Inferensmotorer

Inferensmotorer är mjukvarukomponenter som tillämpar logiska regler på en kunskapsbas för att dra slutsatser eller fatta beslut. De är centrala i kunskapsbaserade system och i expertsystem där mänsklig expertis formaliseras som regler eller påståenden.

En inferensmotor består vanligtvis av tre delar: en kunskapsbas som innehåller regler och fakta, ett arbetsminne som håller aktuell information samt en mekanism som styr hur regler tillämpas för att generera nya slutsatser. Många motorer inkluderar även en förklaringsfunktion som beskriver hur ett resultat uppnåddes.

Kontrollstrategierna främsta är forward chaining (data-driven) och backward chaining (mål-driven). Forward chaining startar från givna fakta och tillämpar regler för att härleda nya fakta. Backward chaining utgår från ett mål och undersöker vilka regler och fakta som krävs för att nå det målet.

Behandling av osäkerhet sker ofta genom probabilistiska metoder som Bayesian-nätverk eller fuzzy logik.

Reglerbaser uttrycks ofta som productionsregler (IF … THEN …). Andra representationer inkluderar frames, ontologier och beskrivningslogik som används i semantiska webben.

Vanliga tillämpningar inkluderar medicinsk diagnostik, övervakning och felsökning av maskinella system, konfigurations- och designfrågor samt planering och beslutsstöd i olika industrier.

Historiskt var inferensmotorer centrala i tidiga expert- och regelbaserade system på 1970- och 1980-talen, såsom OPS5 och CLIPS; senare integrerades de i bredare AI-ramverk och kunskapsbaserade system.

Begränsningar inkluderar underhåll av regler, begränsad flexibilitet och skalbarhet samt utmaningar med förklarbarhet och transparens i beslutsprocessen.