Reasoning (Powerpoint) Flashcards
Vad är reasoning inom AI?
Förmågan av en dator att kunna göra deductions/ dra slutsatser baserat på data och kunskap.
Används bland annat inom expert system, machine learning och NLP för att kunna dra logiska slutsatser och göra beslut baserat på slutsatserna
Vilka är de 3 vanligaste typerna av reasoning?
- Deductive reasoning
- Inductive reasoning
- Abductive reasoning
Vad innebär deductive reasoning?
Börjar med ett set av premisser och använder sedan dem för att logiskt härleda en slutsats.
Vad menas med induktive reasoning?
Börjar med ett set av data och försöker sedan inferera en generell regel eller princip från datan. Används i statistiska inferencer.
Vad menas med abduktive reasoning?
Börjar med ett set av data och en generell regel eller princip. Försöker sedan att inferera vilken specifik instans av data, regeln eller principen gäller för.
Används vid diagnostic reasoning.
Vad är en Knowledge-Base Agent?
Består av en Knowledge Base och inference rule.
Vad är en knowledge base
Set of sentences represented in a knowledge representation language and represent the world
Vad är Inference Rules
Rådgiver hur ett problem kan lösas, givet att vissa fakta är given.
- Inference rules contein rules about rules
- Inference rules become part of the inference engine
Vad är knowledge rules?
Declarativa rules. State all the facts and relationships about a problem
- Knowledge rules are stored in the nowledge base
Vad är inferencing in rule-based systems? Och vilka två typer finns det?
Inference är processen av att kedja samman flera regler baserat på tillgänglig data
- forward Chaining
- Backward Chaining
Vad är Forward Chaining?
A data-driven search in a rule based system.
If the premise clauses match the situation, then the process attempts to assert the conclusion.
Vad är Backward chaining?
A goal-driven search in a rule-based system.
It begins with the action clause of a rule and works backward through a chain of rules in an attempt to find a verifiable set of condition clauses
Vad menas med att “fire a rule”?
När en regels hypoteser (if-delar) är uppfyllda, en regel sägs vara “Fired”
Hur arbetar en inference engine med att fire rules?
En inference engine check every rule in the knowledge base in a forward or backward direction to find rules that can be fired.
It continues until no more rules can fire, or until a goal is achieved
Hur fungerar backward chaining?
Goal-driven: Börjar från en potentiell slutsats/ hypotes, och söker sedan efter bevis som supports (or contradicts with) it
Involverar att formulera och testa intermediate hypotheses.
Hur fungerar forward chaining?
Data-driven: Börjar från tillgänglig information som den blir tillgänglig och försöker sedan att dra slutsatser
När ska man använda forward chaining?
Om alla fakta finns tillgänglig från början.
Forward chaining tillåter en att dra slutsatser om vad som helst.
Forward chaining är dyrt
När ska man använda backward-chaining?
Diagnostiska problem.
Backward chaining requires know goals
- Premisserna av backward chaining styr vilka fakta / tester som behövs
Vad är strategier för att hantera conflicting rules?
- Etablera ett mål och sluta firing rules när målet är uppnått
- Fire the rule with the highest priority
- Fire the most specific rule
- Fire the rule that uses the data most recently entered
Hur kan man välja mellan olika regler?
Följ hur en domän-expert löser det:
Om först samla data och sedan inferera => Forward chaining
Om expert börjar med hypothetical solution and then attempts to find facts to prove it => Backward chaining
