Una red lógica probabilística ( PLN ) es un enfoque conceptual, matemático y computacional para la inferencia incierta . Se inspiró en la programación lógica y utiliza 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 efectivo en circunstancias del mundo real, el software de inteligencia artificial maneja la incertidumbre. Los enfoques anteriores para 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 anteriores para la inferencia incierta, PLN abarca la lógica incierta con ideas como la inducción, la abducción , la analogía , la imprecisión y la especulación, y el razonamiento sobre el tiempo y la causalidad . [1]
PLN fue desarrollado por Ben Goertzel , Matt Ikle, Izabela Lyon Freire Goertzel y Ari Heljakka para su uso como algoritmo cognitivo utilizado por MindAgents dentro de OpenCog Core. PLN fue desarrollado originalmente para su uso dentro de Novamente Cognition Engine. [2]
El objetivo básico de una PLN es proporcionar una inferencia probabilística precisa de una manera que sea compatible tanto con la lógica de términos como con la lógica de predicados y que se pueda ampliar para operar en tiempo real en grandes bases de conocimiento dinámico . [2]
El objetivo subyacente al desarrollo teórico de PLN ha sido la creación de sistemas de software prácticos que realicen inferencias complejas basadas en conocimiento incierto 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 otros enfoques convencionales) con el propósito de interconectar la inferencia probabilística básica con estos otros tipos de inferencia. Además, las reglas de inferencia están formuladas de tal manera que se eviten las paradojas de la teoría de Dempster-Shafer .
PLN comienza con una base de lógica de términos 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 aspectos (no explícitamente lógicos) de la inteligencia.
La PLN representa los valores de verdad como intervalos, pero con una semántica diferente a la de la teoría de probabilidad imprecisa . Además de la interpretación de la verdad de manera probabilística, un valor de verdad en la PLN también tiene asociada una cantidad de certeza . 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 inteligencia artificial limitada , como la inferencia de hipótesis biológicas a partir de conocimientos extraídos de textos biológicos mediante el procesamiento del lenguaje, y para ayudar al aprendizaje de refuerzo de un agente encarnado, en un mundo virtual simple , mientras se le enseña a jugar a "buscar".