Le chaînage avant est une méthode de déduction qui applique des règles en partant des prémisses pour en déduire de nouvelles conclusions. Ces conclusions enrichissent la mémoire de travail et peuvent devenir les prémisses d'autres règles. Par opposition, le chaînage arrière part des conclusions pour essayer de « remonter » aux axiomes. Le chaînage avant est utilisé en intelligence artificielle, dans un système expert à base de règles, dans un moteur de règles, ou encore dans un système de production.
Le chaînage avant commence avec les données disponibles et utilise des règles d'inférence pour extraire davantage de données jusqu'à ce qu'un but soit atteint. Un moteur d'inférence qui utilise le chaînage avant effectue une recherche dans les règles d'inférence jusqu'à ce qu'il trouve un antécédent (Si l'article) qui est connu pour être vrai. Une fois trouvé, il peut en déduire que la conséquence (alors l'article) est vraie aussi, ce qui entraîne l'ajout de nouvelles informations à ses données.
Les moteurs d'inférence réitèrent ce processus jusqu'à ce qu'un but soit atteint ou que plus aucune règle ne s'applique.
Par exemple, on suppose que l'objectif est de conclure la couleur d'un animal de compagnie nommé Fritz, étant donné qu'il coasse et mange des mouches, et que la base contient les quatre règles suivantes :
Si X coasse et mange des mouches, alors X est une grenouille.
Si X piaule et chante, alors X est un canari.
Si X est une grenouille, alors X est vert.
Si X est un canari, alors X est jaune.
Sur ces règles de base, la première sera choisie, parce que son antécédent (Si Fritz coasse et mange des mouches) correspond à nos données. Maintenant, la conséquente (X est une grenouille) est ajoutée aux données. Les règles de base sont de nouveau examinées et cette fois-ci, la troisième règle est sélectionnée, parce que son antécédent (Si Fritz est une grenouille) correspond aux données qui viennent d'être confirmées. Maintenant, la nouvelle conséquente (Fritz est vert) est ajoutée à nos données.
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
L'algorithme de Rete est un algorithme performant de filtrage par motif (« pattern matching ») intervenant dans l'implémentation de systèmes de règles de production. L'algorithme a été conçu par Charles L. Forgy de l'université Carnegie-Mellon, tout d'abord publié comme une note de travail en 1974, puis plus tard élaboré dans sa thèse de doctorat en 1979 et dans une publication de 1982. Rete est devenu la base de nombreux systèmes experts tels que Clips, Jess, Drools, Ilog JRules, Soar...
Un moteur d'inférence (du verbe « inférer » qui signifie « déduire ») est un logiciel (processus informatique) correspondant à un algorithme de simulation des raisonnements déductifs. Un moteur d'inférence permet aux systèmes experts de conduire des raisonnements logiques et de dériver des conclusions à partir d'une base de faits et d'une base de connaissances. Les moteurs d'inférence peuvent implémenter : une logique formelle d'ordre 0 (logique des propositions), d'ordre 0+, d'ordre 1 (logique des prédicats) ou d'ordre 2 avec une gestion d'hypothèses monotone ou non monotone, un chaînage avant, chaînage arrière ou mixte, une complétude déductive ou non.
Le chaînage arrière ou raisonnement arrière est une méthode d'inférence qui peut être décrite (en termes profanes) comme une manière de travailler en remontant en arrière de l'objectif. Il est utilisé en intelligence artificielle, dans un système expert à base de règles ou encore dans un assistant de preuve. En théorie des jeux, son utilisation dans les sous-jeux pour trouver une solution au jeu est appelée raisonnement rétrograde.
Introduction aux techniques de l'Intelligence Artificielle, complémentée par des exercices de programmation qui montrent les algorithmes et des exemples de leur application à des problèmes pratiques.
Smartphone applications that use passive sensing to support human health and well-being primarily rely on: (a) generating low-dimensional representations from high-dimensional data streams; (b) making inferences regarding user behavior; and (c) using those ...
Association for Computing Machinery2020
,
As modern data pipelines continue to collect, produce, and store a variety of data formats, extracting and combining value from traditional and context-rich sources such as strings, text, video, audio, and logs becomes a manual process where such formats a ...
2023
Bounding the generalization error of learning algorithms has a long history, which yet falls short in explaining various generalization successes including those of deep learning. Two important difficulties are (i) exploiting the dependencies between the h ...