Yapay Zekanın Son Dalgası Agentic AI ve Frameworkleri

Agentic AI Nedir ?

Günümüzdeki popüler yapay zeka verilen girdilere yanıt üretebilir hale gelmiştir. Bu zamana kadar sorduklarımıza cevap veren, kod yazarken hatalarımızı sorduğumuz yapay zeka adeta bir asistan gibi gerek duyduğumuz zaman bize destek oluyor. Sorumluluk almadığı için yanlış yönlendirmelerinde kontrol edilmesi ve kod bloğu verse bile blok üzerinde değişiklik yapılması gerekmektedir.

Yapay zeka gelişiminin başlarında e-postaları sıralayıp spam’i işaretleyebiliyordu. Ancak insan dilini tam anlayamıyordu. Makine öğrenimi ve metin işleme alanlarındaki gelişmiş algoritmalar sayesinde yapay zeka uygulamaları evrilerek yeni özellikler kazanmaya devam ediyor. LLM tabanlı sistemler uygun entegrasyon ve bellek mekanizmalarıyla kullanıcı alışkanlıklarını öğrenebilir.

Bir sonraki adımda üçüncü yapay zeka dalgası da denilen Agentic AI hayatımıza daha fazla girdiğinde tedarik zinciri verilerini analiz ederek stok siparişlerini kendiliğinden planlayabilir. Agentic AI girdileri anlayarak plan yapabilir ve süreci otonom yürütebilir. Eylemleri başlatabilir, hedefleri iyileştirebilir, birden fazla API servisleri ve sistemleri ile etkileşime girerken geri bildirimlerden öğrenebilir. İş akışlarında stratejileri kendi kendine geliştirip optimize ederken, otomasyonlara da adapte olabilir.

Agentic AI Nasıl Çalışır ?

Klasik yapay zeka komut alıp cevap vermeye odaklanırken; Agentic AI hedef belirleyen, bu hedefe ulaşmak için adım adım plan yapan, gerektiğinde araç kullanan ve kendi çıktısını değerlendirerek bir sonraki aksiyona karar verebilen otonom yapıdır.

Agentic AI merkezinde her zaman bir amaç vardır ve adımlardan bağımsızdır. Hedefi aldıktan sonra kendi içinde bir planlama süreci başlatır. Planlama mekanizması devreye girdiğinde hedefi daha küçük görevlere bölerek, önce-sonra ilişkisi içerisinde hangi adımda hangi bilgiye veya araca ihtiyaç duyacağını belirler. Araç kullanımları; dosya okuma-yazma, API çağrıları, veritabanı sorguları, web taramaları, kod çalıştırma gibi aksiyonlara girebilmesi anlamına gelmektedir.

Agentic AI sistemi harici araçlar kullanan ve dosyalardan okuyup başka dosyaya yazabilen, birbirleriyle iletişim kuran tek veya birden fazla LLM(Büyük Dil Modeli) kullanabilir. LLM’ler metni anlamak ve insan diline yakınsamak için dönüştürücü(transformer) modellerin kullanıldığı deep learning temelli modellerdir.

NLP (Doğal Dil İşleme) ; dil çevirisi, metin sınıflandırması, duygu analizi, metin oluşturma gibi işlemleri de gerçekleştirmeye yardımcı olur. Bu süreçler için modelin davranışını tanımlayan milyarlarca parametre oluşturulur ve LLM’ler çeşitli kaynaklardan alınan büyük miktarda veri kümesi ile eğitilirler. Bu veri kümeleri ciddi anlamda muhteşem boyutlara ulaşabilmektedir.

Parametreler ve veri kümelerinin çoklanması; LLM modelinin dil bilgisi, mantık, bilgi edinme ve duyguları sentezleyebilme yeteneklerini önemli ölçüde etkiler. Deep Learning alanındaki mimari transformer sinir ağları teknolojisi sayesinde, LLM modelleri birbirinden izoledirler. Agentic mimari LLM modellerini orkestra etmektedir. Her Agentic AI uygulamasının kullanım alanına göre sistem modelleri ve LLM türleri değişebilmektedir.

Örneğin; bir model yönetici gibi davranıp problemleri parçalara ayırıp diğer modellerin uygunluk ve yeterliliğine göre görevleri dağıtabilir. Alt modeller görevleri tamamladıktan sonra hiyerarşik bir yapı gibi yöneticisine gönderir. Yönetici model görevleri değerlendirip parçaları birleştirebilir. Bu yapı sayesinde tek modelin tek başına yapabileceğinden daha karmaşık iş akışları paralel yürütülebildiği için sistem çok hızlı çözüm sunabilir.

Örneğin; bir model yönetici gibi davranıp problemleri parçalara ayırıp diğer modellerin uygunluk ve yeterliliğine göre görevleri dağıtabilir. Alt modeller görevleri tamamladıktan sonra hiyerarşik bir yapı gibi yöneticisine gönderir. Yönetici model görevleri değerlendirip parçaları birleştirebilir. Bu yapı sayesinde tek modelin tek başına yapabileceğinden daha karmaşık iş akışları paralel yürütülebildiği için sistem çok hızlı çözüm sunabilir.

Agentic AI iş akışları, geleneksel AI iş akışlarından yapısal ve organizasyonel farklılıkları sayesinde iş dünyasında sıfırdan kodlama ve ön karar alma gerekmeksizin hızlı çözümler üreterek işleri kolaylaştırıyor.

Agentic AI Frameworkleri

Yapay zeka agentlar araçları kullanarak özerk kararlarını planlayarak hedefe ulaşabilir. Kullandığımız programlama diline frameworkler sayesinde entegre olarak zincirleme işlemler, araç entegrasyonları ve bellek yönetimi gibi hazır bileşenleri sunarak dil modeli tabanlı agentların oluşturulmasını kolaylaştırır. Örneğin sigorta sektöründeki bir projede kendi içinde yedi farklı özelleşmiş agent işbirliği yaparak tek bir tazminat talebinin işlenebildiği çoklu-agent sistemi kullanılmaktadır.

AutoGen Framework

Actor model mantığıyla çalışmaktadır; yani her aktör birbiriyle mesaj alışverişi yapabilir, senkron programlanabilir. Her agent bir aktör gibi davrandığı için en avantajlı tarafı sistemlerin daha birleştirilebilir hale gelmesidir.

Microsoft tarafından geliştirilmiş ve Python tabanlı bir frameworktür. Başlangıçta kolaylık ve esneklik sağlamasına rağmen ilerledikçe akışlar karmaşıklaşabilmektedir. Farklı dil modelleriyle entegre edilmek istenirse Proxy sunucularına ihtiyaç duyulmaktadır.

Crewai Framework

Crewai, gerçek hayatta bir proje ekibindeki yazılım mühendisi, test mühendisi, tasarımcı vb rollere göre modellerle organize olmaktadır. Projeyi daha hızlı tamamlamak için hedefleri belirlemek, ajanları tanımlamak, rolleri, araçları, görevleri ve çoklu agent iş akışlarını oluşturabiliriz.

Mimari: Python’dan sıfırdan inşa edilmiş yalın ve hızlı bir framework olmakla birlikte adından da anlaşılacağı gibi gerçek hayattaki ekibi baz almaktadır. LangChain ekosisteminin parçasıdır.

Kullanım alanı: Her ajanın bir rolü, hedefi ve araçları olduğu görev tabanlı bir framework’e ihtiyacınız varsa karar vermeyi ve hedefe ulaşmayı hızlandırır.

Olumlu ve olumsuz yanları: CrewAI ‘i öne çıkaran özelliklerinden birisi bellek yönetimini kısa ve uzun vadeli destekleyebilmesi. Olumsuz tarafı debugging için log ve print fonksiyonlarının işlevsiz olması nedeniyle debugging yapmanın zor olması.

LangGraph Framework

LangGraph agent davranışlarını ve iş akışlarını tasarlarken doğrusal değil, durum bilgili ve grafik tabanlı bir yol sunar. Agent akışı bir ağaca benzetirsek dalları karar noktalarına göre , yapraklar da kararların sonucu olarak karşımıza çıkacaktır.

Mimari: LangGraph Python ve JavaScript/TypeScript’i destekler. LangChain ekosisteminin parçasıdır. İş akışlarını node’lar ve edge’ler olarak graf tabanlı yaklaşım sunar.

Kullanım Alanı: Dinamik adaptasyon içeren, koşullu çok aşamaya sahip, karmaşık ve durum bilgili iş akışları için güçlü bir alternatiftir.

Sonuç olarak; Agentic AI, yapay zekânın yalnızca öneri sunan bir araç olmaktan çıkıp, hedef odaklı çalışan ve karmaşık süreçleri yönetebilen bir sistem mimarisine dönüştüğünü gösteriyor. Bu yeni yaklaşım; veri, modeller ve araçlar arasında kurulan akıllı orkestrasyon sayesinde kurumların daha hızlı karar almasını ve operasyonlarını daha verimli yönetmesini mümkün kılıyor. Önümüzdeki dönemde Agentic mimarilerin; veri platformlarından operasyonel süreçlere kadar birçok alanda iş yapış biçimlerini yeniden tanımlaması bekleniyor. Kurumlar için kritik olan ise yalnızca bu teknolojiyi kullanmak değil, onu doğru mimari, doğru entegrasyon ve sürdürülebilir bir stratejiyle hayata geçirebilmek.