In the large scale rule-based systems, the search efficiency for inference becomes more crucial as the number of rules increases. This thesis therefore proposes a method of selective inference, named sub-graph inference, to enhance the search efficiency under the backward chaining inference environment. The key concept of sub-graph inference is that only the relevant rules for a certain goal are invoked during the inference so that the large number of irrelevant rules would not deteriorate the search efficiency. However, to make the sub-graph inference possible, the goal structure consistent with knowledge base should beforehand be organized. This thesis therefore has developed a mechanism to automate this goal structuring process. A prototype named SUGAR(Sub-Graph Automatic Reasoner) is developed on the microcomputer to illustrate our approach.
전문가 시스템의 지식내용이 방대해 지게 되면 그 추론방법에 있어서 몇가지 문제점이 발생하게 된다. 첫째, Rule의 갯수가 많아짐에 따라 특정목표(Goal)에 대하여 관계성이 있는 Rule들을 찾아내기가 어렵다. 또한, 어느 하나의 Rule이 변하였을 때 전체 knowledge에 대한 그 영향도 를 규명하기 위하여는 많은 노력이 필요하게 된다. 이러한 문제점을 해결하기 위하여 새로운 추론방법을 연구하게 되었다.
이 방법(Sub_Graph Inference)은 backward chaining을 그 근간으로 하여 대규모 시스템이 갖고 있는 문제점을 해결할 수 있도록 고안되었다. "Automatic Goal Structuring"을 통하여 전체 Knowledge는 논리적으로 세분화 되어, 추론과정에서는 적은 규모의 시스템에 비하여 그 효율성이 뒤떨어지지 않게 된다. 또한 특정 Goal을 중심으로 생각할 때 interaction이 존재하는 (즉, 그 Goal에 대하여 관계성이 존재) Rule들을 grouping 할 수 있어서 Domain Driven Knowledge Maintenance가 가능하게 된다.
