tehnici de înlănțuire în inteligența artificială

am creat inteligența artificială ca o modalitate de a amplifica inteligența umană și de a promova creșterea ca niciodată. AI ne poate ajuta să rezolvăm numeroase probleme de diferite complexități.

un astfel de tip de problemă este cazul în care unul trebuie să prezică rezultatele folosind piscina dat de cunoștințe. Aici, baza de cunoștințe este dată și folosind reguli logice și raționament, trebuie să prezicem rezultatul.

aceste probleme sunt de obicei rezolvate folosind motoare de inferență, care utilizează cele două moduri speciale ale lor: înlănțuirea înapoi și înlănțuirea înainte.

pe măsură ce progresăm, să aruncăm o privire detaliată asupra ambelor procese de înlănțuire utilizate în inteligența artificială.

ce este un motor de inferență?

un motor de inferență este un instrument de inteligență artificială care este folosit ca o componentă a sistemului pentru a deduce informații noi dintr-o bază de cunoștințe folosind reguli logice și raționament. Primele motoare de inferență au făcut parte din sistemele expert în AI. După cum sa menționat anterior, motoarele de inferență prezic rezultatele cu grupul de date deja existent, analizând-o în mod cuprinzător și folosind raționamentul logic pentru a prezice rezultatele.

Aflați mai multe despre algoritmi AI, cum ar fi un algoritm de căutare*.

același proces ar fi repetat pe măsură ce vor fi descoperite noi fapte și acest lucru ar face ca motorul de inferență să declanșeze reguli suplimentare pentru constatările sale. După unele rulări ale motorului de inferență, s-a observat că motoarele de inferență funcționează într-unul din cele două moduri, fie pe baza obiectivelor, fie pe baza faptelor, care ulterior au devenit cunoscute sub numele de înlănțuire de redirecționare și înlănțuire înapoi.

înlănțuirea înainte vine cu fapte cunoscute și iterează procesul pentru a găsi fapte noi, în timp ce înlănțuirea înapoi începe cu obiective și funcționează înapoi pentru a determina ce condiții ar fi necesare pentru a atinge obiectivele date.

exemple privind regulile de inferență

să aruncăm o privire la câteva exemple simple pentru a vă ajuta să diferențiați ambele seturi de reguli de inferență.

reguli de inferență

• regulă de inferență deductivă:

înlănțuire înainte: încheiați de la „a” și „a implică B” la „B”.

A

A- > B

B

exemplu:

plouă.

dacă plouă, strada este umedă.

strada este udă.

• regula inferenței Abductive:

înlănțuire înapoi: încheiați de la „B” și „a implică B” la „a”.

B

A- >B

A

exemplu:

strada este umedă.

dacă plouă, strada este umedă.

plouă.

înlănțuirea înainte

înlănțuirea înainte este una dintre cele două metode principale ale motorului de inferență care folosește procesul logic de deducere a adevărurilor necunoscute pentru a găsi o soluție din setul cunoscut de date folosind Condiții și reguli determinate.

puteți spune că, în general, sarcinile complexe pot fi reduse în mai multe sarcini mai simple, care sunt efectuate fie simultan, fie secvențial, la fel cum un lanț sau înlănțuirea este o metodă eficientă de predare a abilităților și proceselor complexe folosind mai mulți pași.

ca abordare logică bazată pe date, precum și de jos în sus, înlănțuirea înainte pornește de la fapte și condiții cunoscute, apoi progresează spre concluzii logice folosind declarații if-then. Apoi, aceste condiții și reguli sunt aplicate problemei până când nu mai rămân alte situații aplicabile sau limita a fost atinsă. Înlănțuirea înainte caută orice soluții și poate veni cu un număr infinit de concluzii posibile.

Aflați mai multe despre sistemele expert în AI

înlănțuirea înainte în AI

abordarea de gândire înainte este utilizată în AI pentru a ajuta un agent AI să rezolve probleme logice prin inspectarea datelor din învățăturile anterioare și apoi ajungerea la o concluzie plină de soluții. Asta nu e tot, înainte înlănțuirea ar putea fi la fel de bine utilizate pentru a explora informațiile disponibile sau răspunde la o întrebare sau de a rezolva o problemă. Înlănțuirea înainte este utilizată pe scară largă pentru a descompune o abordare logică lungă și complexă prin atașarea fiecărui pas odată ce precedentul este finalizat. În acest fel, merge de la început până la sfârșit cu relativă ușurință.

pași pentru a lucra la redirecționarea înlănțuirii

1. Pasul 1: pornim de la faptele deja declarate și apoi, vom alege ulterior faptele care nu au deloc implicații.
2. Pasul 2: acum, vom afirma acele fapte care pot fi deduse din faptele disponibile cu premise satisfăcute.
3. Pasul 3: în pasul 3 putem verifica declarația dată care trebuie verificată și putem verifica dacă este mulțumită de substituția care deduce toate faptele menționate anterior. Astfel ne atingem scopul.

să luăm un exemplu pentru a vă face mai ușor de înțeles.

„conform legii, este o crimă pentru un American să vândă arme Națiunilor ostile. Țara A, un dușman al Americii, are câteva rachete și toate rachetele i-au fost vândute de Robert, care este cetățean American.”

dovedește că ” Robert este un criminal.”

Pasul 1: Aici sunt enunțate toate faptele declarate care nu au deloc implicații.

Pasul 2: Alegem faptele care pot fi deduse din faptele disponibile cu premise satisfăcute.

Pasul 3: în pasul 3 putem verifica declarația dată care trebuie verificată și putem verifica dacă este mulțumită de substituția care deduce toate faptele menționate anterior. Astfel ne atingem scopul.

prin urmare, se poate dovedi că Robert a fost criminalul.

înlănțuirea înapoi

înlănțuirea înapoi este un proces logic de determinare a faptelor necunoscute din soluțiile cunoscute prin mutarea înapoi de la soluțiile cunoscute pentru a determina condițiile și regulile inițiale.

aceasta înseamnă că înlănțuirea înapoi este o abordare de raționament de sus în jos care pornește de la concluzii și apoi se întoarce spre condițiile pe care le-a dedus din utilizarea abordării de adâncime. Pe scurt, aceasta înseamnă că înlănțuirea înapoi urmărește înapoi prin cod și aplică logică pentru a determina care dintre următoarele acțiuni ar fi cauzat rezultatul.

înlănțuirea înapoi în AI

abordarea înlănțuirii înapoi este utilizată în AI pentru a găsi Condițiile și regulile din cauza cărora s-a ajuns la un anumit rezultat logic sau concluzie. Aplicațiile din viața reală ale înlănțuirii înapoi includ utilizarea pentru a găsi informații cu privire la concluzii și soluții în practicile de inginerie inversă, precum și în aplicațiile teoriei jocurilor.

alte aplicații ale înlănțuirii înapoi includ instrumente automate de dovedire a teoremei, motoare de inferență, asistenți de probă și alte aplicații de inteligență artificială.

pași de lucru pentru înlănțuirea înapoi

1. Pasul 1. În primul pas, vom lua faptul obiectiv și din faptul obiectiv, vom deduce alte fapte pe care le vom dovedi adevărate.
2. Pasul 2: vom deduce alte fapte din fapte de obiectiv care satisfac Regulile
3. Pasul 3: la Pasul 3, vom extrage fapte suplimentare care deduc din fapte deduse în pasul 2.
4. Pasul 4: vom repeta același lucru până când vom ajunge la un anumit fapt care îndeplinește condițiile.

să luăm același exemplu ca și în înlănțuirea înainte, pentru a dovedi de data aceasta că Robert este criminalul.

Pasul 1:

în primul pas, vom lua faptul obiectiv și din faptul obiectiv, vom deduce alte fapte pe care le vom dovedi adevărate.

Pasul 2:

în al doilea pas, vom obține alte fapte din faptele de obiectiv care satisfac Regulile

Pasul 3: La Pasul 3, vom extrage alte fapte care deduc din faptele deduse în pasul 2.

Pasul 4: vom repeta același lucru până când vom ajunge la un anumit fapt care îndeplinește condițiile.

Pasul 5:

odată ce toate faptele și condițiile au fost derivate, procesul de iterație se oprește.

diferența dintre înlănțuirea înainte și înlănțuirea înapoi

acum, că știți funcționarea motoarelor de interfață și rolurile exacte ale înlănțuirii înainte și înapoi, vă puteți răsfăța în rezolvarea unor probleme și puteți înțelege mai bine „despre și rolurile” AI!
cursurile exclusive ale Great Learning despre inteligența artificială și învățarea automată vă pot ajuta cu siguranță să faceți acest lucru.