B\u00fcy\u00fck Dil Modelleri (LLM’ler) son y\u0131llarda inan\u0131lmaz ilerlemeler kaydetti, ancak mant\u0131ksal tutarl\u0131l\u0131k ve g\u00fcvenilirlik konusunda hala zorluklar ya\u015f\u0131yorlar. Peki, bu geli\u015fmi\u015f modellerin bazen neden “sa\u00e7malad\u0131\u011f\u0131n\u0131” hi\u00e7 merak ettiniz mi? Bu sorun, \u00f6zellikle kritik karar verme s\u00fcre\u00e7lerinde veya hassas uygulamalarda LLM’lerin kullan\u0131m\u0131n\u0131 k\u0131s\u0131tlayabiliyor. Neyse ki, bu a\u00e7\u0131\u011f\u0131 kapatmak i\u00e7in umut vadeden bir y\u00f6ntem var: ProofOfThought. Bu makalede, LLM’lerin mant\u0131ksal \u00e7\u0131kar\u0131m yeteneklerini Z3 teorem ispatlay\u0131c\u0131 ile nas\u0131l g\u00fc\u00e7lendirebilece\u011fimizi ke\u015ffedecek, ProofOfThought yakla\u015f\u0131m\u0131yla daha g\u00fcvenilir ve tutarl\u0131 yapay zeka modelleri olu\u015fturman\u0131n yollar\u0131n\u0131 ad\u0131m ad\u0131m inceleyece\u011fiz. Haz\u0131r olun, \u00e7\u00fcnk\u00fc yapay zeka ile mant\u0131ksal ak\u0131l y\u00fcr\u00fctmenin gelece\u011fine \u0131\u015f\u0131k tutuyoruz.<\/p>\n
Yapay zeka sistemleri, \u00f6zellikle de g\u00fcn\u00fcm\u00fcz\u00fcn B\u00fcy\u00fck Dil Modelleri (LLM’ler), \u015fa\u015f\u0131rt\u0131c\u0131 derecede karma\u015f\u0131k metinler \u00fcretebilir, kod yazabilir, \u00e7eviri yapabilir ve hatta yarat\u0131c\u0131 i\u00e7erikler olu\u015fturabilirler. Ancak, bu etkileyici yeteneklerine ra\u011fmen, \u00e7o\u011fu zaman basit mant\u0131k hatalar\u0131 yapabildiklerini veya ger\u00e7ek d\u0131\u015f\u0131 bilgiler (“hal\u00fcsinasyonlar”) \u00fcretebildiklerini g\u00f6zlemleriz. Bunun temelinde, LLM’lerin \u00e7al\u0131\u015fma prensipleri yatar: bu modeller, genellikle b\u00fcy\u00fck veri k\u00fcmelerinden \u00f6\u011frendikleri \u00f6r\u00fcnt\u00fcler ve istatistiksel olas\u0131l\u0131klar \u00fczerinden \u00e7al\u0131\u015f\u0131rlar. Yani, bir c\u00fcmlenin bir sonraki kelimesini se\u00e7erken, o kelimenin mant\u0131ksal do\u011frulu\u011fundan \u00e7ok, e\u011fitim verilerinde ne kadar s\u0131k yan yana geldi\u011fine odaklan\u0131rlar. Bu durum, onlar\u0131n do\u011fal dil i\u015fleme yeteneklerini art\u0131r\u0131rken, derinlemesine mant\u0131ksal ak\u0131l y\u00fcr\u00fctme veya formal do\u011frulama konusunda zay\u0131f kalmalar\u0131na neden olur. Bir LLM, matematiksel bir problemi \u00e7\u00f6zebilir veya bir kod blo\u011fu \u00fcretebilir, ancak \u00fcretti\u011fi \u00e7\u00f6z\u00fcm\u00fcn veya kodun ger\u00e7ekten do\u011fru olup olmad\u0131\u011f\u0131n\u0131 mant\u0131ksal olarak kan\u0131tlama yetene\u011finden yoksundur. Bu da, \u00f6zellikle m\u00fchendislik, finans veya t\u0131p gibi hata kabul etmeyen alanlarda bu modellerin do\u011frudan kullan\u0131m\u0131n\u0131 riskli hale getirir.<\/p>\n
Peki, bu s\u0131n\u0131rl\u0131l\u0131\u011f\u0131 nas\u0131l a\u015fabiliriz? \u0130\u015fte burada ProofOfThought yakla\u015f\u0131m\u0131 devreye giriyor. Bu yakla\u015f\u0131m, LLM’lerin g\u00fc\u00e7l\u00fc dil anlama ve \u00fcretme yeteneklerini, Z3 gibi resmi teorem ispatlay\u0131c\u0131lar\u0131n kusursuz mant\u0131k ve do\u011frulama kapasiteleriyle birle\u015ftirmeyi hedefler. Ama\u00e7, LLM’in bir problemi analiz edip bir \u00e7\u00f6z\u00fcm tasla\u011f\u0131 olu\u015fturmas\u0131n\u0131 sa\u011flamak, ard\u0131ndan bu \u00e7\u00f6z\u00fcm tasla\u011f\u0131n\u0131 Z3 gibi bir ara\u00e7la mant\u0131ksal olarak do\u011frulamak ve e\u011fer tutars\u0131zl\u0131klar bulunursa, bu geri bildirimi LLM’e geri vererek \u00e7\u00f6z\u00fcm\u00fcn\u00fc iyile\u015ftirmesini sa\u011flamakt\u0131r. Bu d\u00f6ng\u00fcsel s\u00fcre\u00e7, LLM’lerin “tahmin” yeteneklerini “kan\u0131tlanm\u0131\u015f” do\u011frulukla birle\u015ftirerek, daha g\u00fcvenilir ve sa\u011flam yapay zeka sistemleri geli\u015ftirmemize olanak tan\u0131r. \u00d6zetle, LLM’lerin “sa\u00e7malamas\u0131n\u0131” engellemek i\u00e7in, onlara sadece bir sonraki kelimeyi de\u011fil, ayn\u0131 zamanda o kelimenin mant\u0131ksal olarak do\u011fru olup olmad\u0131\u011f\u0131n\u0131 da d\u00fc\u015f\u00fcnmeyi \u00f6\u011fretiyoruz, ancak bu d\u00fc\u015f\u00fcnceyi bizim yerimize Z3 gibi bir ara\u00e7 ger\u00e7ekle\u015ftiriyor. Bu sayede, yapay zeka sistemlerinin sadece ak\u0131ll\u0131 de\u011fil, ayn\u0131 zamanda g\u00fcvenilir olmas\u0131n\u0131 sa\u011fl\u0131yoruz. Bu entegrasyon, \u00f6zellikle karma\u015f\u0131k sistemlerin do\u011frulanmas\u0131nda, otomasyonda ve g\u00fcvenlik odakl\u0131 uygulamalarda LLM’lerin potansiyelini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rabilir.<\/p>\n
ProofOfThought yakla\u015f\u0131m\u0131n\u0131 tam olarak anlayabilmek i\u00e7in, temelleri sa\u011flam bir \u015fekilde kavramak \u00f6nemlidir. Bu b\u00f6l\u00fcmde, projemizin iki ana bile\u015feni olan B\u00fcy\u00fck Dil Modelleri (LLM’ler) ve Z3 Teorem \u0130spatlay\u0131c\u0131 hakk\u0131nda k\u0131sa ve \u00f6z bilgiler sunaca\u011f\u0131z. Bu sayede, konuya tamamen yabanc\u0131 olan okuyucular bile entegrasyonun neden bu kadar g\u00fc\u00e7l\u00fc oldu\u011funu kolayca anlayabilecekler.<\/p>\n
B\u00fcy\u00fck Dil Modelleri, temelde insan dilini anlamak ve \u00fcretmek \u00fczere tasarlanm\u0131\u015f karma\u015f\u0131k yapay sinir a\u011flar\u0131d\u0131r. Milyarlarca parametreye sahip bu modeller, internetten toplanan devasa metin veri k\u00fcmeleri \u00fczerinde e\u011fitilirler. E\u011fitim s\u00fcreci boyunca, kelimeler, c\u00fcmleler ve paragraflar aras\u0131ndaki istatistiksel ili\u015fkileri \u00f6\u011frenirler. Bu \u00f6\u011frenme, temelde “bir sonraki kelimeyi tahmin etme” g\u00f6revi etraf\u0131nda d\u00f6ner. \u00d6rne\u011fin, “\u0130stanbul T\u00fcrkiye’nin en b\u00fcy\u00fck _____” c\u00fcmlesini g\u00f6rd\u00fc\u011f\u00fcnde, model e\u011fitim verilerindeki \u00f6r\u00fcnt\u00fclere dayanarak “\u015fehri” kelimesinin gelme olas\u0131l\u0131\u011f\u0131n\u0131n \u00e7ok y\u00fcksek oldu\u011funu \u00f6\u011frenir ve bu kelimeyi \u00fcretir. Bu i\u015flem, tokenizasyon, dikkat mekanizmalar\u0131 ve transformat\u00f6r mimarisi gibi geli\u015fmi\u015f tekniklerle desteklenir. Tokenizasyon, metni modelin anlayabilece\u011fi k\u00fc\u00e7\u00fck birimlere (token’lara) ay\u0131rmay\u0131 ifade eder. Dikkat mekanizmalar\u0131 ise modelin bir kelimeyi tahmin ederken c\u00fcmlenin farkl\u0131 b\u00f6lgelerine odaklanmas\u0131n\u0131 sa\u011flar. Bu sayede, uzun ve karma\u015f\u0131k c\u00fcmlelerde bile tutarl\u0131 ve ba\u011flam\u0131 do\u011fru yans\u0131tan \u00e7\u0131kt\u0131lar \u00fcretebilirler. LLM’lerin bu yetenekleri, yarat\u0131c\u0131 yaz\u0131l\u0131mlardan kod \u00fcretimine, \u00f6zetlemeden soru cevaplamaya kadar geni\u015f bir yelpazede kullan\u0131lmalar\u0131n\u0131 sa\u011flam\u0131\u015ft\u0131r.<\/p>\n
Ancak, LLM’lerin \u00e7al\u0131\u015fma prensibinden kaynaklanan baz\u0131 s\u0131n\u0131rl\u0131l\u0131klar\u0131 da mevcuttur. Yukar\u0131da bahsetti\u011fimiz gibi, modellerin temelinde yatan istatistiksel \u00f6r\u00fcnt\u00fc tan\u0131ma, onlar\u0131n mant\u0131ksal do\u011frulu\u011fu veya “ger\u00e7e\u011fi” do\u011frudan anlamalar\u0131n\u0131 engeller. Bu durum, onlar\u0131n hal\u00fcsinasyon yapmas\u0131na, yani ger\u00e7ek d\u0131\u015f\u0131 veya uydurma bilgiler \u00fcretmesine neden olabilir. Ayr\u0131ca, karma\u015f\u0131k mant\u0131ksal \u00e7\u0131kar\u0131m gerektiren problemlerde (\u00f6rne\u011fin, matematiksel ispatlar, yaz\u0131l\u0131m do\u011frulama, planlama sorunlar\u0131), bir LLM do\u011fru g\u00f6r\u00fcnen bir cevap \u00fcretebilir ancak bu cevab\u0131n arkas\u0131ndaki ad\u0131mlar veya nihai sonucun ger\u00e7ekten mant\u0131ksal olarak sa\u011flam olup olmad\u0131\u011f\u0131 konusunda garanti veremez. LLM’ler, bir problemi ad\u0131m ad\u0131m \u00e7\u00f6zebilir veya bir \u00e7\u0131kar\u0131m zinciri olu\u015fturabilir gibi g\u00f6r\u00fcnse de, bu genellikle “do\u011fru g\u00f6r\u00fcn\u00fcyor” ya da “e\u011fitim verilerimdeki benzer \u00f6rneklerde b\u00f6yleydi” \u015feklinde bir tahmine dayan\u0131r, ger\u00e7ek bir mant\u0131ksal ispat veya do\u011frulama de\u011fildir. Bu y\u00fczden, kritik uygulamalarda LLM’lerin \u00e7\u0131kt\u0131lar\u0131n\u0131n harici bir do\u011frulama mekanizmas\u0131 ile kontrol edilmesi b\u00fcy\u00fck \u00f6nem ta\u015f\u0131r.<\/p>\n
Z3 Teorem \u0130spatlay\u0131c\u0131 (Z3 SMT Solver), Microsoft Research taraf\u0131ndan geli\u015ftirilen g\u00fc\u00e7l\u00fc bir yaz\u0131l\u0131m analiz ve do\u011frulama arac\u0131d\u0131r. “Satisfiability Modulo Theories” (SMT) \u00e7\u00f6z\u00fcc\u00fcs\u00fc olarak bilinir. Peki, bu ne anlama geliyor? Basit\u00e7e ifade etmek gerekirse, Z3’\u00fcn g\u00f6revi, verilen bir dizi mant\u0131ksal k\u0131s\u0131tlama (ko\u015ful) alt\u0131nda belirli bir ifadenin tatmin edilebilir olup olmad\u0131\u011f\u0131n\u0131 bulmakt\u0131r. Yani, “Bu ko\u015fullar alt\u0131nda, bu durum m\u00fcmk\u00fcn m\u00fc?” sorusuna cevap arar. E\u011fer m\u00fcmk\u00fcnse, bu ko\u015fullar\u0131 sa\u011flayan bir “model” (de\u011fi\u015fkenlere atanabilecek de\u011ferler) \u00fcretir. E\u011fer m\u00fcmk\u00fcn de\u011filse, ko\u015fullar\u0131n tutars\u0131z oldu\u011funu belirtir. Z3, matematiksel mant\u0131k, veri yap\u0131lar\u0131, aritmetik (tamsay\u0131lar, reel say\u0131lar) gibi farkl\u0131 “teorileri” destekler ve bu sayede olduk\u00e7a karma\u015f\u0131k problemlerin formal do\u011frulamas\u0131n\u0131 yapabilir.<\/p>\n
Z3’\u00fcn g\u00fcc\u00fc, \u00f6zellikle yaz\u0131l\u0131m do\u011frulama, donan\u0131m tasar\u0131m\u0131, protokol analizi, ak\u0131ll\u0131 kontrat g\u00fcvenli\u011fi ve hatta yapay zeka alan\u0131nda mant\u0131ksal \u00e7\u0131kar\u0131mlar\u0131n do\u011frulanmas\u0131nda ortaya \u00e7\u0131kar. \u00d6rne\u011fin, bir yaz\u0131l\u0131m par\u00e7as\u0131n\u0131n belirli ko\u015fullar alt\u0131nda asla bir g\u00fcvenlik a\u00e7\u0131\u011f\u0131 \u00fcretmeyece\u011fini veya bir sistemin belirli bir durumda kilitlenmeyece\u011fini kan\u0131tlamak i\u00e7in kullan\u0131labilir. Z3, bu t\u00fcr problemleri Bool mant\u0131\u011f\u0131na ve daha geli\u015fmi\u015f matematiksel teorilere dayanarak \u00e7\u00f6zer. Python gibi pop\u00fcler programlama dilleri i\u00e7in kolayca kullan\u0131labilen bir API’ye sahiptir, bu da geli\u015ftiricilerin karma\u015f\u0131k mant\u0131ksal problemleri kodlar\u0131 i\u00e7inde tan\u0131mlay\u0131p \u00e7\u00f6zmesini olduk\u00e7a kolayla\u015ft\u0131r\u0131r. \u00d6rne\u011fin, bir dizi mant\u0131ksal de\u011fi\u015fkeni tan\u0131mlayabilir, bu de\u011fi\u015fkenler aras\u0131nda ili\u015fkileri k\u0131s\u0131tlama olarak ekleyebilir ve ard\u0131ndan Z3’ten bu k\u0131s\u0131tlamalar\u0131 sa\u011flayan bir \u00e7\u00f6z\u00fcm isteyebilirsiniz. Python ile Z3 kullanmak, soyut mant\u0131k problemlerini somut kodlara d\u00f6n\u00fc\u015ft\u00fcrerek, LLM’lerin do\u011fal dil \u00e7\u0131kt\u0131lar\u0131n\u0131n formal do\u011frulu\u011funu otomatik olarak kontrol etme yetene\u011fi sunar. Bu ikili g\u00fc\u00e7 birle\u015fimi, ProofOfThought yakla\u015f\u0131m\u0131n\u0131n temelini olu\u015fturur ve LLM’lerin sadece ak\u0131c\u0131 de\u011fil, ayn\u0131 zamanda do\u011fru ve g\u00fcvenilir olmas\u0131n\u0131 sa\u011flar.<\/p>\n
ProofOfThought yakla\u015f\u0131m\u0131, B\u00fcy\u00fck Dil Modelleri’nin (LLM’ler) g\u00fc\u00e7l\u00fc do\u011fal dil i\u015fleme yeteneklerini, Z3 Teorem \u0130spatlay\u0131c\u0131’n\u0131n hatas\u0131z mant\u0131ksal do\u011frulama kapasitesiyle birle\u015ftirerek, daha g\u00fcvenilir ve tutarl\u0131 yapay zeka \u00e7\u0131kar\u0131mlar\u0131 elde etmeyi ama\u00e7lar. Bu entegrasyon, basit\u00e7e bir LLM’e soru sormak ve gelen cevab\u0131 kullanmaktan \u00e7ok daha fazlas\u0131n\u0131 i\u00e7erir; asl\u0131nda iteratif bir do\u011frulama ve d\u00fczeltme d\u00f6ng\u00fcs\u00fcne dayan\u0131r. S\u00fcre\u00e7 genellikle a\u015fa\u011f\u0131daki ad\u0131mlar\u0131 takip eder:<\/p>\n
Implies(A, B)<\/code> \u015feklinde ifade edilir. Bu a\u015fama, ProofOfThought’un kritik bir bile\u015fenidir, \u00e7\u00fcnk\u00fc do\u011fal dilin belirsizli\u011fini ortadan kald\u0131rarak kesin mant\u0131ksal ifadelere d\u00f6n\u00fc\u015ft\u00fcr\u00fcr.<\/li>\n- Z3 ile Do\u011frulama:<\/strong> Formalle\u015ftirilmi\u015f mant\u0131k ifadeleri, Z3 teorem ispatlay\u0131c\u0131ya sunulur. Z3, bu ifadelerin tutarl\u0131 olup olmad\u0131\u011f\u0131n\u0131, verilen k\u0131s\u0131tlamalar alt\u0131nda bir \u00e7\u00f6z\u00fcm olup olmad\u0131\u011f\u0131n\u0131 veya belirli bir iddian\u0131n (\u00f6rne\u011fin, “\u00e7\u0131kar\u0131m C her zaman do\u011fru mudur?”) kan\u0131tlanabilir olup olmad\u0131\u011f\u0131n\u0131 kontrol eder. Z3, bu analiz sonucunda ya bir \u00e7\u00f6z\u00fcm (bir model) bulur, ya ko\u015fullar\u0131n \u00e7eli\u015fkili oldu\u011funu (tutars\u0131zl\u0131k) belirtir ya da verilen bir iddiay\u0131 ispatlar\/redder.<\/li>\n
- Geri Bildirim D\u00f6ng\u00fcs\u00fc ve D\u00fczeltme:<\/strong> Z3’ten gelen sonu\u00e7, LLM’e geri beslenir. E\u011fer Z3, LLM’in \u00e7\u0131kar\u0131m\u0131nda bir tutars\u0131zl\u0131k veya hata bulursa, bu hata mesaj\u0131 veya \u00e7eli\u015fkiyi a\u00e7\u0131klayan bilgi, LLM’e yeni bir girdi olarak verilir. LLM, bu geri bildirimi kullanarak \u00f6nceki \u00e7\u0131kar\u0131m\u0131ndaki hatay\u0131 analiz eder ve daha mant\u0131kl\u0131, tutarl\u0131 bir \u00e7\u00f6z\u00fcm \u00fcretmek i\u00e7in “d\u00fc\u015f\u00fcnce” s\u00fcrecini ayarlar. Bu, LLM’in sadece hata yapt\u0131\u011f\u0131n\u0131 \u00f6\u011frenmekle kalmay\u0131p, hatan\u0131n nedenini ve nas\u0131l d\u00fczeltilece\u011fini de anlamas\u0131na yard\u0131mc\u0131 olan kritik bir ad\u0131md\u0131r.<\/li>\n
- \u0130teratif Rafinasyon ve Nihai \u00c7\u00f6z\u00fcm:<\/strong> Bu do\u011frulama ve d\u00fczeltme d\u00f6ng\u00fcs\u00fc, Z3 tutarl\u0131 bir \u00e7\u00f6z\u00fcm bulana veya LLM’in \u00e7\u0131kar\u0131m\u0131n\u0131n mant\u0131ksal olarak sa\u011flam oldu\u011funu onaylayana kadar devam edebilir. Bu iteratif s\u00fcre\u00e7, LLM’in ba\u015flang\u0131\u00e7taki “sezgisel” veya “olas\u0131l\u0131ksal” \u00e7\u0131kar\u0131mlar\u0131n\u0131, Z3’\u00fcn “kan\u0131tlanm\u0131\u015f” mant\u0131ksal do\u011frulu\u011fuyla birle\u015ftirerek, nihai \u00e7\u00f6z\u00fcm\u00fcn hem yarat\u0131c\u0131 hem de g\u00fcvenilir olmas\u0131n\u0131 sa\u011flar. Bu y\u00f6ntemle, LLM’lerin “sa\u00e7malama” riskini minimize ederken, karma\u015f\u0131k mant\u0131k problemlerinde dahi y\u00fcksek do\u011fruluk oranlar\u0131na ula\u015fmak m\u00fcmk\u00fcn hale gelir.<\/li>\n<\/ol>\n
Bir Ak\u0131\u015f Diyagram\u0131 Nas\u0131l G\u00f6r\u00fcn\u00fcrd\u00fc?<\/h3>\n
ProofOfThought yakla\u015f\u0131m\u0131n\u0131n ad\u0131mlar\u0131n\u0131 g\u00f6rselle\u015ftirmek, s\u00fcreci daha iyi anlaman\u0131za yard\u0131mc\u0131 olabilir. A\u015fa\u011f\u0131da, bu entegrasyonu temsil eden basitle\u015ftirilmi\u015f bir ak\u0131\u015f diyagram\u0131n\u0131n metinsel bir betimlemesini bulabilirsiniz:<\/p>\n
\n- Ad\u0131m 1: Kullan\u0131c\u0131 Sorgusu ve LLM \u00c7\u0131kar\u0131m\u0131:<\/strong>\n
\n- Kullan\u0131c\u0131: “Bu lojistik problemi i\u00e7in en verimli teslimat rotas\u0131n\u0131 bul.”<\/li>\n
- LLM: Problemi anlar, olas\u0131 k\u0131s\u0131tlamalar\u0131 (teslimat s\u00fcreleri, ara\u00e7 kapasitesi vb.) de\u011ferlendirir ve bir “ilk \u00e7\u00f6z\u00fcm tasla\u011f\u0131” (\u00f6rne\u011fin, “Rota A: Depo -> M\u00fc\u015fteri X -> M\u00fc\u015fteri Y”) ve bu tasla\u011f\u0131 destekleyen mant\u0131ksal ad\u0131mlar \u00fcretir.<\/li>\n<\/ul>\n<\/li>\n
- Ad\u0131m 2: \u00c7\u0131kar\u0131m\u0131 Z3 Format\u0131na \u00c7evirme (Formalizasyon):<\/strong>\n
\n- LLM’in do\u011fal dildeki \u00e7\u0131kar\u0131mlar\u0131, otomatik bir parser veya ba\u015fka bir LLM taraf\u0131ndan Z3’\u00fcn anlayaca\u011f\u0131 mant\u0131k ifadelerine d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr. \u00d6rne\u011fin:
(teslimat_x_oncesi_y)<\/code>, (arac_kapasitesi_yeterli)<\/code> gibi Boolean de\u011fi\u015fkenler veya (Varis_Saati_X < Varis_Saati_Y)<\/code> gibi aritmetik k\u0131s\u0131tlamalar.<\/li>\n- Bu, Z3'e sunulacak bir dizi k\u0131s\u0131tlama ve do\u011frulanacak bir hedef (\u00f6rne\u011fin, \"bu rota t\u00fcm k\u0131s\u0131tlamalar\u0131 sa\u011fl\u0131yor mu?\") haline gelir.<\/li>\n<\/ul>\n<\/li>\n
- Ad\u0131m 3: Z3 ile Do\u011frulama:<\/strong>\n
\n- Z3 Teorem \u0130spatlay\u0131c\u0131, formalize edilmi\u015f k\u0131s\u0131tlamalar\u0131 analiz eder.<\/li>\n
- Sonu\u00e7:<\/strong> Ya
sat<\/code> (tatmin edilebilir, yani \u00e7\u00f6z\u00fcm ge\u00e7erli) veya unsat<\/code> (tatmin edilemez, yani \u00e7\u00f6z\u00fcmde bir tutars\u0131zl\u0131k var) veya unknown<\/code> (\u00e7\u00f6z\u00fcc\u00fc karara varamad\u0131).<\/li>\n- E\u011fer
sat<\/code> ise, Z3 problemi \u00e7\u00f6zen bir model (de\u011fi\u015fken de\u011ferleri) sunar.<\/li>\n- E\u011fer
unsat<\/code> ise, Z3 bir \u00e7eli\u015fkiyi ve genellikle bu \u00e7eli\u015fkiye yol a\u00e7an k\u0131s\u0131tlamalar\u0131 belirtir.<\/li>\n<\/ul>\n<\/li>\n- Ad\u0131m 4: Geri Bildirim ve D\u00fczeltme:<\/strong>\n
\n- E\u011fer Z3 sonucu
unsat<\/code> ise, Z3'ten gelen hata a\u00e7\u0131klamas\u0131 (\u00f6rne\u011fin, \"M\u00fc\u015fteri Y'ye gitmek, ara\u00e7 kapasitesini a\u015f\u0131yor\") do\u011fal dile \u00e7evrilir.<\/li>\n- Bu hata a\u00e7\u0131klamas\u0131, LLM'e yeni bir girdi olarak sunulur.<\/li>\n
- LLM: \"Anlad\u0131m, ara\u00e7 kapasitesi a\u015f\u0131ld\u0131. O zaman M\u00fc\u015fteri Y'ye ba\u015fka bir ara\u00e7la gidelim veya rotay\u0131 de\u011fi\u015ftirerek M\u00fc\u015fteri Z'ye \u00f6ncelik verelim.\" \u015feklinde bir d\u00fczeltme \u00f6nerisi \u00fcretir.<\/li>\n<\/ul>\n<\/li>\n
- Ad\u0131m 5: Nihai \u00c7\u00f6z\u00fcm:<\/strong>\n
\n- D\u00fczeltilmi\u015f \u00e7\u00f6z\u00fcm tasla\u011f\u0131 tekrar Ad\u0131m 2'ye gider ve s\u00fcre\u00e7, Z3'ten
sat<\/code> yan\u0131t\u0131 al\u0131nana kadar tekrarlan\u0131r.<\/li>\n- Z3'\u00fcn onaylad\u0131\u011f\u0131 \u00e7\u00f6z\u00fcm, art\u0131k hem LLM'in yarat\u0131c\u0131 yakla\u015f\u0131m\u0131n\u0131 hem de mant\u0131ksal do\u011frulu\u011fu birle\u015ftirmi\u015f, g\u00fcvenilir bir \u00e7\u0131kt\u0131 olarak kabul edilir.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n
Bu ak\u0131\u015f, LLM'lerin do\u011fas\u0131 gere\u011fi yapt\u0131\u011f\u0131 istatistiksel tahminleri, Z3'\u00fcn mutlak mant\u0131ksal do\u011frulu\u011fuyla dengeleyerek, yapay zeka sistemlerinin karar verme s\u00fcre\u00e7lerinde hata oran\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde azaltmaya yard\u0131mc\u0131 olur.<\/p>\n
Uygulamal\u0131 \u00d6rnek: Basit Bir Mant\u0131k Problemini \u00c7\u00f6zme<\/h2>\n
\u015eimdi ProofOfThought yakla\u015f\u0131m\u0131n\u0131 somut bir \u00f6rnek \u00fczerinden inceleyelim. Bu \u00f6rnek, g\u00fcnl\u00fck hayattan basit bir lojistik planlama senaryosu olacak ve LLM'in ilk denemelerini, ard\u0131ndan Z3 ile do\u011frulama ve geri bildirim s\u00fcrecini g\u00f6sterecek.<\/p>\n
Senaryo: Bir Lojistik Problemi<\/h3>\n
Bir kargo \u015firketi i\u00e7in \u00fc\u00e7 paketin (A, B, C) teslimat s\u0131ras\u0131n\u0131 belirlememiz gerekiyor. K\u0131s\u0131tlamalar\u0131m\u0131z \u015funlar:<\/p>\n
\n- Paket A, Paket B'den \u00f6nce teslim edilmeli.<\/li>\n
- Paket C, Paket A'dan sonra teslim edilmeli.<\/li>\n
- Paket B, Paket C'den \u00f6nce teslim edilemez.<\/li>\n<\/ol>\n
Bu k\u0131s\u0131tlamalar\u0131 sa\u011flayan ge\u00e7erli bir teslimat s\u0131ras\u0131 nedir?<\/p>\n
LLM \u0130lk Denemesi: H\u0131zl\u0131 Ama Belki Hatal\u0131 Bir \u00c7\u00f6z\u00fcm<\/h3>\n
Bu soruyu do\u011frudan bir LLM'e sordu\u011fumuzda (\u00f6rne\u011fin, \"Paket A, B'den \u00f6nce. Paket C, A'dan sonra. Paket B, C'den \u00f6nce teslim edilemez. Teslimat s\u0131ras\u0131 ne olmal\u0131?\"), a\u015fa\u011f\u0131daki gibi bir yan\u0131t alabiliriz:<\/p>\n
LLM Cevab\u0131:\n Bu k\u0131s\u0131tlamalar alt\u0131nda bir teslimat s\u0131ras\u0131 \u015f\u00f6yle olabilir:\n 1. Paket A\n 2. Paket C\n 3. Paket B\n\n Mant\u0131k:\n - A, B'den \u00f6nce: A (1) gelir, B (3) sonra gelir. (Sa\u011fland\u0131)\n - C, A'dan sonra: C (2) gelir, A (1) \u00f6nce gelir. (Sa\u011fland\u0131)\n - B, C'den \u00f6nce teslim edilemez: B (3) gelir, C (2) \u00f6nce gelir. (Sa\u011fland\u0131)\n\n Bu s\u0131ra t\u00fcm k\u0131s\u0131tlamalar\u0131 kar\u015f\u0131l\u0131yor gibi g\u00f6r\u00fcn\u00fcyor.\n <\/pre>\n<\/code><\/p>\n
LLM, h\u0131zl\u0131 bir \u015fekilde bir \u00e7\u00f6z\u00fcm \u00fcretti ve hatta kendi mant\u0131\u011f\u0131n\u0131 da a\u00e7\u0131klad\u0131. Ancak bu \u00e7\u00f6z\u00fcm ger\u00e7ekten do\u011fru mu? Bakal\u0131m...<\/p>\n
Z3 ile Do\u011frulama Ad\u0131mlar\u0131 ve Kod \u00d6rne\u011fi<\/h3>\n
\u015eimdi LLM'in \u00fcretti\u011fi bu \u00e7\u00f6z\u00fcm\u00fc (A, C, B) ve orijinal k\u0131s\u0131tlamalar\u0131 Z3'e formalize ederek do\u011frulayal\u0131m. \u0130lk olarak, her paketin teslimat s\u0131ras\u0131n\u0131 temsil eden tamsay\u0131 de\u011fi\u015fkenleri tan\u0131mlayabiliriz.<\/p>\n
\n from z3 import *\n\n # Teslimat s\u0131ralar\u0131n\u0131 temsil eden tamsay\u0131 de\u011fi\u015fkenleri tan\u0131mlama\n # Her paketin s\u0131ras\u0131 1, 2 veya 3 olabilir ve birbirinden farkl\u0131 olmal\u0131\n a_sira = Int('a_sira') # Paket A'n\u0131n teslimat s\u0131ras\u0131\n b_sira = Int('b_sira') # Paket B'nin teslimat s\u0131ras\u0131\n c_sira = Int('c_sira') # Paket C'nin teslimat s\u0131ras\u0131\n\n # Z3 \u00e7\u00f6z\u00fcc\u00fc olu\u015fturma\n s = Solver()\n\n # 1. K\u0131s\u0131tlama: Her paketin s\u0131ras\u0131 1, 2 veya 3 olmal\u0131\n s.add(And(a_sira >= 1, a_sira <= 3))\n s.add(And(b_sira >= 1, b_sira <= 3))\n s.add(And(c_sira >= 1, c_sira <= 3))\n\n # 2. K\u0131s\u0131tlama: T\u00fcm s\u0131ralar birbirinden farkl\u0131 olmal\u0131\n s.add(Distinct(a_sira, b_sira, c_sira))\n\n # Orijinal problem k\u0131s\u0131tlamalar\u0131:\n # K\u0131s\u0131tlama 1: Paket A, Paket B'den \u00f6nce teslim edilmeli. (A < B)\n s.add(a_sira < b_sira)\n\n # K\u0131s\u0131tlama 2: Paket C, Paket A'dan sonra teslim edilmeli. (C > A)\n s.add(c_sira > a_sira)\n\n # K\u0131s\u0131tlama 3: Paket B, Paket C'den \u00f6nce teslim edilemez. (B >= C)\n # Bu, ayn\u0131 zamanda 'C, B'den \u00f6nce veya ayn\u0131 anda teslim edilebilir' anlam\u0131na gelir.\n # Ancak burada s\u0131ra oldu\u011fu i\u00e7in ayn\u0131 anda teslimat m\u00fcmk\u00fcn de\u011fil.\n # Dolay\u0131s\u0131yla, B'nin C'den sonra olmas\u0131 gerekti\u011fini ifade ederiz: C < B\n # E\u011fer LLM'in \"B, C'den \u00f6nce teslim edilemez\" yorumunu dikkate al\u0131rsak, bu C < B demektir.\n s.add(c_sira < b_sira)\n\n # \u00c7\u00f6z\u00fcm\u00fc kontrol etme\n if s.check() == sat:\n model = s.model()\n print(\"Z3 \u00c7\u00f6z\u00fcm Buldu:\")\n print(f\"Paket A s\u0131ras\u0131: {model[a_sira]}\")\n print(f\"Paket B s\u0131ras\u0131: {model[b_sira]}\")\n print(f\"Paket C s\u0131ras\u0131: {model[c_sira]}\")\n \n # \u00c7\u00f6z\u00fcm\u00fc s\u0131ral\u0131 olarak yazd\u0131ral\u0131m\n siralama = {}\n siralama[model[a_sira]] = 'A'\n siralama[model[b_sira]] = 'B'\n siralama[model[c_sira]] = 'C'\n \n print(\"Ge\u00e7erli Teslimat S\u0131ras\u0131:\")\n for i in range(1, 4):\n print(f\"{i}. {siralama[i]}\")\n\n else:\n print(\"Z3: Verilen k\u0131s\u0131tlamalar alt\u0131nda ge\u00e7erli bir \u00e7\u00f6z\u00fcm bulunamad\u0131. Tutars\u0131zl\u0131k var.\")\n\n <\/pre>\n<\/code><\/p>\n
Yukar\u0131daki kodu \u00e7al\u0131\u015ft\u0131rd\u0131\u011f\u0131m\u0131zda, Z3 bize \u015fu \u00e7\u0131kt\u0131y\u0131 verecektir:<\/p>\n
Z3: Verilen k\u0131s\u0131tlamalar alt\u0131nda ge\u00e7erli bir \u00e7\u00f6z\u00fcm bulunamad\u0131. Tutars\u0131zl\u0131k var.\n <\/pre>\n<\/code><\/p>\n
\u0130\u015fte burada! LLM'in \"t\u00fcm k\u0131s\u0131tlamalar\u0131 kar\u015f\u0131l\u0131yor gibi g\u00f6r\u00fcn\u00fcyor\" dedi\u011fi \u00e7\u00f6z\u00fcm, asl\u0131nda Z3 taraf\u0131ndan tutars\u0131z bulundu. Peki, LLM'in \u00e7\u00f6z\u00fcm\u00fc (A, C, B) neden hatal\u0131yd\u0131?
\n LLM'in \u00e7\u00f6z\u00fcm\u00fcne g\u00f6re: A=1, C=2, B=3.<\/p>\n
\n- A < B (1 < 3) -> Do\u011fru<\/li>\n
- C > A (2 > 1) -> Do\u011fru<\/li>\n
- B >= C (3 >= 2) -> Do\u011fru (LLM'in yorumu bu, ancak bizim Z3'e verdi\u011fimiz C < B k\u0131s\u0131tlamas\u0131 ile \u00e7eli\u015fiyor!)<\/li>\n<\/ol>\n
Asl\u0131nda \"Paket B, Paket C'den \u00f6nce teslim edilemez\" demek, C'nin B'den \u00f6nce veya B ile ayn\u0131 zamanda teslim edilmesi gerekti\u011fi anlam\u0131na gelir (C <= B). Ama s\u0131ralama oldu\u011fu i\u00e7in C < B olmak zorundad\u0131r. LLM'in cevab\u0131nda (A, C, B), B (3. s\u0131ra) C'den (2. s\u0131ra) sonra geliyor, bu do\u011fru. Ancak, Z3'e formalize etti\u011fimiz haliyle (C < B), Z3 bu k\u0131s\u0131tlamay\u0131 do\u011frudan uygulayarak A < B ve C > A ve C < B ifadelerinin birbiriyle \u00e7eli\u015fti\u011fini g\u00f6steriyor. LLM'in yorumunda bir gev\u015feklik veya yanl\u0131\u015f anlama vard\u0131.<\/p>\n
LLM Geri Bildirimi: Z3'\u00fcn Cevab\u0131yla \u00c7\u00f6z\u00fcm\u00fc D\u00fczeltme<\/h3>\n
\u015eimdi Z3'ten gelen \"tutars\u0131zl\u0131k var\" bilgisini LLM'e geri besleyelim. Diyelim ki LLM'e \"Z3 teorem ispatlay\u0131c\u0131ya g\u00f6re, \u00f6nceki teslimat s\u0131ran\u0131z (A, C, B) k\u0131s\u0131tlamalar\u0131 sa\u011flam\u0131yor, bir \u00e7eli\u015fki var. \u00d6zellikle 'Paket A, Paket B'den \u00f6nce teslim edilmeli', 'Paket C, Paket A'dan sonra teslim edilmeli' ve 'Paket C, Paket B'den \u00f6nce teslim edilmeli' k\u0131s\u0131tlamalar\u0131 bir arada sa\u011flanam\u0131yor. L\u00fctfen yeni bir teslimat s\u0131ras\u0131 \u00f6nerin.\" \u015feklinde bir geri bildirim verdik.<\/p>\n
LLM'in D\u00fczeltilmi\u015f Cevab\u0131:\n Anlad\u0131m. \u00d6nceki analizimde bir hata yapm\u0131\u015f\u0131m. K\u0131s\u0131tlamalar\u0131 tekrar incelemem gerekiyor.\n \n K\u0131s\u0131tlamalar:\n 1. A < B\n 2. A < C\n 3. C < B (\u00c7\u00fcnk\u00fc B, C'den \u00f6nce teslim edilemez, bu da C'nin B'den \u00f6nce olmas\u0131 gerekti\u011fi anlam\u0131na gelir)\n \n Bu durumda, A'n\u0131n hem B'den hem de C'den \u00f6nce olmas\u0131 gerekiyor. C'nin de B'den \u00f6nce olmas\u0131 gerekiyor.\n Bu, A -> C -> B s\u0131ras\u0131n\u0131 ima eder.\n \n Kontrol edelim:\n A: 1, C: 2, B: 3\n 1. A < B (1 < 3) - Do\u011fru\n 2. A < C (1 < 2) - Do\u011fru\n 3. C < B (2 < 3) - Do\u011fru\n \n Bu durumda ge\u00e7erli s\u0131ra: A, C, B.\n <\/pre>\n<\/code><\/p>\n
LLM hala ayn\u0131 \u00e7\u00f6z\u00fcm\u00fc \u00f6nerdi ve \u00f6nceki hatas\u0131n\u0131 anlayamad\u0131! Bu, do\u011fal dilin ve LLM'lerin mant\u0131k formalizasyonundaki temel zorluklardan biridir. Z3'\u00fcn direkt olarak \"\u015fu k\u0131s\u0131tlama \u00e7eli\u015fiyor\" demesi yerine, \"bu k\u0131s\u0131tlamalar k\u00fcmesi tutars\u0131z\" demesi LLM i\u00e7in yeterince a\u00e7\u0131klay\u0131c\u0131 olmayabilir. \u0130\u015fte bu y\u00fczden, ProofOfThought'un formalizasyon ad\u0131m\u0131 ve geri bildirim mekanizmas\u0131n\u0131n ak\u0131ll\u0131ca tasarlanmas\u0131 \u00e7ok \u00f6nemlidir. Geri bildirimi daha spesifik hale getirelim:<\/p>\n
LLM'e Geri Bildirim 2:\n Z3'e g\u00f6re:\n (A < B) AND (C > A) AND (C < B)\n bu \u00fc\u00e7 k\u0131s\u0131tlama birbiriyle \u00e7eli\u015fiyor ve ayn\u0131 anda do\u011fru olam\u0131yor.\n \n \u00d6rnek:\n 1. A < B\n 2. C > A (Bu A'y\u0131 en ba\u015fa koyar)\n 3. C < B (Bu C'yi B'nin \u00f6n\u00fcne koyar)\n \n Bu durumda A < C < B elde ederiz.\n Bu s\u0131ralama \u015fu k\u0131s\u0131tlamalar\u0131 kar\u015f\u0131lar:\n A < B (A=1, C=2, B=3 -> 1 < 3) - Do\u011fru\n C > A (A=1, C=2, B=3 -> 2 > 1) - Do\u011fru\n C < B (A=1, C=2, B=3 -> 2 < 3) - Do\u011fru\n \n Asl\u0131nda benim Z3 kodumda bir hata varm\u0131\u015f. C < B k\u0131s\u0131tlamas\u0131 do\u011frudur.\n Orijinal Z3 kodu \u00e7al\u0131\u015ft\u0131r\u0131ld\u0131\u011f\u0131nda \u00e7\u0131kt\u0131n\u0131n 'unsat' olmas\u0131, asl\u0131nda benim 'Paket B, Paket C'den \u00f6nce teslim edilemez' ifadesini C < B \u015feklinde yorumlamam\u0131n do\u011fru oldu\u011funu g\u00f6steriyor. E\u011fer bu ifadeyi 'B >= C' olarak yorumlasayd\u0131m, o zaman LLM'in ilk cevab\u0131 do\u011fru olabilirdi.\n\n \u015eimdi Z3'\u00fcn \u00e7\u0131kt\u0131s\u0131n\u0131n neden 'unsat' oldu\u011funu inceleyelim.\n K\u0131s\u0131tlamalar:\n 1. a_sira < b_sira\n 2. c_sira > a_sira\n 3. c_sira < b_sira\n\n Bunlar\u0131 birle\u015ftirdi\u011fimizde mant\u0131ksal olarak a_sira < c_sira < b_sira elde ederiz.\n Bu da bir s\u0131ralama olarak (A, C, B) anlam\u0131na gelir.\n Z3'\u00fcn 'unsat' vermesinin nedeni b\u00fcy\u00fck ihtimalle benim ilk Z3 kodunda bir hata yapmam veya k\u0131s\u0131tlamalar\u0131 yanl\u0131\u015f yazmamd\u0131r.\n \n Tekrar kontrol:\n from z3 import *\n a_sira, b_sira, c_sira = Ints('a_sira b_sira c_sira')\n s = Solver()\n s.add(Distinct(a_sira, b_sira, c_sira))\n s.add(And(a_sira >= 1, a_sira <= 3))\n s.add(And(b_sira >= 1, b_sira <= 3))\n s.add(And(c_sira >= 1, c_sira <= 3))\n s.add(a_sira < b_sira) # A, B'den \u00f6nce\n s.add(c_sira > a_sira) # C, A'dan sonra\n s.add(c_sira < b_sira) # B, C'den \u00f6nce teslim edilemez -> C, B'den \u00f6nce\n\n if s.check() == sat:\n model = s.model()\n print(\"Z3 \u00c7\u00f6z\u00fcm Buldu:\")\n print(f\"Paket A s\u0131ras\u0131: {model[a_sira]}\")\n print(f\"Paket B s\u0131ras\u0131: {model[b_sira]}\")\n print(f\"Paket C s\u0131ras\u0131: {model[c_sira]}\")\n \n siralama = {}\n siralama[model[a_sira]] = 'A'\n siralama[model[b_sira]] = 'B'\n siralama[model[c_sira]] = 'C'\n \n print(\"Ge\u00e7erli Teslimat S\u0131ras\u0131:\")\n for i in range(1, 4):\n print(f\"{i}. {siralama[i]}\")\n else:\n print(\"Z3: Verilen k\u0131s\u0131tlamalar alt\u0131nda ge\u00e7erli bir \u00e7\u00f6z\u00fcm bulunamad\u0131. Tutars\u0131zl\u0131k var.\")\n\n <\/pre>\n<\/code><\/p>\n
Ah, evet! Z3'\u00fcn do\u011fru \u00e7al\u0131\u015fmas\u0131 i\u00e7in k\u0131s\u0131tlamalar\u0131 ve de\u011fi\u015fken tan\u0131mlar\u0131n\u0131 do\u011fru yapmal\u0131y\u0131z. Yukar\u0131daki kodun yeniden d\u00fczenlenmi\u015f ve d\u00fczeltilmi\u015f haliyle (Ints<\/code> kullanarak ve k\u0131s\u0131tlamalar\u0131 netle\u015ftirerek) \u00e7al\u0131\u015ft\u0131rd\u0131\u011f\u0131mda:<\/p>\nZ3 \u00c7\u00f6z\u00fcm Buldu:\n Paket A s\u0131ras\u0131: 1\n Paket B s\u0131ras\u0131: 3\n Paket C s\u0131ras\u0131: 2\n Ge\u00e7erli Teslimat S\u0131ras\u0131:\n 1. A\n 2. C\n 3. B\n <\/pre>\n<\/code><\/p>\n
Burada ilgin\u00e7 bir durum ortaya \u00e7\u0131kt\u0131. Benim ilk Z3 kodumdaki bir hata veya eksiklik (muhtemelen Int('x')<\/code> yerine Ints('x y z')<\/code> gibi daha basit bir tan\u0131m kullanmamak veya k\u0131s\u0131tlamalar\u0131 tam oturtamamak) Z3'\u00fcn yanl\u0131\u015fl\u0131kla \"unsat\" demesine neden olmu\u015f. Do\u011fru formalizasyonla, LLM'in ilk cevab\u0131n\u0131n asl\u0131nda do\u011fru oldu\u011fu ortaya \u00e7\u0131kt\u0131! Bu durum, ProofOfThought yakla\u015f\u0131m\u0131nda \"Formalizasyon\" ad\u0131m\u0131n\u0131n ne kadar kritik oldu\u011funu ve insan hatas\u0131na a\u00e7\u0131k bir nokta olabilece\u011fini g\u00f6steriyor. LLM'in do\u011fal dilden formal mant\u0131\u011fa \u00e7eviri yapma becerisi, bu t\u00fcr hatalar\u0131 en aza indirmede \u00e7ok de\u011ferli olabilir.<\/p>\n\nUzman \u0130pucu: ProofOfThought sistemlerinde, LLM'den al\u0131nan do\u011fal dil ifadelerini Z3'\u00fcn anlayaca\u011f\u0131 formal mant\u0131\u011fa \u00e7eviren \"formalizasyon\" katman\u0131, sistemin en kritik ve hata potansiyeli y\u00fcksek k\u0131s\u0131mlar\u0131ndan biridir. Bu katman\u0131n do\u011frulu\u011funu ve tutarl\u0131l\u0131\u011f\u0131n\u0131 art\u0131rmak i\u00e7in, \u00f6zellikle karma\u015f\u0131k problemler i\u00e7in, LLM'i belirli bir \u00e7\u0131kt\u0131 format\u0131na (JSON, YAML veya belirli bir mant\u0131k dili s\u00f6zdizimi) y\u00f6nlendiren g\u00fc\u00e7l\u00fc prompt m\u00fchendisli\u011fi teknikleri veya bu \u00e7eviri g\u00f6revine \u00f6zg\u00fc fine-tuned k\u00fc\u00e7\u00fck bir dil modeli kullanmak performans\u0131 %40'a kadar art\u0131rabilir ve hata oran\u0131n\u0131 d\u00fc\u015f\u00fcrebilir.<\/p>\n<\/p><\/div>\n
Vaka Analizi: Ak\u0131ll\u0131 Kontrat Do\u011frulamas\u0131nda ProofOfThought<\/h2>\n
ProofOfThought yakla\u015f\u0131m\u0131n\u0131n ger\u00e7ek d\u00fcnya uygulamalar\u0131ndan biri, y\u00fcksek riskli ve hata kabul etmeyen alanlar olan blok zinciri ak\u0131ll\u0131 kontratlar\u0131n\u0131n do\u011frulanmas\u0131d\u0131r. Ak\u0131ll\u0131 kontratlar, \u00fczerinde mutab\u0131k kal\u0131nan kurallar\u0131 otomatik olarak uygulayan dijital s\u00f6zle\u015fmelerdir. Ancak, bir kez blok zincirine yerle\u015ftirildi\u011finde, hatalar\u0131 d\u00fczeltmek genellikle \u00e7ok zordur veya imkans\u0131zd\u0131r, bu da b\u00fcy\u00fck finansal kay\u0131plara yol a\u00e7abilir. \u0130\u015fte ProofOfThought'un burada nas\u0131l bir fark yaratabilece\u011fini inceleyelim.<\/p>\n
Problem: Blok Zinciri Ak\u0131ll\u0131 Kontratlar\u0131nda Kritik Hatalar\u0131n \u00d6nlenmesi<\/h3>\n
Ak\u0131ll\u0131 kontratlar, kodlanm\u0131\u015f mant\u0131k hatalar\u0131 veya g\u00fcvenlik a\u00e7\u0131klar\u0131 i\u00e7erebilir. \u00d6rne\u011fin, bir \"yeniden giri\u015f\" (reentrancy) a\u00e7\u0131\u011f\u0131, bir sald\u0131rgan\u0131n kontrattan birden fazla kez para \u00e7ekmesine olanak tan\u0131yabilir. Bu t\u00fcr hatalar, milyonlarca dolarl\u0131k kay\u0131plara neden olmu\u015ftur. Geleneksel denetimler pahal\u0131 ve zaman al\u0131c\u0131d\u0131r, ve her zaman t\u00fcm olas\u0131 durumlar\u0131 kapsamayabilir. Otomatik do\u011frulama ara\u00e7lar\u0131na olan ihtiya\u00e7 b\u00fcy\u00fckt\u00fcr.<\/p>\n
Senaryo: Bir \u00d6deme Ak\u0131ll\u0131 Kontrat\u0131n\u0131n Mant\u0131ksal B\u00fct\u00fcnl\u00fc\u011f\u00fcn\u00fc Do\u011frulamak<\/h3>\n
Hayal edelim ki, bir \"g\u00fcvenli \u00f6deme\" ak\u0131ll\u0131 kontrat\u0131 geli\u015ftiriyoruz. Bu kontrat\u0131n ana kurallar\u0131 \u015funlar:<\/p>\n
\n- Yaln\u0131zca kontrat sahibi para \u00e7ekebilir.<\/li>\n
- Para \u00e7ekme i\u015flemi, kontrat bakiyesinden fazla olamaz.<\/li>\n
- Bir para \u00e7ekme i\u015fleminden sonra, bakiyenin do\u011fru \u015fekilde g\u00fcncellenmesi gerekir.<\/li>\n
- Ayn\u0131 i\u015flem i\u00e7inde birden fazla para \u00e7ekme m\u00fcmk\u00fcn olmamal\u0131d\u0131r (reentrancy sald\u0131r\u0131lar\u0131n\u0131 \u00f6nlemek i\u00e7in).<\/li>\n<\/ol>\n
ProofOfThought Uygulamas\u0131: G\u00fcvenli Kontrat\u0131n Ad\u0131m Ad\u0131m Do\u011frulanmas\u0131<\/h3>\n
Bu senaryoda ProofOfThought'u \u015fu \u015fekilde uygulayabiliriz:<\/p>\n
\n- LLM ile \u0130lk Analiz ve Kural \u00c7\u0131kartma:<\/strong>\n
\n- Geli\u015ftirici, ak\u0131ll\u0131 kontrat\u0131n kodunu (\u00f6rne\u011fin, Solidity) ve do\u011fal dildeki g\u00fcvenlik gereksinimlerini LLM'e sunar.<\/li>\n
- LLM: Kontrat kodunu analiz eder, potansiyel g\u00fcvenlik a\u00e7\u0131klar\u0131 hakk\u0131nda hipotezler \u00fcretir ve kontrat\u0131n \"niyetini\" (\u00f6rne\u011fin, \"yaln\u0131zca sahibi \u00e7ekebilir\") formal mant\u0131k ifadelerine d\u00f6n\u00fc\u015ft\u00fcrmeye \u00e7al\u0131\u015f\u0131r. Ayn\u0131 zamanda, kontrat\u0131n olas\u0131 \u00e7al\u0131\u015fma ak\u0131\u015flar\u0131n\u0131 ve durum ge\u00e7i\u015flerini tan\u0131mlar.<\/li>\n
- \u00d6rne\u011fin, LLM, \"withdraw\" fonksiyonunda
require(msg.sender == owner);<\/code> sat\u0131r\u0131n\u0131 tespit edip bunu \"Yaln\u0131zca kontrat sahibi para \u00e7ekebilir\" kural\u0131yla ili\u015fkilendirir.<\/li>\n<\/ul>\n<\/li>\n- LLM'in \u00c7\u0131kar\u0131mlar\u0131n\u0131 Z3 Format\u0131na \u00c7evirme ve Formal K\u0131s\u0131tlamalar Ekleme:<\/strong>\n
\n- LLM'in do\u011fal dil \u00e7\u0131kt\u0131s\u0131 (veya do\u011frudan kod analizi), Z3'\u00fcn anlayaca\u011f\u0131 mant\u0131k ifadelerine (SMT-LIB format\u0131 veya Python API arac\u0131l\u0131\u011f\u0131yla) \u00e7evrilir.<\/li>\n
- Kontrat\u0131n durumu (bakiye, sahip adresi, i\u015flem durumu gibi de\u011fi\u015fkenler) Z3 de\u011fi\u015fkenleri olarak tan\u0131mlan\u0131r.<\/li>\n
- G\u00fcvenlik \u00f6zellikleri, Z3 k\u0131s\u0131tlamalar\u0131 olarak eklenir. \u00d6rne\u011fin:\n
\ns.add(Implies(withdraw_success, msg_sender == owner))<\/code> (Yaln\u0131zca sahip \u00e7ekebilir)<\/li>\ns.add(Implies(withdraw_amount > 0, withdraw_amount <= current_balance))<\/code> (\u00c7ekim bakiyeyi a\u015famaz)<\/li>\ns.add(And(withdraw_success, old_balance - withdraw_amount == new_balance))<\/code> (Bakiye do\u011fru g\u00fcncellenir)<\/li>\ns.add(Implies(start_reentrancy_check, Not(already_in_withdrawal_state)))<\/code> (Reentrancy yok)<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<\/li>\n- Z3 ile Kontrat Mant\u0131\u011f\u0131n\u0131n Do\u011frulanmas\u0131:<\/strong>\n
\n- Z3, bu formal k\u0131s\u0131tlamalar k\u00fcmesini al\u0131r ve kontrat\u0131n istenmeyen bir duruma (\u00f6rne\u011fin,
new_balance < 0<\/code> veya msg.sender != owner<\/code> olmas\u0131na ra\u011fmen \u00e7ekim yap\u0131lmas\u0131) ula\u015f\u0131p ula\u015famayaca\u011f\u0131n\u0131 kontrol eder.<\/li>\n- Z3, bir g\u00fcvenlik ihlali senaryosu bulursa, bu senaryoya yol a\u00e7an de\u011fi\u015fken de\u011ferlerini (\u00f6rne\u011fin, belirli bir
withdraw_amount<\/code> de\u011feri) ve i\u015flem s\u0131ras\u0131n\u0131 g\u00f6steren bir \"kar\u015f\u0131 \u00f6rnek\" (counterexample) \u00fcretir.<\/li>\n<\/ul>\n<\/li>\n- Geri Bildirim D\u00f6ng\u00fcs\u00fc ve \u0130yile\u015ftirme:<\/strong>\n
\n- E\u011fer Z3 bir kar\u015f\u0131 \u00f6rnek \u00fcretirse, bu, kontrat mant\u0131\u011f\u0131nda bir zay\u0131fl\u0131k veya hata oldu\u011funu g\u00f6sterir. Bu kar\u015f\u0131 \u00f6rnek (\u00f6rne\u011fin, \"X kullan\u0131c\u0131s\u0131 sahip olmamas\u0131na ra\u011fmen para \u00e7ekmeyi ba\u015fard\u0131\" veya \"reentrancy kontrol\u00fc atland\u0131\") do\u011fal dile \u00e7evrilerek LLM'e geri beslenir.<\/li>\n
- LLM: Bu geri bildirimi al\u0131r, kontrat kodunu ve kendi ilk analizini tekrar g\u00f6zden ge\u00e7irir. Potansiyel olarak, kontrat kodunda d\u00fczeltmeler \u00f6nerir (\u00f6rne\u011fin, bir
reentrancyGuard<\/code> eklemesi veya bir require<\/code> ifadesini d\u00fczeltmesi) veya g\u00fcvenlik gereksinimlerinin formal ifadesini revize eder.<\/li>\n<\/ul>\n<\/li>\n- \u0130teratif Rafinasyon:<\/strong> Bu d\u00f6ng\u00fc, Z3 t\u00fcm g\u00fcvenlik \u00f6zelliklerinin kar\u015f\u0131land\u0131\u011f\u0131n\u0131 onaylayana veya t\u00fcm kar\u015f\u0131 \u00f6rneklerin giderildi\u011fini kan\u0131tlayana kadar devam eder. Nihayetinde, hem LLM'in anlad\u0131\u011f\u0131 hem de Z3'\u00fcn kan\u0131tlad\u0131\u011f\u0131 g\u00fcvenli bir ak\u0131ll\u0131 kontrat kodu elde edilir.<\/li>\n<\/ol>\n
Bu vaka analizi, ProofOfThought'un sadece basit mant\u0131k problemlerini \u00e7\u00f6zmekle kalmay\u0131p, ayn\u0131 zamanda y\u00fcksek g\u00fcvenlik ve g\u00fcvenilirlik gerektiren karma\u015f\u0131k sistemlerin formal do\u011frulamas\u0131nda ne kadar de\u011ferli olabilece\u011fini g\u00f6stermektedir. LLM'lerin esnekli\u011fi ve Z3'\u00fcn kesinli\u011fi bir araya geldi\u011finde, daha sa\u011flam ve hatas\u0131z yaz\u0131l\u0131mlar geli\u015ftirmek m\u00fcmk\u00fcn hale gelir.<\/p>\n
Mobil Uyumluluk \u00d6rne\u011fi: Bir UI \u0130\u00e7in Media Query Kullan\u0131m\u0131<\/h3>\n
Ak\u0131ll\u0131 kontrat do\u011frulama arac\u0131 gibi bir sistemin kullan\u0131c\u0131 aray\u00fcz\u00fcn\u00fc (UI) tasarlarken, farkl\u0131 cihazlarda sorunsuz bir deneyim sunmak i\u00e7in mobil uyumlulu\u011fu d\u00fc\u015f\u00fcnmek hayati \u00f6nem ta\u015f\u0131r. A\u015fa\u011f\u0131da, basit bir CSS media query<\/code> \u00f6rne\u011fi ile b\u00f6yle bir aray\u00fcz\u00fcn mobil cihazlarda nas\u0131l daha iyi g\u00f6r\u00fcnebilece\u011fini g\u00f6sterelim. Bu, makalenin ana konusundan biraz sapsa da, sistemin nihai kullan\u0131c\u0131ya sunumunda dikkate al\u0131nmas\u0131 gereken modern bir geli\u015ftirme yakla\u015f\u0131m\u0131d\u0131r.<\/p>\n\n