İçeriğe geç
CANLI Dün Yerli yapay zeka İridaa, kendi modeli “Kuzey”i devreye aldı: Tahmini skorlar rakiplerine göre nerede? 9 Kas 2026 Bu Hafta AI Model Değerlendirmesi (2026-W46) 8 Kas 2026 OpenAI Uyarı Vermeden Hesap Kapatıyor: Aylık 200 Dolarlık Pro Aboneler Bile Etkilendi 8 Kas 2026 Yapay Zekâ 18 Yıllık Kuantum Varsayımını Üç Günde Çözdü: Aaronson-Ambainis Artık Bir Teorem 8 Kas 2026 Gemini 4 Flash ve Yeni Claude İçin İşaretler Artıyor: LMArena’da ‘Hydrogen’, Sızıntıda ‘Hyperion’ Zekâ endeksi lideri Claude Opus 5 (Adaptive Reasoning, Max Effort) · 63,1 16.11.2026
Bülten

Yapay Zeka Haberleri

Task Model Induction: Stanford ve CMU’dan Yapay Zekaya İş Süreçlerini Öğreten Devrimci Yöntem

Stanford Üniversitesi ve Carnegie Mellon Üniversitesi'nden araştırmacılar, yapay zeka ajanlarının karmaşık iş süreçlerini analiz etme ve bu süreçlerden beceri çıkarma yeteneğini kökten dönüştürecek…

· 3 dk okuma · 0 yorum

Yapay zekâya sor Paylaş
Kısaca · 3 madde
  1. Stanford Üniversitesi ve Carnegie Mellon Üniversitesi'nden araştırmacılar, yapay zeka ajanlarının karmaşık iş süreçlerini analiz etme ve bu …
  2. Naturalistik bilgisayar kullanım izleri—pasif olarak kaydedilmiş ekran görüntüleri, mouse ve klavye eylemleri—gündelik işlerin nasıl yapıldı…
  3. Mevcut yaklaşımlar tek bir verilen görev veya tek bir iş akışı varsayıyor ve yapılandırılmış görev modelleri yerine adım düzeyinde özetler üretiyor.

Task Model Induction - Bilgisayar kullanim izlerinden yapay zeka egitimi

Stanford Üniversitesi ve Carnegie Mellon Üniversitesi’nden araştırmacılar, yapay zeka ajanlarının karmaşık iş süreçlerini analiz etme ve bu süreçlerden beceri çıkarma yeteneğini kökten dönüştürecek yeni bir yöntem geliştirdi. “Task Model Induction” (TMI) adı verilen bu teknik, bilgisayar kullanım izlerini sembolik modellere dönüştürerek yapay zekanın gerçek çalışma ortamlarından öğrenmesini sağlıyor.

Task Model Induction Nedir?

Naturalistik bilgisayar kullanım izleri—pasif olarak kaydedilmiş ekran görüntüleri, mouse ve klavye eylemleri—gündelik işlerin nasıl yapıldığına dair sembolik, denetlenebilir ve yeniden kullanılabilir modeller türetmek için değerli bir kaynak oluşturuyor. Ancak gerçek dünya çalışması çok iş parçacıklı ve iç içe geçmiş hedeflerle dolu olduğundan, mevcut yöntemler bu izlerden anlamlı modeller çıkarmakta zorlanıyor.

Mevcut yaklaşımlar tek bir verilen görev veya tek bir iş akışı varsayıyor ve yapılandırılmış görev modelleri yerine adım düzeyinde özetler üretiyor. TMI ise bu sınırlamaları aşmak için iki temel aşamalı bir mimari sunuyor.

TMI Nasıl Çalışıyor?

Task Model Induction sistemi iki kritik aşamada çalışıyor. İlk aşamada, kısıtlamasız bir izlemede potansiyel görevleri keşfediyor ve eşzamanlı aktiviteleri birbirinden ayırıyor—bu, bilgisayar izlerinden beceri çıkarma sürecinin en zorlu kısmı. İkinci aşamada ise her bir keşfedilen görev için hiyerarşik bir hedef modeli ile prosedür modeli oluşturuyor.

TMI, hedefleri ve çalışma sırasını ayrı ayrı çıkarıyor. Bunları tek seferde tek bir modele sormak detayları kaybettirdiği için, sistem iki ayrı geçiş kullanarak daha zengin ve doğru sonuçlar elde ediyor.

Etkileyici Performans Sonuçları

Araştırmacılar TMI’yi kontrollü insan ve ajan izlerinde test ettiler. Sonuçlar görev modeli çıkarımı alanında yeni bir standart belirliyor:

  • %97,4 anlaşma: TMI, gerçek gruplandırmalara karşı izlenen görevleri yüksek doğrulukla ayrıştırıyor.
  • %74,9 yeniden yapılandırma: Gözlemlenen yürütme adımlarını yeniden oluşturabiliyor—en güçlü temel yöntemden kat kat fazla.
  • %30 doğruluk artışı: TMI’nin görev modellerinden türetilen beceriler, daha önce görülmemiş görevlerde en güçlü temel yönteme kıyasla %30 daha başarılı.

Neden Bu Kadar Önemli?

Gerçek bilgisayar kullanım izleri düşünüldüğünde, insanların iş akışları tek bir temiz sıra izlemiyor. İnsanlar ilgisiz görevler arasında geçiş yapıyor, aynı düzeltmeyi geçene kadar tekrar tekrar yapıyor. Mevcut araçların çoğu bunu tek bir liste olarak düzleştiriyor ve ajan yanlış bir iş akışı öğrenmiş oluyor.

TMI’nin en zayıf olduğu alanlar ise hata düzeltme ve çıkmaz sokaklarla ilgilenen karmaşık oturumlar. Araştırmacılar, izleme verilerinin çoğunun zaten çoğu iş dizüstü bilgisayarında mevcut olduğunu ve TMI’nin bunları denetlenebilir, yeniden kullanılabilir becerilere dönüştürmeyi mümkün kıldığını belirtiyor.

Araştırma Sonuçları ve Kaynak

Kağıt: arxiv.org/abs/2608.20319

Yazarlar: Yucheng Jiang, Zora Zhiruo Wang, Ruishi Chen, Diyi Yang (Stanford University, Carnegie Mellon University)

Eğer yapay zeka ajanlarının iş süreçlerinden öğrenmesiyle ilgili daha fazla içerik incelemek isterseniz, Microsoft ThinkingBox ve görev modeli optimizasyonu hakkındaki diğer makalelerimize göz atabilirsiniz.

Yapay zekâya sor

Haberi seçtiğiniz asistanda hazır bir soruyla açın

Şu haberi 3 maddede özetle: https://aihaber.org/task-model-induction-stanford-cmu-yapay-zeka-egitimi/

Gemini hazır soruyla açılamıyor: soru panonuza kopyalanır, açılan sayfada yapıştırmanız yeterli.

Paylaş
X LinkedIn WhatsApp Telegram Reddit Bluesky Threads E-posta

Bu haber işinize yaradı mı?

Yorumlar 0

Yorum yazın

Karakter: 0/1000

Henüz yorum yok. İlk yorumu siz yazın.

İlgili haberler