Sembolik Yapay Zeka

Genellikle Eski Usul Yapay Zeka (GOFAI) olarak adlandırılan Sembolik Yapay Zeka, yapay zekanın bir dalıdır. Yapay Zekaya (AI) dayanan problemlerin yüksek seviyeli, insan tarafından okunabilir temsillerine ve bilgiyi işlemek için açık kurallara dayanır. Modernin aksine Büyük veri kümelerinden örüntüler öğrenen veri odaklı yaklaşımlar, Sembolik Yapay Zeka şu öncül üzerine inşa edilmiştir Zeka, mantıksal kurallar kullanılarak sembollerin manipüle edilmesiyle elde edilebilir. Bu paradigma yapay zekaya hükmetti gibi öncüler tarafından savunulan 1950'lerden 1980'lere kadar yapılan araştırmalar John McCarthy, ve hala son derece güncel Günümüzde mantıksal kısıtlamalara sıkı sıkıya bağlı kalmayı ve net yorumlanabilirliği gerektiren uygulamalarda.

Sembolik Sistemlerin Temel Bileşenleri

Sembolik YZ sistemleri, açıkça tanımlanmış bilgiyi işleyerek insan muhakemesini taklit eder. Tipik olarak ikiden oluşurlar ana mimari bileşenler:

• Bilgi Bankası: Dünya hakkında gerçekleri ve bilgileri içeren merkezi bir depo, genellikle olarak yapılandırılmış bilgi grafiği veya bir dizi IF-THEN ifadeler. Bu veri tabanı, sistemin zekasının "ne" olduğunu temsil eder.
• Çıkarım Motoru: Bilgi tabanına mantıksal kurallar uygulayarak çıkarım yapan işlem birimi yeni bilgiler edinmek veya kararlar almak. Kullanarak tümdengelimsel akıl yürütme, motor gezinir Bir sonuca ulaşmak için semboller aracılığıyla, sonucun girdilere dayalı olarak matematiksel olarak kanıtlanabilir olmasını sağlar.

Bu yapı, yüksek derecede Açıklanabilir Yapay Zeka (XAI), sistemin karar verme yolu, uyguladığı kurallar aracılığıyla adım adım geriye doğru izlenebilir.

Sembolik YZ ve İstatistiksel YZ

Modern YZ ortamını anlamak için Sembolik YZ'yi aşağıdakilerden ayırt etmek çok önemlidir İstatistiksel Yapay Zeka.

• Sembolik yapay zeka yukarıdan aşağıya bir yaklaşım benimser. Programcılar sistemin kurallarını açıkça kodlar. Bu soyut muhakeme, matematik ve planlamada başarılıdır ancak belirsizlik ve dağınık yapılandırılmamış verilerle mücadele eder Ham pikseller veya ses gibi.
• Aşağıdakileri içeren istatistiksel yapay zeka Makine Öğrenimi (ML) ve Derin Öğrenme (DL), aşağıdan yukarıya bir yaklaşım kullanır. Gibi modeller Evrişimsel Sinir Ağları (CNN'ler) örüntüleri eğitim verilerinden dolaylı olarak öğrenmek yerine onları nasıl tanıyacağınızı söylemekten daha önemlidir.

Her ne kadar YOLO11 model performans açısından mükemmeldir binlerce nesneden öğrenerek nesne algılama görüntülerde, tamamen sembolik bir sistem bu görevde başarısız olacaktır çünkü her görüntü için manuel olarak kural yazmak imkansızdır. bir nesnenin olası görsel varyasyonu.

Gerçek Dünya Uygulamaları

Sinir ağlarının yükselişine rağmen, Sembolik Yapay Zeka, genellikle diğer yöntemlerle birlikte hala yaygın olarak kullanılmaktadır.

1. Uzman Sistemler: Bunlar, ilk başarılı ticari yapay zeka ürünleriydi. Bir insan uzmanın karar verme yeteneği. Gibi sistemler MYCIN bakteriyel hastalık teşhisi için yüzlerce kural kullandı enfeksiyonlar. Bugün, benzer mantık güçleri iş kuralı motorları kredi uygunluğunu otomatik olarak belirlemek için finans ve sigortacılıkta.
2. Robotik ve Planlama: İçinde otonom araçlar ve robotik, üst düzey planlama genellikle semboliktir. Bir sinir ağı yol algısını ele alabilirken, sembolik bir planlayıcı "kırmızı ışık yanıyorsa dur" veya "yayalara yol ver" gibi eylemlere karar vermek için mantık güvenlik kısıtlamaları karşılanır.
3. Doğal Dil İşleme (NLP): Erken Doğal Dil İşleme (NLP) büyük ölçüde sembolik dilbilgisi kurallarına dayanıyordu. Gibi modern sistemler Büyük Dil Modelleri (LLM'ler) istatistiksel, ancak son trendler Nöro-sembolik yapay zeka, LLM'lerin akıcılığını birleştirmeyi amaçlıyor azaltmak için sembolik mantığın olgusal güvenilirliği ile halüsinasyonlar.

Hibrit Nöro-Sembolik İş Akışları

Günümüzde Sembolik Yapay Zekayı kullanmanın en güçlü yollarından biri, onu istatistiksel modellerle birleştirmektir. Bu yaklaşım sembolik sistemlerin mantıksal muhakemesi ile derin öğrenmenin algılama yeteneklerinden yararlanır.

Örneğin, nesneleri detect etmek için istatistiksel bir model kullanabilir ve ardından bu nesneler üzerinde hareket etmek için sembolik kurallar uygulayabilirsiniz. tespitler.

from ultralytics import YOLO

# Load a statistical model (YOLO11) for visual perception
model = YOLO("yolo11n.pt")

# Perform inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Apply Symbolic Logic (Rule-based reasoning) on top of statistical predictions
# Rule: If a 'person' is detected with high confidence (>0.8), trigger a specific action.
for result in results:
    for box in result.boxes:
        if box.cls == 0 and box.conf > 0.8:  # Class 0 is 'person' in COCO dataset
            print(f"Action Triggered: High-confidence person detected at {box.xywh}")

Avantajlar ve Sınırlamalar

Sembolik YZ'nin birincil avantajı şeffaflığıdır. Sağlık veya finans gibi sektörlerde Yapay zeka etiği ve mevzuata uygunluk son derece önemlidir. Bir kararın arkasındaki kuralları denetleyebilmek çok değerlidir. Ayrıca, sembolik sistemler büyük miktarlar gerektirmez çalışabilmesi için yalnızca geçerli bir dizi veriye ihtiyaçları vardır. Kurallar.

Ancak, "bilgi edinme darboğazı" önemli bir kısıtlamadır. Gerekli tüm bilgilerin manuel olarak kodlanması Bilginin kurallara dönüştürülmesi zaman alıcı ve kırılgandır. Sistem hatalardan ders çıkaramaz veya yeni ortamlara uyum sağlayamaz olarak bilinen, insan müdahalesi olmadan çerçeve problemi. Bu katılık, modern yapay zeka araştırmalarının entegre eden hibrit yaklaşımları büyük ölçüde tercih etmektedir. sembolik mantıkla öğrenme için sinir ağları mantık yürütmek için.