techniki łańcuchowe w sztucznej inteligencji

stworzyliśmy sztuczną inteligencję jako sposób na wzmocnienie ludzkiej inteligencji i promowanie wzrostu, jak nigdy dotąd. Sztuczna inteligencja może pomóc nam rozwiązać wiele problemów o różnej złożoności.

jednym z takich problemów jest przypadek, w którym trzeba przewidzieć wyniki za pomocą danej puli wiedzy. Tutaj, baza wiedzy jest podana i za pomocą logicznych reguł i rozumowania, trzeba przewidzieć wynik.

problemy te są zwykle rozwiązywane za pomocą silników wnioskowania, które wykorzystują swoje dwa specjalne tryby: Łańcuch wsteczny i łańcuch do przodu.

w miarę postępów, przyjrzyjmy się szczegółowo obu procesom tworzenia łańcuchów stosowanym w sztucznej inteligencji.

co to jest silnik wnioskowania?

Silnik wnioskowania to narzędzie sztucznej inteligencji, które jest używane jako element systemu do wydedukowania nowych informacji z bazy wiedzy za pomocą logicznych reguł i rozumowania. Pierwsze w historii Silniki wnioskowania były częścią systemów eksperckich w sztucznej inteligencji. Jak wcześniej wspomniano, Silniki wnioskowania przewidują wyniki za pomocą już istniejącej puli danych, kompleksowo je analizując i wykorzystując logiczne rozumowanie do przewidywania wyników.

poznaj algorytmy AI, takie jak algorytm wyszukiwania*.

ten sam proces byłby powtarzany w miarę odkrywania nowych faktów, co sprawiłoby, że silnik wnioskowania uruchomiłby dodatkowe zasady dla swoich ustaleń. Po kilku uruchomieniach silnika inference engine zauważono, że Inference Engines działa na jeden z dwóch sposobów, albo w oparciu o cele, albo w oparciu o fakty, które później stały się znane jako przekazywanie łańcucha i wstecznego łańcucha.

Forward chaining zawiera znane fakty i iteracje procesu, aby znaleźć nowe fakty, podczas gdy backward chaining rozpoczyna się od celów i działa wstecz, aby określić, jakie warunki byłyby wymagane do osiągnięcia podanych celów.

przykłady dotyczące reguł wnioskowania

przyjrzyjmy się prostym przykładom, które pomogą Ci rozróżnić oba zestawy reguł wnioskowania.

Zasady wnioskowania

• zasada wnioskowania dedukcyjnego:

Forward Chaining: zakończenie od „A „i” a implikuje B ” do „B”.

A

A -> B

B

przykład:

pada deszcz.

jeśli pada deszcz, ulica jest mokra.

ulica jest mokra.

• :

Łańcuch wsteczny: wnioskuj z „B „I” A implikuje B „do”A”.

B

A -> B

A

przykład:

ulica jest mokra.

jeśli pada deszcz, ulica jest mokra.

pada.

Forward Chaining

Forward Chaining jest jedną z dwóch głównych metod silnika wnioskowania, który wykorzystuje logiczny proces wnioskowania nieznanych prawd, aby znaleźć rozwiązanie ze znanego zestawu danych za pomocą określonych warunków i reguł.

można powiedzieć, że ogólnie złożone zadania można zredukować do wielu prostszych zadań, które są wykonywane jednocześnie lub sekwencyjnie, tak jak łańcuch lub łańcuch jest skuteczną metodą nauczania złożonych umiejętności i procesów za pomocą wielu kroków.

jako podejście oparte na danych i oddolne, łańcuchowanie do przodu zaczyna się od znanych faktów i warunków, a następnie przechodzi do logicznego wniosku za pomocą instrukcji if-then. Następnie te warunki i zasady są stosowane do problemu, dopóki nie zostaną pozostawione żadne inne mające zastosowanie sytuacje lub nie zostanie osiągnięty limit. Forward Chaining szuka dowolnych rozwiązań i może wyciągnąć nieskończoną liczbę możliwych wniosków.

dowiedz się więcej o systemach eksperckich w sztucznej inteligencji

Łańcuchowanie do przodu w sztucznej inteligencji

podejście myślące przyszłościowo jest stosowane w sztucznej inteligencji, aby pomóc agentowi AI rozwiązać problemy logiczne, sprawdzając dane z poprzednich doświadczeń, a następnie dochodząc do wniosku pełnego rozwiązań. To nie wszystko, Łańcuchowanie do przodu może być równie dobrze wykorzystane do zbadania dostępnych informacji, odpowiedzi na pytanie lub rozwiązania problemu. Forward chaining jest szeroko stosowany w celu rozbicia długiego i złożonego podejścia logicznego poprzez dołączenie każdego kroku po zakończeniu poprzedniego. W ten sposób idzie od początku do końca ze względną łatwością.

kroki do pracy przekazywania łańcucha

1. Krok 1: Zaczynamy od już podanych faktów, a następnie wybieramy fakty, które nie mają żadnych konsekwencji.
2. Krok 2: teraz przedstawimy te fakty, które można wywnioskować z dostępnych faktów z zadowalającymi przesłankami.
3. Krok 3: w kroku 3 możemy sprawdzić podane oświadczenie, które należy sprawdzić i sprawdzić, czy jest ono zadowolone z podstawienia, które wywiera wszystkie wcześniej podane fakty. W ten sposób osiągamy nasz cel.

weźmy przykład, aby był bardziej zrozumiały dla Ciebie.

” zgodnie z prawem, przestępstwem dla Amerykanina jest sprzedawanie broni wrogim narodom. Kraj A, wróg Ameryki, ma kilka pocisków, a wszystkie pociski zostały mu sprzedane przez Roberta, który jest obywatelem amerykańskim.”

udowodnij, że Robert jest przestępcą.”

Krok 1: tutaj podane są wszystkie podane fakty, które nie mają żadnych konsekwencji.

Krok 2: Wybieramy fakty, które można wywnioskować z dostępnych faktów z usatysfakcjonowanymi przesłankami.

Krok 3: w kroku 3 możemy sprawdzić podane oświadczenie, które należy sprawdzić i sprawdzić, czy jest ono zadowolone z podstawienia, które wywiera wszystkie wcześniej podane fakty. W ten sposób osiągamy nasz cel.

stąd można udowodnić, że Robert był przestępcą.

Łańcuch wsteczny

Łańcuch wsteczny jest logicznym procesem określania nieznanych faktów ze znanych rozwiązań poprzez cofanie się od znanych rozwiązań w celu określenia początkowych warunków i reguł.

oznacza to, że Backward Chaining jest odgórnym podejściem rozumowania, które zaczyna się od wniosków, a następnie wraca do warunków, które zostało wywnioskowane z zastosowania podejścia depth-first. Krótko mówiąc, oznacza to, że łańcuch wsteczny przechodzi wstecz przez kod i stosuje logikę, aby określić, które z poniższych działań spowodowałyby wynik.

Backward Chaining w AI

podejście backward Chaining jest używane w AI do znajdowania warunków i reguł, dzięki którym dany logiczny wynik lub wniosek został osiągnięty. Rzeczywiste zastosowania łańcucha wstecznego obejmują wykorzystanie do wyszukiwania informacji dotyczących wniosków i rozwiązań w praktykach inżynierii odwrotnej, a także zastosowań teorii gier.

niektóre inne zastosowania łańcucha wstecznego obejmują zautomatyzowane narzędzia dowodzące twierdzeniami, silniki wnioskowania, asystentów proof i inne aplikacje sztucznej inteligencji.

kroki pracy dla łańcucha wstecznego

1. Krok 1. W pierwszym kroku, weźmiemy fakt bramkowy i z faktu bramkowego, wyciągniemy inne fakty, które udowodnimy prawdę.
2. Krok 2: wyciągniemy inne fakty z faktów celu, które spełniają zasady
3. Krok 3: w kroku 3 wyodrębnimy kolejny fakt, który wywnioskuje z faktów wywnioskowanych w Kroku 2.
4. Krok 4: powtórzymy to samo, aż dojdziemy do pewnego faktu, który spełnia warunki.

weźmy ten sam przykład, co w łańcuchu do przodu, aby udowodnić tym razem, że Robert jest przestępcą.

Krok 1:

w pierwszym kroku weźmiemy fakt bramki, a na podstawie faktu bramki uzyskamy inne fakty, które udowodnimy prawdę.

Krok 2:

w drugim kroku uzyskamy inne fakty z faktów celu, które spełniają zasady

Krok 3: W kroku 3 wyodrębnimy dalsze fakty, które wywodzą się z faktów wywnioskowanych w Kroku 2.

Krok 4: powtarzamy to samo, dopóki nie dojdziemy do pewnego faktu, który spełnia warunki.

Krok 5:

po uzyskaniu wszystkich faktów i warunków proces iteracji zostaje zatrzymany.

różnica między Forward Chain i Backward Chain

teraz, gdy znasz działanie silników interfejsów i dokładne role łańcuchów do przodu i do tyłu, możesz poświęcić się rozwiązywaniu problemów i lepiej zrozumieć „informacje i role” sztucznej inteligencji!
ekskluzywne kursy Great Learning na temat sztucznej inteligencji i uczenia maszynowego zdecydowanie mogą ci w tym pomóc.