El encadenamiento hacia adelante (o razonamiento hacia adelante ) es uno de los dos métodos principales de razonamiento cuando se utiliza un motor de inferencia y se puede describir lógicamente como la aplicación repetida del modus ponens . El encadenamiento hacia adelante es una estrategia de implementación popular para sistemas expertos , sistemas de reglas comerciales y de producción . Lo opuesto al encadenamiento hacia adelante es el encadenamiento hacia atrás .
El encadenamiento hacia adelante comienza con los datos disponibles y utiliza reglas de inferencia para extraer más datos (de un usuario final, por ejemplo) hasta alcanzar un objetivo. Un motor de inferencia que utiliza encadenamiento hacia adelante busca las reglas de inferencia hasta que encuentra una en la que se sabe que el antecedente ( cláusula If ) es verdadero. Cuando se encuentra dicha regla, el motor puede concluir, o inferir, el consecuente ( cláusula Then ), lo que da como resultado la adición de nueva información a sus datos. [1]
Los motores de inferencia iterarán a través de este proceso hasta alcanzar un objetivo.
Supongamos que el objetivo es concluir el color de una mascota llamada Fritz, dado que croa y come moscas, y que la base de reglas contiene las siguientes cuatro reglas:
Ilustremos el encadenamiento hacia adelante siguiendo el patrón de una computadora mientras evalúa las reglas. Supongamos los siguientes hechos:
Con el razonamiento avanzado, el motor de inferencia puede derivar que Fritz es verde en una serie de pasos:
1. Dado que los hechos básicos indican que "Fritz croa" y "Fritz come moscas", el antecedente de la regla n.° 1 se satisface al sustituir Fritz por X , y el motor de inferencia concluye:
Fritz es una rana
2. El antecedente de la regla n.° 3 se satisface entonces sustituyendo Fritz por X , y el motor de inferencia concluye:
Fritz es verde
El nombre "encadenamiento hacia adelante" proviene del hecho de que el motor de inferencia comienza con los datos y razona hasta llegar a la respuesta, a diferencia del encadenamiento hacia atrás , que funciona al revés. En la derivación, las reglas se utilizan en el orden opuesto en comparación con el encadenamiento hacia atrás . En este ejemplo, las reglas n.° 2 y n.° 4 no se utilizaron para determinar que Fritz es verde.
Debido a que los datos determinan qué reglas se seleccionan y se utilizan, este método se denomina basado en datos , en contraste con la inferencia de encadenamiento hacia atrás basada en objetivos . El enfoque de encadenamiento hacia adelante se emplea a menudo en sistemas expertos , como CLIPS .
Una de las ventajas del encadenamiento hacia adelante sobre el encadenamiento hacia atrás es que la recepción de nuevos datos puede desencadenar nuevas inferencias, lo que hace que el motor sea más adecuado para situaciones dinámicas en las que es probable que las condiciones cambien. [2] [3]
El encadenamiento hacia adelante es una estrategia de razonamiento poderosa con numerosas aplicaciones en IA y campos relacionados. Algunas de las aplicaciones más destacadas incluyen: