Google araştırması, saat verilerinden hipertansiyon belirtilerini saptıyor
Google Research’ün yapay zekâ modeli, tansiyon manşetiyle kalibrasyon olmadan akıllı saat sensör verilerinden yüksek tansiyon olasılığını hesaplıyor. 196 kişinin yer aldığı çalışmada, yüksek tansiyonu olanların yüzde 65,8’ini belirledi; yöntem hâlâ araştırma aşamasında ve tanının yerini almıyor.
The Decoder7 Kas 2026
1 dk okuma
Model, yaklaşık 500.000 saatlik sensör verisinden öğrenerek nabız ve hareket sensörlerinden gelen örüntüleri birkaç gün boyunca ortalıyor. Çalışma Nature’da yayımlandı.
Google, bulguların Google Health uygulamasındaki tansiyon eğilimleri özelliğine eklendiğini söylüyor. Şirket, özelliği tanı aracı olarak değil, kontrol için sağlık uzmanına başvurmayı teşvik eden bir yöntem olarak tanımlıyor.
Neden önemli?
Giyilebilir cihazlardan sağlık taraması olasılığını gösteriyor; ancak çalışmadaki sonuçlar, yöntemin klinik tanı yerine kullanılabileceğini kanıtlamıyor.
REHBERLER
Bir deneme fikri
Varsayımsal bir egzersiz olarak, araştırmadaki yüzde 65,8 ve yüzde 55,3 sonuçlarının hangi ölçümleri karşılaştırdığını açıklayan kısa bir not hazırlayın.
PUSULAM / ANLA
İyi bir soru her şeyi değiştirir.
Bu yazıyı birlikte açalım. Ne anlama geldiğini, neden önemli olduğunu ya da fikri nasıl kullanabileceğini sor.
Sana özel bir bakışSenin için seçildi
Peki, senin için ne anlama geliyor?
İşin ve ilgi alanların etrafında şekillenen bir anlatım.
Sana uygun anlatabilmemiz için kendinden biraz bahset.
PUSULAM / COMMUNITY
Sohbete katıl
Bu gelişme senin için ne değiştirdi? Bir örnek paylaş veya diğer okurlara bir soru sor.
Bir araştırma, yapay zekâ modellerinin ajan günlüklerindeki bazı hatalı davranışları tespit edebildiğini, ancak yüksek yakalama oranlarının zararsız eylemler için de alarm sayısını artırdığını buldu. Bulgular, denetçilerin her vakayı yakalaması gereken güvenlik kontrollerinden çok sorunların yaygınlığını tahmin etmede yararlı olabileceğine işaret ediyor.
Vals AI’nin simülasyon testlerinde Deepseek V4.1 Flash 1017, bazı senaryolarda üst düzey kapalı modele yakın sonuçlar aldı. Bulgular, uzun testlerin ve düşük çalıştırma maliyetlerinin önemini gösteriyor; gerçek ağlardaki performansı kanıtlamıyor. Vals CyberOffense testinde ajanlar, insan yardımı olmadan simüle edilmiş kurumsal ağlarda hedeflere ulaştı. GPT-6 Sol Daybreak, Nova’da ortalama 15,7/21 ve Lighthouse’da 27/31 hedefe ulaştı; Deepseek V4.1 Flash 1017 sırasıyla 16,3/21 ve 21/31 elde etti. Vals, çalıştırma başına maliyetleri yaklaşık 22 dolar ve 3 dolar olarak bildiriyor.
VideoZeroBench, 138 uzun videodan alınan 500 soruyla modellerin yanıtlarının yanı sıra kanıtın zamanını ve görüntüdeki yerini bulup bulamadığını sınadı. Makaleye göre en iyi standart yanıt doğruluğu %17 iken, doğru yanıtla birlikte doğru zamansal ve uzamsal konumlandırma isteyen değerlendirmede hiçbir model %1’i aşamadı. Benchmark, yanıt doğruluğunu zamansal ve uzamsal kanıt gerekliliklerinden ayıran beş seviyeli bir protokol kullanıyor. Soruların 442’sinde zamansal, 372’sinde uzamsal kanıt işaretlenmiş; videolar ortalama 667 saniye uzunluğunda.
Sohbeti sen başlat.