人工智能 - 正向链 vs 反向链

Quiz

正向链 (Forward Chaining)

正向链是一种数据驱动的推理方法，从已知事实开始，应用规则推导出新信息，直到达到特定目标。这种方法广泛用于专家系统、推荐引擎和自动化决策过程中。

火灾报警系统设计用于检测烟雾和热量。当检测到烟雾和热量时，“如果检测到烟雾和热量，则触发警报”的原则被激活，促使系统发出警报。

另一方面，反向链是一种目标导向的推理技术，从假设开始，向后工作以验证支持证据。它通常用于 AI 驱动的诊断系统、法律推理和故障排除应用。

当医生诊断发烧时，他们可能从“患者患有流感”这一陈述开始。为了验证这一诊断，医生会寻找额外的症状，如发烧、身体酸痛和疲劳。

下表突出了 Forward Chaining 和 Backward Chaining 的主要区别 −

正向链 (Forward Chaining)	反向链 (Backward Chaining)
正向链从已知事实开始，应用规则推导出新事实，直到达到目标。	反向链从目标开始，向后工作以找到支持事实。
从已知事实和观察开始。	从假设或目标开始。
搜索大量不必要的数据。	仅搜索知识库的相关部分。
从事实移动到结论（目标）。	从目标移动到事实。
数据驱动推理 − 处理所有可能的事实，直到达到目标（或多个目标）。	目标驱动推理 − 仅检查证明目标所需的相关规则。
如果规则数量很大，可能效率低下，因为它可能推导出不必要的事实。	如果事先知道目标，则更高效，因为它仅搜索相关规则。
用于从给定事实探索所有可能结果。	用于证明特定目标。
由于需要处理所有事实，更复杂。	当目标较少时，复杂度较低。
正向链推理中使用称为“广度优先搜索”的方法。	反向链推理中使用深度优先搜索方法。
例如，AI 助手处理用户查询并应用所有相关知识提供多个建议。	例如，医生从怀疑某种疾病（目标）开始，并询问症状以确认。
最适合需要发现新知识的应用（例如，推荐系统）。	最适合需要决策理由的应用（例如，专家系统）。