“ajan sistemleri” için sonuçlar
35 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Çoklu Robot Sistemleri İçin Yeni Kontrol Çerçevesi Geliştirildi
Araştırmacılar, birden fazla robotun koordineli çalışmasını sağlayan yenilikçi bir kontrol sistemi geliştirdi. Bu sistem, robotların birbirleriyle dinamik bağlantı kurmadan bağımsız hareket edebilmesini sağlıyor. Zamanla değişen hedeflere uyum sağlayabilen framework, lider-takipçi formasyonları, değişken yoğunluklu alan kaplama ve yoğun ortamlarda güvenli navigasyon gibi farklı görevlerde test edildi. Sistem, her robotun kendi kararlarını alabilmesine olanak tanırken, genel koordinasyonu da koruyor. Bu yaklaşım, gerçek zamanlı uygulamalarda ve çoklu hedefli robotik görevlerde önemli avantajlar sunuyor. Özellikle uzun süredir çözülemeyen değişken yoğunluk fonksiyonları için merkezi olmayan kaplama kontrolü problemine çözüm getirdiği belirtiliyor.
Yapay Zeka Ajanları İçin Yeni Optimizasyon Sistemi: Agent Capsules
Araştırmacılar, çoklu yapay zeka ajanlarının birlikte çalıştığı sistemlerde hem performansı artıran hem de maliyeti düşüren yenilikçi bir çözüm geliştirdi. Agent Capsules adlı bu sistem, birden fazla AI ajanının görevlerini daha verimli şekilde koordine etmesini sağlıyor. Geleneksel yaklaşımlarda her ajan için ayrı dil modeli çağrısı yapılması hem pahalı hem de yavaş sonuçlar doğuruyordu. Yeni sistem, ajanları akıllıca gruplandırarak token kullanımını azaltırken, kalite kaybını önlemek için sürekli performans kontrolü yapıyor. Sistem, üç farklı strateji arasında seçim yapabiliyor ve kalite düşüşü algıladığında otomatik olarak daha güvenli modlara geçiş yapıyor. Bu gelişme, çoklu AI ajan sistemlerinin daha geniş çapta kullanımına olanak sağlayabilir.
Küçük AI modelleri büyük görevlerde ne kadar başarılı? AgentFloor testi açıklıyor
Araştırmacılar, yapay zeka sistemlerinde hangi görevlerin büyük modeller gerektirdiğini, hangilerinin küçük modellerle halledilebileceğini belirlemek için AgentFloor adlı yeni bir değerlendirme sistemi geliştirdi. 30 farklı görevi içeren altı kademeli bu test, 0,27 milyardan 32 milyar parametreye kadar 16 farklı açık kaynak modeli GPT-5 ile karşılaştırdı. Bulgular, kısa vadeli ve yapılandırılmış araç kullanımı gerektiren işlerin çoğunun küçük ve orta ölçekli modellerle başarıyla yapılabileceğini gösterdi. Bu sonuçlar, AI sistemlerinin daha verimli tasarlanması ve maliyetlerin optimize edilmesi açısından önemli pratik değer taşıyor.
Yapay Zeka Modellerinde Kolektif Ajan Sistemiyle Otomatik Performans Artışı
Araştırmacılar, büyük dil modellerinin karmaşık mantıksal problemlerdeki performansını artırmak için Agent-GWO adlı yeni bir sistem geliştirdi. Bu sistem, farklı ajanların işbirliği yaparak en etkili soru sorma stratejilerini ve sistem ayarlarını otomatik olarak bulmasını sağlıyor. Geleneksel yöntemler elle hazırlanan sabit komutlara dayandığı için sınırlı başarı gösterirken, yeni sistem dinamik olarak kendini optimize ediyor. Gri kurt algoritmasından esinlenen lider-takipçi mekanizması kullanarak, sistem hem soru kalıplarını hem de teknik parametreleri aynı anda iyileştiriyor. Bu yaklaşım, yapay zeka modellerinin farklı görevlerde daha kararlı ve yüksek performans göstermesini sağlıyor.
Yapay Zeka Ajanları Artık Daha Az Token ile Çalışacak
Büyük dil modellerini kullanan çoklu ajan sistemleri, token verimsizliği sorunu yaşıyor. Tüm ajanların aynı anda aktif olması ve gereksiz bilgi paylaşımı, maliyetleri artırıyor. Araştırmacılar, ajanların aktivasyonunu zamanlama ile kontrol eden yeni bir sistem geliştirdi. Phase-Scheduled Multi-Agent Systems (PSMAS) adlı bu çerçeve, her ajana dairesel bir manifold üzerinde sabit açısal pozisyon atayarak, sadece gerekli olan ajanları belirli zamanlarda aktif hale getiriyor. Bu yaklaşım, geleneksel koordinasyon yöntemlerinin aksine zamansal boyutu da dikkate alıyor ve token kullanımını önemli ölçüde optimize ediyor.
Yapay Zeka Ajanları İçin Yeni Eğitim Yöntemi: StepPO
Araştırmacılar, OpenClaw ve Claude Code gibi gelişmiş yapay zeka ajanlarının performansını artırmak için StepPO adında yeni bir eğitim yöntemi geliştirdi. Bu yaklaşım, büyük dil modellerinin çok adımlı görevlerde karar verme ve araç kullanma yeteneklerini iyileştirmek için tasarlandı. Geleneksel pekiştirmeli öğrenme yöntemlerinin aksine, StepPO gecikmiş ödüller ve uzun bağlamlarla başa çıkabilen 'ajantik' yeteneklere odaklanıyor. Bu gelişme, yapay zeka ajanlarının daha karmaşık görevleri bağımsız olarak yerine getirebilmesi için önemli bir adım teşkil ediyor.
Küçük Yapay Zeka Modeli, Çok-Ajan Sistemleri Yönetmede Büyük Başarı
Araştırmacılar, karmaşık görevleri çözmek için birden fazla yapay zeka ajanını koordine eden yeni bir sistem geliştirdi. 'Agent-as-Tool' adlı bu yaklaşım, farklı ajanları ve araçları standart bir formatta birleştirerek paralel çalışmalarını sağlıyor. ParaManager adlı hafif orkestratör, büyük görevleri alt parçalara bölerek eş zamanlı olarak farklı ajanlara dağıtabiliyor. Bu sistem, geleneksel seri çalışma modellerinden farklı olarak, ajanların aynı anda farklı alt görevler üzerinde çalışmasına olanak tanıyor. İki aşamalı eğitim süreci ile geliştirilen sistem, daha esnek ve genişletilebilir bir yapı sunuyor.
Yapay Zeka Takımlarının 'Çoğunluk Tuzağı' Sorunu Token Düzeyinde Çözüldü
Araştırmacılar, birden fazla yapay zeka ajanının birlikte çalıştığı sistemlerde kritik bir güvenlik açığı keşfetti. Mevcut sistemlerde kullanılan çoğunluk oylaması yöntemi, kötü niyetli müdahaleler karşısında savunmasız kalabiliyor. Bozuk ajanlar yerel bir çoğunluk oluşturduğunda, sistem tamamen çökebiliyor. Çünkü oylama sadece nihai sonuçlara bakıyor, ara mantık hatalarını görmezden geliyor. Bilim insanları bu sorunu çözmek için Token Düzeyinde Sırayla İşbirliği adında yeni bir yöntem geliştirdi. Bu yaklaşımda ajanlar, sonuçları ayrı ayrı oylamak yerine, ortak bir bağlamda sırayla kelime üretme sürecine katılıyor. Bu yöntem, sistemi kırılgan oy sayma mekanizmasından dinamik bir işbirliği zincirine dönüştürüyor.
Eğitim yapay zekası sistemleri daha açık ve güvenilir oluyor
Eğitim ve sağlık sektörlerinde yapay zeka kullanımı arttıkça, bu sistemlerin nasıl çalıştığını anlamamız kritik hale geliyor. Araştırmacılar, çoklu ajanslı eğitim sistemlerinin geliştirme aşamasından itibaren açıklanabilir olması için yeni bir çerçeve geliştirdi. Bu yaklaşım, kullanıcı profilleri ve hikayelerini merkeze alarak, tıp eğitiminden sağlık sistemlerine kadar geniş bir yelpazede güvenilir yapay zeka çözümleri sunmayı hedefliyor. Özellikle tıbbi eğitim alanında klinik akıl yürütme becerilerinin geliştirilmesi için tasarlanan sistem, eğitimciler ve öğrenciler arasında daha şeffaf bir etkileşim sağlıyor. Bu çalışma, yapay zeka sistemlerinin sadece etkili değil, aynı zamanda anlaşılabilir ve güvenilir olması gerektiğinin altını çiziyor.
Yapay Zeka Ajanları 'İnanç Ataleti' Sorunu ile Mücadele Ediyor
Büyük dil modelleri kullanan yapay zeka ajanları, karmaşık görevleri yerine getirirken kritik bir sorunla karşılaşıyor: inanç ataleti. Bu durum, ajanların çevreden gelen yeni bilgileri görmezden gelerek önceki inançlarına körü körüne bağlı kalmasına neden oluyor. Araştırmacılar bu sorunu çözmek için EVU (Tahmin Et-Doğrula-Güncelle) adlı yeni bir mekanizma geliştirdi. Bu sistem, ajanların beklentilerini önceden tahmin etmesine, gözlemlerle karşılaştırmasına ve kanıtlara dayanarak inançlarını aktif olarak güncellemesine olanak sağlıyor. Çalışma, yapay zeka ajanlarının çevresel geri bildirimleri daha etkili şekilde değerlendirip optimal kararlar alabilmesi için önemli bir adım teşkil ediyor.
Hive: Yapay Zeka Ajanlarda Yeni Ölçeklenme Yaklaşımı
Büyük dil modelleri giderek karmaşık ajanlık sistemler olarak kullanılıyor ancak mevcut altyapılar kaynak dağılımında önemli fırsatları kaçırıyor. MIT araştırmacıları, yapay zeka ajanlarının hem algoritma hem de görev düzeyinde ölçeklenmesini sağlayan Hive adlı yeni bir çok-ajan altyapısı geliştirdi. Bu sistem, birden fazla ajanın paralel çalışmasını optimize ederek hesaplama kaynaklarını daha verimli kullanmayı hedefliyor. Hive'ın getirdiği yenilik, farklı akıl yürütme dalları arasındaki gereksiz tekrarları önleyerek ve karmaşık görevleri alt problemlere bölerek işlem gücünün daha akıllıca dağıtılmasını sağlaması. Bu yaklaşım, yapay zeka sistemlerinin ölçeklenebilirliğinde yeni bir paradigma sunarak, gelecekteki çok-ajan sistemlerinin performansını artırmaya yönelik önemli bir adım atıyor.
Yapay Zeka Ajanları Artık Kendi Kendine Öğreniyor ve İş Birliği Yapıyor
Araştırmacılar, görsel-dil modellerini çoklu ajan sistemlerine dönüştürürken karşılaşılan temel sorunları çözen yeni bir yapay zeka teknolojisi geliştirdi. SkillGraph adlı bu sistem, ajanların hem uzmanlık alanlarını hem de birbirleriyle iletişim şekillerini sorguya göre dinamik olarak değiştirmesini sağlıyor. Geleneksel sistemlerde ajanlar arası iletişim önceden belirlenirken, yeni yaklaşım görsel içeriğe ve sorunun bağlamına göre en uygun iş birliği ağını oluşturuyor. Sistem ayrıca başarısız durumlardan öğrenerek kendini sürekli geliştiriyor ve ajanların belirli görevlerde uzmanlaşmasını teşvik ediyor.
AI Ajanlarının Davranışlarını İzlemek İçin Yeni Matematiksel Model Geliştirildi
Bilim insanları, yapay zeka ajanlarının karmaşık işlem süreçlerini takip etmek için 'nedensel-zamansal olay grafikleri' adında yeni bir matematiksel model geliştirdi. Bu model, AI ajanlarının birbirlerini çağırarak oluşturdukları iç içe geçmiş işlem ağaçlarını zaman damgalarıyla birlikte kaydetmeyi mümkün kılıyor. Sistem, her olayın zamansal sırasını koruyarak, hangi ajanın hangi alt-ajanı çağırdığını ve bunların nasıl sonlandığını detaylı şekilde takip edebiliyor. Araştırmacılar, bu yapının matematiksel olarak 'kök ağaç' benzeri bir graf oluşturduğunu ve sonsuz karmaşıklıktaki işlemlerin bile sonlu diziler halinde temsil edilebileceğini gösterdi.
SafeAgent: Yapay Zeka Ajanları İçin Yeni Güvenlik Mimarisi Geliştirildi
Büyük dil modeli tabanlı yapay zeka ajanları, çok adımlı iş akışları ve araç etkileşimleri sırasında prompt-enjeksiyon saldırılarına karşı savunmasız kalabiliyor. Araştırmacılar, bu güvenlik açığına karşı SafeAgent adlı yeni bir runtime koruma mimarisi geliştirdi. Sistem, ajan güvenliğini gelişen etkileşim yörüngelerinde durumsal bir karar problemi olarak ele alıyor. İki koordineli bileşenden oluşan mimari: ajan döngüsü etrafındaki eylemlere aracılık eden runtime kontrolörü ve kalıcı oturum durumu üzerinde çalışan bağlam-farkında karar çekirdeği. Agent Security Bench ve InjecAgent testlerinde SafeAgent'ın etkinliği kanıtlandı. Bu gelişme, gelecekte daha güvenli AI ajan sistemlerinin tasarımında önemli bir adım.
Yapay Zeka Ajanlarının Güvenli İşbirliği için Yeni Koordinasyon Dili Geliştirildi
Büyük dil modelleri (LLM) üzerine kurulu çok-ajan sistemlerinde ortaya çıkan koordinasyon hatalarını çözmek için yeni bir yaklaşım geliştirildi. Araştırmacılar, mesaj sekans çizelgelerine dayanan özel bir programlama dili tasarlayarak, yapay zeka ajanları arasında güvenli iletişim sağlayan bir sistem yarattı. Bu yenilik, yapay zeka ajanlarının birbirleriyle çalışırken yaşadığı kilitlenme ve uyumsuzluk sorunlarını önceden tespit edip önleyebiliyor. Geliştirilen dil, mesaj iletimi yapısını LLM eylemlerinden ayırarak, öngörülemeyen yapay zeka davranışlarına rağmen güvenilir koordinasyon sağlıyor. Sistem ayrıca çalışma zamanında dinamik olarak iş akışı üretebilen bir planlama özelliği de sunuyor.
Takım halinde öğrenen yapay zekalara adil ödül dağıtımı algoritması geliştirildi
Araştırmacılar, sırayla hareket eden ve ortak ödül alan yapay zeka ajanları için yeni bir öğrenme algoritması geliştirdi. CAPO adlı bu sistem, takım başarısından her ajanın ne kadar sorumlu olduğunu belirlemede devrim yaratıyor. Geleneksel sistemlerde, ajanlar tek tek güncellenirken eski verilerin artık geçerli politikaları yansıtmaması sorunu vardı. Yeni algoritma, Sequential Aristocrat Utility (SeqAU) kavramını tanıtarak her ajanın katkısını ayrı ayrı değerlendiriyor. CAPO, grup ödüllerinden ajan bazında ödül ayrışımı yapıyor ve avantaj hesaplamalarını kapalı formda gerçekleştiriyor. Bu sayede ekstra çevre çağrıları yapmadan, sadece mevcut politika üzerinden birkaç ileri geçiş ile işlem tamamlanıyor. Sistem, analitik bias ve varyans sınırları ile destekleniyor.
Yapay Zeka Ajanları Artık Belirsizliklerle Başa Çıkarak Koordinasyon Kurabiliyor
Araştırmacılar, belirsiz koşullar altında çalışan yapay zeka ajanlarının daha güvenilir bir şekilde koordinasyon kurabilmesi için yeni bir yaklaşım geliştirdi. Çalışma, ağ üzerinde dağıtılmış olarak çalışan ajanların, sistem belirsizlikleri ve girdi bozulmalarına rağmen ortak hedeflere ulaşabilmesini sağlayan dayanıklı bir kontrol protokolü sunuyor. Bu gelişme, otonom araç filotalarından drone sürülerine, akıllı şehir sistemlerinden endüstriyel otomasyon ağlarına kadar birçok alanda uygulanabilir. Özellikle gerçek dünyada karşılaşılan belirsizliklerin sistem performansını olumsuz etkilemesini önlemeyi hedefleyen bu yaklaşım, çok-ajan sistemlerinin güvenilirliğini artırma potansiyeli taşıyor.
Yapay zeka ajanları artık duruma göre görev dağıtımı yapabiliyor
Araştırmacılar, yapay zeka ajanlarının görev dağıtımında devrim niteliğinde bir yaklaşım geliştirdi. CADMAS-CTX adlı yeni framework, ajanların yeteneklerini sabit kabul etmek yerine, görevin bağlamına göre değerlendiriyor. Örneğin bir kodlama ajanı kısa düzenlemelerde başarılı olurken, uzun süreli hata ayıklama işlerinde zorlanabilir. Geleneksel sistemler bu farklılıkları göz ardı ederek yanlış görev dağıtımlarına neden oluyordu. Yeni sistem, her ajan için farklı beceri alanlarında ve bağlamlarda ayrı deneyim profilleri oluşturuyor. Görev dağıtımı yaparken hem performans ortalamasını hem de belirsizlik seviyesini dikkate alan risk bilincli bir yaklaşım benimsiyor. Bu sayede ajanlar, yalnızca bir meslektaşının gerçekten daha iyi olduğuna dair yeterli kanıt bulunduğunda görev devri yapıyor.
Yapay Zeka Ajanlarda Mimari Tasarım Kararları Araştırıldı
Araştırmacılar, yapay zeka ajan sistemlerinin temelindeki teknik altyapı kararlarını inceledi. 70 açık kaynak projeyi analiz eden çalışma, bu sistemlerin nasıl tasarlandığını ve hangi mimari yaklaşımların yaygın olduğunu ortaya koydu. Çalışmada beş ana tasarım boyutu belirlendi: alt-ajan mimarisi, bağlam yönetimi, araç sistemleri, güvenlik mekanizmaları ve orkestrasyon. Bulgular, dosya tabanlı kalıcı depolama ve hibrit yaklaşımların tercih edildiğini gösterdi. Bu araştırma, yapay zeka ajan sistemlerinin geliştirilmesinde teknik altyapı tercihlerinin sistematik analizini sunan ilk çalışmalardan biri olarak öne çıkıyor.
Yapay Zeka Ajanları: Klasik Sistemlerden Büyük Dil Modellerine Geçiş
Yapay zeka alanında çok-ajan sistemleri (MAS) hızla evrimleşiyor ve klasik paradigmalardan büyük temel modellere dayalı mimarilere geçiş yapıyor. Yeni araştırma, bu iki yaklaşımın kapsamlı karşılaştırmasını sunuyor. Klasik sistemler algı, iletişim, karar verme ve kontrol boyutlarında çalışırken, büyük dil modeli tabanlı sistemler işbirliğini düşük seviyeli veri değişiminden semantik düzeydeki akıl yürütmeye taşıyor. Bu gelişme, ajanlar arası koordinasyonu daha esnek hale getiriyor ve farklı senaryolara uyum sağlama kabiliyetini artırıyor. Araştırmacılar, her iki sistem türünün mimari yapı, işleyiş mekanizması, uyum kabiliyeti ve uygulama alanları açısından detaylı analizini gerçekleştirdi.
MultiWorld: Çoklu Ajanların Sanal Dünyalarını Modelleyen Yeni Yapay Zeka Sistemi
Araştırmacılar, birden fazla yapay zeka ajansının aynı anda etkileşimde bulunabileceği karmaşık video dünyalarını simüle eden MultiWorld adlı yenilikçi bir sistem geliştirdi. Bu teknoloji, geleneksel tek-ajan sistemlerinin aksine, çoklu bakış açılarından tutarlı gözlemler sunarken birden fazla ajansın hareketlerini eş zamanlı olarak kontrol edebiliyor. MultiWorld, oyun dünyalarından otonom araç simülasyonlarına kadar geniş bir uygulama yelpazesi sunuyor. Sistem, her ajanın davranışlarını hassas şekilde yönetebilen Multi-Agent Condition Module ve farklı bakış açıları arasında tutarlılığı koruyan Global State Encoder olmak üzere iki temel bileşen içeriyor. Bu gelişme, sanal ortamlarda gerçekçi çoklu etkileşimleri modelleyebilme konusunda önemli bir adım teşkil ediyor.
Yapay Zeka Ajanları İşbirliğiyle Büyük Veri İşleme Sınırlarını Aştı
Büyük dil modelleri (LLM'ler) karmaşık görevleri çözmek için muazzam miktarda bilgi kullanabilir, ancak sınırlı bağlam penceresi nedeniyle işleyebilecekleri veri miktarı kısıtlıdır. Araştırmacılar, bu sorunu çözmek için çoklu ajan sistemleri geliştirdi. ExtAgents adlı yeni framework, birden fazla yapay zeka ajanının işbirliği yaparak büyük veri kümelerini daha verimli şekilde işlemesini sağlıyor. Bu yaklaşım, mevcut bağlam penceresi genişletme yöntemlerinin neden olduğu bilgi kaybını önlerken, uzun bağlam eğitimine ihtiyaç duymadan çıkarım sırasında bilgi entegrasyonunu iyileştiriyor. Sistem, özellikle çok adımlı soru-cevap görevlerinde başarılı sonuçlar veriyor ve yapay zeka sistemlerinin ölçeklenebilirliğinde önemli bir adım teşkil ediyor.
Yapay Zeka Ajanları Sayılarla Gizli İletişim Kurmayı Öğrendi
Büyük dil modeli tabanlı yapay zeka ajanları, çok-ajan ortamlarda stratejik etkileşim ve koordinasyon gerektiren görevlerde giderek daha fazla kullanılıyor. Yeni araştırma, bu ajanların açık iletişim olmadan bile birbirleriyle gizli koordinasyon kurabildiğini ortaya koyuyor. Çalışma, ajanların eylemlerine gömülü dolaylı sinyaller kullanarak nasıl örtük iletişim geliştirdiklerini game teorisi perspektifinden inceliyor. Araştırmacılar, dört farklı oyun teorik senaryoda ajanların davranışlarını analiz ederek, gizli sinyallerin ne zaman ortaya çıktığını ve koordinasyonu nasıl etkilediğini karakterize ettiler. Bu bulgular, yapay zeka sistemlerinin beklenmedik iletişim yolları geliştirebileceğini gösteriyor.
C-World: Yapay Zeka Ajanları İçin Sonsuz Öğrenme Ortamları Üreten Sistem
Araştırmacılar, yapay zeka ajanlarının insan benzeri planlama ve akıl yürütme yetenekleri kazanması için ihtiyaç duydukları geniş çaplı öğrenme ortamlarını otomatik olarak oluşturabilen C-World adlı bir sistem geliştirdi. Sistem, 204 farklı uygulamadan toplam 5.571 araç içeren kapsamlı bir eylem alanı sunuyor. Gerçek API çalıştırma modunda canlı servislerle, sentetik modda ise World Engine ile simülasyonlar yapabiliyor. Uzun vadeli iş akışları oluşturan görev dağıtım motoru, gerçekçi hatalar enjekte eden durum kontrolörü ve doğrulanabilir ölçümlerle LLM tabanlı değerlendirmeyi birleştiren ödül sistemiyle eksiksiz bir ajan ortamı sunuyor. Bu yenilik, yapay zeka ajanlarının sürekli öğrenme için ihtiyaç duyduğu çeşitli ve ölçeklenebilir ortamları maliyetli manuel geliştirme süreçleri olmadan elde etmelerini sağlıyor.