رده بندی کننده قیاسی

یک رده بندی کننده قیاسی ( به انگلیسی: Deductive classifier ) نوعی موتور استنتاج هوش مصنوعی است. این موتور استنتاج به عنوان ورودی مجموعه ای از بیانیه ها در یک زبان چارچوب در مورد حوزه ای مانند تحقیقات پزشکی یا زیست شناسی مولکولی را می گیرد. به عنوان مثال، نام کلاس ها، کلاس های فرعی، ویژگی ها و محدودیت ها در مقادیر مجاز. طبقه بندی کننده تعیین می کند که آیا بیانیه های مختلف از نظر منطقی سازگار هستند و اگر نیستند آیا بر بیانیه های ناسازگار خاص و نیز ناسازگاری بین آن ها تأکید می کند. اگر بیانیه ها سازگار باشند، آنگاه طبقه بندی کننده می تواند مدعی اطلاعات دیگری بر مبنای ورودی شود. برای مثال، می تواند اطلاعاتی دربارهٔ دسته های موجود اضافه نماید و دسته های جدید ایجاد نماید. این مورد با موتورهای استنتاج سنتی که شرایط قانونی اگر–آنگاه را راه اندازی می کنند، متفاوت است. همچنین طبقه بندی کننده ها شبیه اثبات کننده های قضایا هستند از آن لحاظ که ورودی می گیرند و از طریق منطق مرتبه اول خروجی تولید می کنند. طبقه بندی کننده ها از زبان های مرجع کی ال - وان ( به انگلیسی: KL - ONE ) نشات می گیرند. آن ها امروزه که در فناوری توانمند کننده وب معنایی نقش دارند، به طور روزافزونی قابل توجه هستند. طبقه بندی کننده های مدرن، اهرم زبان هستی شناسی وب می شوند. مدل هایی که آن ها تحلیل و تولید می کنند را هستی شناسی می نامند.
یک مسئله کلاسیک در بازنمایی دانش برای هوش مصنوعی همان تعامل بین قدرت بیانی و کارآمدی محاسباتی سیستم نمایش دانش است. قدرتمندترین فرم نمایش دانش همان منطق مرتبه اول ( به انگلیسی: FOL ) است. اگرچه امکان ندارد که نمایش دانشی را اجرا کنیم که قدرت بیانی کاملی از منطق مرتبه اول را رائه می کند. این نمایش شامل توانمندی در نمایش مفاهیمی مثل مجموعه تمام اعداد صحیح است که تکرار آن ها غیرممکن است. اجرای یک بیانیه تعیین کمیت شده برای یک مجموعه نامتناهی طبق تعریف منجر به یک برنامه غیر پایان بخش و تصمیم ناپذیر می شود. اگرچه این مسئله عمیق تر از آن است که قادر نباشد مجموعه های بینهایت را اجرا نماید. همان گونه که لوسک ( به انگلیسی: Levesque ) نشان داد، هرچه یک مکانیسم نمایش دانش به منطق مرتبه اول نزدیکتر باشد، به احتمال بالاتر منجر به عباراتی می شود که نیازمند منابع نامتناهی یا به طور غیرقابل باوری بزرگ، جهت محاسبه هستند. [ ۱] به عنوان نتیجه این جایگزینی، حجم زیادی از کارهای اولیه انجامشده روی نمایش دانش برای هوش مصنوعی مستلزم آزمایش مصالحه های مختلفی است که زیرمجموعه ای از منطق مرتبه اول با سرعت های محاسباتی قابل قبول دارند. یکی از اولین و موفق ترین مصالحه ها همان توسعه زبان هایی بود که غالباً بر مبنای وضع مقدم، یعنی قانون اگر–آنگاه بودند. سیستم های مبتنی بر قوانین همان مکانیسم نمایش دانش غالب برای تقریباً تمام سیستم های خبره پیشین بود. سیستم های مبتنی بر قوانین، کارایی محاسباتی قابل قبولی ارائه کرده و در عین حال نمایش دانش قدرتمندی ارائه می کنند. همچنین قوانین برای کارکنان دانش به شدت شهودی بودند. در واقع یکی از نقاط داده که محققان را تشویق کرد که نمایش دانش مبتنی بر قوانین را توسعه دهند تحقیق روانشناختی بود مبنی بر اینکه انسان ها غالباً منطق پیچیده را از طریق قوانین نمایش می دهند.