Yapay zeka modellerinin gerçek dünya koşullarında karşılaştığı değişken durumlara anlık uyum sağlaması, AI teknolojisinin en kritik zorluklarından biri. Özellikle API üzerinden erişilen kapalı kutu modeller için bu adaptasyon süreci daha da karmaşık hale geliyor.
Araştırmacılar, bu soruna çözüm olarak BETA (Black-box Efficient Test-time Adaptation) adlı yenilikçi bir framework geliştirdi. Mevcut yaklaşımlar ya çıktıları sonradan düzeltmeye odaklanan sınırlı yöntemler ya da yüksek sorgu maliyeti gerektiren sıfırıncı dereceden optimizasyon teknikleri kullanıyor.
BETA'nın temel yeniliği, hafif ve yerel bir beyaz kutu yönlendirme modeli kullanarak izlenebilir bir gradient yolu oluşturması. Bu yaklaşım, tahmin uyumlaştırma tekniği ile birleştirildiğinde tutarlılık düzenlemesi ve prompt öğrenme odaklı filtreleme sağlıyor.
Sistem, ek API çağrısı gerektirmeden ve standart çıkarım süresine ihmal edilebilir gecikme ekleyerek stabil adaptasyon gerçekleştiriyor. ImageNet-C veri seti üzerinde yapılan testlerde, BETA'nın ViT-B/16 modelinde %7.1, CLIP modelinde ise %3.4 doğruluk artışı sağladığı görüldü.
Bu gelişme, özellikle değişken koşullarda çalışması gereken AI uygulamaları için büyük önem taşıyor ve gelecekte daha esnek ve uyarlanabilir yapay zeka sistemleri geliştirilmesine katkı sağlayacak.