ReAct – (Reasoning + Acting)

ReAct (Reasoning + Acting), büyük dil modellerinin yalnızca metinsel muhakeme üretmekle kalmayıp, gerektiğinde dış araçlar kullanarak eylem gerçekleştirmesini ve elde ettiği gözlemleri sonraki kararlarına dahil etmesini sağlayan ileri düzey bir yapay zekâ yaklaşımıdır. ReAct adı, Reasoning (Muhakeme) ve Acting (Eylem) kelimelerinin birleşiminden gelir. Bu yaklaşım, özellikle bilgi arama, araç kullanımı, çok adımlı görev yürütme ve yapay zekâ ajanlarının geliştirilmesinde önemli bir yöntemdir. ReAct’in temel mantığı şu şekilde özetlenebilir:

Görev → Muhakeme → Eylem → Gözlem → Yeni Muhakeme → Yeni Eylem → Sonuç

Buradaki temel fark, modelin yalnızca kendi iç bilgisini kullanmamasıdır. Model, ihtiyaca göre arama motoru, hesap makinesi, veri tabanı, kod çalıştırma ortamı veya API gibi araçlardan yararlanabilir. Elde edilen sonuçlar modele yeni bilgi sağlar ve model bu bilgiler ışığında sonraki adımını belirler.

ReAct Nasıl Çalışır?

Örneğin kullanıcı şu soruyu sorsun: “Bir şirketin son üç yıllık gelirlerini bul ve büyüme oranını hesapla.”

Sıradan bir dil modeli mevcut bilgisinden cevap vermeye çalışabilir. ReAct yaklaşımı ise şu mantıkla ilerler:

Muhakeme: Güncel gelir verilerine ihtiyacım var.
Eylem: Güvenilir finansal kaynağı ara.
Gözlem: 2023, 2024 ve 2025 gelirleri bulundu.
Muhakeme: Şimdi büyüme oranlarını hesaplamalıyım.
Eylem: Hesaplama aracını kullan.
Gözlem: Yıllık büyüme oranları elde edildi.
Sonuç: Verileri ve hesaplamaları kullanıcıya sun.

Bu nedenle ReAct, yalnızca “düşünme” değil, düşünme ile çevre üzerinde eylem gerçekleştirmeyi bir araya getiren bir yaklaşım olarak tanımlanır.

ReAct Döngüsü

ReAct’in tipik yapısı üç temel unsurdan oluşur:

Reasoning: Model mevcut durumu değerlendirir ve sonraki adımın ne olması gerektiğini belirler.

Action: Model uygun aracı veya işlemi seçer.

Observation: Gerçekleştirilen eylemden elde edilen sonucu değerlendirir.

Bu döngü, görev tamamlanıncaya kadar tekrarlanabilir.

Basitleştirilmiş gösterim:

Reasoning → Action → Observation → Reasoning → Action → Observation → Final Answer

Akademik Araştırma Örneği

Bir araştırmacı şu görevi verebilir: “2022 sonrasında yapay zekâ ve çalışan iş güvencesizliği üzerine yayımlanan güncel çalışmaları bul, ortak bulguları karşılaştır ve araştırma boşluğunu belirle.”

ReAct yaklaşımı kullanan bir araştırma ajanı şu işlemleri gerçekleştirebilir:

1. Muhakeme: Öncelikle güncel akademik yayınları bulmam gerekiyor.

2. Eylem: Akademik veri tabanlarında arama yap.

3. Gözlem: Konuyla ilişkili çalışmalar elde edildi.

4. Muhakeme: Çalışmaların örneklem, yöntem ve sonuçlarını karşılaştırmam gerekiyor.

5. Eylem: İlgili bilgileri çıkar ve sınıflandır.

6. Gözlem: Ortak ve çelişkili bulgular belirlendi.

7. Muhakeme: Şimdi araştırılmamış alanları tespit etmeliyim.

8. Eylem: Literatürü tematik olarak karşılaştır.

9. Sonuç: Araştırma boşluklarını ve yeni araştırma önerilerini sun.

Bu yapı, özellikle Research Agent sistemlerinde oldukça işlevseldir.

Chain of Thought ile ReAct Arasındaki Fark

Chain of Thought (CoT) temel olarak modelin problem üzerinde ara muhakeme aşamaları oluşturmasına odaklanır.

CoT: Problem → Muhakeme → Muhakeme → Muhakeme → Sonuç

ReAct ise muhakeme ile dış dünya etkileşimini birleştirir:

Problem → Muhakeme → Eylem → Gözlem → Muhakeme → Eylem → Sonuç

Dolayısıyla ReAct’in en önemli farkı araç kullanımı ve dış çevreden geri bildirim alınmasıdır.

ReAct ve AI Agent İlişkisi

ReAct, modern AI Agent sistemlerinin temel çalışma modellerinden biridir. Bir agent yalnızca dil üretmek yerine:

• bilgi arayabilir,
• web sayfası inceleyebilir,
• hesaplama yapabilir,
• kod çalıştırabilir,
• veri tabanına sorgu gönderebilir,
• dosya okuyabilir,
• API kullanabilir.

Her işlem sonrasında elde edilen sonucu değerlendirerek sonraki eylemine karar verebilir. Bu nedenle ReAct yaklaşımı, yapay zekâ ajanlarının Reason → Act → Observe → Adapt döngüsünün teorik temellerinden biri olarak değerlendirilebilir.

ReAct Prompt Örneği

Basitleştirilmiş bir ReAct istemi şu şekilde hazırlanabilir: “Görevi tamamlamak için hangi bilgilere ihtiyaç olduğunu belirle. Mevcut bilgiler yeterli değilse uygun araçları kullan. Her araç kullanımından sonra elde ettiğin sonucu değerlendir ve sonraki adımı buna göre seç. Gereksiz araç kullanma. Yeterli kanıt toplandığında sonuçları sentezleyerek nihai cevabı ver.” Bu tür bir istem, modele yalnızca cevap üretmesini değil, gerektiğinde bilgi toplamasını ve eylem gerçekleştirmesini de söyler.

ReAct’in Avantajları

ReAct’in en önemli avantajı, modelin yalnızca eğitim sırasında öğrendiği bilgiyle sınırlı kalmamasıdır. Dış araçlara erişim sayesinde güncel veya özel verilere ulaşabilir. Ayrıca araç kullanımından elde edilen sonuçlar, modelin hatalı varsayımlarını düzeltmesine yardımcı olabilir. ReAct özellikle şu görevlerde etkilidir:

• Web araştırması
• Akademik literatür taraması
• Veri analizi
• Matematiksel hesaplama
• Kod geliştirme
• Seyahat planlama
• Finansal analiz
• Bilgi doğrulama
• AI Agent sistemleri

Sınırlılıkları

ReAct’in başarısı kullanılan araçların doğruluğuna ve modelin doğru aracı seçebilmesine bağlıdır. Yanlış araç seçimi, güvenilir olmayan bilgi kaynağı veya hatalı gözlem, sonraki muhakeme adımlarını olumsuz etkileyebilir. Ayrıca çok fazla araç çağrısı işlem süresini ve maliyeti artırabilir. Bu nedenle iyi bir ReAct sistemi yalnızca gerekli olduğunda eyleme geçmeli ve elde edilen gözlemleri dikkatli biçimde değerlendirmelidir.

ReAct, ToT ve GoT Arasındaki Fark

Chain of Thought: Muhakeme zinciri oluşturur.

Tree of Thoughts: Birden fazla alternatif muhakeme yolunu araştırır.

Graph of Thoughts: Düşünceleri ilişkilendirir ve birleştirir.

ReAct: Muhakemeyi gerçek veya dijital çevrede gerçekleştirilen eylemlerle birleştirir.

Bu nedenle ReAct’in temel özelliği düşünce yapısının biçimi değil, muhakeme ile araç kullanımının birlikte yürütülmesidir.

Kısaca

CoT: “Düşün.”

ToT: “Alternatif yollar düşün.”

GoT: “Düşünceleri ilişkilendir ve birleştir.”

ReAct: “Düşün, eyleme geç, sonucu gözlemle ve yeniden karar ver.”

ReAct yaklaşımı, Yao ve arkadaşlarının 2023 yılında yayımlanan “ReAct: Synergizing Reasoning and Acting in Language Models” çalışmasıyla sistematik biçimde tanımlanmıştır. Çalışmanın temel katkısı, dil modellerinin muhakeme yetenekleri ile dış çevrede eylem gerçekleştirme kabiliyetlerini aynı süreç içerisinde birleştirmesidir.

Kaynak: Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., & Cao, Y. (2023). ReAct: Synergizing Reasoning and Acting in Language Models. International Conference on Learning Representations (ICLR).