¿Qué es un motor de inferencia?
Un motor de inferencia es un sistema de software diseñado para sacar conclusiones analizando problemas a la luz de una base de datos de conocimiento experto en el que recurre. Alcanza resultados lógicos basados en las premisas que establecen los datos. A veces, los motores de inferencia también son capaces de ir más allá de un procesamiento lógico estricto, y utilizar cálculos de probabilidad para llegar a conclusiones de que la base de datos de conocimiento no es compatible estrictamente, sino que simplemente implica o sugiere.
La mayoría de los motores de inferencia diseñados en el campo de la inteligencia artificial se basan en el concepto del sistema experto. Se crea un sistema experto para resolver problemas en un campo específico y, a veces, definido estrechamente, como ciertas especialidades médicas. El componente del motor de inferencia de un sistema experto es la estructura de control que produce una salida inicial basada en cualquier datos que exista actualmente en la base de conocimiento y las reglas de programación del sistema experto, luego aplique al problema específico en una W significativa.sí. Debido a que los resultados de la inferencia del motor son el resultado de los datos, cambian a medida que los datos se actualizan y también pueden cambiar a medida que los datos son buscados de diferentes maneras por el propio motor de inferencia. Si los datos en el sistema se ponderan hacia una o más conclusiones sobre otra, esto puede cambiar los resultados que genera el motor de inferencia.
El software que utiliza un motor de inferencia puede verse como un mecanismo selectivo activo, donde las acciones de procesamiento están dirigidas por el estado más actual de los datos. Los sistemas expertos tienen dos formas generales de procesar estos datos almacenados, denominados encadenamiento hacia adelante o encadenamiento hacia atrás. En el encadenamiento hacia adelante, las reglas del sistema de expertos analizan los datos alimentados por el motor de inferencia, y los resultados se vuelven al almacenamiento de datos del sistema como nuevos datos. Esto desencadena nuevas soluciones a los problemas a medida que el sistema refina los datos y los pesa por inferencia inductivaE, lo que significa que las conclusiones alcanzadas no reflejarán necesariamente los datos o premisas originales que se utilizaron para comenzar el análisis.
El encadenamiento hacia atrás está más orientado a la probabilidad, con los datos almacenados ponderados para el valor desde el inicio. Las reglas se utilizan para probar las condiciones de los datos de validez a la luz del problema dado y, como se hace, se hace nuevos valores de probabilidad a los datos. También conocido como impulsado por la hipótesis, el encadenamiento hacia atrás no saca conclusiones estrictas hasta que las pruebas continuas de los datos contra las condiciones establecidas por las reglas del sistema experto cumplen con un nivel mínimo de prueba para la pregunta o el problema que se estudia.
.La lógica bayesiana es una de las formas orientadas a la probabilidad de software de motor de inferencia que utiliza el encadenamiento hacia atrás, llamado así por Thomas Bayes, un matemático inglés de mediados de 18
th siglo. Dicha lógica utiliza una base de conocimiento de eventos anteriores para predecir los resultados futuros a través de pruebas repetidas del conocimiento.Ledge, y factores en evidencia adicional de los resultados de los ensayos en nuevos ensayos, con el objetivo de producir resultados cada vez más precisos. La arquitectura de software lógico difuso también puede depender del motor de inferencia como parte de su sistema. La diferencia con la lógica difusa es que la salida es un conjunto difuso o un rango de posibles soluciones que luego se agregan en un grupo y, a través de la lógica y la probabilidad, se reducen a una conclusión o acción óptima.