Forward Chaining và backward chaining trong AI

Trong trí tuệ nhân tạo, Forward Chaining và Backward là một trong những chủ đề quan trọng, nhưng trước khi hiểu về Forward Chaining và Backward, trước tiên hãy hiểu rằng hai thuật ngữ này xuất phát từ đâu.

Lý thuyết suy diễn trong AI

Suy diễn trong trí tuệ nhân tạo (AI) là một quá trình logic mà thông qua đó các hệ thống AI rút ra kết luận dựa trên dữ liệu hoặc thông tin đã biết. Trong bối cảnh của AI, suy diễn đóng vai trò quan trọng trong việc giúp máy móc “hiểu” và áp dụng kiến thức, từ đó thực hiện các quyết định hoặc dự đoán. Quá trình này giúp các hệ thống AI mô phỏng cách suy nghĩ của con người, cho phép chúng xử lý và phản ứng với các tình huống phức tạp.

Forward Chaining

Forward Chaining là một phương pháp suy diễn trong AI, nơi mà hệ thống bắt đầu từ một tập dữ liệu hoặc thông tin đã biết và tiến hành áp dụng các quy tắc để rút ra kết luận. Nó được xem là một phương pháp “từ dưới lên”, vì nó xây dựng kết luận từ cơ sở dữ liệu hiện có.

Cách thức hoạt động của Forward Chaining

Trong Forward Chaining, hệ thống sẽ lần lượt xem xét từng quy tắc trong cơ sở quy tắc và áp dụng những quy tắc phù hợp với dữ liệu hoặc thông tin hiện có. Quá trình này tiếp tục cho đến khi đạt được một kết luận hoặc không còn quy tắc nào có thể áp dụng.

Quá trình này thường được mô tả như một chuỗi các bước logic, nơi mỗi bước là sự kết hợp của dữ liệu và một quy tắc để sản sinh ra thông tin mới.

Ứng dụng và ví dụ cụ thể của Forward Chaining trong AI

Forward Chaining được sử dụng rộng rãi trong các hệ thống chuyên gia, nơi nó giúp đưa ra quyết định dựa trên một loạt các quy tắc đã được lập trình trước.

Ví dụ, trong một hệ thống hỗ trợ quyết định lâm sàng, Forward Chaining có thể được sử dụng để kết hợp thông tin từ các triệu chứng bệnh nhân với kiến thức y khoa để đề xuất các chẩn đoán hoặc phác đồ điều trị.

Ưu và nhược điểm của Forward Chaining

Ưu điểm: Forward Chaining rất hữu ích trong việc xử lý các tình huống có cấu trúc và rõ ràng, nơi mà tất cả các thông tin đầu vào đều đã biết. Nó cung cấp một quy trình logic và tuần tự, dễ dàng theo dõi và kiểm tra.

Nhược điểm: Phương pháp này có thể không hiệu quả trong các tình huống có lượng dữ liệu lớn hoặc phức tạp, do cần xem xét mọi quy tắc có sẵn. Nó cũng có thể bị giới hạn bởi cơ sở dữ liệu và quy tắc hiện có, có nghĩa là nó không linh hoạt trong việc xử lý thông tin mới hoặc ngoại lệ.

Ví dụ:

“Theo luật, người Mỹ bán vũ khí cho các quốc gia thù địch là phạm tội. Quốc gia A, kẻ thù của Mỹ, có một số tên lửa, và tất cả tên lửa đã được Robert, một công dân Mỹ, bán cho nó.”

Chứng minh rằng “Robert là tội phạm.”

Để giải quyết vấn đề trên, đầu tiên, chúng ta sẽ chuyển tất cả các dữ kiện trên thành các mệnh đề xác định bậc nhất, và sau đó chúng ta sẽ sử dụng thuật toán chuỗi chuyển tiếp để đạt được mục tiêu.

Sự kiện Chuyển đổi thành FOL

Một người Mỹ bán vũ khí cho các quốc gia thù địch là một tội ác. (Giả sử p, q và r là các biến)

• Mỹ (p) ∧ vũ khí (q) ∧ bán (p, q, r) ∧ thù địch (r) → Tội phạm (p) … (1)
• Quốc gia A có một số tên lửa. ? p Sở hữu (A, p) ∧ Tên lửa (p). Nó có thể được viết thành hai mệnh đề xác định bằng cách sử dụng Lập tức hiện sinh, giới thiệu Hằng số T1 mới.
• Quyền sở hữu (A, T1) …… (2)
• Tên lửa (T1) ……. (3)
• Tất cả các tên lửa đã được Robert bán cho quốc gia A.
• ? p Tên lửa (p) ∧ Sở hữu (A, p) → Bán (Robert, p, A) …… (4)
• Tên lửa là vũ khí.
• Tên lửa (p) → Vũ khí (p) ……. (5)
• Kẻ thù của Mỹ được biết đến là kẻ thù.
• Kẻ thù (p, Mỹ) → Kẻ thù địch (p) …….. (6)
• Quốc gia A là kẻ thù của Mỹ.
• Kẻ thù (A, Mỹ) ……… (7)
• Robert là người Mỹ
• Người Mỹ (Robert). ……….(số 8)

Chứng minh Forward Chaining

Bước 1:

Trong bước đầu tiên, chúng ta sẽ bắt đầu với các dữ kiện đã biết và sẽ chọn những câu không có hàm ý, chẳng hạn như: American (Robert), Enemy (A, America), Owns (A, T1) và Missile (T1). Tất cả những dữ kiện này sẽ được trình bày như bên dưới.

Bước 2:

Ở bước thứ hai, chúng ta sẽ thấy những dữ kiện đó suy ra từ những dữ kiện có sẵn và với những tiền đề hài lòng.

• Quy tắc- (1) không thỏa mãn các tiền đề, vì vậy nó sẽ không được thêm vào trong lần lặp đầu tiên.
• Quy tắc- (2) và (3) đã được thêm vào.
• Quy tắc- (4) thỏa mãn với sự thay thế {p / T1}, do đó Bán (Robert, T1, A) được thêm vào, suy ra từ sự kết hợp của Quy tắc (2) và (3).
• Quy tắc- (6) thỏa mãn với sự thay thế (p / A), vì vậy Hostile (A) được thêm vào và suy ra từ Quy tắc- (7).

Bước 3:

Ở bước 3, như chúng ta có thể kiểm tra Quy tắc- (1) đã thỏa mãn với sự thay thế {p / Robert, q / T1, r / A}, vì vậy chúng ta có thể thêm Hình sự (Robert) suy ra tất cả các dữ kiện có sẵn. Và do đó chúng tôi đã đạt được mục tiêu của mình.

Do đó, nó được chứng minh rằng Robert là tội phạm bằng cách sử dụng phương pháp tiếp cận Forward Chain.

Backward Chaining

Backward Chaining là một kỹ thuật suy diễn trong AI, thường được sử dụng trong các hệ thống chuyên gia. Điều đặc biệt của phương pháp này là nó bắt đầu từ mục tiêu hoặc kết luận mong muốn và làm việc ngược trở lại để tìm ra chuỗi sự kiện hoặc dữ liệu cần thiết để hỗ trợ kết luận đó. Đây là một phương pháp “từ trên xuống”, tập trung vào việc tìm kiếm và xác minh thông tin cần thiết để đạt được một mục tiêu cụ thể.

Cách thức hoạt động của Backward Chaining

Trong Backward Chaining, hệ thống sẽ xác định mục tiêu cuối cùng và sau đó phân tích nó thành các mục tiêu nhỏ hơn, hay còn gọi là sub-goals. Hệ thống sau đó tìm kiếm trong cơ sở dữ liệu và cơ sở quy tắc để tìm các dữ liệu hoặc thông tin có thể hỗ trợ hoặc chứng minh cho mỗi sub-goal. Quá trình này tiếp tục cho đến khi tất cả các sub-goals được giải quyết, từ đó dẫn đến việc xác nhận hoặc bác bỏ mục tiêu ban đầu.

Ứng dụng và ví dụ cụ thể của Backward Chaining trong AI

Backward Chaining được ứng dụng rộng rãi trong lĩnh vực giải quyết vấn đề và chứng minh định lý.

Ví dụ, trong một hệ thống tư vấn pháp lý, Backward Chaining có thể được sử dụng để xác định liệu một vụ án cụ thể có tuân theo một quy định pháp luật nhất định hay không, bằng cách phân tách quy định đó thành các yếu tố cụ thể và kiểm tra liệu tất cả các yếu tố đó có được thỏa mãn trong vụ án.

Ưu và nhược điểm của Backward Chaining

Ưu điểm: Backward Chaining hiệu quả trong việc xử lý các vấn đề phức tạp nơi mục tiêu cuối cùng rõ ràng nhưng con đường để đạt được mục tiêu đó không. Nó giúp giảm thiểu lượng dữ liệu cần xem xét bằng cách tập trung chỉ vào những thông tin cần thiết để hỗ trợ mục tiêu.

Nhược điểm: Phương pháp này có thể trở nên kém hiệu quả nếu số lượng sub-goals lớn hoặc nếu không có đủ thông tin trong cơ sở dữ liệu để hỗ trợ các mục tiêu con. Ngoài ra, nó đòi hỏi hệ thống phải có một cơ sở dữ liệu và tập quy tắc rất rõ ràng và chi tiết.

Ví dụ:

Trong backward, chúng ta sẽ sử dụng cùng một ví dụ trên và sẽ viết lại tất cả các quy tắc.

• Mỹ (p) ∧ vũ khí (q) ∧ bán (p, q, r) ∧ thù địch (r) → Tội phạm (p) … (1)
• Quyền sở hữu (A, T1) …….. (2)
• Tên lửa (T1)
• ? p Tên lửa (p) ∧ Sở hữu (A, p) → Bán (Robert, p, A) …… (4)
• Tên lửa (p) → Vũ khí (p) ……. (5)
• Kẻ thù (p, Mỹ) → Kẻ thù địch (p) …….. (6)
• Kẻ thù (A, Mỹ) ……… (7)
• Người Mỹ (Robert). ……….(số 8)

Chứng minh Backward-Chaining

Trong Backward chaining, chúng ta sẽ bắt đầu với vị từ mục tiêu, là Hình sự (Robert), và sau đó suy ra các quy tắc khác.

Bước 1:

Ở bước đầu tiên, chúng ta sẽ xem xét thực tế về mục tiêu. Và từ thực tế mục tiêu, chúng tôi sẽ suy ra các dữ kiện khác, và cuối cùng, chúng tôi sẽ chứng minh những thực tế đó là đúng. Vì vậy, thực tế mục tiêu của chúng tôi là “Robert Criminal”, vì vậy theo sau là vị ngữ của nó.

Bước 2:

Ở bước thứ hai, chúng ta sẽ suy ra các dữ kiện khác tạo thành thực tế mục tiêu thỏa mãn các quy tắc. Vì vậy, như chúng ta có thể thấy trong Quy tắc-1, vị từ mục tiêu là Hình sự (Robert) hiện diện với sự thay thế {Robert / P}. Vì vậy, chúng tôi sẽ thêm tất cả các dữ kiện liên hợp dưới cấp độ đầu tiên và sẽ thay thế p bằng Robert.

Ở đây chúng ta có thể thấy American (Robert) là một sự thật, vì vậy nó được chứng minh ở đây.

Bước-3:

Ở bước 3, chúng ta sẽ trích xuất thêm thông tin thực tế về Tên lửa (q) được suy ra từ Vũ khí (q), vì nó thỏa mãn Quy tắc- (5). Weapon (q) cũng đúng với sự thay thế của một hằng số T1 tại q.

Bước 4:

Ở bước 4, chúng ta có thể suy ra các dữ kiện Tên lửa (T1) và Sở hữu (A, T1) tạo thành Bán (Robert, T1, r) thỏa mãn Quy tắc-4, với sự thay thế A thay cho r. Vì vậy, hai tuyên bố này được chứng minh ở đây.

Bước-5:

Ở bước 5, chúng ta có thể suy ra thực tế là Kẻ thù (A, Mỹ) từ Kẻ thù địch (A) thỏa mãn Quy tắc- 6. Và do đó tất cả các tuyên bố đều được chứng minh là đúng bằng cách sử dụng chuỗi ngược.

Sự khác biệt giữa Backward Chaining và Forward Chaining

Sau đây là sự khác biệt giữa Forward Chaining và Backward Chaining:

• Forward Chaining như tên cho thấy, bắt đầu từ các sự kiện đã biết và tiến lên bằng cách áp dụng các quy tắc suy luận để trích xuất thêm dữ liệu và nó tiếp tục cho đến khi đạt được mục tiêu, trong khi Backward Chaining bắt đầu từ mục tiêu, lùi lại bằng cách sử dụng các quy tắc suy luận để xác định các dữ kiện thỏa mãn mục tiêu.
• Forward Chaining được gọi là kỹ thuật suy luận theo hướng dữ liệu, trong khi Backward Chaining được gọi là kỹ thuật suy luận hướng mục tiêu.
• Forward Chaining được gọi là cách tiếp cận từ trên xuống, trong khi Backward Chaining được gọi là cách tiếp cận từ trên xuống.
• Forward Chaining sử dụng chiến lược tìm kiếm theo chiều rộng, trong khi Backward Chaining sử dụng chiến lược tìm kiếm theo chiều sâu.
• Cả Forward Chaining và lùi đều áp dụng quy tắc suy luận Modus ponens.
• Forward Chaining có thể được sử dụng cho các nhiệm vụ như lập kế hoạch, giám sát quá trình thiết kế, chẩn đoán và phân loại, trong khi Backward Chaining có thể được sử dụng cho các nhiệm vụ phân loại và chẩn đoán.
• Forward Chaining có thể giống như một tìm kiếm toàn diện, trong khi Backward Chaining cố gắng tránh con đường suy luận không cần thiết.
• Trong Forward Chaining có thể có nhiều câu hỏi HỎI khác nhau từ cơ sở kiến ​​thức, trong khi Backward Chaining có thể có ít câu hỏi HỎI hơn.
• Forward Chaining chậm vì nó kiểm tra tất cả các quy tắc, trong khi Backward Chaining lại nhanh vì nó chỉ kiểm tra một số quy tắc bắt buộc.

No.	Forward Chaining	Backward Chaining
1	Forward Chaining bắt đầu từ các dữ kiện đã biết và áp dụng quy tắc suy luận để trích xuất thêm đơn vị dữ liệu mà nó đạt được cho mục tiêu	Backward Chaining bắt đầu từ mục tiêu và hoạt động ngược lại thông qua các quy tắc suy luận để tìm ra các dữ kiện cần thiết hỗ trợ mục tiêu.
2	Đây là cách tiếp cận từ dưới lên	Đây là cách tiếp cận từ trên xuống
3	Forward Chaining được gọi là kỹ thuật suy luận theo hướng dữ liệu khi chúng ta đạt được mục tiêu bằng cách sử dụng dữ liệu có sẵn.	Backward Chaining được gọi là kỹ thuật hướng đến mục tiêu khi chúng ta bắt đầu từ mục tiêu và chia thành các mục tiêu phụ để rút ra các dữ kiện.
4	Lập luận Forward Chaining áp dụng chiến lược tìm kiếm theo chiều rộng-ưu tiên	Lập luận Backward Chaining áp dụng chiến lược tìm kiếm theo chiều sâu.
5	Kiểm tra Forward Chaining cho tất cả các quy tắc có sẵn Kiểm tra	Backward Chaining chỉ kiểm tra cho một số quy tắc bắt buộc.
6	Forward Chaining phù hợp cho việc lập kế hoạch, giám sát, kiểm soát và ứng dụng giải thích	Backward Chaining phù hợp cho ứng dụng chẩn đoán, kê đơn và gỡ lỗi.
7	Forward Chaining có thể tạo ra vô số kết luận có thể có.	Backward Chaining tạo ra một số lượng hữu hạn các kết luận có thể có.
8	Nó hoạt động theo hướng thuận.	Nó hoạt động theo hướng ngược lại.
9	Forward Chaining nhằm mục đích cho bất kỳ kết luận nào.	Backward Chaining chỉ nhằm vào dữ liệu được yêu cầu.

Xem thêm Cách thêm comment(bình luận) facebook vào wordpress