“çok dilli AI” için sonuçlar
14 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Çok Dilli AI Güvenliği İçin Yerel Kanunlara Dayalı Yeni Koruma Sistemi
Araştırmacılar, büyük dil modellerinin farklı ülkelerde güvenli kullanımını sağlamak için ML-Bench adlı yeni bir değerlendirme sistemi geliştirdi. 14 farklı dili kapsayan bu sistem, her bölgenin kendi yasal düzenlemelerini ve kültürel özelliklerini dikkate alarak AI güvenlik standartları oluşturuyor. Mevcut sistemlerin aksine, genel risk kategorileri yerine ülkeye özgü kanun metinlerinden doğrudan yararlanıyor. Bu yaklaşım, AI modellerinin küresel kullanımında karşılaşılan yasal ve kültürel uyumsuzluk sorunlarına çözüm getiriyor. Sistem üzerinden geliştirilen ML-Guard koruma modeli, bölgesel düzenlemelere uygun şekilde zararlı içerikleri tespit edip engelleyebiliyor.
Claude yapay zekası 6 dilde test edildi: Diller arası tutarsızlıklar keşfedildi
Antropic'in Claude yapay zeka modeli, altı farklı dilde kapsamlı testlere tabi tutuldu. Araştırmacılar, İngilizce, Fransızca, Romence, İspanyolca, İtalyanca ve Almanca dillerinde aynı anlamda sorular sorarak modelin tutarlılığını inceledi. 216 yanıt üzerinden yapılan analiz, diller arasında önemli farklar olduğunu ortaya koydu. Fransızca yanıtların Almanca yanıtlardan %30 daha uzun olduğu, yaratıcılık ve duygusal içerik gerektiren konularda ise diller arası en fazla farklılığın görüldüğü tespit edildi. Bu çalışma, yapay zeka modellerinin çok dilli performansını değerlendirmek için yeni bir framework sunuyor.
Yapay Zeka Modelleri İçin Yeni Öğretim Yöntemi Keşfedildi
Araştırmacılar, büyük dil modellerinin talimatları takip etme becerisini geliştirmek için iki farklı yaklaşımı karşılaştırdı. Geleneksel yöntem olan denetimli ince ayar yerine, bağlam içi öğrenme tekniğinin kullanılabilirliği araştırıldı. Çalışma, özellikle İngilizce dışındaki diller ve küçük model boyutları için bu alternatif yaklaşımın performansını değerlendirdi. Sonuçlar, bağlam içi öğrenmenin bu koşullarda sınırlı başarı gösterdiğini ortaya koydu. Ancak Doğrudan Tercih Optimizasyonu tekniğinin temel modeller üzerinde uygulanmasının bu eksiklikleri kısmen giderebildiği tespit edildi. Bu bulgular, yapay zeka modellerinin eğitimi için kaynak-verimli alternatif yöntemlerin geliştirilmesi açısından önemli ipuçları sunuyor.
Yapay zeka modelleri artık 18 dilde daha kaliteli öğreniyor
Araştırmacılar, büyük dil modellerini farklı kültürlerden örneklerle eğitmek için yeni bir yöntem geliştirdi. M-DaQ adı verilen bu sistem, hem kaliteli hem de kültürel çeşitliliği yansıtan eğitim verilerini akıllıca seçiyor. Çok dilli yapay zeka modellerinin eğitiminde yaşanan en büyük sorunlardan biri, farklı dillerde sistematik olarak hazırlanmış kaliteli veri setlerinin bulunmamasıydı. Yeni geliştirilen çerçeve, kalite puanlama modeli ve akıllı seçim stratejisi kullanarak bu sorunu çözmeyi hedefliyor. 18 farklı dilde yapılan testlerde, bu yöntemle eğitilen modeller %60'ın üzerinde başarı oranına ulaştı. Araştırma aynı zamanda çok dilli ortamlarda 'Yüzeysel Uyum Hipotezi'ni inceleyen ilk sistematik çalışma olma özelliği taşıyor. Bu gelişme, yapay zekanın farklı kültürlerden insanlarla daha etkili iletişim kurmasının önünü açıyor.
Portekizce Matematik Soruları Yapay Zeka Modellerini Zorluyor
Araştırmacılar, büyük dil modellerinin matematik yeteneklerini test etmek için yeni bir Portekizce veri seti geliştirdi. MATH-PT adlı bu koleksiyon, Portekiz ve Brezilya'dan 1.729 özgün matematik problemini içeriyor. Çalışma, mevcut AI modellerinin İngilizce dışındaki dillerde matematik problemlerini çözmekte zorlandığını ortaya koyuyor. Araştırma, yapay zeka alanında dil adaletsizliği sorununa dikkat çekerken, çok dilli AI geliştirme ihtiyacını vurguluyor. Test sonuçları, en gelişmiş modellerin bile Portekizce matematik sorularında performans kaybı yaşadığını gösteriyor.
Diller Arası Yazı Sistemi Engeli: Transliterasyon NLP'de Nasıl Köprü Kuruyor?
Yapay zeka sistemlerinde farklı diller arasında bilgi transferi yaparken en büyük engellerden biri yazı sistemleri arasındaki farklılıklardır. Araştırmacılar, bir dilin yazı sistemini başka bir dile dönüştürme işlemi olan transliterasyonun, bu sorunu nasıl çözdüğünü kapsamlı bir şekilde incelediler. Çalışma, dil modelerinde transliterasyon kullanımının temel motivasyonlarını sınıflandırıyor ve farklı yaklaşımları değerlendiriyor. Özellikle karma dil metinlerinin işlenmesi, dil ailesi yakınlığından yararlanma ve çıkarım verimliliğini artırma gibi alanlarda transliterasyonun sağladığı faydalar ele alınıyor. Bu teknik, özellikle modern büyük dil modellerinin çok dilli yeteneklerini geliştirmede kritik bir rol oynuyor.
Yapay Zeka Artık Hangi Dilde Düşüneceğini Kendisi Seçiyor
Araştırmacılar, her problem için en uygun dilde akıl yürütebilen yeni bir yapay zeka modeli ailesini geliştirdi. x1 adlı bu sistem, matematiksel problemlerde ve kültürel sorularda hangi dilde düşünmenin daha avantajlı olduğunu kendisi belirleyebiliyor. Çalışma, farklı dillerin kendine özgü soyutlama biçimleri ve mantıksal yaklaşımları barındırdığını, bu nedenle çok dilli akıl yürütmenin tek dilde düşünmekten daha etkili olabileceğini gösteriyor. Model, bilgi sınırları genişletilmeden, aynı girdi için farklı dillerdeki akıl yürütme süreçlerini karşılaştırarak eğitilmiş. Bulgular, ölçek büyüdükçe matematik gibi prosedürel alanlarda diller arası farklılıkların azaldığını, ancak kültürel konularda o kültürle ilişkili dillerin avantajını koruduğunu ortaya koyuyor.
Jupiter-N: Galisçe konuşabilen ve kültürel uyum sağlayan hibrit AI modeli geliştirildi
Araştırmacılar, 120 milyar parametreli Nemotron 3 Super modelini geliştirerek Jupiter-N adlı yeni bir hibrit yapay zeka modeli oluşturdular. Bu model üç temel hedefi gerçekleştiriyor: belirsizlik durumlarında daha iyi karar verebilme, İngiliz kültürüne uygun davranış sergileme ve Galisçe dil desteği sunma. Geliştirilen Forget-Me-Not çerçevesi sayesinde, model önceki yeteneklerini kaybetmeden yeni beceriler kazanabiliyor. Jupiter-N, Galisçe testlerinde %18'e varan iyileştirmeler gösterirken, terminal kullanımı ve talimat takibinde de önemli gelişmeler kaydetmiş durumda.
Yapay zeka modelleri çeviriyi nasıl öğreniyor? İki aşamalı süreç keşfedildi
Araştırmacılar, büyük dil modellerinin çok dilli yeteneklerini nasıl geliştirdiğini anlamak için 1,7 milyar parametreli bir modeli dokuz farklı dilde eğitti. Çalışma, modellerin çeviri becerilerini iki aşamada geliştirdiğini ortaya koydu: İlk aşamada kelime kopyalama ve yüzeysel benzerlikler hakimken, ikinci aşamada daha gelişmiş genelleme yetenekleri ortaya çıkıyor. Bu bulgular, yapay zekanın dil öğrenme süreçlerini anlamada önemli bir adım teşkil ediyor ve gelecekteki çok dilli AI sistemlerinin geliştirilmesinde yol gösterici olabilir.
Yapay Zeka Görme Modelleri İçin Çok Dilli Eğitim Kaynakları Geliştirildi
Görsel-dil modelleri son yıllarda hızla gelişse de çoğunlukla İngilizce odaklı. Araştırmacılar bu sorunu çözmek için beş Avrupa dilinde (İngilizce, Fransızca, Almanca, İtalyanca ve İspanyolca) kapsamlı eğitim ve değerlendirme kaynakları geliştirdi. Multi-PixMo adlı eğitim veri setini yeniden üretim-çeviri paradigmasıyla oluşturdular. Bu çalışma, yapay zeka görme modellerinin dil çeşitliliğini artırarak küresel erişimi genişletmeyi hedefliyor. Geliştirilen kaynaklar, görsel içerikleri anlayan yapay zeka sistemlerinin sadece İngilizce değil, farklı dillerde de etkili çalışmasını sağlayacak. Çalışma özellikle görsel-dil modellerinin çok dilli yeteneklerini geliştirme konusunda önemli bir adım olarak değerlendiriliyor.
Kültürel Akıl Yürütmeyi Test Eden Çok Dilli AI Ölçütü Macaron Geliştirildi
Araştırmacılar, yapay zeka modellerinin farklı kültürlerdeki mantık yürütme yeteneklerini değerlendiren yeni bir test sistemi geliştirdi. Macaron adlı bu sistem, 20 farklı ülke ve kültürden senaryolar içeren sorularla AI'ların sadece dil bilgisini değil, kültürel bağlamları da ne kadar anlayabildiğini ölçüyor. Sistem 20 dil ve lehçede toplam 12 bine yakın test sorusu içeriyor ve düşük kaynaklı diller olan Amharca, Yoruba ve Zulu gibi dilleri de kapsıyor. Test sonuçları, mevcut AI modellerinin kültürel bağlamları anlama konusunda hala geliştirilmesi gereken yönleri olduğunu gösteriyor.
Hindistan'ın 22 Dilini Kapsayan Dev NLP Veri Seti Katalogu Oluşturuldu
Hindistan'ın zengin dil çeşitliliğini yansıtan kapsamlı bir doğal dil işleme (NLP) kaynakları araştırması yayınlandı. 22 resmi dil ve yüzlerce yerel lehçeyi kapsayan bu çalışma, ilk kez Hint dillerine özel geliştirilen 200'den fazla veri seti, 50'den fazla değerlendirme kriteri ve 100'den fazla yapay zeka modelini tek çatı altında topladı. Araştırma, metin, ses ve çok modlu görevleri içeren kaynakları dil bilimsel özellikler, alan ve modalitelere göre kategorize etti. Çalışma, düşük kaynaklı diller için veri yetersizliği, dengesiz dil kapsamı ve kültürel çeşitliliğin modellenmesindeki zorluklar gibi kalıcı sorunları da belirliyor.
Yapay Zeka Modellerinin Arapça Lehçelerde Kültürel Test Performansı İncelendi
Araştırmacılar, büyük dil modellerinin farklı Arapça lehçelerinde kültürel sorulara yanıt verme başarısını ölçmek için kapsamlı bir test yöntemi geliştirdi. Modern Standart Arapça sorularını çeşitli lehçelere çevirerek ve açık uçlu sorular haline getirerek, yapay zeka sistemlerinin kültürel bağlamda ne kadar etkili olduğunu araştırdılar. Çalışma, mevcut dil modellerinin Arapça lehçelerinde yetersiz performans gösterdiğini ve kültürel özellikler taşıyan içeriklerde belirgin eksiklikler bulunduğunu ortaya koydu. Bu araştırma, yapay zeka teknolojilerinin farklı kültürler ve dil varyantları için daha adil ve etkili hale getirilmesi gerekliliğini vurguluyor.
Yapay Zeka Modelleri Çok Dilli Mantık Yürütmede Henüz Yeterli Değil
Büyük mantık yürütme modelleri (LRM'ler) matematik problemlerini çözerken adım adım açıklamalar yapmadan önce doğru cevabı bulabiliyor. Bu 'gizli mantık yürütme' yeteneği İngilizce için kanıtlanmışken, 11 farklı dilde yapılan yeni araştırma çok dilli durumun farklı olduğunu gösteriyor. Kaynak zenginliği yüksek dillerde bu yetenek güçlüyken, kaynak kısıtlı dillerde zayıf kalıyor. Bu bulgu, yapay zeka modellerinin farklı dillerdeki düşünme süreçlerinin eşit olmadığını ortaya koyuyor.