추론 시스템

Reasoning system

정보기술에서 추론 시스템은 추론 및 유도와 같은 논리적 기법을 사용하여 이용 가능한 지식으로부터 결론을 도출하는 소프트웨어 시스템입니다.추론 시스템은 인공지능과 지식 기반 시스템의 구현에 중요한 역할을 한다.

일상적인 용어의 정의에 따르면, 모든 컴퓨터 시스템은 어떤 종류의 논리나 결정을 자동화한다는 점에서 추론 시스템입니다.그러나 정보기술 분야에서 일반적으로 이 문구는 보다 복잡한 종류의 추론을 수행하는 시스템용으로 사용됩니다.예를 들어, 판매세나 고객 할인 계산과 같이 상당히 간단한 유형의 추론을 수행하지만 의료 진단이나 수학적 정리에 대해 논리적으로 추론하는 시스템은 해당되지 않습니다.추론 시스템은 인터랙티브와 배치 처리의 두 가지 모드가 있습니다.대화형 시스템은 사용자와 상호 작용하여 명확한 질문을 하거나 사용자가 추론 프로세스를 안내할 수 있도록 합니다.배치 시스템은 이용 가능한 모든 정보를 한 번에 수집하여 사용자의 피드백이나 [1]안내 없이 가능한 한 최선의 답변을 생성합니다.

추론 시스템은 스케줄링, 비즈니스 규칙 처리, 문제 해결, 복잡한 이벤트 처리, 침입 탐지, 예측 분석, 로봇 공학, 컴퓨터 비전 및 자연 언어 처리를 포함하는 광범위한 응용 분야를 가지고 있습니다.

역사

첫 번째 추론 시스템은 정리 증명자, 즉 1차 논리학의 공리와 진술을 나타낸 다음 새로운 진술을 추론하기 위해 모더스 포넨과 같은 논리 규칙을 사용하는 시스템이었다.또 다른 초기 유형의 추론 시스템은 일반적인 문제 해결사였다.이것들은 Newell과 Simon이 설계한 General Problem Solver와 같은 시스템들이다.일반적인 문제 해결사들은 구조화된 문제를 표현하고 해결할 수 있는 일반적인 계획 엔진을 제공하려고 시도했습니다.이들은 문제를 보다 다루기 쉬운 작은 하위 문제로 분해하고, 각 하위 문제를 해결한 후 부분적인 답을 하나의 최종 답변으로 정리하는 방식으로 작업을 수행했습니다.또 다른 일반적인 문제 해결사 예로는 SIRAGY 계열의 시스템이 있습니다.

실제로 이러한 정리 프로버와 일반적인 문제 해결사는 실제 응용에는 거의 도움이 되지 않았으며 논리에 대한 지식을 가진 전문 사용자가 활용해야 했습니다.자동화된 추론의 첫 번째 실용적인 적용은 전문가 시스템이었다.전문가 시스템은 의료 진단이나 항공기 고장 분석과 같은 일반적인 문제 해결보다 훨씬 더 잘 정의된 영역에 초점을 맞췄다.전문가 시스템은 또한 보다 제한된 논리 구현에 초점을 맞췄다.일반적으로 모든 범위의 논리식을 구현하기보다는 IF-THEN 규칙을 통해 구현되는 modus-pones에 초점을 맞췄습니다.특정 영역에 초점을 맞추고 제한된 논리 서브셋만 허용함으로써 이러한 시스템의 성능이 향상되어 대부분의 이전 자동 추론 시스템처럼 단순히 연구 시연으로서가 아니라 실제 세계에서 사용하기 위해 실용적으로 향상되었습니다.전문가 시스템에서 자동화된 추론에 사용되는 엔진은 일반적으로 추론 엔진이라고 불렸다.보다 일반적인 논리인퍼런싱에 사용되는 것을 [2]보통 정리프로버라고 부릅니다.

전문가 시스템의 인기가 높아지면서 정부와 산업의 다양한 문제에 많은 새로운 유형의 자동화된 추론이 적용되었다.사례 기반 추론과 같은 일부는 전문가 시스템 연구의 일부에서 벗어났습니다.제약 만족 알고리즘과 같은 다른 것들도 의사결정 기술 및 선형 프로그래밍과 같은 분야의 영향을 받았다.또한 상징적 추론이 아닌 연결주의 모델에 기초한 완전히 다른 접근법도 매우 생산적이었다.후자의 자동 추론은 특히 텍스트 검색 및 얼굴 일치와 같은 패턴 일치 및 신호 감지 유형에 적합합니다.

논리의 사용

추리 시스템이라는 용어는 아래에 설명된 특정 영역에서 설명하듯이 거의 모든 종류의 정교한 의사결정 지원 시스템에 적용할 수 있습니다.그러나 추론 체계라는 용어의 가장 일반적인 사용은 논리의 컴퓨터 표현을 의미한다.다양한 구현은 논리 및 형식적 시스템 측면에서 상당한 차이를 보여 줍니다.대부분의 추론 시스템은 명제적 논리 및 상징적 논리 변형을 구현합니다.이러한 변화는 공식 논리 시스템의 수학적으로 정확한 표현(예: FOL) 또는 이러한 시스템의 확장 및 하이브리드 버전(예: 정중한[3] 논리)일 수 있다.추론 시스템은 추가적인 논리 유형(예: 모달, 이론, 시간 논리)을 명시적으로 구현할 수 있다.그러나 많은 추론 시스템은 인식된 논리 시스템에 부정확하고 반 형식적인 근사치를 구현한다.이러한 시스템은 일반적으로 다양한 추론 전략을 모델링하기 위해 다양한 절차적 및 반선언적 기술을 지원합니다.그들은 형식보다 실용주의를 강조하고 현실 세계의 문제를 해결하기 위해 맞춤 확장과 첨부파일에 의존할 수 있다.

많은 추론 시스템은 연역적 추론을 사용하여 이용 가능한 지식으로부터 추론합니다.이러한 추론 엔진은 모더스 포넨을 통해 결론을 추론하기 위해 전진 추론 또는 후진 추론을 지원한다.그들이 사용하는 재귀적 추론 방법은 각각 '전진 체인'과 '후진 체인'이라고 불린다.추론 시스템은 연역적 추론을 광범위하게 지원하지만, 일부 시스템은 유괴적, 귀납적, 면책 가능 및 기타 유형의 추론을 사용한다.휴리스틱스를 사용하여 난치성 문제에 대한 수용 가능한 해결책을 결정할 수도 있다.

추론 시스템은 폐쇄적 세계 가정(CWA) 또는 개방형 세계 가정(OWA)을 사용할 수 있다.OWA는 종종 존재론적 지식 표현 및 시멘틱 웹과 관련이 있다.다른 시스템은 부정의 다양한 접근방식을 보여줍니다.시스템은 논리적 또는 비트적 보완뿐만 아니라 고장으로서의 부정과 '인플레이션' 부정(비지반 원자의 부정)을 포함한 강약 부정의 실존적 형태를 지원할 수 있다.다른 추론 시스템은 단조로운 또는 비단조적인 추론, 계층화 및 기타 논리적 기술을 지원할 수 있습니다.

불확실한 추리

많은 추론 시스템은 불확실한 상황에서 추론할 수 있는 능력을 제공한다.이것은 불확실한 세계의 표현을 다루어야 하는 논리적인 대리인을 구축할 때 중요하다.불확실성 처리에는 몇 가지 일반적인 접근방식이 있다.여기에는 확실성 요인, 베이지안 추론 또는 뎀스터-셰퍼 이론과 같은 확률론적 방법, 다중값('퍼지') 논리 및 다양한 연결론적 [4]접근법의 사용이 포함된다.

추리 시스템의 종류

이 섹션에서는 일반적인 유형의 추론 시스템에 대한 비완전적이고 비공식적인 분류를 제공한다.이러한 카테고리는 절대적인 것은 아닙니다.이들은 상당한 수준으로 중복되며 많은 기술, 방법 및 알고리즘을 공유합니다.

제약 해결사

제약 해결사는 제약 만족 문제(CSP)를 해결합니다.제약 조건 프로그래밍을 지원합니다.제약이란 문제에 대한 유효한 솔루션이 충족해야 하는 것입니다.제약조건은 선언적으로 정의되며 지정된 도메인 내의 변수에 적용됩니다.제약 조건 해결사는 검색, 역추적 및 제약 조건 전파 기술을 사용하여 솔루션을 찾고 최적의 솔루션을 결정합니다.선형 및 비선형 프로그래밍 형식을 사용할 수 있습니다.이들은 종종 고도로 조합된 문제 공간 내에서 최적화를 수행하기 위해 사용됩니다.예를 들어 최적의 스케줄링을 계산하거나 효율적인 집적회로를 설계하거나 제조공정에서 [5]생산성을 최대화하기 위해 사용할 수 있습니다.

정리 프로버

정리 프로버는 수학 정리의 증명을 결정하기 위해 자동화된 추론 기술을 사용한다.또한 기존 증거를 검증하는 데 사용할 수도 있습니다.학문적 사용 외에 정리 프로버의 일반적인 적용에는 집적회로, 소프트웨어 프로그램, 엔지니어링 설계 등의 정확성 검증이 포함됩니다.

논리 프로그램

로직 프로그램(LP)은 프로그래밍 언어를 사용하여 작성된 소프트웨어 프로그램으로, 그 원소와 표현식은 수학적 로직에서 도출된 구조를 직접 표현합니다.범용 로직 프로그래밍 언어의 예로는 프롤로그가 있습니다.LP는 문제를 해결하기 위해 논리 프로그래밍을 직접 적용하는 것을 나타냅니다.논리 프로그래밍은 형식 논리에 기초한 매우 선언적인 접근방식으로 특징지어지며, 많은 분야에 걸쳐 광범위하게 적용됩니다.

규칙 엔진

규칙 엔진은 조건부 로직을 개별 규칙으로 나타냅니다.규칙 집합은 별도로 관리하고 다른 기능에 적용할 수 있습니다.많은 도메인에서 광범위하게 적용할 수 있습니다.많은 규칙 엔진은 추론 기능을 구현합니다.일반적인 접근 방식은 순방향 또는 역방향 체인을 지원하는 생산 시스템을 구현하는 것입니다.각 규칙('production')은 술어구의 조합을 실행 가능한 작업 목록에 바인딩합니다.

런타임에 규칙 엔진은 프로덕션과 팩트를 일치시키고 각 일치에 대해 관련 작업 목록을 실행합니다('발신').이러한 동작이 사실을 삭제 또는 수정하거나 새로운 사실을 주장할 경우 엔진은 일치된 일련의 데이터를 즉시 재계산합니다.규칙 엔진은 비즈니스 규칙을 모델링 및 적용하고 자동화된 프로세스에서 의사 결정을 제어하며 비즈니스 및 기술 정책을 시행하는 데 널리 사용됩니다.

연역구분자

연역적 분류자는 규칙 기반 시스템보다 약간 늦게 생겨났고 프레임 언어라고 알려진 새로운 유형의 인공지능 지식 표현 도구의 구성요소였다.프레임 언어는 문제 도메인을 클래스, 하위 클래스 및 클래스 간의 관계 세트로 나타냅니다.객체 지향 모델과 유사합니다.그러나 객체 지향 모델과 달리 프레임 언어는 1차 논리에 기초한 형식적 의미론을 가집니다.

그들은 연역적 분류자에 입력을 제공하기 위해 이 의미론을 이용한다.분류자는 주어진 모델(온톨로지라고 함)을 분석하여 모델에 기술된 다양한 관계가 일치하는지 여부를 판단할 수 있습니다.온톨로지가 일관되지 않은 경우 분류자는 일관되지 않은 선언을 강조 표시합니다.만약 온톨로지가 일관된다면, 분류자는 추가적인 추론을 하고 온톨로지에 있는 객체의 관계에 대한 추가 결론을 도출할 수 있다.

예를 들어 오브젝트가 실제로 서브클래스 또는 사용자가 설명한 추가 클래스의 인스턴스라고 판단할 수 있습니다.분류자는 시맨틱 [6][7]웹에서 모델을 기술하는 데 사용되는 온톨로지 분석에 중요한 기술입니다.

기계 학습 시스템

머신러닝 시스템은 경험을 바탕으로 시간이 지남에 따라 동작을 진화시킵니다.여기에는 관찰된 사건이나 훈련 목적으로 제공된 예제 데이터에 대한 추론이 포함될 수 있다.예를 들어, 기계 학습 시스템은 관찰된 사실에 대한 가설을 생성하기 위해 귀납적 추론을 사용할 수 있다.학습 시스템은 관찰에 따라 결과를 산출하는 일반화된 규칙이나 기능을 검색한 다음 이러한 일반화를 사용하여 향후 행동을 제어합니다.

사례 기반 추론 시스템

사례 기반 추론(CBR) 시스템은 이미 알려진 솔루션이 존재하는 다른 문제와의 유사성을 분석함으로써 문제에 대한 해결책을 제공합니다.그들은 사례 이력을 바탕으로 해결책을 추론하기 위해 유추적 추론을 사용한다.CBR 시스템은 일반적으로 고객/기술 지원 및 콜 센터 시나리오에서 사용되며 산업 제조, 농업, 의료, 법률 및 기타 많은 분야에서 사용됩니다.

절차적 추론 시스템

절차적 추론 시스템(PRS)은 절차적 지식 기반에서 계획을 선택하기 위해 추론 기법을 사용한다.각 계획은 주어진 목표 달성을 위한 행동 방침을 나타냅니다.PRS는 주어진 목표('희망')에 대한 적절한 계획('의도')을 선택하기 위해 사실('믿음')을 추론함으로써 신념-희망-의도 모델을 구현한다.PRS의 일반적인 어플리케이션에는 관리, 감시 및 장애 검출 시스템이 포함됩니다.

레퍼런스

  1. ^ Wos, Larry; Owerbeek, Ross; Ewing, Lusk; Boyle, Jim (1984). Automated Reasoning: Introductions and Applications. Prentice Hall. p. 4. ISBN 978-0-13-054453-7.
  2. ^ Hayes-Roth, Frederick; Waterman, Donald; Lenat, Douglas (1983). Building Expert Systems. AddisonWesley. ISBN 978-0-201-10686-2.
  3. ^ Grosof, Benjamin N. (30 December 1997). "Courteous Logic Programs: Prioritized Conflict Handling For Rules" (Postscript). IBM Research Report. RC 20836 (92273).
  4. ^ Moses, Yoram; Vardi, Moshe Y; Fagin, Ronald; Halpern, Joseph Y (2003). Reasoning About Knowledge. MIT Press. ISBN 978-0-262-56200-3.
  5. ^ Schalkoff, Robert (2011). Intelligent Systems: Principles, Paradigms and Pragmatics: Principles, Paradigms and Pragmatics. Jones & Bartlett Learning. ISBN 978-0-7637-8017-3.
  6. ^ MacGregor, Robert (June 1991). "Using a description classifier to enhance knowledge representation". IEEE Expert. 6 (3): 41–46. doi:10.1109/64.87683.
  7. ^ Berners-Lee, Tim; Hendler, James; Lassila, Ora (May 17, 2001). "The Semantic Web A new form of Web content that is meaningful to computers will unleash a revolution of new possibilities". Scientific American. 284 (5): 34–43. doi:10.1038/scientificamerican0501-34. Archived from the original on April 24, 2013.