Bilgi tabanlı ajan nedir?
Bilgi tabanlı ajan, akıl yürütmek ve eylemde bulunmak için bir bilgi tabanı ve bir çıkarım motoru kullanan bir yapay zeka sistemidir. Bilgi tabanı alan bilgisini saklarken, çıkarım motoru bilinen gerçeklere kurallar uygular ve sonuçlar çıkarır. Temel döngüsü Algılar → Bilgi Tabanı → Çıkarım → Eylem şeklindedir. Örneğin, teknik destek ajanı bir yazıcı sorununu sorun giderme kurallarıyla eşleştirebilir, bir çözüm önerebilir ve bu önerinin dayanağını açıklayabilir.
Bilgi tabanlı bir ajan nasıl çalışır?
Yapay zekadaki bilgi tabanlı bir ajan genellikle tekrarlanan bir akıl yürütme döngüsü izler. Ortamından bilgi alır. Bu bilgiyi yapılandırılmış gerçeklere dönüştürür. Ardından bir yanıt veya eylem seçmeden önce bilgi tabanını sorgular.
Algı aşaması
Algı aşaması ortamdan bilgi toplar. Kaynak bir kullanıcı mesajı, bir sensör okuması, bir işlem kaydı veya bir sistem olayı olabilir.
Ham girdi her zaman mantıksal akıl yürütmeye hazır değildir. Ajanın önce girdiyi normalleştirmesi gerekebilir. Önemli varlıkları tanımlayabilir, koşulları tespit edebilir ve sonucu yapılandırılmış algılara dönüştürebilir.
Örneğin:
User input: The printer has power, but it does not print.
Percepts: printer_has_power, printer_not_printingBu dönüşüm, çıkarım motoruna kural eşleştirme için tutarlı bir format sağlar.
TELL–ASK–PERFORM döngüsü
Klasik bir bilgi tabanlı ajan üç temel işlem kullanır:
| İşlem | Amaç | Örnek |
|---|---|---|
| TELL | Bilgi tabanına yeni bilgi ekler | Bir siparişin geciktiğini kaydeder |
| ASK | Bir sonuç için bilgi tabanını sorgular | Siparişin destek için uygun olup olmadığını kontrol eder |
| PERFORM | Seçilen eylemi gerçekleştirir | Bir takip güncellemesi gönderir |
Çıkarım ve eylem aşamaları
Çıkarım motoru, mevcut gerçeklerle hangi kuralların eşleştiğini kontrol eder. Ardından bir veya daha fazla sonuç çıkarır. Bir planlayıcı veya eylem seçici, sonraki adımı seçmek için bu sonuçları kullanabilir.
Güvenilir bir ajan, doğrulanmış bir sonuç ile olası bir açıklama arasında ayrım yapmalıdır. Bilgi tabanı yeterli bilgi içermediğinde, ajan açıklama istemeli veya vakayı bir insana yönlendirmelidir.
Bilgi tabanlı bir agent'ın temel bileşenleri nelerdir?
Bilgi tabanlı agent'ların mimarisi birkaç katmanı birleştirir. Her katmanın kendine ait bir sorumluluğu vardır. Bu ayrım, sistemin test edilmesini ve bakımını kolaylaştırır.
Bilgi tabanı
Bilgi tabanı, bir agent'ın çıkarım yapmak için kullandığı gerçekleri ve kuralları saklar. Örneğin, bir müşterinin aktif bir aboneliği olduğunu ve aktif abonelerin belirli bir destek kanalına erişebildiğini kaydedebilir.
Bir bilgi tabanı, alana bağlı olarak bir veritabanı, bilgi grafiği veya kural motoru kullanabilir. Kalitesi kritik önem taşır çünkü eksik veya yanlış bilgi, güvenilmez sonuçlara ve eylemlere yol açabilir.
Bilgi temsili
Bilgi temsili, bilginin sistem içinde nasıl ifade edildiğini tanımlar. Önermeler mantığı basit doğru-yanlış ifadeleri ele alırken, birinci derece mantık daha karmaşık bilgiyi temsil etmek için değişkenler ve ilişkiler kullanır.
Diğer yaklaşımlar arasında, uzman sistemlerde incelenmesi kolay olan EĞER–O ZAMAN üretim kuralları bulunur. Ontolojiler, alan kavramlarını ve bunlar arasındaki ilişkileri tanımlarken, bilgi grafikleri bu ilişkileri varlıkları birbirine bağlamak için kullanır.
Çıkarım motoru
Çıkarım motoru, bilgi tabanındaki bilgilere kuralları uygular. İleri zincirleme, bilinen gerçeklerden başlar ve bir sonuca ulaşana kadar eşleşen kuralları uygular.
Geriye zincirleme ise bir hedeften başlar ve bu hedefi destekleyen gerçekleri arar. Daha gelişmiş sistemler, değişkenler içeren mantıksal ifadeleri işlemek için çözümleme veya birleştirme gibi teknikler kullanabilir.
Açıklama ve inanç revizyonu
Açıklama modülü, bir sonucun arkasındaki gerçekleri ve kuralları belirler. Bu akıl yürütme izi, kullanıcıların agent'ın belirli bir yanıtı veya eylemi neden seçtiğini anlamasına yardımcı olur.
İnanç revizyonu, bilgi tabanı içindeki değişiklikleri ve çelişkileri yönetir. Hangi bilginin geçerli kalması gerektiğini belirlemek için öncelik politikaları kullanır; bu da özellikle düzenlemelere tabi iş akışlarında büyük önem taşır.
Bilgi tabanlı agent'lar nerede kullanılır?
Bilgi tabanlı agent'lar, bir sistemin açık alan bilgisini takip etmesi gerektiğinde faydalıdır. Bir eylem sonrasında akıl yürütme sürecinin gözden geçirilmesi gerektiğinde özellikle değerlidirler.
Tıbbi karar desteği
Bir tıbbi karar destek sistemi, semptomları klinik kurallarla karşılaştırabilir. Olası durumları belirleyebilir veya toplanması gereken bir sonraki bilgiyi önerebilir.
Böyle bir sistem, tıp uzmanlarının yerini almak yerine onları desteklemelidir. Çıktısı, özellikle hasta bakımını etkilediği durumlarda uygun bir incelemeden geçmelidir.
Müşteri destek otomasyonu
Bir destek agent'ı, müşteriye yanıt vermeden önce ürün bilgi tabanını arayabilir. Sorunun iade, üst düzeye aktarma veya sorun giderme sürecine uygun olup olmadığını belirlemek için iş kurallarını kullanabilir.
Bu süreç, yanıtların tutarlı kalmasına yardımcı olur. Ayrıca destek ekibine belirli bir eylemin neden seçildiğine dair bir kayıt sunar.
Uyumluluk ve karar desteği
Uyumluluk sistemleri, işlemleri iç politikalarla karşılaştırarak kontrol edebilir. Ek onay gerektiren durumları da işaretleyebilir.
Bilgi tabanlı bir sistem burada faydalıdır çünkü politikalar açık kurallar olarak temsil edilebilir. Bir politika değiştiğinde, ilgili kural gözden geçirilip güncellenebilir.
Eğitim ve ekipman tanılama
Akıllı bir öğretim sistemi, bir öğrencinin önceki yanıtlarını kullanarak öğrenme açığını belirleyebilir. Ardından uygun bir açıklama veya alıştırma seçebilir.
Bir ekipman tanılama sistemi, sensör okumalarını bakım kurallarıyla birleştirebilir. Belirli koşullar karşılandığında bir denetim önerebilir veya bir onarım talebi oluşturabilir.
Faydaları ve sınırlamaları nelerdir?
Faydalar
Bilgi tabanlı agent'lar birkaç pratik avantaj sunar:
Açıklanabilirlik: Sistem, bir sonucu onu üreten gerçeklerle ve kurallarla ilişkilendirebilir.
Tutarlılık: Aynı kural, benzer durumlarda aynı şekilde uygulanabilir.
Alan uzmanlığı: Ekipler, belirli bir sektöre özgü uzmanlık bilgisini kodlayabilir.
Sürdürülebilirlik: Bir kural, çoğu zaman modelin tamamını yeniden eğitmeye gerek kalmadan güncellenebilir.
Denetlenebilirlik: Karar kayıtları, bir eylemi hangi bilgilerin etkilediğini gösterebilir.
Hedef odaklı akıl yürütme: Agent, ilgisiz bir yanıt üretmek yerine tanımlanmış bir hedefe yönelik akıl yürütebilir.
Bu avantajlar, bilgi tabanlı agent'ları yapılandırılmış iş akışları için uygun hale getirir. Kararları açık kurallara dayandığında, gizli model davranışına daha az bağımlıdırlar.
Sınırlamalar
Bilgi tabanlı agent'ların doğru ve etkili kalabilmesi için sürekli bakım gerekir. Bilgi tabanının oluşturulması zaman ve alan uzmanlığı gerektirirken, güncelliğini kaybetmiş bilgiler veya çelişen kurallar güvenilmez kararlara yol açabilir. Bu nedenle sürüm kontrolü, düzenli incelemeler ve net kural öncelikleri son derece önemlidir.
Geleneksel kural sistemleri, belirsiz, gürültülü veya alan dışı girdilerle de zorlanabilir. Bilgi tabanı büyüdükçe çıkarım işlemi daha maliyetli hale gelebilir; bu nedenle performansı korumak için dikkatli bir indeksleme ve kural düzenlemesi gerekir.
Basit bir bilgi tabanlı agent nasıl oluşturulur
Aşağıdaki örnekte bir BT destek senaryosu kullanılmıştır. Kural tabanlı bir prototipi üretim sistemi olarak ele almadan temel yapıyı gösterir.
Adım 1: Bilgi tabanını tanımlayın
Dar bir alana yönelik olgu ve kurallarla başlayın:
KNOWLEDGE_BASE = {
"printer_has_power": True,
"printer_not_printing": True,
"print_queue_stuck": False,
}
RULES = [
{
"conditions": {"printer_has_power", "printer_not_printing"},
"conclusion": "check_print_queue",
},
]Küçük bir bilgi tabanı gözden geçirmesi daha kolaydır. Çıkarım motorunun bunları güvenilir şekilde eşleştirebilmesi için olguların tutarlı adlar kullanması gerekir.
Adım 2: Girdiyi yapılandırılmış olgulara dönüştürün
Algı katmanı, kullanıcı girdisini olgulara dönüştürür. Gerçek bir sistem bu adım için doğal dil işleme kullanabilir.
Basit bir prototip, önceden tanımlanmış girdilerle başlayabilir:
percepts = {
"printer_has_power",
"printer_not_printing",
}Bu, örneği dil ayrıştırmasından ziyade akıl yürütmeye odaklı tutar.
Adım 3: Çıkarım kurallarını uygulayın
Çıkarım motoru, bir kural için gereken tüm koşulların mevcut olup olmadığını kontrol eder:
def infer(percepts, rules):
conclusions = []
for rule in rules:
if rule["conditions"].issubset(percepts):
conclusions.append(rule["conclusion"])
return conclusionsFonksiyon, mevcut algılar tarafından desteklenen sonuçları döndürür. Gerekli olgular eksik olduğunda bir sonuç icat etmez.
Adım 4: Bir eylem seçin
Eylem katmanı, bir sonucu bir yanıta eşler:
def perform(conclusions):
if "check_print_queue" in conclusions:
return "Open the print queue and remove any stuck job."
return "Request more information before continuing."Üretim ortamındaki bir agent, harici bir aracı çağırmadan önce izin ve güvenlik kontrolleri uygular.
Adım 5: Sonucu açıklayın
İşe yarayan bir agent, eylemi neden seçtiğini göstermelidir:
conclusions = infer(percepts, RULES)
response = perform(conclusions)
print(response)Sistem, eşleşen kuralı da kaydedebilir. Bu, bir geliştiricinin veya destek uzmanının inceleyebileceği temel bir akıl yürütme izi oluşturur.
Bu örnek, asgari düzeyde bir bilgi tabanlı agent'ı temsil eder. Daha büyük bir uygulama; girdi doğrulama, kural önceliklendirme, bilgi sürümleme, hata yönetimi ve insana yönlendirme gerektirir.
Kimi Agent ile tanışın: bilgiyi tamamlanmış işe dönüştürün
Geleneksel bilgi tabanlı agent'lar açık olgu ve kurallara bağlıdır. Kimi Agent, bilgi yoğun işler için daha kapsamlı ve modern bir yaklaşım sunar. Ona bir hedef verin; gerekli adımları yerleşik araçlarla tamamlamadan önce görevi planlayabilir. Bunu bir konuyu araştırmak, kaynak materyali işlemek veya ayrı bir orkestrasyon katmanı kurmadan düzenlenebilir bir çıktı oluşturmak için kullanabilirsiniz.
Kaynak bilginizi göreve dahil edin
İşe yarayan bir agent'ın doğru bağlama erişmesi gerekir. Kimi, dosya başına 100 MB sınırıyla en fazla 50 dosya yüklemenize izin verir. PDF'leri ve yaygın ofis belgelerini destekler. Görev daha fazla bağlam gerektirdiğinde görsel, TXT dosyası veya video da ekleyebilirsiniz.
Bu, mevcut materyali iş sürecinin bir parçası haline getirir. Örneğin Kimi Agent'tan bir rapor koleksiyonunu analiz etmesini, önemli bulguları belirlemesini ve sonucu yapılandırılmış bir belgeye dönüştürmesini isteyebilirsiniz. Dosyalar göreve özel bilgiyi sağlarken, promptunuz istenen sonucu tanımlar.
Araştırmayı düzenlenebilir bir çıktıya dönüştürün
Kimi Agent birden fazla ürün yüzeyinde çalışabilir; bu nedenle sonuç bir sohbet yanıtıyla sınırlı kalmak zorunda değildir:
Kimi Deep Research ile destekleyici kaynaklara sahip bir araştırma raporu oluşturun.
Kısa bir brief'ten çalışan bir çok sayfalı web sitesi oluşturun.
Kaynak materyallerden düzenlenebilir bir PPT sunumu oluşturun.
Kimi, belge ve elektronik tablo iş süreçlerini de yönetebilir. Bu, içeriği ayrı araçlar arasında taşımanıza gerek kalmadan bir görevin bilgi toplamadan kullanılabilir bir çıktıya ilerlemesini sağlar.
Kimi Agent Swarm ile büyük bir hedefi ölçeklendirin
Bazı görevler, tek bir sıralı iş akışı için fazla büyüktür. Kimi Agent Swarm, bir hedefi 300'den fazla alt agent arasında bölebilir ve 4.500'e kadar paralel araç çağrısını destekleyebilir.
Bu paralel yapı, büyük ölçekli arama ve uzun içerik yazımı için tasarlanmıştır. Tek tek ele alındığında çok daha uzun sürecek toplu görevleri de destekleyebilir. Alt agent'lar hedefin farklı bölümlerinde çalışırken genel iş akışı istenen sonuca bağlı kalır.
Sonuç
Yapay zekadaki bilgi tabanlı agent'lar, durumlar üzerinde akıl yürütmek ve eylem seçmek için yapılandırılmış bilgiyi kullanır. Açık kuralları, kararların açıklanmasını ve gözden geçirilmesini kolaylaştırır. Temel zorlukları bilgi bakımı, çakışan kurallar ve eksik girdiden kaynaklanır. Modern sistemler, bilgi tabanlı akıl yürütmeyi makine öğrenmesi, RAG ve üretken yapay zeka ile birleştirebilir. Kimi, bilgi yoğun iş akışları için faydalı bir referans noktası sunar; geleneksel bilgi tabanlı agent'lar ise kararların açık alan kurallarını takip etmesi gerektiğinde değerini korur.