Biruni Üniversitesi Yapay Zeka Laboratuvarı
Özellikle sağlık alanındaki yapay zekâ çözümlerine odaklanması ve uluslararası akademik iş birlikleriyle (Oxford, King's College) vizyonunu genişletmesi nedeniyle seçilmiştir.
- Sağlıkta yapay zekâ uygulamaları
- Uluslararası akademik iş birlikleri
- Karar destek sistemleri

Biruni Üniversitesi Yapay Zeka Laboratuvarı, akademik tasarım denetiminde 63/100 puan alarak bağımsız denetimden geçti. En güçlü yönleri akıcılık (86) ve görsel kararlılık (83); görece geliştirilebilir alanları marka kimliği (35) ve estetik (35).
Biruni Üniversitesi Yapay Zeka Laboratuvarı, tarafından tasarlanan bu Makine Öğrenmesi Araştırma platformu olarak 63/100 skorla "Güçlü Temel" düzeyinde değerlendirmeye alınmıştır. genel kullanıcı deneyimini destekleyen altyapı kurulu olup kullanıcıların temel beklentileri karşılanmaktadır. Ancak görsel ağırlık dağılımı, renk psikolojisi ve etkileşim akışı üzerine yürütülecek sistematik bir tasarım çalışması, platformun rekabetçiliğini artıracaktır.
Tasarım Denetimi
Hasler-Süsstrunk renk teorisi, Gestalt ilkeleri ve Fitts Yasası ile hesaplamalı analiz.
Nötr ve dengeli bir renk paleti benimseniyor. Minimalist yaklaşım profesyonellik, içerik önceliği ve zamansız bir estetik iletir. Birden fazla renkli sektörde bu duruşun güven artırıcı etkisi gözlemlenmektedir. (Birren, 1969)
WordPress CMS üzerine kurulu. Plugin ve tema ekosistemiyle geliştirilmiş.
"Nötr dengeli palet evrensel erişilebilirlik sağlıyor; marka geniş kitleye hitap ediyor."
Karşılaştır & İzle
Sektör ortalamasıyla karşılaştırma ve tarihsel skor değişimi.
Makine Öğrenmesi Araştırma
Biruni Üniversitesi Yapay Zeka Laboratuvarı bu kategoride 18 puan üzerinde — sektör ortalaması 45/100. En iyi %29 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.