Introduksjon til fremover og bakoverkjetting

Fremover og bakoverkjetting er modusene som brukes av inferensmotoren for å utlede ny informasjon fra kunnskapsbasen. Inferensmotor er en av hovedkomponentene i det intelligente systemet i kunstig intelligens som bruker et sett med logiske regler for eksisterende informasjon (Knowledge Base) for å trekke ut ny informasjon fra det allerede kjente faktum. Fremover og bakoverkjetting er de to modusene som inferensmotoren trekker ny informasjon fra. Fremover og bakoverformering er nøyaktig motsatt av hverandre på den måten de trekker ny informasjon fra de kjente fakta.

Hvordan fremoverformering fungerer?

Fremoverkjetting kjent av noen som fremtids begrunnelse eller fratrekk, starter med det kjente faktum eller atomsetning i kunnskapsbasen, og gradvis blir avviksregler anvendt på de allerede kjente fakta til vi når målet tilstand. I et nøtteskall tar fremkjedning en beslutning eller når måltilstanden basert på tilgjengelige data.

Egenskaper ved fremoverkjetting

  • Det følger en tilnærming tilnærmet, dvs. at begrunnelsesfradraget beveger seg fra bunn til topp
  • Det kalles også som datadrevet tilnærming ettersom det er avhengig av eksisterende data for å nå måltilstanden
  • Det er konklusjonsdrevet, dvs. dets mål er å nå konklusjonen fra den opprinnelige tilstanden
  • Det er mye brukt i ekspertsystemet som CLIPS og Production rule system

Eksempel

La oss se på et eksempel for å forstå hvordan Forward Chaining fungerer i praksis

Regel 1: HVIS A er menneske DET A er pattedyr

Regel 2: HVIS A er et pattedyr, DEREN A er en levende form

Regel 3: HVIS A er en levende form, DEN A er dødelig

Fakta: Shyam er menneskelig

Fra disse slutningsreglene må vi nå målet

Mål: Er Shyam en dødelig?

trinn:

  1. Begynn med det kjente faktum. Vi vet at Shyam er menneskelig (Fra Fact statement).
  2. Ved å bruke R1 kan vi utlede at Shyam er et pattedyr. Siden det ikke er en målsetting, så fortsett.
  3. Gå deretter til regel 2: Hvis Shyam er et pattedyr så er det som en levende form, så vi kan si at Murat er en levende form. Siden det ikke er en målsetting, så fortsett
  4. Bruker R3, siden Shyam er en livsform, så den må være dødelig. Siden det er målsettingen så Avslutt

Fordeler med fremoverkjetting

  • Forward Chaining fungerer utmerket når tilgjengelig informasjon kan brukes til å nå målet
  • Forward Chaining har muligheten til å gi mange data fra de begrensede startdataene
  • Forward Chaining er best egnet for Expert-systemapplikasjoner som krever mer kontroll, planlegging og overvåking
  • Fremoverkjetting bør brukes når det er et begrenset antall innledende tilstander eller fakta

Ulemper ved fremoverkjetting

  • Inferensmotoren vil generere ny informasjon uten å vite hvilken informasjon som vil være relevant for å nå måltilstanden
  • Brukeren må kanskje legge inn mye informasjon i utgangspunktet uten å vite hvilken informasjon som vil bli brukt for å nå målet
  • Inferensmotor kan avfyre ​​mange regler som ikke bidrar til å nå målet
  • Det kan gi en annen konklusjon som kan føre til høye kostnader ved kjedeprosessen

Hvordan fungerer forplantning?

Bakoverkjetting eller Bakoverformering er det motsatte av Fremoverkjetting. Det starter fra måltilstanden og forplanter seg bakover ved å bruke inferensregler for å finne ut fakta som kan støtte målet. Det kalles også som målstyrt resonnement. Det starter fra det gitte målet, søker etter den DEN delen av regelen (handlingsdel) hvis regelen er funnet og dens IF-del samsvarer med inferensregelen, så utføres regelen annen Inferensmotor angir den som en ny undergruppe.

Regel 1: HVIS A OG B DER C

Regel 2: HVIS C DEN E

Regel 3: HVIS A OG E DER H

Fakta: A, B

Mål: Bevis H

Bevis:

Trinn 1 : Ved det første systemet ser etter utsagnet som har et mål på RHS, dvs. R3, og se etter LHS for regelen for å sjekke om den inneholder faktum. Den inneholder A og E, men vi trenger også B

Trinn 2 : Nå vil den ha E som delmål som er bevist ved regel 2. Se nå på LHS, dvs. C

Trinn 3: C kan bevises ved regel 1 som har A & B som LHS

Trinn 4 : Siden vi fikk fakta A&B fra målet så algoritmen slutter her

Trinn 5: Stopp

Egenskaper ved bakoverkjetting

  • Bakoverkjetting er en ovenfra og ned-tilnærming der vi starter fra måltilstanden og jobber bakover for å finne de nødvendige fakta som støtter måluttalelsen
  • Det er kjent som målstyrt tilnærming når vi starter fra målet og deretter deler inn i delmål for å trekke ut fakta
  • Det gjelder Dybde-første søkestrategi
  • Det kan bare generere et begrenset antall konklusjoner
  • Den tester bare for få av de nødvendige reglene

Fordeler med bakoverkjetting

  • Søket i bakoverkjetting er rettet slik at behandlingen avsluttes når faktum er bekreftet
  • Bakoverkjetting vurderer bare relevante deler av kunnskapsbasen slik at den aldri utfører unødvendige konklusjoner
  • I motsetning til Forward Chaining, her er det bare noen få datapunkter som trengs, men regler søkes uttømmende
  • Det er veldig effektivt for problemer som diagnostisering og feilsøking

ulemper

  • Siden bakoverkjetting er målstyrt, så må målet på forhånd være kjent for å utføre bakoverkjetting
  • Det er vanskelig å implementere bakoverkjetting

Konklusjon - fremover og bakoverkjetting

Regelbasert system er relevant for menneskets daglige liv, så det er viktig å ha forståelse for disse systemene. Begge modusene som er involvert i regelbaserte systemer har egne sett med fordeler og ulemper. Valg av tilnærming avhenger av problemets art.

Anbefalte artikler

Dette har vært en guide til fremover og bakoverkjetting. Her diskuterer vi egenskaper, eksempler, fordeler og ulemper ved kjetting fremover og bakover. Du kan også se på følgende artikler for å lære mer -

  1. Forward Chaining vs Backward Chaining
  2. Nettverksenheter
  3. Jukseark JQuery
  4. jQuery Elements

Kategori:

Stor Data