mesterséges intelligenciát hoztunk létre az emberi intelligencia erősítésére és a növekedés előmozdítására, mint még soha. Az AI számos, különböző összetettségű probléma megoldásában segíthet.
az egyik ilyen típusú probléma az az eset, amikor az adott tudáskészlet felhasználásával meg kell jósolni az eredményeket. Itt a tudásbázist adják meg, és logikai szabályok és érvelés segítségével meg kell jósolni az eredményt.
ezeket a problémákat általában következtető motorokkal oldják meg, amelyek két speciális módjukat használják: hátra láncolás és előre láncolás.
ahogy haladunk, vessünk egy részletes pillantást a mesterséges intelligenciában használt láncolási folyamatokra.
mi a következtetési Motor?
a következtetési motor a mesterséges intelligencia eszköze, amelyet a rendszer részeként használnak, hogy logikai szabályok és érvelés segítségével új információkat vonjanak le a tudásbázisból. Az első következtető motorok az AI szakértői rendszereinek részét képezték. Amint azt korábban említettük, a következtetési motorok a már meglévő adatállományból előre jelzik az eredményeket, átfogóan elemezve azokat, és logikai érveléssel megjósolva az eredményeket.
Tudjon meg többet az AI algoritmusokról, mint például a* keresési algoritmus.
ugyanez a folyamat megismétlődne, amikor új tényeket fedeznének fel, és ez a következtetési motor további szabályokat indítana el megállapításaira. A következtető motor néhány futása után észrevették, hogy a következtető motorok a két módszer egyikében működnek, akár célok, akár tények alapján, amelyek később továbbító láncolásnak és hátra láncolásnak váltak ismertté.
az előre láncolás ismert tényekkel jár, és megismétli a folyamatot, hogy új tényeket találjon, míg a hátra láncolás a célokkal kezdődik, és visszafelé működik, hogy meghatározza, milyen feltételek szükségesek az adott célok eléréséhez.
példák a következtetési szabályokra vonatkozóan
vessünk egy pillantást néhány egyszerű példára, amelyek segítenek megkülönböztetni a következtetési szabályok mindkét halmazát.
következtetési szabályok
- deduktív következtetési szabály:
előre láncolás: következtetés az “A” – ból, az “A” pedig B-t jelent “B” – re.
A
A -> B
B
példa:
esik az eső.
ha esik az eső, az utca nedves.
az utca nedves.
- Abduktív következtetési szabály:
hátrafelé láncolás: a következtetés A “B” – ből, az “A” pedig B-t jelent az “A” – hoz.
B
A -> B
A
példa:
az utca nedves.
ha esik az eső, az utca nedves.
esik az eső.
előremenő láncolás
az előremenő láncolás a következtetési motor két fő módszerének egyike, amely az ismeretlen igazságok következtetésének logikai folyamatát használja, hogy megoldást találjon az ismert adathalmazból meghatározott feltételek és szabályok alkalmazásával.
azt mondhatjuk, hogy az általában összetett feladatok több egyszerűbb feladatra redukálhatók, amelyeket egyszerre vagy egymás után hajtanak végre, csakúgy, mint egy lánc vagy láncolás hatékony módszer az összetett készségek és folyamatok több lépésben történő tanítására.
adatvezérelt és alulról felfelé építkező logikai megközelítésként az előremenő láncolás ismert tényekből és Feltételekből indul ki, majd az if-then állításokkal halad a logikai következtetés felé. Ezután ezeket a feltételeket és szabályokat alkalmazzák a problémára, amíg nem maradnak további alkalmazandó helyzetek, vagy el nem érik a határértéket. Az előre láncolás bármilyen megoldást keres, és végtelen számú lehetséges következtetést vonhat le.
Tudjon meg többet a szakértői rendszerekről az AI-ben
előre láncolás az AI-ben
az előremutató megközelítést az AI-ben használják, hogy segítsen egy AI-ügynöknek logikai problémák megoldásában azáltal, hogy megvizsgálja az előző tanulások adatait, majd megoldásokkal teli következtetésre jut. Ez még nem minden, az előremenő láncolás felhasználható a rendelkezésre álló információk feltárására, egy kérdés megválaszolására vagy egy probléma megoldására. Előre láncolás széles körben használják, hogy lebontják a hosszú és összetett logikai megközelítés csatolásával minden lépést, ha az előző befejeződött. Így viszonylag könnyedén megy az elejétől a végéig.
a továbbítási láncolás működésének lépései
- 1.lépés: a már megadott tényekből indulunk ki, majd később kiválasztjuk azokat a tényeket, amelyeknek egyáltalán nincs következménye.
- 2. lépés: most bemutatjuk azokat a tényeket, amelyekre a rendelkezésre álló tényekből következtethetünk elégedett helyiségekkel.
- 3.lépés: a 3. lépésben ellenőrizhetjük az adott állítást, amelyet ellenőrizni kell, és ellenőrizhetjük, hogy elégedett-e a helyettesítéssel, amely az összes korábban megadott tényt levonja. Így elérjük a célunkat.
Vegyünk egy példát, hogy érthetőbbé tegyük az Ön számára.
“a törvény szerint bűncselekmény, ha egy amerikai fegyvereket ad el ellenséges nemzeteknek. Az a ország, Amerika ellensége, rendelkezik néhány rakétával, és az összes rakétát Robert adta el neki, aki amerikai állampolgár.”
Bizonyítsuk be, hogy “Robert bűnöző.”
1.lépés: itt minden olyan tény szerepel, amelynek egyáltalán nincs következménye.
2. lépés: A rendelkezésre álló tényekből kikövetkeztethető tényeket elégedett helyiségekkel választjuk ki.
3.lépés: a 3. lépésben ellenőrizhetjük az adott állítást, amelyet ellenőrizni kell, és ellenőrizhetjük, hogy elégedett-e a helyettesítéssel, amely az összes korábban megadott tényt levonja. Így elérjük a célunkat.
ezért bizonyítható, hogy Robert volt a bűnöző.
hátrameneti láncolás
a hátrameneti láncolás az ismert megoldásokból származó ismeretlen tények meghatározásának logikus folyamata azáltal, hogy az ismert megoldásokból visszafelé haladva meghatározza a kezdeti feltételeket és szabályokat.
ez azt jelenti, hogy a hátrafelé láncolás egy felülről lefelé irányuló érvelési megközelítés, amely következtetésekből indul ki, majd visszatér azokhoz a feltételekhez, amelyekre a mélység-első megközelítés. Röviden, ez azt jelenti, hogy a visszafelé láncolás a kódon keresztül vezet vissza, és logikát alkalmaz annak meghatározására, hogy az alábbi műveletek közül melyik okozhatta az eredményt.
hátrafelé láncolás az AI-ben
A hátrafelé láncolás megközelítést használják az AI-ben, hogy megtalálják azokat a feltételeket és szabályokat, amelyek miatt egy adott logikai eredmény vagy következtetés született. A visszafelé láncolás valós alkalmazásai közé tartozik a következtetésekkel és megoldásokkal kapcsolatos információk megtalálása a fordított mérnöki gyakorlatokban, valamint a játékelméleti alkalmazásokban.
néhány más alkalmazások hátra láncolás közé tartozik az automatizált tétel bizonyító eszközök, következtetés motorok, bizonyítási asszisztensek és más mesterséges intelligencia alkalmazások.
lépések a munka hátra láncolás
- 1.lépés. Az első lépésben a cél tényét vesszük, és a cél tényből más tényeket vezetünk le, amelyek igaznak bizonyulnak.
- 2. lépés: más tényeket levezetünk a szabályoknak megfelelő céltényezőkből
- 3.lépés: a 3. lépésben további tényeket vonunk le, amelyek a 2. lépésben levont tényekből következtetnek.
- 4.lépés: megismételjük ugyanezt, amíg el nem érünk egy bizonyos tényt, amely megfelel a feltételeknek.
vegyük ugyanazt a példát, mint az előre láncolás során, hogy ezúttal bebizonyítsuk, hogy Robert a bűnöző.
1.lépés:
az első lépésben vesszük a cél tényt, és a cél tényéből más tényeket fogunk levezetni, amelyek igaznak bizonyulnak.
2. lépés:
a második lépésben más tényeket vezetünk le a szabályoknak megfelelő céltényezőkből
3. lépés: A 3. lépésben további tényeket vonunk le, amelyek a 2.lépésben levezetett tényekből következtetnek.
4. lépés: ugyanezt ismételjük meg, amíg el nem érünk egy bizonyos tényt, amely megfelel a feltételeknek.
5.lépés:
Miután az összes tény és feltétel levezetésre került, az iterációs folyamat leáll.
különbség az előre és hátra láncolás között
| S-szám | előre láncolás | hátra láncolás |
| az ismert tényekből indul ki több adategység kinyerése a célhoz a | következtetési szabály segítségével a célból indul, és visszafelé halad a következtetési szabályokon keresztül, hogy megtalálja a célt alátámasztó szükséges tényeket. | |
| alulról felfelé irányuló megközelítés | felülről lefelé irányuló megközelítés | |
| adatvezérelt megközelítésként ismert, mivel megadott adatokat használunk a célok eléréséhez | célvezérelt megközelítésként ismert, mert a megadott célt használjuk a célokat alátámasztó tények elérésére | |
| 4 | szélesség-első keresési stratégiát alkalmaz | mélység-első keresési stratégiát alkalmaz |
| 5 | vizsgálatok az összes rendelkezésre álló szabályok | csak tesztek bizonyos adott és kiválasztott szabályok |
| 6 | alkalmas tervezési, felügyeleti, ellenőrzési és értelmezési alkalmazásokhoz. | alkalmas diagnosztikai, vényköteles és hibakeresési alkalmazásokhoz. |
| végtelen számú lehetséges következtetést generálhat | véges számú lehetséges következtetést és feltételt generálhat | |
| előrefelé működik | hátrafelé működik | |
| 9 | az előremenő láncolás bármilyen következtetésre irányul. | hátra láncolás célja csak a szükséges adatokat. |
most, hogy ismeri az interfész motorok működését és az előre és hátra láncolás pontos szerepét, megengedheti magának, hogy problémamegoldást végezzen, és jobban megértse az AI “aboutjait és szerepeit”!
a Great Learning exkluzív tanfolyamai a mesterséges intelligenciáról és a gépi tanulásról határozottan segíthetnek ebben.