“karar sistemleri” için sonuçlar
6 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Kuantum Algoritmaları Uydu Görüntülerinden Arazi Sınıflandırmasında Test Edildi
Araştırmacılar, çok spektralli uydu görüntülerinden arazi örtüsü sınıflandırması için varyasyonel kuantum sınıflandırıcıları (VQC) geliştirdiler. EuroSAT-MS veri seti kullanılarak yapılan kapsamlı testlerde, kuantum algoritmaları klasik yöntemlerle karşılaştırıldı. Sonuçlar, kuantum devrelerinin doğrusal okuma ile tek başına klasik algoritmaları geçemediğini, ancak aynı kuantum özellik haritası çekirdek tabanlı karar sistemleriyle birleştirildiğinde performansın önemli ölçüde arttığını gösterdi. Bu çalışma, kuantum bilgisayarlarının uydu görüntü analizi gibi pratik uygulamalardaki potansiyelini araştıran önemli bir adım.
Yapay zeka hukuk metinlerini otomatik kararlara dönüştürmeyi öğreniyor
Hollandalı araştırmacılar, yapay zeka modellerinin hukuki metinleri çalıştırılabilir karar sistemlerine nasıl dönüştürebileceğini araştırdı. Hollanda Çevre ve Planlama Kanunu'ndan alınan gerçek verilerle yapılan çalışmada, vatandaşların izin gereksinimlerini kontrol ettiği devlet platformu Omgevingsloket'in karar modelleri kullanıldı. Araştırma, ham hukuk metinleri ile yapılandırılmış ara temsiller arasındaki farkları inceleyerek, hangi yaklaşımın daha başarılı sonuçlar verdiğini değerlendirdi. Sonuçlar, hukuki süreçlerin otomasyonu ve dijital devlet hizmetleri için önemli çıkarımlar sunuyor.
Yapay Zeka Karar Sistemlerinde Yönetişim Kanıtlarının Bozulmasını Tespit Eden Yöntem
Dolandırıcılık tespiti ve kredi skorlama sistemlerinde karşılaşılan önemli bir sorun çözüme kavuştu. Bu sistemlerde kararların doğruluğu ancak haftalarca sonra anlaşılabiliyor ve bu sürede performans sessizce düşebiliyor. Araştırmacılar, etiket verisi gerektirmeyen yeni bir izleme sistemi geliştirdi. Sistem, zararlı bozulmaları normal değişikliklerden ayırt ederek yönetişim uyarıları üretiyor. Dört farklı izleme yöntemi kullanan kompozit yaklaşım, otomatik kararların gerekçelendirilmesi için kritik olan yönetişim kanıtlarının kalitesini korumayı amaçlıyor.
Yapay Zeka Öğrenmesinde Yeni Yaklaşım: Yerelleştirilmiş Eluder Boyutu
MIT araştırmacıları, yapay zeka sistemlerinin öğrenme verimliliğini artıran yeni bir matematiksel yaklaşım geliştirdi. Eluder boyutu adı verilen kavramın yerelleştirilmesi ile pekiştirmeli öğrenme algoritmalarında önemli iyileştirmeler sağlandı. Araştırma, geleneksel yöntemlerin sınırlarını ortaya koyarak, özellikle belirsizlik altında karar verme problemlerinde daha iyi performans gösteren algoritmalar geliştirilmesinin önünü açtı. Bu gelişme, otonom araçlardan finansal karar sistemlerine kadar geniş bir uygulama alanında yapay zeka sistemlerinin daha az hata yaparak öğrenmesini sağlayabilir.
Yapay zeka karar sistemlerinde gecikmiş doğrulamanın izlenmesi için yeni model
Dolandırıcılık tespiti, kredi skorlama ve tıbbi risk değerlendirmesi gibi yapay zeka sistemleri gecikmiş doğrulama sorunu yaşıyor - karar alındıktan günler hatta aylar sonra sonuç etiketleri geldiği için. Bu 'kör dönem' boyunca sistemin yönetim kanıtları bozulurken, mevcut sapma tespit yöntemleri yetersiz kalıyor. Araştırmacılar bu soruna çözüm için dört boyutlu kanıt yeterlilik modeli geliştirdi: tamlık, güncellik, güvenilirlik ve temsil edilebilirlik. Model, etiket gecikmesinin kanıt kalitesini nasıl düşürdüğünü ölçen karar hazırlığı kapısı içeriyor. Ayrıca yedi kategorilik vekil gösterge çerçevesi, etiketler olmadan yeterlilik bozulmasını tahmin ediyor. IEEE-CIS Dolandırıcılık Tespit veri setinde yaklaşık 590 bin işlemle test edilen sistem, yapay zeka güvenliğinde önemli adım.
Yapay Zeka Destekli Tıbbi Karar Sistemlerinde Yeni Dönem: Nedensellik Odaklı Yaklaşım
Günümüz klinik karar destek sistemleri genellikle korelasyon tabanlı tahminler yapıyor, ancak nedensellik ilişkilerini göz ardı ediyor. Yeni bir araştırma, nedensel makine öğrenmesinin tıbbi karar verme süreçlerini nasıl geliştirebileceğini inceliyor. Araştırmacılar, deneyimli hekimlerle yapılan görüşmeler ve kapsamlı literatür taraması sonucunda, doktorlarla işbirliği halinde çalışabilen akıllı sistemler için sekiz temel gereksinim, yedi tasarım ilkesi ve dokuz pratik özellik belirledi. Bu yeni yaklaşım, sadece 'ne' olacağını değil, 'neden' olacağını da açıklayabilen sistemler geliştirmeyi hedefliyor. Böylece hekimler, sadece istatistiksel tahminlere değil, sebep-sonuç ilişkilerine dayalı önerilere erişebilecek. Bu gelişme, özellikle tedavi seçeneklerinin değerlendirilmesinde daha güvenilir ve anlaşılabilir yapay zeka desteği sunma potansiyeli taşıyor.