Um mecanismo de inferência é um sistema de software projetado para tirar conclusões analisando problemas à luz de um banco de dados de conhecimento especializado que ele utiliza. Atinge resultados lógicos com base nas premissas estabelecidas pelos dados. Às vezes, os mecanismos de inferência também são capazes de ir além do processamento lógico estrito e utilizam cálculos de probabilidade para chegar a conclusões que o banco de dados de conhecimento não suporta estritamente, mas apenas implica ou sugere.
A maioria dos mecanismos de inferência projetados no campo da inteligência artificial é baseada no conceito do sistema especialista. Um sistema especialista é construído para resolver problemas em um campo específico e, às vezes, estritamente definido, como certas especialidades médicas. O componente do mecanismo de inferência de um sistema especialista é a estrutura de controle que produz a saída inicial com base nos dados atualmente existentes na base de conhecimento e nas regras de programação do sistema especialista e, em seguida, aplica-os ao problema específico de maneira significativa. Como os resultados do mecanismo de inferência são resultado dos dados, eles mudam à medida que os dados são atualizados e também podem mudar à medida que os dados são pesquisados de maneiras diferentes pelo próprio mecanismo de inferência. Se os dados no sistema forem ponderados em direção a uma ou mais conclusões em relação a outra, isso poderá alterar os resultados gerados pelo mecanismo de inferência.
O software que usa um mecanismo de inferência pode ser visto como um mecanismo seletivo ativo, em que as ações de processamento são direcionadas pelo estado mais atual dos dados. Os sistemas especialistas têm duas maneiras gerais de processar esses dados armazenados, chamados de encadeamento direto ou encadeamento reverso. No encadeamento progressivo, as regras do sistema especialista analisam os dados fornecidos pelo mecanismo de inferência e os resultados são devolvidos ao armazenamento de dados do sistema como novos dados. Isso desencadeia novas soluções para os problemas, à medida que o sistema refina os dados e os avalia por inferência indutiva, o que significa que as conclusões alcançadas não refletirão necessariamente os dados ou premissas originais que foram usadas para iniciar a análise.
O encadeamento reverso é mais orientado a probabilidade, com os dados armazenados sendo ponderados pelo valor desde o início. As regras são usadas para testar as condições dos dados quanto à validade à luz do problema especificado e, como isso é feito, novos valores de probabilidade são atribuídos aos dados. Também chamado de encadeamento de hipóteses, o encadeamento reverso não tira conclusões estritas até que o teste contínuo dos dados contra as condições estabelecidas pelas regras do sistema especialista atendam a um nível mínimo de prova para a pergunta ou problema que está sendo estudado.
A lógica bayesiana é uma das formas orientadas a probabilidade de software de mecanismo de inferência que utiliza encadeamento reverso, nomeado por Thomas Bayes, um matemático inglês de meados do século XVIII. Essa lógica usa uma base de conhecimento de eventos anteriores para prever resultados futuros por meio de testes repetidos do conhecimento e leva a evidências adicionais dos resultados dos ensaios em novos ensaios, com o objetivo de produzir resultados cada vez mais precisos. A arquitetura do software de lógica difusa também pode contar com o mecanismo de inferência como parte de seu sistema. A diferença com a lógica nebulosa é que a saída é um conjunto nebuloso ou faixa de soluções possíveis que são agregadas em um grupo e, através da lógica e da probabilidade, reduzidas a uma conclusão ou ação ideal.
Inteligente de ativos.