Sembolik Yapay Zeka

Sembolik yapay zeka, karmaşık görevleri çözmek için yüksek düzeyde, insan tarafından okunabilir sorun, mantık ve arama yeteneklerine dayanan bir yapay zeka dalıdır. Genellikle "Eski Usul Yapay Zeka" (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. Modern Derin Öğrenme (DL) sistemlerinin aksine, Sembolik Yapay Zeka belirli bilgiler ve mantıksal kısıtlamalarla manuel olarak programlanır ve bu da onu kurallara sıkı sıkıya bağlı kalmayı ve şeffaf karar vermeyi gerektiren sorunlar için son derece etkili kılar. Büyük miktarda veriden kalıpları öğrenen modern Derin Öğrenme (DL) aksine, Sembolik Yapay Zeka belirli bilgiler ve mantıksal kısıtlamalarla manuel olarak programlanır, bu da onu kurallara sıkı sıkıya bağlı kalmayı ve şeffaf karar vermeyi gerektiren sorunlar için oldukça etkin kılar.

Sembolik Akıl Yürütmenin Mekanizması

Sembolik AI'nın temelinde, mantık kullanarak sembollerin manipülasyonu yatmaktadır. Bu sistemler, İstatistiksel AI'da bulunan sinir ağlarına dayanmaz; bunun yerine, mevcut bilgi tabanlarından yeni gerçekleri türetmek için bir çıkarım motoru kullanır. Örneğin, sembolik bir sistem "Sokrates bir erkektir" gerçeğini ve "Tüm erkekler ölümlüdür" kuralını depolayabilir. Mantıksal çıkarım uygulayarak, sistem bağımsız olarak "Sokrates ölümlüdür" sonucuna varabilir.

Bu açık yapı, yüksek düzeyde Açıklanabilir Yapay Zeka (XAI) sağlar. Sistem açık bir "EĞER-O ZAMAN" mantık zincirini izlediğinden, mühendisler belirli bir kararın neden alındığını tam olarak izleyebilirler. Bu , iç mantık süreci genellikle belirsiz olan birçok üretken yapay zeka modelinin "kara kutu" doğasıyla keskin bir tezat oluşturur.

Sembolik YZ ve İstatistiksel YZ

Sembolik Yapay Zeka'yı günümüzün baskın paradigması olan İstatistiksel Yapay Zeka'dan ayırmak çok önemlidir.

• Sembolik yapay zeka, yukarıdan aşağıya ve kurallara dayalıdır. Soyut muhakeme, planlama ve cebirsel denklemler veya bilgi grafikleri gibi tanımlanmış yapıları manipüle etme konusunda mükemmeldir. Kuralların değişmediği statik ortamlarda mükemmel performans gösterir, ancak gürültülü veriler (yapılandırılmamış görüntüler gibi) veya belirsizliklerle başa çıkmakta zorlanır.
• İstatistiksel AI ( Makine Öğrenimi dahil) aşağıdan yukarıya ve veri odaklıdır. YOLO26 gibi modeller, binlerce görüntüyü işleyerek kalıpları tanımayı öğrenir. Gürültüye karşı dayanıklıdırlar ve algılama görevlerinde mükemmeldirler, ancak genellikle ek bileşenler olmadan mantıksal akıl yürütme yeteneğinden yoksundurlar.

Gerçek Dünya Uygulamaları

Derin öğrenme algılama görevlerinde baskın olsa da, Sembolik Yapay Zeka, hassasiyet ve denetlenebilirlik gerektiren sektörlerde hayati önemini korumaktadır.

• Sağlık Hizmetlerinde Uzman Sistemler: Tıpta yapay zekanın ilk biçimleri sembolik uzman sistemlerdi. Bu sistemler, tedavi önerilerinde bulunmak için tıbbi bilgi veritabanını ve bir dizi teşhis kuralını kullanır. Günümüzde, bu mantık katmanları genellikle sağlık hizmetlerinde yapay zeka vizyon modellerinde birlikte çalışarak, teşhisin yerleşik tıbbi protokollere uygun olmasını sağlar.
• Düzenleyici ve Finansal Uyum: Finans dünyasında yapay zeka, olasılıksal tahminler genellikle kabul edilemez. Vergi yazılımları ve otomatik uyum denetleyicileri, her hesaplamanın hükümetin vergi kanunlarına sıkı sıkıya uymasını sağlamak için sembolik mantık kullanır. "%99 olasılık" vergi beyanı için yetersizdir; mantık kesin olmalıdır, bu da sembolik programlamanın gücüdür.

Nöro-Sembolik Yapay Zekanın Yükselişi

Güçlü bir yeni trend, sinir ağlarının algılama gücünü sembolik mantığın akıl yürütme gücüyle birleştiren Nöro-Sembolik Yapay Zeka'dır. Bu hibrit sistemlerde, bir bilgisayar görme modeli duyusal girdiyi (dünyayı görmek) işlerken, sembolik katman akıl yürütmeyi (kuralları anlamak) işler.

Örneğin, Ultralytics bir fabrikadaki nesneleri detect için kullanabilir ve ardından bu algılamalara dayalı güvenlik kurallarını uygulamak için basit bir sembolik komut dosyası kullanabilirsiniz.

Aşağıdaki örnek, temel bir Nöro-Sembolik iş akışını göstermektedir: sinirsel bileşen (YOLO26) nesneyi algılar ve sembolik bileşen (Python ) 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.")

Geleceğe Bakış

Araştırmacılar Yapay Genel Zeka (AGI) hedefine doğru ilerlerken, tamamen istatistiksel modellerin sınırları giderek daha belirgin hale geliyor. GPT-4 gibi Büyük Dil Modelleri (LLM'ler) genellikle "halüsinasyonlar" sorunu yaşıyor, çünkü mantıksal olarak akıl yürütmek yerine bir sonraki kelimeyi olasılık temelinde tahmin ediyorlar.

Sembolik muhakemeyi entegre etmek, bu modellerin çıktılarını gerçeklere dayandırmalarını sağlar. Bu evrimi, doğal dil anlayışını yapılandırılmış veritabanı sorguları veya matematiksel çözücülerle birleştiren araçlarda görüyoruz. Karmaşık sistemler geliştiren geliştiriciler için Ultralytics , veri kümelerini yönetmek ve bu gelişmiş, mantık odaklı uygulamaların duyusal temeli olarak hizmet eden görme modellerini eğitmek için gerekli altyapıyı sunar . Bu modeller, doğal dilile veri kümeleri arasında köprü kurarak,