Úvod do dopředného a zpětného řetězení

Vpřed a vzad řetězení jsou režimy, které používá Inference Engine k odvození nových informací ze znalostní základny. Inference Engine je jednou z hlavních součástí inteligentního systému v systému umělé inteligence, který aplikuje sadu logických pravidel na existující informace (znalostní báze), aby bylo možné odvodit nové informace z již známé skutečnosti. Přední a zadní řetězení jsou dva režimy, pomocí kterých Inference engine odvozuje nové informace. Dopředná a zpětná propagace jsou přesně proti sobě, a to tak, že odvozují nové informace ze známých skutečností.

Jak dopředu funguje propagace?

Forward Chaining známý některými jako forward racing nebo forward deduction začíná známou skutečností nebo atomovou větou ve znalostní bázi a postupně odvozující pravidla se aplikují na již známá fakta, dokud nedosáhneme cílového stavu. Stručně řečeno, dopředné řetězení rozhoduje nebo dosahuje cílového stavu na základě dostupných údajů.

Vlastnosti dopředného řetězení

  • Sleduje přístup zdola nahoru, tj. Odpočet uvažování se pohybuje zdola nahoru
  • Nazývá se také přístup založený na údajích, protože k dosažení cílového stavu závisí na existujících datech
  • Jde o závěr, tj. Jeho cílem je dospět k závěru z počátečního stavu
  • Je široce používán v expertním systému jako CLIPS a Production Rule System

Příklad

Podívejme se na příklad, abychom pochopili, jak Forward Chaining funguje v praxi

Pravidlo 1: IF A je člověk THEN A je savec

Pravidlo 2: IF A je savec THEN A je živá forma

Pravidlo 3: POKUD A je živá forma POTŘEBA A je smrtelná

Skutečnost: Shyam je člověk

Z těchto inferenčních pravidel musíme dosáhnout cíle

Cíl: Je Shyam smrtelníkem?

Kroky:

  1. Začněte známou skutečností. Víme, že Shyam je člověk (Z Faktického prohlášení).
  2. Pomocí R1 můžeme usoudit, že Shyam je savec. Protože se nejedná o prohlášení o cíli, pokračujte.
  3. Pak přeskočte na pravidlo 2: pokud je Shyam savec, pak je to jako živá forma, takže můžeme říci, že Murat je živá forma. Protože se nejedná o prohlášení o cíli, pokračujte
  4. Používání R3, Protože Shyam je životní forma, musí to být smrtelník. Vzhledem k tomu, že jde o prohlášení cíle, tak Exit

Výhody dopředného řetězení

  • Forward Chaining funguje skvěle, když lze dostupné informace použít k dosažení cílového stavu
  • Forward Chaining má schopnost poskytovat spoustu dat z omezených počátečních dat
  • Forward Chaining je nejvhodnější pro systémovou aplikaci Expert, která vyžaduje větší kontrolu, plánování a monitorování
  • Forward Chaining by se měl použít, pokud existuje omezený počet počátečních stavů nebo skutečností

Nevýhody dopředného řetězení

  • Inferenční motor vygeneruje nové informace, aniž by věděl, které informace budou relevantní pro dosažení cílového stavu
  • Uživatel možná bude muset nejprve zadat mnoho informací, aniž by věděl, které informace budou použity k dosažení cílového stavu
  • Inference Engine může vystřelit mnoho pravidel, která nepřispívají k dosažení cílového stavu
  • Mohlo by to vést k odlišným závěrům, které mohou vést k vysokým nákladům na proces řetězení

Jak funguje zpětná propagace?

Zpětné řetězení nebo zpětné šíření je obrácením dopředného řetězení. Začíná od stavu cíle a šíří se dozadu pomocí inferenčních pravidel, aby zjistil fakta, která mohou cíl podpořit. To je také nazýváno jako cíl-řízené uvažování. Začíná od daného cíle, hledá THEN část pravidla (akční část), pokud je pravidlo nalezeno a jeho IF část odpovídá Inferenčnímu pravidlu, pak je pravidlo provedeno jiným Inferenčním modulem je nastaveno jako nový subgoal.

Pravidlo 1: POKUD A A B B PAK C

Pravidlo 2: POKUD JE POTŘEBNÉ E

Pravidlo 3: IF A A E THEN H

Fakta: A, B

Cíl: Dokázat H

Důkaz:

Krok 1 : Nejprve systém hledá prohlášení, které má cíl na RHS, tj. R3, pak vyhledejte LHS pravidla, aby se zkontrolovalo, zda obsahuje skutečnost. Obsahuje A a E, ale potřebujeme také B

Krok 2 : Nyní bude mít E jako dílčí cíl, který je prokázán pravidlem 2. Nyní se podívejme na jeho LHS, tj. C

Krok 3: C lze prokázat pravidlem 1, které má A & B jako LHS

Krok 4 : Vzhledem k tomu, že jsme dostali cíl Fakta A&B z cíle, tak Algoritmus končí zde

Krok 5: Zastavte

Vlastnosti zpětného řetězení

  • Zpětné řetězení je přístup shora dolů, kde vycházíme ze stavu cíle a snažíme se najít potřebné skutečnosti, které podporují prohlášení o cíli
  • Je známo jako cílem řízený přístup, když vycházíme z cíle a poté rozdělíme na dílčí cíl, abychom získali fakta
  • Použije strategii hloubky-prvního vyhledávání
  • Může generovat pouze omezený počet závěrů
  • Testuje pouze několik požadovaných pravidel

Výhody zpětného řetězení

  • Hledání zpětného řetězení je zaměřeno tak, aby zpracování skončilo, jakmile je skutečnost ověřena
  • Zpětné řetězení zvažuje pouze relevantní části znalostní báze, takže nikdy neprovádí zbytečné závěry
  • Na rozdíl od dopředného řetězení je zde zapotřebí pouze několik datových bodů, ale pravidla jsou prohledávána vyčerpávajícím způsobem
  • Je velmi účinný při problémech, jako je diagnostika a ladění

Nevýhody

  • Vzhledem k tomu, že zpětné řetězení je zaměřeno na cíl, musí být předem znám cíl, který provede zpětné řetězení
  • Je obtížné implementovat zpětné řetězení

Závěr - dopředu a dozadu řetězení

Systém založený na pravidlech je relevantní pro každodenní život člověka, takže je nezbytné mít k dispozici pochopení tohoto systému. Oba režimy zapojené do systémů založených na pravidlech přicházejí s vlastními sadami výhod a nevýhod. Výběr přístupu závisí na povaze problému.

Doporučené články

Toto byl průvodce dopředu a dozadu řetězení. Zde diskutujeme vlastnosti, příklady, výhody a nevýhody řetězení dopředu a dozadu. Další informace naleznete také v následujících článcích -

  1. Dopředné řetězení vs zpětné řetězení
  2. Síťová zařízení
  3. Cheat sheet JQuery
  4. jQuery Elements

Kategorie:

Velká data