prucommercialre.com


¿Qué es un motor de inferencia?

Un motor de inferencia es un sistema de software que está diseñado para sacar conclusiones mediante el análisis de los problemas a la luz de una base de datos de conocimiento experto que se basa. Alcanza resultados lógicos basados ​​en los locales de los datos establece. A veces inferencia motores también son capaces de ir más allá de la estricta lógica de procesamiento, y utilizan los cálculos de probabilidad de llegar a conclusiones de que la base de datos de conocimiento no admite estrictamente, sino que simplemente implica o sugerencias a.

La mayoría de los motores de inferencia diseñados en el campo de la inteligencia artificial se basan en el concepto del sistema experto. Un sistema experto está construido para resolver problemas en un determinado ámbito y a veces en sentido estricto, como ciertas especialidades médicas. El componente motor de inferencia de un sistema experto es la estructura de control que produce una salida inicial basada en todos los datos que existe actualmente en el las normas de programación del sistema experto base de conocimientos y, luego aplicarlo al problema específico de una manera significativa. Debido a que los resultados del motor de inferencia son el resultado de los datos, que cambian a medida que se actualizan los datos, y también pueden cambiar a medida que los datos se busca de diferentes maneras por el motor de inferencia sí mismo. Si los datos en el sistema se ponderan hacia uno o más conclusiones sobre otro, esto puede cambiar los resultados que genera el motor de inferencia.

El software que utiliza un motor de inferencia puede ser visto como un mecanismo selectivo activo, donde las acciones de procesamiento son dirigidos por el estado más actual de los datos. Los sistemas expertos tienen dos formas generales de procesamiento de estos datos almacenados, a que se refiere como encadenamiento hacia adelante o encadenamiento hacia atrás. En encadenamiento hacia adelante, las reglas del sistema experto analizar los datos alimentados a la misma por el motor de inferencia, y los resultados son alimentados de nuevo en el almacenamiento de datos del sistema como nuevos datos. Esto desencadena nuevas soluciones a problemas como el sistema refina los datos y pesa por inferencia inductiva, lo que significa que las conclusiones alcanzadas no reflejan necesariamente los datos originales o locales que se utilizaron para iniciar el análisis.

Encadenamiento hacia atrás es más probabilidad orientado, con los datos almacenados se ponderarán de valor desde el principio. Las reglas se utilizan para probar las condiciones de los datos de validez a la luz del problema dado, y, como se hace esto, los nuevos valores de probabilidad son asignados a los datos. También se conoce como hipótesis impulsada, encadenamiento hacia atrás no saca conclusiones estrictas hasta el ensayo continuo de los datos frente a las condiciones establecidas por las reglas del sistema experto satisfacer un nivel mínimo de la prueba de la pregunta o problema que se estudia.

Lógica bayesiana es una de las formas de probabilidad orientada de software de motor de inferencia que utilizan el encadenamiento hacia atrás, llamado así por Thomas Bayes, un matemático Inglés de mediados del siglo 18. Esa lógica utiliza una base de conocimientos de los eventos anteriores para predecir resultados futuros a través de pruebas repetidas de los conocimientos, y factores como prueba adicional de los resultados de los ensayos en nuevos ensayos, con el objetivo de producir más y más precisos resultados. Fuzzy arquitectura de software lógica también puede confiar en el motor de inferencia como parte de su sistema. La diferencia con la lógica difusa es que la salida es un conjunto difuso o gama de posibles soluciones que se agregan en un grupo y, a través de la lógica y la probabilidad, estrechadas a una conclusión o acción óptima.