Pravděpodobnostní logická síť - Probabilistic logic network
 | Tento článek má několik problémů. Prosím pomozte vylepši to nebo diskutovat o těchto otázkách na internetu diskusní stránka. (Zjistěte, jak a kdy tyto zprávy ze šablony odebrat) (Zjistěte, jak a kdy odstranit tuto zprávu šablony)
|
A pravděpodobnostní logická síť (PLN) je koncepční, matematický a výpočetní přístup k nejistý závěr; inspirovaný logické programování, ale s použitím pravděpodobností namísto ostrých (pravdivých / nepravdivých) hodnot pravdy a částečné nejistoty namísto ostré známé / neznámé hodnoty. Aby bylo možné provádět efektivní uvažování v reálných podmínkách, umělá inteligence software musí robustně zvládnout nejistotu. Předchozí přístupy k nejistému závěru však nemají rozsah potřebný k zajištění integrovaného zacházení s různorodými formami kognitivně kritické nejistoty, které se projevují v různých formách pragmatického závěru. Nad rámec předchozích pravděpodobnostních přístupů k nejistému závěru je PLN schopna zahrnout do nejisté logiky takové myšlenky, jako je indukce, únos, analogie, neurčitost a spekulace a uvažování o čase a kauzalitě.
PLN vyvinula Ben Goertzel, Matt Ikle, Izabela Lyon Freire Goertzel a Ari Heljakka pro použití jako kognitivní algoritmus používaný MindAgents v rámci OpenCog Jádro. PLN byla vyvinuta původně pro použití v rámci Novamente Cognition Engine.
Fotbalová branka
Základním cílem PLN je poskytnout přiměřeně přesný pravděpodobnostní závěr způsobem, který je kompatibilní s oběma termínová logika a predikátová logika a rozšiřuje se tak, aby fungoval v reálném čase na velkých dynamických znalostních základnách.
Cílem teoretického vývoje PLN bylo vytvoření praktických softwarových systémů provádějících komplexní užitečné závěry založené na nejistých znalostech a vyvozování nejistých závěrů. PLN byl navržen tak, aby umožňoval základní pravděpodobnostní inference interagovat s jinými druhy inferencí, jako je intenzionální odvození, fuzzy závěr a odvození vyššího řádu pomocí kvantifikátorů, proměnných a kombinátorů a je to pohodlnější přístup než Bayesovské sítě (nebo jiné konvenční přístupy) za účelem propojení základního pravděpodobnostního závěru s těmito jinými druhy závěrů. Pravidla odvození jsou navíc formulována tak, aby nedocházelo k paradoxům Dempster-Shaferova teorie.
Implementace
PLN začíná základem termínové logiky a poté přidává prvky pravděpodobnostní a kombinační logika, jakož i některé aspekty predikátové logiky a autoepistemická logika, k vytvoření úplného odvozovacího systému šitého na míru pro snadnou integraci se softwarovými komponentami ztělesňujícími další (ne výslovně logické) aspekty inteligence.
PLN představuje pravdivostní hodnoty jako intervaly, ale s jinou sémantikou než v Nepřesná teorie pravděpodobnosti. Kromě pravděpodobnostní interpretace pravdy má hodnota pravdy v PLN také přidružené množství jistota. Tím se zobecňuje pojem pravdivostních hodnot používaných v autoepistemická logika, kde jsou pravdivostní hodnoty známé nebo neznámé, a pokud jsou známy, jsou buď pravdivé, nebo nepravdivé.
Aktuální verze PLN byla použita v úzká AI aplikace, jako je odvození biologických hypotéz ze znalostí získaných z biologických textů prostřednictvím jazykového zpracování, a pomoc při posilování učení ztělesněného agenta, jednoduše virtuální svět, protože se učí hrát „načtení“.
Reference
- Ben Goertzel, Matthew Iklé, Izabela Lyon Freire Goertzel, Ari Heljakka (2008). Pravděpodobnostní logické sítě: komplexní koncepční, matematický a výpočetní rámec pro nejistý závěr. Springer. str.333. ISBN 978-0-387-76871-7.CS1 maint: používá parametr autoři (odkaz)