Symbolic AI

Sembolik Yapay Zeka, karmaşık görevleri çözmek için yüksek düzeyli, insan tarafından okunabilir sorun, mantık ve arama yetenekleri temsillerine dayanan bir yapay zeka dalıdır. Genellikle "Good Old-Fashioned AI" (GOFAI) olarak adlandırılan bu yaklaşım, gerçek dünyadaki kavramları temsil eden karakter dizileri olan sembolleri açık kurallara göre işleyerek insanın akıl yürütme yeteneğini taklit etmeye çalışır. Vast miktardaki verilerden kalıplar öğrenen modern Deep Learning (DL) aksine, Sembolik AI, kurallara katı bir şekilde uymayı ve şeffaf karar vermeyi gerektiren sorunlar için son derece etkili hale getiren belirli bilgi ve mantıksal kısıtlamalarla manuel olarak programlanır.

Sembolik Muhakemenin Mekaniği#

Sembolik AI'ın merkezinde mantık kullanarak sembollerin manipülasyonu yer alır. Bu sistemler Statistical AI içinde bulunan neural networks dayanmaz; bunun yerine, mevcut bilgi tabanlarından yeni gerçekler türetmek için bir inference engine kullanırlar. Örneğin, sembolik bir sistem "Sokrates bir insandır" gerçeğini ve "Bütün insanlar ölümlüdür" kuralını saklayabilir. Mantıksal çıkarım uygulayarak sistem bağımsız olarak "Sokrates ölümlüdür" sonucuna varabilir.

Bu açık yapı, yüksek düzeyde Explainable AI (XAI) sağlar. Sistem net bir "IF-THEN" mantık zincirini takip ettiği için mühendisler belirli bir kararın tam olarak neden verildiğini izleyebilir. Bu, iç akıl yürütme sürecinin genellikle opak olduğu birçok generative AI modelinin "kara kutu" doğasıyla keskin bir tezat oluşturur.

Sembolik Yapay Zeka ve İstatistiksel Yapay Zeka karşılaştırması#

Sembolik AI'ı günümüzün baskın paradigması olan Statistical AI ayırmak çok önemlidir.

• Sembolik AI yukarıdan aşağıya (top-down) ve kural tabanlıdır. Cebirsel denklemler veya knowledge graphs gibi soyut akıl yürütme, planlama ve tanımlanmış yapıları manipüle etme konusunda başarılıdır. Kuralların değişmediği statik ortamlarda mükemmel performans gösterir, ancak gürültülü verilerle (yapılandırılmamış görüntüler gibi) veya belirsizlikle mücadele eder.
• Statistical AI (Machine Learning dahil) aşağıdan yukarıya (bottom-up) ve veri odaklıdır. YOLO26 gibi modeller binlerce görüntüyü işleyerek kalıpları tanımayı öğrenir. Gürültüye karşı dirençlidirler ve algılama görevlerinde mükemmeldirler, ancak genellikle ek bileşenler olmadan mantıksal akıl yürütme yeteneğinden yoksundurlar.

Gerçek Dünya Uygulamaları#

Derin öğrenme algılama görevlerine hakim olsa da, Sembolik Yapay Zeka hassasiyet ve denetlenebilirlik gerektiren endüstrilerde hayati önemini korumaktadır.

• Sağlık Sektöründe Uzman Sistemler: Tıpta erken dönem AI biçimleri sembolik expert systems idi. Bu sistemler, tedavileri önermek için tıbbi bilgi veritabanı ve bir dizi teşhis kuralı kullanır. Günümüzde bu mantık katmanları genellikle AI in healthcare görüş modelleriyle birlikte çalışarak teşhisin belirlenen tıbbi protokolere uymasını sağlar.
• Düzenleme ve Finansal Uyumluluk: AI in finance dünyasında olasılıksal tahminler genellikle kabul edilemezdir. Vergi yazılımları ve otomatik uyumluluk denetçileri, her hesaplamanın hükümet vergi yasalarına katı bir şekilde uymasını sağlamak için sembolik mantık kullanır. Bir vergi beyannamesi için "%99 olasılık" yeterli değildir; mantık kesin olmalıdır ki bu da sembolik programlamanın bir gücüdür.

Nöro-Sembolik Yapay Zeka'nın Yükselişi#

Güçlü bir şekilde ortaya çıkan yeni bir trend, sinir ağlarının algılama gücünü sembolik mantığın muhakeme gücüyle birleştiren Nöro-Sembolik Yapay Zeka'dır. Bu hibrit sistemlerde, bir bilgisayarlı görü modeli duyusal girdiyi (dünyayı görme) yönetirken, sembolik bir katman mantığı (kuralları anlama) yönetir.

Örneğin, bir fabrikada nesneleri tespit etmek için Ultralytics YOLO26 kullanabilir ve ardından bu tespitlere dayanarak güvenlik kurallarını uygulamak için basit bir sembolik komut dosyası kullanabilirsiniz.

Aşağıdaki örnek temel bir Nöro-Sembolik iş akışını göstermektedir: sinirsel bileşen (Ultralytics YOLO26) nesneyi algılar ve sembolik bileşen (Python mantığı) bir kural uygular.

from ultralytics import YOLO

# NEURAL COMPONENT: Use YOLO26 to 'perceive' the environment
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")

# SYMBOLIC COMPONENT: Apply explicit logic rules to the perception
for r in results:
    for c in r.boxes.cls:
        class_name = model.names[int(c)]
        # Rule: IF a heavy vehicle is detected, THEN issue a specific alert
        if class_name in ["bus", "truck"]:
            print(f"Logic Rule Triggered: Restricted vehicle '{class_name}' detected.")

Gelecek Görünümü#

Araştırmacılar Artificial General Intelligence (AGI) doğru çabalarken, tamamen istatistiksel modellerin sınırlamaları belirginleşiyor. GPT-4 gibi Büyük Dil Modelleri (LLM'ler), mantıksal olarak akıl yürütmek yerine sonraki kelimeyi olasılıksal olarak tahmin ettikleri için genellikle "halüsinasyonlardan" muzdariptir.

Sembolik akıl yürütmeyi entegre etmek, bu modellerin çıktılarını gerçeğe "dayandırmasına" olanak tanır. natural language understanding yapılandırılmış veritabanı sorguları veya matematiksel çözücülerle birleştiren araçlarda bu evrimi görüyoruz. Karmaşık sistemler oluşturan geliştiriciler için Ultralytics Platform, veri kümelerini yönetmek ve bu gelişmiş, mantık odaklı uygulamaların duyusal temelini oluşturan vizyon modellerini eğitmek için gerekli altyapıyı sunar.