BALAR: Bayesian Agentic Loop ile Yapay Zekânın Aktif Düşünme Gücü

BALAR, yapay zekânın sadece cevap vermekten ziyade, soru sormayı öğrenmesini sağlayan ilk sistem. 6 Mayıs 2026 tarihinde arXiv’de yayınlanan BALAR: A Bayesian Agentic Loop for Active Reasoning adlı çalışma, büyük dil modellerinin (LLM) etkileşimli ortamlarda nasıl davrandığını tamamen yeniden tanımlıyor. Bugün hemen hemen tüm chatbotlar, kullanıcı sorusuna tepki verir; BALAR ise, ne eksik olduğunu anlar, hangi soruyu sorması gerektiğini hesaplar ve bilgiyi kendi içinde yapılandırır.

BALAR: Bayesian Agentic Loop ile Aktif Reasoning Nedir?

BALAR, Bayesian olasılık teorisini, agens (kendi kararlar alan sistemler) mantığını ve aktif öğrenmeyi bir araya getiren bir dış döngü algoritması. Herhangi bir ince ayar (fine-tuning) gerektirmeden, mevcut LLM’lere eklenebilir. Daha önceki sistemler, kullanıcıdan gelen verileri doğrudan işlerdi; BALAR ise her cevaptan sonra bir gizli durum inancı (latent state belief) oluşturur. Bu inanç, bir olasılık dağılımı gibi çalışır: "Bu ipucu doğruysa, diğer olasılıklar ne kadar muhtemel?"

Örneğin, bir polisiye davada "Suçlu, siyah bir araba kullanmış" diyen bir kullanıcıya BALAR, "Bu arabanın markası biliniyor mu?" ya da "Sahibi kimdi?" gibi sorularla bilgi ağını genişletir. Buradaki kilit, beklenen mutual information (etkileşimli bilgi) maksimizasyonu. Yani, her soru, sistemin bilgi eksikliğini en çok azaltacak şekilde seçilir. Bu, rastgele soru sormaktan çok, bir dedektifin kanıtları birleştirirkenki mantığı taklit eder.

Neden BALAR, Diğer Sistemlerden Farklı?

İnsanlar, eksik bilgiyi hisseder ve sorgular. Ama AI’lar genellikle "Bilmiyorum" der, ya da varsayımlarla doldurur. BALAR bu kusuru sistematik olarak gideriyor. Sistemin içindeki dinamik durum genişletme mekanizması, yeni verilerle karşılaştığında, mevcut bilgi yapısını değiştirip, yeni kategoriler ekleyebilir. Örneğin, bir tıbbi tanı senaryosunda, "kanser" gibi bir tanıya ulaşmak için önce "kronik ağrı", sonra "aile geçmişi", ardından "kan testi sonuçları" gibi kategorileri kendi başına oluşturuyor.

Deneylerde BALAR, üç farklı alanda %14.6 ila %38.5 oranında daha yüksek doğruluk elde etti. AR-Bench-DC (polisiye vakalar), AR-Bench-SP (mantık bulmacaları) ve iCraft-MD (klinik tanı) gibi zorlu test setlerinde, GPT-4, Claude 3 ve diğer hibrit sistemlerin tümünü geride bıraktı. Özellikle AR-Bench-SP’deki %38.5’lik artış, sadece bir soru seçimi stratejisinin değil, bilginin nasıl yapılandırıldığının fark yarattığını kanıtlıyor.

Yeni bir teknoloji olarak BALAR’ın en çarpıcı yanı, fine-tuning gerektirmemesi. Yani Google veya OpenAI gibi şirketler, mevcut modellerine bu algoritmayı ekleyerek, hiçbir eğitim verisi toplamadan, sistemleri daha akıllı hale getirebilir. Bu, hem maliyeti düşürüyor hem de etik riskleri azaltıyor — çünkü sistem, eğitim verisindeki önyargıları değil, mantıksal çıkarımları temel alıyor.

BALAR, AI’nın "düşünme" tanımını genişletiyor. Artık AI, sadece bilgiyi döndürmekle kalmıyor; bilgiyi arıyor. Bu, diyalogların pasif bir sohbetten, aktif bir keşif yolculuğuna dönüşmesi anlamına geliyor. Bir doktor, bir detektif ya da bir öğrenciyle konuşurken, AI artık "Ben sana cevap vereceğim" değil, "Seninle birlikte bulacağız" diyebiliyor.

Gelecekte, BALAR benzeri sistemler, eğitim, tıp, hukuk ve hatta psikolojik destek alanlarında devrim yaratabilir. Bir öğrenciye matematik sorusu sorduğunuzda, AI artık sadece çözümü değil, "Nerede takıldığını" anlamaya çalışacak. Bir hasta, belirtilerini anlattığında, AI hemen "Aşırı yorgunluk, 3 aydır devam ediyor, ailenizde kanser var mı?" diye sormaya başlayacak. Bu, AI’nın sadece bir araç olmaktan çıkıp, bir ortak düşünme partneri haline gelmesi demek.

BALAR, yapay zekânın artık sadece cevap vermediğini, bilgiyi nasıl aradığını anladığını gösteriyor. Bu, AI tarihinin bir dönüm noktası. Artık soru sormak, cevap vermekten daha değerli. Ve BALAR, bu yeni kuralları yazan ilk algoritma.