Sakarya Üniversitesi Disiplinlerarası Yapay Zeka Laboratuvarı (AiLab)
Yapay zekayı bilgisayar bilimlerinin dışına çıkarıp tıp ve malzeme bilimi gibi temel alanlara başarıyla entegre etmesi ve TÜBİTAK destekli projelerdeki başarısı ile öne çıkmaktadır.
- Disiplinlerarası AI uygulamaları
- TÜBİTAK destekli Ar-Ge projeleri
- Veri bilimi ve makine öğrenmesi

Sakarya Üniversitesi Disiplinlerarası Yapay Zeka Laboratuvarı (AiLab), akademik tasarım denetiminde 51/100 puan alarak bağımsız denetimden geçti. En güçlü yönleri akıcılık (100) ve görsel kararlılık (84); görece geliştirilebilir alanları teknik altyapı (53) ve etkileşim tasarımı (53).
Sakarya Üniversitesi Disiplinlerarası Yapay Zeka Laboratuvarı (AiLab), tarafından tasarlanan bu Makine Öğrenmesi Araştırma platformu olarak 51/100 skorla "Gelişime Açık" kategorisinde yer almaktadır. kullanıcıların bakış açısından genel kullanıcı deneyimini kısıtlayan çeşitli tasarım kararları gözlemlenmiştir. Hasler-Süsstrunk renk metriği alt sınırlarda seyrederken Fitts Yasası etkileşim verimliliği yetersiz bulunmuştur; hedefli bir UX dönüşümüyle önemli kazanımlar elde edilebilir.
Tasarım Denetimi
Hasler-Süsstrunk renk teorisi, Gestalt ilkeleri ve Fitts Yasası ile hesaplamalı analiz.
Sarı iyimserlik ve yeniliği simgeler. Yüksek parlaklığı kontrast yönetimini kritik kılar; arka plan kullanımında okunabilirlik titizlik gerektirir. (Birren, 1969)
3 teknoloji bileşeni tespit edildi.
"Nötr dengeli palet evrensel erişilebilirlik sağlıyor; marka geniş kitleye hitap ediyor."
Karşılaştır & İzle
Sektör ortalamasıyla karşılaştırma ve tarihsel skor değişimi.
Makine Öğrenmesi Araştırma
Sakarya Üniversitesi Disiplinlerarası Yapay Zeka Laboratuvarı (AiLab) bu kategoride 6 puan üzerinde — sektör ortalaması 45/100. En iyi %57 dilimindedir.
Benzer Skorlu Siteler


Ölçüm ortamı hakkında: Teknik performans için öncelik CrUX (Chrome User Experience Report — gerçek kullanıcıların canlı saha verisi); CrUX verisi yoksa Lighthouse(kontrollü lab/test ortamı) kullanılır. Bu iki ortam farklı koşullarda ölçtüğü için bazı metrikler birbirinden ayrışabilir — örneğin sunucu yanıtı (TTFB) lab'da hızlı görünürken, gerçek kullanıcıların içerik boyaması (LCP) ağ ve cihaz koşulları nedeniyle daha yavaş çıkabilir. Her iki değer de doğrudur; yalnızca farklı pencerelerden bakar.