Co to jest silnik wnioskowania?

Silnik wnioskowania to system oprogramowania, który ma na celu wyciąganie wniosków poprzez analizę problemów w świetle bazy danych wiedzy eksperckiej, z której korzysta. Osiąga logiczne wyniki w oparciu o lokal, które ustanawiają dane. Czasami silniki wnioskowania są również w stanie wykraczać poza ścisłe logiczne przetwarzanie, a wykorzystanie obliczeń prawdopodobieństwa, aby wyciągnąć wnioski, że baza danych wiedzy nie wspiera ściśle, ale po prostu implikuje lub wskazuje.

Większość silników wnioskowania zaprojektowanych w dziedzinie sztucznej inteligencji opiera się na koncepcji systemu eksperckiego. System ekspertów jest budowany w celu rozwiązania problemów w określonej, a czasem wąsko określonej dziedzinie, takich jak niektóre specjalności medyczne. Składnikiem silnika wnioskowania systemu eksperckiego jest struktura sterowania, która wytwarza początkowe wyjście oparte na dowolnych danych w bazie wiedzy i regułach programowania systemu eksperckiego, a następnie zastosuj go do konkretnego problemu w znaczącym wTak. Ponieważ wyniki silnika wnioskowania są wynikiem danych, zmieniają się one w miarę aktualizacji danych, a także mogą się zmieniać, gdy dane są wyszukiwane na różne sposoby przez sam silnik wnioskowania. Jeśli dane w systemie są ważone w kierunku jednego lub więcej wniosków w stosunku do drugiego, może to zmienić wyniki generowane przez silnik wnioskowania.

Oprogramowanie korzystające z silnika wnioskowania może być postrzegane jako aktywny mechanizm selektywny, w którym działania przetwarzania są kierowane przez najbardziej aktualny stan danych. Systemy eksperckie mają dwa ogólne sposoby przetwarzania tych przechowywanych danych, określanych jako łączenie do przodu lub łańcuch wsteczny. Podczas łączenia się reguły systemu eksperckiego analizują dane podawane przez silnik wnioskowania, a wyniki są przekazywane z powrotem do przechowywania danych systemu jako nowe dane. To uruchamia nowe rozwiązania problemów, ponieważ system udoskonala dane i waży je przez wnioskowanie indukcyjnee, co oznacza, że ​​wyciągnięte wnioski niekoniecznie odzwierciedlają oryginalne dane lub przesłanki, które zostały wykorzystane do rozpoczęcia analizy.

Łączenie wsteczne jest bardziej zorientowane na prawdopodobieństwo, przy czym przechowywane dane są ważone dla wartości od samego początku. Reguły są wykorzystywane do testowania warunków danych pod kątem ważności w świetle danego problemu, a w miarę jak to zrobiono, nowe wartości prawdopodobieństwa są przypisywane do danych. Nazywane również jako oparte na hipotezie, łańcuch wsteczny nie wyciąga ścisłych wniosków, dopóki nieustanne testowanie danych w stosunku do warunków ustalonych przez zasady systemu eksperckiego nie osiągną minimalnego poziomu dowodu na badane pytanie lub problem.

Bayesowska logika jest jedną z zorientowanych na prawdopodobieństwa form oprogramowania do silnika wnioskowania, które wykorzystują łańcuch wsteczny, nazwany na cześć Thomasa Bayesa, angielskiego matematyka z połowy X8 wieku. Taka logika wykorzystuje bazę wiedzy wcześniejszych wydarzeń, aby przewidzieć przyszłe wyniki poprzez powtarzające się testy wiedzyLEDGE i to czynniki w dodatkowych dowodach wyników prób w nowych próbach, w celu uzyskania coraz bardziej dokładnych wyników. Architektura oprogramowania rozmytego logicznego może również polegać na silniku wnioskowania w ramach swojego systemu. Różnica w logice rozmytej polega na tym, że wyjście jest rozmytym zestawem lub zakresem możliwych rozwiązań, które są następnie agregowane w jedną grupę, a poprzez logikę i prawdopodobieństwo zawęzione do jednego optymalnego wniosku lub działania.