Réseau logique probabiliste - Probabilistic logic network
Un réseau logique probabiliste ( PLN ) est une approche conceptuelle, mathématique et informatique de l' inférence incertaine ; inspiré par la programmation logique , mais utilisant des probabilités à la place des valeurs de vérité nettes (vrai/faux) et une incertitude fractionnaire à la place des valeurs nettes connues/inconnues . Afin de mener un raisonnement efficace dans des circonstances réelles, les logiciels d' intelligence artificielle doivent gérer de manière robuste l'incertitude. Cependant, les approches antérieures de l'inférence incertaine n'ont pas la portée requise pour fournir un traitement intégré des formes disparates d'incertitude critique sur le plan cognitif telles qu'elles se manifestent dans les diverses formes d'inférence pragmatique. Allant au-delà des approches probabilistes antérieures de l'inférence incertaine, PLN est capable d'englober dans une logique incertaine des idées telles que l'induction, l' abduction , l' analogie , le flou et la spéculation, et le raisonnement sur le temps et la causalité .
PLN a été développé par Ben Goertzel , Matt Ikle, Izabela Lyon Freire Goertzel et Ari Heljakka pour être utilisé comme algorithme cognitif utilisé par MindAgents au sein d' OpenCog Core. PLN a été développé à l'origine pour être utilisé dans le moteur de cognition Novamente.
But
L'objectif de base de PLN est de fournir une inférence probabiliste raisonnablement précise d'une manière compatible à la fois avec la logique des termes et la logique des prédicats , et évolutive pour fonctionner en temps réel sur de grandes bases de connaissances dynamiques .
L'objectif sous-jacent au développement théorique de PLN a été la création de systèmes logiciels pratiques réalisant des inférences complexes et utiles basées sur des connaissances incertaines et tirant des conclusions incertaines. PLN a été conçu pour permettre à l'inférence probabiliste de base d'interagir avec d'autres types d'inférence tels que l' inférence intensionnelle, l' inférence floue et l'inférence d'ordre supérieur à l'aide de quantificateurs, de variables et de combinateurs, et constitue une approche plus pratique que les réseaux bayésiens (ou d'autres approches) dans le but d'interfacer l'inférence probabiliste de base avec ces autres types d'inférence. De plus, les règles d'inférence sont formulées de manière à éviter les paradoxes de la théorie de Dempster-Shafer .
Mise en œuvre
PLN commence par une base de logique terminologique, puis ajoute des éléments de logique probabiliste et combinatoire , ainsi que certains aspects de la logique des prédicats et de la logique autoépistémique , pour former un système d'inférence complet, conçu pour une intégration facile avec des composants logiciels incarnant d'autres (non explicitement logiques) de l'intelligence.
PLN représente les valeurs de vérité sous forme d'intervalles, mais avec une sémantique différente de celle de la théorie des probabilités imprécise . En plus de l'interprétation de la vérité d'une manière probabiliste, une valeur de vérité dans PLN est également associée à un degré de certitude . Cela généralise la notion de valeurs de vérité utilisée dans la logique autoépistémique , où les valeurs de vérité sont connues ou inconnues, et lorsqu'elles sont connues, sont soit vraies soit fausses.
La version actuelle de PLN a été utilisée dans des applications d' IA étroite telles que l'inférence d'hypothèses biologiques à partir de connaissances extraites de textes biologiques via le traitement du langage, et pour aider à l' apprentissage par renforcement d'un agent incarné, dans un monde virtuel simple , tel qu'il est. appris à jouer à "aller chercher".
Les références
- Ben Goertzel, Matthew Iklé, Izabela Lyon Freire Goertzel, Ari Heljakka (2008). Réseaux logiques probabilistes : un cadre conceptuel, mathématique et informatique complet pour l'inférence incertaine . Springer. p. 333 . ISBN 978-0-387-76871-7.CS1 maint : utilise le paramètre auteurs ( lien )