Concept

Chaînage avant

Résumé
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.
À propos de ce résultat
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.