Wnioskowanie

Silniki wnioskowaniaEdit

Główne artykuły: Reasoning system, Inference engine, expert system, and business rule engine

Systemy IAI po raz pierwszy zapewniły zautomatyzowane wnioskowanie logiczne i były to kiedyś niezwykle popularne tematy badawcze, prowadzące do zastosowań przemysłowych pod postacią systemów eksperckich, a później silników reguł biznesowych. Nowsze prace nad zautomatyzowanym dowodzeniem twierdzeń mają silniejsze podstawy w logice formalnej.

Zadaniem systemu wnioskowania jest automatyczne rozszerzanie bazy wiedzy. Baza wiedzy (KB) jest zbiorem propozycji, które reprezentują to, co system wie o świecie. System ten może użyć kilku technik do rozszerzenia KB za pomocą poprawnych wnioskowań. Dodatkowym wymaganiem jest, aby wnioski, do których dochodzi system, były istotne dla jego zadania.

Prolog engineEdit

Prolog (od „Programming in Logic”) jest językiem programowania opartym na podzbiorze rachunku predykatów. Jego głównym zadaniem jest sprawdzanie, czy pewna teza może być wywnioskowana z KB (bazy wiedzy) przy użyciu algorytmu zwanego backward chaining.

Powróćmy do naszego sylogizmu Sokratesa. Wprowadzamy do naszej Bazy Wiedzy następujący fragment kodu:

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

( Tutaj :- można odczytać jako „jeżeli”. Ogólnie rzecz biorąc, jeśli P → {{displaystyle \ to }

\to

Q (if P then Q) to w Prologu zakodowalibyśmy Q:-P (Q if P).)
To stwierdza, że wszyscy ludzie są śmiertelni i że Sokrates jest człowiekiem. Teraz możemy zapytać system Prologa o Sokratesa:

?- mortal(socrates).

(gdzie ?- oznacza zapytanie: Czy mortal(socrates). może być wydedukowany z KB przy użyciu reguł)daje odpowiedź „Tak”.

Z drugiej strony, zapytanie systemu Prologa o następującą kwestię:

?- mortal(plato).

daje odpowiedź „Nie”.

Wynika to z tego, że Prolog nie wie nic o Platonie, a więc domyślnie przyjmuje, że każda własność o Platonie jest fałszywa (tzw. założenie o zamkniętym świecie). Wreszcie? – mortal(X) (Czy cokolwiek jest śmiertelne) da wynik „Tak” (a w niektórych implementacjach: „Tak”: X=sokrates)
Prolog może być używany do znacznie bardziej skomplikowanych zadań wnioskowania. Zobacz odpowiedni artykuł dla dalszych przykładów.

Semantic webEdit

Ostatnio automatyczne rozumowania znalazły w semantycznej sieci nowe pole zastosowań. Bazując na logice opisu, wiedza wyrażona za pomocą jednego z wariantów OWL może być logicznie przetwarzana, tzn. można na niej wnioskować.

Statystyka bayesowska i logika prawdopodobieństwaEdit

Główny artykuł: Bayesian inference

Filozofowie i naukowcy, którzy stosują Bayesian framework for inference, używają matematycznych reguł prawdopodobieństwa, aby znaleźć to najlepsze wyjaśnienie. Bayesian view has a number of desirable features – one of them is that it embeds deductive (certain) logic as a subset (this prompts some writers to call Bayesian probability „probability logic”, following E. T. Jaynes).

Bayesians identify probabilities with degrees of beliefs, with certainly true propositions having probability 1, and certainly false propositions having probability 0. Powiedzieć, że „jutro będzie padać” z prawdopodobieństwem 0,9 to powiedzieć, że uważasz możliwość wystąpienia deszczu jutro za bardzo prawdopodobną.

Poprzez reguły prawdopodobieństwa można obliczyć prawdopodobieństwo wniosku i alternatyw. Najlepsze wyjaśnienie jest najczęściej utożsamiane z najbardziej prawdopodobnym (zobacz Bayesian decision theory). Centralną regułą wnioskowania bayesowskiego jest twierdzenie Bayesa.

Logika rozmytaEdit

Main article: Logika rozmyta

Ten dział wymaga rozbudowy. Możesz pomóc, dodając do niego. (październik 2016)

Logika niemonotonicznaEdit

Główny artykuł: Non-monotonic logic

Relacja wnioskowania jest monotoniczna, jeśli dodanie przesłanek nie podważa wcześniej osiągniętych wniosków; w przeciwnym razie relacja jest niemonotoniczna.Dedukcyjne wnioskowanie jest monotoniczne: jeśli wniosek został osiągnięty na podstawie pewnego zestawu przesłanek, to ten wniosek nadal obowiązuje, jeśli doda się więcej przesłanek.

Przeciwnie, codzienne rozumowanie jest w większości niemonotoniczne, ponieważ wiąże się z ryzykiem: wyciągamy wnioski z dedukcyjnie niewystarczających przesłanek. Wiemy, kiedy warto, a nawet trzeba (np. w diagnostyce medycznej) podjąć ryzyko. Wiemy, kiedy warto, a nawet trzeba (np. w diagnostyce medycznej) podejmować ryzyko, ale jesteśmy też świadomi, że takie wnioskowanie jest zawodne – że nowe informacje mogą podważyć stare wnioski. Różne rodzaje zawodnego, ale nadzwyczaj udanego wnioskowania tradycyjnie przyciągały uwagę filozofów (teorie indukcji, teoria abdukcji Peirce’a, wnioskowanie do najlepszego wyjaśnienia itp.) Ostatnio logicy zaczęli podchodzić do tego zjawiska z formalnego punktu widzenia. Wynikiem tego jest obszerny zbiór teorii na styku filozofii, logiki i sztucznej inteligencji.

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Pola, których wypełnienie jest wymagane, są oznaczone symbolem *