“AI” için sonuçlar
2.142 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yazım Sürecinde Yapay Zeka Desteği: WriteFlow ile Akademik Yazı Hedefleri
Araştırmacılar, akademik yazım sürecinde yazarlara hedef belirleme ve takibinde yardımcı olan ses tabanlı yapay zeka asistanı WriteFlow'u geliştirdi. Akademik yazım, sürekli düşünme ve hedeflerin yeniden şekillenmesini gerektiren karmaşık bir süreç. Ancak mevcut çalışmalar, yazarların değişen hedeflerini ifade etme ve yönetmede zorlandığını gösteriyor. Piyasadaki AI yazım araçları genellikle verimliliğe odaklanırken, yazarın düşünce süreçlerini desteklemede yetersiz kalıyor. WriteFlow, yazarlarla diyalog kurarak hedef belirleme, izleme ve müzakere süreçlerini destekleyen yenilikçi bir yaklaşım sunuyor. 12 uzman kullanıcıyla yapılan deneysel çalışma, sistemin yazarların hedeflerini geliştirmelerine, metin-hedef uyumunu korumalarına ve başarı değerlendirmesi yapmalarına yardımcı olduğunu ortaya koydu. Bu gelişme, AI destekli yazım araçlarının gelecekteki tasarımına önemli katkılar sağlayabilir.
CHOP Sistemi: AI'da Çoklu Belge Analizinde Yeni Dönem
Araştırmacılar, yapay zeka sistemlerinin birden fazla belgeyi işlerken karşılaştığı önemli bir sorunu çözmek için CHOP adlı yeni bir framework geliştirdi. Bu sistem, benzer belgeler arasında ayrım yapmakta zorlanan AI modellerinin performansını önemli ölçüde artırıyor. Geleneksel RAG sistemleri, veri tabanında benzer belgeler bulunduğunda doğru bilgiyi bulamıyor ve yanlış sonuçlar üretiyordu. CHOP, her belge parçasını akıllı imzalarla etiketleyerek ve bağlamsal tutarlılığı koruyarak bu problemi çözüyor. Sistem, belgeler arasındaki semantik çakışmaları azaltıyor ve AI'nın daha doğru bilgi erişimi sağlamasına olanak tanıyor.
Yapay zeka görsellerinden istenmeyen içerik silmek için yeni yöntem geliştirildi
Metinden görsel üreten yapay zeka modelleri bazen zararlı veya istenmeyen içerik üretebiliyor. Araştırmacılar, bu modelllerden belirli kavramları hassas bir şekilde silmek için TICoE adlı yeni bir sistem geliştirdi. Bu sistem metin ve görsel verilerini birlikte kullanarak, istenmeyen kavramları silerken diğer içerikleri korumayı başarıyor. Geleneksel yöntemler ya kavramları tam olarak silemiyordu ya da ilgisiz içerikleri de zarar veriyordu. TICoE, sürekli dışbükey kavram manifoldu ve hiyerarşik görsel öğrenme kullanarak bu sorunu çözüyor. Sistem, hedef kavramları hassas bir şekilde kaldırırken, ilgisiz anlamsal ve görsel içerikleri koruyor. Araştırmacılar ayrıca silme işleminin kalitesini değerlendirmek için yeni bir strateji de geliştirdi. Yapılan deneyler, TICoE'nin önceki yöntemlerden daha başarılı olduğunu gösteriyor.
Yapay Zeka Modelleri Çin İnternet Slangında Zorlanıyor
Araştırmacılar, gelişmiş yapay zeka modellerinin genel dil görevlerinde başarılı olmalarına rağmen, Çin internetinin alt kültür dili olan Chouxiang dilinde beklenenden düşük performans sergilediklerini keşfetti. Mouse adlı özel bir test sistemi geliştirilen çalışmada, en son teknoloji AI modellerinin bu özel dil yapısında zorlandığı, ancak bağlamsal anlama gerektiren görevlerde daha iyi sonuçlar elde ettiği ortaya çıktı. Bu bulgular, yapay zeka sistemlerinin kültürel ve alt kültürel dil çeşitliliğini anlama konusunda hala önemli sınırlarının olduğunu gösteriyor. Çalışma, AI'nin dil işleme yeteneklerinin geliştirilmesi için yeni araştırma yönelimlerinin gerekliliğini vurguluyor.
Yapay zeka ajanlarının deneyim yönetiminde yeni çerçeve: Sıkıştırma spektrumu
Yapay zeka ajanları uzun süreli görevlerde kullanılırken, geçmiş deneyimlerini verimli şekilde yönetmek büyük bir zorluk haline geliyor. Araştırmacılar, ajanların hafıza, beceri ve kural sistemlerini tek bir çerçeve altında birleştiren 'Deneyim Sıkıştırma Spektrumu' adlı yeni bir yaklaşım geliştirdi. Bu sistem, farklı türdeki bilgileri sıkıştırma oranlarına göre sınıflandırıyor: hafıza için 5-20 kat, beceriler için 50-500 kat, kurallar içinse 1000 kattan fazla sıkıştırma sağlanabiliyor. 22 temel makale ve 1136 referansın analiz edildiği çalışma, mevcut sistemlerin sabit sıkıştırma seviyelerinde çalıştığını ve uyarlanabilir çapraz seviye sıkıştırma özelliğinin eksik olduğunu ortaya koyuyor. Bu yeni yaklaşım, yapay zeka ajanlarının bağlam tüketimi, erişim gecikmesi ve hesaplama maliyetlerini önemli ölçüde azaltarak daha verimli çalışmasını sağlayabilir.
Sürekli Kıyaslama: AI ve HPC Sistemlerin Hızına Yetişmek
Araştırmacılar, hızla gelişen yapay zeka modelleri ve yüksek performanslı bilgisayar sistemleriyle adım tutabilmek için yenilikçi bir çözüm geliştirdi. Sürekli entegrasyondan ilham alan bu yaklaşım, otomatik kıyaslama sistemi oluşturarak araştırma yazılımlarının performansını sürekli izliyor. Sistem, kullanıcı bağımsız çalışabilmesi ve topluluk işbirliği imkanları sunmasıyla öne çıkıyor. Özellikle nörobilim ve yapay zeka alanlarında çalışan araştırmacılar için tasarlanan bu çözüm, sonuçların tekrarlanabilirliğini artırıyor ve teknolojik ilerlemeyi sürdürülebilir kılıyor. Modern yazılım mühendisliği tekniklerini kullanarak, büyük ölçekli modellerin ve süper bilgisayarların sürekli değişen doğasına uyum sağlayan bu sistem, bilimsel araştırmaların verimlilik standardını yükseltiyor.
Yapay Zeka İçerik Seçiminde Gizli Önyargılar: Kutuplaşma Kaçınılmaz mı?
Büyük dil modelleri (LLM) artık sosyal medya içeriklerini sıralama ve önerme görevlerinde yaygın kullanılıyor. Araştırmacılar, OpenAI, Anthropic ve Google'ın yapay zeka modellerini Twitter, Bluesky ve Reddit verilerinde test ederek, bu sistemlerin hangi önyargıları taşıdığını inceledi. 540 bin simülasyonun sonuçları şaşırtıcı: farklı yönlendirme stratejileri kullanılsa bile, tüm modeller toplumsal kutuplaşmayı artıran içerikleri tercih ediyor. Çalışma, yapay zekanın 'nötr' görünen algoritmaların bile belirli görüşleri kayırdığını ve bu durumun sadece teknik bir sorun olmadığını ortaya koyuyor. Bulgular, yapay zeka destekli içerik küratörlüğünün toplumsal etkilerini anlamak açısından kritik önem taşıyor.
Yapay Zeka Halüsinasyonlarını Tespit Eden Yeni Sistem: RAGognizer
Büyük dil modelleri bazen gerçek dışı bilgiler üretebiliyor - bu duruma 'halüsinasyon' deniyor. Araştırmacılar, bu sorunu çözmek için RAGognizer adlı yeni bir sistem geliştirdi. Bu sistem, yapay zekanın yanlış bilgi ürettiği anları gerçek zamanlı olarak tespit edebiliyor. Geleneksel yöntemler halüsinasyonları sonradan kontrol ederken, RAGognizer bunu eğitim sürecine dahil ediyor. Sistem, doğal olarak ortaya çıkan halüsinasyonları token düzeyinde işaretleyen özel bir veri seti kullanıyor. Bu yaklaşım, hem dil modellemesi hem de halüsinasyon tespitini aynı anda optimize ederek daha güvenilir AI sistemleri geliştirilmesine katkı sağlıyor.
Yapay Zeka Görsel Düzenleme'de Yeni Dönem: Rekabetten İşbirliğine
Araştırmacılar, metin tabanlı görsel düzenleme teknologisinde devrim niteliğinde bir yaklaşım geliştirdiler. CoEdit adlı yeni sistem, geleneksel rekabet temelli yöntemlerin yarattığı çelişkileri ortadan kaldırarak, düzenleme ve yeniden yapılandırma süreçlerini işbirliği içinde yürütüyor. Bu yenilikçi yaklaşım, ek eğitim gerektirmeden çalışarak, görsel içerik üretiminde daha tutarlı ve öngörülebilir sonuçlar elde edilmesini sağlıyor. Sistem, 'ikili entropi dikkat manipülasyonu' adı verilen özel bir teknikle, uzamsal ve zamansal boyutlarda harmoni yaratıyor. Multimedia içerik üretiminin temel taşlarından biri olan metin-rehberli görsel düzenleme alanında önemli bir ilerleme kaydeden bu çalışma, gelecekte daha sofistike AI tabanlı yaratıcı araçların geliştirilmesi için zemin hazırlıyor.
Graf Yapıları ve Büyük Dil Modelleri: AI'da Yeni Entegrasyon Stratejileri
Yapay zeka alanında büyük dil modelleri ile graf tabanlı gösterimlerin birleştirilmesi, akıl yürütme ve bilgi erişimi açısından önemli fırsatlar sunuyor. Yeni bir araştırma, bu entegrasyonun ne zaman, neden ve nasıl yapılması gerektiğine dair kapsamlı bir rehber sunuyor. Bilgi grafları, sahne grafları ve nedensellik grafları gibi farklı graf türlerinin, siber güvenlik, sağlık, malzeme bilimi ve robotik gibi alanlarda nasıl kullanılabileceği sistematik olarak inceleniyor. Çalışma, her entegrasyon stratejisinin güçlü ve zayıf yönlerini ortaya koyarak, geliştiriciler için pratik bir yol haritası çiziyor.
Dijital platformlar işçi ücretlerini nasıl baskılıyor? Yeni araştırma açıkladı
Uber, Yemeksepeti gibi dijital platformların işçi ücretlerini nasıl düşük tuttuğunu matematiksel olarak analiz eden yeni bir çalışma, platformların işçilerin belirsizliklerini kullanarak ücretleri sistematik şekilde baskıladığını ortaya koyuyor. ArXiv'de yayınlanan araştırma, platformların toplam işgücü maliyetinin sadece küçük bir kısmını ödeyerek tüm işleri tamamlatabileceğini gösteriyor. Çalışma aynı zamanda işçilerin bu duruma karşı nasıl örgütlenebileceğine dair stratejiler de öneriyor. Bu bulgular, gig ekonomisinin adil olmayan ücret yapısına bilimsel bir açıklama getiriyor.
TwoHamsters: Yapay Zeka Görsel Üreticilerindeki Gizli Güvenlik Açığı Keşfedildi
Araştırmacılar, metin-görsel yapay zeka modellerinde yeni bir güvenlik zaafiyeti tespit etti. 'Çok Kavramlı Kompozisyonel Güvensizlik' adı verilen bu sorun, tek başına zararsız görünen kelimelerin bir araya geldiğinde sakıncalı içerikler üretebilmesini ifade ediyor. TwoHamsters adlı kapsamlı test platformu kullanılarak yapılan değerlendirmede, FLUX dahil güncel modellerin bu tür gizli risklere karşı savunmasız olduğu ortaya çıktı. 17.500 test istemi içeren benchmark, mevcut güvenlik önlemlerinin yetersizliğini gözler önüne serdi. Bu keşif, yapay zeka güvenlik sistemlerinin sadece açık tehditlerle değil, kavramların dolaylı birleşimlerinin yaratabileceği risklerle de mücadele etmesi gerektiğini gösteriyor. Bulgular, geliştiricilerin daha sofistike güvenlik mekanizmaları geliştirmesi için önemli veriler sunuyor.
Yapay Zeka Ekiplerinin 'Zayıf Halkası' Tespit Ediliyor
Büyük dil modelleriyle çalışan çok ajanlı yapay zeka sistemleri, karmaşık problemleri farklı rollerdeki ajanların işbirliğiyle çözmeye çalışıyor. Ancak bu sistemlerde bir ajanın hatası diğerlerine yayılarak tüm performansı düşürebiliyor. Araştırmacılar, ekipteki en zayıf halkanın tespit edilerek güçlendirilmesini öneren WORC adlı yeni bir framework geliştirdi. Bu yaklaşım, güçlü ajanları daha da geliştirmek yerine performansı sınırlayan zayıf ajanları belirlemeye ve iyileştirmeye odaklanıyor. Sistem, meta-öğrenme ve sürü zekası algoritmalarıyla zayıf ajanları tespit ediyor, ardından bunları hedefli olarak eğitiyor. Bu yöntem, yapay zeka ekiplerinin genel başarı oranını artırarak daha güvenilir çok ajanlı sistemlerin geliştirilmesine katkı sağlayabilir.
Ethereum'da MEV Gelirlerinin Gerçek Kaynağı: Borsa Arbitrajları Beklenenden Büyük
Ethereum blokzincirinde Maksimal Çıkarılabilir Değer (MEV) gelirlerinin nereden geldiği kritik bir soru. Araştırmacılar, merkezi ve merkeziyetsiz borsalar arası arbitrajların önceki teorik modellerde olduğundan çok daha büyük ölçekte gerçekleştiğini keşfetti. Geleneksel Black-Scholes modelinin sürekli fiyat hareketleri varsayımının yetersiz kaldığı ortaya çıktı. CEX-DEX arbitrajlarının büyük likidite havuzlarının toplam aktivitesi kadar işlem hacmi gerektirdiği ve MEV ile karşılaştırılabilir kârlar sağladığı belirlendi. Bu bulgular, Ethereum ekosisteminde MEV'in zararsız kaynaklardan geldiğine dair varsayımları sorguluyor.
Yürüme Tarzından Kimlik Tespit Eden Çok Sensörlü Sistem Geliştirildi
Araştırmacılar, insanları yürüme tarzlarından tanıyan gelişmiş bir tanıma sistemi geliştirdi. MMGait adlı bu sistem, RGB kamera, derinlik kamerası, kızılötesi kamera, LiDAR tarayıcı ve 4D radar olmak üzere beş farklı sensörün verilerini birleştirerek çalışıyor. 725 kişiden toplanan 334 bin yürüme sekansı ile eğitilen sistem, tek sensörle çalışabileceği gibi farklı sensörlerin verilerini çaprazlayarak da kimlik tespiti yapabiliyor. Bu teknoloji, güvenlik sistemlerinden sağlık uygulamalarına kadar geniş bir kullanım alanı sunuyor ve geleneksel yöntemlerin aksine uzaktan ve kişinin iş birliği olmadan tanıma imkanı sağlıyor.
AI Çağında Veri Güvenliği: Kişisel Bilgilerin Korunması Paradoksu
Araştırmacılar, yapay zeka sistemlerinin kişisel verileri nasıl işlediği konusunda yeni bir perspektif geliştirdi. Çalışma, zayıflığın sadece veri sahiplerinin bir özelliği olmadığını, aynı zamanda veri işleme süreçleri tarafından da yaratılabildiğini ortaya koyuyor. Platform tabanlı yaşamda her an üretilen muazzam veri yığınları karşısında, etik sorumluluk artık neyin toplanacağından ziyade mevcut verilerle ne yapılacağına odaklanıyor. Araştırma, YouTube'daki çocuk içerikli aile vloglarının analiz edilmesi örneği üzerinden, koruma amaçlı yapılan çalışmaların paradoks yaratabileceğini gösteriyor. Bu yaklaşım, veri biliminin etik bütünlüğünün sadece kimlerin çalışıldığına değil, teknik süreçlerin bireyleri nasıl daha savunmasız hale getirdiğine bağlı olduğunu vurguluyor.
Yapay Zeka, Kimyasal Reaksiyon Şemalarını Anlayamıyor
Çok modlu büyük dil modelleri (MLLM'ler), basit görselleri tanımada başarılı olsa da karmaşık yapısal şemalarda büyük zorluklar yaşıyor. Araştırmacılar, yapay zekanın bu zayıflığını ortaya çıkarmak için kimyasal reaksiyon diyagramları kullanarak ReactBench adlı yeni bir test seti geliştirdi. Bu çalışma, AI sistemlerinin dallanma, birleşme ve döngüsel yapılar içeren karmaşık topological yapıları anlayamadığını gösteriyor. Uzmanlar tarafından hazırlanan 1,618 soru-cevap çifti ile yapılan testler, mevcut yapay zeka modellerinin bilimsel şemalar gibi gerçek dünya problemlerinde yetersiz kaldığını açık şekilde ortaya koyuyor.
Yapay Zeka Ajanları Sosyal Zeka Testinde Büyük Başarısızlık Yaşadı
Büyük Dil Modelleri (LLM) artık sadece metin işlemekten çıkıp özerk ajanlar haline gelirken, sosyal ortamlardaki performansları merak konusu olmuştu. Araştırmacılar, Among Us oyunundan ilham alarak SocialGrid adlı test ortamı geliştirdi ve sonuçlar oldukça düşündürücü çıktı. En güçlü açık kaynak model bile görev tamamlama ve planlama konularında %60'ın altında kalırken, sosyal zeka açısından durum daha da kötü. Yapay zeka ajanları aldatma tespitinde neredeyse rastgele tahmin seviyesinde performans gösterdi. Bu bulgular, AI ajanlarının karmaşık sosyal etkileşimlerde henüz ciddi sınırları olduğunu ortaya koyuyor.
Yapay Zeka Modelleri Neden Giderek Daha Az Çeşitli Cevaplar Veriyor?
Eğitim sonrası işlemlerden geçen dil modelleri, temel versiyonlarına kıyasla çok daha tekdüze çıktılar üretmeye başlıyor. Araştırmacılar bu 'çeşitlilik çöküşünün' nedenlerini araştırdı ve sorunun kaynağının eğitim verilerinin kompozisyonunda yattığını keşfetti. Olmo 3 modeli üzerinde yapılan kapsamlı çalışma, farklı eğitim yöntemlerinin çıktı çeşitliliğini nasıl etkilediğini ortaya koydu. Bu durum, yaratıcı görevlerde model performansını olumsuz etkiliyor ve çıkarım zamanında ölçeklendirme yöntemlerini baltalıyor. Bulgular, AI sistemlerinin daha çeşitli ve yaratıcı yanıtlar verebilmesi için eğitim süreçlerinin yeniden tasarlanması gerektiğini gösteriyor.
Yapay Zeka Kararlarını Açıklayan 13 Yöntem Kapsamlı Olarak Test Edildi
Baş ve boyun kanserinde yapay zeka destekli tedavi öngörüleri giderek yaygınlaşıyor, ancak bu sistemlerin kararlarını anlamak klinisyenler için büyük bir sorun. Araştırmacılar ilk kez 13 farklı açıklanabilir yapay zeka yöntemini kapsamlı şekilde değerlendirdi. Çalışma, bu yöntemlerin güvenilirlik, sağlamlık, karmaşıklık ve makullük açısından performanslarını karşılaştırdı. Sonuçlar, farklı yöntemler arasında büyük performans farklılıkları olduğunu ve özellikle Integrated Gradients ile DeepLIFT yöntemlerinin çoğu kriterde üstün performans sergilediğini ortaya koydu. Bu bulgular, tıbbi yapay zeka uygulamalarında doğru açıklama yöntemi seçiminin kritik önemini vurguluyor.
Siber güvenlik açıklarını önceden tahmin etmek mümkün mü?
Araştırmacılar, siber güvenlik açıklarının ne zaman ve nasıl ortaya çıkacağını önceden tahmin edebilecek yapay zeka modelleri geliştiriyor. Çalışma, güvenlik açıklarına ilişkin kanıtların, tartışmaların ve saldırı şablonlarının zaman içindeki dağılımını analiz ederek gelecekteki tehditleri öngörmeyi hedefliyor. Transformer tabanlı VLAI modeli ile geliştirilen sistem, güvenlik açıklarının önem derecelerini metinsel açıklamalardan çıkararak zaman serisi tahminlerini iyileştirmeye çalışıyor. Ancak siber güvenlik verilerinin seyrek, düzensiz ve ani patlamalar gösteren yapısı, geleneksel tahmin modellerinin etkinliğini sınırlıyor. Araştırma, SARIMAX gibi istatistiksel modellerin bu tür veriler için yetersiz kaldığını ve çok geniş güven aralıkları ürettiğini ortaya koyuyor.
Güvenilir Ortam Teknolojisi ile Blockchain Konsensüsünde Yeni Dönem
Araştırmacılar, konsorsiyum blockchain ağları için T-RBFT adlı yeni bir konsensüs mekanizması geliştirdi. Bu sistem, güvenilir çalıştırma ortamı (TEE) teknolojisini kullanarak geleneksel Bizans Hata Toleranslı protokollerin performans sorunlarını çözmeyi hedefliyor. Konsorsiyum blockchain'lerinde çoğu düğümün dürüst olduğu ortamlarda, mevcut BFT protokolleri gereksiz mesaj alışverişi ve hesaplama yükü oluşturuyor. T-RBFT, iki katmanlı konsensüs yapısı ve dinamik gruplama ile bu sorunu aşarak daha yüksek performans ve ölçeklenebilirlik sunuyor. Bu gelişme, özellikle kurumsal blockchain uygulamaları için önemli verimlilik artışları vadediyor.
Yapay Zeka Görsel Zeka Testlerinde İnsanların Yarısı Kadar Başarılı
Araştırmacılar, çok modlu büyük dil modellerinin (MLLM) görsel-bilişsel yeteneklerini test etmek için 'Mind's Eye' adlı yeni bir değerlendirme sistemi geliştirdi. Klasik insan zeka testlerinden esinlenen bu sistem, soyutlama, ilişki kurma ve dönüştürme kategorilerinde sekiz farklı görsel görev içeriyor. Test sonuçları, insanların %80 başarı oranına ulaştığı bu görevlerde en iyi performans gösteren yapay zeka modellerinin %50'nin altında kaldığını ortaya koydu. Bu çalışma, mevcut yapay zeka sistemlerinin görsel dikkat dağıtımı, zihinsel manipülasyon ve soyut kavram çıkarımı konularında önemli eksiklikleri olduğunu gösteriyor.
Yapay Zeka Yazdığı Kodları Tespit Eden Yeni Sistem: LLMSniffer
Yazılım geliştirmede yapay zeka araçlarının yaygınlaşmasıyla birlikte, AI tarafından üretilen kodları insan yazısından ayırt etmek kritik bir sorun haline geldi. Araştırmacılar, bu zorluğa çözüm olarak LLMSniffer adlı yenilikçi bir tespit sistemi geliştirdi. GraphCodeBERT teknolojisini kullanan sistem, kontrastlı öğrenme yöntemiyle eğitildi ve mevcut sistemlere göre dikkat çekici başarı artışları elde etti. GPTSniffer veri setinde doğruluk oranı %70'den %78'e, Whodunit veri setinde ise %91'den %94.65'e yükseldi. Bu gelişme, akademik dürüstlük, kod kalite kontrolü ve siber güvenlik alanlarında önemli uygulamalara sahip.