Система рассуждений - Reasoning system
В информационных технологиях система рассуждений - это программная система, которая генерирует выводы из имеющихся знаний с использованием логических методов, таких как дедукция и индукция . Системы рассуждений играют важную роль в реализации искусственного интеллекта и систем, основанных на знаниях .
Согласно повседневному определению этой фразы, все компьютерные системы являются системами рассуждений в том смысле, что все они автоматизируют некоторый тип логики или решения. Однако при типичном использовании в области информационных технологий эта фраза обычно зарезервирована для систем, которые выполняют более сложные виды рассуждений. Например, не для систем, которые используют довольно простые типы рассуждений, такие как расчет налога с продаж или скидки для клиентов, а делают логические выводы о медицинском диагнозе или математической теореме. Системы рассуждений могут работать в двух режимах: интерактивном и пакетной обработке. Интерактивные системы взаимодействуют с пользователем, чтобы задавать уточняющие вопросы или иным образом позволяют пользователю управлять процессом рассуждений. Пакетные системы сразу принимают всю доступную информацию и генерируют наилучший возможный ответ без обратной связи или указаний пользователя.
Системы Reasoning имеют широкую область применения, которая включает планирование , обработку бизнес-правил , решение проблем , сложную обработку событий , обнаружение вторжений , прогнозную аналитику , робототехнику , компьютерное зрение и обработку естественного языка .
История
Первыми системами рассуждений были средства доказательства теорем, системы, которые представляют аксиомы и утверждения в логике первого порядка, а затем используют правила логики, такие как modus ponens, для вывода новых утверждений. Другой ранний тип системы рассуждений заключался в решении общих проблем. Это были такие системы, как General Problem Solver, разработанный Ньюэллом и Саймоном . Специалисты по решению общих проблем попытались предоставить общий механизм планирования, который мог бы представлять и решать структурированные проблемы. Они работали, разбивая проблемы на более мелкие, более управляемые подзадачи, решая каждую подзадачу и собирая частичные ответы в один окончательный ответ. Другим примером решения общих проблем было семейство систем SOAR .
На практике эти средства доказательства теорем и средства решения общих задач редко были полезны для практических приложений и требовали для использования специализированных пользователей со знанием логики. Первым практическим применением автоматизированного мышления были экспертные системы . Экспертные системы сосредоточены на гораздо более четко определенных областях, чем решение общих проблем, таких как медицинская диагностика или анализ неисправностей в самолете. Экспертные системы также ориентированы на более ограниченные реализации логики. Вместо того, чтобы пытаться реализовать полный набор логических выражений, они обычно сосредотачивались на modus-ponens, реализованном с помощью правил IF-THEN. Сосредоточение внимания на конкретной области и использование только ограниченного подмножества логики улучшило производительность таких систем, так что они стали практичными для использования в реальном мире, а не просто в качестве исследовательских демонстраций, как это было в большинстве предыдущих систем автоматизированного мышления. Механизм, используемый для автоматизированных рассуждений в экспертных системах, обычно называли механизмом вывода . Те, которые используются для более общих логических выводов, обычно называются средствами доказательства теорем .
С ростом популярности экспертных систем многие новые типы автоматизированных рассуждений были применены к различным проблемам в правительстве и промышленности. Некоторые из них, например рассуждение на основе конкретных случаев, были порождением исследований экспертных систем. Другие, такие как алгоритмы удовлетворения ограничений, также находились под влиянием таких областей, как технология принятия решений и линейное программирование. Кроме того, совершенно другой подход, основанный не на символических рассуждениях, а на коннекционистской модели, также оказался чрезвычайно продуктивным. Этот последний тип автоматизированного рассуждения особенно хорошо подходит для задач сопоставления с образцом и обнаружения сигналов, таких как поиск текста и сопоставление лиц.
Использование логики
Термин «система рассуждений» может применяться практически к любому виду сложной системы поддержки принятия решений, как показано в конкретных областях, описанных ниже. Однако наиболее распространенное использование термина «система рассуждений» подразумевает компьютерное представление логики. Различные реализации демонстрируют значительные различия с точки зрения систем логики и формальности. Большинство систем рассуждений реализуют вариации пропозициональной и символической ( предикатной ) логики. Эти варианты могут быть математически точными представлениями систем формальной логики (например, FOL ) или расширенными и гибридными версиями этих систем (например, вежливой логикой). Системы рассуждений могут явно реализовывать дополнительные типы логики (например, модальную , деонтическую , темпоральную логику). Однако многие системы рассуждений реализуют неточные и полуформальные приближения к признанным логическим системам. Эти системы обычно поддерживают множество процедурных и полу- декларативных методов для моделирования различных стратегий рассуждений. Они подчеркивают прагматизм над формальностью и могут зависеть от пользовательских расширений и вложений для решения реальных проблем.
Многие системы рассуждений используют дедуктивное рассуждение, чтобы делать выводы из имеющихся знаний. Эти механизмы вывода поддерживают прямое рассуждение или обратное рассуждение для вывода выводов с помощью modus ponens . Используемые ими рекурсивные методы рассуждений называются « прямая цепочка » и « обратная цепочка » соответственно. Хотя системы рассуждений широко поддерживают дедуктивный вывод, некоторые системы используют абдуктивные , индуктивные , дефинируемые и другие типы рассуждений. Эвристика также может использоваться для определения приемлемых решений трудноразрешимых проблем .
Системы рассуждений могут использовать предположение о закрытом мире (CWA) или предположении об открытом мире (OWA). OWA часто ассоциируется с представлением онтологических знаний и семантической сетью . Различные системы демонстрируют различные подходы к отрицанию . Помимо логического или побитового дополнения , системы могут поддерживать экзистенциальные формы сильного и слабого отрицания, включая отрицание как отказ и «инфляционное» отрицание (отрицание неосновных атомов ). Различные системы рассуждений могут поддерживать монотонное или немонотонное рассуждение, стратификацию и другие логические методы.
Рассуждения в условиях неопределенности
Многие системы рассуждений предоставляют возможности для рассуждений в условиях неопределенности . Это очень важно при строительстве расположенных мыслительных агентов , которые должны иметь дело с неопределенными представлениями мира. Есть несколько общих подходов к управлению неопределенностью. К ним относятся использование факторов достоверности, вероятностных методов, таких как байесовский вывод или теория Демпстера – Шейфера , многозначная (« нечеткая ») логика и различные коннекционистские подходы.
Типы системы рассуждений
В этом разделе дается неполная и неформальная категоризация общих типов систем рассуждений. Эти категории не абсолютны. Они в значительной степени пересекаются и имеют ряд общих приемов, методов и алгоритмов .
Решатели ограничений
Решатели ограничений решают проблемы удовлетворения ограничений (CSP). Они поддерживают программирование в ограничениях . Ограничение является которое должно быть выполнено любым действительным решением проблемы . Ограничения определяются декларативно и применяются к переменным в заданных доменах. Решатели ограничений используют методы поиска , обратного отслеживания и распространения ограничений для поиска решений и определения оптимальных решений. Они могут использовать формы линейного и нелинейного программирования . Они часто используются для оптимизации в сильно комбинаторных проблемных пространствах. Например, их можно использовать для расчета оптимального расписания, проектирования эффективных интегральных схем или максимизации производительности производственного процесса.
Средства доказательства теорем
Средства доказательства теорем используют автоматизированные методы рассуждения для определения доказательств математических теорем. Их также можно использовать для проверки существующих доказательств. Помимо академического использования, типичные приложения для доказательства теорем включают проверку правильности интегральных схем, программ, инженерных разработок и т. Д.
Логические программы
Логические программы (LP) - это программы, написанные с использованием языков программирования , примитивы и выражения которых обеспечивают прямое представление конструкций, выведенных из математической логики. Примером языка логического программирования общего назначения является Prolog . LP представляют собой прямое применение логического программирования для решения проблем. Логическое программирование характеризуется высоко декларативными подходами, основанными на формальной логике, и имеет широкое применение во многих дисциплинах.
Двигатели правил
Механизмы правил представляют условную логику как дискретные правила. Наборы правил можно управлять и применять отдельно к другим функциям. Они имеют широкое применение во многих областях. Многие механизмы правил реализуют возможности рассуждений. Распространенным подходом является внедрение производственных систем для поддержки прямой или обратной цепочки. Каждое правило («производство») связывает конъюнктуру предложений предиката со списком исполняемых действий.
Во время выполнения механизм правил сопоставляет продукцию с фактами и выполняет («запускает») связанный список действий для каждого совпадения. Если эти действия удаляют или изменяют какие-либо факты или утверждают новые факты, механизм немедленно пересчитывает набор совпадений. Механизмы правил широко используются для моделирования и применения бизнес-правил , контроля принятия решений в автоматизированных процессах и обеспечения соблюдения бизнес-политик и технических политик.
Дедуктивный классификатор
Дедуктивные классификаторы возникли несколько позже, чем системы, основанные на правилах, и стали компонентом нового типа инструмента представления знаний искусственного интеллекта , известного как фреймовые языки . Фреймовый язык описывает проблемную область как набор классов, подклассов и отношений между классами. Это похоже на объектно-ориентированную модель. Однако, в отличие от объектно-ориентированных моделей, фрейм-языки имеют формальную семантику, основанную на логике первого порядка.
Они используют эту семантику для предоставления входных данных дедуктивному классификатору. Классификатор, в свою очередь, может анализировать данную модель (известную как онтология ) и определять, согласованы ли различные отношения, описанные в модели. Если онтология несовместима, классификатор выделит несогласованные объявления. Если онтология непротиворечива, классификатор может провести дальнейшие рассуждения и сделать дополнительные выводы об отношениях объектов в онтологии.
Например, он может определить, что объект на самом деле является подклассом или экземпляром дополнительных классов, описанных пользователем. Классификаторы - важная технология в анализе онтологий, используемых для описания моделей в семантической сети .
Системы машинного обучения
Системы машинного обучения со временем изменяют свое поведение на основе опыта . Это может включать в себя рассуждения о наблюдаемых событиях или примерах данных, предоставленных в учебных целях. Например, системы машинного обучения могут использовать индуктивные рассуждения для создания гипотез на основе наблюдаемых фактов. Обучающиеся системы ищут обобщенные правила или функции, которые дают результаты в соответствии с наблюдениями, а затем используют эти обобщения для управления будущим поведением.
Системы рассуждений на основе прецедентов
Системы рассуждений на основе случаев (CBR) предоставляют решения проблем, анализируя сходство с другими проблемами, для которых уже существуют известные решения. Они используют рассуждения по аналогии для вывода решений на основе историй болезни. Системы CBR обычно используются в сценариях клиентской / технической поддержки и колл-центров, а также применяются в промышленном производстве , сельском хозяйстве , медицине , юриспруденции и многих других областях.
Системы процедурных рассуждений
Система процедурных рассуждений (PRS) использует методы рассуждений для выбора планов из процедурной базы знаний . Каждый план представляет собой курс действий для достижения поставленной цели . PRS реализует модель убеждения-желания-намерения , рассуждая на основе фактов (« убеждений »), чтобы выбрать соответствующие планы (« намерения ») для заданных целей («желаний»). Типичные приложения PRS включают системы управления, мониторинга и обнаружения неисправностей .