Gelişmekte olan nöro-sembolik yapay zekâ alanına giriş

Günümüzde, yapay zekânın (AI) hızla gelişmesi ve bilgi işlem gücünün giderek daha erişilebilir hâle gelmesi sayesinde, gelişmiş yapay zekâ modelleri hiç olmadığı kadar hızlı yayımlanıyor. Aslında yapay zekâ alanı, birçok sektörde anlamlı yenilikleri yönlendiriyor.

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

En önemli endişelerden biri şeffaflıktır. Örneğin bir nesne algılama modeli, beyin MRI taramasındaki bir tümörü doğru şekilde konumlandırabilir; ancak modelin bu sonuca nasıl ulaştığını anlamak zor olabilir. Bu açıklanabilirlik eksikliği, doktorların ve araştırmacıların yapay zekâ sonuçlarına tam anlamıyla güvenmesini veya bu sonuçları doğrulamasını zorlaştırır.

Yeni ortaya çıkan nöro-sembolik yapay zekâ alanına olan ilginin artmasının nedeni tam olarak budur. Nöro-sembolik yapay zekâ, derin öğrenmenin örüntü tanıma gücünü sembolik yapay zekâda bulunan yapılandırılmış, kural tabanlı akıl yürütmeyle 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, bağlamı anlayan sistemler oluşturmak için öğrenme ile akıl yürütmeyi nasıl bir araya getirdiğini inceleyeceğiz. Hadi başlayalım!

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

Nöro-sembolik yapay zekâya geçmeden önce, bir araya getirdiği iki alt alanı, derin öğrenme ve sembolik yapay zekâyı daha yakından inceleyelim.

Derin öğrenme verilerdeki örüntüleri tanımaya odaklanırken sembolik yapay zekâ, sorunlar üzerinde akıl yürütmek için kuralları, mantığı veya sağduyuyu kullanır. Her ikisinin de güçlü yönleri ve sınırlamaları vardır. Nöro-sembolik yapay zekâ bunları birleştirerek hem verilerden öğrenebilen hem de kararlarını daha açık şekilde açıklayabilen sistemler oluşturur.

Derin öğrenmeye genel bakış#

Derin öğrenme, beynin bilgiyi işleme biçiminden esinlenen yapay sinir ağlarını kullanan bir makine öğrenmesi dalıdır. Bu ağlar, büyük miktarda veriyi analiz ederek ve performansı iyileştirmek 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 algı odaklı görevlerde son derece etkilidir.

Buna iyi bir örnek, görüntülerdeki nesneleri bölütlemek üzere eğitilmiş bir bilgisayarlı görü modelidir. Yeterli sayıda etiketlenmiş örnekle bu model, gerçek zamanlı trafik görüntülerinde yolları, araçları ve yayaları birbirinden ayırmayı öğrenebilir.

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

Sembolik yapay zekâyı keşfetmek#

Sembolik yapay zekâ, zekâya ve karar vermeye daha yapılandırılmış bir yaklaşım getirir. Bilgiyi semboller kullanarak temsil eder ve bu bilgi üzerinde çalışmak için mantıksal kurallar uygular; bu, sorunları çözmek için akıl yürütme ve dili kullanma biçimimize benzer. Akıl yürütme sürecindeki her adım tanımlıdır; bu da sembolik yapay zekânın kararlarını şeffaf ve açıklanması daha kolay hâle getirir.

Sembolik bilgi; planlama, zamanlama veya yapılandırılmış bilgiyi yönetme gibi açık ve iyi tanımlanmış kuralları izleyen görevlerde özellikle iyi çalışır. Ancak sembolik yapay zekâ, yapılandırılmamış verilerle veya önceden tanımlanmış kategorilere düzgün şekilde uymayan durumlarla başa çıkmakta zorlanır.

Sembolik yaklaşımların uygulamadaki yaygın bir örneği, ilk dönem satranç programlarıdır. Bu programlar önceki 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 yapısına ve alt alanlarına bakış. (Görsel yazar tarafından hazırlanmıştır)

Nöro-sembolik yapay zekâ nedir?#

2010'lu yıllarda derin öğrenme daha geniş ölçekte benimsenmeye başladıkça araştırmacılar, basit örüntü tanımanın ötesine geçip ilişkileri ve bağlamı anlamanın yollarını aramaya başladı. Bu değişim, yapay zekâ modellerinin bir sahnedeki kedi ve paspas gibi nesneleri yalnızca algılamasını değil, aynı zamanda bu nesnelerin birbiriyle ilişkisini yorumlamasını da mümkün kıldı; örneğin kedinin paspasın üzerinde oturduğunu tanımak gibi.

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

Nöro-sembolik yapay zekâ, derin öğrenme ile sembolik yapay zekâyı bütünleştirir. Modellerin derin öğrenmede olduğu gibi örneklerden öğrenmesini ve aynı zamanda sembolik yapay zekâda olduğu gibi mantık ile akıl yürütmeyi uygulamasını sağlar.

Basitçe söylemek gerekirse nöro-sembolik yapay zekâ, bilgiyi tanıyabilir, bağlamı anlayabilir ve kararları için daha net açıklamalar sunabilir. Bu yaklaşım, daha güvenilir ve insan benzeri bir şekilde davranan yapay zekâ sistemleri geliştirmeye bizi yaklaştırır.

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

Nöro-sembolik yapay zekânın çalışma şeklinin temelleri#

Nöro-sembolik bir mimari, öğrenme ve akıl yürütmeyi tek bir çerçeve içinde bir araya getirir. Genellikle üç ana bölüm içerir: ham verileri yorumlayan bir sinirsel algı katmanı, mantık uygulayan bir sembolik akıl yürütme katmanı ve bu ikisini birbirine bağlayan bir entegrasyon katmanı. Şimdi her katmana daha yakından bakalım.

Sinirsel algı katmanı#

Sinirsel algı bileşeni; görüntüler, videolar, metinler veya sesler gibi yapılandırılmamış verileri işler ve bunları sistemin üzerinde çalışabileceği dahili temsillere dönüştürür. Girdideki örüntüleri algılamak ve nesneleri ya da özellikleri belirlemek için genellikle derin öğrenme modelleri kullanır. Bu aşamada sistem, verilerde ne bulunduğunu tanır; ancak henüz anlam, ilişkiler veya bağlam hakkında akıl yürütmez.

Bu katmanda kullanılan bazı yaygın derin öğrenme modeli türleri şunlardır:

• Evrişimsel sinir ağları (CNNs): Görüntüler gibi ızgara biçimli verileri işlemek üzere tasarlanmış bir sinir ağı türüdür. CNNs, bir görüntü üzerinde tarama yapmak ve kenarlar, dokular ile şekiller gibi örüntüleri algılamak için evrişim filtreleri kullanır. Bu örüntüleri üst üste koyarak arabalar, meyveler ve insanlar gibi nesneleri tanımayı öğrenir.
• Transformers: Transformers, bir girdinin farklı bölümlerinin birbiriyle nasıl ilişkili olduğunu anlamak üzere tasarlanmış modellerdir. Bilgiyi kesinlikle sırayla okumak yerine verilerin birden fazla bölümüne aynı anda bakabilir ve hangi bölümlerin en önemli olduğuna karar verebilirler. Bu, metinlerde, görüntülerde veya her ikisinde bağlamı anlamalarına yardımcı olur. Bu esneklik sayesinde Transformers, modern dil modellerinin çoğunun ve birçok görsel-dil sisteminin temel mimarisidir.
• Yinelemeli sinir ağları (RNNs): Bu model türü, konuşma veya zaman serisi sinyalleri gibi sıralı verileri analiz etmek üzere tasarlanmıştır. Önceki girdilerin belleğini korur; bu da tahminlerinin zaman içindeki bağlamı dikkate alabileceği anlamına gelir.

Sonuç olarak bu sinirsel modeller, ham verilerden anlamlı özellikleri çıkarır ve temsil eder. Bu çıktı daha sonra, sistemin algıladığı şeyleri yorumlayan ve bunlar hakkında akıl yürüten sembolik akıl yürütme katmanının girdisi olur.

Sembolik akıl yürütme katmanı#

Sembolik akıl yürütme katmanı, sinirsel algı katmanının ürettiği bilgiyi alır ve mantık kullanarak anlamlandırır. Yalnızca örüntülerle çalışmak yerine kurallar, bilgi grafikleri, bilgi tabanları ve ontolojiler (kavramların ve bunların birbiriyle ilişkilerinin düzenlenmiş açıklamaları) gibi unsurlara 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 görüntüsünde kırmızı bir trafik ışığını tanıyabilir. Sembolik akıl yürütme katmanı daha sonra “Işık kırmızıysa araç durmalıdır.” gibi bir kural uygulayabilir. Akıl yürütme açık kurallara dayandığı için sistemin kararlarını açıklamak ve doğrulamak daha kolaydır; bu da özellikle güvenliğin 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 yayanın algılanmasını) nesneyi ve özelliklerini tanımlayan sembolik temsillere dönüştürür.

Diğer yönde ise sembolik kuralları (örneğin “yaya geçidinde bir yaya varsa araç durmalıdır”) alır ve bunları sinirsel modellere rehberlik eden sinyallere dönüştürür. Bu işlem, bir görüntünün ilgili alanlarını vurgulamayı, dikkati etkilemeyi 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, gerçek dünya verilerine dayanarak daha etkili şekilde uyum sağlayabilir. Mantıksal kısıtları doğrudan sinirsel mimarilere yerleştiren mantıksal sinir ağları (LNNs) gibi teknikler bu etkileşimi mümkün kılmaya yardımcı olur.

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

Nöro-sembolik yapay zekânın uygulamaları#

Nöro-sembolik yapay zekânın ne olduğunu ve nasıl çalıştığını artık daha iyi anladığımıza göre, gerçek dünyadaki kullanım alanlarından bazılarına göz atalım.

Daha güvenli sürüş: Yayaları görmekten onları anlamaya#

Otonom araçların güvenli şekilde çalışabilmesi için çevrelerini anlaması gerekir. Yayaları, araçları, şerit işaretlerini ve trafik levhalarını algılamak için bilgisayarlı görü gibi teknolojileri kullanırlar.

Derin öğrenme modelleri bu nesneleri doğru şekilde tanımlayabilse de nesnelerin bağlam içinde ne anlama geldiğini veya gerçek dünyadaki bir durumda birbiriyle nasıl ilişkili olduğunu her zaman anlayamaz. Örneğin bir sinirsel model, yaya geçidindeki bir yayayı tanıyabilir; ancak bu kişinin karşıya geçmek üzere mi olduğunu yoksa yalnızca durup beklediğini mi söyleyemez.

Nöro-sembolik yapay zekâ, kendi kendine sürüş yapan araçların görsel tanımayı mantıksal akıl yürütmeyle birleştirmesini sağlayarak bu boşluğu kapatmaya çalışır; böylece yalnızca nesneleri tanımlamak yerine durumları yorumlayabilirler. Son yapay zekâ araştırmaları, sinirsel algıyı sembolik kurallarla birleştiren sistemlerin yaya davranışı tahminini iyileştirebileceğini göstermiştir.

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

Nöro-sembolik sistem, bu iki bakış açısını birleştirerek yalnızca bir yayayı algılamaktan fazlasını yapabilir. Yayanın karşıya geçme olasılığı hakkında makul bir tahminde bulunabilir ve bu kararı neden verdiğini açıklayabilir. Bu da otonom araçlarda daha güvenli ve şeffaf bir davranış sağlar.

Şekil 3. Gözlemlenen yaya davranışına dayalı olarak nöro-sembolik yapay zekâ kullanarak tahminler yapma. (Kaynak)

Görsel soru yanıtlama alanında mantıksal yorumlama#

Nöro-sembolik yapay zekânın bir diğer önemli uygulaması görsel soru yanıtlamadır (VQA). VQA sistemleri görüntülerle ilgili soruları yanıtlamak üzere tasarlanmıştır.

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

Yakın tarihli bir çalışma, nöro-sembolik yapay zekânın sinirsel algıyı sembolik akıl yürütmeyle bütünleştirerek VQA'yı nasıl geliştirebileceğini gösterdi. Önerilen sistemde sinir ağı, renk, şekil veya boyut gibi nesneleri ve özelliklerini tanımak için önce görüntüyü analiz eder.

Sembolik akıl yürütme bileşeni daha sonra bu nesnelerin birbiriyle nasıl ilişkili olduğunu yorumlamak ve soruyu yanıtlamak için mantıksal kurallar uygular. “Sahnede kaç tane gri silindir var?” diye sorulduğunda sinirsel bölüm tüm silindirleri ve renklerini belirler, sembolik bölüm ise kriterlere göre filtreleme yaparak doğru olanları sayar.

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

Bu tür araştırmalar, nöro-sembolik VQA'nın yalnızca yanıtlar sunmanın ötesine nasıl geçebileceğini ortaya koyuyor. Model bir sonuca ulaşmak için izlediği adımları gösterebildiğinden, sistemlerin tahminler yapıp akıl yürütmelerini insanların anlayabileceği şekilde gerekçelendirdiği açıklanabilir yapay zekâyı destekler.

Nöro-sembolik yapay zekânın artıları ve eksileri#

Nöro-sembolik yapay zekâ kullanmanın başlıca faydalarından bazıları şunlardır:

• Daha güçlü akıl yürütme yetenekleri: Saf derin öğrenme modellerinin aksine nöro-sembolik yapay zekâ; çok adımlı akıl yürütme, planlama, kuralları izleme ve sembolik yapay zekânın geleneksel olarak başarılı olduğu yapılandırılmış bilgi alanlarını ele alma gerektiren görevleri gerçekleştirebilir.
• Uyarlanabilirlik: Bu sistemler, eğitildikleri verilerin ötesinde mantıksal akıl yürütebildikleri için yeni veya daha önce görülmemiş görevlerde iyi performans gösterir. Verileri yalnızca ezberlemek yerine ilişkileri ve örüntüleri anlarlar.
• Gürültüye ve belirsizliğe karşı dayanıklılık: Mantıksal kısıtlamalar, veriler gürültülü, eksik veya belirsiz olduğunda hataların önlenmesine yardımcı olabilir. Akıl yürütme katmanı, sinirsel tahminlere rehberlik eden veya bunları düzelten kuralları uygulayabilir.

Potansiyeline rağmen nöro-sembolik yapay zekâ hâlâ gelişiyor ve bazı pratik zorlukları beraberinde getiriyor. Başlıca sınırlamalarından bazıları şunlardır:

• Karmaşık entegrasyon: Bu hibrit çerçeve güçlü bir 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 veya hesaplama açısından maliyetli hâle gelebilir. Bu durum otonom sürüş, video işleme veya büyük ölçekli bilgi akıl yürütme gibi gerçek zamanlı uygulamaların verimli şekilde devreye alınmasını zorlaştırabilir.
• Akıl yürütme dayanıklılığı: Sembolik kurallar çok katı olduğunda sistemler belirsiz veya öngörülemeyen gerçek dünya senaryolarında zorlanabilir. Esnek öğrenme ile güvenilir akıl yürütme arasında denge kurmak hâlâ devam eden bir zorluktur.

Önemli çıkarımlar#

Nöro-sembolik yapay zekâ, dünyayı yalnızca algılamakla kalmayıp onun hakkında akıl yürütebilen ve kararlarını açıklayabilen yapay zekâ sistemleri oluşturma yolunda önemli bir adımı temsil eder. Çoğunlukla verilerden öğrenilen örüntülere dayanan geleneksel derin öğrenme sistemlerinin aksine nöro-sembolik yapay zekâ, istatistiksel öğrenmeyi yapılandırılmış mantık ve bilgiyle birleştirir. Derin öğrenmenin yerini almak yerine onun üzerine inşa edilir ve daha insan benzeri bir şekilde anlayıp akıl yürütebilen yapay zekâ geliştirmeye bizi biraz daha yaklaştırır.

Topluluğumuza katıl ve GitHub depomuzu keşfet. Tarımda yapay zekânın ve sağlık hizmetlerinde bilgisayarlı görünün çeşitli uygulamalarını keşfetmek için çözümler sayfalarımıza göz at. Lisans seçeneklerimizi keşfet ve görüntü yapay zekâ projenizi geliştirmeye başla!