“AI modelleri” için sonuçlar
175 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
AI'da Görsel-Dil Anlayışını Güçlendiren Yeni Yaklaşım: ConcretePlant
Yapay zeka sistemlerinin görsel ve dil bilgilerini birleştirme konusundaki zayıflığını gidermek için yeni bir yöntem geliştirildi. Araştırmacılar, kelimelerin somutluk seviyesinin öğrenme sürecindeki etkisine odaklanarak ConcretePlant adlı sistemi önerdi. Bu yaklaşım, AI modellerinin kelime sırası ve özellik bağlama gibi temel kompozisyonel mantık yürütme becerilerindeki eksiklikleri gidermeyi hedefliyor. Somut kavramları sistematik olarak değiştirerek daha güçlü öğrenme sinyalleri üreten method, geleneksel yöntemlere göre önemli avantajlar sunuyor.
Yapay zeka modellerinde büyüme: Görev türü değil, veri kalitesi kilit
Araştırmacılar, çok modlu büyük dil modellerinin (MLLM) gelişimindeki temel engelin görev çeşitliliği değil, eğitim verilerinin bilgi yoğunluğu olduğunu ortaya koydu. Çalışma, görsel soru yanıtlama (VQA) gibi özel görevlerin, görüntü açıklamalarının ötesinde çok az ek bilgi sağladığını gösteriyor. VQA sinyalleri, açıklamalardan minimal performans kaybıyla yeniden oluşturulabiliyor. Bunun yerine, yapılandırılmış açıklama zenginleştirme ve çapraz-modal bilgi enjeksiyonu yoluyla bilgi yoğunluğunun artırılması, hem çok modlu hem de alt akım ölçütlerde tutarlı performans iyileştirmeleri sağlıyor. Bu bulgular, AI modellerinin ölçeklendirme stratejilerinde paradigma değişikliği önerebilir.
Yapay Zeka 'Grokking' Gizeminin Çözümü: Problem Encoder-Decoder Darboğazında
Araştırmacılar, yapay zeka modellerinin matematik problemlerini çözerken yaşadığı 'grokking' fenomeninin nedenini keşfetti. Transformer modellerin eğitim verilerini öğrendikten sonra genelleme yapabilmesi arasında geçen uzun sürenin, bilgiyi işleyen encoder bölümünün öğrendiği yapıyı decoder bölümüne aktaramamasından kaynaklandığı ortaya çıktı. MIT araştırmacıları Collatz tahmin problemini kullanarak yaptıkları deneylerde, encoder'ın sayısal yapıları binlerce adımda öğrendiğini ancak çıktı doğruluğunun on binlerce adım boyunca şans seviyesinde kaldığını gözlemledi. Bu bulgular, AI modellerinin öğrenme süreçlerinin daha iyi anlaşılması ve optimize edilmesi açısından kritik önem taşıyor.
Havacılık güvenliğinde yapay zeka: Bilgi grafları ile güvenilir karar destek sistemi
Araştırmacılar, havacılık güvenliğinde kritik kararların alınmasında yapay zeka kullanımını güvenli hale getiren yeni bir sistem geliştirdi. Büyük dil modellerinin havacılık alanındaki yanlış bilgi üretme ve doğrulanamayan sonuçlar verme problemlerini çözen bu yaklaşım, bilgi grafları ile desteklenen hibrit bir mimari kullanıyor. Sistem, önce çok kaynaklı verilerden otomatik olarak Havacılık Güvenliği Bilgi Grafiklerini oluşturuyor, ardından bu yapılandırılmış bilgiyi kullanarak AI modellerinin çıktılarını doğruluyor ve açıklanabilir hale getiriyor. Bu gelişme, can güvenliğinin kritik olduğu havacılık sektöründe AI teknolojilerinin daha güvenli şekilde kullanılmasının önünü açıyor.
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 Melanom Riskini 5 Yıl Önceden Tahmin Edebiliyor
İsveç'te gerçekleştirilen kapsamlı bir araştırma, yapay zekanın rutin sağlık verileri kullanarak melanom riski yüksek kişileri belirleyebildiğini ortaya koydu. Gelişmiş AI modelleri, geleneksel yöntemlerden çok daha başarılı sonuçlar elde etti. Sistem tarafından işaretlenen bazı bireylerin 5 yıl içinde melanom geliştirme olasılığı %33'e kadar çıktı. Bu yaklaşım, cilt kanseri taramalarında hedefli ve akıllı stratejiler geliştirilmesine yardımcı olabilir. Erken teşhisin hayati önem taşıdığı melanom vakalarında, AI destekli risk değerlendirmesi sağlık sistemlerini daha verimli hale getirebilir.