AI Agent Mimarileri Nedir? Otonom Sistemlerin Temel Yapı Taşları
Son birkaç yılda yapay zekâ tartışmalarının odağı önemli ölçüde değişti. Yalnızca soru sorup cevap alınan sohbet sistemlerinin yerini; plan yapabilen, araç kullanabilen ve birden fazla adımı kendi başına yürütebilen yapay zekâ ajanları (AI agents) almaya başladı.
Bir yapay zekâ ajanı, kabaca tanımlamak gerekirse, çevresinden bilgi alan, bu bilgiyi belirli bir hedef doğrultusunda değerlendiren ve sonucunda bir eylem gerçekleştiren yazılım sistemidir. Büyük dil modellerinin (LLM) yaygınlaşmasıyla birlikte bu kavram, akademik bir tartışma konusu olmaktan çıkıp kurumsal yazılım dünyasının gündemine hızla girdi.
Bu değişimin arkasında, dil modellerinin artık yalnızca "ne söylediğimizi anlayan" değil, aynı zamanda "bir hedefe ulaşmak için hangi adımları izlemesi gerektiğini planlayabilen" sistemlere dönüşmesi yatıyor. Bir ajan; bir müşteri talebini sınıflandırabilir, bir veri tabanında arama yapabilir, bir hesaplama gerçekleştirebilir ve elde ettiği sonuçlara göre bir sonraki adıma karar verebilir. Bu, geleneksel kural tabanlı otomasyon sistemlerinden temelde farklı bir yaklaşımdır; çünkü ajan, önceden tanımlanmış katı bir akış yerine, karşılaştığı duruma göre esnek biçimde karar verebilir.
Öte yandan bu esneklik beraberinde yeni sorumluluklar da getiriyor. Bir ajanın hangi verilere erişebileceği, hangi eylemleri gerçekleştirmesine izin verildiği ve hata durumunda nasıl davranacağı, sistemi tasarlayan mühendislerin dikkatle ele alması gereken konular haline geliyor. Bu yazıda ajan mimarilerinin nereden geldiğini, hangi bileşenlerden oluştuğunu ve günümüzde hangi noktada olduğunu ele alacağız.
Tarihsel Arka Plan
Yapay zekâ literatüründe "ajan" kavramı yeni değildir. Dağıtık yapay zekâ (distributed AI) alanındaki araştırmalar 1980'li yıllara kadar uzanır ve bu dönemde farklı yazılım bileşenlerinin ortak bir hedef doğrultusunda birlikte çalışması fikri akademik çevrelerde tartışılmaya başlanmıştır.
1990'lı yıllarda ajan tabanlı sistemler (agent-based systems) ayrı bir araştırma alanı olarak olgunlaştı. Stuart Russell ve Peter Norvig'in yapay zekâ alanının en çok referans verilen ders kitaplarından birinde tanımladığı klasik ajan modeli; bir varlığın ortamı algılaması, bu algıyı işlemesi ve ortama karşı bir eylemde bulunması döngüsüne dayanır. Bu tanım, günümüz yapay zekâ ajanlarının temelini oluşturmaya devam etmektedir.
Bu dönemde geliştirilen çok ajanlı sistem (multi-agent systems) araştırmaları, birden fazla yazılım biriminin kendi hedefleri ve sınırlı bilgisiyle nasıl ortak bir sonuca ulaşabileceğini inceledi. Akademik ortamda üretilen bu bilgi birikimi; müzakere, iş bölümü ve koordinasyon gibi kavramları yapay zekâ literatürüne kazandırdı ve bugünkü çok ajanlı orkestrasyon sistemlerinin kavramsal temelini oluşturdu.
Asıl kırılma noktası, 2020'li yılların başında büyük dil modellerinin doğal dili anlama ve üretme becerisinin belirgin şekilde artmasıyla yaşandı. 2022 yılından itibaren araştırmacılar, dil modellerinin yalnızca metin üretmekle sınırlı kalmayıp bir "akıl yürütme motoru" gibi kullanılabileceğini gösteren çalışmalar yayımladı. Aynı dönemde ortaya çıkan açık kaynaklı deneysel projeler, bir dil modelinin kendi kendine alt görevler oluşturup bunları sırayla yürütmeye çalıştığı ilk örnekleri kamuoyuna tanıttı. Bu projeler teknik açıdan sınırlı kalsa da, "otonom ajan" fikrinin geniş bir geliştirici kitlesi tarafından somut biçimde deneyimlenmesini sağladı ve alanın hızla olgunlaşmasına zemin hazırladı.
Temel Kavramlar
Bir yapay zekâ ajanının işleyişi genellikle şu bileşenler etrafında şekillenir:
- Algılama (perception): Ajanın kullanıcıdan gelen talebi, ortamdaki veriyi veya bir sistemden dönen sonucu okuyabilmesi.
- Akıl yürütme ve planlama (reasoning/planning): Hedefe ulaşmak için gereken adımların belirlenmesi. Karmaşık görevler genellikle daha küçük alt görevlere bölünür.
- Bellek (memory): Kısa vadeli bellek, o anki görev bağlamını tutarken; uzun vadeli bellek geçmiş etkileşimlerden veya harici bir bilgi kaynağından yararlanılmasını sağlar.
- Araç kullanımı (tool use): Ajanın bir arama motoru, veri tabanı, hesap makinesi veya kurumsal bir yazılım arayüzü gibi dış sistemleri çağırabilmesi. Bu yetenek genellikle "function calling" olarak adlandırılır.
- Eylem (action): Planlanan adımın gerçekten uygulanması ve sonucun değerlendirilmesi.
Bu bileşenler bir araya geldiğinde ortaya çıkan yapıya genellikle "algıla-düşün-eyle" (sense-think-act) döngüsü denir. Ajan, bu döngüyü hedefe ulaşana veya belirlenen bir sınıra kadar tekrar eder.
Tek Ajan ve Çok Ajan Yaklaşımları
Bazı sistemler tek bir ajanın tüm görevi baştan sona yürütmesine dayanırken, daha karmaşık senaryolarda görev farklı uzmanlık alanlarına sahip birden fazla ajan arasında bölüştürülebilir. Örneğin bir ajan araştırma yapmakla, bir başkası elde edilen bilgiyi doğrulamakla, bir diğeri ise sonucu raporlamakla görevlendirilebilir. Bu yaklaşım karmaşıklığı artırsa da, her ajanın daha dar ve iyi tanımlanmış bir sorumluluğa odaklanmasını sağlayarak genel sistemin güvenilirliğini artırabilir.
Denetim ve Sınırlandırma Mekanizmaları
Bir ajanın sınırsız biçimde eylemde bulunması, özellikle kurumsal ortamlarda ciddi riskler taşıyabilir. Bu nedenle modern ajan mimarilerinde genellikle bir insan onayı (human-in-the-loop) katmanı veya belirli eylemler için önceden tanımlanmış izin sınırları bulunur. Ajanın hangi işlemleri kendi başına gerçekleştirebileceği, hangi işlemler için onay beklemesi gerektiği, sistem tasarımının en kritik parçalarından biridir.
Teknolojik Dönüm Noktaları
Günümüz ajan mimarilerinin şekillenmesinde birkaç teknik gelişme belirleyici olmuştur.
2017 yılında Google araştırmacıları tarafından yayımlanan ve "Attention Is All You Need" başlığını taşıyan makale, bugün büyük dil modellerinin temelini oluşturan Transformer mimarisini tanıttı. Bu mimari, modellerin uzun metinler içerisindeki bağlamı çok daha etkili biçimde işleyebilmesini sağladı.
2022 yılında yayımlanan ReAct (Reasoning and Acting) yaklaşımı, dil modellerinin bir yandan akıl yürütme adımları üretirken diğer yandan dış araçlarla etkileşime girebilmesini birleştiren bir yöntem önerdi. Bu yaklaşım, günümüzde birçok ajan çerçevesinin (framework) temel tasarım ilkelerinden biri haline geldi.
Aynı dönemde ortaya çıkan açık kaynaklı çerçeveler, geliştiricilerin dil modellerini bellek, araç erişimi ve çok adımlı planlama gibi bileşenlerle birleştirmesini kolaylaştırdı. Bu çerçeveler, önceden karmaşık mühendislik gerektiren entegrasyonları standart bir arayüz üzerinden sunarak ajan geliştirmeyi görece daha erişilebilir bir alan haline getirdi.
Bunu takip eden dönemde, tek bir ajan yerine birden fazla ajanın belirli rollerle koordineli çalıştığı çok ajanlı orkestrasyon yaklaşımları da yaygınlaşmaya başladı. Bu yaklaşımlar, büyük ve çok adımlı görevlerin daha küçük parçalara bölünerek her parçanın kendi bağlamında ele alınmasına imkân tanıdı ve tek bir modelin bağlam penceresine sığdırılması güç olan görevlerin daha yönetilebilir hale gelmesini sağladı.
Günümüzdeki Durum
Bugün yapay zekâ ajanları; kod yazma ve hata ayıklamaya yardımcı olan geliştirici araçlarından, müşteri taleplerini sınıflandırıp yönlendiren destek sistemlerine, kurumsal veri kaynaklarında arama yapıp özetleyen asistanlara kadar geniş bir yelpazede kullanılmaktadır.
Bununla birlikte, ajanların kurumsal ortamlarda güvenilir biçimde çalışabilmesi yalnızca modelin dil yeteneğine değil, sistemin genel mimarisine de bağlıdır. Ajanın hangi verilere erişebildiği, hangi eylemleri gerçekleştirebildiği ve hataları nasıl ele aldığı, tasarım aşamasında dikkatle planlanması gereken konulardır. Bu nedenle günümüzde ajan geliştirme, salt bir model seçimi meselesi olmaktan çok, güvenlik, gözetim ve süreç tasarımını da kapsayan bir mühendislik disiplinine dönüşmüş durumdadır.
Kurumsal ortamlarda ajanların en çok değer ürettiği alanlardan biri, farklı sistemlerde dağınık biçimde bulunan bilgiye erişimi kolaylaştırmalarıdır. Bir çalışan, uzun bir prosedür dokümanını baştan sona okumak yerine doğrudan sorusunu ajana yöneltebilir; ajan ise ilgili kaynaklardan yararlanarak isabetli bir yanıt üretmeye çalışır. Benzer şekilde, tekrarlayan ve kural tabanlı işlemlerin bir kısmı da ajanlara devredilerek insan kaynağının daha karmaşık ve yargı gerektiren işlere yönlendirilmesi mümkün olabilir. Ancak bu değerin gerçekleşmesi, ajanın yalnızca doğru bilgiye erişmesine değil, aynı zamanda emin olmadığı durumlarda bunu açıkça belirtebilmesine de bağlıdır.
Gelecek Perspektifi
Önümüzdeki dönemde ajan mimarilerinin daha uzun görev zincirlerini daha az insan müdahalesiyle tamamlayabilmesi beklenmektedir; ancak bunun ne hızda ve hangi güvenlik önlemleriyle gerçekleşeceği şu an için bir öngörüden ibarettir.
Araştırmacılar arasında, ajanların kararlarının izlenebilir ve denetlenebilir olmasının, yeteneklerinin artmasıyla en az aynı oranda önem kazanacağı yönünde yaygın bir görüş bulunuyor. Bu nedenle gelecekteki ajan sistemlerinin yalnızca "ne kadar otonom" oldukları değil, "ne kadar güvenilir şekilde denetlenebildikleri" ile de değerlendirilmesi olasıdır.
Bir diğer olası yönelim, farklı üreticilere ait ajanların ve araçların birbiriyle standart protokoller üzerinden konuşabilmesidir. Bugün her çerçeve kendi entegrasyon yöntemini kullanırken, ileride ajanlar arası iletişim için ortak standartların oluşması, kurumların farklı sistemleri bir araya getirmesini kolaylaştırabilir. Yine de bunun ne kadar sürede ve hangi kapsamda gerçekleşeceği şu aşamada belirsizliğini korumaktadır ve bu satırlar yalnızca bir olasılık değerlendirmesi olarak okunmalıdır.
Sonuç
Yapay zekâ ajanları, dil modellerinin akıl yürütme, bellek ve araç kullanımı gibi bileşenlerle birleştirilmesiyle ortaya çıkan bir mühendislik yaklaşımıdır. Kökleri 1980'li yılların dağıtık yapay zekâ araştırmalarına uzansa da, bugünkü hızlı gelişimini büyük dil modelleri ve yeni prompt tasarım tekniklerine borçludur.
Bu alan hâlâ hızla gelişmekte olup, kurumların ajan tabanlı çözümleri değerlendirirken hem yetenekleri hem de sınırları konusunda dikkatli bir yaklaşım sergilemesi önem taşımaktadır.
Bir kurumun ajan tabanlı bir sisteme geçiş yapması, yalnızca teknoloji seçimiyle sınırlı bir karar değildir. Hangi süreçlerin otomasyona uygun olduğu, hangi kararların mutlaka insan onayından geçmesi gerektiği ve olası hataların kuruma ne gibi bir maliyet doğurabileceği, projeye başlamadan önce netleştirilmesi gereken sorulardır. Bu değerlendirmeyi doğru yapan kurumlar, ajan teknolojilerinden daha sürdürülebilir ve ölçülebilir bir fayda elde edebilir.
Sonuç olarak, ajan mimarileri tek bir teknolojiden çok, algılama, akıl yürütme, bellek ve araç kullanımı bileşenlerinin belirli bir mühendislik disipliniyle bir araya getirilmesinden oluşan bir sistem yaklaşımıdır. Bu bileşenlerden herhangi birinin zayıf tasarlanması, sistemin genel güvenilirliğini doğrudan etkileyebilir; bu nedenle başarılı bir ajan projesi, model seçimi kadar sistem mimarisine de aynı titizlikle yaklaşmayı gerektirir.
Son Söz
Yapay zekâ ajanlarının kurumsal süreçlerle nasıl bütünleşeceği, önümüzdeki yılların en çok konuşulan mühendislik sorularından biri olmaya devam edecek. Bu alandaki gelişmeleri takip eden mühendisler ve karar vericiler için asıl mesele, hangi modelin en popüler olduğu değil, hangi mimarinin kurumun kendi süreçlerine, veri altyapısına ve risk toleransına en uygun şekilde tasarlandığıdır. Büyük Savunma Yazılım olarak yapay zekâ uygulamaları alanındaki çalışmalarımızda, Büyük Asistan gibi çözümlerle bu teknolojilerin kurumların gerçek ihtiyaçlarına nasıl değer katabileceğini yakından takip ediyoruz.
Kaynakça
- Vaswani, A. vd. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems (NeurIPS), Google Research.
- Yao, S. vd. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv preprint, Princeton University & Google Research.
- Russell, S. & Norvig, P. Artificial Intelligence: A Modern Approach. Pearson Education.
- LangChain Resmi Dokümantasyonu, "Agents" bölümü, langchain.com.
- Büyük Savunma Yazılım A.Ş., bsytechs.com.
