Gelişmekte olan nöro-sembolik yapay zekâ alanına giriş

Günümüzde yapay zekânın (AI) hızla gelişmesi ve bilgi işlem gücünün giderek daha fazla erişilebilir olması sayesinde gelişmiş yapay zekâ modelleri her zamankinden daha hızlı yayımlanıyor. Yapay zekâ alanı, birçok sektörde anlamlı yeniliklere öncülük ediyor.

Örneğin sağlık hizmetlerinde yapay zekâ sistemleri, erken teşhis için tıbbi görüntüleri analiz etmek gibi görevlere yardımcı olmak üzere kullanılıyor. Ancak her teknoloji gibi yapay zekânın da sınırlamaları var.

Önemli kaygılardan biri şeffaflıktır. Örneğin bir nesne algılama modeli, beyin MR görüntüsündeki bir tümörü doğru biçimde konumlandırabilir; ancak modelin bu sonuca nasıl ulaştığını anlamak zor olabilir. Açıklanabilirliğin bu denli kısıtlı olması, doktorların ve araştırmacıların yapay zekâ sonuçlarına tam anlamıyla güvenmesini veya bu sonuçları doğrulamasını zorlaştırır.

Nöro-sembolik yapay zekâ alanına giderek daha fazla ilgi duyulmasının nedeni tam olarak budur. Nöro-sembolik yapay zekâ, derin öğrenmenin örüntü tanıma gücünü sembolik yapay zekânın yapılandırılmış, kurallara dayalı akıl yürütmesiyle birleştirir. Amaç, doğru tahminler yapan ve aynı zamanda akıl yürütmesini insanların anlayabileceği şekilde açıklayabilen sistemler oluşturmaktır.

Bu makalede, nöro-sembolik yapay zekânın nasıl çalıştığını ve daha şeffaf, bağlama duyarlı sistemler oluşturmak için öğrenme ile akıl yürütmeyi nasıl bir araya getirdiğini inceleyeceğiz.

Nöro-sembolik yapay zekânın iki yönü: Öğrenme ve akıl yürütme#

Nöro-sembolik yapay zekâyı ayrıntılı olarak incelemeden önce, bu yaklaşımın bir araya getirdiği iki alt alanı, derin öğrenme ve sembolik yapay zekâyı yakından ele alalım.

Derin öğrenme, verilerdeki örüntüleri tanımaya odaklanırken sembolik yapay zekâ sorunları çözmek için kurallardan, mantıktan veya sağduyudan yararlanır. Her ikisinin de güçlü yönleri ve sınırlamaları vardır. Nöro-sembolik yapay zekâ bunları birleştirerek hem verilerden öğrenebilen hem de kararlarını daha açık biçimde açıklayabilen sistemler oluşturur.

Derin öğrenmeye genel bakış#

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

Bu sayede her durum için elle hazırlanmış kurallara ihtiyaç duymadan görüntülerdeki, seslerdeki ve metinlerdeki örüntüleri tanıyabilirler. Bu nedenle derin öğrenme; görüntü tanıma, konuşma işleme ve dil çevirisi gibi algılamaya odaklı görevlerde oldukça etkilidir.

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

Ancak doğruluklarına rağmen derin öğrenme modelleri, belirli bir sonuca nasıl ulaştıklarını açıkça açıklamakta çoğu zaman zorlanır. Genellikle kara kutu problemi olarak anılan bu zorluk, özellikle sağlık veya finans gibi hassas alanlarda kullanıcıların model kararlarını yorumlamasını ya da doğrulamasını güçleştirir. Bu konu önemlidir; çünkü sorumlu yapay zekâ şeffaflık, güven ve modelin belirli bir tahminde neden bulunduğunu anlama olanağı gerektirir.

Sembolik yapay zekâyı keşfetme#

Sembolik yapay zekâ, zekâya ve karar vermeye daha yapılandırılmış bir yaklaşım benimser. Bilgiyi sembollerle temsil eder ve bu bilgi üzerinde işlem yapmak için mantıksal kurallar uygular; bu yaklaşım, sorunları çözmek için akıl yürütme ve dili kullanma biçimimize benzer. Akıl yürütme sürecindeki her adım tanımlandığından, sembolik yapay zekânın kararları şeffaftır ve açıklanmaları daha kolaydır.

Sembolik bilgi, planlama, zamanlama veya yapılandırılmış bilgiyi yönetme gibi açık ve net tanımlanmış kurallara uyan görevlerde özellikle iyi sonuç verir. Ancak sembolik yapay zekâ, yapılandırılmamış verilerle veya önceden belirlenmiş kategorilere düzgün biçimde uymayan durumlarla başa çıkmakta zorlanır.

Sembolik yaklaşımların kullanıldığı yaygın bir örnek, ilk dönem satranç programlarıdır. Bu programlar geçmiş oyunlardan öğrenmek veya farklı rakiplere uyum sağlamak yerine, elle hazırlanmış kuralları ve sabit stratejileri izliyordu. Sonuç olarak oyun tarzları katı ve öngörülebilir olma eğilimindeydi.

Şekil 1. Yapay zekânın yapısı ve alt alanlarına bakış. (Görselin sahibi yazar)

Nöro-sembolik yapay zekâ nedir?#

2010'larda derin öğrenme daha yaygın biçimde benimsenirken araştırmacılar, basit örüntü tanımanın ötesine geçip ilişkileri ve bağlamı anlamanın yollarını aramaya başladı. Bu değişim, yapay zekâ modellerinin bir sahnedeki kedi ve minder gibi nesneleri algılamasının yanı sıra bu nesnelerin nasıl ilişkili olduğunu, örneğin kedinin minderin üzerine oturduğunu da yorumlamasını mümkün kıldı.

Ancak bu ilerleme temel bir sınırlamayı da gözler önüne serdi. Derin öğrenme modelleri örüntüleri son derece iyi tanıyabilir, ancak akıl yürütmelerini açıklamakta veya alışılmadık durumlarla başa çıkmakta çoğu zaman zorlanır. Akıl yürütmeye yönelik bu yenilenen ilgi, araştırmacıları 1980'lerden beri var olan bir alana, nöro-sembolik yapay zekâya, yeniden yöneltti.

Nöro-sembolik yapay zekâ, derin öğrenme ile sembolik yapay zekâyı bütünleştirir. Modellerin derin öğrenmede olduğu gibi örneklerden öğrenmesini sağlarken sembolik yapay zekâda olduğu gibi mantık ve akıl yürütmeden de yararlanır.

Basitçe ifade etmek gerekirse nöro-sembolik yapay zekâ bilgileri tanıyabilir, bağlamı anlayabilir ve kararları için daha açık açıklamalar sunabilir. Bu yaklaşım, daha güvenilir ve insana benzer biçimde davranan yapay zekâ sistemleri geliştirmeye bizi biraz daha yaklaştırır.

Şekil 2. Nöro-sembolik yapay zekâyı anlama (Görselin sahibi yazar)

Nöro-sembolik yapay zekânın çalışma biçiminin temelleri#

Nöro-sembolik mimari, öğrenme ve akıl yürütmeyi tek bir çerçevede bir araya getirir. Genellikle üç ana bölümden oluşur: ham verileri yorumlayan bir sinirsel algı katmanı, mantık uygulayan bir sembolik akıl yürütme katmanı ve bu ikisini birbirine bağlayan bir bütünleştirme katmanı. Şimdi her katmanı daha yakından inceleyelim.

Sinirsel algı katmanı#

Sinirsel algı bileşeni; görüntü, video, metin veya ses gibi yapılandırılmamış verileri işler ve bunları sistemin kullanabileceği iç temsillere dönüştürür. Girdideki örüntüleri algılamak ve nesneleri veya özellikleri belirlemek için genellikle derin öğrenme modellerinden yararlanır. Bu aşamada sistem, verilerde nelerin bulunduğunu tanır; ancak henüz anlam, ilişkiler veya bağlam üzerinde akıl yürütmez.

Bu katmanda kullanılan bazı yaygın derin öğrenme modeli türleri şunlardır:

• Evrişimli sinir ağları (CNN'ler): Görüntüler gibi ızgara biçimindeki verileri işlemek üzere tasarlanmış bir sinir ağı türüdür. CNN'ler bir görüntüyü tarayarak kenar, doku ve şekil gibi örüntüleri algılamak için evrişim filtreleri kullanır. Bu örüntüleri üst üste ekleyerek araba, meyve ve insan gibi nesneleri tanımayı öğrenirler.
• Transformers: Transformers, girdinin farklı bölümlerinin birbiriyle nasıl ilişkili olduğunu anlamak üzere tasarlanmış modellerdir. Bilgileri kesinlikle sırayla okumak yerine verinin birden fazla bölümüne aynı anda bakabilir ve hangi bölümlerin en önemli olduğuna karar verebilirler. Bu, metin, görüntü veya her ikisindeki bağlamı anlamalarına yardımcı olur. Bu esneklik sayesinde transformers, modern dil modellerinin çoğunun ve birçok görsel dil sisteminin temel mimarisidir.
• Yinelemeli sinir ağları (RNN'ler): Bu model türü, konuşma veya zaman serisi sinyalleri gibi sıralı verileri analiz etmek üzere tasarlanmıştır. Önceki girdilerin belleğini korur; böylece tahminlerinde zaman içindeki bağlamı dikkate alabilir.

Sonuç olarak bu sinir ağları ham verilerden anlamlı özellikler çıkarır ve bunları temsil eder. Bu çıktı daha sonra, sistemin algıladığı şeyleri yorumlayıp bunlar üzerinde akıl yürüten sembolik akıl yürütme katmanının girdisi olur.

Sembolik akıl yürütme katmanı#

Sembolik akıl yürütme katmanı, sinirsel algı katmanının ürettiği bilgileri alır ve mantık kullanarak anlamlandırır. Yalnızca örüntüler üzerinden çalışmak yerine kurallara, bilgi grafiklerine, bilgi tabanlarına ve ontolojilere (kavramları ve bunların birbirleriyle ilişkilerini düzenli biçimde açıklayan tanımlara) dayanır. Bunlar, sistemin farklı öğelerin nasıl bir araya geldiğini ve belirli bir durumda hangi eylemlerin anlamlı olduğunu anlamasına yardımcı olur.

Örneğin, otonom bir araçta sinirsel algı katmanı kamera görüntüsündeki kırmızı trafik ışığını tanıyabilir. Sembolik akıl yürütme katmanı daha sonra şu kuralı uygulayabilir: “Işık kırmızıysa araç durmalıdır.” Akıl yürütme açık kurallara dayandığından, sistemin kararlarını açıklamak ve doğrulamak daha kolaydır; bu da özellikle güvenlik ve hesap verebilirliğin önemli olduğu durumlarda büyük önem taşır.

Entegrasyon katmanı#

Entegrasyon katmanı, sinirsel algı katmanı ile sembolik akıl yürütme katmanını birbirine bağlayarak öğrenme ve akıl yürütmenin birlikte çalışmasını sağlar. Bir yönde, sinirsel modellerin çıktılarını (örneğin bir yayayı algılamayı) nesneyi ve özelliklerini tanımlayan sembolik gösterimlere dönüştürür.

Diğer yönde ise sembolik kuralları (örneğin, “yaya yaya geçidindeyse araç durmalıdır”) alır ve bunları sinirsel modelleri yönlendiren sinyallere dönüştürür. Bu işlem, bir görüntüdeki ilgili alanları vurgulamayı, dikkati yönlendirmeyi veya modelin karar yollarını şekillendirmeyi içerebilir.

Bu iki yönlü alışveriş bir geri bildirim döngüsü oluşturur. Sinirsel taraf, sembolik kurallardan yapı ve yorumlanabilirlik kazanırken sembolik taraf da gerçek dünya verilerine dayanarak daha etkili biçimde uyum sağlayabilir. Mantıksal sinir ağları (LNN'ler) gibi teknikler, mantıksal kısıtları doğrudan sinirsel mimarilere ekleyerek bu etkileşimi mümkün kılmaya yardımcı olur.

Algı ve akıl yürütmeyi bu şekilde birbirine bağlayan nöro-sembolik AI, hem doğru hem de yorumlanması daha kolay kararlar üretebilir. Birçok araştırmacı bu yaklaşımı, daha güvenilir ve insan değerleriyle daha uyumlu AI geliştirmeye yönelik umut verici bir adım ve potansiyel olarak gelecekte yapay genel zekâ (AGI) alanında ilerlemenin temeli olarak görüyor.

Nöro-sembolik AI uygulamaları#

Nörosembolik yapay zekânın ne olduğunu ve nasıl çalıştığını daha iyi anladığımıza göre, şimdi gerçek dünyadaki kullanım alanlarından bazılarına göz atalım.

Daha güvenli sürüş: Yayaları görmekten onları anlamaya#

Otonom araçların güvenli biçimde çalışabilmesi için çevrelerini anlaması gerekir. Yayaları, araçları, şerit çizgilerini ve trafik işaretlerini algılamak için bilgisayarlı görü gibi teknolojiler kullanırlar.

Derin öğrenme modelleri bu nesneleri doğru biçimde tanımlayabilse de nesnelerin bağlam içinde ne anlama geldiğini veya gerçek dünyadaki bir durumda birbirleriyle nasıl ilişkili olduklarını her zaman anlayamaz. Örneğin, sinirsel bir model yaya geçidindeki bir yayayı tanıyabilir ancak yayanın karşıya geçmek üzere mi olduğunu yoksa yalnızca beklediğini mi anlayamayabilir.

Nöro-sembolik AI, otonom araçların görsel tanımayı mantıksal akıl yürütmeyle birleştirmesini sağlayarak bu boşluğu kapatmaya çalışır; böylece araçlar yalnızca nesneleri tanımlamakla kalmaz, durumları da yorumlayabilir. Son AI araştırmaları, sinirsel algıyı sembolik kurallarla birleştiren sistemlerin yaya davranışı tahminini iyileştirebildiğini gösterdi.

Bu sistemlerde sinirsel bileşen, yayanın duruşu, hareketi ve konumu gibi görsel ipuçlarını analiz eder. Ardından sembolik bileşen, kişinin yaya geçidine yakın olup olmadığı veya mevcut trafik ışığının ne gösterdiği gibi etkenleri göz önünde bulundurarak mantıksal kuralları uygular.

Bu iki bakış açısını birleştiren nöro-sembolik sistem, bir yayayı algılamanın ötesine geçebilir. Yayanın karşıya geçme olasılığı hakkında makul bir tahminde bulunabilir ve bu kararı neden verdiğini açıklayabilir. Böylece otonom araçlarda daha güvenli ve şeffaf davranışlar ortaya çıkar.

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

Görsel soru yanıtlamada mantıksal yorumlama#

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

Bu sistemler, çok modlu akıl yürütme yapmak için büyük dil modellerini (LLM'ler) ve görsel modelleri bir araya getirerek sistemin gördüklerini anladıklarıyla birleştirir. Örneğin, bir VQA sistemine bir görüntü gösterilip “Bardak masanın üzerinde mi?” diye sorulursa, sistemin nesneleri tanımasının yanı sıra aralarındaki ilişkiyi de anlaması gerekir. Bardak gerçekten sahnedeki masanın üzerinde mi, bunu belirlemesi gerekir.

Yakın tarihli bir çalışma, nöro-sembolik AI'ın sinirsel algıyı sembolik akıl yürütmeyle bütünleştirerek VQA'yı nasıl geliştirebileceğini gösterdi. Önerilen sistemde sinir ağı önce görüntüyü analiz ederek nesneleri ve renk, şekil veya boyut gibi özelliklerini tanır.

Sembolik akıl yürütme bileşeni daha sonra bu nesnelerin birbirleriyle ilişkilerini yorumlamak ve soruyu yanıtlamak için mantıksal kuralları uygular. “Sahnede kaç tane gri silindir var?” diye sorulursa, sinirsel bölüm tüm silindirleri ve renklerini belirler; sembolik bölüm ise bunları ölçütlere göre filtreler ve doğru olanları sayar.

Şekil 4. Soyut bilgi ve mantığın gerektiği VQA senaryolarından örnekler. (Kaynak)

Bu araştırmalar, nöro-sembolik VQA'nın yalnızca yanıt vermenin ötesine nasıl geçebileceğini gösteriyor. Model bir sonuca ulaşmak için izlediği adımları gösterebildiğinden, sistemlerin tahminlerde bulunup akıl yürütmelerini insanların anlayabileceği şekilde açıklamasını sağlayan açıklanabilir AI yaklaşımını destekliyor.

Nöro-sembolik AI'ın artıları ve eksileri#

Nöro-sembolik AI kullanmanın temel faydalarından bazıları şunlardır:

• Daha güçlü akıl yürütme becerileri: Saf derin öğrenme modellerinden farklı olarak nöro-sembolik AI; çok adımlı akıl yürütme, planlama, kurallara uyma ve yapılandırılmış bilgi alanlarını ele alma gerektiren görevleri yerine getirebilir. Sembolik AI bu alanlarda geleneksel olarak başarılıdır.
• Uyarlanabilirlik: Bu sistemler, eğitildikleri verilerin ötesinde mantıksal akıl yürütebildiklerinden yeni veya daha önce görülmemiş görevlerde başarılı olur. Verileri yalnızca ezberlemek yerine ilişkileri ve örüntüleri anlarlar.
• Gürültüye ve belirsizliğe dayanıklılık: Mantıksal kısıtlar, veriler gürültülü, eksik veya belirsiz olduğunda hataları önlemeye yardımcı olabilir. Akıl yürütme katmanı, sinirsel tahminleri yönlendiren veya düzelten kuralları uygulayabilir.

Potansiyeline rağmen nöro-sembolik AI hâlâ gelişiyor ve bazı pratik zorlukları beraberinde getiriyor. Temel sınırlamalarından bazıları şunlardır:

• Karmaşık entegrasyon: Bu hibrit çerçeve güçlü yorumlanabilirlik sunsa da algı ve akıl yürütmeyi birleştiren algoritmalar tasarlamak hâlâ zordur.
• Ölçeklenebilirlik: Büyük bilgi grafikleri veya karmaşık kural kümeleriyle çalışırken sembolik akıl yürütme yavaşlayabilir ya da yüksek hesaplama maliyetine yol açabilir. Bu durum, otonom sürüş, video işleme veya büyük ölçekli bilgi akıl yürütme gibi gerçek zamanlı uygulamaların verimli biçimde devreye alınmasını zorlaştırabilir.
• Akıl yürütme dayanıklılığı: Sembolik kurallar fazla katıysa sistemler belirsiz veya öngörülemeyen gerçek dünya senaryolarında zorlanabilir. Esnek öğrenme ile güvenilir akıl yürütme arasında denge kurmak hâlâ çözülmesi gereken bir zorluktur.

Önemli çıkarımlar#

Nöro-sembolik AI, yalnızca dünyayı algılamakla kalmayıp dünya hakkında akıl yürütebilen ve kararlarını açıklayabilen AI sistemleri geliştirmeye yönelik önemli bir adımdır. Verilerden öğrenilen örüntülere çoğunlukla dayanan geleneksel derin öğrenme sistemlerinden farklı olarak nöro-sembolik AI, istatistiksel öğrenmeyi yapılandırılmış mantık ve bilgiyle birleştirir. Derin öğrenmenin yerini almak yerine onu temel alır ve AI'ın daha insana benzer biçimde anlayıp akıl yürütebilmesini geliştirmeye bizi biraz daha yaklaştırır.

Topluluğumuza katıl ve GitHub depomuzu keşfet. Çözümler sayfalarımıza göz atarak tarımda AI ve sağlık hizmetlerinde bilgisayarlı görü uygulamalarını keşfet. Lisanslama seçeneklerimizi incele ve görsel AI projenizi geliştirmeye başla!