Un motor de inferencia es un sistema de software que est? dise?ado para sacar conclusiones mediante el an?lisis de problemas a la luz de una base de datos de conocimiento experto a la que recurre. Alcanza resultados l?gicos basados ??en las premisas que establecen los datos. A veces, los motores de inferencia tambi?n son capaces de ir m?s all? del estricto procesamiento l?gico y utilizan c?lculos de probabilidad para llegar a conclusiones que la base de datos de conocimiento no respalda estrictamente, sino que simplemente implica o insin?a.
La mayor?a de los motores de inferencia dise?ados 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 espec?fico y, a veces, definido de manera limitada, como ciertas especialidades m?dicas. 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 programaci?n del sistema experto, luego lo aplica al problema espec?fico 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 tambi?n 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 m?s 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 est?n dirigidas por el estado m?s actual de los datos. Los sistemas expertos tienen dos formas generales de procesar estos datos almacenados, denominados encadenamiento hacia adelante o encadenamiento hacia atr?s. 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 reflejar?n los datos o premisas originales que se utilizaron para comenzar el an?lisis.
El encadenamiento hacia atr?s est? m?s 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. Tambi?n conocido como encadenamiento hacia atr?s basado en hip?tesis, 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 m?nimo de prueba para la pregunta o problema que se est? estudiando.
La l?gica bayesiana es una de las formas de software de motor de inferencia orientadas a la probabilidad que utilizan el encadenamiento hacia atr?s, llamado as? por Thomas Bayes, un matem?tico ingl?s de mediados del siglo XVIII. Dicha l?gica utiliza una base de conocimiento de eventos anteriores para predecir resultados futuros a trav?s 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 m?s precisos. La arquitectura de software de l?gica difusa tambi?n puede confiar en el motor de inferencia como parte de su sistema. La diferencia con la l?gica difusa es que la salida es un conjunto difuso o un rango de posibles soluciones que luego se agregan en un grupo y, a trav?s de la l?gica y la probabilidad, se reducen a una conclusi?n o acci?n ?ptima.
Inteligente de activos.