Yapay zeka alanında önemli bir gelişme kaydedildi. Bilim insanları, makinelerin veri benzerlikleri konusundaki öğrenmesini iyileştiren yeni bir matematiksel yaklaşım geliştirdi.
Derin metrik öğrenme (DML) adı verilen bu alan, yapay zekanın verileri anlamlı şekilde gruplandırmasını sağlıyor. Örneğin, bir görüntü tanıma sisteminin benzer nesneleri aynı kategoride toplaması bu teknolojiye dayanıyor. Geleneksel olarak bu işlemler düz (Öklid) uzayda gerçekleştiriliyordu.
Ancak araştırmacılar, hiperbolik uzay adı verilen kavisli bir matematiksel ortamın, özellikle ağaç benzeri hiyerarşik yapıları temsil etmede çok daha başarılı olduğunu keşfetti. Sorun şu ki, hiperbolik uzayda proxy tabanlı kayıp fonksiyonları kullanmak teknik zorluklara sahipti. Bu fonksiyonlar büyük veri setlerinde daha az hesaplama gücü gerektirdiği için kritik öneme sahip.
CHEST (Combined Hyperbolic and Euclidean Soft Triple) adı verilen yeni yöntem, bu sorunu çözerek iki farklı matematiksel uzayın avantajlarını birleştiriyor. Sistem, hem hiperbolik hem de Öklid uzaylarındaki proxy tabanlı kayıpları kullanarak, hiyerarşik kümeleme ile düzenleme kaybını da dahil ediyor.
Bu gelişme, görüntü işleme, doğal dil anlama ve önerme sistemlerinde yapay zekanın performansını artıracak potansiyele sahip.