Symbolic AI

Sembolik Yapay Zekâ, karmaşık görevleri çözmek için problemlerin üst düzey, insan tarafından okunabilir temsillerine, mantığa ve arama yeteneklerine dayanan bir yapay zekâ dalıdır. Genellikle "Eski Usul Yapay Zekâ" (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. Büyük miktarda veriden örüntüler öğrenen modern Derin Öğrenme (DL) yaklaşımının aksine Sembolik Yapay Zekâ, belirli bilgiler ve mantıksal kısıtlamalarla elle programlanır; bu da onu kurallara sıkı sıkıya uyulmasını ve şeffaf karar almayı gerektiren problemler için son derece etkili kılar.

Sembolik Akıl Yürütmenin Mekaniği#

Sembolik Yapay Zekânın temelinde, sembollerin mantık kullanılarak işlenmesi yatar. Bu sistemler, İstatistiksel Yapay Zekâ içinde bulunan sinir ağlarına dayanmaz; bunun yerine mevcut bilgi tabanlarından yeni gerçekler çıkarmak için bir çıkarım motoru kullanır. Örneğin sembolik bir sistem, "Sokrates bir insandır" gerçeğini ve "Tüm insanlar ölümlüdür" kuralını depolayabilir. Sistem, mantıksal tümdengelim uygulayarak bağımsız biçimde "Sokrates ölümlüdür" sonucuna varabilir.

Bu açık yapı, yüksek düzeyde Açıklanabilir Yapay Zekâ (XAI) sağlar. Sistem, net bir "EĞER-İSE" mantık zincirini izlediğinden mühendisler belirli bir kararın neden alındığını tam olarak izleyebilir. Bu durum, içsel akıl yürütme sürecinin çoğu zaman opak olduğu birçok üretken yapay zekâ modelinin "kara kutu" doğasıyla keskin bir tezat oluşturur.

Sembolik Yapay Zekâ ve İstatistiksel Yapay Zekâ#

Günümüzde baskın paradigma olan İstatistiksel Yapay Zekâ ile Sembolik Yapay Zekâyı birbirinden ayırmak çok önemlidir.

• Sembolik Yapay Zekâ yukarıdan aşağıya işleyen ve kurallara dayalı bir yaklaşımdır. Cebirsel denklemler veya bilgi grafikleri gibi tanımlı yapılar üzerinde soyut akıl yürütme, planlama ve işlem yapma konularında başarılıdır. Kuralların değişmediği statik ortamlarda kusursuz performans gösterir; ancak gürültülü verilerle (yapılandırılmamış görüntüler gibi) veya belirsizlikle başa çıkmakta zorlanır.
• İstatistiksel Yapay Zekâ (Makine Öğrenimi dahil) aşağıdan yukarıya işleyen ve veriye dayalı bir yaklaşımdır. YOLO26 gibi modeller binlerce görüntüyü işleyerek örüntüleri tanımayı öğrenir. Gürültüye karşı dayanıklıdır ve algılama görevlerinde mükemmeldir; ancak genellikle ek bileşenler olmadan mantıksal akıl yürütme yeteneğinden yoksundur.

Gerçek Dünya Uygulamaları#

Derin öğrenme algılama görevlerine hâkim olsa da Sembolik Yapay Zekâ, hassasiyet ve denetlenebilirlik gerektiren sektörlerde önemini korur.

• Sağlık Hizmetlerinde Uzman Sistemler: Tıptaki ilk yapay zekâ biçimleri sembolik uzman sistemleriydi. Bu sistemler tedavi önerilerinde bulunmak için bir tıbbi bilgi veri tabanından ve bir dizi tanı kuralından yararlanır. Günümüzde bu mantık katmanları çoğu zaman sağlık hizmetlerinde yapay zekâ görüntü modelleriyle birlikte çalışarak bir tanının yerleşik tıbbi protokollere uygun olmasını sağlar.
• Düzenleyici ve Finansal Uyumluluk: Finansta yapay zekâ dünyasında olasılıklı tahminler çoğu zaman kabul edilemez. Vergi yazılımları ve otomatik uyumluluk denetleyicileri, her hesaplamanın devletin vergi mevzuatına sıkı biçimde uygun olmasını sağlamak için sembolik mantık kullanır. Bir vergi beyannamesi için "%99 olasılık" yeterli değildir; mantığın kesin olması gerekir ve bu, sembolik programlamanın güçlü yönlerinden biridir.

Nöro-Sembolik Yapay Zekânın Yükselişi#

Güçlü ve gelişmekte olan bir eğilim olan Nöro-Sembolik Yapay Zekâ, sinir ağlarının algılama gücünü sembolik mantığın akıl yürütme gücüyle birleştirir. Bu hibrit sistemlerde bir bilgisayarlı görü modeli duyusal girdiyi (dünyayı görmeyi) işlerken sembolik katman akıl yürütmeyi (kuralları anlamayı) üstlenir.

Örneğin bir fabrikadaki nesneleri algılamak için Ultralytics YOLO26 kullanabilir, ardından bu algılamalara dayalı güvenlik kurallarını uygulamak için basit bir sembolik betikten yararlanabilirsin.

Aşağıdaki örnek, temel bir Nöro-Sembolik iş akışını gösterir: sinirsel bileşen (Ultralytics YOLO26) nesneyi algılar, sembolik bileşen (Python mantığı) ise bir kuralı 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.")

Geleceğe Bakış#

Araştırmacılar Yapay Genel Zekâ (AGI) hedefi doğrultusunda ilerledikçe tamamen istatistiksel modellerin sınırlamaları belirginleşiyor. GPT-4 gibi Büyük Dil Modelleri (LLMs), mantıksal akıl yürütmek yerine bir sonraki kelimeyi olasılıksal olarak tahmin ettikleri için çoğu zaman "halüsinasyon" sorunu yaşar.

Sembolik akıl yürütmenin entegre edilmesi, bu modellerin çıktılarını gerçeklere "temellendirmesine" olanak tanır. Doğal dil anlama özelliğini yapılandırılmış veri tabanı sorguları veya matematiksel çözücülerle birleştiren araçlarda bu dönüşümü görüyoruz. Karmaşık sistemler geliştiren geliştiriciler için Ultralytics Platformu, bu gelişmiş, mantık odaklı uygulamaların duyusal temelini oluşturan veri kümelerini yönetmek ve görüntü modellerini eğitmek için gerekli altyapıyı sunar.