Gelişmekte olan nöro-sembolik yapay zeka alanına bir giriş

Günümüzde, yapay zekanın (AI) hızla büyümesi ve işlem gücünün giderek daha erişilebilir olması sayesinde, gelişmiş AI modelleri her zamankinden daha hızlı piyasaya sürülüyor. Aslına bakarsan, AI alanı birçok sektörde anlamlı inovasyonları tetikliyor.

Örneğin, sağlık sektöründe AI sistemleri, erken teşhis için tıbbi görüntülerin analiz edilmesi gibi görevlere yardımcı olmak için kullanılıyor. Ancak her teknoloji gibi, AI'ın da sınırlamaları var.

En büyük endişelerden biri şeffaflık. Örneğin, bir nesne algılama modeli bir beyin MR taramasındaki tümörü doğru bir şekilde tespit edebilir, ancak modelin bu sonuca nasıl ulaştığını anlamak zor olabilir. Bu açıklanabilirlik eksikliği, doktorların ve araştırmacıların AI sonuçlarına tamamen güvenmesini veya bunları doğrulamasını zorlaştırıyor.

İşte tam da bu yüzden nöro-sembolik yapay zekanın gelişmekte olan alanına ilgi artıyor. Nöro-sembolik AI, derin öğrenmenin örüntü tanıma konusundaki güçlü yönlerini sembolik yapay zekada bulunan yapılandırılmış, kural tabanlı muhakeme ile birleştirir. Amaç, doğru tahminler yapan ancak aynı zamanda muhakeme sürecini insanların anlayabileceği bir şekilde açıklayabilen sistemler yaratmaktır.

Bu makalede, nöro-sembolik yapay zekanın nasıl çalıştığını ve daha şeffaf, bağlamın farkında olan sistemler oluşturmak için öğrenme ve muhakemeyi nasıl bir araya getirdiğini keşfedeceğiz. Hadi başlayalım!

Link to this sectionNöro-sembolik yapay zekanın iki yüzü: Öğrenme ve muhakeme#

Nöro-sembolik AI'a dalmadan önce, bir araya getirdiği iki alt alana daha yakından bakalım: derin öğrenme ve sembolik yapay zeka.

Derin öğrenme verideki örüntüleri tanımaya odaklanırken, sembolik yapay zeka problemler üzerinde düşünmek için kuralları, mantığı veya sağduyuyu kullanır. Her ikisinin de güçlü yönleri olduğu kadar sınırlamaları da vardır. Nöro-sembolik AI, bunları birleştirerek hem veriden öğrenebilen hem de kararlarını daha net bir şekilde açıklayabilen sistemler yaratır.

Link to this sectionDerin öğrenmeye genel bakış#

Derin öğrenme, beynin bilgiyi işleme biçiminden esinlenen yapay sinir ağlarını kullanan bir makine öğrenimi dalıdır. Bu ağlar, büyük miktarda veriyi analiz ederek ve performanslarını artırmak için iç bağlantılarını ayarlayarak öğrenirler.

Bu, her durum için elle yazılmış kurallara ihtiyaç duymadan görüntüler, sesler ve metinlerdeki örüntüleri tanımalarını sağlar. Bu nedenle derin öğrenme, görüntü tanıma, konuşma işleme ve dil çevirisi gibi algı odaklı görevler için oldukça etkilidir.

İyi bir örnek, görüntülerdeki nesneleri segmentlere ayırmak için eğitilmiş bir bilgisayarlı görü modelidir. Yeterince etiketli örnekle, gerçek zamanlı trafik görüntülerinde yolları, araçları ve yayaları ayırmayı öğrenebilir.

Ancak, doğruluklarına rağmen, derin öğrenme modelleri belirli bir sonuca nasıl ulaştıklarını net bir şekilde açıklamakta genellikle zorlanırlar. Genellikle kara kutu problemi olarak adlandırılan bu zorluk, özellikle sağlık veya finans gibi hassas alanlarda kullanıcıların modelin kararlarını yorumlamasını veya doğrulamasını zorlaştırır. Bu durum önemlidir çünkü sorumlu AI; şeffaflık, güven ve bir modelin neden belirli bir tahminde bulunduğunu anlama yeteneği gerektirir.

Link to this sectionSembolik yapay zekayı keşfetmek#

Sembolik yapay zeka, zekaya ve karar vermeye daha yapılandırılmış bir yaklaşım getirir. Bilgiyi semboller kullanarak temsil eder ve bu bilgiyle çalışmak için mantıksal kurallar uygular; tıpkı problem çözmek için muhakeme ve dili kullanmamız gibi. Muhakeme sürecindeki her adım tanımlanmıştır, bu da sembolik yapay zekanın kararlarını şeffaf ve açıklanması daha kolay hale getirir.

Sembolik bilgi, planlama, çizelgeleme veya yapılandırılmış bilgileri yönetme gibi net ve iyi tanımlanmış kuralları izleyen görevlerde özellikle iyi çalışır. Ancak, sembolik yapay zeka, yapılandırılmamış verilerle veya önceden tanımlanmış kategorilere tam olarak uymayan durumlarla uğraşmakta zorlanır.

Sembolik yaklaşımların uygulamadaki yaygın bir örneği, eski satranç programlarıdır. Önceki oyunlardan öğrenmek veya farklı rakiplere uyum sağlamak yerine, elle hazırlanmış kuralları ve sabit stratejileri izlerlerdi. Sonuç olarak, oyun tarzları katı ve tahmin edilebilir olma eğilimindeydi.

Şekil 1. Yapay zekanın yapısına ve alt alanlarına bir bakış. (Görsel yazar tarafından hazırlanmıştır)

Link to this sectionNöro-sembolik AI nedir?#

2010'larda, derin öğrenme daha yaygın bir şekilde benimsendikçe, araştırmacılar basit örüntü tanımanın ötesine geçip ilişkileri ve bağlamı anlamaya yönelik yollar aramaya başladılar. Bu değişim, AI modellerinin bir sahnedeki nesneleri (kedi ve mat gibi) tespit etmesinin yanı sıra, kedinin matın üzerinde oturduğunu fark etmek gibi bu nesnelerin birbiriyle nasıl ilişkili olduğunu yorumlamasını da mümkün kıldı.

Ancak bu ilerleme, temel bir sınırlamayı da ortaya çıkardı. Derin öğrenme modelleri örüntüleri son derece iyi tanıyabilir, ancak genellikle muhakemelerini açıklamakta veya alışılmadık durumlarla başa çıkmakta zorlanırlar. Muhakemeye yönelik bu yenilenen ilgi, araştırmacıları 1980'lerden beri var olan bir alana geri getirdi: nöro-sembolik AI.

Nöro-sembolik AI, derin öğrenmeyi ve sembolik yapay zekayı bütünleştirir. Modellerin derin öğrenmenin yaptığı gibi örneklerden öğrenmesini sağlarken, aynı zamanda sembolik yapay zekanın yaptığı gibi mantık ve muhakeme uygulamasına olanak tanır.

Basitçe ifade etmek gerekirse, nöro-sembolik AI bilgiyi tanıyabilir, bağlamı anlayabilir ve kararları için daha net açıklamalar sağlayabilir. Bu yaklaşım, bizi daha güvenilir ve insan benzeri davranan AI sistemleri geliştirmeye bir adım daha yaklaştırıyor.

Şekil 2. Nöro-Sembolik Yapay Zekayı Anlamak (Görsel yazar tarafından hazırlanmıştır)

Link to this sectionNöro-sembolik yapay zekanın çalışma temelleri#

Nöro-sembolik bir mimari, öğrenmeyi ve muhakemeyi tek bir çerçeve içinde bir araya getirir. Genellikle üç ana bölüm içerir: ham veriyi yorumlayan bir sinirsel algı katmanı, mantığı uygulayan bir sembolik muhakeme katmanı ve ikisini birbirine bağlayan bir entegrasyon katmanı. Bir sonraki adımda, her katmana daha yakından bakacağız.

Link to this sectionSinirsel algı katmanı#

Sinirsel algı bileşeni; görüntüler, video, metin veya ses gibi yapılandırılmamış verileri işler ve bunları sistemin üzerinde çalışabileceği içsel gösterimlere dönüştürür. Genellikle girişteki örüntüleri tespit etmek ve nesneleri veya özellikleri tanımlamak için derin öğrenme modellerini kullanır. Bu aşamada sistem veride neyin mevcut olduğunu tanır, ancak henüz anlam, ilişkiler veya bağlam hakkında muhakeme yapmaz.

İşte bu katmanda kullanılan bazı yaygın derin öğrenme modeli türleri:

• Evrişimli sinir ağları (CNN'ler): Görüntüler gibi ızgara benzeri verileri işlemek için tasarlanmış bir tür sinir ağıdır. CNN'ler, bir görüntü üzerinde tarama yapmak ve kenarlar, dokular ve şekiller gibi örüntüleri tespit etmek için evrişimli filtreler kullanır. Bu örüntüleri istifleyerek, arabalar, meyveler ve insanlar gibi nesneleri tanımayı öğrenirler.
• Transformer'lar: Transformer'lar, bir girdinin farklı parçalarının birbiriyle nasıl ilişkili olduğunu anlamak için tasarlanmış modellerdir. Bilgiyi kesin bir sırayla okumak yerine, verinin birden fazla bölümüne aynı anda bakabilir ve hangi bölümlerin en önemli olduğuna karar verebilirler. Bu, metinlerdeki, görüntülerdeki veya her ikisindeki bağlamı anlamalarına yardımcı olur. Bu esneklik sayesinde transformer'lar, çoğu modern dil modelinin ve birçok görme-dil sisteminin arkasındaki temel mimaridir.
• Yinelemeli sinir ağları (RNN'ler): Bu model türü, konuşma veya zaman serisi sinyalleri gibi sıralı verileri analiz etmek için tasarlanmıştır. Önceki girdilerin bir belleğini tutar, bu da tahminlerinin zaman içindeki bağlamı hesaba katabileceği anlamına gelir.

Sonuç olarak, bu sinirsel modeller ham veriden anlamlı özellikleri çıkarır ve temsil eder. Bu çıktı daha sonra, sistemin algıladığı şeyi yorumlayan ve üzerinde muhakeme yapan sembolik muhakeme katmanı için girdi haline gelir.

Link to this sectionSembolik muhakeme katmanı#

Sembolik muhakeme katmanı, sinirsel algı katmanı tarafından üretilen bilgiyi alır ve mantık kullanarak anlamlandırır. Sadece örüntülerle çalışmak yerine, kurallar, bilgi grafikleri, bilgi tabanları ve ontolojiler (kavramların ve birbirleriyle nasıl ilişkili olduklarının düzenli tanımları) gibi unsurlara dayanır. Bunlar, sistemin farklı öğelerin nasıl bir araya geldiğini ve belirli bir durumda hangi eylemlerin mantıklı olduğunu anlamasına yardımcı olur.

Örneğin, kendi kendine giden bir arabada, sinirsel algı katmanı kamera görüntüsünde kırmızı bir trafik ışığını tanıyabilir. Sembolik muhakeme katmanı daha sonra şu kuralı uygulayabilir: "Işık kırmızıysa, araç durmalıdır." Muhakeme net kurallara dayandığı için sistemin kararlarını açıklamak ve doğrulamak daha kolaydır, bu da özellikle güvenlik ve hesap verilebilirliğin önemli olduğu durumlarda kritiktir.

Link to this sectionEntegrasyon katmanı#

Entegrasyon katmanı, sinirsel algı katmanı ile sembolik muhakeme katmanını birbirine bağlayarak öğrenme ve muhakemenin birlikte çalışmasını sağlar. Bir yönde, sinirsel modellerden gelen çıktıları (bir yayanın tespiti gibi), nesneyi ve özniteliklerini tanımlayan sembolik gösterimlere dönüştürür.

Diğer yönde ise sembolik kuralları (örneğin, "bir yaya yaya geçidindeyse araç durmalıdır") alır ve bunları sinirsel modellere rehberlik eden sinyallere çevirir. Bu, bir görüntünün ilgili alanlarını vurgulamayı, dikkati etkilemeyi veya modelin karar yollarını şekillendirmeyi içerebilir.

Bu iki yönlü değişim bir geri bildirim döngüsü oluşturur. Sinirsel taraf, sembolik kurallardan yapı ve yorumlanabilirlik kazanırken, sembolik taraf gerçek dünya verilerine dayanarak daha etkili bir şekilde uyum sağlayabilir. Mantıksal sinir ağları (LNN'ler) gibi teknikler, mantıksal kısıtlamaları doğrudan sinirsel mimarilere gömerek bu etkileşimi sağlamaya yardımcı olur.

Algı ve muhakemeyi bu şekilde birbirine bağlayarak, nöro-sembolik AI hem doğru hem de yorumlanması daha kolay kararlar üretebilir. Birçok araştırmacı bu yaklaşımı daha güvenilir ve insan odaklı AI'a doğru umut verici bir adım ve potansiyel olarak yapay genel zekaya (AGI) yönelik gelecekteki ilerlemeler için bir temel olarak görüyor.

Link to this sectionNöro-sembolik AI'ın uygulamaları#

Artık nöro-sembolik yapay zekanın ne olduğu ve nasıl çalıştığı hakkında daha iyi bir anlayışa sahip olduğumuza göre, gerçek dünyadaki bazı kullanım durumlarına göz atalım.

Link to this sectionDaha güvenli sürüş: Yayaları görmekten onları anlamaya geçiş#

Otonom araçların güvenli bir şekilde çalışabilmesi için çevrelerini anlamaları gerekir. Yayaları, araçları, şerit işaretlerini ve trafik işaretlerini tespit etmek için bilgisayarlı görü gibi teknolojiler kullanırlar.

Derin öğrenme modelleri bu nesneleri doğru bir şekilde tanımlayabilse de, bu nesnelerin bağlam içinde ne anlama geldiğini veya gerçek dünya durumunda birbirleriyle nasıl ilişkili olduklarını her zaman anlayamazlar. Örneğin, bir sinirsel model yaya geçidindeki bir yayayı tanıyabilir, ancak karşıdan karşıya geçmek üzere mi yoksa sadece durup bekliyor mu olduğunu söyleyemez.

Nöro-sembolik AI, otonom araçların görsel tanımayı mantıksal muhakeme ile birleştirmesini sağlayarak bu boşluğu kapatmaya çalışır, böylece sadece nesneleri tanımlamak yerine durumları yorumlayabilirler. Son dönemdeki AI araştırmaları, sinirsel algıyı sembolik kurallarla birleştiren sistemlerin yaya davranışı tahminini iyileştirebileceğini göstermiştir.

Bu sistemlerde, sinirsel bileşen; yayanın duruşu, hareketi ve konumu gibi görsel ipuçlarını analiz eder. Sembolik bileşen ise kişinin yaya geçidine yakın olup olmadığı veya mevcut trafik sinyalinin neyi gösterdiği gibi faktörleri dikkate alarak mantıksal kuralları uygular.

Bu iki bakış açısını birleştirerek, nöro-sembolik sistem bir yayayı tespit etmekten fazlasını yapabilir. Yayanın karşıya geçme ihtimalinin olup olmadığına dair makul bir tahmin yapabilir ve bu kararı neden verdiğini açıklayabilir. Bu da otonom araçlarda daha güvenli ve daha şeffaf bir davranışa yol açar.

Şekil 3. Nöro-sembolik AI kullanarak gözlemlenen yaya davranışına dayalı tahminler yapma. (Kaynak)

Link to this sectionGörsel soru cevaplamada mantıksal yorumlama#

Nöro-sembolik AI'ın bir diğer önemli uygulaması görsel soru cevaplamadır (VQA). VQA sistemleri, görüntüler hakkındaki soruları yanıtlamak için tasarlanmıştır.

Sistemin gördüğü ile anladığını birleştirerek çok modlu muhakeme gerçekleştirmek için büyük dil modellerini (LLM'ler) ve görsel modelleri bir araya getirir. Örneğin, bir VQA sistemine bir görüntü gösterilip "Fincan masanın üzerinde mi?" diye sorulursa, nesneleri tanımasının yanı sıra aralarındaki ilişkiyi de anlaması gerekir. Fincanın gerçekten sahnede masanın üzerinde olup olmadığını belirlemesi gerekir.

Yakın tarihli bir çalışma, nöro-sembolik AI'ın sinirsel algıyı sembolik muhakeme ile bütünleştirerek VQA'yı nasıl geliştirebileceğini ortaya koydu. Önerilen sistemde, sinirsel ağ önce renk, şekil veya boyut gibi nesneleri ve özelliklerini tanımak için görüntüyü analiz eder.

Sembolik muhakeme bileşeni daha sonra bu nesnelerin birbiriyle nasıl ilişkili olduğunu yorumlamak ve soruyu yanıtlamak için mantıksal kurallar uygular. Eğer "Sahnede kaç tane gri silindir var?" diye sorulursa, sinirsel kısım tüm silindirleri ve renklerini tanımlar, sembolik kısım ise kriterlere göre bunları filtreler ve doğru olanları sayar.

Şekil 4. Soyut bilgi ve mantığın gerekli olduğu VQA senaryolarına örnekler. (Kaynak)

Bu tür araştırmalar, nöro-sembolik VQA'nın sadece cevaplar vermenin ötesine nasıl geçebileceğini sergiliyor. Model, bir sonuca ulaşmak için izlediği adımları gösterebildiği için, sistemlerin tahminler yaptığı ve muhakemelerini insanların anlayabileceği bir şekilde gerekçelendirdiği açıklanabilir yapay zekayı destekler.

Link to this sectionNöro-sembolik AI'ın artıları ve eksileri#

İşte nöro-sembolik AI kullanmanın temel faydalarından bazıları:

• Daha güçlü muhakeme yetenekleri: Saf derin öğrenme modellerinden farklı olarak, nöro-sembolik AI; çok adımlı muhakeme, planlama, kural takibi ve sembolik yapay zekanın geleneksel olarak üstün olduğu yapılandırılmış bilgi alanlarını yönetme gibi görevleri yerine getirebilir.
• Uyarlanabilirlik: Bu sistemler, eğitildiklerinin ötesinde mantıksal olarak muhakeme edebildikleri için yeni veya görülmemiş görevlerde iyi performans gösterirler. Sadece veriyi ezberlemek yerine, ilişkileri ve örüntüleri anlarlar.
• Gürültüye ve belirsizliğe karşı dayanıklılık: Mantıksal kısıtlamalar, veriler gürültülü, eksik veya belirsiz olduğunda hataların önlenmesine yardımcı olabilir. Muhakeme katmanı, sinirsel tahminlere rehberlik eden veya onları düzelten kurallar uygulayabilir.

Potansiyeline rağmen, nöro-sembolik AI hala gelişmektedir ve bazı pratik zorluklarla birlikte gelir. İşte temel sınırlamalarından bazıları:

• Karmaşık entegrasyon: Bu hibrit çerçeve güçlü bir yorumlanabilirlik sunsa da, algıyı ve muhakemeyi birleştiren algoritmalar tasarlamak zorlu olmaya devam ediyor.
• Ölçeklenebilirlik: Sembolik muhakeme, büyük bilgi grafikleri veya karmaşık kural kümeleriyle uğraşırken yavaşlayabilir veya hesaplama açısından pahalı hale gelebilir. Bu durum, otonom sürüş, video işleme veya büyük ölçekli bilgi muhakemesi gibi gerçek zamanlı uygulamaların verimli bir şekilde dağıtılmasını zorlaştırabilir.
• Muhakeme sağlamlığı: Eğer sembolik kurallar çok katıysa, sistemler belirsiz veya öngörülemeyen gerçek dünya senaryolarında zorlanabilir. Esnek öğrenmeyi güvenilir muhakeme ile dengelemek hala devam eden bir zorluktur.

Link to this sectionÖne çıkanlar#

Nöro-sembolik AI, sadece dünyayı algılamakla kalmayıp aynı zamanda onun hakkında muhakeme edebilen ve kararlarını açıklayabilen AI sistemleri oluşturmaya doğru önemli bir adımı temsil eder. Çoğunlukla verilerden öğrenilen örüntülere dayanan geleneksel derin öğrenme sistemlerinin aksine, nöro-sembolik AI istatistiksel öğrenmeyi yapılandırılmış mantık ve bilgiyle birleştirir. Derin öğrenmenin yerine geçmek yerine, onun üzerine inşa eder ve bizi daha insan benzeri bir şekilde anlayan ve muhakeme edebilen bir AI geliştirmeye biraz daha yaklaştırır.

Topluluğumuza katıl ve GitHub depomuza göz at. Tarımda AI ve sağlıkta bilgisayarlı görü alanındaki çeşitli uygulamaları keşfetmek için çözümler sayfalarımıza bak. Lisanslama seçeneklerimizi keşfet ve kendi görü AI projenle işe koyul!