vi har skapat artificiell intelligens som ett sätt att förstärka mänsklig intelligens och främja tillväxt som aldrig tidigare. AI kan hjälpa oss att lösa många problem med olika komplexiteter.
en sådan typ av problem är fallet där man måste förutsäga resultat med hjälp av den givna kunskapspoolen. Här ges kunskapsbasen och med hjälp av logiska regler och resonemang måste man förutsäga resultatet.
dessa problem löses vanligtvis med hjälp av Inferensmotorer, som använder sina två speciallägen: Bakåtkedjning och Framåtkedjning.
när vi går framåt, låt oss ta en detaljerad titt på båda kedjeprocesserna som används i artificiell intelligens.
Vad är en Inferensmotor?
en Inferensmotor är ett verktyg för artificiell intelligens som används som en del av systemet för att härleda ny information från en kunskapsbas med hjälp av logiska regler och resonemang. De allra första Slutledningsmotorerna var en del av expertsystem inom AI. Som tidigare nämnts förutspår Inferensmotorer resultat med den redan befintliga datapoolen, analyserar den fullständigt och använder logiskt resonemang för att förutsäga resultaten.
lär dig mer om AI-algoritmer som en* sökalgoritm.
samma process skulle upprepas när nya fakta skulle upptäckas och detta skulle göra att inferensmotorn utlöser ytterligare regler för dess resultat. Efter några körningar av inferensmotorn märktes det att Inferensmotorer fungerar på ett av de två sätten, antingen baserat på mål eller baserat på fakta, som senare blev känd som vidarebefordran av kedja och bakåtkedja.
framåt kedja kommer med kända fakta och itererar processen för att hitta nya fakta medan bakåt kedja börjar med mål och arbetar bakåt för att avgöra vilka villkor som skulle krävas för att uppnå de givna målen.
exempel på Inferensregler
Låt oss ta en titt på några enkla exempel som hjälper dig att skilja mellan båda uppsättningarna av inferensregler.
Inferensregler
- deduktiv inferensregel:
framåt kedja: avsluta från ”A” och ”A innebär B”till ” B”.
A
A -> B
B
exempel:
det regnar.
om det regnar är gatan våt.
gatan är våt.
- Abduktiv inferensregel:
Bakåtkedjning: avsluta från ”B” och ”A innebär B”till ” A”.
B
A -> B
A
exempel:
gatan är våt.
om det regnar är gatan våt.
det regnar.
framåt kedja
framåt kedja är en av de två huvudsakliga metoderna för slutledning motor som använder den logiska processen att härleda okända sanningar för att hitta en lösning från den kända uppsättning data med hjälp av bestämda villkor och regler.
du kan säga att generellt komplexa uppgifter kan reduceras till flera enklare uppgifter som utförs antingen samtidigt eller i följd, precis som en kedja eller kedja är en effektiv metod för att undervisa komplexa färdigheter och processer med flera steg.
som en datadriven såväl som bottom-up-logisk strategi börjar framåtkedjning från kända fakta och förhållanden och fortskrider sedan mot logisk slutsats med hjälp av if-then-uttalanden. Sedan tillämpas dessa villkor och regler på problemet tills inga ytterligare tillämpliga situationer finns kvar eller gränsen har uppnåtts. Framåt kedja söker efter några lösningar och kan komma med ett oändligt antal möjliga slutsatser.
lär dig mer om expertsystem i AI
framåtriktad kedja i AI
den framåtriktade metoden används i AI för att hjälpa en AI-agent att lösa logiska problem genom att inspektera data från tidigare lärdomar och sedan komma till en slutsats full av lösningar. Det är inte allt, framåt kedja kan lika gärna användas för att utforska tillgänglig information eller svara på en fråga eller lösa ett problem. Framåtkedjning används i stor utsträckning för att bryta ner ett långt och komplext logiskt tillvägagångssätt genom att fästa varje steg när det föregående är klart. På så sätt går det från början till slut relativt enkelt.
steg för att arbeta med vidarebefordran kedja
- Steg 1: vi börjar från de redan angivna fakta, och sedan väljer vi därefter fakta som inte har några konsekvenser alls.
- steg 2: Nu kommer vi att ange de fakta som kan härledas från tillgängliga fakta med nöjda lokaler.
- steg 3: i steg 3 kan vi kontrollera det givna uttalandet som måste kontrolleras och kontrollera om det är nöjd med substitutionen som härleder alla tidigare angivna fakta. Således når vi vårt mål.
låt oss ta ett exempel för att göra det mer förståeligt för dig.
”enligt lagen är det ett brott för en amerikan att sälja vapen till fientliga nationer. Land A, en fiende i Amerika, har några missiler, och alla missiler såldes till den av Robert, som är en amerikansk medborgare.”
bevisa att ” Robert är en brottsling.”
Steg 1: Här anges alla angivna fakta som inte har några konsekvenser alls.
steg 2: Vi väljer de fakta som kan härledas från tillgängliga fakta med nöjda lokaler.
steg 3: i steg 3 kan vi kontrollera det givna uttalandet som måste kontrolleras och kontrollera om det är nöjd med substitutionen som härleder alla tidigare angivna fakta. Således når vi vårt mål.
därför kan det bevisas att Robert var brottslingen.
Bakåtkedjning
Bakåtkedjning är en logisk process för att bestämma okända fakta från kända lösningar genom att flytta bakåt från kända lösningar för att bestämma de ursprungliga villkoren och reglerna.
Detta innebär att Bakåtkedjning är en top-down-resonemangsmetod som börjar från slutsatser och sedan går tillbaka mot de förhållanden som den härleddes från att använda djup-först-metoden. Kort sagt betyder det att Bakåtkedjning spårar tillbaka genom koden och tillämpar logik för att bestämma vilken av följande åtgärder som skulle ha orsakat resultatet.
Bakåtkedjning i AI
Bakåtkedjningsmetoden används i AI för att hitta de villkor och regler på grund av vilka ett visst logiskt resultat eller slutsats uppnåddes. Verkliga tillämpningar av Bakåtkedjning inkluderar användning för att hitta information om slutsatser och lösningar i omvänd teknik samt spelteoriapplikationer.
några andra tillämpningar av Bakåtkedjning inkluderar automatiserade teoremprovningsverktyg, inferensmotorer, bevisassistenter och andra applikationer för artificiell intelligens.
steg för att arbeta för Bakåtkedjning
- Steg 1. I det första steget tar vi Målfakta och från målfakta kommer vi att härleda andra fakta som vi kommer att visa sig sanna.
- steg 2: Vi kommer att härleda andra fakta från målfakta som uppfyller reglerna
- steg 3: vid steg-3 kommer vi att extrahera ytterligare fakta som härleder från fakta som härleds i steg 2.
- steg 4: vi upprepar detsamma tills vi kommer till ett visst faktum som uppfyller villkoren.
Låt oss ta samma exempel som i Framåtkedjning, för att bevisa den här gången att Robert är brottslingen.
Steg 1:
i det första steget tar vi målet och från målet kommer vi att härleda andra fakta som vi kommer att visa sig sanna.
steg 2:
i andra steget kommer vi att härleda andra fakta från målfakta som uppfyller reglerna
steg 3: I steg 3 kommer vi att extrahera ytterligare fakta som härleder från fakta som härleds i steg 2.
steg 4: vi upprepar detsamma tills vi kommer till ett visst faktum som uppfyller villkoren.
Steg 5:
när alla fakta och villkor har härletts, iteration processen stannar.
skillnad mellan framåt kedja och bakåt kedja
| S-Nr | kedja framåt | kedja bakåt |
| det börjar från kända fakta extrahera mer dataenhet den når till målet med hjälp av inferensregel | det börjar från målet och arbetar bakåt genom inferensregler för att hitta de nödvändiga fakta som stöder målet. | |
| Bottom-up tillvägagångssätt | uppifrån och ner tillvägagångssätt | |
| känd som datadriven strategi eftersom vi använder givna data för att nå målen | känd som måldriven strategi eftersom vi använder målet för att nå fakta som stöder målen | |
| 4 | tillämpar en breddförst sökstrategi | tillämpar en djupförst sökstrategi |
| 5 | tester för alla tillgängliga regler | endast tester för vissa givna och valda regler |
| 6 | lämplig för planering, övervakning, kontroll och tolkning ansökan. | lämplig för diagnostik, recept och felsökningsapplikation. |
| kan generera oändligt antal möjliga slutsatser | kan generera ett begränsat antal möjliga avslutande fakta och villkor | |
| arbetar framåt | arbetar bakåt | |
| 9 | framåt kedja syftar till någon slutsats. | Bakåtkedjning är endast avsedd för de uppgifter som krävs. |
nu när du känner till Gränssnittsmotorernas funktion och de exakta rollerna för framåt och bakåt kedjning, kan du skämma bort dig själv i någon problemlösning och få ett bättre grepp om AI: s ”om och roller”!
Great learnings exklusiva kurser om artificiell intelligens och maskininlärning kan definitivt hjälpa dig att göra det.