Agentic AI
Agentic AI, genellikle minimum insan müdahalesiyle dinamik ortamlarda otonom olarak hedeflere ulaşan, kararlar alan ve eylemler gerçekleştiren Yapay Zeka sistemlerini ifade eder.
Agentic AI, yapay zeka alanında pasif veri işlemenin ötesine geçerek aktif, hedef odaklı varlıklara doğru bir paradigma kaymasını temsil eder. Özünde, bir agentic AI sistemi, çevresini algılama, gözlemleri hakkında akıl yürütme, bir dizi eylem planlama ve önceden tanımlanmış hedeflere ulaşmak için bu eylemleri otonom olarak yürütme yeteneği ile karakterize edilir. Bu, birkaç Yapay Zeka alt alanının karmaşık bir etkileşimini içerir. Algılama genellikle, ham veri akışlarından (örneğin, sensör okumaları, kullanıcı girdisi) diğer Yapay Zeka modellerinden (örneğin, bilgisayar görüşü, doğal dil işleme) elde edilen işlenmiş bilgilere kadar değişebilen sensör girdileriyle ele alınır. Akıl yürütme ve planlama genellikle sembolik mantık, olasılıksal grafik modelleri veya giderek artan bir şekilde tutarlı planlar ve stratejiler üretebilen büyük dil modelleri (LLM'ler) gibi tekniklerden yararlanır. Karar verme, ajanın belirsizlik altında veya eksik bilgiyle bir olasılık kümesinden optimal eylemi seçmesi gereken kritik bir bileşendir. Bu, ajanın bir ödül sinyalini en üst düzeye çıkararak deneme yanılma yoluyla öğrendiği pekiştirmeli öğrenmeyi (RL) veya Monte Carlo Ağaç Araması (MCTS) gibi daha karmaşık planlama algoritmalarını içerebilir. 'Agentic' yönü, bir dereceye kadar kendi kendine yönlendirme ve inisiyatif anlamına gelir; Yapay Zeka yalnızca önceden programlanmış talimatları yürütmekle kalmaz, aynı zamanda aktif olarak hedeflerini yerine getirmeye çalışır. Agentic AI tasarımındaki ödünleşimler arasında sağlam algılama ve akıl yürütme sistemlerinin uygulanmasının karmaşıklığı, özellikle açık uçlu ortamlarda güvenlik ve insan değerleriyle uyumu sağlama zorluğu ve sürekli operasyon ve öğrenme için gereken hesaplama kaynakları yer alır. Yelpaze, basit reaktif ajanlardan uzun vadeli stratejik planlama ve adaptasyon yeteneğine sahip oldukça karmaşık, deliberatif ajanlara kadar uzanır.
graph LR
Center["Agentic AI"]:::main
Pre_computer_science["computer-science"]:::pre --> Center
click Pre_computer_science "/terms/computer-science"
Rel_ai_agent["ai-agent"]:::related -.-> Center
click Rel_ai_agent "/terms/ai-agent"
Rel_artificial_intelligence["artificial-intelligence"]:::related -.-> Center
click Rel_artificial_intelligence "/terms/artificial-intelligence"
Rel_ai_automation["ai-automation"]:::related -.-> Center
click Rel_ai_automation "/terms/ai-automation"
classDef main fill:#7c3aed,stroke:#8b5cf6,stroke-width:2px,color:white,font-weight:bold,rx:5,ry:5;
classDef pre fill:#0f172a,stroke:#3b82f6,color:#94a3b8,rx:5,ry:5;
classDef child fill:#0f172a,stroke:#10b981,color:#94a3b8,rx:5,ry:5;
classDef related fill:#0f172a,stroke:#8b5cf6,stroke-dasharray: 5 5,color:#94a3b8,rx:5,ry:5;
linkStyle default stroke:#4b5563,stroke-width:2px;
🧒 5 yaşındaki gibi açıkla
Sana her adımı tek tek söylemeden, en iyi kaleyi inşa etmek için kendi başına neyle oynayacağına karar verebilen süper akıllı bir oyuncak robot hayal et.
🤓 Expert Deep Dive
Uzman Derinlemesine İnceleme:
Ajan tabanlı yapay zeka (Agentic AI), geleneksel, göreve özgü yapay zekadan, ortaya çıkan özerklik ve hedef odaklılık sergileyen sistemlere doğru bir paradigma kaymasını temsil eder. Temelinde, ajan tabanlı bir yapay zeka, algılama, akıl yürütme, planlama ve eylemden oluşan gelişmiş bir iç döngü ile karakterize edilir.
Algılama: Bu, çeşitli modaliteler (örneğin, sensörler, veri akışları, kullanıcı girdisi) aracılığıyla çevreyi algılamayı ve yorumlamayı içerir. Bu algılama yalnızca tepkisel değildir; bağlamsallaştırılmıştır ve belirsizlikle başa çıkmak için genellikle olasılıksal modellemeyi içerir.
Akıl Yürütme: Ajan tabanlı sistemler, mantıksal çıkarım, olasılıksal grafik modelleri, bilgi grafikleri ve sembolik manipülasyon ve sağduyu anlayışı için giderek artan şekilde büyük dil modellerini (LLM'ler) içerebilen gelişmiş akıl yürütme mekanizmalarını kullanır.
Planlama: Bu kritik bir ayırt edici özelliktir. Ajan tabanlı yapay zeka, gelecekteki durumları ve potansiyel eylemlerin sonuçlarını öngörerek çok adımlı planlama yapar. Monte Carlo Ağaç Araması (MCTS), hiyerarşik görev ağları (HTN'ler) ve pekiştirmeli öğrenme (RL) politikaları gibi teknikler, uzun vadeli hedeflere yönelik optimal veya tatmin edici eylem dizileri oluşturmak için kullanılır.
Eylem: Ajan, planlanan eylemleri ortamında uygular. Bu uygulama genellikle yinelemelidir ve algılama-akıl yürütme döngüsüne geri beslenerek çevresel değişikliklere veya beklenmeyen sonuçlara yanıt olarak uyum ve düzeltmeye olanak tanır.
Temel teknolojik dayanaklar arasında pekiştirmeli öğrenme (özellikle derin RL), optimal kontrol teorisi, Bayesçi çıkarım ve gelişmiş karar verme çerçeveleri yer alır. Geliştirme, dinamik, açık uçlu ortamlarda minimum insan denetimiyle çalışabilen, stratejik öngörü ve sürekli uyum gerektiren karmaşık, çok yönlü hedefleri yönetebilen ve basit uyaran-tepki mekanizmalarının ötesine geçen yapay zekaya olan ihtiyaç tarafından yönlendirilmektedir.