Hemos creado la Inteligencia Artificial como una forma de amplificar la inteligencia humana y promover el crecimiento como nunca antes. La IA puede ayudarnos a resolver numerosos problemas de complejidad variable.
Uno de estos tipos de problemas es el caso en el que uno tiene que predecir los resultados utilizando el conjunto de conocimientos dado. Aquí, se da la base de conocimientos y, utilizando reglas lógicas y razonamiento, uno tiene que predecir el resultado.
Estos problemas generalmente se resuelven utilizando Motores de Inferencia, que utilizan sus dos modos especiales: Encadenamiento hacia Atrás y Encadenamiento hacia Adelante.
A medida que avanzamos, echemos un vistazo detallado a los procesos de encadenamiento utilizados en Inteligencia Artificial.
¿Qué es un motor de inferencia?
Un Motor de Inferencia es una herramienta de Inteligencia Artificial que se utiliza como componente del sistema para deducir nueva información a partir de una base de conocimiento utilizando reglas lógicas y razonamiento. Los primeros Motores de Inferencia fueron parte de sistemas expertos en IA. Como se indicó anteriormente, los motores de inferencia predicen los resultados con el conjunto de datos ya existente, analizándolos exhaustivamente y utilizando el razonamiento lógico para predecir los resultados.
Aprenda sobre algoritmos de IA como un algoritmo de búsqueda*.
Este mismo proceso se repetiría a medida que se descubrieran nuevos hechos y esto haría que el motor de inferencia activara reglas adicionales para sus hallazgos. Después de algunas ejecuciones del motor de inferencia, se notó que los Motores de Inferencia funcionan de una de las dos maneras, ya sea basándose en objetivos o en hechos, lo que más tarde se conoció como encadenamiento de reenvío y encadenamiento de retroceso.
El encadenamiento hacia adelante viene con hechos conocidos e itera el proceso para encontrar nuevos hechos, mientras que el encadenamiento hacia atrás comienza con objetivos y funciona hacia atrás para determinar qué condiciones se requerirían para lograr los objetivos dados.
Ejemplos sobre Reglas de Inferencia
Echemos un vistazo a algunos ejemplos simples para ayudarlo a diferenciar entre ambos conjuntos de reglas de inferencia.
Reglas de inferencia
- Regla de inferencia deductiva:
Encadenamiento hacia adelante: Concluir de «A» y «A implica B» a «B».
Un
A -> B
B
Ejemplo:
está lloviendo.
Si llueve, la calle está mojada.
La calle está mojada.
- Regla de inferencia abductiva:
Encadenamiento hacia atrás: Concluir de » B » y «A implica B» a «A».
B
A -> B
Un
Ejemplo:
La calle está mojada.
Si llueve, la calle está mojada.
está lloviendo.
Encadenamiento hacia adelante
El encadenamiento hacia adelante es uno de los dos métodos principales de motor de inferencia que utiliza el proceso lógico de inferir verdades desconocidas para encontrar una solución a partir del conjunto conocido de datos mediante el uso de condiciones y reglas determinadas.
Se puede decir que las tareas generalmente complejas se pueden reducir a múltiples tareas más simples que se realizan de forma simultánea o secuencial, al igual que una cadena o encadenamiento es un método efectivo para enseñar habilidades y procesos complejos utilizando múltiples pasos.
Como un enfoque lógico basado en datos y de abajo hacia arriba, el encadenamiento hacia adelante comienza a partir de hechos y condiciones conocidos, y luego avanza hacia una conclusión lógica utilizando declaraciones if-then. Luego, estas condiciones y reglas se aplican al problema hasta que no quedan más situaciones aplicables o se ha alcanzado el límite. El encadenamiento hacia adelante busca cualquier solución y puede llegar a un número infinito de conclusiones posibles.
Aprenda sobre sistemas expertos en IA
Encadenamiento hacia adelante en IA
El enfoque de visión de futuro se utiliza en IA para ayudar a un agente de IA a resolver problemas lógicos inspeccionando los datos de los aprendizajes anteriores y luego llegando a una conclusión llena de soluciones. Eso no es todo, el encadenamiento hacia adelante también podría usarse para explorar la información disponible o responder una pregunta o resolver un problema. El encadenamiento hacia adelante se usa ampliamente para descomponer un enfoque lógico largo y complejo al unir cada paso una vez que se completa el anterior. De esta manera, va de principio a fin con relativa facilidad.
Pasos para trabajar el Encadenamiento de reenvío
- Paso 1: Partimos de los hechos ya indicados, y luego, elegiremos posteriormente los hechos que no tienen ninguna implicación en absoluto.
- Paso 2: Ahora, indicaremos los hechos que se pueden inferir de los hechos disponibles con premisas satisfechas.
- Paso 3: En el paso 3 podemos verificar la declaración dada que debe verificarse y verificar si está satisfecha con la sustitución que infiere todos los hechos indicados anteriormente. Así alcanzamos nuestra meta.
Tomemos un ejemplo para que sea más comprensible para usted.
» Según la ley, es un crimen para un estadounidense vender armas a naciones hostiles. El País A, un enemigo de Estados Unidos, tiene algunos misiles, y todos los misiles le fueron vendidos por Robert, que es ciudadano estadounidense.»
Probar que » Robert es un criminal.»
Paso 1: Aquí se indican todos los hechos declarados que no tienen ninguna implicación en absoluto.
Paso 2: Elegimos los hechos que se pueden inferir de los hechos disponibles con premisas satisfechas.
Paso 3: En el paso 3 podemos verificar la declaración dada que debe verificarse y verificar si está satisfecha con la sustitución que infiere todos los hechos indicados anteriormente. Así alcanzamos nuestra meta.
Por lo tanto, se puede probar que Robert era el criminal.
Encadenamiento hacia atrás
El encadenamiento hacia atrás es un proceso lógico de determinar hechos desconocidos a partir de soluciones conocidas, moviéndose hacia atrás desde soluciones conocidas para determinar las condiciones y reglas iniciales.
Esto significa que el encadenamiento hacia atrás es un enfoque de razonamiento de arriba hacia abajo que comienza a partir de conclusiones y luego regresa a las condiciones que se inferieron al usar el enfoque de profundidad primero. En resumen, esto significa que el encadenamiento hacia atrás rastrea el código y aplica lógica para determinar cuál de las siguientes acciones habría causado el resultado.
Encadenamiento hacia atrás en IA
El enfoque de encadenamiento hacia atrás se utiliza en IA para encontrar las condiciones y reglas por las que se llegó a un resultado lógico o conclusión particular. Las aplicaciones de la vida real del encadenamiento hacia atrás incluyen el uso para encontrar información sobre conclusiones y soluciones en prácticas de ingeniería inversa, así como aplicaciones de teoría de juegos.
Algunas otras aplicaciones de encadenamiento hacia atrás incluyen herramientas automatizadas de prueba de teoremas, motores de inferencia, asistentes de pruebas y otras aplicaciones de inteligencia artificial.
Pasos de trabajo para Encadenamiento hacia atrás
- Paso 1. En el primer paso, tomaremos el Hecho de la Meta y del hecho de la meta, derivaremos otros hechos que probaremos ser ciertos.
- Paso 2: Derivaremos otros hechos de hechos de objetivos que satisfagan las reglas
- Paso 3: En el paso-3, extraeremos más hechos que se deducen de hechos inferidos en el paso 2.
- Paso 4: Repetiremos lo mismo hasta que lleguemos a un hecho determinado que satisfaga las condiciones.
Tomemos el mismo ejemplo que en el encadenamiento hacia adelante, para probar esta vez que Robert es el criminal.
Paso 1:
En el primer paso, tomaremos el Hecho del objetivo y, a partir del hecho del objetivo, derivaremos otros hechos que demostraremos que son ciertos.
Paso 2:
En el segundo paso, derivaremos otros hechos de hechos de objetivos que satisfagan las reglas
Paso 3: En el paso 3, extraeremos más hechos que se deducen de los hechos inferidos en el paso 2.
Paso 4: Repetiremos lo mismo hasta llegar a un hecho determinado que satisfaga las condiciones.
Paso 5:
Una vez que se han derivado todos los hechos y condiciones, el proceso de iteración se detiene.
Diferencia entre Encadenamiento hacia Adelante y Encadenamiento hacia Atrás
| No S | Encadenamiento hacia adelante | Encadenamiento hacia Atrás |
| Comienza a partir de hechos conocidos extrae más unidad de datos llega a la meta usando la regla de inferencia | Comienza desde la meta y trabaja hacia atrás a través de reglas de inferencia para encontrar los hechos requeridos que respaldan la meta. | |
| Aproximación ascendente | Aproximación descendente | |
| Conocido como Enfoque basado en datos, ya que usamos los datos dados para alcanzar los objetivos | Conocido como enfoque basado en objetivos porque usamos el objetivo dado para alcanzar los hechos que respaldan los objetivos | |
| 4 | Aplica una estrategia de búsqueda primero en amplitud | Aplica una estrategia de búsqueda primero en profundidad |
| 5 | Pruebas para todas las reglas disponibles | Solo pruebas para ciertas reglas determinadas y seleccionadas |
| 6 | Adecuado para aplicaciones de planificación, supervisión, control e interpretación. | Adecuado para aplicaciones de diagnóstico, prescripción y depuración. |
| Puede generar un número infinito de posibles conclusiones | Puede generar un número finito de posibles hechos y condiciones finales | |
| Funciona en Dirección hacia Delante | Funciona en Dirección hacia Atrás | |
| 9 | El encadenamiento hacia adelante está dirigido a cualquier conclusión. | El encadenamiento hacia atrás está dirigido solo a los datos requeridos. |
Ahora que conoce el funcionamiento de los Motores de Interfaz y los roles exactos de Encadenamiento hacia Adelante y hacia Atrás, puede darse el gusto de resolver algunos problemas y comprender mejor los «abouts y roles» de la IA.
Los cursos exclusivos de Great Learning sobre Inteligencia Artificial y Aprendizaje automático definitivamente pueden ayudarlo a hacerlo.