spectrum.ieee.org

Çip, Kum Tanesi Boyutunda Video Projeksiyonu Yapabiliyor

Birçok tahmine göre, kuantum bilgisayarlarının siber güvenlik, ilaç geliştirme ve diğer endüstrilerdeki potansiyelini gerçekleştirmek için milyonlarca qubit'e ihtiyacı olacak. Sorun şu ki, belirli bir tür qubit'in milyonunu aynı anda kontrol etmek isteyen herkes, milyonlarca lazer ışınını kontrol etme sorunuyla karşılaştı. MIT, Colorado Üniversitesi Boulder Kampüsü, Sandia Ulusal Laboratuvarları ve MITRE Corporation'dan bilim insanlarının, artırılmış gerçeklik, biyomedikal görüntüleme ve diğer alanlardaki birçok zorluğun üstesinden gelmek için geliştirdikleri görüntü projeksiyon teknolojisi tam da bu zorluğu aşmayı hedefliyordu. Bu teknoloji, iki insan yumurta hücresinin boyutundan daha küçük bir alana Mona Lisa'yı projekte edebilen, 0.1 kare milimetreden daha küçük bir fotonik çip şeklinde geliyor. "Başladığımızda, devrim niteliğinde bir görüntüleme teknolojisi üreteceğimizi asla tahmin etmemiştik," diyor, Quantum Moonshot adı verilen elmas bazlı kuantum bilgisayar projesinin liderlerinden biri ve Colorado Üniversitesi Boulder Kampüsü'nde kuantum mühendisliği profesörü olan Matt Eichenfield. Çip, saniyede kare milimetre başına 68.6 milyon bireysel ışık noktası—fiziksel piksellerden ayırt etmek için "tarayıcı pikseller" olarak adlandırılıyor—projekte edebiliyor, bu da önceki teknolojilerin, örneğin mikro-elektromekanik sistemler (MEMS) mikromirror dizilerinin yeteneğinin elliden fazla katı. "Artık difraksiyonun izin verdiği mutlak sınırda bir tarayıcı piksel ürettik," diyor MIT'de misafir araştırmacı ve QuEra Computing'de fotonik mühendisi olan Henry Wen. Çipin ayırt edici özelliği, voltaja yanıt olarak çipin düzleminden dışarı doğru kavislenen küçük metalik kantileverlerin bir dizisidir ve ışık için mini "kayak rampaları" gibi işlev görür. Işık, her kantileverin uzunluğu boyunca bir dalga kılavuzu aracılığıyla yönlendirilir ve ucundan çıkar. Kantileverler, voltaj altında genişleyip daralan piezoelektrik bir malzeme olan ince bir alüminyum nitrit tabakası içerir, bu da mikromakinenin yukarı ve aşağı hareket etmesini sağlar ve dizinin iki boyutlu bir alanda ışık ışınlarını taramasına olanak tanır. Eichenfield, ekibin başarısının büyüklüğüne rağmen, kantileverlerin mühendislik sürecinin "oldukça sorunsuz" olduğunu söylüyor. Her kantilever, dört ince malzeme katmanından oluşur ve dinlenme durumunda düzlemden yaklaşık 90 derece kıvrılmıştır. Bu kadar yüksek bir kavis elde etmek için ekip, soğutulduğunda bireysel katmanların büzülme ve genişleme farklılıklarından yararlandı. Dört malzeme katmanının üzerine, her kantileverin genişliği boyunca kıvrılmasını önleyen dalga kılavuzuna dik olarak uzanan bir dizi silisyum dioksit çubuğu da eklenmiştir. Bir mikro-kantilever, ışığı doğru yere projekte etmek için kıvrılır ve hareket eder. Matt Saha, Y. Henry Wen ve diğerleri. Çipin kendisini mühendislik etmekten daha fazla zorluk, çipin görüntü ve videoları projekte etme detaylarını çözmekti. MITRE'den araştırmacı Andy Greenspon'a göre, kantileverlerin ışık ışınlarını senkronize etme ve zamanlama sürecini çözmek önemli bir çaba gerektirdi. Şimdi, ekip çip aracılığıyla A Charlie Brown Christmas filmini başarıyla projekte etti. Çip, Mona Lisa'nın yaklaşık 125 mikrometre boyutunda bir görüntüsünü projekte etti. Matt Saha, Y. Henry Wen ve diğerleri. Çip, herhangi bir önceki ışın tarayıcıdan daha fazla noktayı belirli bir zaman aralığında projekte edebildiği için, kuantum bilgisayarlarındaki çok daha fazla qubit'i kontrol etmek için de kullanılabilir. Quantum Moonshot programının misyonu, milyonlarca qubit'e ölçeklenebilen bir kuantum bilgisayarı inşa etmektir. Bu nedenle, her birini kontrol etmenin ölçeklenebilir bir yoluna ihtiyaç duyulmaktadır, diyor Wen. Her qubit'in her an kontrol edilmesi gerekmediğini fark eden ekip, çipin ışık ışınlarını iki boyutlu bir alanda hareket ettirme yeteneğinin, çok daha az lazerle tüm qubit'leri kontrol etmelerine olanak tanıyacağını belirtti. Wen'in çipin geliştirebileceğini düşündüğü bir diğer süreç ise 3D baskı için nesneleri taramaktır. Bugün, bu genellikle bir nesnenin tüm yüzeyini taramak için tek bir lazer kullanmayı içerir. Ancak yeni çip, potansiyel olarak binlerce lazer ışını kullanabilir. "Artık saatler süren bir süreci dakikalara indirebileceğinizi düşünüyorum," diyor Wen. Wen, farklı kantilever şekillerinin potansiyelini keşfetmek için de hey

Bilim & Teknoloji

Temple Üniversitesi Öğrenci IEEE Üyelik Avantajlarını Vurguluyor

Kyle McGinley, 2018 yılında liseden mezun oldu ve birçok genç gibi hangi kariyeri seçeceğinden emin değildi. Bir spor yaralanmasından iyileşirken, sporcular için fizik tedavi uzmanı olmayı düşündü. Ancak, arabaları tamir etme ve evdeki şeyleri düzeltme konusundaki yetenekleri nedeniyle, babası gibi mühendis olmayı da düşündü. Sellersville, Pennsylvania'da yaşayan McGinley, aynı zamanda çalışarak Montgomery County Community College'da bazı dersler aldı. Kolej yıllarında çeşitli dersler aldı ve elektrik mühendisliği ile bilgisayara ilgi duymaya başladı. Şu anda Temple Üniversitesi'nde elektrik ve bilgisayar mühendisliği alanında lisans eğitimi almakta ve üçüncü sınıf öğrencisi. 26 yaşındaki McGinley, Temple'da öğretim asistanı ve araştırma asistanı olarak da görev yapıyor. Araştırmaları, elektrik donanımı ve robotik alanında yapay zekanın uygulanmasına odaklanıyor. Evdeki bakıcılara yardımcı olmak için yapay zeka entegreli bir android arkadaş geliştirmeye yardımcı oldu. Temple, geçen yıl yazılım geliştirme, yapay zeka geliştirme sistemleri, sağlık eğitimi yazılımları veya benzer bir alanda ilgi duyan bir elektrik ve bilgisayar mühendisliği lisans öğrencisine verilen Butz bursu ile McGinley'nin çabalarını takdir etti. IEEE öğrenci üyesi olan McGinley, üniversitenin öğrenci kolunda aktif. “Mezun olduktan sonra kariyer hedefim, mühendislik endüstrisinde gerçek dünya deneyimi kazanmak ve akademik alanın dışında beceriler öğrenmek,” diyor. “Uzun vadede, proje yönetimi yapmak veya teknik liderlik rolünde çalışmak istiyorum; temel hedefim, gurur duyabileceğim etkili projeler yaratmak.” McGinley, dijital devre tasarımı dersinde öğretim asistanı olarak görev yapıyor. 35 öğrencilik bir sınıfta, bazı öğrencilerin profesörün sözlerini anlamakta zorlandığını belirtiyor. “Benim görevim, öğrencilerin profesörün dersini takip etmekte sorun yaşadıklarında veya konular hakkında kafaları karıştığında sorularını yanıtlamak,” diyor. “Laboratuvar ortamında, öğrencilere kodlarını hata ayıklama veya FPGA [alan programlanabilir kapı dizisi] kartlarındaki donanım sorunlarıyla yardımcı oluyorum.” Ayrıca, IEEE Kıdemli Üyesi Li Bai'nin gözetiminde üniversitenin Bilgisayar Füzyon Laboratuvarı için araştırma yapıyor. McGinley, laboratuvarda yazılım programları yazıyor. “Okulda insanlarla nasıl iletişim kuracağınızı öğretmiyorlar. Sadece bir şeyleri hatırlamayı öğretiyorlar. İnsanlarla iyi çalışmak, birçok öğrencinin önemini anlamadığı en underrated becerilerden biridir.” Bunlardan biri, Parkinson hastalığı olan bireylere ve onların bakıcılarına yardımcı olmak için yapay zeka entegreli bir robot arkadaş inşa etmek için Temple Sosyal Hizmet Okulu ile Barnett Halk Sağlığı Koleji'nde çalışmaktı. “Bunu, büyükannemle fark ettim; büyükbabamı bakımını üstlendiğinde,” diyor. “Her şeyi hatırlamak onun için çok zordu.” En son yazılım ve donanımı kullanarak, McGinley ve üç sınıf arkadaşı eski bir laboratuvar robotunu yeniden inşa ettiler. Bir işletim sistemi kurdular ve kontrol, algılama ve davranış için Python ve C++ kullandılar. Öğrenciler ayrıca, ilaç hatırlatıcıları planlama ve yaklaşan doktor randevuları için alarm kurma gibi rutin görevlerde yardımcı olmak için Google'ın Gemini AI'sını entegre ettiler. Yapay zeka entegreli android, bakıcıların görevleri hatırlama yükünü üstlenerek onlara yardımcı olmak için tasarlandı, diyor. “Bu, beni robotik alanında çalışmaya çeken en havalı şeylerden biriydi,” diyor. “Yapay zekanın bakıcılara basit görevlerde yardımcı olabileceği bir şey.” McGinley, geçen yıl Temple'ın IEEE öğrenci koluna katıldı; bir profesörü, katılan öğrencilere ekstra kredi teklif etti. Toplantılara katıldıktan ve birkaç atölyeye katıldıktan sonra, kulübü gerçekten sevdiğini fark etti ve yeni arkadaşlar edindi. Öğrenci kolunun yönetim kurulu üyeleri McGinley'yi daha iyi tanıdıktan sonra, kulübün tarihçisi olmasını ve sosyal medya hesabını yönetmesini istediler. Ayrıca etkinlik planlamasına yardımcı oluyor, afişler oluşturuyor ve paylaşıyor, toplantıların fotoğraflarını çekiyor ve videolarını çekiyor. Kolu McGinley'nin katılımından fayda sağladı, ancak bunun iki yönlü bir sokak olduğunu söylüyor. “Öğrendiğim en büyük şeyler, sorumlu tutulmak ve güvenilir olmaktır,” diyor. “Diğer insanların neler olup bittiğini bilmesinden ben sorumluyum.” Aktif bir gönüllü olmak, iletişim becerilerini geliştirdiğini belirtiyor. “Diğer insanlarla net bir şekilde iletişim kurmayı öğrenmek, herkesin aynı sayfada olmasını

Bilim & Teknoloji

Merkeziyetsiz Eğitim, Yapay Zeka'nın Enerji Sorunlarını Çözmeye Yardımcı Olabilir

Yapay zeka, muazzam bir enerji talebine sahiptir. Bu sürekli açlık, yapay zeka patlamasının arkasındaki veri merkezlerinin büyük karbon ayak izinde ve sınır AI modellerinin eğitimi sırasında karbon emisyonlarının zamanla sürekli artışında belirgindir. Bu nedenle büyük teknoloji şirketlerinin nükleer enerjiye yönelmesi ve güvenilir, karbon salınımı olmayan kaynaklarla beslenen bir gelecek hayal etmesi şaşırtıcı değildir. Ancak nükleer enerjili veri merkezleri hala yıllar uzakta olabilirken, araştırma ve sanayi alanındaki bazı kişiler, AI'nın artan enerji taleplerini azaltmak için şu anda harekete geçiyor. Eğitim, bir modelin yaşam döngüsündeki en enerji yoğun aşamalardan biri olarak ele alınıyor ve çabalarını merkeziyetsizleşmeye odaklıyorlar. Merkeziyetsizlik, model eğitimini bağımsız düğümler ağı üzerinden dağıtarak tek bir platform veya sağlayıcıya bağımlı olmaktan kurtarır. Bu, hesaplamanın enerji kaynaklarının bulunduğu yere gitmesini sağlar; bu, bir araştırma laboratuvarında bekleyen bir sunucu veya güneş enerjisiyle çalışan bir evdeki bir bilgisayar olabilir. Altyapı ve kapasiteyi artırmak için elektrik şebekelerine ihtiyaç duyan daha fazla veri merkezi inşa etmek yerine, merkeziyetsizlik mevcut kaynaklardan enerji kullanarak daha fazla gücü karışıma eklemekten kaçınır. Donanım uyumu AI modellerini eğitmek, sıkı bir şekilde bağlı GPU kümeleri arasında senkronize olan büyük bir veri merkezi sporudur. Ancak donanım iyileştirmeleri, büyük dil modellerinin hızla artan boyutuna ayak uydurmakta zorlanırken, devasa tek veri merkezleri artık yeterli olmuyor. Teknoloji firmaları, konumları ne olursa olsun, birden fazla veri merkezinin bir araya getirilmiş gücüne yöneliyor. Örneğin, Nvidia, "coğrafi olarak ayrılmış veri merkezleri arasında büyük ölçekli tek iş AI eğitimi ve çıkarımı için gereken performansı sağlayabilen" Spectrum-XGS Ethernet'i piyasaya sürdü. Benzer şekilde, Cisco, "coğrafi olarak dağılmış AI kümelerini bağlamak" için tasarlanmış 8223 yönlendiricisini tanıttı. Diğer şirketler, sunuculardaki kullanılmayan hesaplama gücünü değerlendiriyor ve GPU-as-a-Service iş modelinin ortaya çıkmasına neden oluyor. Akash Network, kendisini "veri merkezleri için Airbnb" olarak tanıtan bir eşler arası bulut bilişim pazarıdır. Ofislerde ve daha küçük veri merkezlerinde kullanılmayan veya az kullanılan GPU'lara sahip olanlar sağlayıcı olarak kaydolurken, hesaplama gücüne ihtiyaç duyanlar, sağlayıcılar arasında seçim yapabilen ve GPU'larını kiralayabilen kiracılar olarak kabul edilir. Yazılım senkronizasyonu Donanımı düzenlemenin yanı sıra, merkeziyetsiz AI eğitimi, yazılım tarafında da algoritmik değişiklikler gerektirir. İşte burada, dağıtık makine öğreniminin bir biçimi olan federated learning devreye girer. Bu, güvenilir bir varlık, örneğin merkezi bir sunucu tarafından barındırılan bir küresel AI modelinin ilk versiyonu ile başlar. Sunucu, modeli katılımcı kuruluşlara dağıtır; bu kuruluşlar, kendi verileri üzerinde yerel olarak eğitir ve yalnızca model ağırlıklarını güvenilir varlıkla paylaşır. Güvenilir varlık daha sonra ağırlıkları toplar, genellikle bunları ortalama alarak, küresel modele entegre eder ve güncellenmiş modeli katılımcılara geri gönderir. Bu işbirlikçi eğitim döngüsü, model tamamen eğitilmiş olarak kabul edilene kadar tekrar eder. Ancak hem verilerin hem de hesaplamanın dağıtılmasının dezavantajları vardır. Örneğin, model ağırlıklarının sürekli gidip gelmesi yüksek iletişim maliyetlerine yol açar. Hata toleransı başka bir sorundur. AI geliştirme platformu Prime Intellect, beş kıtada yayılan 10 milyar parametreli INTELLECT-1 modelinin önemli bir bileşeni olarak DiLoCo algoritmasının bir varyantını uyguladı. 0G Labs, merkeziyetsiz bir AI işletim sistemi üreticisi, sınırlı bant genişliği ile ayrılmış kümeler ağı altında 107 milyar parametreli bir temel modeli eğitmek için DiLoCo'yu uyarladı. Bu arada, popüler açık kaynaklı derin öğrenme çerçevesi PyTorch, DiLoCo'yu hata toleransı teknikleri deposuna dahil etti. Daha enerji verimli bir AI eğitimi Donanım ve yazılım iyileştirmeleri ile merkeziyetsiz AI eğitimi, AI'nın enerji sorununu çözmek için hazır durumda. Bu yaklaşım, modelleri "daha ucuz, daha kaynak verimli, daha enerji verimli bir şekilde" eğitme seçeneği sunuyor. Ve Douillard, "DiLoCo gibi eğitim yöntemlerinin tartışmasız daha karmaşık olduğunu kabul etse de, sistem verimliliği açısından ilginç bir denge sağlıyor" diyor. Örneğin, artık çok hızlı bant genişliği inşa etmeden, uzak konumlardaki veri merkezlerini kullanabilirsiniz. Dou

Bilim & Teknoloji

Hava Üzerinden Hesaplama, Verileri İşlemek İçin Radyo Parazitini Kullanıyor

Hayal edin ki, birbirine bağlı otonom araçların bir otoyolda ilerlediği bir sahne var. Huzurlu, bulutsuz bir günde bu araçlar yalnızca birbirleriyle küçük miktarlarda veri alışverişi yapmaları yeterli. Şimdi aynı otoyolda aniden bir kar fırtınası olduğunu düşünün: Araçların kaygan yollar, acil frenleme ve değişen koşullar hakkında büyük miktarda hayati yeni veriyi hızla paylaşmaları gerekiyor. Bu iki çok farklı senaryo, araç ağlarının çok farklı hesaplama yükleriyle ilgilidir. Bir amatör radyo ile ağ trafiğini dinlediğinizde, açık ve sakin bir günde hat boyunca pek fazla statik duymazsınız. Öte yandan, kışın bir günde aniden meydana gelen beyaz örtü koşulları, bir dizi sensör okumaları ve ağ sohbetinin gürültüsü gibi bir kargaşa yaratır. Normalde bu kargaşa, iki eşzamanlı sorunu ifade eder: yoğunlaşan iletişim ve tüm verileri işlemek için artan hesaplama gücü talebi. Ama ya ağ kendisi, her artan desibel sohbeti ve her sensörün cıvıltısıyla işleme yeteneklerini genişletebilseydi? Geleneksel kablosuz ağlar iletişimi hesaplamadan ayrı bir şekilde ele alır. Önce veriyi taşır, sonra işler. Ancak, 2005 yılında ilk kez önerilen ve dünya genelinde birçok ekip tarafından, bizim ekibimiz de dahil olmak üzere, son zamanlarda geliştirilen ve prototipleri oluşturulan yeni bir paradigma olan hava üzerinden hesaplama (OAC), durumu köklü bir şekilde değiştirebilir. OAC, iletişimi ve hesaplamayı tek bir çerçevede birleştirir. Bu, bir OAC sensör ağının - ister otonom araçlar arasında, ister Nesnelerin İnterneti sensörleri, akıllı ev cihazları veya akıllı şehir altyapısı arasında paylaşılsın - koşullar gerektikçe ağın hesaplama yükünün bir kısmını taşıyabileceği anlamına gelir. Bu fikir, elektromanyetik radyasyonun temel bir fiziksel gerçeğinden faydalanır: Birden fazla cihaz aynı anda iletim yaptığında, kablosuz sinyalleri havada doğal olarak birleşir. Normalde, böyle bir çapraz konuşma parazit olarak görülür ve radyolar bunun üstesinden gelmek için tasarlanmıştır - özellikle hata düzeltme şemaları ve düşük seviyeli gürültüye karşı doğal dirençleri olan dijital radyolar. Ancak iletimleri dikkatlice tasarlarsak, çapraz konuşma, bir kablosuz ağın doğrudan bazı hesaplamalar yapmasını sağlayabilir; örneğin bir toplam veya ortalama. Bugün bazı prototipler, dijital radyolar üzerinde analog tarzı sinyalleme ile bunu yapıyor - böylece üst üste binen dalga formları, dijital sinyal işleme gerçekleşmeden önce eklenebilecek veya ortalaması alınabilecek sayıları temsil ediyor. Araştırmacılar ayrıca, aynı fikirleri dijital formatlara yerleştiren dijital hava üzerinden hesaplama şemalarını keşfetmeye başlamaktadır; bu da prototip şemalarının günümüz dijital radyo protokolleriyle bir arada var olmasına olanak tanır. Bu çeşitli hava üzerinden hesaplama teknikleri, ağların zarif bir şekilde ölçeklenmesine yardımcı olabilir, gerçek zamanlı, veri yoğun hizmetlerin yeni sınıflarını mümkün kılarken kablosuz spektrumun daha verimli kullanılmasını sağlar. OAC, başka bir deyişle, sinyal parazitini bir sorun olmaktan çıkarıp bir özellik haline getirir; bu da kablosuz sistemlerin büyük bir büyümeyi desteklemesine yardımcı olabilir. Radyo parazitini altyapı olarak yeniden tasarlamak Mühendisler, on yıllardır radyo iletişim protokollerini tek bir baskın hedefle tasarladılar: Her sinyali izole etmek ve her mesajı temiz bir şekilde geri kazanmak. Günümüz ağları farklı bir baskı setiyle karşı karşıya. Paylaşılan görevlerde büyük gruplardaki cihazları koordine etmelidirler - örneğin AI model eğitimi veya farklı sensör okumalarının birleştirilmesi, yani sensör füzyonu - mümkün olduğunca az ham veri değişimi yaparak, hem verimliliği hem de gizliliği artırmak için. Bu nedenlerle, her bireysel cihazın katkılarını toplama ve depolama gerektirmeyen yeni bir veri iletim ve alım yaklaşımını düşünmek faydalı olabilir. Paraziti hesaplamaya dönüştürerek, OAC kablosuz ortamı bir rekabet alanından işbirliği yapılan bir çalışma alanına dönüştürür. Bu paradigma değişikliği, çok uzak sonuçlar doğurur: Sinyaller artık izolasyon için rekabet etmez; ortak sonuçlar elde etmek için işbirliği yaparlar. OAC, dijital işleme katmanlarını aşar, gecikmeyi azaltır ve enerji tüketimini düşürür. Çok basit işlemler, toplama gibi, şaşırtıcı derecede güçlü hesaplamaların yapı taşları olabilir. Birçok karmaşık süreç, birkaç temel parçanın kombinasyonlarına indirgenebilir; tıpkı zengin bir sesin birkaç temel tonun birleştirilmesiyle yeniden yaratılması gibi. Cihazların ne ilettiğini ve alıcıda son

Bilim & Teknoloji

Yapay Zeka Sistemlerinin Neden Sessizce Başarısız Olduğu

Dağıtık bir yapay zeka platformunun son aşama testlerinde mühendisler bazen karmaşık bir durumla karşılaşırlar: her izleme panosu "sağlıklı" okurken, kullanıcılar sistemin kararlarının yavaş yavaş yanlış hale geldiğini bildirir. Mühendisler, başarısızlığı tanımak için alışık oldukları yollarla eğitilmiştir: bir hizmet çökmesi, bir sensörün yanıt vermemesi, bir kısıtlama ihlali bir kapatma işlemini tetikler. Bir şey bozulur ve sistem size bunu bildirir. Ancak, yazılım hatalarının büyüyen bir sınıfı çok farklı görünmektedir. Sistem çalışmaya devam eder, günlükler normal görünür ve izleme panoları yeşil kalır. Ancak sistemin davranışı, tasarlandığı şeyden sessizce uzaklaşır. Bu model, otonomluğun yazılım sistemlerine yayılmasıyla daha yaygın hale gelmektedir. Sessiz başarısızlık, otonom sistemlerin tanımlayıcı mühendislik zorluklarından biri olarak ortaya çıkıyor çünkü doğruluk artık tüm sistemler arasında koordinasyon, zamanlama ve geri bildirim gerektiriyor. Sistemler Kırılmadan Nasıl Hata Verir? Hukuki güncellemeleri finansal analistlere özetlemek üzere tasarlanmış varsayımsal bir kurumsal yapay zeka asistanını düşünün. Sistem, iç havuzlardan belgeleri alır, bunları bir dil modeli kullanarak sentezler ve özetleri iç kanallar aracılığıyla dağıtır. Teknik olarak her şey çalışır. Sistem geçerli belgeleri alır, tutarlı özetler oluşturur ve bunları sorunsuz bir şekilde teslim eder. Ancak zamanla bir şey kayar. Belki güncellenmiş bir belge havuzu alma hattına eklenmez. Asistan, tutarlı ve içsel olarak tutarlı özetler üretmeye devam eder, ancak bunlar giderek daha fazla eski bilgilere dayanmaktadır. Hiçbir şey çökmez, uyarılar tetiklenmez, her bileşen tasarlandığı gibi davranır. Sorun, genel sonucun yanlış olmasıdır. Dışarıdan bakıldığında sistem çalışır görünmektedir. Onun üzerine güvenen organizasyon açısından bakıldığında, sistem sessizce başarısız olmaktadır. Geleneksel İzlenebilirliğin Sınırları Sessiz hataların tespit edilmesinin bir nedeni, geleneksel sistemlerin yanlış sinyalleri ölçmesidir. Operasyonel panolar, modern izlenebilirliğin temel unsurları olan çalışma süresi, gecikme ve hata oranlarını takip eder. Bu metrikler, isteklerin bağımsız olarak işlendiği ve doğruluğun genellikle hemen doğrulanabildiği işlem uygulamaları için iyi bir şekilde uyumludur. Otonom sistemler farklı davranır. Birçok yapay zeka destekli sistem, her kararın sonraki eylemleri etkilediği sürekli akıl yürütme döngüleri aracılığıyla çalışır. Doğruluk, tek bir hesaplamadan değil, bileşenler arasında ve zaman içinde etkileşim dizilerinden ortaya çıkar. Bir alma sistemi, bağlam açısından uygun olmayan ve teknik olarak geçerli bilgileri döndürebilir. Bir planlama aracı, yerel olarak mantıklı ancak küresel olarak güvensiz adımlar üretebilir. Dağıtık bir karar sistemi, doğru eylemleri yanlış sırada gerçekleştirebilir. Bu koşullardan hiçbiri mutlaka hatalara neden olmaz. Geleneksel izlenebilirlik açısından bakıldığında, sistem sağlıklı görünmektedir. Amaçlanan işlevi açısından bakıldığında, belki de zaten başarısız olmaktadır. Otonomluk Hatanın Nedenini Değiştirir Daha derin bir sorun mimaridir. Geleneksel yazılım sistemleri, ayrı işlemler etrafında inşa edilmiştir: bir istek gelir, sistem bunu işler ve sonuç döner. Kontrol, kesintili ve bir kullanıcı, programlayıcı veya dış bir tetikleyici tarafından başlatılır. Otonom sistemler bu yapıyı değiştirir. Bireysel isteklere yanıt vermek yerine, sürekli olarak gözlemler, akıl yürütür ve hareket ederler. Yapay zeka ajanları etkileşimler boyunca bağlamı korur. Altyapı sistemleri kaynakları gerçek zamanlı olarak ayarlar. Otomatik iş akışları, insan girişi olmadan ek eylemleri tetikler. Bu sistemlerde, doğruluk artık herhangi bir bileşenin çalışıp çalışmadığına değil, zaman içindeki koordinasyona daha az bağlıdır. Dağıtık sistem mühendisleri uzun zamandır koordinasyon sorunlarıyla uğraşmaktadır. Ancak bu, yeni bir tür koordinasyondur. Artık hizmetler arasında verilerin tutarlı kalmasını sağlamak gibi şeyler değildir. Modeller, akıl yürütme motorları, planlama algoritmaları ve kısmi bağlamla çalışan araçlar tarafından yapılan kararlar akışının doğru bir sonuca ulaşmasını sağlamakla ilgilidir. Modern bir yapay zeka sistemi, binlerce sinyali değerlendirebilir, aday eylemler üretebilir ve bunları dağıtık bir altyapı üzerinde gerçekleştirebilir. Her eylem, bir sonraki kararın alındığı ortamı değiştirir. Bu koşullar altında, küçük hatalar birikim yapabilir. Yerel olarak mantıklı bir ad

Bilim & Teknoloji

Yapay Zeka Doyumsuzdur

Birkaç hafta önce web sitemizde gezinirken, Kıdemli Editör Samuel K. Moore'un "Bellek Çipi Kıtlığı Ne Zaman ve Nasıl Bitecek" başlıklı yazısına rastladım. Analizi, AI hyperscaler'ların bellek için açgözlü iştahının neden olduğu mevcut DRAM kıtlığına odaklanıyor ve bu durum, büyük dil modellerinin çalışma hızını önemli ölçüde kısıtlıyor. Moore, özellikle yüksek bant genişliğine sahip bellek (HBM) konusundaki kıtlığı net bir şekilde açıklıyor. Biz ve diğer teknoloji medyası, AI'nın kaynak tüketiminde aşırı bir talep yarattığını belgeliyoruz. 2028 yılına kadar AI elektrik tüketiminin ABD'nin toplam enerji tüketiminin yüzde 12'sine kadar çıkabileceği öngörülüyor. Üretken AI sorguları, 2025 yılında 15 terawatt-saat tüketti ve 2030 yılına kadar 347 TWh tüketmesi bekleniyor. AI veri merkezlerini soğutmak için su tüketiminin 2023 yılına kıyasla 2028'de iki katına veya hatta dört katına çıkması öngörülüyor. Ancak Moore'un raporları, AI patlamasının daha az bilinen bir köşesine ışık tutuyor. HBM, AI işlemcilerine hizmet etmek üzere özel olarak tasarlanmış bir bellek ürünüdür. Bu işlemcilerin üreticileri, özellikle Nvidia ve AMD, Google, Microsoft, OpenAI ve Anthropic gibi firmaların ihtiyaçları doğrultusunda her bir çipleri için giderek daha fazla bellek talep ediyor ve bu firmalar, eşi benzeri görülmemiş bir veri merkezi inşasını finanse ediyor. Bu tesislerden bazıları devasa: Louisiana'daki Meta'nın akıl almaz 5 gigawatt'lık Hyperion sitesinin inşaat zorlukları hakkında "Dünyanın En Büyük Veri Merkezini İnşa Etmek İçin Ne Gerekiyor?" başlıklı yazıda okuyabilirsiniz. Moore'un HBM hikayesinin hem önemli hem de benzersiz olduğunu fark ettik ve bu nedenle, 10 Şubat'ta yayımlanan orijinal yazıya bazı güncellemelerle birlikte bu sayıya dahil etmeye karar verdik. Bunu, bellek çipi kıtlığının Raspberry Pi gibi düşük maliyetli bilgisayarların fiyatlarını nasıl artırdığını araştıran Katkıda Bulunan Editör Matthew S. Smith'in yakın tarihli bir hikayesiyle birleştirdik. Sonuç "AI Bir Bellek Canavarıdır." Şimdi büyük soru şu: Kıtlık ne zaman sona erecek? Tüketici elektroniği üzerindeki AI hyperscaler talebinin neden olduğu fiyat baskısı, en azından burada Amerika Birleşik Devletleri'nde, inatçı enflasyon ve sürekli değişen bir gümrük rejimi ile gizleniyor. Bu nedenle, Moore'a bellek kıtlığının hafiflemesini işaret edecek hangi göstergeleri takip ettiğini sordum. "Tedarik tarafında, eğer büyük üç HBM şirketinden herhangi biri - Micron, Samsung ve SK Hynix - yeni üretim takvimini ayarladıklarını söylerse, bu önemli bir sinyal olur," dedi Moore. "Talep tarafında ise, teknoloji şirketlerinin tedarik zincirinde nasıl uyum sağladığını görmek ilginç olacak. Veri merkezleri, daha az bellek için bazı performanslardan ödün veren donanımlara yöneliyor olabilir. Her türlü ürün geliştiren girişimler, daha az bellek kullanan yaratıcı yeniden tasarımlara yönelebilir. Kıtlık gibi kısıtlamalar ilginç teknoloji çözümlerine yol açabilir, bu nedenle bunları takip etmeyi dört gözle bekliyorum." Moore'un bu konudaki analizlerini kaçırmamak ve teknoloji gelişiminin tüm yelpazesi hakkında güncel kalmak için haftalık bültenimiz Tech Alert'e abone olmayı unutmayın.

Bilim & Teknoloji

Deneyim Yoluyla İnsanların Robotlara Yönelik Tutumlarını İncelemek

Evlerimizde, ofislerimizde ve fabrikalarımızda başarılı bir entegrasyon için yeni nesil robotlar inşa etmek, sadece donanım ve yazılım sorunlarını çözmekten ibaret değildir – aynı zamanda bu robotların nasıl algılanacağını ve bu alanlarda insanlarla nasıl etkili bir şekilde çalışabileceklerini anlamamız da gerekmektedir. 2025 yazında, RAI Enstitüsü, CambridgeSide alışveriş merkezinde, insanların en son teknoloji robotları birinci elden deneyimlemelerini sağlamak amacıyla ücretsiz bir pop-up robot deneyimi düzenledi. Robotlar ve yapay zeka hakkında haberler yaygın olsa da, bazıları aşırı eleştirel, bazıları ise aşırı iyimserdir; çoğu insan robotlarla yüz yüze karşılaşmamıştır. Doğrudan bir deneyim olmadan, görüşleri büyük ölçüde pop kültürü ve sosyal medya tarafından şekillendirilmiştir; bu da robotların nasıl etkili bir şekilde kullanılabileceği ve teknolojinin nerelerde hala yetersiz kaldığı hakkında doğru bilgi vermekten çok sansasyonel hikayelere odaklanmaktadır. Pop-up etkinliğimizin iki amacı vardı: birincisi, insanlara aksi takdirde deneyimleme şansı bulamayacakları robotları görme fırsatı vermek ve ikincisi, halkın bu robotlarla etkileşim kurma konusundaki hislerini daha iyi anlamaktı. Genel Kamu için Bir Robot Deneyimi Tasarlamak RAI Enstitüsü’nün İcra Direktörü Marc Raibert tarafından inşa edilen daha önceki versiyonlu bacaklı robotlar, RAI Enstitüsü’nün ANYrobotics tarafından üretilen ANYmal (solda) ve RAI Enstitüsü’nün önceki bir modeli olan UMV (sağda) gibi tarihsel ve modern robotların görülebileceği bir müze alanı ve “Drive-a-Spot” adlı etkileşimli bir deneyim içeren iki alana sahipti. Bu alan, gelen herkesin Spot dört ayaklı robotunun kontrolünü alabileceği bir sürüş arenasıydı; bu robot, günümüzde ticari olarak mevcut olan en tanınabilir robotlardan biridir. Misafir robot sürücüleri, her yaştan kişinin kullanabilmesi için tasarlanmış, uyarlanabilir bir video oyunu kontrol cihazı üzerine inşa edilmiş özel bir kontrol cihazı kullandılar. Temel kontrolleri içeriyordu: ileri, geri, sola, sağa hareket etme, yükseklik ayarlama, oturma, kalkma ve eğilme. Düğmeler büyük olduğu için küçük veya yaşlı ellerin kontrol cihazını kullanması kolaydı ve Spot’u süren insanların yaşı iki ile 90’ın üzerinde değişiyordu. Sürüş alanı, Spot robotunun manevra yapmasının biraz zorlayıcı olması için tasarlandı – dar geçitler, aşılması gereken alçak engeller, alçak bir engelin altından geçilmesi gereken bir bariyer ve robotun kaçınması gereken daha yüksek nesneler içeriyordu. Birçok misafirimizin şaşkınlığına rağmen, Spot, joystick ile denetim altında olduğunda bu engelleri aşmak ve onlardan kaçınmak için kendini otonom olarak ayarlayabiliyor. Sürüş arenasının teması her birkaç haftada bir fabrika, ev, hastane ve açık hava/afet ortamı gibi dört senaryo arasında değişiyordu. Bu senaryolar, robotların geniş çapta kabul gördüğü (endüstriyel, acil durum müdahalesi) ortamlarla, kamu ambivalansının iyi belgelenmiş olduğu (ev, sağlık hizmetleri) ortamları karşılaştırmak için seçildi. Spot robotunu sürmeyi seçen ziyaretçiler, sürüş deneyimlerinden önce ve sonra kısa bir ankete katılma fırsatına sahip oldular. Anket, iki temel boyuta odaklandı: Konfor: Bir fabrikada, evde, hastanede, ofiste veya açık hava/afet senaryosunda bir robotla karşılaştığınızda ne kadar rahat hissedersiniz? Uygunluk: Bu robot, her bir bağlamda ne kadar iyi çalışır? Anket ayrıca sürüş sonrası duygusal tepkileri, deneyimi tavsiye etme olasılığını ve hatırlanabilir veya şaşırtıcı buldukları şeyler hakkında açık uçlu yanıtları kaydetti. Araştırmacılar, katılımcıların sürüş yaptığı ortamı, ankette değerlendirmeleri istenen senaryolardan ayırmaya özen gösterdi. Bu ayrım, aşağıda verilen sonuçların yorumlanması açısından önemlidir. Robotla Etkileşim Kurmak İnsanların Robotlar Hakkındaki Duygularını Değiştirdi mi? Robot Laboratuvarını ziyaret eden yaklaşık 10.000 misafirin %10’u Spot’u sürdü ve anketlerimize katılmayı seçti. Anket yapılanların %65’inden fazlası, Spot robotlarının çevrimiçi görüntülerini veya videolarını görmüştü, ancak çoğu robotlardan birini yüz yüze hiç görmemişti. Deneyimle Artan Konfor Anketin sunmuş olduğu beş bağlamın (fabrika, ev, hastane, ofis ve açık hava/afet senaryoları) tamamında, sürüş seansından sonra konfor puanları önemli ölçüde arttı. Etkiler küçükten orta büyüklüğe kadar değişiyordu, ancak tüm katılımcılar arasında çocuklardan yaşlı

Bilim & Teknoloji

Video Cuma: Digit Dans Etmeyi Öğreniyor—Neredeyse Bir Gece İçinde

Video Cuma, IEEE Spectrum robotik ekibinin derlediği harika robotik videoların haftalık seçkisini sunuyor. Ayrıca, önümüzdeki birkaç ay için yaklaşan robotik etkinliklerin haftalık takvimini de paylaşıyoruz. Lütfen etkinliklerinizi dahil edilmesi için bize gönderin. ICRA 2026: 1-5 Haziran 2026, VİYANA; RSS 2026: 13-17 Temmuz 2026, SYDNEY; Çok Robotlu Sistemler Yaz Okulu: 29 Temmuz-4 Ağustos 2026, PRAGUE. Bugünün videolarının tadını çıkarın! Digit'i dans ettirmek, sadece şık ayakkabılar giymekten fazlasını gerektiriyor - AI Ekibimiz, Digit'e yeni bütün vücut kontrol yeteneklerini bir gecede öğretmekte. Hareket verilerini mocap, animasyon ve teleop yöntemlerinden kullanarak, Digit simüle edilenden gerçeğe pekiştirme eğitimi ile yeni beceriler kazanıyor. [Çeviklik] GEN-1'i, robot öğrenimini ölçeklendirmedeki en son kilometre taşımızı oluşturduk. Bunun, basit fiziksel görevleri ustalıkla yerine getiren ilk genel amaçlı AI modeli olduğuna inanıyoruz. Önceki modellerin %64 başarı oranı elde ettiği görevlerde ortalama başarı oranını %99'a çıkarıyor, görevleri mevcut en iyi uygulamalardan yaklaşık 3 kat daha hızlı tamamlıyor ve bu sonuçlar için her biri için yalnızca 1 saat robot verisi gerektiriyor. GEN-1, geniş bir uygulama yelpazesinde ticari uygulanabilirliği açıyor - ve bugün tüm görevleri çözemese de, fiziksel dünya için genelist zeka yaratma misyonumuza önemli bir adım. [Genelist] Unitree, açık ortamlarda yüksek kaliteli gerçek dünya insansı robot bütün vücut teleoperasyonu (WBT) veri setini açık kaynak olarak sunuyor. 5 Mart 2026'dan beri kamuya açık olan veri seti, yüksek frekanslı güncellemeler almaya devam edecek. Senaryo kapsamı, görev karmaşıklığı ve manipülasyon çeşitliliği açısından en kapsamlı gerçek dünya insansı robot veri setini oluşturmayı hedefliyor. [Hugging Face] İnsanlarla paylaşılan kapalı alanlarda çalışan otonom mobil robotlar genellikle yaya akışına müdahale etmemek veya rahat bir mesafe sağlamak gibi insan mekansal niyetlerini yansıtan yollar gerektirir. Bu makale, kullanıcıların fiziksel zemin üzerinde el hareketleri kullanarak El İle Çizilmiş Referans Yolu (HRP) çizmelerini sağlayan MRReP adlı Karma Gerçeklik tabanlı bir arayüzü sunmaktadır. [MRReP] Teşekkürler, Masato! Göz teması, yabancılar arasında bile anlık olarak, insan bağlantısını güçlendirmede, mutluluğu teşvik etmede ve aidiyet duygusunu artırmada önemli bir rol oynar. Otonom navigasyon ve uyumlu ayna kontrolü aracılığıyla, Mirrorbot, yansımaları kendine odaklanmaktan karşılıklı tanımaya dinamik olarak geçiş yaparak, göz teması, ortak farkındalık ve eğlenceli etkileşimleri tetikler. [ARL] [Cornell Üniversitesi] PAL Robotics'in TIAGo Pro için yeni teleoperasyon sistemini deneyimleyin; bu, ileri düzey araştırmalar için tasarlanmış AI uyumlu mobil manipülatördür. Bu gerçek zamanlı VR teleoperasyon kurulumu, uzaktan manipülasyon, AI veri toplama ve robot öğrenimi için ideal olan TIAGo Pro'nun çift kollarının Kartezyen uzayda hassas kontrolünü sağlar. [PAL Robotics] Robust AI'dan muazzam bir parlaklık. Not yok. [Robust AI] Kıdemli Test Mühendisimiz Nick L. ile birlikte iRobot HQ içindeki Ev Test Laboratuvarları turuna katılın. [iRobot] Üretimin son "büyülü %5'ini" otomatikleştirerek - bireysel yüz taramalarına dayalı olarak yüzme gözlüklerinin silikon contalarının hassas kesimi - UR cobot'ları THEMAGIC5'in uygun fiyatlı, özel uyumlu gözlükler sunmasını sağlıyor ve şirketin Kickstarter'dan 400.000'den fazla gözlük satışı yapmasına olanak tanıyor. [Universal Robots] Sanctuary AI, gelişmiş hidrolik elleri için becerikli manipülasyon politikalarını eğitmedeki sektördeki lider yaklaşımını bir kez daha kanıtladı. Bu videoda, kendi özel hidrolik eli, belirli bir hedefe (videonun sol alt köşesinde görüntülenir) uyacak şekilde sürekli olarak yeniden yönlendirilerek harfli bir küpü otonom olarak manipüle ediyor. [Sanctuary AI] Çin'in Yuxing 3-06 ticari deneysel uydusu, esnek bir robot kol ile donatılmış ilk türü, yakın zamanda yörüngede yakıt ikmali testi ve anahtar teknolojilerin doğrulamasını tamamladı. Test, Yuxing 3-06'nın, "uzay yakıt ikmal istasyonu" olarak adlandırılan, diğer uyduları yörüngede yakıt ikmali yapmasını, uzay enkazını yönetmesini ve diğer yörünge hizmetlerini sağlamasını sağlıyor

Bilim & Teknoloji

ENIAC'ın Mimarları, Hesaplama ile Hikayeler Dokudular

Bu yıl, ilk genel amaçlı dijital bilgisayar olan ENIAC'ın 80. yıldönümünü kutluyoruz. Bilgisayar, balistik hesaplamaları hızlandırmak için II. Dünya Savaşı sırasında inşa edildi, ancak bilgisayara katkıları askeri uygulamaların ötesine geçiyor. ENIAC'ın iki ana mimarı—ortak mucidi John W. Mauchly ve altı orijinal programcıdan biri olan Kathleen “Kay” McNulty—tamamlandıktan birkaç yıl sonra evlendi ve birlikte yedi çocuk yetiştirdi. Mauchly ve McNulty’nin torunu Naomi Most, 15 Şubat'ta ENIAC’ın yıldönümü şerefine düzenlenen çevrimiçi ve yüz yüze etkinlikte bir konuşma yaptı. Aşağıda, o sunumdan uyarlanmıştır. ENIAC, İlk Genel Amaçlı Dijital Bilgisayar, 80 Yaşında Büyükbabalarımın çiftlik evinde sonsuz gibi gelen bir kütüphane vardı. Pencerelerden gelen Eylül ışığı, taşlı verandada dışarıda hışırdayan kayın yaprakları, evin bir yerinde kuzenlerin, teyzelerin ve amcaların sesleri. Ve o kütüphanenin köşesinde bir IBM kişisel bilgisayarı. Çocukken yazları orada geçirdiğimde, bilgisayarın ailemle olan hikayemin derin bir bağlantısı olduğunu henüz bilmiyordum. Büyükbabalarım, Elektronik Sayısal Entegratör ve Bilgisayar, yani ENIAC'ın yaratılmasına katkılarıyla tanınıyor. Ancak her ikisi de sadece sayıları işlemekle ilgilenmiyordu: Büyükbabam hava durumunu tahmin etmek istiyordu. Büyükannem iyi bir hikaye anlatıcısı olmak istiyordu. İrlandaca, büyükannem Kathleen “Kay” McNulty'nin ilk konuştuğu dilde, bu iki dürtüyü tanımlayan bir kelime vardı: ríomh. Ben de beş yıl önce İrlandaca öğrenmeye başladım ve bazı kelimelerin ve ifadelerin birden fazla anlamı olduğunu fark ettim. Ünlü İrlandalı kültürel tarihçi Manchán Magan’a göre—ondan ders aldım—ríomh kelimesi farklı zamanlarda hesaplamak anlamında kullanılmış, ancak aynı zamanda dokumak, anlatmak veya bir şiir yazmak anlamına da gelmiştir. O bir kelime, ENIAC'ın hikayesini anlatabilir; tellerin iplik gibi dokunduğu, hesaplamak, tahmin yapmak ve gürültüde bir sinyal aramak için inşa edilmiş bir makine. John Mauchly’nin Hava Tahmini Hedefleri ENIAC üzerinde çalışmadan önce, John Mauchly, Amerika Birleşik Devletleri genelinde yağış verilerini toplamakla yıllar geçirdi. En sevdiği hobi meteorolojiydi ve hava durumunu tahmin etmek için fırtına sistemlerinde kalıplar bulmak istiyordu. Ancak Ordu, ENIAC'ı daha basit tahminler yapmak için finanse etti: balistik yörünge tablolarını hesaplamak. Oradan başlamak gerektiğini fark ettiler, belki de hava durumu yakında hesaplanabilir hale gelecekti. Hava durumu, zaman içinde gelişen bir sistemdir ve bir fırtına modeli, o sistemin nasıl gelişebileceğine dair bir hikayedir. Bu fikirle ilgili eski bir İrlanda atasözü vardır: Is maith an scéalaí an aimsir. Kelime anlamıyla, “hava durumu iyi bir hikaye anlatıcısıdır.” Ancak aimsir aynı zamanda zaman anlamına gelir. Bu nedenle, bu ifadenin İngilizceye genellikle çevirisi “zaman her şeyi gösterecek” olur. Mauchly, aimsire’yi ríomh etmek—hava durumunu kalıba dökmek, fırtınayı hesaplamak, kaosu anlatmak istiyordu. Karmaşık sistemlerin, tasarlandıkları anda tam amacını ortaya koymadığını fark etti. Onlar, aimsir aracılığıyla—hava durumu, zaman, kullanım aracılığıyla—kendilerini açığa çıkarır. ENIAC’ın İlk Programcıları Dokumacılardı Kathleen “Kay” McNulty, 12 Şubat 1921'de, babasının—bir IRA eğitim görevlisi—Derry Cezaevi'nde tutuklandığı gece Creeslough'da doğdu. Ailevi sözlü tarih, onun ailesinin dokumacı olduğunu söylüyor. Ailesi Philadelphia'ya ulaştığında dört yaşındayken yalnızca İrlandaca konuşuyordu ve bir sonraki yıl Amerikan okuluna girdiğinde neredeyse hiç İngilizce bilmiyordu. 1942'de Chestnut Hill Koleji'nden matematik diplomasıyla mezun oldu, ABD Ordusu tarafından el ile top atış tabloları hesaplamak üzere işe alındı ve ardından ENIAC'ı programlamak üzere beş kadınla birlikte seçildi. Onların bir kılavuzu yoktu. Sadece planları vardı. McNulty ve meslektaşları, ENIAC'ı ve onun tuhaflıklarını, bir dokuma tezgahını öğrenir gibi öğrendiler: dokunarak, hafızayla, elektrik akımlarını kal

Bilim & Teknoloji

Genç Profesyonelin AI Aracı, Zihinsel Sağlık Durumlarını Tespit Ediyor

Abhishek Appaji, kariyerini kaynakları kısıtlı topluluklara hayat kurtaran teknolojiler getirmeye adamıştır. IEEE kıdemli üyesi, yapay zeka, biyomedikal mühendislik, derin öğrenme ve sinirbilimi bir araya getirerek doktorların işlerini kolaylaştırmakta ve hasta sonuçlarını iyileştirmektedir. Bengaluru, Hindistan'daki B.M.S. Mühendislik Koleji'nde tıbbi elektronik mühendisliği doçenti olan Appaji, “Bu alanların kesişimi, tanısal hassasiyetteki en etkili atılımların gerçekleştiği yerdir,” diyor. Birçok icadı, Hindistan'ın uzak bölgelerinde, doktorlara kaliteli tanı araçları sağlamak üzere kullanılmaktadır; bunlar arasında, tıbbi durumları tespit etmek için retinayı tarayan yapay zeka destekli bir makine ve hastanın hayati belirtilerini sürekli izleyen akıllı bir yatak bulunmaktadır. IEEE Genç Profesyoneller Bangalore Bölümü'nde aktif bir gönüllü olarak, profesyonel ağ oluşturma etkinlikleri, teknoloji atölyeleri, bir mentorluk programı ve diğer girişimler başlatmıştır. “Erişilebilir yapay zeka destekli sağlık çözümlerine katkılarım ve genç profesyonelleri güçlendirmedeki liderliğim” nedeniyle Appaji, bu yılki IEEE Theodore W. Hissey Olağanüstü Genç Profesyonel Ödülü'nün sahibi olmuştur. Ödül, IEEE Fotoniği ve Güç & Enerji toplulukları ile IEEE Genç Profesyoneller tarafından desteklenmektedir. Ödül, bu ay New York'taki IEEE Onur Töreni'nde sunulması planlanmaktadır. “Bu ödül, kariyerimde önemli bir dönüm noktasını temsil ediyor,” diyor Appaji. “Mühendisler olarak başarımızın yalnızca araştırma sonuçları veya yayınlarla ölçülmediğini, erişilebilir teknoloji aracılığıyla hayatlardaki somut etkiyle ve güçlendirdiğimiz gelecek nesil liderlerin kalitesiyle ölçüldüğünü doğruluyor.” Kan şekeri ölçüm cihazı geliştirme süreci, 2010 yılında B.M.S.'den mühendislik lisans diplomasını aldıktan sonra, okulda tıbbi elektronik mühendisliği bölümünde öğretim görevlisi olarak çalışmaya başlamasıyla başladı. Aynı zamanda, Bengaluru'daki Visvesvarya Mühendislik Üniversitesi'nde biyoinformatik alanında yüksek lisans yapmıştır. 2013 yılında mezun olduktan sonra B.M.S.C.E.'de öğretim hayatına devam etmiştir. Dört yıl sonra, Appaji, MIT Küresel Girişimcilik Bootcamp'ine katıldı; bu, web seminerleri, çevrimiçi kurslar ve MIT'de beş günlük bir konaklamayı içeren iki haftalık yoğun bir hibrit programdır. Bu program, girişimci, yenilikçi ve erken aşama kuruculardan oluşan ekiplerin başarılı olmaları için ihtiyaç duydukları yapılandırılmış düşünce yapısını, araçları ve çerçeveleri sağlamayı amaçlamaktadır. Appaji, programı yenilik fırsatlarını araştırırken keşfettiğini söylüyor. “Teknik uzmanlığım vardı, ancak araştırmamı laboratuvardan pazara geçirebilmek için yapılandırılmış bir çerçeveye ihtiyacım vardı,” diyor. MIT boot camp sırasında, kendisi ve dört diğer katılımcı, karmaşık bir sağlık hizmeti sorununa yaklaşma görevi aldı. Gestasyonel diyabeti yönetmek için invaziv olmayan bir kan şekeri ölçüm cihazı geliştirdiler; bu durum, hamilelik sırasında yüksek kan şekeri ve insülin direncine neden olmaktadır. Program sona erdiğinde, Appaji ve iki Avustralya merkezli takım arkadaşı, Brisbane, Avustralya'da Glucotek'i kurarak işbirliklerine devam ettiler. Sağlık teknolojisi alanındaki araştırmalarına devam etme ilhamı alan Appaji, Hollanda'daki Maastricht Üniversitesi'nde ruh sağlığı ve sinir bilimleri alanında doktora yapmıştır. Tezi, retinal vasküler desenleri tanımlamak için hesaplama yöntemlerine odaklanmıştır. “Analiz ettiğimiz desenler - damarların eğriliği, dallanma açıları ve boyutları - mikro vasküler sistemin sağlığını ortaya koymaktadır,” diyor. “Şizofreni ve bipolar bozukluk gibi durumlarda, mikro vasküler değişiklikler, beynin nörovasküler değişikliklerini yansıtır.” Retinal vasküler sistemin incelenmesi ve ölçülmesi, doktorlara sinirsel değişiklikleri incelemek için invaziv olmayan bir yol sunmaktadır; bu değişiklikler, psikiyatrik hastalıklar için biyomarkerler olabilir. Fikrini hayata geçirmek için bir göz doktoru, bir psikiyatrist ve mühendislik okulundan meslektaşlarıyla işbirliği yaparak bir tarama cihazı geliştirdi. Ayrıca, retinal görüntüleri analiz eden yapay zeka modellerini de oluşturdular ve eğittiler. Tezinden gelen fikirler, iç retina kanını besleyen küçük damar ağını tarayan AI destekli bir araç olan Akıllı Göz Kioskunun yaratılmasına yol açtı. Bu araç, stres seviyelerini ve ruh sağlığını izler. Ayrıca, diyabetik retinopati gibi temel

Bilim & Teknoloji

Bir Amansız Kullanıcıdan Ekoskeletonların Öğrendikleri

Robert Woo'nun yürüyememe yetisini kaybetmesine neden olan kaza ile tanımlandığını varsaymak kolaydır. Kesinlikle, kazasının olduğu gün—14 Aralık 2007—bir dönüm noktasıydı. New York City'deki yeni Goldman Sachs genel merkezi için çalışan bir mimar olan Woo, bir önceki gece şirketinin yılbaşı partisine katılmamıştı ve o sabah inşaat alanı ofisi olarak kullanılan treyler içinde tek başına bulunuyordu. Dizüstü bilgisayarının üzerine eğilmişken, 30 kat yukarıda bir vinçin naylon kayışı koptu ve yaklaşık 6 ton çelik treyler üzerine düşmeye başladı. Çatı çöktü, Woo'yu ikiye katladı ve yüzünü dizüstü bilgisayarına çarptı, bu da masasına gömüldü. "Tüm bu olay boyunca bilinçliydim," diyor Woo. "Bir dışarıdan bakış deneyimiydi. Acı içinde çığlık attığımı duyabiliyordum. Kurtarma ekiplerinin seslerini duyabiliyordum. Bir itfaiyecinin, 'Endişelenmeyin, size ulaşıyoruz,' dediğini duydum." Kurtarma ekipleri onu molozların altından çıkardı ve 18 dakikada acil servise ulaştırdı; bir akciğeri ezilmiş ve diğerinin de delinmiş olması nedeniyle çok daha fazla dayanamazdı. O telaşlı anlarda, bir doktor ona boyundan aşağısının felçli olabileceğini söyledi. Doktorlara ölmesini istediğini hatırlıyor. Woo, felçli bir versiyonunun hayatına devam edebileceğini hayal edemiyordu. O zaman 39 yaşındaydı, uzun saatler çalışıyor ve gökdelen inşaatlarını denetlemek için dünyayı dolaşıyordu. Daha da önemlisi, 6 aylık ve 2 yaşında iki küçük oğlu vardı. "Boynumdan aşağısı felçli bir hayatım olabileceğini göremiyordum, çocuklarıma nasıl top oynamayı öğretebilirim ki," diye hatırlıyor. "Bu nasıl bir hayat olurdu?" Robert Woo, New York City'deki Wandercraft tesisinde, şirketin en son kendini dengeleyen dış iskeletini kullanarak yürüyordu. Ancak geçen Mayıs ayında Manhattan'daki bir sergi salonunda, Woo'nun o kazadan, gövdesinin alt kısmı felçli kalmasına rağmen kollarını kullanabilmesiyle tanımlanmadığını gösterdi. Bunun yerine, yaralanmasına nasıl yanıt verdiği ve sonrasında inşa ettiği yeni hayatıyla kendini tanımladı. Sergi salonunda, Woo tekerlekli sandalyesinden 80 kilogram (176 pound) ağırlığında bir dış iskelet giysisine geçti. Kendini bağladıktan sonra, sol elindeki bir joystick ile bir sandalyeden kalkarak odanın karşısına yürümeye başladı. Woo'nun adımları kısa ama düzgün, yürürken de ses çıkarıyordu. Bu dış iskelet, Fransız şirketi Wandercraft'tan, kullanıcının üst vücudunu dengelemek için çoğu diğer modellerin gerektirdiği kol destekleri veya bastonlar olmadan yürüyebilmesini sağlayan ilk dış iskeletlerden biriydi. Pil ile çalışan dış iskelet, hem itme hem de dengeyi sağlıyordu; Woo sadece yönlendirmek zorundaydı. Hantal cihazın, Woo'nun başının üzerinde uzanan bir arka plaka, büyük bir yastıklı yaka, kol dayanakları, motorlu bacaklar ve ayak plakaları vardı. Odanın karşısına yürürken, yarı insan, yarı makine gibi görünüyordu. Sergi salonunun camlı penceresinin diğer tarafında, Park Avenue'de ailesiyle yürüyen bir çocuk, kaldırımda durakladı ve içindeki sibernetik varlığa hayranlıkla bakarak durdu. Robert Woo, Wandercraft dış iskeletinde yürümeye hazırlanıyor; cihazın kontrolörü ona ayakta durmasını, yürüyüş modunu başlatmasını ve bir yön seçmesini sağlıyor. Woo'nun dış iskelet süper kahraman unvanı ona yakışıyor. Clark Kent kadar yumuşak konuşan ve nazik bir yapıya sahip, yüzünde parlayan bir gülümseme var. Ancak altındaki güç inkar edilemez; saf bir kararlılıkla yeni bir hayat inşa etti. 15 yıldır, dünyanın dört bir yanında geliştirilen en önde gelen dış iskeletler için test pilotu, erken benimseyen ve klinik çalışma katılımcısı oldu. Evde kullanılmak üzere onaylanan ilk dış iskelet için ilk siparişi verdi ve evde Iron Man gibi olmanın ne demek olduğunu öğrendi. Tüm bu süreç boyunca, mimari tasarım becerileri ve kullanıcı deneyiminden elde ettiği ayrıntılı geri bildirimleri şirketlere sundu. Teknolojiyi içinde şekillendirdi. New Jersey Teknoloji Enstitüsü'nden araştırmacı Saikat Pal, Wandercraft'ın ilk modelinin klinik denemeleri sırasında Woo ile tanıştı. Pal, alandaki birçok kişi gibi, Woo'nun masaya çok şey kattığını hemen fark etti. "O, dış iskeletlerin süper mega kullanıcısı: çok hevesli, çok atletik," diyor Pal. "O, mükemmel

Bilim & Teknoloji

80'ler Dalgıç Aracı: Su Altı Keşfini Dönüştüren İnovasyon

Çocukken, 1980'lerin su altı macera programı Danger Bay'i çok severdim. TV programının adının hakkını verircesine, tehlike her zaman Vancouver Akvaryumu'nda, programın geçtiği yerde pusuya yatmıştı. Unutulmaz bir bölümde, genç Jonah ve bir arkadaşı sabotaj yapılmış bir mini denizaltıda mahsur kalıyor ve Jonah'ın babası, bir deniz memelileri veterineri, bir baloncuk şeklindeki su altı aracıyla kurtarmaya geliyor. Harika bir şeydi! Ancak, bu köşeyi yazmaya başladığımda, kurtarma aracının bir sahne aksesuarı değil, gerçek bir araştırma denizaltısı olan Deep Rover olduğunu öğrendim. Deep Rover neydi ve ne yapıyordu? 1984 yılında inşa edilen ve ertesi yıl suya indirilen Deep Rover, standart su altı araçlarından farklıydı; bu araçlar genellikle dalgıçların yatay pozisyonda uzanmasını ve destek gemisine bağlı olarak küçük pencerelerden bakmasını gerektiriyordu. Deep Rover, insanların su altı dünyasına olan merakını tatmin etmek için tasarlanmıştı. Rover, 1.000 metre derinliklere kadar suyun içinde serbestçe hareket ederken, operatör kabin içinde, panoramik manzaralara sahip 13 santimetre kalınlığında şeffaf bir akrilik baloncuk içinde, nispeten konforlu bir şekilde oturuyordu—ters çevrilmiş bir balık kasesi gibi, insan nefes alabilir havanın içinde iken deniz canlıları içeri bakıyordu. Bilimsel araştırmalar ve derin su keşifleri için kullanılan Deep Rover, bu süreçte birçok dalış rekoru kırdı. Denizaltı tasarımcısı Graham Hawkes ve deniz biyoloğu Sylvia Earle, Deep Rover fikrini geliştirdiler. Deep Rover'ın arkasındaki ekip, ABD'li deniz biyoloğu Sylvia Earle ve Britanyalı deniz mühendisi ve denizaltı tasarımcısı Graham Hawkes'tan oluşuyordu. Earle ve Hawkes’in işbirliği, Earle’ın Jim adındaki atmosferik dalış giysisinin "aptal" kolları hakkında Hawkes'a şikayette bulunduğu Mayıs 1980'de başladı; Earle, Jim'in tasarımcılarından biriyle konuştuğunu fark etmemişti. Hawkes, içte 101 kilopaskal (deniz seviyesindeki normal atmosfer basıncı) ve dışta yaklaşık 4.100 kPa'ya kadar olan zıt basınçları dayanacak esnek eklemler tasarlamanın zorluğunu açıkladı. Ancak Earle’ın kullanışlı bir manipülatör için istek listesini dikkatle dinledi. Birkaç ay sonra, bir kalemi tutup normal boyutlarda harfler yazabilen son derece çevik bir kol tasarımıyla geri döndü. Earle ve Hawkes daha sonra tek kişilik bir baloncuk denizaltısı tasarlamaya yöneldiler ve bunun o kadar pratik olduğunu düşündüler ki, kolayca satılabileceğini düşündüler. Ancak, finansman çekmekte başarısız olduktan sonra, kendileri inşa etmeye karar verdiler. 1981 yazında, kaynaklarını birleştirerek Deep Ocean Technology'yi kurdular ve Earle'ın garajında çalışmaya başladılar. Kanadalı denizaltı ve dalış sistemleri tasarımcısı Phil Nuytten, Deep Rover'ı mühendislik etti. Yine de, müşterilerin mürettebatlı denizaltıya ilgi göstermediğini gördüler, bu yüzden insansız sistemlere yöneldiler. İlk sözleşmeleri, petrol platformu denetimi, bakımı ve onarımı için kullanılan uzaktan kumandalı bir araç (ROV) içindi. Diğer müşteriler de peşinden geldi ve toplamda bu ROV'lerden 10 tane inşa ettiler. 1983 yılında, orijinal fikirlerine geri döndüler ve Kanadalı mucit ve girişimci Phil Nuytten ile Deep Rover'ı mühendislik etmesi için sözleşme imzaladılar. Nuytten, denizaltının değerini anlamak için ikna edilmesine gerek olmadığını biliyordu. Su kenarında büyümüş ve onların hayalini paylaşmıştı. Gençken, Vancouver'ın ilk dalış dükkanını açmıştı. Daha sonra ticari dalgıç olarak çalıştı. 1965'te Can-Dive Services ve 1982'de Nuytco Research adlı okyanus ve araştırma teknolojisi şirketlerini kurdu ve gelişmiş denizaltılar ile dalış sistemleri geliştirdi. Bunlar arasında, sondaj platformlarında ve kurtarma operasyonlarında kullanılmak üzere bir alüminyum atmosferik dalış giysisi olan Newtsuit da vardı. Deep Rover'ın ilk görevi, doğu Kanada'daki açık deniz petrol keşfini ve sondajını artırmaktı. Finansman, Newfoundland ve Labrador eyalet hükümeti ile Petro-Canada ve Husky Oil petrol şirketlerinden geldi. Ancak, 1980'lerin ortalarındaki petrol fiyatlarındaki çöküş, denizaltının işletilmesini ekonomik olarak sürdürülemez hale getirdi. Bu nedenle, rover'ın misyonu bilimsel araştırmalara genişledi. Deep Rover'ın Teknik Özellikleri Pilot, Deep Rover'ı 1.000 metre derinlikte ve sa

Bilim & Teknoloji

Invences, Küçük İşletmeleri Akıllı Telekom Ağları ile Güçlendiriyor

Rekabetçi kalmak için birçok küçük işletmenin, sadece iletişim kurmakla kalmayıp aynı zamanda yapay zeka, Nesnelerin İnterneti ve robotik gibi teknolojilerden yararlanabilmesi için gelişmiş kablosuz iletişim ağlarına ihtiyacı var. Ancak genellikle bu işletmeler, sistemleri kurmak, yapılandırmak ve bakımını yapmak için gereken teknik uzmanlıktan yoksun. İki yüzyıldan fazla süredir büyük telekom şirketlerinde çalışan Bhaskara Rallabandi, uzmanlığını küçük işletmelere yardımcı olmak için kullanmaya karar verdi. IEEE kıdemli üyesi olan Rallabandi, Uluslararası Sistem Mühendisliği Konseyi tarafından sertifikalandırılmış bir uzmandır. 2023 yılında Frisco, Texas merkezli bir telekomünikasyon otomasyon şirketi olan Invences'i kurdu. Invences'in hizmetleri arasında veri merkezlerinin tasarımı, inşası ve kurulumu ile maliyet etkin ve güvenli kablosuz, özel, IoT ve sanal iletişim ağları yer alıyor. Şirket, kırsal ve kentsel alanlarda, hizmet alamayan topluluklar da dahil olmak üzere, çiftlikler, fabrikalar ve üniversiteler için sistemler kurmuştur. Rallabandi, misyonlarının “toplulukları akıllıca bağlayan otonom, etik ve sürdürülebilir ağlar inşa etmek” olduğunu söylüyor. Geçen yıl, “ABD merkezli bir teknoloji şirketinin kurulması ve ölçeklendirilmesinde girişimci liderlik, 5G/6G ve Açık RAN [radyo erişim ağı] alanında yeniliği ilerletme, küresel standartları şekillendirme ve mentorluk ve topluluk etkisi aracılığıyla gelecek liderleri ilham verme” konusundaki çalışmaları nedeniyle IEEE-USA Girişimcilik Başarı Ödülü ile ödüllendirildi. Telekomünikasyon kariyerine 2009 yılında Verizon'un Yenilik Laboratuvarları'nda yönetici ve baş ağ mühendis olarak başladı. Rallabandi ve ekibi, uzun vadeli evrim ve evrimleşmiş paket çekirdek performans denemelerinin bazılarını yürüttü. Yenilik Laboratuvarları'ndaki bu çalışmanın, ilk 4G sistemlerin geliştirilmesinde anahtar rol oynadığını belirtiyor. “Miras ve bulut tabanlı ağlar arasında ilk köprüyü biz inşa ettik,” diyor. 2011 yılında AT&T Laboratuvarları'na katılmak üzere ayrıldı. Kıdemli yönetici ve baş çözüm mimarı olarak, şirketin yeni nesil kablosuz sistemlerinin tasarımını, entegrasyonunu ve test edilmesini denetledi. Ayrıca, ağların otomasyonunu yeniden tanımlayan projeleri yönetti ve FirstNet gibi bulut bilişim sistemlerini kurdu. 2018 yılında Rallabandi, Kaliforniya'nın Mountain View kentindeki Samsung Telekomünikasyon Amerika'nın Ar-Ge bölümünde baş mühendis ve kıdemli yönetici olarak işe alındı. 5G sanallaştırma ve Açık RAN girişimlerinin geliştirilmesine liderlik etti. Küçük işletmeler için ağlar tasarlamak amacıyla, kurumsal dünyada tam potansiyeline ulaşamadığını hissederek, 2023 yılında eşi Lakshmi Rallabandi ile kendi girişimini başlatmaya karar verdi. Lakshmi, Invences'in CEO'su, Rallabandi ise kurucu başkan ve baş teknoloji danışmanıdır. Kendi kendine finanse edilen ve yaklaşık 100 çalışanı olan Invences, dünya genelinde 50'den fazla müşteriye sahiptir. “Büyük şirketlerde çalışarak edindiğim bilgileri, küçük işletmeler için otomasyon konusunda göz ardı ettikleri boşlukları doldurmak amacıyla kullanabileceğim daha ilginç bir şey yapmak istedim,” diyor. “Bir araya geldiğinde 200 yıllık teknoloji deneyimine sahip bir ekibim var.” Startup, müşterilerinin operasyonlarını basitleştiren ve maliyetlerini azaltan ağlar inşa ediyor. Büyük telekom taşıyıcılarının yoğun kentsel alanlar için ağlar inşa etme yöntemlerini kopyalamak yerine, Rallabandi, ağ mimarisini yeniden hayal ederek karmaşıklığını, maliyetlerini ve operasyonel yükünü azaltmayı hedefliyor. “Bağlantı bir lüks olmamalıdır. Kırsal topluluklar, ihtiyaçlarına uygun bir altyapıyı hak ediyor.” Sistemler, Açık RAN, sanallaştırılmış RAN, dijital ikizler, telemetri ve ileri düzey analizler gibi yeni teknolojileri entegre ediyor. Bazı ağlar, insanlardan bağımsız çalışan ve ağ boyunca planlama ve eylemde bulunan AI ajanları kullanan otonom bir sistem olan ajans AI'yi de içeriyor. Dijital ikizler, ajanın kararlarını serbest bırakmadan önce değerlendiriyor. “Otonomi, insanları süreçten çıkarmakla ilgili değildir,” diyor Rallabandi. “Bu, sistemlere karmaşıklığı yönetme yeteneği vermekle ilgilidir, böylece insanlar niyet ve sonuçlara odaklanabilir.” Rallabandi ayrıca, ağların anormallikleri tespit etmesini ve performansı otomatik olarak optimize etmesini sağlamak için tasarlanmış AI destekli telekom gözlem teknolojileri üzerinde de çalıştı. Müşter

Bilim & Teknoloji

Yüz Tanıma Her Yerde Yayılıyor

Yüz tanıma teknolojisi (FRT) 60 yıl öncesine dayanıyor. On yıl kadar önce, derin öğrenme yöntemleri bu teknolojiyi daha kullanışlı ve tehditkar bir alana taşıdı. Şimdi, perakendeciler, komşularınız ve kolluk kuvvetleri, yüzünüzü depoluyor ve yaşamınıza dair parçalı bir fotoğraf albümü oluşturuyor. Ancak bu fotoğrafların anlatabileceği hikaye kaçınılmaz olarak hatalar içeriyor. FRT üreticileri, herhangi bir tanı teknolojisinin üreticileri gibi, iki tür hata arasında denge kurmak zorundadır: yanlış pozitifler ve yanlış negatifler. Üç olası sonuç vardır. a) Yazılıma göre, iki görüntü aynı kişiye ait olduğundan şüpheliyi tanımlar. Başarı! b) Görüntülerdeki başka bir kişiyi şüphelinin görüntüsüyle eşleştirir. Dikkatsiz bir doğrulama ile birlikte bir yanlış pozitif, yanlış bir kişiyi hapse atabilir ve gerçek suçlunun adaletten kaçmasına neden olabilir. c) Hiçbir eşleşme bulamaz. Şüpheli kameraların görüş alanından kaçıyor olabilir, ancak kameralar sadece düşük ışıkta veya kötü açılarda görüntüler sağlıyorsa, bu bir yanlış negatif oluşturur. Bu tür bir hata, bir şüphelinin serbest kalmasına neden olabilir ve adam avının maliyetini artırabilir. En iyi senaryolarda - örneğin, birinin pasaport fotoğrafını bir sınır görevlisinin çektiği bir fotoğrafla karşılaştırmak gibi - yanlış negatif oranları yaklaşık 1.000'de 2 civarındadır ve yanlış pozitifler 1 milyonda birden azdır. Eğer nadir bir durumda bu yanlış negatiflerden biriyseniz, bir sınır görevlisi sizden pasaportunuzu göstermenizi isteyebilir ve yüzünüze ikinci bir bakış atabilir. Ancak insanlar teknolojiden daha fazlasını talep ettikçe, daha iddialı uygulamalar daha yıkıcı hatalara yol açabilir. Diyelim ki polis bir şüpheliyi arıyor ve güvenlik kamerasıyla çekilen bir görüntüyü şüphelinin daha önceki bir "mug shot" görüntüsüyle karşılaştırıyor. Eğitim verisi bileşimi, sensörlerin yüzleri algılama şekillerindeki farklılıklar ve yaş gibi gruplar arasındaki içsel farklılıklar, bir algoritmanın performansını etkiler. Birleşik Krallık, FRT'nin bazı grupları, örneğin kadınlar ve daha koyu tenli insanlar, yanlış tanımlama riskine maruz bıraktığını, bunun da diğerlerine göre iki kat daha fazla olduğunu tahmin etti. Daha az net fotoğraflar, FRT'nin işlenmesi için daha zorlayıcıdır. İşbirliği yapmayan kişilerin fotoğrafları, önyargılı veri setleri üzerinde algoritmalar eğiten satıcılar veya büyük bir veri setinden hızlı bir eşleşme talep eden saha ajanları ile ne olur? Burada işler belirsizleşiyor. Yüz Tanıma Hataları YANLIŞ POZİTİFLERİN OLUMSUZ ETKİLERİ 2020: Robert Williams'ın haksız tutuklanması ona gözaltı maliyetine mal oldu. Devam eden anlaşma, Detroit polisinin FRT'nin sınırlarını tanıyan politikalar uygulamasını gerektiriyor. ALGORİTMİK ÖNYARGI 2023: Mahkeme, ırkçı bir önyargılı algoritma kullandığı için Rite Aid'in yüz tanımayı beş yıl boyunca kullanmasını yasakladı. ÇOK HIZLI, ÇOK ÖFKE? 2026: ABD göçmenlik ajanları, gözaltına aldıkları bir kadını iki farklı kadın olarak yanlış tanımlıyor. Örneğin, 10.000 kayıtlı katılımcının görüntülerinin bulunduğu bir veritabanıyla katılımcıları kontrol etmek için FRT kullanan yoğun bir ticaret fuarını düşünün. %99.9 doğrulukta bile, yaklaşık bir düzine yanlış pozitif veya negatif alırsınız; bu, fuar organizatörleri için bir takas değeri taşıyabilir. Ancak polis, 1 milyon insanın yaşadığı bir şehirde böyle bir şeyi kullanmaya başlarsa, yanlış kimlik kurbanlarının sayısı artar ve riskler de yükselir. FRT'den, hükümetin belirli bir kişinin görüntüsünü kaydedip kaydetmediğini söylemesini istersek ne olur? ABD Göçmenlik ve Gümrük İdaresi ajanları, Haziran 2025'ten bu yana Mobile Fortify uygulamasını kullanarak bunu yapıyor. Ajans, ilk altı ayda 100.000'den fazla FRT araması gerçekleştirdi. Potansiyel galeri en az 1.2 milyar görüntüden oluşuyor. Bu boyutta, en iyi durum senaryolarında bile sistemin yaklaşık 1 milyon yanlış eşleşme döndürmesi muhtemeldir, ancak daha koyu tenli insanlar için bu oran en az 10 kat daha yüksek olabilir. Bu güçlü teknolojinin sorumlu kullanımı, bağımsız kimlik kontrolleri, birden fazla veri kaynağı ve hata eşiklerinin net bir şekilde anlaşılmasını içermelidir, diyor Massachusetts Amherst Üniversitesi'nden bilgisayar bilimcisi Erik Learned-Miller: "Bu tür sistemleri devreye al

Bilim & Teknoloji

5G Yersiz Ağların Küresel Bağlantıyı Nasıl Sağladığı

5G, kara alanın %40'ından azını kapsamaktadır. Bu Beyaz Kitap, 3GPP Sürüm 17'nin altı uydu zorluğunu nasıl ele aldığını detaylandırmaktadır: gecikme, Doppler, yol kaybı, polarizasyon, spektrum ve mimari. Katılımcılar Neler Öğrenecek? Neden karasal olmayan ağların artık 5G yol haritasının ayrılmaz bir parçası olduğu — Üçüncü Nesil Ortaklık Projesi (3GPP) Sürüm 17'nin uydu tabanlı bağlantıyı 5G sistemine nasıl entegre ettiğini anlayın; karasal ağların dünya kara kütlesinin %40'ından azını kapsadığı deniz, uzak ve kutup bölgelerinde evrensel kapsama hedeflenmektedir. Mobil geniş bant için Yeni Radyo karasal olmayan ağlar ile düşük güçlü makine tipi iletişimler için İnternet of Things karasal olmayan ağları arasındaki farkı öğrenin. Uydu takımyıldızı tasarımının kapsama, kapasite ve gecikmeyi nasıl şekillendirdiğini inceleyin — Yörünge yüksekliği (düşük dünya yörüngesi, orta dünya yörüngesi, jeostatik dünya yörüngesi), ışın ayak izi geometrisi, yükseklik açısı ve eğim açısının kapsama alanını, gidiş-dönüş süresini ve tek bir ışın içindeki kullanıcı ekipmanları arasındaki diferansiyel gecikmeyi nasıl belirlediğini inceleyin. Şeffaf bükülmüş boru ve yenileyici yerleşik işleme yük mimarileri arasındaki ticaret dengelerini keşfedin. Hangi radyo frekansı zorlukları uydu bağlantılarını karasal yayılımdan ayırır — Altı ana teknik zorluğu keşfedin: yüksek serbest alan yol kaybı, zamanla değişken Doppler, büyük ışın ayak izleri üzerindeki diferansiyel gecikme, iyonosferde polarizasyonun Faraday rotasyonu ve S-bandı ile L-bandı arasındaki karasal ve karasal olmayan bantlar arasındaki spektrum uyumu. 5G protokollerinin karasal olmayan bağlantıyı desteklemek için nasıl uyum sağlaması gerektiğini öğrenin — hibrit otomatik tekrar isteği işlemi, zamanlama ilerlemesi kontrolü (ortak ve kullanıcı ekipmanına özgü bileşenlere ayrılmış), rastgele erişim prosedürü zamanlama uzantıları, kesintili alım güç tasarrufu adaptasyonları, yer sabit izleme alanı yönetimi, koşullu geçiş mekanizmaları ve benzersiz bir yayılma ortamında hizmet sürekliliği için besleyici bağlantı geçişi ile ilgili özel değişiklikleri öğrenin. Bu ücretsiz beyaz kitabı şimdi indirin!

Bilim & Teknoloji

Mühendislik İletişimini Teknik Detayları Çevirerek Geliştirin

Bu makale IEEE Spectrum’ın kariyer bülteninden paylaşılmıştır. İçeriden ipuçları, uzman tavsiyeleri ve pratik stratejiler almak için şimdi kaydolun; teknoloji kariyer gelişim şirketi Parsity ile işbirliği içinde yazılmış ve ücretsiz olarak e-posta kutunuza gönderilecektir! Mühendisler İletişimde Kötü Değildir. Sadece Yanlış İzleyiciye Konuşuyorlar. Mühendislerin kötü iletişimciler olduğu yönünde kalıcı bir mit var. Deneyimlerime göre bu doğru değil. Mühendisler genellikle kendi alanlarında mükemmel iletişimcidir. Kesiniz. Mantıklıyız. Argümanları net bir şekilde yapılandırırız. Terimleri tanımlarız. Kısıtlamalardan yola çıkarak akıl yürütürüz. Sorun, izleyici değiştiğinde ortaya çıkar. Teknik bir dilde, kelime dağarcığımızı paylaşan insanlarla çevrili konuşmaya alışkınız. Bu ortamda, kısayollar ve jargon etkilidir. Ancak bu balonun dışındaki, yöneticilerle, ürün yöneticileriyle, pazarlama ekipleriyle veya müşterilerle konuştuğumuzda, aynı kesinlik kafa karıştırıcı olabilir. Sorun, iletişim kuramıyor olmamız değil. Çeviri yapmayı unutmamızdır. Eğer teknik olmayan bir paydaşınıza kritik bir sorunu veya hatayı açıkladıysanız, muhtemelen bunu deneyimlemişsinizdir: Teknik olarak doğru bir açıklama yaparsınız. Onlar ya daha önceki durumlarından daha fazla kafaları karışmış olarak ya da gereğinden fazla endişeli bir şekilde ayrılırlar. Aniden, sorunu çözmekten çok açıklamanızı netleştirmeye daha fazla zaman harcıyorsunuz. Baskı altında, en iyi bildiğimiz şeye—teknik detaylara—dönüyoruz. Ancak bağlam olmadan detay, bilişsel aşırı yüklenmeye neden olur. Dinleyici, neyin önemli olduğunu, neyin normal olduğunu ve neyin tehlikeli olduğunu ayırt edemez. İşte o zaman "mühendisler iletişim kuramaz" anlatısı ortaya çıkar. Gerçekte, sadece çeviri adımını atladık. Yazılı İletişimde Kısa Yol Bugün yazılı iletişimi geliştirmenin en basit yollarından biri oldukça kolaydır: Açıklamanızı bir yapay zeka modelinden geçirin ve "Bu teknik olmayan bir izleyiciye mantıklı gelir mi? Nerede kafa karışıklığı yaşanır?" diye sorun. Ayrıca şunları da söyleyebilirsiniz: "Bunu bir yönetici izleyicisi için yeniden yaz." "Bunu açıklamak için hangi benzetme yardımcı olur?" "Bu açıklamayı doğruluğu kaybetmeden basitleştir." Büyük dil modelleri, jargonları tanımlama ve alternatif çerçeveler sunma konusunda özellikle iyidir. Onlar esasen çeviri asistanlarıdır. Benzetmeler özellikle güçlüdür. Eğer sistem gecikmesini açıklıyorsanız, bunu trafik sıkışıklığı ile karşılaştırın. Teknik borçtan bahsediyorsanız, bunu bir evin bakımını atlamakla karşılaştırın. Dağıtık sistemleri açıklıyorsanız, tedarik zinciri örnekleri kullanmayı deneyin. Amaç, "basitleştirmek" değil. Tanıdık olanı tanımadık olana eşleştirmektir. Bir e-posta veya rapor göndermeden önce kendinize sorun: Bu izleyicinin mekanizmayı anlaması mı gerekiyor, yoksa sadece etkisini mi? Bu açıklama onların karar vermesine yardımcı oluyor mu? Bilmedikleri terimleri tanımladım mı? Konuşurken Çeviri Konuşurken—özellikle toplantılarda veya sunumlarda—çoğu mühendis öngörülebilir bir alışkanlığa sahiptir: Çok hızlı konuşuruz. Sinirler bizi hızlandırır. Hız, dolgu kelimeleri doğurur. Dolgu kelimeleri otoriteyi seyreltir. Bunu önlemek için basit bir kural izleyin: Doğal hissettiğinizden %10 ila %15 daha yavaş konuşun. Yavaşlamak, "um" ve "uh" dediğiniz zamanları azaltır, düşünmek için zaman tanır, daha kendinden emin görünmenizi sağlar ve dinleyicinin işlem yapması için zaman verir. Bir başka kural: İzleyicinin ilerlemesi için gerekeni söyleyin. Kişinin bir karar vermesi için yeterince açıklayın. Eğer birine yalnızca ticari dengeye ihtiyaç duyduğu bir durumda uygulama detaylarıyla aşırı yüklenirseniz, işlerini zorlaştırmış olursunuz. Gerçek Beceri İletişimdeki ana beceri, izleyici farkındalığıdır. Bir eşdeğer hata hakkında bir meslektaşına net bir şekilde açıklama yapabilen aynı mühendis, sistem riskini bir yöneticiye de kesinlikle açıklayabilir. Fark, çerçeveleme, kelime dağarcığı ve bağlamdır. Zeka değil. AI çağında, kod üretiminin giderek daha fazla emtia haline geldiği bir dönemde, karmaşıklığı netliğe çevirebilme yeteneği belirleyici bir avantaj haline geliyor. Mühendisler kötü iletişimciler değildir. Sadece balonumuzun dışındaki çevirinin

Bilim & Teknoloji

50,000× Gerçek Zamanında Sürücü AI Eğitimi

Bu, General Motors tarafından sunulan sponsorlu bir makaledir. Otonom sürüş, fiziksel yapay zekanın en zorlu problemlerinden biridir. Otomatik bir sistem, kaotik ve sürekli değişen bir dünyayı gerçek zamanlı olarak yorumlamalıdır; belirsizlikle başa çıkmalı, insan davranışını tahmin etmeli ve geniş bir ortam ve uç durumlar yelpazesinde güvenli bir şekilde çalışmalıdır. General Motors'ta bu probleme basit bir öncül ile yaklaşıyoruz: yolda çoğu an öngörülebilirken, nadir, belirsiz ve beklenmedik olaylar - uzun kuyruk - nihayetinde bir otonom sistemin güvenli, güvenilir ve ölçekli olarak dağıtıma hazır olup olmadığını tanımlar. (Not: Burada, tam genel otonomi için gereken uzun kuyruk sorununu çözmek üzere araştırma ve gelişen teknolojileri tartışırken, günlük otonom sürüşün %99'unu çözme konusundaki mevcut yaklaşımımızı da derinlemesine ele alıyoruz.) GM, gözlerden uzak otoyol sürüşüne ve nihayetinde tamamen otonom araçlara doğru ilerlerken, uzun kuyruğu çözmek merkezi mühendislik zorluğu haline geliyor. Bu, en beklenmedik koşullarda mantıklı davranabilecek sistemler geliştirmeyi gerektiriyor. GM, bu zorluğu karşılamak için ölçeklenebilir sürüş yapay zekası inşa ediyor - otonom sistemleri, gerçek dünyada tek başına imkansız olacak bir ölçek ve hızda eğitmek için büyük ölçekli simülasyon, pekiştirme öğrenimi ve temel model tabanlı akıl yürütmeyi birleştiriyor. Uzun kuyruk için stres testi Otonom sürüşün uzun kuyruk senaryoları birkaç çeşitte gelir. Bazıları nadirlikleriyle dikkat çeker. Yolda bir yatak var. Bir yangın musluğu patlıyor. San Francisco'da trafik ışıklarını devre dışı bırakan büyük bir elektrik kesintisi, sürücüsüz araçların daha önce hiç deneyimlemediği zorluklarla başa çıkmasını gerektiriyordu. Bu nadir sistem düzeyindeki etkileşimler, özellikle yoğun kentsel ortamlarda, beklenmedik uç durumların nasıl ölçeklenebileceğini gösteriyor. Ancak uzun kuyruk zorlukları sadece bir ömürde bir kez karşılaşılan nadir olaylardan oluşmaz. Ayrıca, karakteristik olarak insana özgü nezaket veya sağduyu gerektiren günlük senaryolar olarak da ortaya çıkar. Kalabalık bir otoparkta trafiği engellemeden bir yer için nasıl sıraya girersiniz? Ya da işaret eden işçiler ve geçici tabelalarla yönlendirilerek bir inşaat alanında nasıl yol alırsınız? Bunlar bir insan sürücü için basit zorluklardır, ancak bir makinenin kusursuz bir şekilde başa çıkabilmesi için yaratıcı mühendislik gerektirir. Otonom sürüş senaryosu talep eğrisi Görsel dil modellerinin uygulanması GM'nin bu ince senaryolarla başa çıkmak için geliştirdiği bir araç, Görsel Dil Eylem (VLA) modellerinin kullanımıdır. İnternet ölçeğinde bilgi kullanarak görüntüleri anlamlandıran standart bir Görsel Dil Modeli ile başlayan GM mühendisleri, belirli sürüşle ilgili görevler için ince ayar yapmak üzere özel kodlama başlıkları kullanıyor. Ortaya çıkan VLA, araç hareketlerini anlamlandırabilir ve genel görüntü tanıma yeteneklerinin yanı sıra 3D nesneleri tespit edebilir. Bu ayarlanmış modeller, bir aracın bir polis memurunun el hareketinin kırmızı trafik ışığını geçersiz kıldığını tanımasını veya yoğun bir havaalanı terminalindeki "yükleme alanı"nın nasıl görünebileceğini belirlemesini sağlar. Bu modeller ayrıca mühendislerin ve güvenlik operatörlerinin bir manevranın neden gerçekleştiğini anlamalarına yardımcı olan akıl yürütme izleri üretebilir - hata ayıklama, doğrulama ve güven için önemli bir araçtır. Yüksek kaliteli simülasyonlarda tehlikeli senaryoları test etme Sorun şu ki: sürüş, anlık tepki süreleri gerektirir, bu nedenle herhangi bir fazla gecikme özellikle kritik bir sorun oluşturur. Bunu çözmek için GM, "Çift Frekanslı VLA" geliştiriyor. Bu büyük ölçekli model, yüksek düzeyde anlamsal kararlar almak için daha düşük bir frekansta çalışırken ("Yolda o nesne bir dal mı yoksa bir tuğla mı?"), daha küçük, son derece verimli bir model, anlık, yüksek frekanslı mekansal kontrolü (direksiyon ve frenleme) yönetir. Bu hibrit yaklaşım, aracın güvenli sürüş için gereken anlık tepki sürelerinden ödün vermeden derin anlamsal akıl yürütmeden faydalanmasını sağlar. Ancak bir uç durumla güvenli bir şekilde başa çıkmak, modelin sadece neye baktığını anlamasını değil, aynı zamanda tanımladığı zorluğun üstesinden mantıklı bir şekilde nasıl geleceğini de anlamasını gerektirir. Bunun için deneyimden daha iyi bir alternatif yoktur. Bu nedenle, her gün, milyonlarca yüksek kaliteli kapalı döngü simülasyonu gerçekleştiriyoruz;

Bilim & Teknoloji

30 Yıl Önce, Robotlar Düşmeden Yürümeyi Öğrendi

"İnsansı robot" terimini duyduğunuzda, Star Wars'taki insan-cyborg ilişkileri androidi C-3PO'yu düşünebilirsiniz. C-3PO, insanların robotlarla ve uzaylı türlerle iletişim kurmasına yardımcı olmak için tasarlanmıştır. 1977'de ekranda ilk kez görünen droid, karakterlerle birlikte maceralara katılarak yürümüş, konuşmuş ve çevresiyle insan gibi etkileşimde bulunmuştur. O dönemin çok ilerisindeydi. Star Wars'tan önce, birkaç android mevcuttu ve çevreleriyle etkileşimde bulunabiliyordu, ancak hiçbiri dengesini kaybetmeden bunu yapamıyordu. 1996'da, Japonya'da düşmeden yürüyebilen ilk otonom robot geliştirildi. Honda'nın Prototype 2 (P2) robotu neredeyse 183 santimetre boyunda ve 210 kilogram ağırlığındaydı. Dengesini korumak için duruşunu kontrol edebiliyor ve birden fazla eklemi aynı anda hareket ettirebiliyordu. Bu on yıllık başarı nedeniyle, P2 IEEE Milestone olarak onurlandırıldı. Adanmışlık töreni, Japonya'daki Mobility Resort Motegi'nin arazisinde bulunan Honda Collection Hall'da 28 Nisan'da yapılacak. Makine, Honda'nın insansı teknolojisinin evrimini sergileyen salonun robotik sergisinde sergileniyor. Milestone adaylığına destek vermek amacıyla IEEE Nagoya (Japonya) Bölümü üyeleri şunları yazdı: "Bu kilometre taşı, makinelerde insan benzeri hareketliliğin uygulanabilirliğini gösterdi ve robotikte yeni bir standart belirledi." Milestone önerisi, Mühendislik Teknolojisi ve Tarihi Wiki'sinde mevcuttur. Evde kullanılacak bir android geliştirmek için 1986'da Honda araştırmacıları Kazuo Hirai, Masato Hirose, Yuji Haikawa ve Toru Takenaka, insanlarla işbirliği yapacak bir "ev robotu" geliştirmeye karar verdiler. Araştırma makalelerine göre, bu robot merdiven çıkabilecek, yolundaki engelleri kaldırabilecek ve bir somunu anahtar ile sıkıştırabilecekti. "Ev içinde çalışan bir robotun tüketiciler için faydalı olabileceğini düşünüyoruz," yazdılar. Ancak ev işlerini yapacak bir makine yaratmak için, mobilya, merdiven ve kapı gibi engellerin etrafında hareket edebilmesi gerekiyordu. Araştırmacılara göre, insan gibi çevresini okuyup otonom olarak yürüyebilmeliydi. Ancak o dönemde hiçbiri bunu yapamıyordu. Teknologların ulaştığı en yakın şey, 1973'te Tokyo'daki Waseda Üniversitesi'nde inşa edilen WABOT-1'di. WABOT'un gözleri ve kulakları vardı, Japonca konuşabiliyordu ve nesneleri tutup hareket ettirirken ellerinde yer alan dokunsal sensörleri kullanıyordu. WABOT yürüyebiliyordu, ancak dengesiz bir şekilde, engellerin etrafında manevra yapamıyor ya da dengesini koruyamıyordu. Dış bir batarya ve bilgisayar ile çalışıyordu. Honda ekibi, bir android inşa etmek için insanların nasıl hareket ettiğini analiz ederek işe başladı ve kendilerini model olarak kullandı. Bu, robota insan benzeri boyutlar veren spesifikasyonlara yol açtı; bacak eklemlerinin yerleri ve bacakların ne kadar dönebildiği gibi. Ancak makineyi inşa etmeye başladıklarında mühendisler, her spesifikasyonu karşılamanın zor olduğunu buldular. Araştırma makalesine göre, robotun kalça, diz ve ayak bileği eklemlerinin sayısında ayarlamalar yapıldı. İnsanların dört kalça, iki diz ve üç ayak bileği eklemi vardır; P2'nin öncüsü üç kalça, bir diz ve iki ayak bileği eklemine sahipti. Kollar da benzer şekilde ele alındı. Bir insanın dört omuz ve üç dirsek eklemi, robotun üç omuz eklemi ve bir dirsek eklemi haline geldi. Araştırmacılar, robotun yürüyebilmesi için kalça, diz ve ayak bileklerine mevcut Honda motorları ve hidrolikleri yerleştirdi. Her eklem, kompakt ve yüksek tork kapasitesi sunan bir harmonik sürüş redüksiyon dişli sistemi ile çalışan bir DC motorla işletiliyordu. Fikirlerini test etmek için mühendisler, E0 adını verdikleri, sadece birbirine bağlı iki bacak olan bir robot inşa ettiler. Robot başarılı bir şekilde yürüdü, ancak her adımı atması yaklaşık 15 saniye sürdü ve düz bir çizgide statik yürüyüşle hareket etti. Araştırmacılara göre, robotun insan gibi yürüyebilmesi için birkaç algoritma geliştirildi. Kodlar, robotun sürekli hareket ederek ve dengesini ayarlayarak dik durmasını sağlayan dinamik yürüyüş mekanizmasını kullanmasına izin verdi. Honda'nın web sitesindeki bir videoya göre, "P2 sadece bir teknik başarı değildi; insansı robotik alanını ileriye taşıyan bir katalizördü ve robotların insanlarla anlamlı yollarla etkileşimde bulunma ve onlara yardım etme potans

Bilim & Teknoloji

IEEE 802.11bn'nin Wi-Fi 8 için Ultra Yüksek Güvenilirlik Sunma Yöntemleri

IEEE 802.11bn’in fiziksel ve MAC katmanı geliştirmelerini — dağıtılmış kaynak birimleri, geliştirilmiş uzun menzil, çoklu AP koordinasyonu ve kesintisiz dolaşım dahil — teknik bir keşfi, Wi-Fi 8’i tanımlıyor. Katılımcılar Neler Öğrenecek? Wi-Fi 8’in neden güvenilirliği ham veri aktarım hızından daha öncelikli hale getirdiğini anlayın — IEEE 802.11bn’in tasarım felsefesini zirve veri hızı kazançlarından ultra yüksek güvenilirliğe nasıl kaydırdığını öğrenin. Yeni fiziksel katman özelliklerinin uplink güç sınırlamalarını nasıl aştığını öğrenin — dağıtılmış kaynak birimlerinin tonları daha geniş dağıtım bant genişliklerine yayarak ton başına iletim gücünü artırmasını ve geliştirilmiş uzun menzil protokol veri birimlerinin güç artırılmış ön alanlar ve frekans alanı çoğaltması kullanarak uplink kapsama alanını nasıl genişlettiğini keşfedin. Gelişmiş MAC koordinasyonunun parazitleri ve gecikmeyi nasıl azalttığını inceleyin — koordineli beamforming, mekansal yeniden kullanım, zaman bölmeli çoklu erişim ve kısıtlı hedef uyku süreleri gibi çoklu erişim noktası koordinasyon şemalarını, ayrıca birincil olmayan kanal erişimi ve öncelikli geliştirilmiş dağıtılmış kanal erişimini gözden geçirin. Kesintisiz dolaşım ve güç yönetiminin yeni nesil dağıtımlar için ne anlama geldiğini keşfedin — kesintisiz hareketlilik alanlarının erişim noktası geçişleri sırasında yeniden ilişkilendirme gecikmelerini nasıl ortadan kaldırdığını ve dinamik güç tasarrufu ile çoklu bağlantı güç yönetiminin cihazların bağlantıyı kaybetmeden pil ömrü için yeteneklerini nasıl değiştirebileceğini öğrenin. Bu ücretsiz beyaz kitabı şimdi indirin!

Bilim & Teknoloji

Bir AI Kafesi Düzenlediğinizde Ne Olur

“Bir mülakat alabilir miyim?” “Mezun olduğumda iş bulabilir miyim?” Bu sorular, yapay zeka hakkında samimi bir tartışma sırasında öğrencilerden geldi ve birçok gencin bugün hissettiği kaygıyı yansıttı. Şirketler, yapay zeka destekli mülakat tarayıcılarını benimserken, iş gücünü yeniden yapılandırırken ve yapay zeka altyapısına milyarlarca dolar yönlendirirken, öğrenciler gelecekteki iş dünyasının nasıl olacağı konusunda giderek daha fazla belirsizlik yaşıyorlar. Auburn, Alabama'daki bir kahve dükkanında, AI Kafe adını verdiğimiz bir etkinlik için insanları bir araya getirdik. Etkinlik, yapay zeka ile ilgili endişeleri doğrudan ele almak, teknolojiyi gizeminden arındırmak ve artan teknolojik felaket anlatısına karşı koymak amacıyla tasarlandı. Yapay zeka, toplumu nefes kesici bir hızla yeniden şekillendiriyor. Ancak bu dönüşümün yönü, esasen kar amacı gütmeyen teknoloji şirketleri tarafından belirleniyor; bu şirketlerin öncelikleri kamu yararından çok piyasa hakimiyeti etrafında dönüyor. Birçok insan, yapay zekanın kendilerine bir şeyler yapıldığı bir şey olduğunu, onlarla birlikte geliştirilmediğini hissediyor. Auburn Üniversitesi'nde bilgisayar bilimi ve beşeri bilimler fakültesi olarak, başka bir yol olduğuna inanıyoruz: Akademisyenlerin topluluklarıyla yapay zeka hakkında samimi bir diyalog kurduğu bir yol. Teknik yetenekler hakkında ders vermek için değil, dinlemek, öğrenmek ve kamu yararına hizmet eden bir yapay zeka vizyonu oluşturmak için. AI Kafe Modeli Geçen Kasım ayında, Auburn'da iki kamuya açık AI Kafe etkinliği düzenledik. Bu etkinlikler, fakülte, öğrenciler ve topluluk üyeleri arasında yapay zeka ile ilgili deneyimlerini paylaştıkları 90 dakikalık gayri resmi sohbetlerdi. Bu konuşma forumlarında katılımcılar gruplar halinde oturdu, sorular çok yönlü olarak aktı ve yaşanmış deneyim, teknik uzmanlık kadar önem taşıdı. Jargon kullanmaktan kaçındık ve yanlış anlamaları “düzeltme” girişimlerine direnerek, ortaya çıkan her türlü duyguyu karşıladık. Bir temel kural kritik öneme sahipti: tartışmaları mevcut durumda tutmak, katılımcılara bugün yapay zeka ile nerede karşılaştıklarını sormak. Bu odak olmadan, sohbetler kolayca bilim kurgu spekülasyonlarına kayabilirdi. Baskı makinesi, elektrik ve akıllı telefonlar gibi tarihsel benzetmeler, insanların tepkilerini bağlamlandırmalarına yardımcı oldu. Ve yapay zeka hakkında ortak tanımlara sahip olmadan, insanların birbirlerini anlamakta zorlandığını gördük; katılımcılara endişe duydukları belirli araçları adlandırmalarını istemeyi öğrendik. Organizatörler Xaq Frohlich, Cheryl Seals ve Joan Harrell, ilk AI Kafe'lerini sıcak bir kahve dükkanında ve kitapçıda düzenledi. En Önemlisi, bu etkinliklere uzmanlar olarak değil, karmaşık değişimle birlikte yol alan topluluk üyeleri olarak yaklaştık. Dinleyerek Öğrendiklerimiz Katılımcılar önemli bir hayal kırıklığı ile geldiler. Bir katılımcının ifadesiyle, ticari çıkarların “kamusal ihtiyaçları dikkate almadan” yapay zeka gelişimini yönlendirdiğini hissettiler. Bu, sosyal medya algoritmalarının bölünmeyi artırmasından, “katılım” üzerinden kâr elde eden cihazlara ve anlamlı yüz yüze bağlantıları değiştiren teknolojilere kadar daha derin kaygıları yansıtıyordu. İnsanlar sadece “yapay zekadan korkmuyorlar.” Güçlü teknolojilerin hayatlarını yeniden şekillendirdiği bir kalıptan yorgun düşmüşlerdi. Ancak endişelerini dile getirmek için alan verildiğinde, bir şey değişti. Katılımcılar yapay zeka gelişimini durdurmak istemiyorlardı; bunun içinde bir ses sahibi olmak istiyorlardı. “İnsana odaklı bir yapay zeka geleceği nasıl olurdu?” diye sorduğumuzda, sohbet yapıcı hale geldi. İnsanlar önceliklerini ifade ettiler: verimlilikten çok adalet, otomasyondan çok yaratıcılık, kolaylıktan çok onur, bireycilikten çok topluluk. Alabama'nın Auburn Üniversitesi'nde profesör olan üç organizatör, beşeri bilimler alanından insanların dahil edilmesinin yapay zeka tartışmalarına yeni bakış açıları getirdiğini söylüyor. Biz organizatörler için bu deneyim dönüştürücüydü. Yapay zekanın insanların işlerini, çocuklarının eğitimini ve bilgiye olan güvenlerini nasıl etkilediğini duymak, tam olarak kavrayamadığımız boyutları düşünmemize neden oldu. Belki de en çarpıcı olanı, katılımcıların duyuldukları için ifade ettikleri minnettarlık oldu. Bu, bilgi eksikliklerini doldurmakla ilgili değildi; karşılıklı öğrenme ile ilgiliydi. Oluşan güven, kamu yararına hizmet ed