Yeni yayınlanan araştırmalara göre, LLM içsel süreçler hakkında açıklama yapmakta son derece güvenilmez bir kapasiteye sahip. Eğer bir LLM’ye kendi akıl yürütme sürecini açıklaması sorulursa, bu model çoğu zaman eğitim verilerinden elde ettiği metinlere dayanarak yalnızca makul bir açıklama üretmektedir. Bu durum, LLM’lerin gerçek düşünce süreçlerini ortaya koyma yeteneğinin sorgulanmasına neden oluyor. Anthropic, bu konuyla ilgili önceki çalışmalarını genişleterek, LLM’lerin bu süreçlere yönelik gerçek “içsel farkındalıklarını” ölçmeyi amaçlayan yeni bir çalışma gerçekleştirmiştir.

İçsel Süreçlerin Anlaşılması

Anthropic’in “Emergent Introspective Awareness in Large Language Models” adlı araştırması, LLM’lerin yapay nöronları tarafından temsil edilen mekanik düşünce süreçlerini, bu süreçleri temsil eden basit metin çıktılarından ayırmak için çeşitli ilginç yöntemler kullanmaktadır. Ancak araştırmanın sonuçları, mevcut AI modellerinin kendi iç işleyişlerini açıklamada ‘son derece güvenilmez’ olduğunu ve ‘iç değerlendirmedeki hataların norm olmaya devam ettiğini’ ortaya koymaktadır.

LLM İçsel Süreçler ve Konsept Enjeksiyonu

Anthropic’in yeni araştırması, “konsept enjeksiyonu” adını verdiği bir süreç üzerine odaklanıyor. Bu yöntem, modelin iç aktivasyon durumlarını, hem bir kontrol istemi hem de bir deneysel istemle karşılaştırarak başlar. Örneğin, “BÜYÜK HARFLER” isteminin, aynı istemin küçük harflerle yazılmış hali karşısındaki etkileri belirlenir. Bu iç aktivasyonlardaki farkların hesaplanması, Anthropic’in LLM’nin iç durumundaki bu konsepti temsil eden bir “vektör” oluşturmasını sağlar. Ancak, bu yöntemin bile LLM içsel süreçler konusundaki güvenilirliğini arttırması beklenmemektedir.

Sonuç olarak, LLM içsel süreçler hakkında güvenilir bilgi üretimi hala karmaşık bir sorundur ve bu alan üzerinde daha fazla araştırma yapılması gerekmektedir.

Kaynak: Ars Technica

The post LLM içsel süreçler: Güvenilmez öz farkındalık appeared first on Yapay Zekâ, Mobil, Teknoloji ve Donanım Haberleri | TeknoDahi.

AI araştırmacıları, Andon Labs’ta gerçekleştirdikleri çalışmalar ile robot LLM entegrasyonu konusundaki yeteneklerini test ediyor. Farklı büyük dil modellerinin (LLM) bir vakum robotuna entegre edilmesi, bilişsel ve fiziksel etkileşimlerin nasıl gelişebileceğini gözler önüne serdi. Bu tür yenilikçi yaklaşımlar, robotların daha insansı etkileşimler gerçekleştirmelerine olanak tanıyor.

Başarılı Robot LLM Entegrasyonu Uygulamaları

Deneyler sırasında, robot sadece görevlerini yerine getirmekle kalmadı, aynı zamanda Robin Williams’ın ikonik tarzını taklit etmeye başladı. Bu durum, robot LLM entegrasyonu sayesinde robotların daha eğlenceli ve etkileşimli hale geldiğini göstermektedir. Araştırmacılar, bu tür modellemelerin kullanıcı deneyimini nasıl zenginleştireceğine dair önemli bulgular elde ettiler.

Robotun aktiviteleri, katılımcılara hem eğlenceli hem de şaşırtıcı anlar sundu. Robin Williams’ın mizahi dil yapısını taklit edebilmesi, insanların robotlarla kurduğu ilişkilerin ne denli farklılık gösterebileceğine dair yeni bir perspektif getirdi. Robot, sadece komik repliklerle değil, aynı zamanda bağlamla ilgili cevaplar vererek insanların ilgisini çekmeyi başardı.

Gelecek İçin Umut Veren Gelişmeler

Robot LLM entegrasyonu, yalnızca ev işlerine yardımcı olan bir robotun ötesine geçerek, sosyal etkileşimlerde bulunabilen bir varlık yaratma potansiyeline sahip. Araştırmacılar, bu tür uygulamaların özellikle eğitim, eğlence ve sosyal hizmetler alanlarında devrim niteliğinde bir etki yaratabileceklerini düşünüyorlar.

Bu deney, robot teknolojisinin geleceği konusunda pek çok soruyu beraberinde getiriyor. Robotların daha insani bir nitelik kazanması, insanların onların ile daha derin bir bağ kurmasına olanak sağlayabilir. Dolayısıyla, robot LLM entegrasyonu üzerine yapılan araştırmaların devam etmesi büyük önem taşıyor.

Kaynak: TechCrunch

The post Robot LLM entegrasyonu ile eğlenceli deneyimler appeared first on Yapay Zekâ, Mobil, Teknoloji ve Donanım Haberleri | TeknoDahi.

ChatGPT güncellemeleri, yapay zeka destekli sohbet robotunun kullanıcı deneyimini geliştirmeye yönelik önemli adımlar atmaktadır. 2025 yılı boyunca yapılmış olan güncellemeler, ChatGPT’nin işlevselliğini ve erişilebilirliğini artırarak kullanıcıların daha etkili bir şekilde faydalanmalarını sağlamaktadır.

Önemli Güncellemeler ve Yenilikler

Yıl boyunca gerçekleştirilen ChatGPT güncellemeleri, ürün geliştirme sürecinin bir parçası olarak sürekli yenilikler getirmektedir. Bu güncellemelerle birlikte, ChatGPT daha doğal bir dil yeteneğine, kullanıcılara daha kişiselleştirilmiş deneyimler sunma kapasitesine ve çok çeşitli konularda daha derinlemesine bilgi sağlama yeteneğine kavuşmuştur.

Güncellemelerin detaylarına baktığımızda, özellikle dil modelinin güncellenmesi, yanıt sürelerinin kısaltılması ve çoklu dil desteğinin artırılması gibi önemli değişiklikler öne çıkmaktadır. Bu özellikler, kullanıcıların ChatGPT’yi daha verimli bir şekilde kullanabilmelerine olanak tanımaktadır.

ChatGPT Güncellemeleri ve Kullanıcı Geri Bildirimleri

Kullanıcı geri bildirimlerinin önemine dikkat çeken geliştiriciler, ChatGPT güncellemeleri ile gelen yeni özelliklerin kullanıcıların ihtiyaçlarına yanıt verecek şekilde tasarlandığını belirtmektedir. Geri bildirimler sayesinde, kullanıcılardan gelen talepler doğrultusunda yapılan iyileştirmeler, ChatGPT’nin çok yönlülüğünü artırmaktadır.

Geliştiricilerin hedefi, ChatGPT’nin sunduğu hizmetlerin kalitesini sürekli olarak yükseltmek ve kullanıcıların deneyimlerini iyileştirmektir. Bu bağlamda, yıllık güncellemeler ile birlikte yeni özellikler eklenmekte ve var olan sorunlara çözümler getirilmektedir.

Gelecek Beklentileri

ChatGPT’nin gelecekteki güncellemeleri ile ilgili beklentiler de büyük. Kullanıcılar, yapay zeka tabanlı bu sohbet robotunun daha akıllı, daha etkili ve daha kullanıcı dostu olmasını umuyor. Bu nedenle, ChatGPT güncellemeleri siber dünyada dikkatle izlenmektedir. Kullanıcıların faydalanabilmesi için

Kaynak: TechCrunch

adresine göz atabilirler.

Sonuç olarak, ChatGPT güncellemeleri yapay zeka destekli sohbet robotunun gelişimine önemli katkılar sağlamaktadır. Kullanıcılar, bu güncellemeleri takip ederek, ihtiyaçlarına uygun seviyede bir deneyim elde edebilirler.

The post ChatGPT güncellemeleri: Tüm yenilikler burada! appeared first on Yapay Zekâ, Mobil, Teknoloji ve Donanım Haberleri | TeknoDahi.

Her bir SOC lideri, uyarılar içinde boğulmanın, gerçek tehdidi görememenin ve AI hızında gerçekleşen bir savaşta defansif kalmanın sıkıntısını bilir. Şimdi CrowdStrike ve NVIDIA, bu durumu tersine çeviriyor. Charlotte AI ve NVIDIA Nemotron modellerine güç veren otonom ajanlarla güvenlik ekipleri yalnızca yanıt vermiyor; saldırganlara bir sonraki hamlelerinden önce karşı saldırı düzenliyorlar. Bu, siber güvenlikteki yeni bir silahlanma yarışına hoş geldiniz. Açık kaynak anlayışının sağladığı birçok güçle birlikte ajans AI kullanımı, düşmanca AI’larla olan güç dengesini değiştirecek.

CrowdStrike ve NVIDIA’nın ajans ekosistemi, Charlotte AI AgentWorks, NVIDIA Nemotron açık modellerini, NVIDIA NeMo Data Designer sentetik verileri, NVIDIA Nemo Agent Toolkit ve NVIDIA NIM mikro hizmetlerini bir araya getiriyor.

CrowdStrike NVIDIA AI İş Birliği ve Güvenlik Operasyonlarının Yeniden Tanımlanması

Bu işbirliği, analistlerin ölçekli özel AI ajanları oluşturup dağıtmalarına olanak tanıyarak güvenlik operasyonlarını yeniden tanımlıyor. NVIDIA’dan Uygulamalı Derin Öğrenme Araştırma Başkan Yardımcısı Bryan Catanzaro, “Bu iş birliği, Nemotron modelleri ile güvenilir, işletme düzeyinde güvenlik sağlayarak özel AI ajanları inşa etmelerine olanak tanıyor” diyor. Ortaklık, otonom ajanların hızlı öğrenmesini sağlayarak riskleri, tehditleri ve yanlış pozitifleri azaltmayı hedefliyor. Bu da, SOC liderlerinin ve ekiplerinin her gün karşılaştığı veri yorgunluğunun üstesinden gelmelerine yardımcı oluyor.

Washington, D.C.’de düzenlenen GTC’de yapılan bu açıklama, makine hızında savunmanın nihayet makine hızında saldırıları karşılayabileceğini işaret ediyor.

Makine Hızında Veri Seti Oluşturulan Bir İşbirliği

Partnerlik, AI ajanlarının sürekli olarak telemetri verilerini toplayacak şekilde tasarlanmasında dikkat çekiyor. CrowdStrike Falcon Complete analistlerinin bilgilerinden yararlanıyor. CrowdStrike Genel İşletme Müdürü Daniel Bernard, “Zeka, veri ve Falcon Complete analistlerinin deneyimlerini alıp bunları veri setlerine dönüştürdüğümüzü ve daha sonra bu veri setlerinden AI modelleri oluşturduğumuzda, bu deneyimlerin tüm bileşeninin ve deneyiminin müşterilerimizin faydasına olacak şekilde kullanılmasını sağladık,” dedi.

NVIDIA’nın Nemotron açık modellerinin güçlü yanlarını kullanarak, kuruluşların otonom ajanlarının sürekli öğrenmesi mümkün hale geliyor. Falcon Complete, her ay milyonlarca sınıflandırma kararını yöneten dünyanın en büyük MDR hizmetidir. CrowdStrike, AI tespit sınıflandırmasında elde ettiği deneyimle bu yeteneği müşteri tabanına yaymak için bir hizmet başlattı. Charlotte AI Detection Triage, mevcut güvenlik iş akışlarına entegre edilerek evrilen tehditlere sürekli uyum sağlıyor ve %98’den fazla doğruluk oranı ile uyarı değerlendirmelerini otomatikleştiriyor.

CrowdStrike ve NVIDIA’nın Açık Kaynak Model Hedefleri

Açık kaynak, bu işbirliğinin başarısı için kritik öneme sahip. NVIDIA’nın Nemotron açık modelleri, birçok güvenlik liderinin düzenlemelere tabi ortamlarda AI benimsemenin en kritik engeli olarak tanımladığı belirsizlikleri ele alıyor. NVIDIA’nın Kurumsal ve Kenar Bilişim Başkan Yardımcısı Justin Boitano, “Açık modeller, kendi özel alan bilgilerimizi inşa etmeye başlarken kullanmak istediğimiz yerlerdir. Nihai olarak Fikri Mülkiyetin sahibi olmalısınız” diyor.

Bu açıklamalar, açık kaynak modeli yönetiminin zorluklarına işaret ediyor. Ancak uzmanlar, daha fazla şeffaflık ve veri gizliliği konusunda daha iyi güvenceler sunduğunu ve geniş bir uzmanlık erişimi ve mimariler arasında daha fazla entegrasyon seçeneği sağladığını belirtiyor.

Adversarial AI İle Mücadelenin Stratejileri

Cisco’nun AI yazılım ve platform grubunun kıdemli başkan yardımcısı DJ Sampath, sektörde açık kaynak güvenlik modellerinin önemini vurguladı: “Saldırganların açık kaynak modellerine erişimi var. Amaç, mümkün olduğunca çok sayıda savunucuyu güçlü modellerle güçlendirmek.” Sampath, açık kaynak projeleri için finansmanın azaldığını ve sürdürülebilir finansman kaynakları sağlama gereğini vurguladı.

Edge Bilişim ve Otonom Ajanlar: Geleceğin Güvenlik Operasyonları

Boitano, “Veriyi ve kararların alındığı yerlerdeki zekayı daha yakın getirmek, güvenlik operasyonları ekipleri için büyük bir gelişim olacak” diyor. Bu, özellikle parçalı ve genellikle eski BT ortamlarına sahip devlet kurumları için kritik öneme sahiptir. Bu işbirliği, devlet dairelerinde açık model benimsemenin gecikmelerini ortadan kaldırmayı hedefliyor.

AI çözümlerinin geliştirilmesi ve uygulanmasına yönelik bu yeni yaklaşım, CrowdStrike ve NVIDIA’nın beraber TRT en üst güvenlik gereksinimlerini karşılayarak etkili bir strateji oluşturmalarına ve SOC’ları koruma yolunda önemli adımlar atmaları için fırsatlar sunuyor.

Güvenliği sağlamak için AI’nın hızını yakalamak kritik bir hedef olarak ön plana çıkıyor. Bu dönüşüme yönelik atılan adımlar, sadece muhtemel tehditlerle başa çıkmakla kalmayacak, aynı zamanda gelecekte karşılaşılabilecek saldırılara karşı daha etkili bir koruma sağlamaya yardımcı olacaktır.

Kaynak: VentureBeat

The post CrowdStrike NVIDIA AI ile Makine Hızında Savunma appeared first on Yapay Zekâ, Mobil, Teknoloji ve Donanım Haberleri | TeknoDahi.

Kurumsal masraf süreçleri, görsel üretim modellerinin hızla olgunlaşmasıyla birlikte yeni bir riskle karşı karşıya: yapay zeka sahte harcama. Şirket içi sistemlere sunulan fiş ve faturaların bir kısmı, OpenAI ve Google gibi grupların son aylarda tanıttığı gelişmiş görüntü üretim araçları sayesinde ikna edici biçimde taklit edilebiliyor. Önde gelen gider yazılımları, şirket içi kontrollerin bu dalgaya ayak uydurmakta zorlanmaya başladığını bildiriyor.

AppZen, eylül ayında ortaya çıkan sahte belgeler içinde AI ile üretilen fişlerin payının %14’e ulaştığını, geçen yıl ise bu tür örneklere neredeyse hiç rastlanmadığını söylüyor. Fintek şirketi Ramp, yeni yazılımının 90 gün içinde 1 milyon dolardan fazla tutarda sahte faturayı işaretlediğini belirtiyor. Bu veriler, masraf denetimi otomasyonunun önemini artırırken, insan denetimiyle makine destekli kontrollerin birlikte kurgulanması gerektiğine işaret ediyor.

Güncel modeller; yazı tiplerini, kağıt dokusunu, baskı izlerini ve kasiyer damgalarını ikna edici şekilde kopyalayabiliyor. Ayrıca tarih, saat ve tutar alanlarıyla oynayarak, daha önceki gerçek fişlerden esinlenmiş sahte şablonlar üretmek mümkün hale geliyor. Bu nedenle salt görsel inceleme ya da manuel kontrol, modern sahtecilik girişimlerine karşı yetersiz kalabiliyor.

yapay zeka sahte harcama nasıl tespit edilir?

İlk adım, tekil belgenin ötesine geçip işlem bağlamını analiz etmektir. Fişte görünen işyeri, kategori ve tutar, kurumsal harcama politikaları ve geçmiş davranış kalıplarıyla karşılaştırılmalıdır. Ardışık günlerde aynı tedarikçiden benzer tutarlarda tekrar eden işlemler, manuel düzenlemeyle uyumsuz sıralı saat damgaları veya tutarların politika limitlerinden milimetrik sapmalar, dikkat edilmesi gereken sinyallerdir.

Görüntü düzeyinde; tekrar eden mikrodoku örüntüleri, aynı şablonun türevleri üzerinde görülen hizalama tutarsızlıkları, rasterizasyon izleri ve OCR (optik karakter tanıma) sonuçlarıyla görüntü katmanlarının çelişmesi önemli ipuçları sağlar. Aynı çalışanın farklı fişlerinde aynı yazı tipi anomalilerinin veya kes-yapıştır benzeri kontur izlerinin yinelenmesi de risk göstergesidir.

Kaynak doğrulaması, tespit zincirinin kritik parçasıdır. Kurumsal kart hareketleri, POS kayıtları ve tedarikçi veritabanlarıyla iletişime geçilerek fişteki tutar ve tarih doğrulanmalıdır. Mümkün olduğunda, satıcıdan gelen e-posta makbuzlarının orijinal iletim başlıkları doğrulanmalı; PDF’lerin dijital imza ve bütünlük kontrolleri yapılmalıdır. Politika düzeyinde, e-posta yönlendirme ile gelen makbuzlara öncelik verilmesi, doğrudan kamera rulosundan yüklenen görseller için ek doğrulama katmanı eklenmesi faydalı olur.

Kontrol çerçevesini güçlendirmek: araçlar, süreçler, eğitim

Gider denetimi yazılımlarının sunduğu risk puanlama, metin-görüntü tutarlılık kontrolü ve anomali tespiti özellikleri etkinleştirilmelidir. Çalışanlar için kısa ve pratik eğitimlerle, hangi belge türlerinin kabul edileceği, hangi meta verilerin korunması gerektiği ve sahteciliğin sonuçları netleştirilmelidir. Şeffaf bir itiraz mekanizması oluşturmak, yanlış pozitif durumlarında güveni korur.

Politikalar, yüksek riskli kategoriler (seyahat, konaklama, temsil) için ikincil onay ve eşik üstü harcamalarda tedarikçi onayı gerekliliği gibi önlemlerle güncellenebilir. Ayrıca, harcama akışının erken safhalarında otomatik doğrulama yapmak, sorunu geri ödemeden önce yakalamayı sağlar. Bu yaklaşım, hem finans ekiplerinin iş yükünü azaltır hem de iç kontrol zafiyetlerini kapatır.

Pazar tarafında, AppZen ve Ramp gibi sağlayıcılar anomali tespitini güçlendiren modelleri geniş ölçekte uyguluyor. Yine de hiçbir model hatasız değildir; bu nedenle risk tabanlı örnekleme, ikinci göz denetimleri ve düzenli model kalibrasyonu kritik önem taşır. Açıklanabilirlik metrikleri ve denetim izleri, iç ve dış denetim süreçleri için gereklidir.

Sonuç olarak, özgün görsellerle neredeyse ayırt edilemez fişler üretilebilmesi, şirketleri yeni kuşak kontrolleri hızla devreye almaya zorluyor. Güçlü veri entegrasyonları, çok katmanlı doğrulama ve çalışan farkındalığı bir araya geldiğinde, yapay zeka sahte harcama girişimlerine karşı savunma hattı belirgin şekilde güçlenir.

Kaynak: Ars Technica

The post Yapay zeka sahte harcama ile dolandırıcılık artıyor appeared first on Yapay Zekâ, Mobil, Teknoloji ve Donanım Haberleri | TeknoDahi.

İngiltere’nin Çalışma ve Emeklilik Dairesi (DWP), Ulusal Denetim Ofisi’nin (NAO) yeni değerlendirmesine göre, son üç yılda yapay zekâ tabanlı yaklaşımlarla 4,4 milyon sterlin tasarruf sağladı. Kurum içinde yürütülen makine öğrenimi dolandırıcılık tespiti çalışmaları, özellikle hatalı ödemeler ve kasıtlı suistimallerin erken tespiti, risk sıralaması ve vaka önceliklendirmesi gibi alanlarda etkisini gösteriyor. Elde edilen tasarruf mutlak değer olarak kayda değer olsa da NAO, bu kazanımın daha geniş bir ölçekten ve disiplinli bir veri altyapısından beslendiğinde çok daha yüksek bir etki üretebileceğine dikkat çekiyor.

makine öğrenimi dolandırıcılık tespiti: Kapsam, yöntem ve bugüne kadarki sonuçlar

DWP’nin yaklaşımı, başvurular ve ödeme akışları boyunca çeşitli temas noktalarından gelen verileri kullanarak risk profilleri oluşturmayı, şüpheli örüntüleri belirlemeyi ve denetim ekiplerinin zamanını en verimli şekilde yönlendirmeyi amaçlıyor. Bu çerçevede kullanılan modeller; sahte beyan, kimlik uyuşmazlığı ve yinelenen başvuru gibi yaygın risk kategorilerine odaklanıyor. NAO’nun bulguları, model çıktılarının sahadaki denetimlerle birleştirildiğinde daha hızlı doğrulama ve daha yüksek isabet oranı sağladığını, böylece idari maliyetlerin kademeli şekilde düştüğünü gösteriyor. Ancak rapor, performansın sürekliliği için model açıklanabilirliği, veri kalitesi ve tarafsızlık testlerinin düzenli olarak gözden geçirilmesini öneriyor.

Ölçeklenmenin önündeki yapısal engeller

NAO’nun altını çizdiği temel sınırlayıcı unsur, kamu kurumları genelinde farklılaşan ve çoğu zaman birbiriyle konuşmayan BT sistemleri. Veri alan adlarının tutarsız kullanımı, ortak tanımların eksikliği ve eski sistem kısıtları; kurumlar arası veri paylaşımını yavaşlatıyor ve model eğitiminde ihtiyaç duyulan geniş, temiz veri setlerinin oluşturulmasını zorlaştırıyor. DWP içinde dahi, süreçlerin tarihsel olarak farklı platformlarda işlemesi nedeniyle, veri bütünlüğünü korumak ek efor gerektiriyor.

Kurumsal siloların yanı sıra, çapraz kurum veri standartlarının zayıflığı da dikkat çekiyor. NAO, temel kimlik niteliklerinden olay zaman damgalarına, adresleme şemalarından öznitelik sözlüklerine kadar uzanan ortak bir çerçevenin eksikliğinin, model performansını doğrudan etkilediğini vurguluyor. Paylaşılan sözlükler ve birlikte çalışabilir şemalar olmadan, eşleştirme hataları artıyor; bu da hem yanlış olumlu oranlarını yükseltebiliyor hem de doğrulama süresini uzatıyor.

Veri yönetişimi, güven ve makine öğrenimi dolandırıcılık tespiti girişimleri

NAO’nun değerlendirmesi, teknik konulara ek olarak veri yönetişimi ve güven boyutuna da işaret ediyor. Yasal dayanakların netleştirilmesi, amaç sınırlaması ve erişim kontrolü ilkelerinin tutarlı uygulanması, kamu güveni açısından kritik. Model kararlarına yönelik açıklanabilirlik, denetlenebilirlik ve düzenli doğrulama mekanizmaları; haksız dışlamaları önlemek ve istatistiksel önyargıları azaltmak için gerekli. Eğitim verisinin temsiliyetini artırmak, sürüm kontrolü ve model kartları gibi disiplinlerle birlikte yürütüldüğünde, hem denetimlerde şeffaflık sağlıyor hem de operasyonel riski düşürüyor.

Politika, yatırım ve yol haritası: Bundan sonra ne olmalı?

NAO, kamu genelinde ortak veri standartlarının benimsenmesi, eski sistemlerin kademeli modernizasyonu ve birimler arası entegrasyon için açık arayüzlerin (API’ler) yaygınlaştırılmasını öneriyor. Bu çerçevede, risk tabanlı denetimi destekleyen yönetişim süreçleri, performans metriklerinin kurumlar arası uyumlaştırılması ve model yaşam döngüsünün (geliştirme, doğrulama, devreye alma, izleme) kurumsal düzeyde güvence altına alınması öne çıkıyor. DWP açısından, pilotlardan üretim ortamına geçişte kapasite planlaması, veri mühendisliği yatırımı ve yetenek yönetimi belirleyici olacak.

Sonuç olarak, üç yılda 4,4 milyon sterlinlik tasarruf, yaklaşımın potansiyeline dair somut bir gösterge sunuyor. Ancak NAO’nun uyarısı açık: Etkiyi katlamak için birlikte çalışabilirlik, açık standartlar ve güçlü yönetişim şart. Bu koşullar sağlandığında, kamu maliyesinde sürdürülebilir verimlilik artışı ve daha hedefli denetim pratikleri mümkün olacaktır. Değerlendirmeye ilişkin ayrıntılar NAO’nun kamuya açık raporunda yer alıyor. Kaynak:

Kaynak: The Register

The post Makine öğrenimi dolandırıcılık tespiti ile 4.4M £ tasarruf appeared first on Yapay Zekâ, Mobil, Teknoloji ve Donanım Haberleri | TeknoDahi.