3. Yapay Zeka Ajan Türleri

Yapay zeka ajanları, sahip oldukları yetenekler, içsel durumlarını yönetme biçimleri ve çevreleriyle kurdukları etkileşim şekillerine göre farklı türlere ayrılır. Bu sınıflandırma, ajanların karmaşıklık düzeylerini, hangi tür görevler için daha uygun olduklarını ve potansiyel sınırlılıklarını anlamamıza yardımcı olur. YZ ajan türleri arasındaki geçiş, genellikle daha fazla "bilgi" ve daha karmaşık "içsel durum temsili" eklenmesiyle karakterize edilir. Basit refleks ajanlar neredeyse hiç içsel duruma sahip değilken, model tabanlı, hedef tabanlı ve fayda tabanlı ajanlar giderek daha zengin içsel modellere ve hedeflere/faydalara dayalı karar verme mekanizmalarına sahip olurlar. Öğrenen ajanlar ise bu yapıların üzerine dinamik bir adaptasyon katmanı ekler. Bu sıralama, ajanların giderek daha fazla bilgi işlediğini, daha karmaşık çıkarımlar yaptığını ve daha sofistike davranışlar sergilediğini gösterir; her bir sonraki ajan türü, bir öncekinin yeteneklerini genişletir veya üzerine yeni bir katman ekler.Bir uygulamanın veya sistemin "hangi tür ajan" kullandığını bilmek, o sistemin yetenekleri, sınırlılıkları ve potansiyel riskleri hakkında önemli ipuçları verir. Örneğin, sadece basit refleks ajanlar kullanan bir sistemin karmaşık ve beklenmedik durumlara adapte olması beklenemezken, fayda tabanlı öğrenen bir ajanın daha esnek ve potansiyel olarak daha öngörülemez (hem olumlu hem olumsuz anlamda) olması beklenebilir. Bu, özellikle sağlık, finans ve otonom sürüş gibi kritik uygulamalarda önemlidir.

3.1. Basit Refleks Ajanlar (Simple Reflex Agents)En temel ajan türü olan basit refleks ajanlar, kararlarını yalnızca mevcut algıladıkları duruma göre verirler. Geçmiş deneyimleri, olayların sırasını veya dünyanın içsel bir modelini dikkate almazlar. Çalışma prensipleri, önceden tanımlanmış "koşul-eylem" kurallarına (if-then kuralları) dayanır: Eğer belirli bir koşul (durum) algılanırsa, bu koşulla eşleşen önceden belirlenmiş bir eylem gerçekleştirilir. Örneğin, bir termostat, ortam sıcaklığı belirli bir eşiğin altına düştüğünde (koşul) ısıtmayı açar (eylem). Başka bir örnek, bir vakum temizleyici robotun bulunduğu lokasyon kirliyse (koşul) temizleme eylemini (eylem) gerçekleştirmesidir. Avantajları: Tasarımları ve uygulamaları basittir, hızlı tepki verirler ve hesaplama açısından verimlidirler. Sınırlılıkları: Geçmişi hatırlayamadıkları için karmaşık kararlar alamazlar. Çevreleri kısmen gözlemlenebilirse veya beklenmedik durumlar ortaya çıkarsa (kurallarında tanımlanmamışsa) kolayca sonsuz döngülere girebilir veya yanlış kararlar verebilirler.

3.2. Model Tabanlı Refleks Ajanlar (Model-Based Reflex Agents)Model tabanlı refleks ajanlar, basit refleks ajanların sınırlılıklarını aşmak için dünyanın bir içsel modelini (internal model) tutarlar ve güncellerler. Bu içsel model, ajanın o anda doğrudan algılayamadığı dünyanın kısımları hakkında bilgi içerir ve dünyanın nasıl evrimleştiği (örneğin, diğer nesnelerin nasıl hareket ettiği) ile ajanın kendi eylemlerinin dünyayı nasıl etkilediği (örneğin, direksiyonu çevirmenin arabanın yönünü nasıl değiştirdiği) hakkında bilgi barındırır. Kararlarını hem mevcut algılarına hem de bu içsel durumlarına (modele) göre verirler. Örneğin, bir otonom araç, önündeki aracın fren lambalarının yandığını algıladığında, içsel modelini kullanarak bu durumun genellikle yavaşlama anlamına geldiğini bilir ve buna göre kendi frenlerini devreye sokar. Kullanıcı tercihlerini ve önceki konuşma bağlamını hatırlayan gelişmiş sohbet botları da bu kategoriye girer. Avantajları: Kısmen gözlemlenebilir ortamlarda basit refleks ajanlardan daha iyi performans gösterirler, çünkü dünyanın görünmeyen kısımları hakkında çıkarımlar yapabilirler ve daha bilinçli kararlar alırlar. Sınırlılıkları: İçsel modelin doğru bir şekilde oluşturulması, güncel tutulması ve kullanılması karmaşık olabilir ve ek hesaplama kaynakları gerektirebilir. Modelin doğruluğu, ajanın performansını doğrudan etkiler.

3.3. Hedef Tabanlı Ajanlar (Goal-Based Agents)Hedef tabanlı ajanlar, sadece mevcut duruma tepki vermek veya bir dünya modeline göre hareket etmek yerine, belirli bir hedefe ulaşmak amacıyla kararlar alırlar. Bu ajanlar, eylemlerinin gelecekteki sonuçlarını ve bu sonuçların belirlenen hedefe ulaşmalarına ne kadar yardımcı olacağını değerlendirirler. Bu genellikle bir tür planlama ve arama algoritması (örneğin, bir hedefe giden en kısa yolu bulma) gerektirir. Örneğin, bir navigasyon uygulaması, kullanıcıyı belirli bir adrese (hedef) ulaştırmak için farklı rotaları değerlendirir ve en uygun olanını seçer. Bir satranç oynayan program, oyunu kazanma (hedef) amacıyla sonraki hamlelerini planlar. Bir taksinin yolcuyu belirli bir adrese götürme hedefi de bu tür bir ajana örnektir. Avantajları: Davranışları daha esnek ve akıllıdır, çünkü eylemleri belirli bir amaca yöneliktir. Hedef değiştirilerek ajanın davranışı kolayca farklı bir amaca yönelik olarak ayarlanabilir. Sınırlılıkları: Hedefe ulaşmak için yapılan planlama ve arama süreçleri, özellikle karmaşık ortamlarda ve uzun vadeli hedeflerde hesaplama açısından maliyetli olabilir.

3.4. Fayda Tabanlı Ajanlar (Utility-Based Agents)Fayda tabanlı ajanlar, hedef tabanlı ajanların bir adım ötesine geçer. Sadece bir hedefe ulaşıp ulaşmamakla ilgilenmezler; bunun yerine, farklı durumların veya hedefe ulaşma yollarının ne kadar "iyi", "arzu edilir" veya "faydalı" olduğunu ölçen bir fayda fonksiyonuna (utility function) göre hareket ederler. Amaçları, beklenen toplam faydayı maksimize etmektir. Bu, ajanın çelişen hedefler arasında (örneğin, hız ve güvenlik) veya belirsiz sonuçlar karşısında daha rasyonel ve nüanslı kararlar almasını sağlar. Örneğin, bir otonom araç sadece bir hedefe ulaşmayı değil, aynı zamanda bunu yaparken hızı, güvenliği, yolcu konforunu ve yakıt verimliliğini de optimize etmeye çalışabilir. Kişiselleştirilmiş öneri sistemleri, kullanıcının memnuniyetini (fayda) maksimize edecek içerikleri önermeye çalışır. Yatırım portföyü yönetimi yapan bir ajan, riski ve beklenen getiriyi dengeleyerek en yüksek faydayı sağlamayı hedefler. Avantajları: Özellikle birden fazla hedefin olduğu, hedeflerin birbiriyle çelişebildiği veya sonuçların belirsiz olduğu karmaşık durumlarda daha rasyonel ve optimize kararlar alırlar. Sınırlılıkları: Etkili bir fayda fonksiyonu tanımlamak ve bu fonksiyonu farklı durumlar için doğru bir şekilde hesaplamak oldukça zor ve karmaşık olabilir.
3.5. Öğrenen Ajanlar (Learning Agents)Öğrenen ajanlar, yukarıda bahsedilen ajan türlerinden herhangi birinin temel yapısına sahip olabilirler, ancak ek olarak deneyimlerinden öğrenerek zamanla performanslarını iyileştirme yeteneğine sahiptirler. Bu ajanlar, başlangıçta eksik veya sınırlı bilgiyle yola çıksalar bile, çevreleriyle etkileşimde bulundukça ve eylemlerinin sonuçlarını gözlemledikçe daha iyi stratejiler ve kararlar geliştirebilirler. Öğrenen bir ajan tipik olarak dört ana bileşenden oluşur :Performans Elemanı (Performance Element): Ajanın dış dünyadan algıları alıp eylemleri seçen kısmıdır (yukarıdaki ajan türlerinden biri olabilir).Öğrenme Elemanı (Learning Element): Performans elemanının nasıl iyileştirileceğine dair değişiklikler yapmaktan sorumludur.Eleştirmen (Critic): Ajanın ne kadar iyi performans gösterdiğini değerlendirir ve öğrenme elemanına geri bildirim sağlar. Bu geri bildirim, bir performans standardına veya hedefe göre yapılır.Sorun Üreticisi (Problem Generator): Ajanın yeni ve bilgilendirici deneyimler yaşamasını sağlayacak eylemler önermekten sorumludur. Bu, ajanın keşif yapmasına ve daha önce karşılaşmadığı durumları öğrenmesine yardımcı olur. Oyun oynayan yapay zekalar (örneğin, AlphaGo), kullanıcının geri bildirimlerine göre yanıtlarını iyileştiren adaptif sohbet botları ve hastaların verilerine göre kişiselleştirilmiş tedavi planları öneren sağlık sistemleri öğrenen ajanlara örnektir. Avantajları: Bilinmeyen veya sürekli değişen ortamlara uyum sağlayabilirler. Başlangıçta tam bilgiye sahip olmasalar bile zamanla daha yetenekli ve etkili hale gelirler. Sınırlılıkları: Etkili bir şekilde öğrenebilmek için genellikle büyük miktarda veriye, zamana ve hesaplama kaynağına ihtiyaç duyarlar. Ayrıca, öğrenme süreci karmaşık olabilir ve istenmeyen davranışların öğrenilmesi riski de bulunmaktadır.

3.6. Hiyerarşik Ajanlar ve Çoklu Ajan Sistemleri (MAS) (Hierarchical Agents and Multi-Agent Systems)Hiyerarşik Ajanlar: Karmaşık görevleri daha küçük, yönetilebilir alt görevlere bölerek birden fazla soyutlama seviyesinde çalışırlar. Üst düzey modüller veya ajanlar stratejik hedefleri belirlerken, alt düzey modüller veya ajanlar bu hedeflere ulaşmak için daha somut eylemleri yürütür. Bu yapı, karmaşık problemlerin daha organize ve verimli bir şekilde çözülmesine yardımcı olur. Örneğin, bir robotik sistemde üst düzey bir ajan "bir nesneyi al ve belirli bir yere taşı" hedefini belirleyebilirken, alt düzey ajanlar "nesneye yaklaş", "nesneyi kavra", "hedefe doğru hareket et" gibi alt görevleri yerine getirebilir.Çoklu Ajan Sistemleri (Multi-Agent Systems - MAS): Birden fazla otonom ajanın ortak bir ortamda etkileşimde bulunduğu, işbirliği yaptığı, koordine olduğu veya rekabet ettiği sistemlerdir. Her ajan kendi bireysel hedeflerine sahip olabileceği gibi, sistemin genel bir hedefine ulaşmak için birlikte de çalışabilirler. Çoklu ajan sistemleri, tedarik zinciri yönetimi, otonom araç filolarının koordinasyonu, dağıtık problem çözme ve robotik futbol takımları gibi karmaşık ve dinamik sistemlerin modellenmesi ve kontrol edilmesi için kullanılır. Bu sistemlerde ajanlar arası iletişim ve koordinasyon mekanizmaları büyük önem taşır.Aşağıdaki tablo, temel YZ ajan türlerinin ayırt edici özelliklerini karşılaştırmalı olarak sunmaktadır:

Tablo 2: YZ Ajan Türlerinin Karşılaştırmalı Özellikleri