Abbiamo creato Intelligenza Artificiale come un modo per amplificare l’intelligenza umana e di promuovere la crescita, come mai prima. L’IA può aiutarci a risolvere numerosi problemi di varia complessità.
Uno di questi tipi di problema è il caso in cui si devono prevedere i risultati utilizzando il pool di conoscenze specificato. Qui, viene fornita la base di conoscenza e usando regole logiche e ragionamenti, si deve prevedere il risultato.
Questi problemi vengono solitamente risolti utilizzando i motori di Inferenza, che utilizzano le loro due modalità speciali: Backward Chaining e Forward Chaining.
Mentre procediamo, diamo uno sguardo dettagliato a entrambi i processi di concatenamento utilizzati nell’Intelligenza Artificiale.
Che cos’è un motore di inferenza?
Un motore di inferenza è uno strumento di Intelligenza artificiale che viene utilizzato come componente del sistema per dedurre nuove informazioni da una base di conoscenza utilizzando regole logiche e ragionamento. I primi motori di inferenza erano una parte di sistemi esperti in AI. Come affermato in precedenza, i motori di inferenza prevedono i risultati con il pool di dati già esistente, analizzandoli in modo completo e utilizzando il ragionamento logico per prevedere i risultati.
Scopri gli algoritmi AI come un algoritmo di ricerca*.
Questo stesso processo sarebbe ripetuto come nuovi fatti sarebbero scoperti e questo renderebbe il motore di inferenza innescare regole aggiuntive per i suoi risultati. Dopo alcune esecuzioni del motore di inferenza, è stato notato che i motori di inferenza funzionano in uno dei due modi, basati su obiettivi o basati su fatti, che in seguito sono stati conosciuti come forwarding chaining e backward chaining.
Il concatenamento in avanti viene fornito con fatti noti e itera il processo per trovare nuovi fatti mentre il concatenamento all’indietro inizia con gli obiettivi e lavora all’indietro per determinare quali condizioni sarebbero necessarie per raggiungere gli obiettivi dati.
Esempi riguardanti le regole di inferenza
Diamo un’occhiata ad alcuni semplici esempi per aiutarti a distinguere tra entrambi gli insiemi di regole di inferenza.
Regole di inferenza
- Regola di inferenza deduttiva:
Concatenamento in avanti: concludere da ” A “e” A implica B ” a “B”.
A
A- > B
B
Esempio:
Piove.
Se piove, la strada è bagnata.
La strada è bagnata.
- Regola di inferenza abduttiva:
Concatenamento all’indietro: concludere da ” B “e” A implica B “a”A”.
B
A- > B
A
Esempio:
La strada è bagnata.
Se piove, la strada è bagnata.
Piove.
Forward Chaining
Forward Chaining è uno dei due principali metodi di inferenza motore che utilizza il processo logico di inferire verità sconosciute per trovare una soluzione dal noto insieme di dati utilizzando determinate condizioni e regole.
Puoi dire che compiti generalmente complessi possono essere ridotti in più compiti più semplici che vengono eseguiti contemporaneamente o in sequenza, proprio come una catena o un concatenamento è un metodo efficace per insegnare abilità e processi complessi utilizzando più passaggi.
Come approccio logico basato sui dati e bottom-up, il concatenamento in avanti inizia da fatti e condizioni noti, quindi progredisce verso la conclusione logica usando le istruzioni if-then. Quindi queste condizioni e regole vengono applicate al problema fino a quando non vengono lasciate altre situazioni applicabili o il limite è stato raggiunto. Forward Concatenamento cerca qualsiasi soluzione e può venire con un numero infinito di possibili conclusioni.
Scopri i sistemi esperti in AI
Forward Chaining in AI
L’approccio lungimirante viene utilizzato in AI per aiutare un agente AI a risolvere problemi logici ispezionando i dati degli insegnamenti precedenti e giungendo quindi a una conclusione piena di soluzioni. Non è tutto, Forward Chaining potrebbe anche essere utilizzato per esplorare le informazioni disponibili o rispondere a una domanda o risolvere un problema. Il concatenamento in avanti è ampiamente utilizzato per abbattere un approccio logico lungo e complesso collegando ogni passaggio una volta completato il precedente. In questo modo, va dall’inizio alla fine con relativa facilità.
Passi per il lavoro del concatenamento di inoltro
- Passo 1: Partiamo dai fatti già dichiarati, e quindi, sceglieremo successivamente i fatti che non hanno alcuna implicazione.
- Passo 2: Ora, dichiareremo quei fatti che possono essere dedotti dai fatti disponibili con premesse soddisfatte.
- Passo 3: Nel passo 3 possiamo controllare la dichiarazione data che deve essere controllata e verificare se è soddisfatta della sostituzione che deduce tutti i fatti precedentemente dichiarati. Così raggiungiamo il nostro obiettivo.
Facciamo un esempio per renderlo più comprensibile a te.
“Secondo la legge, è un crimine per un americano vendere armi a nazioni ostili. Il paese A, un nemico dell’America, ha alcuni missili, e tutti i missili sono stati venduti da Robert, che è un cittadino americano.”
Dimostrare che ” Robert è un criminale.”
Passo 1: Qui vengono indicati tutti i fatti dichiarati che non hanno alcuna implicazione.
Passo 2: Scegliamo i fatti che possono essere dedotti dai fatti disponibili con premesse soddisfatte.
Step 3: Nel passaggio 3 possiamo controllare la dichiarazione data che deve essere controllata e verificare se è soddisfatta della sostituzione che deduce tutti i fatti precedentemente dichiarati. Così raggiungiamo il nostro obiettivo.
Quindi si può dimostrare che Robert era il criminale.
Backward Chaining
Backward Chaining è un processo logico per determinare fatti sconosciuti da soluzioni note spostandosi all’indietro da soluzioni note per determinare le condizioni e le regole iniziali.
Ciò significa che il Backward Chaining è un approccio di ragionamento dall’alto verso il basso che parte dalle conclusioni e poi torna verso le condizioni che è stato dedotto dall’uso dell’approccio depth-first. In breve, ciò significa che il concatenamento all’indietro ripercorre il codice e applica la logica per determinare quale delle seguenti azioni avrebbe causato il risultato.
Backward Chaining in AI
L’approccio Backward Chaining viene utilizzato in AI per trovare le condizioni e le regole a causa delle quali è stato raggiunto un particolare risultato logico o conclusione. Le applicazioni reali del Backward Chaining includono l’uso per trovare informazioni riguardanti conclusioni e soluzioni nelle pratiche di reverse engineering e nelle applicazioni di teoria dei giochi.
Alcune altre applicazioni di Backward Chaining includono strumenti di dimostrazione automatica del teorema, motori di inferenza, assistenti di prova e altre applicazioni di intelligenza artificiale.
Passi di lavoro per Backward Chaining
- Passo 1. Nel primo passo, prenderemo il Fatto Obiettivo e dal fatto obiettivo, ricaveremo altri fatti che dimostreremo veri.
- Passo 2: Ricaveremo altri fatti dai fatti degli obiettivi che soddisfano le regole
- Passo 3: Al passo-3, estrarremo ulteriori fatti che deducono dai fatti inferiti nel passo 2.
- Passo 4: Ripeteremo lo stesso fino ad arrivare a un certo fatto che soddisfi le condizioni.
Prendiamo lo stesso esempio di Forward Chaining, per dimostrare questa volta che Robert è il criminale.
Passo 1:
Nel primo passo, prenderemo il Fatto Obiettivo e dal fatto obiettivo, ricaveremo altri fatti che dimostreremo veri.
Passaggio 2:
Nel secondo passaggio, deriveremo altri fatti dai fatti degli obiettivi che soddisfano le regole
Passaggio 3: Al passaggio 3, estrarremo ulteriori fatti che deducono dai fatti dedotti nel passaggio 2.
Passo 4: Ripeteremo lo stesso fino ad arrivare a un certo fatto che soddisfi le condizioni.
Step 5:
Una volta che tutti i fatti e le condizioni sono state derivate, il processo di iterazione si arresta.
Differenza tra Forward Chaining e Backward Chaining
| S No | Forward Chaining | Backward Chaining |
| Si parte da fatti noti estratto di ulteriori unità di dati che non raggiunge l’obiettivo utilizzando la regola di inferenza | Si parte dall’obiettivo e lavora a ritroso attraverso le regole di inferenza per trovare la necessaria fatti che supportano l’obiettivo. | |
| Approccio Bottom-up | Approccio Top-Down | |
| Noto come approccio basato sui Dati come utilizziamo i dati per raggiungere gli obiettivi | Conosciuto come obiettivo approccio, perché usiamo l’obiettivo dato per raggiungere i fatti che supportano gli obiettivi | |
| 4 | si Applica una ricerca breadth-first strategia | Applica una ricerca prima di profondità strategia |
| 5 | Test per tutte le regole | test Solo per alcune date e regole selezionate |
| 6 | Adatto per la pianificazione, il monitoraggio, il controllo e l’applicazione di interpretazione. | Adatto ad applicazione diagnostica, di prescrizione e di ricerca degli errori. |
| in Grado di generare un numero infinito di possibili conclusioni | in Grado di generare un numero finito di possibili conclusione di fatti e condizioni | |
| Opera in Direzione Avanti | Opera in Direzione contraria | |
| 9 | Forward Chaining è rivolto a qualsiasi conclusione. | Il concatenamento all’indietro è finalizzato solo ai dati richiesti. |
Ora che conoscete il funzionamento dei motori di interfaccia e i ruoli esatti del concatenamento avanti e indietro, potete indulgere in qualche soluzione di problemi e ottenere una migliore comprensione delle “informazioni e dei ruoli” dell’IA!
I corsi esclusivi di Great Learning sull’intelligenza artificiale e l’apprendimento automatico possono sicuramente aiutarti a farlo.