“veri artırımı” için sonuçlar
3 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yapay Zeka Modellerinden Sağlık Müdahalelerine: Kontrafaktüel Açıklamalar
Araştırmacılar, büyük dil modellerini kullanarak sağlık alanında yenilikçi bir yaklaşım geliştirdi. Kontrafaktüel açıklamalar olarak adlandırılan bu yöntem, bir yapay zeka modelinin kararını değiştirmek için gerekli minimum değişiklikleri belirliyor. Bu teknoloji hem hastalıkların önlenmesi için müdahale stratejileri geliştirmekte, hem de daha güçlü AI modelleri eğitmek için veri artırımında kullanılabiliyor. GPT-4, BioMistral-7B ve LLaMA-3.1-8B gibi farklı dil modellerinin karşılaştırıldığı çalışmada, özellikle fine-tune edilmiş LLaMA-3.1-8B modeli dikkat çekiyor. Bu model %99'a varan güvenilirlik oranıyla gerçekçi ve uygulanabilir öneriler sunuyor. Klinik veri setleri üzerinde yapılan testlerde, sistemin hem müdahale kalitesi hem de özellik çeşitliliği açısından başarılı sonuçlar verdiği görülüyor.
Yapay Zeka, Programlama Dillerini Çevirmede Yeni Bir Dönem Başlatıyor
Araştırmacılar, büyük dil modellerinin programlama kodlarını farklı diller arasında çevirebilmesi için yenilikçi bir yöntem geliştirdi. CodePivot adlı sistem, paralel veri setlerine ihtiyaç duymadan pekiştirmeli öğrenme kullanarak kod çevirisi yapabiliyor. Bu teknoloji, özellikle az kaynaklı programlama dilleri için büyük avantajlar sunuyor. Geleneksel yöntemler ikili çeviri paradigmasıyla sınırlıydı ve çok sayıda programlama dilini desteklemekte zorlanıyordu. Yeni yaklaşım, eski yazılım sistemlerinin modernizasyonundan, düşük kaynaklı programlama dilleri için veri artırımına kadar geniş bir uygulama alanı vaat ediyor.
Tek Örnekle Öğrenen Yapay Zeka: 1S-DAug ile Yeni Bir Dönem
Stanford araştırmacıları, yapay zekanın tek bir görsel örnekten öğrenmesini sağlayan devrim niteliğinde bir yöntem geliştirdi. 1S-DAug adlı bu teknik, sadece bir görüntüden yola çıkarak çeşitli varyasyonlar üretip bunları birleştirerek daha güvenilir tahminler yapabiliyor. Geleneksel makine öğrenmesi yöntemlerinin binlerce örnek gerektirdiği durumlarda, bu yeni yaklaşım minimal veriyle maksimum performans elde etmeyi hedefliyor. miniImageNet veri setinde %20'ye varan doğruluk artışı sağlayan sistem, mevcut modellere eklenti olarak entegre edilebiliyor. Bu gelişme, tıbbi görüntü analizi ve nadir türlerin tanınması gibi sınırlı veri bulunan alanlarda yapay zeka kullanımına yeni kapılar açıyor.