Sembolik Yapay Zeka

Genellikle Eski Moda Yapay Zeka (GOFAI) olarak adlandırılan Sembolik Yapay Zeka, insan bilgisini açık kurallar ve semboller aracılığıyla temsil etmeye odaklanan bir Yapay Zeka (YZ) dalıdır. Bu yaklaşım, 1950'lerden 1980'lerin sonuna kadar YZ araştırmalarında baskın paradigma olmuştur. Modern veri odaklı yöntemlerin aksine, Sembolik YZ, bir dizi mantıksal kural tarafından yönetilen gerçek dünya kavramlarını temsil eden sembolleri manipüle ederek zekanın elde edilebileceği ilkesine göre çalışır. John McCarthy gibi öncüler tarafından savunulan temel fikir, dünya hakkında insan tümdengelim 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 bunlar arasındaki ilişkileri içeren yapılandırılmış bir veritabanı. Bu bilgi genellikle insan uzmanlar tarafından manuel olarak düzenlenir. Bu kavramın modern bir eşdeğeri bilgi grafiklerinde görülebilir.
• Çıkarım Motoru: Yeni bilgiler türetmek veya kararlar almak için bilgi tabanına mantıksal çıkarım uygulayan bir dizi kural ve algoritma. Aşağıdakiler gibi resmi mantık kullanır IF-THEN ifadeleri, sorguları işlemek ve sorunları çözmek için. Bu süreç son derece şeffaftır, bu da onu Açıklanabilir Yapay Zeka (XAI).

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

Sembolik Yapay Zeka ve Makine Öğrenimi

Sembolik YZ, Ultralytics YOLO gibi gelişmiş bilgisayarla görme (CV) modelleri de dahil olmak üzere çoğu modern YZ uygulamasının temelini oluşturan Makine Öğreniminden (ML) temelde farklıdır.

Temel ayrım, bilginin nasıl elde edildiğinde yatmaktadır:

• Sembolik yapay zeka yukarıdan aşağıya bir yaklaşımdır. Bir insan uzman, kuralları ve bilgiyi sisteme açıkça programlar. Sistemin muhakemesi bu önceden tanımlanmış bilgi ile sınırlıdır.
• Makine Öğrenimi aşağıdan yukarıya bir yaklaşımdır. Modeller, özellikle de derin öğrenme ve sinir ağları (NN) kullananlar, büyük miktarda eğitim verisini analiz ederek örüntüleri ve ilişkileri dolaylı olarak öğrenir. Örneğin, bir YOLO modeli, neyin "araba" veya "insan" olduğuna dair açık kurallar söylenerek değil, binlerce etiketli görüntü üzerinde eğitilerek nesne algılamayı öğrenir.

Makine öğrenimi modelleri karmaşık, yapılandırılmamış verileri işleme konusunda mükemmel olsa da, karar verme süreçleri şeffaf olmayabilir. Buna karşılık, Sembolik YZ'nin muhakemesi kolayca izlenebilir, bu da hesap verebilirliğin ve YZ etiğinin çok önemli olduğu uygulamalar için çok önemlidir.

Gerçek Dünya Uygulamaları ve Örnekler

Günümüzde daha az yaygın olmasına rağmen, Sembolik Yapay Zeka birçok önemli uygulamaya güç vermiştir ve ilkeleri geçerliliğini korumaktadır.

1. Uzman Sistemler: Bunlar Sembolik YZ'nin en başarılı uygulamaları arasındadır. Bir uzman sistem, belirli bir alanda bir insan uzmanın karar verme yeteneğini taklit etmek için tasarlanmıştır. Örneğin MYCIN, 1970'lerde ciddi enfeksiyonlara neden olan bakterileri tanımlamak ve antibiyotik önermek için geliştirilen ünlü bir uzman sistemdi. Tıbbi uzmanlardan elde edilen yaklaşık 600 kuraldan oluşan bir bilgi tabanı kullanmıştır.
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 resmi gramerler ve sözdizimi kuralları kullandılar. İlk otomatik dilbilgisi denetleyicileri ve makine çeviri sistemleri bu ilkeler üzerine inşa edilmiştir.

Gelecek: Hibrit Yapay Zeka

Sembolik YZ'nin sınırlamaları - özellikle yeni veya belirsiz durumlarla karşılaştığında kırılganlığı ve bilgi tabanını ölçeklendirmenin zorluğu - ML'nin yükselişine yol açtı. Bununla birlikte, gelecek muhtemelen her iki yaklaşımın güçlü yönlerini birleştiren hibrit YZ modellerinde yatmaktadır. Geliştiriciler, Sembolik YZ'nin mantıksal muhakemesini ML'nin örüntü tanıma gücüyle entegre ederek daha sağlam, şeffaf ve yetenekli YZ sistemleri oluşturabilirler. Bu hibrit sistemler, Nöro-Sembolik YZ gibi alanlarda araştırılan bir kavram olan temel modellerin öğrenme sürecini geliştirmek için sembolik sistemlerin yapısal bilgisinden yararlanmayı amaçlamaktadır. Ultralytics HUB gibi platformlar, bir gün bu hibrit teknikleri içerebilecek makine öğrenimi modellerinin dağıtımını kolaylaştırır.