olemme luoneet tekoälyn keinona vahvistaa ihmisen älykkyyttä ja edistää kasvua ennennäkemättömällä tavalla. Tekoäly voi auttaa meitä ratkaisemaan lukuisia erilaisia ongelmia.
yksi tällainen ongelma on tapaus, jossa on ennustettava tuloksia käyttäen annettua tietovarastoa. Tässä annetaan tietopohja ja loogisten sääntöjen ja päättelyn avulla on ennustettava lopputulos.
nämä ongelmat ratkaistaan yleensä Päättelymoottoreilla, jotka hyödyntävät kahta erikoistilaansa: taaksepäin ketjuttamista ja eteenpäin ketjuttamista.
edetessämme tarkastellaan yksityiskohtaisesti molempia tekoälyssä käytettyjä ketjutusprosesseja.
mikä on Päättelymoottori?
Päättelymoottori on tekoälyn työkalu, jota käytetään järjestelmän osana päättelemään uutta tietoa tietopohjasta loogisten sääntöjen ja päättelyn avulla. Ensimmäiset Päättelymoottorit olivat osa tekoälyn asiantuntijajärjestelmiä. Kuten aiemmin on todettu, Päättelymoottorit ennustavat tuloksia jo olemassa olevalla datapoolilla, analysoimalla sitä kattavasti ja käyttämällä loogista päättelyä tulosten ennustamiseksi.
Opi TEKOÄLYALGORITMEISTA, kuten * – Hakualgoritmista.
tämä sama prosessi toistuisi uusien tosiasioiden paljastuessa, jolloin päättelymoottori käynnistäisi Lisää sääntöjä havainnoilleen. Joidenkin ajojen jälkeen päättelymoottori, huomattiin, että Päättelymoottorit toimii jommallakummalla tavalla, joko perustuu tavoitteisiin tai perustuu tosiasioihin, joka myöhemmin tuli tunnetuksi Huolinta ketjuttaminen ja taaksepäin ketjuttaminen.
eteenpäin ketjuttaminen tulee tunnetuilla faktoilla ja iteroi prosessin uusien faktojen löytämiseksi, kun taas taaksepäin ketjuttaminen alkaa päämääristä ja toimii taaksepäin määrittääkseen, mitä ehtoja vaadittaisiin annettujen tavoitteiden saavuttamiseksi.
Examples regarding Inference Rules
Let ’ s take a look on some simple examples to help you different between both set of inference rules.
Päättelysäännöt
- Deduktiivinen päättelysääntö:
eteenpäin ketjuttaminen: päätellään ”A”: sta ja” A merkitsee B: stä ”B: hen”.
A
A -> B
B
esimerkki:
sataa.
jos sataa, katu on märkä.
katu on märkä.
- Abduktiivinen päättelysääntö:
taaksepäin ketjuttaminen: päättele ”B”: stä ja ”A: sta” B: hen”.
B
A -> B
A
esimerkki:
katu on märkä.
jos sataa, katu on märkä.
sataa.
Forward Chaining
Forward Chaining on toinen kahdesta pääasiallisesta päättelymoottorin menetelmästä, joka käyttää tuntemattomien totuuksien loogista päättelyprosessia löytääkseen ratkaisun tunnetusta datajoukosta määritettyjen ehtojen ja sääntöjen avulla.
voidaan sanoa, että yleensä monimutkaiset tehtävät voidaan pelkistää useiksi yksinkertaisemmiksi tehtäviksi, jotka suoritetaan joko samanaikaisesti tai peräkkäin, aivan kuten ketjuttaminen tai ketjuttaminen on tehokas menetelmä monimutkaisten taitojen ja prosessien opettamiseksi useita vaiheita käyttäen.
sekä datalähtöisenä että alhaalta ylöspäin suuntautuvana logiikkana eteenpäin ketjuttaminen alkaa tunnetuista faktoista ja ehdoista ja etenee sitten loogiseen johtopäätökseen käyttäen if-then-väittämiä. Sitten näitä ehtoja ja sääntöjä sovelletaan ongelmaan, kunnes uusia soveltuvia tilanteita ei ole jäljellä tai raja on saavutettu. Forward Chaining etsii ratkaisuja ja voi keksiä ääretön määrä mahdollisia johtopäätöksiä.
Learn about expert systems in AI
Forward Chaining in AI
Forward-thinking-lähestymistapaa käytetään tekoälyssä auttamaan TEKOÄLYAGENTTIA ratkaisemaan loogisia ongelmia tarkastamalla aikaisempien oppien tiedot ja tulemalla sitten päätökseen täynnä ratkaisuja. Siinä ei ole kaikki, eteenpäin ketjuttamista voidaan yhtä hyvin käyttää käytettävissä olevan tiedon tutkimiseen tai kysymykseen vastaamiseen tai ongelman ratkaisemiseen. Eteenpäin kahlitsemista käytetään laajasti pitkän ja monimutkaisen loogisen lähestymistavan murtamiseen liittämällä jokainen askel edellisen valmistuttua. Näin se menee alusta loppuun suhteellisen helposti.
Huolintaketjutyön vaiheet
- Vaihe 1: aloitamme jo ilmoitetuista faktoista, ja sitten valitsemme ne faktat, joilla ei ole mitään merkitystä.
- Vaihe 2: nyt kerrotaan ne faktat, jotka voidaan päätellä käytettävissä olevista faktoista, joilla on tyydyttävät lähtökohdat.
- Vaihe 3: vaiheessa 3 voidaan tarkistaa annettu lausunto, joka on tarkistettava, ja tarkistaa, onko se tyytyväinen korvaukseen, joka päättelee kaikki aiemmin esitetyt seikat. Näin saavutamme tavoitteemme.
Otetaanpa esimerkki, joka tekee siitä ymmärrettävämmän.
”lain mukaan amerikkalaiselle on rikos myydä aseita vihamielisille valtioille. Maa A: lla, Amerikan vihollisella, on joitakin ohjuksia, ja kaikki ohjukset sille myi Robert, joka on Yhdysvaltain kansalainen.”
Todista, että ” Robert on rikollinen.”
Vaihe 1: Tässä on esitetty kaikki todetut faktat, joilla ei ole mitään merkitystä.
Vaihe 2: Valitsemme tosiasiat, jotka voidaan päätellä käytettävissä olevista tosiasioista, joilla on tyydyttävät lähtökohdat.
Vaihe 3: vaiheessa 3 voidaan tarkistaa annettu lausunto, joka on tarkistettava, ja tarkistaa, onko se tyytyväinen korvaukseen, joka päättelee kaikki aiemmin esitetyt seikat. Näin saavutamme tavoitteemme.
näin ollen voidaan todistaa, että Robert oli rikollinen.
taaksepäin ketjuttaminen
taaksepäin ketjuttaminen on looginen prosessi, jossa tuntemattomat faktat määritetään tunnetuista ratkaisuista siirtymällä taaksepäin tunnetuista ratkaisuista alkuolosuhteiden ja sääntöjen määrittämiseksi.
tämä tarkoittaa, että taaksepäin kahlitseminen on ylhäältä alaspäin suuntautuva päättelytapa, joka alkaa johtopäätöksistä ja palaa sitten niihin ehtoihin, jotka on päätelty syvyys ensin-lähestymistavan avulla. Lyhyesti sanottuna tämä tarkoittaa, että taaksepäin ketjuttaminen jäljittää koodin läpi ja soveltaa logiikkaa määrittääkseen, mikä seuraavista toimista olisi aiheuttanut tuloksen.
taaksepäin ketjuttamista AI: ssa
taaksepäin ketjuttamista käytetään AI: ssa niiden ehtojen ja sääntöjen löytämiseksi, joiden perusteella tiettyyn loogiseen tulokseen tai johtopäätökseen päädyttiin. Taaksepäin Kahlitsemisen tosielämän sovelluksia ovat muun muassa tiedon löytäminen johtopäätöksistä ja ratkaisuista reverse engineering-käytännöissä sekä peliteorian Sovellukset.
eräitä muita taaksepäin Kahlitsemisen sovelluksia ovat automatisoidut teoreemojen todistustyökalut, päättelymoottorit, proof-avustajat ja muut tekoälysovellukset.
työvaiheet taaksepäin Kahlitsemiseen
- Vaihe 1. Ensimmäisessä vaiheessa otamme päämäärän faktan, ja siitä saamme muita faktoja, jotka osoittautuvat todeksi.
- Vaihe 2: johdamme muut faktat maalifaktoista, jotka täyttävät säännöt
- Vaihe 3: vaiheessa 3 poimimme lisää faktoja, jotka päättelevät vaiheessa 2 päätellyistä faktoista.
- Vaihe 4: toistamme samaa, kunnes pääsemme tiettyyn faktaan, joka täyttää ehdot.
otetaan sama esimerkki kuin eteenpäin Kahlaamisessa, todistaakseen tällä kertaa, että Robert on rikollinen.
Vaihe 1:
ensimmäisessä vaiheessa otetaan Maalifakta ja maalifaktiosta johdetaan muita faktoja, jotka osoittautuvat todeksi.
Vaihe 2:
toisessa vaiheessa johdamme muut faktat maalin faktoista, jotka täyttävät säännöt
Vaihe 3: Vaiheessa 3 poimimme lisää faktoja, jotka päättelevät Vaihe 2: ssa esitetyistä tosiasioista.
Vaihe 4: toistamme samaa, kunnes pääsemme tiettyyn faktaan, joka täyttää ehdot.
Vaihe 5:
kun kaikki faktat ja ehdot on johdettu, iterointiprosessi pysähtyy.
ero eteen-ja taaksepäin kahlaamisen välillä
| eteenpäin ketjuttaminen | taaksepäin ketjuttaminen | |
| se alkaa tunnetuista faktoista ote lisää tietoa yksikkö se saavuttaa tavoite käyttäen päättelysääntö | se alkaa tavoite ja toimii taaksepäin kautta päättelysäännöt löytää tarvittavat tosiasiat, jotka tukevat tavoite. | |
| alhaalta ylös-lähestyminen | ylhäältä alas-lähestyminen | |
| tunnetaan Datalähtöisenä lähestymistapana, koska käytämme annettua dataa tavoitteiden saavuttamiseen | tunnetaan päämäärälähtöisenä lähestymistapana, koska käytämme annettua tavoitetta saavuttaaksemme tavoitteita tukevat faktat | |
| 4 | soveltaa leveys – ensimmäinen haku strategia | soveltaa syvyys – ensimmäinen haku strategia |
| 5 | kaikkien saatavilla olevien sääntöjen testit | vain tiettyjen annettujen ja valittujen sääntöjen testit |
| 6 | soveltuu suunnitteluun, seurantaan, ohjaukseen ja tulkintasovellukseen. | soveltuu diagnostiikkaan, lääkemääräyksiin ja vianetsintään. |
| voi tuottaa äärettömän määrän mahdollisia päätelmiä | voi tuottaa äärellisen määrän mahdollisia päätelmiä ja ehtoja | |
| toimii eteenpäin | toimii taaksepäin | |
| 9 | eteenpäin kahlitseminen tähtää mihin tahansa lopputulokseen. | taaksepäin ketjuttaminen on suunnattu vain vaadittaville tiedoille. |
nyt kun tiedät Rajapintamoottoreiden toiminnan ja tarkat roolit eteen-ja taaksepäin Ketjuttamisessa, voit hemmotella itseäsi joihinkin ongelmanratkaisuun ja saada paremman käsityksen tekoälyn ”aboutsista ja rooleista”!
Great Learningin eksklusiiviset kurssit tekoälystä ja koneoppimisesta voivat varmasti auttaa siinä.