“görsel tanıma” için sonuçlar
6 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yapay Zeka Endüstriyel Otomasyonu Fotoğraflarla Tasarlayacak
Launchpad Build AI şirketi, Manufacturing Language Model (MLM) adlı yeni sistemini tanıttı. Bu teknoloji, sadece fotoğraf, video veya CAD dosyalarından yararlanarak endüstriyel otomasyon sistemlerini tasarlayabiliyor. Özellikle çeşitli ürün türlerinin az miktarlarda üretildiği fabrikalar için geliştirilen sistem, otomasyon tasarımını demokratikleştirmeyi hedefliyor. Geleneksel yöntemlerde karmaşık mühendislik bilgisi gerektiren süreçleri, görsel girdi ile basitleştiren bu yaklaşım, küçük ve orta ölçekli üreticiler için büyük fırsatlar sunuyor.
Yapay zeka artık metindeki varlıkları görselde de bulabiliyor
Araştırmacılar, metinlerdeki özel isimleri tanımlayıp bunları ilgili görsellerde konumlandırabilen yeni bir yapay zeka sistemi geliştirdi. E2E-GMNER adlı bu sistem, bir metinde geçen kişi, yer veya kuruluş isimlerini sadece tanımlamakla kalmıyor, aynı zamanda bu varlıkları eşlik eden görsellerde de işaretleyebiliyor. Geleneksel yöntemler bu işlemleri ayrı aşamalarda gerçekleştirirken, yeni sistem tüm süreci tek seferde tamamlıyor. Bu yaklaşım, hata birikimini önleyerek daha doğru sonuçlar üretiyor. Sistem, zincirleme düşünce yöntemiyle çalışarak ne zaman görsel kanıtlara, ne zaman arka plan bilgisine güveneceğini akıllıca belirliyor. Bu gelişme, içerik analizi, sosyal medya izleme ve otomatik etiketleme gibi alanlarda önemli uygulamalara sahip.
Yapay Zeka Rorschach Testinde: AI Lekelerden Ne Görüyor?
Araştırmacılar, insan psikolojisini anlamak için kullanılan ünlü Rorschach mürekkep lekesi testini 61 farklı yapay zeka modeline uyguladı. ImageNet veri seti üzerinde eğitilmiş bu AI modelleri, belirsiz ve soyut görüntüleri nasıl yorumladıklarında şaşırtıcı sonuçlar ortaya çıktı. Çalışma, yapay zekanın görsel algı mekanizmalarını insan psikolojisi perspektifiyle karşılaştırarak, AI'ın belirsizlikle nasıl başa çıktığını inceliyor. Bu ilginç deney, hem AI'ın sınırlarını hem de görsel tanıma sistemlerinin işleyişini anlamamızda yeni bir yaklaşım sunuyor. Bulgular, farklı AI mimarilerinin belirsiz görüntüleri nasıl farklı şekillerde yorumladığını ve bu yorumların insan yanıtlarıyla nasıl karşılaştırıldığını gösteriyor.
Yapay zeka modelleri gördüklerini doğru yorumlayamıyor: Çözüm bulundu
Görme ve dil yeteneklerini birleştiren yapay zeka modelleri, görsellerdeki doğru bölgeleri tespit edebilseler de çoğu zaman yanlış cevaplar üretiyor. Araştırmacılar bu sorunun, modellerin içindeki bilgi akışından kaynaklandığını keşfetti. Metin bileşenleri, görsel verilerdeki önemli detaylar yerine alakasız bölgelere odaklanıyor. Bu durum, modelin görme ve anlama yetilerini olumsuz etkiliyor. Bilim insanları, bu sorunu çözebilecek yenilikçi bir yöntem geliştirdi. Önerilen çözüm, modelin çalışma sırasında yalnızca kritik görsel unsurlara odaklanmasını sağlıyor. Bu sayede alakasız bölgelerin yarattığı karışıklık ortadan kaldırılıyor. Çalışma, yapay zekanın görme ve dil işleme kapasitelerinin geliştirilmesi açısından önemli bir adım olarak değerlendiriliyor.
Yapay Zeka Modellerinin 'Düşünce Sürecini' Görünür Kılan Yeni Yaklaşım
Araştırmacılar, yapay zeka sistemlerinin karar verme süreçlerini daha şeffaf hale getiren yeni bir model geliştirdi. Prototype-Grounded Concept Models (PGCM) adı verilen bu yaklaşım, AI'ın hangi görsel ipuçlarını kullanarak kavramları öğrendiğini göstererek, sistemin mantığını anlaşılır kılıyor. Geleneksel Concept Bottleneck Modellerinin aksine, PGCM'ler öğrenilen kavramların gerçekten insan anlayışıyla uyumlu olup olmadığını doğrulamaya olanak tanıyor. Bu sayede AI'ın yanlış öğrendiği durumlar tespit edilebiliyor ve müdahale edilerek düzeltilebiliyor. Yöntemin en büyük avantajı, AI'ın performansından ödün vermeden şeffaflığı artırması. Sistem, görsel prototiplere dayalı çalışarak her kavram için somut kanıtlar sunuyor. Bu gelişme, özellikle tıp ve güvenlik gibi kritik alanlarda AI güvenilirliğini artıracak.
Yapay Zeka Öğrenmede Devrim: Beynin Öğrenme Yöntemini Taklit Eden Yeni Model
Araştırmacılar, geleneksel yapay zeka öğrenme yöntemlerinden farklı olarak insan beyninin çalışma prensiplerini taklit eden yeni bir görsel tanıma modeli geliştirdi. Multi-Frequency Local Plasticity adı verilen bu sistem, beynin yerel öğrenme mekanizmalarından ilham alarak çalışıyor. Model, sabit Gabor filtreleri, rekabetçi öğrenme algoritmaları ve modern Hopfield ağlarını birleştiriyor. En dikkat çekici özelliği ise tüm sistem boyunca geri yayılım algoritması kullanmadan öğrenebilmesi. Bu yaklaşım, yapay zekanın daha az enerji tüketen ve biyolojik sistemlere daha yakın çalışma prensipleriyle geliştirilmesine olanak tanıyor. Araştırma, hem yapay zeka hem de beyin bilimi alanlarında önemli bir adım olarak değerlendiriliyor.