temos de criar Inteligência Artificial como forma de amplificar a inteligência humana e promover o crescimento como nunca antes. A IA pode ajudar-nos a resolver inúmeros problemas de complexidades variáveis.
um desses tipos de problema é o caso em que se tem de prever resultados usando o conjunto de conhecimentos dado. Aqui, a base de conhecimento é dada e usando regras lógicas e raciocínio, é preciso prever o resultado.
estes problemas são geralmente resolvidos usando motores de inferência, que utilizam os seus dois modos especiais: encadeamento para trás e encadeamento para a frente.À medida que avançamos, vamos dar uma olhada detalhada em ambos os processos de acorrentamento usados na Inteligência Artificial.
o que é um motor de inferência?Um motor de inferência é uma ferramenta de Inteligência Artificial que é usada como um componente do sistema para deduzir novas informações a partir de uma base de conhecimento usando regras lógicas e raciocínio. Os primeiros motores de inferência foram parte de sistemas especialistas em IA. Como já foi dito, os motores de inferência predizem resultados com o conjunto de dados já existente, analisando-o exaustivamente e usando raciocínio lógico para prever os resultados.
Learn about AI algorithms like a * Search algorithm.
este mesmo processo seria repetido como novos fatos seriam descobertos e isso faria o motor de inferência desencadear regras adicionais para suas descobertas. Depois de algumas corridas do motor de inferência, foi notado que os motores de inferência funcionam em uma das duas maneiras, seja baseado em objetivos ou baseado em fatos, que mais tarde passou a ser conhecido como reencaminhamento de acordes e encadeamento para trás.
a encadernação para a frente vem com fatos conhecidos e itera o processo para encontrar novos fatos, enquanto a encadernação para trás começa com objetivos e trabalha para trás para determinar quais condições seriam necessárias para alcançar os objetivos dados.
exemplos relativos a regras de inferência
vamos dar uma olhada em alguns exemplos simples para ajudá-lo a diferenciar entre ambos os conjuntos de regras de inferência.
regras de inferência
- regra de inferência dedutiva:
encadeamento para a frente: Concluir de “A” e “a implica B”para ” B”.
A
A- > B
B
B
exemplo:
está a chover.Se está chovendo, a rua está molhada.
a rua está molhada.Regra de inferência Abdutiva:
encadeamento para trás: conclusão de “B” e “a implica B”para ” A”.
B
a- > B
a
A
exemplo:
a rua é húmida.Se está chovendo, a rua está molhada.Está a chover.
Forward Chaining
Forward Chaining é um dos dois principais métodos de mecanismo de inferência que utiliza o processo lógico de deduzir o desconhecido verdades para encontrar uma solução a partir do conjunto conhecido de dados utilizando determinadas condições e regras.
você pode dizer que tarefas geralmente complexas podem ser reduzidas em múltiplas tarefas mais simples que são realizadas simultaneamente ou sequencialmente, assim como uma cadeia ou acorrentamento é um método eficaz de ensinar habilidades e processos complexos usando várias etapas.
como uma abordagem lógica baseada em dados, bem como de baixo para cima, o encadeamento para a frente começa a partir de fatos e Condições conhecidos, em seguida, progride para a conclusão lógica usando if-then afirmações. Em seguida, essas condições e regras são aplicadas ao problema até que não restem mais Situações aplicáveis ou o limite tenha sido atingido. Para a frente, Chaining procura qualquer solução e pode chegar a um número infinito de conclusões possíveis.
aprender sobre os sistemas de especialistas em AI
encadeamento para a frente em AI
a abordagem de pensamento para o futuro é usada em AI para ajudar um agente de AI a resolver problemas lógicos, inspecionando os dados dos aprendizados anteriores e, em seguida, chegando a uma conclusão cheia de soluções. Isso não é tudo, encadeamento avançado pode muito bem ser usado para explorar a informação disponível ou responder a uma pergunta ou resolver um problema. O encadeamento para a frente é extensivamente usado para quebrar uma abordagem lógica longa e complexa, anexando cada passo uma vez que o anterior é concluído. Desta forma, vai do início ao fim com relativa facilidade.
Passos para o trabalho de Encaminhamento de Encadeamento
- Passo 1: Vamos começar desde já declarou fatos, e em seguida, iremos posteriormente escolher os fatos que não têm qualquer implicações em tudo.
- Passo 2: Agora, vamos declarar os fatos que podem ser inferidos a partir de dados disponíveis com premissas satisfeitas.
- Passo 3: na Etapa 3 podemos verificar a declaração dada que precisa ser verificada e verificar se está satisfeita com a substituição que infere todos os fatos anteriormente declarados. Assim alcançamos nosso objetivo.Vamos tomar um exemplo para torná-lo mais compreensível para você.De acordo com a lei, é crime um americano vender armas a nações hostis. O país A, um inimigo da América, tem alguns mísseis, e todos os mísseis foram vendidos por Robert, que é um cidadão americano.”
Prove que ” Robert é um criminoso.”
Passo 1: aqui todos os fatos declarados são declarados que não têm quaisquer implicações.
Passo 2: Nós escolhemos os fatos que podem ser deduzidos a partir de dados disponíveis com premissas satisfeitas.
Passo 3: No passo 3, podemos verificar o dado de instrução que precisa ser verificado e verifique se ele está satisfeito com a substituição de que infere tudo o anteriormente afirmado fatos. Assim alcançamos nosso objetivo.
portanto, pode ser provado que Robert era o criminoso.
backward Chaining
Backward Chaining is a logical process of determining unknown facts from known solutions by move backward from known solutions to determine the initial conditions and rules.
isto significa que o encadeamento para trás é uma abordagem de raciocínio de cima para baixo que começa a partir de conclusões e, em seguida, volta para as condições que foi inferido a partir do uso da abordagem de profundidade-primeira abordagem. Em suma, isso significa que encadeamento para trás Trace para trás através do código e aplica lógica para determinar qual das seguintes ações teria causado o resultado.
encadeamento para trás em AI
a abordagem para encadeamento para trás é usada em AI para encontrar as condições e regras por causa das quais um determinado resultado lógico ou conclusão foi alcançada. Aplicações da vida Real de encadeamento para trás incluem o uso para encontrar informações sobre conclusões e soluções em práticas de engenharia reversa, bem como aplicações da teoria dos jogos.
Some other applications of Backward Chaining include automatic theorem proving tools, inferência engines, proof assistants and other artificial intelligence applications.
passos de trabalho para encadernação
- Passo 1. No primeiro passo, pegaremos o fato do objetivo e, a partir do fato do objetivo, iremos derivar outros fatos que provaremos ser verdadeiros.
- Passo 2: Vamos derivar outros fatos a partir de fatos objetivos que satisfazem as regras
- Passo 3: na Etapa 3, vamos extrair mais fatos que inferem de fatos inferidos na Etapa 2.
- Passo 4: repetiremos o mesmo até chegarmos a um certo fato que satisfaça as condições.
tomemos o mesmo exemplo que foi seguido na cadeia, para provar desta vez que Robert é o criminoso.
Passo 1:
no primeiro passo, vamos tomar o fato do objetivo e do fato do objetivo, vamos derivar outros fatos que vamos provar a verdade.
Passo 2:
Na segunda etapa, vamos derivar outros fatos da meta fatos que satisfazem as regras
Passo 3: Na Etapa-3, vamos extrair mais fatos que inferem de fatos inferidos na Etapa 2.
Passo 4: repetiremos o mesmo até chegarmos a um certo fato que satisfaça as condições.
Passo 5:
uma vez que todos os factos e condições foram derivados, o processo de iteração pára.
Diferença entre de Encadeamento para a Frente e Encadeamento para Trás
S Não S Forward Chaining Encadeamento para Trás Ele começa a partir de fatos conhecidos extrair mais dados da unidade de atingir o objetivo usando regra de inferência Ele começa a partir do objetivo e obras para trás através de regras de inferência para encontrar a necessária factos que apoiam a meta. Abordagem Bottom-up Abordagem Top-Down Conhecida como abordagem baseada em Dados, como nós usamos dados para alcançar os objetivos Conhecido como meta-abordagem orientada para o facto de utilizarmos o objetivo determinado para alcançar os fatos que suportam as metas 4 Aplica-se uma amplitude-primeira estratégia de pesquisa Aplica-se uma pesquisa de profundidade-primeiro de estratégia 5 Testes para todas as regras testes Apenas para certos e regras selecionadas 6 adequado para a aplicação de planejamento, monitoramento, controle e interpretação. adequado para diagnóstico, prescrição e aplicação de depuração. Pode gerar um número infinito de possíveis conclusões Pode gerar um número finito de possíveis celebração de fatos e condições Opera na Direção de Avanço Opera no Sentido de frente para Trás 9 Forward Chaining é voltado para qualquer conclusão. o encadeamento retrospectivo destina-se apenas aos dados necessários. agora que você conhece o funcionamento dos motores de Interface e os papéis exatos de encadeamento para frente e para trás, você pode se entregar a alguma solução de problemas e obter uma melhor compreensão sobre os “abouts e papéis” de AI! Os cursos exclusivos da Great Learning sobre Inteligência Artificial e aprendizagem de máquinas podem definitivamente ajudá-lo a fazer isso.
