推論システム

情報技術において、推論システムとは、演繹や帰納などの論理的手法を使用して、利用可能な知識から結論を生成するソフトウェア システムです。推論システムは、人工知能や知識ベース システムの実装において重要な役割を果たします。

このフレーズの日常的な使用法の定義によれば、すべてのコンピュータ システムは、何らかのロジックや決定を自動化するという意味において推論システムです。ただし、情報技術分野での一般的な使用では、このフレーズは通常、より複雑な種類の推論を実行するシステムに対して使用されます。たとえば、消費税や顧客割引の計算などのかなり単純なタイプの推論ではなく、医療診断や数学定理に関する論理的推論を行うシステムに対して使用されます。推論システムには、対話型とバッチ処理の 2 つのモードがあります。対話型システムは、ユーザーとインターフェイスして明確な質問をしたり、ユーザーが推論プロセスをガイドできるようにしたりします。バッチ システムは、利用可能なすべての情報を一度に取り込み、ユーザーからのフィードバックやガイダンスなしで可能な限り最適な回答を生成します。^[1]

推論システムには、スケジューリング、ビジネス ルール処理、問題解決、複合イベント処理、侵入検知、予測分析、ロボット工学、コンピューター ビジョン、自然言語処理など、幅広い応用分野があります。

最初の推論システムは定理証明器であり、公理とステートメントを一階述語論理で表現し、次にモーダスポネンスなどの論理規則を使用して新しいステートメントを推論するシステムでした。別の初期の推論システムは、汎用問題解決器でした。これらは、ニューウェルとサイモンによって設計された汎用問題解決器などのシステムでした。汎用問題解決器は、構造化された問題を表現して解決できる汎用計画エンジンを提供しようとしました。それらは、問題をより小さく扱いやすいサブ問題に分解し、各サブ問題を解決して、部分的な答えを 1 つの最終答えに組み立てることで機能しました。汎用問題解決器の別の例としては、SOARファミリのシステムがあります。

実際には、これらの定理証明器や一般的な問題解決器は、実用的な用途ではほとんど役に立たず、使用するには論理の知識を持つ専門のユーザーが必要でした。自動推論の最初の実用的な用途は、エキスパートシステムでした。エキスパートシステムは、医療診断や航空機の故障の分析など、一般的な問題解決よりもはるかに明確に定義された領域に焦点を当てていました。エキスパートシステムは、より限定されたロジックの実装にも焦点を当てていました。論理式の全範囲を実装しようとするのではなく、通常はIF-THENルールを介して実装される可能性に焦点を当てていました。特定の領域に焦点を当て、ロジックの制限されたサブセットのみを許可することで、このようなシステムのパフォーマンスが向上し、これまでのほとんどの自動推論システムのように研究デモンストレーションにとどまらず、現実世界での使用に実用的になりました。エキスパートシステムの自動推論に使用されるエンジンは、通常、推論エンジンと呼ばれていました。より一般的な論理推論に使用されるエンジンは、通常、定理証明器と呼ばれます。^[2]

エキスパート システムの人気の高まりとともに、多くの新しいタイプの自動推論が政府や産業のさまざまな問題に適用されました。事例ベース推論など、いくつかはエキスパート システム研究から派生したものです。制約充足アルゴリズムなど、その他のものも、意思決定技術や線形計画法などの分野から影響を受けています。また、記号推論ではなくコネクショニスト モデルに基づくまったく異なるアプローチも非常に効果的です。後者のタイプの自動推論は、テキスト検索や顔照合などのパターン マッチングや信号検出タイプの問題に特に適しています。

推論システムという用語は、以下に説明する特定の領域で示されるように、ほぼあらゆる種類の高度な意思決定支援システムに適用できます。ただし、推論システムという用語の最も一般的な用法は、ロジックのコンピューター表現を意味します。さまざまな実装では、ロジックと形式性のシステムに関して大きな違いが見られます。ほとんどの推論システムは、命題論理と記号(述語) 論理のバリエーションを実装しています。これらのバリエーションは、形式論理システム (例: FOL )の数学的に正確な表現である場合もあれば、それらのシステムの拡張バージョンやハイブリッドバージョン (例: Courteous ロジック^{[3] ) である場合もあります。推論システムは、追加のロジック タイプ (例:}様相論理、義務論理、時相論理)を明示的に実装する場合があります。ただし、多くの推論システムは、認識されているロジック システムに対する不正確で半形式的な近似を実装しています。これらのシステムは通常、さまざまな推論戦略をモデル化するために、さまざまな手続き型および半宣言型手法をサポートしています。これらは形式よりも実用性を重視し、現実世界の問題を解決するためにカスタムの拡張機能やアタッチメントに依存する場合があります。

多くの推論システムは、利用可能な知識から推論を導き出すために演繹的推論を採用しています。これらの推論エンジンは、前向き推論または後ろ向き推論をサポートし、可能性を介して結論を​​推論します。これらの推論エンジンが採用する再帰的推論方法は、それぞれ「前向き連鎖」および「後ろ向き連鎖」と呼ばれます。推論システムは広く演繹的推論をサポートしていますが、一部のシステムでは、帰納的推論、帰納的推論、無効化推論などのタイプの推論を採用しています。解決困難な問題に対する受け入れ可能な解決策を決定するために、ヒューリスティックスも採用されることがあります。

推論システムは、閉世界仮定(CWA) または開世界仮定(OWA) を採用する場合があります。OWA は、オントロジー知識表現やセマンティック ウェブと関連付けられることがよくあります。さまざまなシステムで、否定に対するさまざまなアプローチが採用されています。論理的またはビットごとの補数だけでなく、システムは、失敗としての否定や「インフレーション」否定 (非基底原子の否定)など、存在形式の強い否定と弱い否定をサポートする場合があります。さまざまな推論システムで、単調または非単調な推論、層別化、その他の論理手法 をサポートする場合があります。

多くの推論システムは不確実性下での推論機能を備えている。これは、不確実な世界の表現に対処しなければならない状況に応じた推論 エージェントを構築するときに重要である。不確実性に対処するための一般的なアプローチはいくつかある。これには、確実性因子の使用、ベイズ推論やデンプスター・シェーファー理論などの確率的手法、多値（「ファジー」）論理、さまざまなコネクショニストアプローチなどがある。^[4]

このセクションでは、一般的なタイプの推論システムを網羅的ではなく非公式に分類します。これらのカテゴリは絶対的なものではありません。かなりの程度重複しており、多くのテクニック、方法、アルゴリズムを共有しています。

制約ソルバーは制約充足問題(CSP) を解決します。制約プログラミングをサポートします。制約とは、問題に対する有効な解決策が満たさなければならないものです。制約は宣言的に定義され、特定のドメイン内の変数に適用されます。制約ソルバーは、検索、バックトラッキング、制約伝播の手法を使用して解決策を見つけ、最適な解決策を決定します。線形プログラミングと非線形プログラミングの形式を採用する場合があります。制約ソルバーは、高度に組み合わせられた問題空間内で最適化を実行するためによく使用されます。たとえば、最適なスケジュールを計算したり、効率的な集積回路を設計したり、製造プロセスで生産性を最大化したりするために使用できます。^[5]

定理証明器は、自動推論技術を使用して数学定理の証明を決定します。また、既存の証明を検証するためにも使用できます。学術的な使用に加えて、定理証明器の一般的な用途には、集積回路、ソフトウェア プログラム、エンジニアリング設計などの正確性の検証が含まれます。

論理プログラム(LP)は、プリミティブと式が数学的論理から引き出された構造を直接表現するプログラミング言語を使用して記述されたソフトウェア プログラムです。汎用論理プログラミング言語の例としては、Prologがあります。LP は、問題解決に論理プログラミングを直接適用したものです。論理プログラミングは、形式論理に基づく高度に宣言的なアプローチを特徴とし、多くの分野で幅広く応用されています。

ルール エンジンは、条件付きロジックを個別のルールとして表します。ルール セットは、他の機能とは別に管理および適用できます。ルール セットは、多くのドメインにわたって幅広く適用できます。多くのルール エンジンは推論機能を実装します。一般的なアプローチは、前方連鎖または後方連鎖をサポートするプロダクション システムを実装することです。各ルール (「プロダクション」) は、述語句の結合を実行可能なアクションのリストにバインドします。

実行時に、ルール エンジンはプロダクションをファクトと照合し、各一致に対して関連付けられたアクション リストを実行 (「発動」) します。これらのアクションによってファクトが削除または変更されたり、新しいファクトがアサートされたりすると、エンジンはすぐに一致セットを再計算します。ルール エンジンは、ビジネス ルールをモデル化して適用したり、自動化されたプロセスで意思決定を制御したり、ビジネス ポリシーと技術ポリシーを適用したりするために広く使用されています。

演繹分類器はルールベースのシステムより少し遅れて登場し、フレーム言語と呼ばれる新しいタイプの人工知能知識表現ツールのコンポーネントでした。フレーム言語は、問題領域をクラス、サブクラス、およびクラス間の関係のセットとして記述します。これはオブジェクト指向モデルに似ています。ただし、オブジェクト指向モデルとは異なり、フレーム言語は一階述語論理に基づく形式的な意味論を持っています。

彼らはこのセマンティクスを利用して、演繹分類器に入力を提供します。分類器は、与えられたモデル (オントロジーと呼ばれる) を分析し、モデルに記述されているさまざまな関係が一貫しているかどうかを判断できます。オントロジーが一貫していない場合、分類器は矛盾している宣言を強調表示します。オントロジーが一貫している場合、分類器はさらに推論を行い、オントロジー内のオブジェクトの関係について追加の結論を導き出すことができます。

例えば、オブジェクトが実際にはユーザーが記述したクラスのサブクラスまたはインスタンスであると判断する場合があります。分類子は、セマンティックウェブのモデルを記述するために使用されるオントロジーを分析する上で重要な技術です。^{[6] [7]}

機械学習システムは、経験に基づいて時間の経過とともに動作を進化させます。これには、観察されたイベントやトレーニング目的で提供されたサンプルデータに基づく推論が含まれる場合があります。たとえば、機械学習システムは帰納的推論を使用して、観察された事実に対する仮説を生成する場合があります。学習システムは、観察結果と一致する結果をもたらす一般化されたルールまたは関数を検索し、これらの一般化を使用して将来の動作を制御します。

事例ベース推論(CBR) システムは、既知の解決策が既に存在する他の問題との類似性を分析することで、問題の解決策を提供します。事例ベース推論では、最上位 (表面的) レベルの類似性、つまりオブジェクト、機能、および値の基準を使用します。事例ベース推論と類推推論の違いは、類推推論では「深い」類似性基準、つまり関係または関係の関係のみを使用し、より浅いレベルで類似性を見つける必要がないことです。この違いにより、事例ベース推論は同じドメインの事例間でのみ適用できます。これは、類似したオブジェクト、機能、および/または値が同じドメイン内にある必要があるためです。一方、「関係」の「深い」類似性基準により、類推推論は、事例間で関係のみが類似しているクロスドメインに適用できます。CBR システムは、顧客/技術サポートやコールセンターのシナリオで一般的に使用されており、工業製造、農業、医療、法律、その他多くの分野 で応用されています。

手続き型推論システム( PRS ) は、推論技術を使用して、手続き型知識ベースから計画を選択します。各計画は、特定の目標を達成するための一連の行動を表します。PRS は、事実 (「信念」)に基づいて推論し、特定の目標 (「欲求」) に適した計画 (「意図」) を選択することで、信念 - 欲求 - 意図モデルを実装します。PRSの一般的な用途には、管理、監視、障害検出システムなどがあります。