Un motor de inferencia es un sistema de software que está diseñado para sacar conclusiones mediante el análisis de problemas a la luz de una base de datos de conocimiento experto a la que recurre. Alcanza resultados lógicos basados en las premisas que establecen los datos. A veces, los motores de inferencia también son capaces de ir más allá del estricto procesamiento lógico y utilizan cálculos de probabilidad para llegar a conclusiones que la base de datos de conocimiento no respalda estrictamente, sino que simplemente implica o insinúa.
La mayoría de los motores de inferencia diseñados en el campo de la inteligencia artificial se basan en el concepto del sistema experto. Se ha creado un sistema experto para resolver problemas en un campo específico y, a veces, definido de manera limitada, como ciertas especialidades médicas. El componente del motor de inferencia de un sistema experto es la estructura de control que produce un resultado inicial basado en los datos que existen actualmente en la base de conocimiento y las reglas de programación del sistema experto, luego lo aplica al problema específico de manera significativa. Debido a que los resultados del motor de inferencia son el resultado de los datos, cambian a medida que se actualizan los datos, y también pueden cambiar a medida que el motor de inferencia busca los datos de diferentes maneras. Si los datos en el sistema se ponderan hacia una o más conclusiones sobre otra, esto puede cambiar los resultados que genera el motor de inferencia.
El software que utiliza un motor de inferencia puede verse como un mecanismo selectivo activo, donde las acciones de procesamiento están dirigidas por el estado más actual de los datos. Los sistemas expertos tienen dos formas generales de procesar estos datos almacenados, denominados encadenamiento hacia adelante o encadenamiento hacia atrás. En el encadenamiento hacia adelante, las reglas del sistema experto analizan los datos que le proporciona el motor de inferencia, y los resultados se retroalimentan en el almacenamiento de datos del sistema como datos nuevos. Esto desencadena nuevas soluciones a los problemas a medida que el sistema refina los datos y los sopesa por inferencia inductiva, lo que significa que las conclusiones alcanzadas no necesariamente reflejarán los datos o premisas originales que se utilizaron para comenzar el análisis.
El encadenamiento hacia atrás está más orientado a la probabilidad, y los datos almacenados se ponderan por su valor desde el principio. Las reglas se usan para probar la validez de las condiciones de los datos a la luz del problema dado y, cuando esto se hace, se asignan nuevos valores de probabilidad a los datos. También conocido como encadenamiento hacia atrás basado en hipótesis, no saca conclusiones estrictas hasta que la prueba continua de los datos contra las condiciones establecidas por las reglas del sistema experto cumpla con un nivel mínimo de prueba para la pregunta o problema que se está estudiando.
La lógica bayesiana es una de las formas de software de motor de inferencia orientadas a la probabilidad que utilizan el encadenamiento hacia atrás, llamado así por Thomas Bayes, un matemático inglés de mediados del siglo XVIII. Dicha lógica utiliza una base de conocimiento de eventos anteriores para predecir resultados futuros a través de pruebas repetidas de conocimiento, y tiene en cuenta evidencia adicional de los resultados de los ensayos en nuevos ensayos, con el objetivo de producir resultados cada vez más precisos. La arquitectura de software de lógica difusa también puede confiar en el motor de inferencia como parte de su sistema. La diferencia con la lógica difusa es que la salida es un conjunto difuso o un rango de posibles soluciones que luego se agregan en un grupo y, a través de la lógica y la probabilidad, se reducen a una conclusión o acción óptima.
Inteligente de activos.