Nöro-sembolik yapay zekâ

Nöro-sembolik yapay zekâ (İngilizce: Neuro-symbolic artificial intelligence), yapay zekâ alanında sembolik akıl yürütme ile derin öğrenme temelli yöntemlerin bir araya getirildiği hibrit bir yaklaşımdır. Bu yaklaşım, geleneksel sembolik sistemlerin bilgi temsili ve mantıksal çıkarım yeteneklerini, modern sinir ağı tabanlı sistemlerin güçlü örüntü tanıma ve öğrenme kapasitesiyle bütünleştirerek daha esnek, açıklanabilir yapay zekâ açıklanabilir ve genellenebilir yapay zekâ sistemleri üretmeyi hedefler.

Sembolik yapay zekâ, bilgiye kurallar ve semboller aracılığıyla anlam yüklerken; derin öğrenme, büyük veri kümeleri üzerinden örüntüleri öğrenerek karar vermeyi sağlar. Nöro-sembolik yapay zekâ bu iki paradigmayı bir arada kullanarak, hem öğrenmeye hem de mantıksal çıkarıma dayalı sistemler geliştirir. Böylece sistemler yalnızca veriler üzerinden sezgisel sonuçlar üretmekle kalmaz, aynı zamanda bu sonuçları neden ve nasıl ürettiklerini açıklayabilir.

Bu yaklaşım, özellikle açıklanabilir yapay zekâ (XAI), az veriyle öğrenme (few-shot learning), nedensel çıkarım (causal reasoning) ve yapay genel zekâ (AGI) gibi alanlarda kritik öneme sahiptir. Nöro-sembolik sistemlerin amacı, insan benzeri bilişsel süreçleri daha doğru modelleyerek daha sağlam, güvenilir ve yorumlanabilir yapay zekâ çözümleri üretmektir.

Tarihçe ve gelişim

Nöro-sembolik yapay zekâ, yapay zekânın gelişiminde üçüncü dalga olarak kabul edilmektedir. 1950'li yıllarda sembolik yapay zekâ ile başlayan süreç, 2010'larda derin öğrenmenin yükselişiyle birlikte istatistiksel öğrenme yaklaşımlarına kaymıştır. Ancak, derin öğrenme sistemlerinin açıklanabilirlik ve genelleme konularında sınırlı kalması, sembolik ve nörel sistemlerin birleşimini öne çıkarmıştır.

Bu alanda öncü çalışmalar, Artur d'Avila Garcez ve Lamb tarafından sistematik olarak tanımlanmış ve Neurosymbolic AI: The 3rd Wave adlı makalede detaylandırılmıştır. Aynı zamanda, Gary Marcus tarafından önerilen hibrit sistemler yaklaşımı, bu paradigmanın önümüzdeki on yılın en önemli gelişme alanlarından biri olacağını öngörmektedir.

Amaç ve hedefler

Nöro-sembolik yapay zekânın temel amacı, yapay zekâ sistemlerinin hem öğrenme hem de mantıksal çıkarım yeteneklerini bir arada barındırmasını sağlamaktır. Bu yaklaşım, geleneksel sembolik yapay zekânın açıklanabilirliği ile derin öğrenmenin örüntü tanıma ve öğrenme gücünü birleştirir.

Bu doğrultuda nöro-sembolik yapay zekânın başlıca hedefleri şunlardır:

Öğrenen ve akıl yürüten sistemler geliştirmek: Sistemlerin yalnızca verilerden öğrenmekle kalmayıp, aynı zamanda öğrendikleri üzerinde mantıksal çıkarım yapmaları hedeflenir.

Açıklanabilir yapay zekâ (XAI): Sistemlerin kararlarını insanlar tarafından anlaşılabilir şekilde açıklayabilmesi.

Genelleme becerisi: Az miktarda veriyle geniş kapsamlı ve doğru tahminler yapabilme yeteneği.

Nedensel çıkarım (causal reasoning): Olaylar arasındaki neden-sonuç ilişkilerini kavrayabilen sistemler üretmek.

Yapay genel zekâ (AGI) yolunda ilerlemek: Sadece belirli görevlerde uzmanlaşan sistemler yerine, insan zekâsına yakın genel problem çözme yeteneğine sahip yapay zekâlar tasarlamak.

Sistem örnekleri

Nöro-sembolik yapay zekâ, teorik bir öneri olmanın ötesinde birçok uygulama sistemine dönüşmüştür:

Neuro-Symbolic Concept Learner(NSCL): IBM Research tarafından geliştirilen bir sistemdir. Görsel sahneleri tanıyıp mantıksal çıkarım yapabilir.

Logic Tensor Networks (LTN): Sembolik ifadeleri diferansiyellenebilir tensörlere dönüştürerek sinir ağı ile mantıksal çıkarım yapılmasını sağlar.

DeepProbLog: olasılıksal mantık programlama ile derin öğrenmenin birleşimi.

Greedy Neural Theorem Prover (GNTP): Mantıksal ispat görevlerinde nörel yaklaşım sunar.

Tensor Product Representations (TPR): Dilsel ve mantıksal yapıları nörel temsillere entegre eder.

Bu sistemler arasında bazıları gevşek bağlı sistemler (loosely coupled), bazıları ise sıkı bütünleşik sistemler (tightly integrated) olarak sınıflandırılır.

Yaklaşımlar

Nöro-sembolik entegrasyon yaklaşımları oldukça çeşitlidir.^[1] Henry Kautz'un nöro-sembolik mimarilere yönelik taksonomisi,^[2] bu çeşitliliği bazı örneklerle birlikte aşağıdaki şekilde sınıflandırmaktadır:

Sembolik → Nöral (Symbolic Neural)

Bu yaklaşım, kelimelerin veya alt kelime belirteçlerinin büyük dil modellerinin nihai girdisi ve çıktısı olduğu doğal dil işleme uygulamalarında yaygın olarak kullanılır. BERT, RoBERTa ve GPT-3 bu sınıfa örnek verilebilir.

Sembolik[Nöral] (Symbolic[Neural])

Sembolik tekniklerin, nöral yöntemleri çağırmak amacıyla kullanıldığı bir yaklaşımdır. Örneğin, AlphaGo sembolik Monte Carlo ağaç aramasını kullanarak oyun pozisyonlarını değerlendirmek için nöral tekniklere başvurur.

Nöral | Sembolik (Neural | Symbolic)

Bu yapı, algısal verileri sembolik olarak yorumlamak için nöral mimarilerden yararlanır. Semboller ve bunlar arasındaki ilişkiler, daha sonra sembolik biçimde işlenir. Neural Concept Learner bu yaklaşıma örnektir.^[3]

Sembolik → Nöral (Symbolic → Neural)

Bu yöntemde, sembolik akıl yürütme sistemleri eğitim verisi oluşturmak veya etiketlemek için kullanılır. Örneğin, Macsyma benzeri sembolik matematik sistemleri aracılığıyla, sembolik hesaplamalar yapan bir derin öğrenme modeline örnek veri sağlanabilir.

NöralSymbolic

Sembolik kurallardan türetilmiş bir nöral ağın kullanıldığı bir yaklaşımdır. Neural Theorem Prover, bilgi tabanı kurallarından ve terimlerinden türetilmiş VE-VEYA kanıt ağaçlarını kullanarak bir nöral ağ inşa eder.^[4] Logic Tensor Networks de bu kategoriye girer.^[5]

Nöral[Sembolik] (Neural[Symbolic])

Bu modelde bir nöral ağ, doğrudan bir sembolik akıl yürütme motorunu çağırabilir. Örneğin, ChatGPT'nin bir eklenti yardımıyla Wolfram Alpha'ya sorgu göndermesi bu yapıya örnektir.

Genişletilmiş Sınıflandırmalar ve Tartışmalar

Bu kategoriler kapsamlı değildir; özellikle çok ajanlı sistemler gibi yapıları dikkate almamaktadır. 2005 yılında Bader ve Hitzler, sembol kullanımının mantık içerip içermediğini ve içeriyorsa bunun önerme mantığı mı yoksa birinci dereceden mantık mı olduğunu da göz önüne alan daha ayrıntılı bir sınıflandırma sunmuştur.^[6] Bu sınıflandırma, 2021 yılında yayımlanan bir makalede Kautz'un taksonomisi ile karşılaştırılmıştır.^[2]

Son olarak, Sepp Hochreiter grafik sinir ağlarının (Graph Neural Networks) "nöro-sembolik hesaplamanın baskın modelleri" olduğunu ileri sürmüştür.^[7] Ona göre bu ağlar; moleküllerin özelliklerini tanımlama, sosyal ağları simüle etme ve parçacık-parçacık etkileşimleri içeren fiziksel ya da mühendislik uygulamalarında gelecekteki durumları tahmin etme gibi görevlerde kullanılmaktadır.^[8]

Karşılaşılan zorluklar

Nöro-sembolik sistemlerin geliştirilmesi birçok teknik ve teorik zorluk içermektedir. Bu zorluklar, sembolik sistemler ve nörel ağlar arasındaki doğal farklardan kaynaklanmakta ve sistem tasarımını karmaşıklaştırmaktadır: bu kısmı bu şekilde düzeltir misn Temsil Dili Seçimi: Sembolik bilginin sinir ağına nasıl aktarılacağı ve sinir ağlarından sembolik bilgiye nasıl geri dönüleceği hâlen çözülmesi gereken önemli bir problemdir.

Açıklanabilirlik: Derin öğrenme bileşenlerinin neden belirli bir sonuca ulaştığını, sembolik düzlemde ve insan tarafından anlaşılabilir şekilde açıklamak zordur.

Birleştirme Mimarisi: Sembolik ve nörel yapıların hangi mimari altında en verimli şekilde entegre edileceği konusunda standart bir yaklaşım yoktur.

Mantıksal ifade gücü: Derin öğrenme sistemleri genellikle önerme mantığı düzeyinde kalır. Birinci dereceden mantık gibi daha karmaşık yapıları anlamak ve işlemek sınırlıdır.

Veri ve Bilgi Uyuşmazlığı: Sembolik sistemler bilgiye dayalı çalışırken, nörel sistemler veriye dayanır. Bu iki farklı yaklaşımın aynı sistemde tutarlı biçimde işlemesi halen araştırma konusudur.

Performans ve hesaplama gücü: Nöro-sembolik sistemlerin çalışması genellikle yüksek işlem gücü gerektirir, bu da gerçek zamanlı uygulamalarda zorluk çıkarabilir.

Gelecek araştırmalar ve yönelimler

Nöro-sembolik yapay zekânın geleceği, yapay zekânın daha güvenilir, açıklanabilir ve insan benzeri hale gelmesi açısından önemli fırsatlar sunmaktadır. Bu alandaki başlıca araştırma yönleri şunlardır:

Sistem 1 ve Sistem 2 modellerinin birleşimi: Daniel Kahneman'ın hızlı (S1) ve yavaş (S2) düşünme modelinden yola çıkarak, derin öğrenmenin sezgisel yapısı ile sembolik sistemlerin mantıksal yapısını birleştirmeyi amaçlayan sistemler geliştirilmektedir.

Açıklanabilir yapay zekâ (XAI): Karar verme süreçlerini mantıksal ifadelerle açıklayarak kara kutu yapay zekâların şeffaflığını artırır.

Kavramsal öğrenme ve sembol türetimi: Derin öğrenme çıktılarının sembollere dönüştürülmesiyle kavramsal temsilin geliştirilmesi hedeflenmektedir.

Bilgi tabanlı aktarımlı öğrenme: Önceden öğrenilmiş bilgilerin yeni görevlere aktarılmasıyla verimlilik artırılabilir.

Nedensel çıkarım ve karşıolgusal sorgulama: Sistemlerin yalnızca ne olduğunu değil, neden olduğunu ve alternatif senaryolarda ne olabileceğini anlaması sağlanmaktadır.

Mantık programlama ve bilgi çıkarımı: Ontoloji oluşturulması, bilginin otomatik çıkarılması ve olasılıksal mantık sistemlerinin entegrasyonu, nöro-sembolik yapay zekânın temel yapı taşlarındandır.

Bu alanlarda akademik araştırmalar için arXiv, Google Scholar, Semantic Scholar, IBM Research, AAAI ve OpenReview.net gibi kaynaklardan yararlanılabilir.

Kaynakça

^ Bengio, Yoshua et al. (2021). "Neuro-Symbolic AI: The State of the Art". arXiv.
^ ^a ^b Kautz, Henry (2021). "The Third AI Summer". Communications of the ACM, 64(9), 36–38.
^ Li, Yujia et al. (2019). "Neural Concept Learner". NeurIPS.
^ Rocktäschel, Tim et al. (2017). "The Differentiable Prover". arXiv.
^ Serafini, Luciano; Garcez, Artur d’Avila (2016). "Logic Tensor Networks: Deep Learning and Logical Reasoning from Data and Knowledge". arXiv.
^ Bader, Sebastian; Hitzler, Pascal (2005). "Dimensions of neural-symbolic integration – A structured survey". arXiv.
^ Hochreiter, Sepp (2021). "The Power of Graph Neural Networks". Nature Machine Intelligence.
^ Hochreiter, Sepp (2021). "Graph Neural Networks and Scientific Discovery". IEEE Conference on AI.

Ek kaynaklar

Marcus, Gary (2020-02-13). The Next Decade in AI: Four Steps Toward Robust Artificial Intelligence. arXiv:2002.06177.
Garcez, Artur d'Avila; Lamb, Luís C. (2020-12-10). Neurosymbolic AI: The 3rd Wave. arXiv:2012.05876.
Kautz, Henry (2020-02-11). Üçüncü AI Yaz, AAAI 2020 Robert S. Engelmore Anıt Ödülü Dersi.
IBM Research. Neuro-Symbolic Concept Learner (NSCL). https://research.ibm.com

[Bengio-1] Bengio, Yoshua et al. (2021). "Neuro-Symbolic AI: The State of the Art". arXiv.

[Kautz2021-2] Kautz, Henry (2021). "The Third AI Summer". Communications of the ACM, 64(9), 36–38.

[3] Li, Yujia et al. (2019). "Neural Concept Learner". NeurIPS.

[Rocktaschel-4] Rocktäschel, Tim et al. (2017). "The Differentiable Prover". arXiv.

[5] Serafini, Luciano; Garcez, Artur d’Avila (2016). "Logic Tensor Networks: Deep Learning and Logical Reasoning from Data and Knowledge". arXiv.

[6] Bader, Sebastian; Hitzler, Pascal (2005). "Dimensions of neural-symbolic integration – A structured survey". arXiv.

[7] Hochreiter, Sepp (2021). "The Power of Graph Neural Networks". Nature Machine Intelligence.

[8] Hochreiter, Sepp (2021). "Graph Neural Networks and Scientific Discovery". IEEE Conference on AI.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]