Introduktion til fremad- og bagudkædning

Fremad og bagudkædning er de tilstande, der bruges af inferensmotoren til at udlede nye oplysninger fra vidensbasen. Inferensmotor er en af ​​de vigtigste komponenter i det intelligente system i kunstig intelligens, der anvender et sæt logiske regler på den eksisterende information (Knowledge Base) for at udlede nye oplysninger fra den allerede kendte kendsgerning. Fremad og bagudkædning er de to tilstande, hvorpå Inference-motoren trækker ny information. Fremad og bagudformering er nøjagtigt modsat hinanden på den måde, de trækker ny information fra de kendte kendsgerninger.

Hvordan fungerer fremdrift?

Fremadkædning, der er kendt af nogle som fremadrettet og fratrukket fradrag, starter med den kendte kendsgerning eller atom sætning i vidensbasen, og gradvis anvendes inferensregler på de allerede kendte kendsgerninger, indtil vi når måltilstanden. I et nøddeskal træffer fremadkædning en beslutning eller når måltilstanden baseret på de tilgængelige data.

Egenskaber ved fremadkædning

  • Det følger en bottom-up-tilgang, dvs. at resonnementsfradraget bevæger sig fra bund til top
  • Det kaldes også som datadrevet tilgang, da det er afhængig af eksisterende data for at nå måltilstanden
  • Det er konklusion drevet, dvs. dets mål er at nå konklusionen fra den oprindelige tilstand
  • Det er udbredt i ekspertsystemet som CLIPS og produktionsregelsystem

Eksempel

Lad os se på et eksempel for at forstå, hvordan Forward Chaining fungerer i praksis

Regel 1: HVIS A er menneske, DA A er pattedyr

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

Regel 3: HVIS A er en levende form DER A er dødelig

Fakta: Shyam er menneskelig

Fra disse inferensregler skal vi nå målet

Mål: Er Shyam en dødelig?

Steps:

  1. Start med det kendte faktum. Vi ved, at Shyam er menneskelig (Fra den faktiske erklæring).
  2. Ved hjælp af R1 kan vi udlede, at Shyam er et pattedyr. Da det ikke er et mål, skal du fortsætte.
  3. Spring derefter til regel 2: Hvis Shyam er et pattedyr, så er det som en levende form, så vi kan sige, at Murat er en levende form. Da det ikke er et mål, skal du fortsætte
  4. Brug af R3, da Shyam er en livsform, så den skal være dødelig. Da det er målsætningen, så Exit

Fordele ved fremadkædning

  • Forward Chaining fungerer godt, når de tilgængelige oplysninger kan bruges til at nå måltilstanden
  • Forward Chaining har evnen til at levere masser af data fra de begrænsede initialdata
  • Forward Chaining er bedst egnet til Ekspert-systemapplikation, der kræver mere kontrol, planlægning og overvågning
  • Forward Chaining skal anvendes, når der er et begrænset antal oprindelige tilstande eller fakta

Ulemper ved fremadkædning

  • Inferensmotoren genererer nye oplysninger uden at vide, hvilke oplysninger der vil være relevante for at nå måltilstanden
  • Brugeren skal muligvis indtaste en masse information oprindeligt uden at vide, hvilke oplysninger, der vil blive brugt til at nå måltilstanden
  • Inferensmotor kan afvise mange regler, der ikke bidrager til at nå målsætningen
  • Det kan give en anden konklusion, som kan resultere i de høje omkostninger ved kæden

Hvordan fungerer bagudformering?

Bagudkædning eller tilbageforplantning er det modsatte af fremadkædning. Det starter fra måltilstanden og forplantes baglæns ved hjælp af inferensregler for at finde ud af de kendsgerninger, der kan understøtte målet. Det kaldes også som målstyret ræsonnement. Det starter fra det givne mål, søger efter DEN DETTE del af reglen (handlingsdel), hvis reglen findes, og dens IF-del matcher Inferensreglen, så udføres reglen anden Inferensmotor indstiller den som en ny underdel.

Regel 1: HVIS A OG B DER C

Regel 2: HVIS DER DER E

Regel 3: HVIS A OG E DER H

Fakta: A, B

Mål: Bevis H

Bevis:

Trin 1 : Ved det første system kigger du efter det udsagn, der har et mål på RHS, dvs. R3, så kig efter LHS for reglen for at kontrollere, om den indeholder kendsgerningen. Det indeholder A og E, men vi har også brug for B

Trin 2 : Nu vil det have E som det undermål, der er bevist ved regel 2. Se nu på dets LHS, dvs. C

Trin 3: C kan bevises ved regel 1, der har A & B som LHS

Trin 4 : Da vi fik fakta A&B fra målet, så algoritmen slutter her

Trin 5: Stop

Egenskaber ved bagudkædning

  • Bagudkædning er en top-down tilgang, hvor vi starter fra måltilstanden og arbejder baglæns for at finde de nødvendige fakta, der understøtter målsætningen
  • Det er kendt som målstyret tilgang, når vi starter fra målet og derefter opdeler i delmål for at udtrække fakta
  • Det anvender Depth-First-søgestrategien
  • Det kan kun generere et begrænset antal konklusioner
  • Den tester kun for få af de krævede regler

Fordele ved bagudkædning

  • Søgningen i bagudkædning er rettet, så behandlingen afsluttes, når faktumet verificeres
  • Bagudkædning overvejer kun relevante dele af vidensbasen, så det aldrig udfører unødvendige konklusioner
  • I modsætning til Forward Chaining er her kun et par datapunkter nødvendige, men regler søges udtømmende
  • Det er meget effektivt til problemer som diagnosticering og fejlfinding

Ulemper

  • Da bagudkæling er målstyret, så må målet på forhånd være kendt for at udføre bagudkædning
  • Det er vanskeligt at implementere bagudkædning

Konklusion - Forward og Backward Chaining

Regelbaseret system er relevant for menneskets daglige liv, så det er bydende nødvendigt at have forståelse for disse systemer. Begge tilstande, der er involveret i regelbaserede systemer, har deres egne sæt fordele og ulemper. Valget af fremgangsmåden afhænger af problemets art.

Anbefalede artikler

Dette har været en guide til fremad og bagudkædning. Her diskuterer vi egenskaber, eksempler, fordele og ulemper ved frem- og bagudkæling. Du kan også se på de følgende artikler for at lære mere -

  1. Forward Chaining vs Backward Chaining
  2. Netværksenheder
  3. Snyderark JQuery
  4. jQuery Elements

Kategori:

Big Data