Rules are one of the most important knowledge representation methods. Rule-based expert systems proved to be a successful AI technology in a number of areas. Building such systems requires creating a rule-base, as well as providing an effective inference mechanism that fires rules appropriate in a given context. Building and maintaining such a rule-base is a very difficult task and can be supported by a sepcially designed tools. Due to the fact that inference engines usually are parts of such tools it is difficult to integrate such expert systems with external software. In this paper a custom inference engine was presented, that implements three inference algorithms and can be easily integrated with other systems. Its usage in selected intelligent systems was also described.
PL
Reguły są jedną z najważniejszych metod reprezentacji wiedzy. Systemy ekspertowe oparte na regułowej bazie wiedzy są istotną technologią w zastosowaniach sztucznej inteligencji w różnych dziedzinach. Budowanie takich systemów wymaga stworzenia bazy wiedzy, jak również dostarczenia wydajnego mechanizmu pozwalającego na uruchamianie reguł i wnioskowanie. Budowanie bazy wiedzy i zarządzanie nią jest bardzo trudnym zadaniem. Może ono być wspierane poprzez narzędzia przeznaczone do tego celu, jednak ponieważ silniki wnioskujące zazwyczaj stanowa integralną część takich narzędzi, integracja ich z zewnętrznym oprogramowanie stanowi jeszcze trudniejsze zadanie. W niniejszym artykule opisany został nowy regułowy silnik wnioskujący, pozwalający na stosowanie kilku algorytmów wnioskowania i łatwą integrację z innymi systemami. Przedstawione zostało również jego zastosowanie w wybranych inteligentnych systemach komputerowych.
Building rule-based expert systems requires creating a rule base, as well as providing an effective inference mechanism. This paper briefly discusses a well-established rule inference algorithm called Rete, as well as more recent ones called TREAT and Gator. Since large rule bases often require identifying certain rule clusters, modern inference algorithms sup-port inference rule groups. In the paper, the case of the version of Drools, introducing the RuleFlow module, is presented. These solutions are contrasted with a custom rule representation method, called XTT2, which introduces explicit structure in the rule base using decision tables linked in an inference network.
PL
Podczas tworzenia systemów regułowego, oprócz zaprojektowania i zbudowania bazy wiedzy, ważnym elementem jest dostarczenie efektywnych mechanizmów inferencji. Ten artykuł pokrótce opisuje jeden z najpopularniejszych algorytmów wnioskowania o nazwie Rete, jak również dwa nowsze algorytmy TREAT i Gator. Ponieważ duże bazy wiedzy często wymagają wyodrębnienia pewnych grup reguł, współczesne algorytmy wnioskowania wspierają wnioskowanie w takiej zmodularyzowanej bazie wiedzy. W artykule omawiany jest pakiet narzędzi o nazwie Drools, wprowadzający innowacyjne podejście do modelowania systemów ekspertowych oparte o diagramy DroolsFlow. To rozwiązanie konfrontowane jest z nową reprezentacją wiedzy o nazwie XTT2, która wprowadza strukturalizacje bazy wiedzy przy pomocy tabel decyzyjnych połączonych w sieć wnioskowania.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.