Symbolic AI

Sembolik Yapay Zeka, karmaşık görevleri çözmek için problemlerin, mantığın ve arama yeteneklerinin üst düzey, insan tarafından okunabilir temsillerine dayanan bir yapay zeka dalıdır. Genellikle "Eski Usul Yapay Zeka" (GOFAI) olarak adlandırılan bu yaklaşım, gerçek dünya kavramlarını temsil eden karakter dizileri olan sembolleri açık kurallara göre işleyerek insanın muhakeme yeteneğini taklit etmeye çalışır. Verilerden desenleri öğrenen modern Derin Öğrenme (DL) yönteminden farklı olarak, Sembolik Yapay Zeka belirli bilgiler ve mantıksal kısıtlamalarla manuel olarak programlanır; bu da onu kurallara sıkı sıkıya bağlı kalmayı ve şeffaf karar vermeyi gerektiren problemler için oldukça etkili kılar.

Link to this sectionSembolik Muhakemenin Mekaniği#

At the core of Symbolic AI lies the manipulation of symbols using logic. These systems do not rely on the neural networks found in Statistical AI; instead, they utilize an inference engine to derive new facts from existing knowledge bases. For example, a symbolic system might store the facts "Socrates is a man" and the rule "All men are mortal." By applying logical deduction, the system can independently conclude that "Socrates is mortal."

Bu açık yapı, yüksek düzeyde Açıklanabilir Yapay Zeka (XAI) sağlar. Sistem net bir "EĞER-İSE" mantık zincirini takip ettiğinden, mühendisler belirli bir kararın neden alındığını tam olarak takip edebilirler. Bu, iç muhakeme sürecinin genellikle opak olduğu birçok üretken yapay zeka modelinin "kara kutu" doğasıyla keskin bir tezat oluşturur.

Link to this sectionSembolik Yapay Zeka ve İstatistiksel Yapay Zeka karşılaştırması#

Sembolik Yapay Zeka'yı günümüzün baskın paradigması olan İstatistiksel Yapay Zeka ile ayırt etmek çok önemlidir.

• Sembolik Yapay Zeka yukarıdan aşağıya bir yaklaşıma ve kural tabanlı bir yapıya sahiptir. Cebirsel denklemler veya bilgi grafikleri gibi tanımlanmış yapıları işleme, planlama ve soyut muhakemede mükemmeldir. Kuralların değişmediği statik ortamlarda mükemmel performans gösterir, ancak gürültülü veriler (yapılandırılmamış görüntüler gibi) veya belirsizlik durumlarında zorlanır.
• İstatistiksel Yapay Zeka (Makine Öğrenimi dahil) aşağıdan yukarıya bir yaklaşıma ve veri odaklı bir yapıya sahiptir. YOLO26 gibi modeller binlerce görüntüyü işleyerek desenleri tanımayı öğrenir. Gürültüye karşı dayanıklıdırlar ve algılama görevlerinde mükemmeldirler ancak genellikle ek bileşenler olmadan mantıksal muhakeme yapma yeteneğinden yoksundurlar.

Link to this sectionGerçek Dünya Uygulamaları#

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

• Sağlık Hizmetlerinde Uzman Sistemler: Tıptaki ilk yapay zeka biçimleri, sembolik uzman sistemlerdi. Bu sistemler tıbbi bilgi veritabanını ve bir dizi tanı kuralını kullanarak tedaviler önerir. Günümüzde bu mantık katmanları, teşhisin yerleşik tıbbi protokollere uygun olmasını sağlamak için genellikle sağlık hizmetlerinde yapay zeka görüntü modelleriyle birlikte çalışır.
• Düzenleyici ve Finansal Uyumluluk: Finansta yapay zeka dünyasında olasılıksal tahminler genellikle kabul edilemez. Vergi yazılımları ve otomatik uyumluluk denetleyicileri, her hesaplamanın hükümet vergi kanunlarına sıkı sıkıya bağlı kalmasını sağlamak için sembolik mantık kullanır. Bir vergi beyannamesi için "%99 olasılık" yeterli değildir; mantık tam olmalıdır, bu da sembolik programlamanın bir gücüdür.

Link to this sectionNöro-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 fabrikadaki nesneleri tespit etmek için Ultralytics YOLO26 kullanabilir ve ardından bu tespitlere dayalı güvenlik kurallarını uygulamak için basit bir sembolik betik kullanabilirsin.

Aşağıdaki örnek, temel bir Nöro-Sembolik iş akışını göstermektedir: sinirsel bileşen (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.")

Link to this sectionGelecek Görünümü#

Araştırmacılar Yapay Genel Zeka (AGI) hedefine doğru ilerlerken, tamamen istatistiksel modellerin sınırlamaları giderek daha belirgin hale geliyor. GPT-4 gibi Büyük Dil Modelleri (LLM'ler), mantıksal olarak muhakeme yapmak yerine bir sonraki kelimeyi olasılıksal olarak tahmin ettikleri için sıklıkla "halüsinasyon" sorunu yaşarlar.

Sembolik muhakemeyi entegre etmek, bu modellerin çıktılarını gerçeklere "dayandırmasına" olanak tanır. Bu evrimi, doğal dil anlama yeteneklerini yapılandırılmış veritabanı sorguları veya matematiksel çözücülerle birleştiren araçlarda görüyoruz. Karmaşık sistemler geliştiren yazılımcılar için Ultralytics Platform, veri kümelerini yönetmek ve bu gelişmiş, mantık odaklı uygulamalar için duyusal temel görevi gören görüntü modellerini eğitmek için gerekli altyapıyı sunar.