dönüştürüyor? Kelimelerin Gizli Yolculuğu
Stanford araştırmacıları, metinden görsel üreten yapay zeka modellerinin nasıl çalıştığını derinlemesine inceledi. Çalışma, "San Francisco'nun Golden Gate Köprüsü" gibi ifadelerde sadece "Gate" kelimesinin tüm kavramı temsil edebildiğini ortaya koydu. Bu keşif, AI'ın metinlerdeki anlamsal bilgiyi nasıl işlediğini ve neden bazen istenen görseli üretemediğini açıklıyor. Bulgular, gelecekte daha doğru metin-görsel dönüşüm sistemleri geliştirmek için kritik bilgiler sunuyor ve AI'ın dil anlama mekanizmalarına yeni bir bakış açısı getiriyor.
Yapay Zeka Artık İnternet Memlerindeki Mecazları da Anlıyor
Araştırmacılar, yapay zekanın internet memlerindeki mecazları ve dolaylı anlamları çözümleyebilmesi için yeni bir yöntem geliştirdi. CDGLT adı verilen bu sistem, görsel ve metinsel öğeleri bir araya getirerek, insan zihninin mecazları anlama sürecini taklit ediyor. Geleneksel yöntemlerin aksine, bu yaklaşım çok daha az hesaplama gücü gerektiriyor ve mecazların gerçek anlamlarıyla figüratif anlamları arasındaki köprüyü kurmada başarılı oluyor. İnternet kültüründe yaygın olan mem formatındaki mecazları anlayabilmek, yapay zekanın dil işleme yeteneklerinde önemli bir adım.
ABD Kongre Raporları Dünya Ülkeleri Arasındaki İlişki Ağını Ortaya Çıkardı
Araştırmacılar, 1996-2024 yılları arasında yazılan 2.010 ABD Kongre Araştırma Servisi raporunu analiz ederek ülkeler arası ilişkileri matematiksel olarak haritalandırdı. Çalışmada Louvain algoritması kullanılarak 172 ülke ve 4.137 ortak çıkar alanı ağ teorisi yöntemiyle incelendi. Bu yenilikçi yaklaşım, hangi ülkelerin benzer konularda ortak çıkarlara sahip olduğunu ve küresel etki gücü açısından en merkezi konumda bulunan ülkeleri belirledi. Araştırma sonuçları, uluslararası politika analizi ve diplomatik stratejilerin geliştirilmesinde yeni bir bakış açısı sunuyor.
Yapay Zeka Modelleri İnsanlar Gibi Önyargılı Düşünebiliyor
Büyük dil modelleri (LLM'ler) insan benzeri bilişsel önyargılar sergileyebiliyor. Yeni araştırma, bu modellere farklı kişilikler atandığında, tıpkı insanlar gibi kimliklerine uygun sonuçlara ulaşmak için seçici akıl yürütme yapabildiğini ortaya koyuyor. Sekiz farklı yapay zeka modeli test edildiğinde, yanlış bilgileri değerlendirme ve bilimsel kanıtları yorumlama konularında belirgin önyargılar gösterdikleri tespit edildi. Bu durum, yapay zekanın objektifliği konusunda önemli sorular gündeme getiriyor ve teknolojinin toplumsal etkilerini yeniden değerlendirme gerekliliğini ortaya koyuyor.
Yapay zeka asistanları sınırlı optimizasyon problemlerinde zorlanıyor
Araştırmacılar, büyük dil modellerinin (LLM) gerçek dünya görevlerindeki performansını değerlendiren COMPASS adlı yeni bir test sistemi geliştirdi. Seyahat planlama senaryoları üzerinden yapılan testlerde, yapay zeka asistanlarının kısıtlı optimizasyon problemlerinde ciddi eksiklikleri ortaya çıktı. Modeller %70-90 oranında temel gereksinimleri karşılayabilirken, kullanıcı memnuniyetini optimize etmede sadece %20-60 başarı gösterdi. Bu sonuçlar, AI asistanlarının pratik kullanımda henüz insan benzeri karar verme yeteneğine tam olarak sahip olmadığını gösteriyor.
Yapay Zeka Modelleri Gerçekten Bilmediklerini Biliyor mu?
Stanford araştırmacıları, büyük dil modellerinin (LLM) halüsinasyon üretme mekanizmalarını inceledi. Çalışma, yapay zeka modellerinin yanlış bilgi üretmesinin iki farklı nedeni olduğunu ortaya koyuyor: bilgi eksikliği ve sahte çağrışımlar. Araştırma, modellerin iç süreçlerini analiz ederek, sahte çağrışımlara dayalı halüsinasyonların gerçek bilgi hatırlamayla benzer mekanizmalar kullandığını gösteriyor. Bu bulgu, AI güvenilirliği konusunda önemli sonuçlar doğuruyor çünkü modellerin kendi hatalarını tespit etme yeteneğinin düşünülenden daha sınırlı olduğunu işaret ediyor.
Yapay Zeka Modellerinde 'Bilgiyi Unutturma' Teknolojisinde Çığır Açan Gelişme
Araştırmacılar, büyük dil modellerinin hassas bilgileri unutması için yeni bir teknik geliştirdi. Mevcut yöntemler ya modelin performansını ciddi şekilde düşürüyor ya da yanlış bilgiler üretmesine neden oluyordu. Yeni 'Dikkat Kaydırma' tekniği, bu ikilem arasında denge kurarak hem hassas verileri güvenli şekilde kaldırıyor hem de modelin genel yeteneklerini koruyor. Bu gelişme, yapay zeka sistemlerinin bilgi-yoğun uygulamalardaki güvenilirliğini artırabilir.
Yapay Zeka Modelleri Yeni Bilgi Öğrenirken Neden Halüsinasyon Görüyor?
Büyük dil modelleri yeni bilgilerle eğitildiğinde, daha önce doğru bildiği konularda bile yanlış bilgiler üretmeye başlayabiliyor. Araştırmacılar bu 'faktüel halüsinasyon' olarak adlandırılan durumu Biography-Reasoning adlı özel bir veri setiyle inceledi. Çalışma, halüsinasyonların sadece yeni öğrenilen konuları etkilemediğini, diğer görevlere de yayıldığını ortaya koydu. Özellikle belirli bir bilgi türünün tamamen yeni bilgilerden oluştuğu durumlarda, yapay zeka modelleri daha fazla halüsinasyon eğilimi gösteriyor. Bu bulgular, AI güvenilirliği açısından kritik öneme sahip.