Hibrit Sembolik + Sinirsel Aracılar
Doğrulanabilir akıl yürütme için klasik yapay zekayı (planlayıcılar, çözücüler) LLM'lerle birleştirin.
Hibrit Sembolik + Sinirsel Aracılar, CoddyKit'te ücretsiz bir AI Agents dersidir. Bu, 4 dersinin 2. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, AI Agents öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. AI Agents kursu toplamda 4 dersten oluşur.
Bu dersin bazı bölümleri henüz çevrilmemiş olup İngilizce olarak gösterilmektedir.
Salt LLM'lerin Ötesinde
Salt LLM ajanları esnektir; ancak kesin akıl yürütme gerektiren görevlerde (matematik, planlama, mantık) güvenilmezdir. Karma sistemler, hem esneklik hem de kesinlik elde etmek için LLM'leri klasik sembolik araçlarla birleştirir.
Sembolik Araç Örnekleri
- Hesap makinesi — kesin aritmetik
- SAT çözücüsü — Boole doyurulabilirliği
- SMT çözücüsü (Z3) — kısıt sistemleri
- Teorem kanıtlayıcı (Lean, Coq) — biçimsel kanıtlar
- Klasik planlayıcı (PDDL, STRIPS) — garantili çok adımlı planlar
Kalıp: Çevirmen Olarak LLM
LLM, doğal dili biçimsel dile çevirir; sembolik sistem çözüm üretir; LLM açıklar:
user_query = 'Three students, three rooms, each room one student, Alice not in room 3, Bob in room 1 or 2...'
formal_constraints = llm_to_smt(user_query) # produces Z3 input
solution = z3_solve(formal_constraints)
explanation = llm_explain(solution)Kalıp: Sembolik Planlayıcı + LLM Yürütücüsü
Üst düzey plan için PDDL kullanın; LLM her adımı yürütür:
plan = pddl_planner.solve(domain, initial_state, goal)
for step in plan:
llm_execute(step) # LLM figures out HOW to do itKalıp: LLM Teorem Kanıtlayıcıyı Çağırır
Matematiksel kanıtlar için:
- LLM bir kanıt taslağı önerir
- Lean / Coq her adımı denetler
- LLM reddedilince taslağı düzeltir
Araştırma düzeyinde matematiğe ulaşır (AlphaProof, DeepSeek-Prover).
Kalıp: Bilgi Grafiği + LLM
Olgusal sorgular için bir bilgi grafiğinde (Neo4j, Wikidata) query yapın — doğrulanmış olguları alın — ardından yanıtı biçimlendirmesi için LLM'ye bırakın:
facts = kg.query('SELECT ?spouse WHERE { :Einstein :spouse ?spouse }')
answer = llm.invoke(f'Format these facts: {facts}')Kalıp: Kural Tabanlı Geri Dönüş
Bir sorgu bilinen bir kuralla eşleşiyorsa doğrudan kuralı kullanın. LLM'yi yalnızca kural kümesinden kaçan sorgular için kullanın:
if rules.match(query):
return rules.apply(query)
return llm_fallback(query)Neden Karma Sistem?
- Güvenilirlik — sembolik sistemler hiçbir zaman uydurma bilgi üretmez
- Doğrulanabilirlik — çözümler denetlenebilir
- Verimlilik — doğru görevlerde kesin yöntemler daha hızlıdır
- Açıklanabilirlik — biçimsel izler akıl yürütmeyi gösterir
Salt Sembolik Yaklaşım Neden Tek Başına Başarısız Olur
- Doğal dili kolayca okuyamaz
- Küçük değişiklikler karşısında kırılgandır
- Genişletilmesi zordur
LLM'ler karmaşık insan tarafını, sembolik sistem ise titiz makine tarafını yönetir.
Nöro-Sembolik Araştırma
- DeepMind AlphaGeometry — olimpiyat geometrisi
- AlphaProof — IMO düzeyinde matematik
- OpenAI o1 — akıl yürütmede örtük arama/sembolik yöntem
- Google AlphaEvolve — kodu doğrulayıcılarla birlikte evrimleştirir
Kendi Sisteminizi Geliştirme
Sembolik sistemi bir LLM aracı olarak sarın:
tools = [
{'name': 'sat_solver', 'description': 'Solve a SAT problem in DIMACS format', 'parameters': ...},
{'name': 'symbolic_math', 'description': 'Solve an equation symbolically with sympy', 'parameters': ...}
]Tool: Sympy for Math
import sympy
from sympy import solve, symbols
x, y = symbols('x y')
result = solve([2*x + y - 5, x - y - 1], [x, y])
print(result)
# {x: 2, y: 1}Tool: Z3 for Constraints
from z3 import Solver, Int, And
s = Solver()
x = Int('x')
s.add(And(x > 5, x < 15, x % 3 == 0))
print(s.check()) # sat
print(s.model())Üretim Kullanımı İçin Hususlar
- Sembolik motorlar takılı kalabilir — zaman aşımı belirleyin
- LLM'lerden gelen girdiler doğrulanmalıdır (sözdizimi bakımından geçerli PDDL, geçerli SMT)
- Sıkı bir geri bildirim döngüsü oluşturun: çözücü hatası -> LLM girdiyi düzeltir
Karma Sistemlerin Faydası
LLM'leri sembolik sistemlerle birleştirmek öncelikle ne sağlar?
Özet
Karma ajanlar önemli bir araştırma yönüdür. Çevirmen olarak LLM, çözücü olarak sembolik motor; planlayıcı olarak LLM, doğrulayıcı olarak sembolik denetleyici. Sympy, Z3 ve PDDL için araçlar ekleyin; ajanınız yepyeni bir yetenek sınıfı kazanır.
Sıkça Sorulan Sorular
“Hibrit Sembolik + Sinirsel Aracılar” dersi ücretsiz mi?
Evet — “Hibrit Sembolik + Sinirsel Aracılar” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve AI Agents kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. AI Agents kursu toplamda 4 dersten oluşur.
“Hibrit Sembolik + Sinirsel Aracılar” dersinde ne öğreneceğim?
Doğrulanabilir akıl yürütme için klasik yapay zekayı (planlayıcılar, çözücüler) LLM'lerle birleştirin. AI Agents ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
AI Agents öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te AI Agents, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 2. dersidir.
“Hibrit Sembolik + Sinirsel Aracılar” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu AI Agents dersinde kod yazıp çalıştırabilir miyim?
Evet. Her AI Agents dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- Aracı Akıl Yürütme (o1, o3, Reasoning Models)
- Hibrit Sembolik + Sinirsel Aracılar
- Çok Kipli Aracılar (Görme + Ses + Eylem)
- Açık Sorunlar: Sağlamlık, Uyum, Uzun Vadeli Bellek