Inferenza

Motori di inferenzaModifica

Articoli principali: Reasoning system, Inference engine, expert system, and business rule engine

I sistemi AI hanno dapprima fornito inferenza logica automatizzata e questi sono stati un tempo argomenti di ricerca estremamente popolari, portando ad applicazioni industriali sotto forma di sistemi esperti e successivamente di business rule engine. Un lavoro più recente sulla dimostrazione automatizzata dei teoremi ha avuto una base più forte nella logica formale.

Il compito di un sistema di inferenza è quello di estendere automaticamente una base di conoscenza. La base di conoscenza (KB) è un insieme di proposizioni che rappresentano ciò che il sistema conosce del mondo. Diverse tecniche possono essere utilizzate da tale sistema per estendere la KB per mezzo di inferenze valide. Un ulteriore requisito è che le conclusioni a cui il sistema arriva siano rilevanti per il suo compito.

Prolog engineEdit

Prolog (per “Programming in Logic”) è un linguaggio di programmazione basato su un sottoinsieme del calcolo dei predicati. Il suo compito principale è quello di verificare se una certa proposizione può essere dedotta da una KB (base di conoscenza) utilizzando un algoritmo chiamato backward chaining.

Torniamo al nostro sillogismo di Socrate. Inseriamo nella nostra Knowledge Base il seguente pezzo di codice:

mortal(X) :- man(X).man(socrates). 

( Qui :- può essere letto come “se”. In generale, se P → {displaystyle \to }

\to

Q (if P then Q) allora in Prolog si codifica Q:-P (Q if P).)
Questo afferma che tutti gli uomini sono mortali e che Socrate è un uomo. Ora possiamo chiedere al sistema Prolog informazioni su Socrate:

?- mortal(socrates).

(dove ?- significa una domanda: Può mortal(socrates). essere dedotto dalla KB usando le regole) dà la risposta “Sì”.

D’altra parte, chiedendo al sistema Prolog quanto segue:

?- mortal(plato).

dà la risposta “No”.

Questo perché Prolog non sa nulla di Platone, e quindi dà per scontato che qualsiasi proprietà su Platone sia falsa (la cosiddetta assunzione di mondo chiuso). Infine? – mortal(X) (Qualcosa è mortale) darebbe come risultato “Sì” (e in alcune implementazioni: “Sì”: X=socrate)
Prolog può essere usato per compiti di inferenza molto più complicati. Vedere l’articolo corrispondente per ulteriori esempi.

Semantic webEdit

Di recente i ragionatori automatici hanno trovato nel web semantico un nuovo campo di applicazione. Essendo basati sulla logica della descrizione, la conoscenza espressa usando una variante di OWL può essere processata logicamente, cioè, le inferenze possono essere fatte su di essa.

Statistica bayesiana e logica della probabilitàModifica

Articolo principale: Inferenza bayesiana

Filosofi e scienziati che seguono il quadro bayesiano per l’inferenza usano le regole matematiche della probabilità per trovare questa migliore spiegazione. La visione bayesiana ha un certo numero di caratteristiche desiderabili – una di queste è che incorpora la logica deduttiva (certa) come sottoinsieme (questo spinge alcuni scrittori a chiamare la probabilità bayesiana “logica della probabilità”, seguendo E. T. Jaynes).

I bayesiani identificano le probabilità con i gradi di credenza, con proposizioni certamente vere che hanno probabilità 1, e proposizioni certamente false che hanno probabilità 0. Dire che “domani pioverà” ha una probabilità di 0,9 equivale a dire che si considera estremamente probabile la possibilità che domani piova.

Attraverso le regole della probabilità, si può calcolare la probabilità di una conclusione e delle alternative. La migliore spiegazione è più spesso identificata con la più probabile (vedi teoria decisionale bayesiana). Una regola centrale dell’inferenza bayesiana è il teorema di Bayes.

Logica fuzzyModifica

Articolo principale: Fuzzy logic

Questa sezione ha bisogno di essere ampliata. Puoi aiutare aggiungendovi qualcosa. (Ottobre 2016)

Logica non monotonaModifica

Articolo principale: Logica non monotona

Una relazione di inferenza è monotona se l’aggiunta di premesse non mina le conclusioni precedentemente raggiunte; altrimenti la relazione è non monotona.L’inferenza deduttiva è monotona: se una conclusione è raggiunta sulla base di un certo insieme di premesse, allora quella conclusione è ancora valida se vengono aggiunte altre premesse.

Al contrario, il ragionamento quotidiano è per lo più non monotono perché implica un rischio: saltiamo a conclusioni da premesse deduttivamente insufficienti; sappiamo quando vale la pena o addirittura è necessario (ad esempio nella diagnosi medica) correre il rischio. Eppure siamo anche consapevoli che tale inferenza è disfatta – che nuove informazioni possono minare le vecchie conclusioni. Vari tipi di inferenza sconfitto ma di notevole successo hanno tradizionalmente catturato l’attenzione dei filosofi (teorie dell’induzione, teoria dell’abduzione di Peirce, inferenza alla migliore spiegazione, ecc.) Più recentemente i logici hanno iniziato ad avvicinarsi al fenomeno da un punto di vista formale. Il risultato è un ampio corpo di teorie all’interfaccia tra filosofia, logica e intelligenza artificiale.

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *