logo

Forlæns kæde og baglæns kæde i AI

Inden for kunstig intelligens er frem- og tilbagelænding et af de vigtige emner, men før vi forstår fremad- og tilbagelænding, lad os først forstå, hvorfra disse to udtryk kom.

hadoop tutorial

Inferensmotor:

Inferensmotoren er komponenten i det intelligente system i kunstig intelligens, som anvender logiske regler til videnbasen for at udlede ny information fra kendte fakta. Den første inferensmotor var en del af ekspertsystemet. Inferensmotor fortsætter almindeligvis i to tilstande, som er:

    Forlæns kæde Baglæns lænkning

Hornklausul og bestemt klausul:

Horn-sætning og bestemt sætning er sætningsformer, som gør det muligt for videnbasen at bruge en mere begrænset og effektiv inferensalgoritme. Logiske inferensalgoritmer bruger fremadgående og bagudgående kædetilgange, som kræver KB i form af første ordens bestemt klausul .

Bestemt klausul: En klausul, som er en adskillelse af bogstaver med præcis én positiv bogstavelig er kendt som en bestemt klausul eller streng hornklausul.

Hornklausul: En klausul, som er en adskillelse af bogstaver med højst én positiv bogstavelig er kendt som hornklausul. Derfor er alle de bestemte klausuler hornled.

Eksempel: (¬ p V ¬ q V k) . Den har kun én positiv bogstavelig k.

Det svarer til p ∧ q → k.

A. Forlæns kæde

Forward chaining er også kendt som en fremadgående deduktion eller fremadrettet ræsonnement metode, når du bruger en inferensmotor. Forward chaining er en form for ræsonnement, som starter med atomsætninger i videnbasen og anvender inferensregler (Modus Ponens) i fremadgående retning for at udtrække flere data, indtil et mål er nået.

Forward-chaining-algoritmen starter fra kendte fakta, udløser alle regler, hvis præmisser er opfyldt, og føjer deres konklusion til de kendte fakta. Denne proces gentages, indtil problemet er løst.

Egenskaber ved Forward-Chaining:

  • Det er en down-up tilgang, da den bevæger sig fra bund til top.
  • Det er en proces med at lave en konklusion baseret på kendte fakta eller data, ved at starte fra starttilstanden og nå måltilstanden.
  • Fremadkædende tilgang kaldes også som datadrevet, når vi når målet ved hjælp af tilgængelige data.
  • Fremadkædende tilgang er almindeligt anvendt i ekspertsystemet, såsom CLIPS, forretnings- og produktionsregelsystemer.

Overvej følgende berømte eksempel, som vi vil bruge i begge tilgange:

Eksempel:

'I henhold til loven er det en forbrydelse for en amerikaner at sælge våben til fjendtlige nationer. Land A, en fjende af Amerika, har nogle missiler, og alle missilerne blev solgt til det af Robert, som er amerikansk statsborger.'

Bevis det 'Robert er kriminel.'

For at løse ovenstående problem vil vi først konvertere alle ovenstående fakta til førsteordens bestemte klausuler, og derefter vil vi bruge en fremadkædende algoritme til at nå målet.

Faktakonvertering til FOL:

  • Det er en forbrydelse for en amerikaner at sælge våben til fjendtlige nationer. (Lad os sige, at p, q og r er variable)
    Amerikansk (p) ∧ våben(q) ∧ sælger (p, q, r) ∧ fjendtlig(r) → Kriminel(p) ...(1)
  • Land A har nogle missiler. ?p Ejer(A, p) ∧ Missil(p) . Det kan skrives i to bestemte klausuler ved at bruge Eksistentiel Instantiation, der introducerer den nye Constant T1.
    Ejer(A, T1) ......(2)
    Missil(T1) .......(3)
  • Alle missilerne blev solgt til land A af Robert.
    ?p Missiler(p) ∧ Ejer (A, p) → Sælger (Robert, p, A) ......(4)
  • Missiler er våben.
    Missil(p) → Våben (p) .......(5)
  • Enemy of America er kendt som fjendtlig.
    Fjende(p, Amerika) →Fjendtlig(p) ........(6)
  • Land A er en fjende af Amerika.
    Fjende (A, Amerika) .........(7)
  • Robert er amerikaner
    Amerikansk (Robert). ..........(8)

Fremadkædesikker:

Trin 1:

I det første trin starter vi med de kendte fakta og vælger de sætninger, som ikke har implikationer, såsom: Amerikansk(Robert), Enemy(A, Amerika), Owns(A, T1) og Missile(T1) . Alle disse fakta vil blive repræsenteret som nedenfor.

Forlæns kæde og baglæns kæde i AI

Trin-2:

På det andet trin vil vi se de fakta, der udleder fra tilgængelige fakta og med tilfredse præmisser.

Regel-(1) opfylder ikke præmisser, så det vil ikke blive tilføjet i den første iteration.

Regel-(2) og (3) er allerede tilføjet.

Regel-(4) opfylder med udskiftningen {p/T1}, så sælger (Robert, T1, A) tilføjes, hvilket udleder af sammenhængen mellem regel (2) og (3).

Regel-(6) er tilfreds med substitutionen(p/A), så Fjendtlig(A) tilføjes, og som udleder fra Regel-(7).

Forlæns kæde og baglæns kæde i AI

Trin-3:

Ved trin-3, som vi kan kontrollere, er Regel-(1) tilfreds med udskiftningen {p/Robert, q/T1, r/A}, så vi kan tilføje Criminal(Robert) som udleder alle tilgængelige fakta. Og dermed nåede vi vores målsætning.

Forlæns kæde og baglæns kæde i AI

Derfor er det bevist, at Robert er kriminel ved at bruge fremadkædede tilgang.

B. Baglæns kæde:

Baglæns kæde er også kendt som en baglæns deduktion eller baglæns ræsonnement metode, når du bruger en inferensmotor. En baglæns kædealgoritme er en form for ræsonnement, som starter med målet og arbejder baglæns, kæder gennem regler for at finde kendte fakta, der understøtter målet.

Egenskaber ved baglæns kæde:

  • Det er kendt som en top-down tilgang.
  • Baglæns kæde er baseret på modus ponens slutningsregel.
  • I baglæns kæde er målet opdelt i delmål eller delmål for at bevise, at fakta er sande.
  • Det kaldes en måldrevet tilgang, da en liste over mål afgør, hvilke regler der vælges og bruges.
  • Baglæns-kædealgoritme bruges i spilteori, automatiserede teorembevisværktøjer, inferensmotorer, bevisassistenter og forskellige AI-applikationer.
  • Baglæns-kæde-metoden brugte for det meste en dybde-første søgning strategi for bevis.

Eksempel:

I baglæns kæde vil vi bruge det samme eksempel ovenfor og vil omskrive alle reglerne.

    Amerikansk (p) ∧ våben(q) ∧ sælger (p, q, r) ∧ fjendtlig(r) → Kriminel(p) ...(1)
    Ejer(A, T1) ........(2) Missil (T1) ?p Missiler(p) ∧ Ejer (A, p) → Sælger (Robert, p, A) ......(4) Missil(p) → Våben (p) .......(5) Fjende(p, Amerika) →Fjendtlig(p) ........(6) Fjende (A, Amerika) .........(7) Amerikansk (Robert). ..........(8)

Baglæns-kædebevis:

I Backward chaining vil vi starte med vores målprædikat, som er Kriminel (Robert) , og derefter udlede yderligere regler.

Trin 1:

På det første trin vil vi tage målfaktumet. Og ud fra målfaktumet vil vi udlede andre fakta, og til sidst vil vi bevise, at disse fakta er sande. Så vores mål er 'Robert er kriminel', så følgende er prædikatet for det.

Forlæns kæde og baglæns kæde i AI

Trin-2:

På det andet trin vil vi udlede andre fakta fra målfakta, som opfylder reglerne. Så som vi kan se i Regel-1, er målprædikatet Criminal (Robert) til stede med substitution {Robert/P}. Så vi tilføjer alle konjunktive fakta under det første niveau og erstatter p med Robert.

Her kan vi se American (Robert) er et faktum, så det er bevist her.

Forlæns kæde og baglæns kæde i AI

Trin-3: t Ved trin-3 vil vi udtrække yderligere faktamissil(q), som udleder fra Våben(q), da det opfylder regel-(5). Våben (q) er også sandt med substitution af en konstant T1 ved q.

Forlæns kæde og baglæns kæde i AI

Trin-4:

På trin-4 kan vi udlede fakta Missile(T1) og Owns(A, T1) fra Sells(Robert, T1, r), som opfylder Regel - 4 , med substitution af A i stedet for r. Så disse to udsagn er bevist her.

Forlæns kæde og baglæns kæde i AI

Trin-5:

På trin 5 kan vi udlede det faktum Fjende (A, Amerika) fra Fjendtlig(A) som opfylder regel-6. Og derfor er alle udsagn bevist sande ved at bruge baglæns kæde.

Forlæns kæde og baglæns kæde i AI