Yapay Zeka Agentları (AI Agent) Geleceğin Akıllı Sistemleri

Yapay zeka (YZ) modelleri, büyük miktarda veriyi işleyerek metin üretme, görüntü oluşturma ve daha fazlasını yapabilir. Ancak, geleneksel modellerin en büyük sınırlamalarından biri, dış dünyayla doğrudan etkileşime girememeleridir. İşte bu noktada “AI agent”ler devreye giriyor.

AI agent, bir amaca ulaşmak için çevrelerini gözlemleyen, analiz eden ve çeşitli araçları kullanarak kararlar alabilen sistemlerdir. Bu yazıda, agentlerin nasıl çalıştığını, temel bileşenlerini ve gerçek dünyada nasıl uygulandıklarını detaylı bir şekilde ele alacağız.

1. AI Agent Nedir?

AI agent, bağımsız olarak çalışabilen ve belirli bir hedefi gerçekleştirmek için kendi başlarına kararlar alabilen yazılımlardır. Geleneksel yapay zeka modelleri belirli girdilere belirli çıktılar üretirken, AI agentlar daha karmaşık süreçleri yönetebilir. Örneğin, bir e-posta yazışmasını otomatik olarak cevaplayan bir yapay zeka modeli yalnızca metni üretebilirken, bir AI agent e-postayı analiz eder, yanıtı oluşturur ve hatta belirli kurallara göre bir sonraki adımı belirleyebilir.

Agentlerin üç temel bileşeni vardır:

• Model: Dil modeli gibi karar alma süreçlerini yönlendiren yapay zeka motorudur.
• Araçlar (Tools): Agentın dış dünya ile etkileşime geçmesini sağlayan API’ler, veri tabanları, işlevler (functions) ve uzantılar (extensions) gibi bileşenlerdir.
• Orkestrasyon Katmanı: Agentın bilgi toplama, karar verme ve eyleme geçme süreçlerini yöneten bir mantık yapısıdır. Bu katman, agentın bağımsız hareket edebilmesini ve verilen girdilere göre en uygun çıktıyı üretebilmesini sağlar.

AI agentler, farklı türde olabilir. Bazıları belirli görevleri yerine getirirken, bazıları daha genel amaçlı olabilir. Örneğin, müşteri destek botları yalnızca müşteri sorularına yanıt verirken, otonom finans danışmanları kullanıcı verilerine dayalı yatırım önerileri sunabilir.

Ayrıca, bazı AI agentler insan müdahalesine ihtiyaç duyarken, bazıları tamamen bağımsız çalışabilir. Örneğin, bir finansal karar destek AI agenti, belirli eşikler aşıldığında kullanıcıyı bilgilendirebilir ve karar almasına yardımcı olabilirken, bir robotik üretim AI agenti, insan müdahalesi olmadan fabrika süreçlerini optimize edebilir.

2. AI Agentların Çalışma Mekanizması

Bir agentin nasıl çalıştığını anlamak için, onu mutfakta çalışan bir şefe benzetebiliriz. Şef, siparişi alır, malzemeleri kontrol eder, yemeği hazırlar ve son olarak müşteriye sunar. Agentler de benzer bir döngü içinde çalışır:

1. Bilgi Toplama: Kullanıcının girdisini alır ve gerekli bilgileri toplar.
2. Mantıksal Düşünme: Hangi araçları kullanması gerektiğini belirler.
3. Eyleme Geçme: Seçilen araçlarla bir aksiyon gerçekleştirir.
4. Geri Bildirim: İşlem sonuçlarını değerlendirerek bir sonraki adımı belirler.

Bu süreç, agentin belirli bir görevi bağımsız olarak tamamlamasını sağlar. Ancak agentlerin öğrenme süreci de önemlidir. Makine öğrenimi ve derin öğrenme teknikleri sayesinde agentler zamanla daha iyi kararlar alabilir ve performanslarını optimize edebilir.

Özellikle reinforcement learning (pekiştirmeli öğrenme) teknikleri ile agentler, aldıkları geri bildirimlere göre kendilerini geliştirebilir. Bu, özellikle dinamik ortamlarda çalışan agentler için büyük bir avantajdır. Örneğin, bir trafik yönetim agenti, trafik akışını optimize etmek için zaman içinde daha iyi stratejiler öğrenebilir.

3. Agentleri Güçlendiren Araçlar

Agentlerin en büyük gücü, çeşitli araçları kullanarak dış dünyayla etkileşime geçebilmesidir. İşte en yaygın kullanılan araç türleri:

3.1 Uzantılar (Extensions)

Extensions, agentlerin API’ler ile iletişim kurmasını sağlayan özel yapılandırmalardır. Örneğin, bir uçuş rezervasyonu yapan agent, Google Flights API’sine erişmek için bir extension kullanabilir. Extensions, agentin API ile nasıl iletişim kuracağını ve hangi parametreleri kullanacağını öğreten bir köprü görevi görür. Ayrıca, veri doğrulama, hata yönetimi ve güvenlik kontrolleri de sağlayabilir.

3.2 Fonksiyonlar (Functions)

Functions, istemci tarafında yürütülen özel kod bloklarıdır. Agentler, hangi function’ın çalıştırılacağını ve hangi parametrelerin kullanılacağını belirleyebilir, ancak API çağrılarını doğrudan yapmaz. Bu, özellikle güvenlik ve kimlik doğrulama gereksinimleri olan sistemlerde faydalıdır. Örneğin, bir e-ticaret agenti, kullanıcının geçmiş alışverişlerini analiz edip öneriler sunarken, bu işlemleri istemci tarafında çalıştırabilir.

3.3 Veri Depoları (Data Stores)

Geleneksel yapay zeka modelleri sadece eğitildikleri verilerle sınırlıdır. Ancak data stores sayesinde agentler, gerçek zamanlı verilere erişerek güncel bilgilere dayalı kararlar verebilir. Örneğin, bir müşteri destek agenti, en güncel müşteri verilerine erişerek daha doğru yanıtlar üretebilir. Ayrıca, farklı veri kaynaklarını birleştirerek daha kapsamlı analizler yapabilir.

4. Agentlerle Model Arasındaki Fark

Bir yapay zeka modeli ve bir agent arasındaki temel farkları şu şekilde özetleyebiliriz:

5. Agentlerle Gelişmiş Uygulamalar

Agent teknolojisi, birçok sektörde devrim yaratıyor. Örneğin:

• Sağlık: Hasta verilerini analiz eden ve hastalık teşhisinde yardımcı olan sağlık agentleri.
• Finans: Algoritmik ticaret ve risk yönetimi için kullanılan agentler.
• Eğitim: Öğrencilerin öğrenme süreçlerini kişiselleştiren eğitim agentleri.

Gelecekte, agentlerin yetenekleri daha da genişleyerek günlük hayatımızın her alanında yer alacak.

6. Gelecekte Agentler

Agent teknolojisi hızla gelişmeye devam ediyor ve gelecekte daha akıllı ve otonom sistemler görmeyi bekleyebiliriz. Öne çıkan bazı gelişmeler şunlardır:

• Çoklu Agent İşbirliği: Farklı uzmanlıklara sahip agentlerin bir araya gelerek daha karmaşık problemleri çözmesi.
• Kendi Kendini Geliştiren Agentler: Agentlerin zamanla kendi öğrenme süreçlerini iyileştirmesi.
• Gelişmiş Etkileşim: İnsanlarla daha doğal ve sezgisel bir şekilde iletişim kurabilen agentler.

7. LangChain ile Agent Oluşturma

Agent geliştirme sürecini anlamak için LangChain ve LangGraph kütüphaneleriyle basit bir örnek oluşturacağız. LangChain, bir agentin mantıksal akışını düzenleyerek, mantık zincirleri (chain of reasoning), karar mekanizmaları ve araç kullanım süreçlerini yönetmemizi sağlar. Bu örnekte, Gemini-1.5-Flash-001 modelini ve iki temel aracı (SerpAPI ve Google Places API) kullanacağız.

7.1 Kullanılacak Araçlar

• SerpAPI: Google üzerinde arama yapmamızı sağlayan bir API.
• Google Places API: Konum bazlı bilgi almak için kullanılan bir API.

Bu araçları kullanarak bir agent geliştireceğiz ve “Texas Longhorns geçen hafta hangi takımla oynadı? Rakip takımın stadyumunun adresi nedir?” sorusuna yanıt vereceğiz.

7.2 Python Kod Örneği

Aşağıdaki Python kodu, bir agent oluşturup kullanıcının sorgusunu işleyerek önce Google üzerinden maç bilgilerini alacak, ardından rakip takımın stadyum adresini tespit edecektir:

from langgraph.prebuilt import create_react_agent
from langchain_core.tools import tool
from langchain_community.utilities import SerpAPIWrapper
from langchain_community.tools import GooglePlacesTool
import os

# API anahtarlarını tanımlama
os.environ["SERPAPI_API_KEY"] = "XXXXX"
os.environ["GPLACES_API_KEY"] = "XXXXX"

# SerpAPI ile arama fonksiyonu tanımlama
@tool
def search(query: str):
    """Use the SerpAPI to run a Google Search."""
    search = SerpAPIWrapper()
    return search.run(query)

# Google Places API ile konum arama fonksiyonu
@tool
def places(query: str):
    """Use the Google Places API to run a Google Places Query."""
    places = GooglePlacesTool()
    return places.run(query)

# Agent için model tanımlama
model = ChatVertexAI(model="gemini-1.5-flash-001")

# Kullanılacak araçları listeleme
tools = [search, places]

# Kullanıcıdan gelen sorgu
query = "Texas Longhorns futbol takımı geçen hafta hangi takımla oynadı? Rakip takımın stadyumunun adresi nedir?"

# Agent oluşturma
agent = create_react_agent(model, tools)
input = {"messages": [("human", query)]}

# Agent'i çalıştırma ve çıktıyı alma
for s in agent.stream(input, stream_mode="values"):
    message = s["messages"][-1]
    if isinstance(message, tuple):
        print(message)
    else:
        message.pretty_print()

Bu kod, kullanıcının sorduğu soruya yanıt vermek için SerpAPI ve Google Places API kullanarak bilgi toplayan bir agent oluşturur.

7.3 Çıktı

Agent’ın çalıştırılmasının ardından aşağıdaki çıktılar alınır:

================================ Human Message =================================
Texas Longhorns futbol takımı geçen hafta hangi takımla oynadı?

================================= Ai Message =================================
Tool Calls: search
Args:
  query: Texas Longhorns futbol fikstürü

================================= Tool Message =================================
Name: search
{...Results: "NCAA Division I Futbol, Georgia, Tarih..."}

================================= Ai Message =================================
Texas Longhorns geçen hafta Georgia Bulldogs ile oynadı.

Tool Calls: places
Args:
  query: Georgia Bulldogs stadyumu

================================= Tool Message =================================
Name: places
{...Sanford stadyum adresi: 100 Sanford...}

================================= Ai Message =================================
Georgia Bulldogs takımının stadyumu 100 Sanford Dr, Athens, GA 30602, ABD adresindedir.

Bu çıktılardan da görülebileceği gibi, agent ilk olarak SerpAPI aracılığıyla “Texas Longhorns football schedule” aramasını yaparak geçen hafta oynadıkları maçı buldu. Ardından, rakip takımın Georgia Bulldogs olduğu belirlendi ve Google Places API kullanılarak rakip takımın stadyum adresi alındı.

7.4 Neden Önemli?

Bu örnek, agentlerin nasıl model, araçlar ve orkestrasyon katmanı ile birlikte çalıştığını gösteren pratik bir uygulamadır. Basit bir sorguyla agent, iki farklı API’yi kullanarak bilgiyi toplamış ve anlamlı bir yanıt oluşturmuştur.

Bu tür agentler, müşteri hizmetleri, seyahat planlaması, finansal analiz ve birçok farklı alanda uygulanabilir. Özellikle büyük ölçekli sistemlerde, Vertex AI gibi platformlarla entegre edilerek çok daha güçlü ve ölçeklenebilir çözümler oluşturulabilir.

Bu örnekle, LangChain ve LangGraph kullanarak bir agent geliştirmenin temel adımlarını öğrendik. Daha karmaşık görevler için benzer yapıyı kullanarak daha gelişmiş agentler oluşturabiliriz. Gelecekte, agentlerin yetenekleri genişledikçe, farklı sektörlerde çok daha verimli çözümler üretilecektir.

Sonuç

AI agentleri, geleneksel modellerin sınırlarını aşarak dış dünya ile etkileşime giren, kararlar alan ve süreçleri yöneten sistemlerdir. Extensions, functions ve data stores gibi araçlar sayesinde daha akıllı ve otonom hale gelirler.

Gelecekte, agent teknolojisinin daha yaygın hale gelmesiyle birlikte, birçok sektörde devrim yaratacak çözümler geliştirilecektir. AI agentleri, dijital dünyada büyük bir değişimin öncüsü olmaya hazırlanıyor. Daha fazlası için “Yapay Zeka” kategorisine bakabilirsin. LangChain ile AI agent geliştirme konusunda daha fazla bilgi için “LangChain” sayfasına bakabilirsin.