Introduktion till framåt och bakåtkedja

Framåt och bakåtkedja är de lägen som används av inferensmotorn för att dra ny information från kunskapsbasen. Inferensmotor är en av de viktigaste komponenterna i det intelligenta systemet inom artificiell intelligens som tillämpar en uppsättning logiska regler för befintlig information (Knowledge Base) för att dra ny information från det redan kända faktum. Framåt och bakåtkedja är de två lägena för vilka inferensmotorn drar ny information. Framåt och bakåtutbredning är precis motsatta av varandra på det sätt de drar ny information från de kända fakta.

Hur fungerar framåt propagering?

Framåtkedjning känd av vissa som framåt resonemang eller framåtreduktion börjar med det kända faktumet eller atomsatsen i kunskapsbasen och gradvis tillämpas inferensregler på de redan kända fakta tills vi når målet. I ett nötskal tar framåtkedjan ett beslut eller når måltillståndet baserat på tillgängliga data.

Egenskaper för framåtkedja

  • Det följer en bottom-up-strategi, dvs resonemangsdraget rör sig från botten till toppen
  • Det kallas också som datadrivet tillvägagångssätt eftersom det förlitar sig på befintliga data för att nå måltillståndet
  • Det är slutsatser dvs det är målet att nå slutsatsen från det ursprungliga tillståndet
  • Det används ofta i expertsystemet som CLIPS och produktionsregelsystem

Exempel

Låt oss titta på ett exempel för att förstå hur Forward Chaining fungerar i praktiken

Regel 1: OM A är mänskligt så är A däggdjur

Regel 2: OM A är ett däggdjur SÅ A är en levande form

Regel 3: OM A är en levande form DAN A är dödlig

Fakta: Shyam är mänsklig

Från dessa inferensregler måste vi nå målet

Mål: Är Shyam en dödlig?

Steg:

  1. Börja med det kända faktumet. Vi vet att Shyam är mänsklig (från faktauppgiften).
  2. Med R1 kan vi dra slutsatsen att Shyam är ett däggdjur. Eftersom det inte är ett målförklaring så fortsätt.
  3. Hoppa sedan till regel 2: om Shyam är ett däggdjur så är det som en levande form så att vi kan säga att Murat är en levande form. Eftersom det inte är ett målförklaring så fortsätt
  4. Med hjälp av R3, eftersom Shyam är en livsform så måste den vara dödlig. Eftersom det är målmeddelandet så Avsluta

Fördelar med framåtkedja

  • Framåtkedja fungerar bra när tillgänglig information kan användas för att nå måltillståndet
  • Forward Chaining har förmågan att tillhandahålla massor av data från begränsade initiala data
  • Forward Chaining passar bäst för Expert-systemapplikationer som kräver mer kontroll, planering och övervakning
  • Framåtkedja bör tillämpas när det finns ett begränsat antal initialtillstånd eller fakta

Nackdelar med framåtkedja

  • Inferensmotorn kommer att generera ny information utan att veta vilken information som är relevant för att nå måltillståndet
  • Användaren kan behöva ange mycket information initialt utan att veta vilken information som kommer att användas för att nå måltillståndet
  • Inferensmotor kan avfyra många regler som inte bidrar till att nå målet
  • Det kan ge olika slutsatser som kan leda till höga kostnader för kedjeprocessen

Hur fungerar bakåtförökning?

Bakåtkedja eller bakåtförökning är motsatsen till framåtkedjning. Det börjar från måltillståndet och sprider sig bakåt med hjälp av inferensregler för att ta reda på fakta som kan stödja målet. Det kallas också som måldriven resonemang. Det börjar från det givna målet, söker efter THEN-delen av regeln (åtgärdsdel) om regeln hittas och dess IF-del matchar Inferensregeln så utförs regeln annan Inferensmotor ställer den in som en ny underdel.

Regel 1: OM A OCH B DAN C

Regel 2: IF C THEN E

Regel 3: IF A AND E THEN H

Fakta: A, B

Mål: bevisa H

Bevis:

Steg 1 : Först letar systemet efter uttalandet som har mål på RHS, dvs. R3, leta sedan efter LHS för regeln för att kontrollera om den innehåller fakta. Det innehåller A och E men vi behöver också B

Steg 2 : Nu kommer det att ha E som det undermål som bevisas av regel 2. Titta nu på dess LHS dvs. C

Steg 3: C kan bevisas med regel 1 som har A & B som LHS

Steg 4 : Sedan vi fick fakta A&B från målet så att algoritmen slutar här

Steg 5: Stopp

Egenskaper för bakåtkedja

  • Backward Chaining är en ovanifrån och ner-strategi där vi börjar från målläget och arbetar bakåt för att hitta de nödvändiga fakta som stöder målsättningen
  • Det är känt som målstyrd strategi när vi börjar från målet och sedan delar upp i delmål för att extrahera fakta
  • Det tillämpar djup-först-sökstrategin
  • Det kan bara generera ett begränsat antal slutsatser
  • Den testar bara för några av de obligatoriska reglerna

Fördelar med bakåtkedja

  • Sökningen i bakåtkedjor riktas så att behandlingen avslutas när faktumet verifieras
  • Bakåtkedja överväger endast relevanta delar av kunskapsbasen så att den aldrig utför onödiga slutsatser
  • Till skillnad från framåtkedjan behövs här bara några datapunkter men regler söks uttömmande
  • Det är mycket effektivt för problem som diagnos och felsökning

nackdelar

  • Eftersom bakåtkedjning är målstyrd, så måste målet i förväg vara känt för att utföra bakåtkedjning
  • Det är svårt att genomföra bakåtkedjor

Slutsats - framåt och bakåtkedja

Regelbaserat system är relevant för människans dagliga liv så det är absolut nödvändigt att ha förståelse för dessa system. Båda lägena involverade i regelbaserade system har sina egna uppsättningar av fördelar och nackdelar. Valet av tillvägagångssätt beror på problemets natur.

Rekommenderade artiklar

Detta har varit en guide till framåt och bakåtkedja. Här diskuterar vi egenskaper, exempel, fördelar och nackdelar med framåt och bakåtkedja. Du kan också titta på följande artiklar för att lära dig mer -

  1. Framåtkedja vs bakåtkedja
  2. Nätverksenheter
  3. Fuskark JQuery
  4. jQuery Elements

Kategori:

Big Data