Sembolik Yapay Zeka

Genellikle Eski Moda İyi Yapay Zeka (GOFAI) olarak da adlandırılan Sembolik Yapay Zeka, insan bilgisini açık kurallar ve semboller aracılığıyla temsil etmeye odaklanan bir Yapay Zeka (AI) dalıdır. Bu yaklaşım, 1950'lerden 1980'lerin sonlarına kadar yapay zeka araştırmalarında baskın bir paradigmaydı. Modern veri odaklı yöntemlerin aksine, Sembolik Yapay Zeka, gerçek dünya kavramlarını temsil eden ve bir dizi mantıksal kural tarafından yönetilen sembolleri manipüle ederek zekanın elde edilebileceği ilkesine göre çalışır. John McCarthy gibi öncüler tarafından savunulan temel fikir, dünyanın insan tümdengelimli mantığına benzer bir şekilde akıl yürütebilen sistemler inşa etmekti.

Sembolik Yapay Zeka Nasıl Çalışır

Sembolik Yapay Zeka sistemleri tipik olarak iki ana bileşenden oluşur: bir bilgi tabanı ve bir çıkarım motoru.

• Bilgi Tabanı: Sembolik bir dilde kodlanmış gerçekleri, kavramları ve aralarındaki ilişkileri içeren yapılandırılmış bir veri tabanıdır. Bu bilgi genellikle insan uzmanlar tarafından manuel olarak düzenlenir. Bu kavramın modern bir karşılığı bilgi grafikleri'nde görülebilir.
• Çıkarım Motoru: Yeni bilgiler türetmek veya kararlar almak için bilgi tabanına mantıksal çıkarım uygulayan bir dizi kural ve algoritma. Gibi biçimsel mantık kullanır IF-THEN ifadeleri, sorguları işlemek ve sorunları çözmek için. Bu süreç son derece şeffaftır ve bu da onu bir köşe taşı haline getirir. Açıklanabilir Yapay Zeka (XAI).

Lisp ve Prolog gibi programlama dilleri, özellikle bu kural tabanlı programlama stilini desteklemek için geliştirilmiştir.

Sembolik Yapay Zeka - Makine Öğrenimi Karşılaştırması

Sembolik Yapay Zeka, gelişmiş bilgisayarlı görü (CV) modelleri gibi çoğu modern yapay zeka uygulamasının temeli olan Makine Öğrenimi (ML)'nden temelde farklıdır, Ultralytics YOLO da bunlara dahildir.

Temel ayrım, bilginin nasıl edinildiğinde yatar:

• Sembolik Yapay Zeka yukarıdan aşağıya bir yaklaşımdır. Bir insan uzman, kuralları ve bilgiyi açıkça sisteme programlar. Sistemin muhakemesi, bu önceden tanımlanmış bilgiyle sınırlıdır.
• Makine Öğrenimi aşağıdan yukarıya bir yaklaşımdır. Modeller, özellikle derin öğrenme ve sinir ağları (NN) kullananlar, büyük miktarlarda eğitim verisi analiz ederek örtülü olarak kalıpları ve ilişkileri öğrenirler. Örneğin, bir YOLO modeli, "araba" veya "insan"ı neyin oluşturduğuna dair açık kurallar söylenerek değil, binlerce etiketli görüntü üzerinde eğitilerek nesne tespiti yapmayı öğrenir.

ML modelleri karmaşık, yapılandırılmamış verileri işlemede mükemmel olsa da, karar verme süreçleri opak olabilir. Aksine, Sembolik Yapay Zeka'nın akıl yürütmesi kolayca izlenebilir, bu da hesap verebilirliğin ve Yapay Zeka etiğinin çok önemli olduğu uygulamalar için çok önemlidir.

Gerçek Dünya Uygulamaları ve Örnekleri

Sembolik Yapay Zeka bugün daha az yaygın olmasına rağmen, birçok önemli uygulamaya güç vermiştir ve prensipleri hala geçerlidir.

1. Uzman Sistemler: Bunlar, Sembolik Yapay Zeka'nın en başarılı uygulamaları arasındaydı. Bir uzman sistem, belirli bir alanda bir insan uzmanının karar verme yeteneğini taklit etmek için tasarlanmıştır. Örneğin, MYCIN, şiddetli enfeksiyonlara neden olan bakterileri tanımlamak ve antibiyotik önermek için 1970'lerde geliştirilen ünlü bir uzman sistemdi. Tıp uzmanlarından elde edilen yaklaşık 600 kuraldan oluşan bir bilgi tabanı kullanıyordu.
2. Erken Doğal Dil İşleme (NLP): İstatistiksel yöntemlerin ve Büyük Dil Modellerinin (LLM'ler) yükselişinden önce, NLP sistemleri sembolik yaklaşımlara dayanıyordu. Cümleleri ayrıştırmak ve dil yapısını anlamak için biçimsel gramerler ve sözdizimi kuralları kullandılar. Erken otomatik gramer denetleyicileri ve makine çevirisi sistemleri bu ilkeler üzerine inşa edildi.

Gelecek: Hibrit Yapay Zeka

Sembolik Yapay Zeka'nın sınırlamaları (özellikle yeni veya belirsiz durumlarla karşılaşıldığında kırılganlığı ve bilgi tabanını ölçeklendirmenin zorluğu) makine öğreniminin yükselişine yol açtı. Ancak, gelecek muhtemelen her iki yaklaşımın güçlü yönlerini birleştiren hibrit yapay zeka modellerinde yatıyor. Sembolik Yapay Zeka'nın mantıksal akıl yürütmesini, makine öğreniminin örüntü tanıma gücüyle entegre ederek, geliştiriciler daha sağlam, şeffaf ve yetenekli yapay zeka sistemleri oluşturabilirler. Bu hibrit sistemler, temel modellerin öğrenme sürecini geliştirmek için sembolik sistemlerin yapısal bilgisinden yararlanmayı amaçlar; bu, Nöro-Sembolik Yapay Zeka gibi alanlarda araştırılan bir kavramdır. Ultralytics HUB gibi platformlar, bir gün bu hibrit teknikleri içerebilecek makine öğrenimi modellerinin dağıtımını kolaylaştırır.