Wij hebben geschapen Kunstmatige Intelligentie als een manier om het versterken van de menselijke intelligentie en het bevorderen van de groei als nooit tevoren. AI kan ons helpen bij het oplossen van tal van problemen van verschillende complexiteit.
een dergelijk probleem is het geval wanneer men de resultaten moet voorspellen met behulp van de gegeven pool van kennis. Hier wordt de kennisbasis gegeven en met behulp van logische regels en redeneringen moet men de uitkomst voorspellen.
deze problemen worden meestal opgelost met behulp van Inferentiemotoren, die hun twee speciale modi gebruiken: achterwaartse en voorwaartse ketting.
naarmate we verder gaan, laten we een gedetailleerde blik werpen op beide ketenprocessen die in artificiële intelligentie worden gebruikt.
Wat is een Inferentiemotor?
een Inferentiemotor is een hulpmiddel van kunstmatige intelligentie dat wordt gebruikt als onderdeel van het systeem om nieuwe informatie uit een kennisbasis af te leiden met behulp van logische regels en redenering. De allereerste Inferentiemotoren maakten deel uit van expert systems in AI. Zoals eerder vermeld, Inference Engines voorspellen resultaten met de reeds bestaande pool van gegevens, uitgebreid analyseren en met behulp van logische redeneren om de resultaten te voorspellen.
leer meer over AI-algoritmen zoals een * zoekalgoritme.
dit zelfde proces zou worden herhaald wanneer nieuwe feiten zouden worden ontdekt en dit zou ervoor zorgen dat de inferentiemotor extra regels voor zijn bevindingen zou uitlokken. Na enkele runs van de inference engine, werd opgemerkt dat Inference Engines werkt op een van de twee manieren, hetzij op basis van doelen of op basis van feiten, die later bekend kwam te staan als forwarding chaining en backward chaining.
voorwaartse chaining komt met bekende feiten en herhaalt het proces om nieuwe feiten te vinden, terwijl achterwaartse chaining begint met doelen en achterwaarts werkt om te bepalen welke voorwaarden nodig zijn om de gegeven doelen te bereiken.
voorbeelden met betrekking tot inferentieregels
laten we eens kijken naar enkele eenvoudige voorbeelden om u te helpen onderscheid te maken tussen beide sets van inferentieregels.
inferentieregels
- deductieve inferentieregel:
voorwaartse Chaining: concludeer van ” A “en” A impliceert B “naar ” B”.
A
A – > B
B
voorbeeld:
het regent.
als het regent, is de straat nat.
de straat is nat.
- Abductive inference rule:
achterwaartse Chaining: concludeer van ” B ” en “A impliceert B” tot “A”.
B
A – > B
A
voorbeeld:
de straat is nat.
als het regent, is de straat nat.
het regent.
Forward Chaining
Forward Chaining is een van de twee belangrijkste methoden van gevolgtrekking die het logische proces van het afleiden van onbekende waarheden gebruikt om een oplossing te vinden uit de bekende reeks gegevens met behulp van bepaalde voorwaarden en regels.
u kunt zeggen dat over het algemeen complexe taken kunnen worden gereduceerd tot meerdere eenvoudigere taken die gelijktijdig of opeenvolgend worden uitgevoerd, net zoals een keten of keten een effectieve methode is om complexe vaardigheden en processen te onderwijzen met behulp van meerdere stappen.
als een zowel data-gestuurde als bottom-up logische benadering, begint forward chaining vanuit bekende feiten en omstandigheden, en gaat vervolgens verder naar logische conclusie met behulp van if-then statements. Dan worden deze Voorwaarden en regels toegepast op het probleem totdat er geen verdere toepasselijke situaties meer over zijn of de limiet is bereikt. Forward Chaining zoekt naar oplossingen en kan komen met een oneindig aantal mogelijke conclusies.
leer meer over expertsystemen in AI
Forward Chaining in AI
de toekomstgerichte benadering wordt gebruikt in AI om een AI-agent te helpen logische problemen op te lossen door de gegevens van de vorige lessen te inspecteren en vervolgens tot een conclusie te komen vol oplossingen. Dat is niet alles, Forward Chaining kan net zo goed worden gebruikt om de beschikbare informatie te verkennen of een vraag te beantwoorden of een probleem op te lossen. Forward chaining wordt uitgebreid gebruikt om een lange en complexe logische aanpak af te breken door elke stap te bevestigen zodra de vorige is voltooid. Op deze manier gaat het van begin tot eind met relatief gemak.
stappen voor het doorsturen van Ketting
- Stap 1: We beginnen met de reeds vermelde feiten, en dan zullen we vervolgens de feiten kiezen die helemaal geen implicaties hebben.
- Stap 2: nu zullen we de feiten vermelden die kunnen worden afgeleid uit de beschikbare feiten met tevreden premissen.
- Stap 3: in Stap 3 kunnen we de gegeven verklaring controleren die moet worden gecontroleerd en controleren of het tevreden is met de substitutie die alle eerder vermelde feiten oplevert. Zo bereiken we ons doel.
laten we een voorbeeld nemen om het begrijpelijker voor u te maken.Volgens de wet is het een misdaad voor een Amerikaan om wapens te verkopen aan vijandige Naties. Land A, een vijand van Amerika, heeft enkele raketten, en alle raketten werden aan hem verkocht door Robert, die een Amerikaans staatsburger is.”
bewijzen dat Robert een crimineel is.”
Stap 1: Hier worden alle vermelde feiten vermeld die helemaal geen gevolgen hebben.
Stap 2: We kiezen de feiten die kunnen worden afgeleid uit de beschikbare feiten met tevreden premissen.
Stap 3: in Stap 3 kunnen we de gegeven verklaring controleren die moet worden gecontroleerd en controleren of ze tevreden is met de substitutie die alle eerder vermelde feiten afleidde. Zo bereiken we ons doel.
daarom kan worden bewezen dat Robert de crimineel was.
achterwaartse ketting
achterwaartse ketting is een logisch proces om onbekende feiten uit bekende oplossingen te bepalen door terug te gaan van bekende oplossingen om de initiële voorwaarden en regels te bepalen.
dit betekent dat achterwaartse Chaining een top-down redeneerbenadering is die uitgaat van conclusies en vervolgens terugkeert naar de omstandigheden die werden afgeleid uit de depth-first-benadering. Kortom, dit betekent dat achterwaartse Chaining traceert terug door de code en past logica toe om te bepalen welke van de volgende acties het resultaat zou hebben veroorzaakt.
achterwaartse Chaining in AI
de achterwaartse Chaining benadering wordt gebruikt in AI om de Voorwaarden en regels te vinden waardoor een bepaald logisch resultaat of conclusie werd bereikt. Real-life toepassingen van Backward Chaining omvatten gebruik om informatie te vinden met betrekking tot conclusies en oplossingen in reverse engineering praktijken evenals speltheorie toepassingen.
enkele andere toepassingen van achterwaartse Kettingvorming zijn geautomatiseerde theorem proving tools, inference engines, proof assistants en andere toepassingen van kunstmatige intelligentie.
stappen van werken voor achterwaartse ketting
- Stap 1. In de eerste stap nemen we het doel feit en uit het doel feit, zullen we andere feiten afleiden die we waar zullen bewijzen.
- Stap 2: We zullen andere feiten afleiden uit doelfeiten die voldoen aan de regels
- Stap 3: in Stap-3 zullen we verdere feiten extraheren uit feiten die in Stap 2 worden afgeleid.
- Stap 4: We zullen hetzelfde herhalen totdat we tot een bepaald feit komen dat aan de voorwaarden voldoet.
laten we hetzelfde voorbeeld nemen als In Forward Chaining, om dit keer te bewijzen dat Robert de crimineel is.
Stap 1:
in de eerste stap nemen we het doel feit en uit het doel feit, zullen we andere feiten afleiden die we waar zullen blijken.
Stap 2:
in de tweede stap zullen we andere feiten afleiden uit doelfeiten die voldoen aan de regels
Stap 3: Bij stap-3, zullen we extraheren verdere feiten die afgeleid uit feiten afgeleid in Stap 2.
Stap 4: We zullen hetzelfde herhalen totdat we tot een bepaald feit komen dat aan de voorwaarden voldoet.
Stap 5:
zodra alle feiten en voorwaarden zijn afgeleid, stopt het iteratieproces.
Verschil tussen Forward Chaining en Backward Chaining
| S No | Forward Chaining | Backward Chaining |
| Het gaat uit van bekende feiten halen meer data unit reikt tot aan het doel dat met behulp van deductie regel | Het begint van het doel en werkt terug door de gevolgtrekking regels te vinden op de gewenste feiten die het doel ondersteunen. | |
| Bottom-up Benadering | Top-Down Benadering | |
| Bekend als Data-driven aanpak omdat wij gebruik maken van gegevens om het bereiken van de doelen | Bekend als goal-driven aanpak omdat we gebruik maken van het doel gegeven aan het bereiken van de feiten die de ondersteuning van de doelen | |
| 4 | Geldt een breedte-eerst zoeken strategie | Geldt een diepte-eerst zoeken strategie |
| 5 | Tests voor alle beschikbare regels | Alleen tests voor bepaalde en geselecteerde regels |
| 6 | geschikt voor planning, monitoring, controle en interpretatie toepassing. | geschikt voor diagnostische, recept-en debugtoepassingen. |
| kan oneindig aantal mogelijke conclusies genereren | kan een eindig aantal mogelijke afsluitende feiten en voorwaarden genereren | |
| werkt in voorwaartse richting | werkt in achterwaartse richting | |
| 9 | voorwaartse ketting is gericht op elke conclusie. | achterwaartse chaining is alleen bedoeld voor de vereiste gegevens. |
nu dat je weet dat de interface motoren’ functioneren en de exacte rollen van vooruit en achteruit Chaining, kunt u uzelf verwennen in een aantal probleemoplossend en krijgen een beter begrip op de” abouts en rollen ” van AI! De exclusieve cursussen over kunstmatige intelligentie en Machine Learning van Great Learning kunnen u daarbij zeker helpen.