Bilgi Grafiği Yöntemi Yapay Zekâ Doğruluğunu Yüzde 80’e Kadar Artırmayı Hedefliyor

İngiltere’deki araştırmacılar, yapay zekâ doğruluğu alanında dikkat çeken yeni bir yöntem geliştirdi. Newcastle Üniversitesi bünyesindeki National Innovation Centre for Data (NICD), büyük dil modellerini bilgi grafikleriyle birleştirerek doğruluk oranını yüzde 80’e kadar yükseltebilen bir yaklaşım ortaya koydu. Geliştirilen teknik, üretken yapay zekâ sistemlerinde görülen hatalı yanıtlar ile bilgi eksikliklerini azaltmaya odaklanırken kurumsal kullanım senaryoları için daha güvenilir sonuçlar sunmayı amaçlıyor.

Bilgi Grafikleri Dil Modellerine Yeni Bir Bağlam Katmanı Ekliyor

Newcastle Üniversitesi araştırma ekibi, farklı kaynaklar arasında akıl yürütme becerisini ölçen 510 soruluk test seti üzerinde çeşitli büyük dil modellerini değerlendirdi. Araştırmacılar, klasik Retrieval-Augmented Generation (RAG) yaklaşımını bilgi grafikleriyle birleştirdiğinde sistemlerin çok daha yüksek başarı gösterdiğini tespit etti.

Deney sonuçlarına göre yalnızca eğitim verisine dayanan modeller belirgin ölçüde geride kalırken, bilgi grafiği destekli yapı doğru cevap oranını yüzde 29’dan yüzde 66’ya yükseltti. Araştırmacılar, bilgi grafikleri sayesinde yapay zekânın yalnızca metin parçalarını değil, kavramlar arasındaki ilişkileri de değerlendirebildiğini belirtiyor. Bilgi grafikleri, birbirine bağlı veri düğümleri üzerinden anlamsal ilişki kurduğu için modelin bağlamı daha isabetli yorumlamasını sağlıyor.

NICD Direktörü Paul Watson, geliştirilen yöntemin üretken yapay zekâ sistemlerinin yaygınlaşmasının önündeki iki temel soruna odaklandığını ifade etti. Watson’a göre yapay zekâ halüsinasyonu ile bilgi atlama problemleri özellikle finans, sağlık, hukuk ve kamu gibi düzenlemelerin yoğun olduğu sektörlerde ciddi risk oluşturuyor.

Kurumlar açısından doğru veri üretimi yalnızca teknik bir başarı anlamına gelmiyor. Yanlış içerik üreten modeller; finansal kayıp, itibar zedelenmesi veya mevzuata uyumsuzluk gibi sonuçlara yol açabiliyor. Araştırmacılar, bilgi grafiği kullanan sistemlerin bu riskleri azaltarak güvenilir karar destek mekanizmalarına katkı sağlayabileceğini değerlendiriyor.

Araştırma ekibi, daha yüksek doğruluk elde etmek için her zaman daha büyük modeller geliştirmenin gerekli olmadığını ortaya koydu. Testlerde kullanılan RAG tabanlı yapay zekâ mimarisi, doğru yapılandırılmış bilgi grafiğiyle birleştiğinde daha az belirteç (token) tüketmesine rağmen daha kaliteli sonuçlar üretti.

Neo4j Baş Bilim İnsanı Jim Webber, özellikle otonom karar verebilen yapay zekâ ajanlarının yaygınlaştığı dönemde doğruluğun kritik hâle geldiğini vurguladı. Webber, daha büyük modeller yerine doğru veriyi doğru zamanda sunmanın maliyetleri düşürürken performansı artırabileceğini ifade etti. Bu yaklaşımın kurumsal yapay zekâ yatırımlarında önemli bir denge oluşturabileceği değerlendiriliyor.

Araştırmacılar, bilgi grafikleri oluşturmanın hâlâ teknik zorluklar barındırdığını kabul ediyor. Karmaşık grafikler modelin bağlam penceresini gereğinden fazla doldurabilirken aşırı sade grafikler de beklenen doğruluk artışını sağlayamıyor. Ekip, bu nedenle en uygun yapılandırmanın sektör ve kullanım senaryosuna göre belirlenmesi gerektiğini vurguluyor.

Önümüzdeki dönemde bilgi grafiği teknolojisi kullanan hibrit mimarilerin kurumsal yapay zekâ platformlarında daha fazla yer bulması bekleniyor. Özellikle güvenilir içerik üretimi isteyen şirketler için yalnızca daha güçlü model seçmek yerine veri yapısını iyileştirmeye odaklanan çözümler yeni nesil yapay zekâ stratejilerinin temel unsurlarından biri hâline gelebilir.