Una red lógica probabilística (PLN) es un enfoque conceptual, matemático y computacional para la inferencia incierta ; inspirado en la programación lógica , pero usando probabilidades en lugar de valores de verdad nítidos (verdadero / falso) e incertidumbre fraccionaria en lugar de valores nítidos conocidos / desconocidos . Para llevar a cabo un razonamiento eficaz en circunstancias del mundo real, la inteligencia artificialel software debe manejar de manera robusta la incertidumbre. Sin embargo, los enfoques previos a la inferencia incierta no tienen la amplitud de alcance necesaria para proporcionar un tratamiento integrado de las formas dispares de incertidumbre cognitivamente crítica tal como se manifiestan dentro de las diversas formas de inferencia pragmática. Yendo más allá de los enfoques probabilísticos previos a la inferencia incierta, PLN puede abarcar dentro de la lógica incierta ideas como la inducción, la abducción, la analogía, la confusión y la especulación, y el razonamiento sobre el tiempo y la causalidad.
PLN fue desarrollado por Ben Goertzel , Matt Ikle, Izabela Lyon Freire Goertzel y Ari Heljakka para su uso como un algoritmo cognitivo utilizado por MindAgents dentro de OpenCog Core. PLN se desarrolló originalmente para su uso dentro de Novamente Cognition Engine.
Objetivo
El objetivo básico del PLN es proporcionar inferencia probabilística razonablemente precisa de una manera que es compatible tanto con la lógica plazo y la lógica de predicados , y escala hasta operar en tiempo real en grandes bases de conocimiento dinámico.
El objetivo subyacente al desarrollo teórico de PLN ha sido la creación de sistemas de software prácticos que lleven a cabo inferencias complejas y útiles basadas en conocimientos inciertos y extraigan conclusiones inciertas. PLN ha sido diseñado para permitir que la inferencia probabilística básica interactúe con otros tipos de inferencia, como la inferencia intensional , la inferencia difusa y la inferencia de orden superior utilizando cuantificadores, variables y combinadores, y ser un enfoque más conveniente que las redes bayesianas (u otras redes convencionales). enfoques) con el propósito de interconectar la inferencia probabilística básica con estos otros tipos de inferencia. Además, las reglas de inferencia se formulan de manera que se eviten las paradojas de la teoría de Dempster-Shafer .
Implementación
PLN comienza con una base lógica de término y luego agrega elementos de lógica probabilística y combinatoria , así como algunos aspectos de lógica de predicados y lógica autoepistémica , para formar un sistema de inferencia completo, diseñado para una fácil integración con componentes de software que incorporan otros (no explícitamente aspectos lógicos) de la inteligencia.
PLN representa los valores de verdad como intervalos, pero con una semántica diferente a la de la teoría de la probabilidad imprecisa . Además de la interpretación de la verdad de forma probabilística, un valor de verdad en PLN también tiene una cantidad de certeza asociada . Esto generaliza la noción de valores de verdad utilizada en la lógica autoepistémica , donde los valores de verdad son conocidos o desconocidos, y cuando se conocen, son verdaderos o falsos.
La versión actual de PLN se ha utilizado en aplicaciones de IA estrecha , como la inferencia de hipótesis biológicas a partir del conocimiento extraído de textos biológicos a través del procesamiento del lenguaje, y para ayudar al aprendizaje por refuerzo de un agente encarnado, en un mundo virtual simple , como es. enseñado a jugar "buscar".
Referencias
- Ben Goertzel, Matthew Iklé, Izabela Lyon Freire Goertzel, Ari Heljakka (2008). Redes lógicas probabilísticas: un marco conceptual, matemático y computacional integral para la inferencia incierta . Saltador. págs. 333 . ISBN 978-0-387-76871-7.Mantenimiento de CS1: utiliza el parámetro de autores ( enlace )
Ver también
enlaces externos
- Wiki de OpenCog (GNU-FDL)