Nous avons créé l’intelligence artificielle comme un moyen d’amplifier l’intelligence humaine et de promouvoir la croissance comme jamais auparavant. L’IA peut nous aider à résoudre de nombreux problèmes de complexité variable.
Un tel type de problème est le cas où l’on doit prédire les résultats en utilisant le pool de connaissances donné. Ici, la base de connaissances est donnée et en utilisant des règles logiques et un raisonnement, il faut prédire le résultat.
Ces problèmes sont généralement résolus à l’aide de Moteurs d’inférence, qui utilisent leurs deux modes spéciaux: Chaînage arrière et Chaînage Avant.
Au fur et à mesure que nous progressons, examinons en détail les processus de chaînage utilisés en Intelligence artificielle.
Qu’est-ce qu’un moteur d’inférence ?
Un moteur d’inférence est un outil d’intelligence artificielle utilisé comme composant du système pour déduire de nouvelles informations à partir d’une base de connaissances en utilisant des règles logiques et un raisonnement. Les tout premiers moteurs d’inférence faisaient partie des systèmes experts en IA. Comme indiqué précédemment, les moteurs d’inférence prédisent les résultats avec le pool de données déjà existant, en les analysant de manière exhaustive et en utilisant un raisonnement logique pour prédire les résultats.
En savoir plus sur les algorithmes d’IA comme un algorithme de recherche *.
Ce même processus serait répété à mesure que de nouveaux faits seraient découverts, ce qui obligerait le moteur d’inférence à déclencher des règles supplémentaires pour ses conclusions. Après quelques exécutions du moteur d’inférence, il a été remarqué que les moteurs d’inférence fonctionnaient de l’une des deux manières, soit en fonction d’objectifs, soit en fonction de faits, ce qui a ensuite été connu sous le nom de chaînage de transfert et de chaînage arrière.
Le chaînage en avant est livré avec des faits connus et itère le processus pour trouver de nouveaux faits tandis que le chaînage en arrière commence par des objectifs et fonctionne en arrière pour déterminer quelles conditions seraient nécessaires pour atteindre les objectifs donnés.
Exemples concernant les règles d’inférence
Jetons un coup d’œil à quelques exemples simples pour vous aider à différencier les deux ensembles de règles d’inférence.
Règles d’inférence
- Règle d’inférence déductive:
Chaînage vers l’avant: Conclure de « A » et « A implique B » à « B ».
A
A- > B
B
Exemple:
Il pleut.
S’il pleut, la rue est mouillée.
La rue est mouillée.
- Règle d’inférence abductive:
Chaînage en arrière: Conclure de « B » et « A implique B » à « A ».
B
A – >B
A
Exemple:
La rue est mouillée.
S’il pleut, la rue est mouillée.
Il pleut.
Chaînage direct
Le chaînage direct est l’une des deux principales méthodes du moteur d’inférence qui utilise le processus logique d’inférer des vérités inconnues pour trouver une solution à partir de l’ensemble de données connu en utilisant des conditions et des règles déterminées.
Vous pouvez dire que les tâches généralement complexes peuvent être réduites en plusieurs tâches plus simples qui sont exécutées simultanément ou séquentiellement, tout comme une chaîne ou un chaînage est une méthode efficace d’enseignement des compétences et des processus complexes en plusieurs étapes.
En tant qu’approche logique basée sur les données et ascendante, le chaînage direct commence à partir de faits et de conditions connus, puis progresse vers la conclusion logique en utilisant des instructions if-then. Ensuite, ces conditions et règles sont appliquées au problème jusqu’à ce qu’il ne reste plus de situations applicables ou que la limite ait été atteinte. Le chaînage en avant recherche toutes les solutions et peut aboutir à un nombre infini de conclusions possibles.
En savoir plus sur les systèmes experts en IA
Chaînage direct en IA
L’approche avant-gardiste est utilisée en IA pour aider un agent d’IA à résoudre des problèmes logiques en inspectant les données des apprentissages précédents, puis en arrivant à une conclusion pleine de solutions. Ce n’est pas tout, le chaînage vers l’avant pourrait aussi bien être utilisé pour explorer les informations disponibles ou répondre à une question ou résoudre un problème. Le chaînage vers l’avant est largement utilisé pour décomposer une approche logique longue et complexe en attachant chaque étape une fois la précédente terminée. De cette façon, cela va du début à la fin avec une relative facilité.
Étapes pour le travail du chaînage de transfert
- Étape 1: Nous partons des faits déjà énoncés, puis nous choisirons ensuite les faits qui n’ont aucune incidence.
- Étape 2: Maintenant, nous allons énoncer les faits qui peuvent être déduits des faits disponibles avec des prémisses satisfaites.
- Étape 3: À l’étape 3, nous pouvons vérifier l’énoncé donné qui doit être vérifié et vérifier s’il est satisfait de la substitution qui déduit tous les faits énoncés précédemment. Ainsi, nous atteignons notre objectif.
Prenons un exemple pour le rendre plus compréhensible pour vous.
« Selon la loi, c’est un crime pour un Américain de vendre des armes à des nations hostiles. Le pays A, un ennemi de l’Amérique, a des missiles, et tous les missiles lui ont été vendus par Robert, qui est un citoyen américain. »
Prouvent que » Robert est un criminel. »
Étape 1: Ici sont énoncés tous les faits énoncés qui n’ont aucune incidence.
Étape 2: Nous choisissons les faits qui peuvent être déduits des faits disponibles avec des prémisses satisfaites.
Étape 3: À l’étape 3, nous pouvons vérifier l’instruction donnée qui doit être vérifiée et vérifier si elle est satisfaite de la substitution qui déduit tous les faits énoncés précédemment. Ainsi, nous atteignons notre objectif.
Il peut donc être prouvé que Robert était le criminel.
Chaînage en arrière
Le chaînage en arrière est un processus logique de détermination de faits inconnus à partir de solutions connues en reculant à partir de solutions connues pour déterminer les conditions et règles initiales.
Cela signifie que le chaînage en arrière est une approche de raisonnement descendante qui part des conclusions et remonte ensuite vers les conditions déduites de l’utilisation de l’approche de la profondeur d’abord. En bref, cela signifie que le chaînage arrière remonte à travers le code et applique une logique pour déterminer laquelle des actions suivantes aurait provoqué le résultat.
Chaînage en arrière dans AI
L’approche de chaînage en arrière est utilisée dans AI pour trouver les conditions et les règles à cause desquelles un résultat logique ou une conclusion particulière a été atteint. Les applications réelles du chaînage arrière incluent l’utilisation pour trouver des informations concernant les conclusions et les solutions dans les pratiques de rétro-ingénierie ainsi que les applications de la théorie des jeux.
Certaines autres applications du chaînage arrière incluent des outils automatisés de démonstration de théorème, des moteurs d’inférence, des assistants de preuve et d’autres applications d’intelligence artificielle.
Étapes de travail pour le chaînage arrière
- Étape 1. Dans la première étape, nous prendrons le fait du But et à partir du fait du but, nous dériverons d’autres faits que nous prouverons vrais.
- Étape 2: Nous dériverons d’autres faits de faits objectifs qui satisfont aux règles
- Étape 3: À l’étape 3, nous extrairons d’autres faits qui déduisent des faits déduits à l’étape 2.
- Étape 4: Nous répéterons la même chose jusqu’à ce que nous arrivions à un certain fait qui satisfait les conditions.
Prenons le même exemple que celui pris dans le chaînage avancé, pour prouver cette fois que Robert est le criminel.
Étape 1:
Dans la première étape, nous prendrons le fait du but et à partir du fait du but, nous dériverons d’autres faits que nous prouverons vrais.
Étape 2:
Dans la deuxième étape, nous dériverons d’autres faits de faits objectifs qui satisfont aux règles
Étape 3: À l’étape 3, nous allons extraire d’autres faits qui déduisent des faits déduits à l’étape 2.
Étape 4: Nous répéterons la même chose jusqu’à ce que nous arrivions à un certain fait qui satisfait les conditions.
Étape 5:
Une fois que tous les faits et conditions ont été dérivés, le processus d’itération s’arrête.
Différence entre Chaînage avant et Chaînage arrière
| S No | Chaînage avant | Chaînage arrière |
| Il commence à partir de faits connus extraire plus d’unité de données qu’il atteint à l’objectif en utilisant la règle d’inférence | Il commence à partir de l’objectif et travaille en arrière grâce à des règles d’inférence pour trouver les faits requis qui soutiennent l’objectif. | |
| Approche ascendante | Approche descendante | |
| Connue sous le nom d’approche axée sur les données car nous utilisons des données données pour atteindre les objectifs | Connue sous le nom d’approche axée sur les objectifs parce que nous utilisons l’objectif donné pour atteindre les faits qui soutiennent les objectifs | |
| 4 | Applique une stratégie de recherche en profondeur d’abord | Applique une stratégie de recherche en profondeur d’abord |
| 5 | Tests pour toutes les règles disponibles | Tests uniquement pour certaines règles données et sélectionnées |
| 6 | Convient pour la planification, la surveillance, le contrôle et l’application d’interprétation. | Convient aux applications de diagnostic, de prescription et de débogage. |
| Peut générer un nombre infini de conclusions possibles | Peut générer un nombre fini de faits et de conditions de conclusion possibles | |
| Fonctionne dans le sens Avant | Fonctionne dans le sens Arrière | |
| 9 | Le chaînage vers l’avant vise toute conclusion. | Le chaînage arrière vise uniquement les données requises. |
Maintenant que vous connaissez le fonctionnement des Moteurs d’interface et les rôles exacts du Chaînage en avant et en arrière, vous pouvez vous adonner à la résolution de problèmes et mieux comprendre les « atouts et les rôles » de l’IA!
Les cours exclusifs de Great Learning sur l’Intelligence Artificielle et l’Apprentissage automatique peuvent certainement vous aider à le faire.