Das Forward Chaining ist eine Methode der Symbolischen KI.

Hierbei beginnt das System mit den bekannten Fakten (Daten) und wendet „wenn-dann“ Regeln an. Es handelt sich um einen Inferenzprozess bei dem von den Daten auf Basis der Regeln Schlussfolgerungen gezogen werden. Dieser Ansatz wird oft verwendet, wenn das Ziel des Systems darin besteht, so viele Schlussfolgerungen wie möglich aus den gegebenen Fakten zu ziehen. Der Forward Chaining-Prozess läuft wie folgend ab:

1. Ausgangspunkt sind die bekannten Daten/Fakten.
2. Das System sucht nach Regeln, deren „wenn“-Bedingungen mit den bekannten Daten übereinstimmen.
3. Für jede passende Regel wird die dazugehörige „dann“-Aktion ausgeführt.
4. Die resultierende „dann“-Aktion bzw. Schlussfolgerung werden zu den bekannten Daten (aus 1.) hinzugefügt.
5. Die Schritte 1-4 werden solange wiederholt, bis keine neuen Schlussfolgerungen ausgeführt werden können oder ein bestimmtes Ziel erreicht ist.

Forward Chaining eignet sich bspw. für Diagnosen in der Medizin, um von Symptomen und/oder Testergebnissen auf mögliche Krankheiten zu schließen.

• A Logical Characterization of Forward and Backward Chaining in the Inverse Method (2008)

  Kaustuv Chaudhuri, Frank Pfenning, Greg Price Journal of Automated Reasoning 40/2-3 p133-177

  Springer Science and Business Media LLC DOI:10.1007/s10817-007-9091-0
• Forward and Backward Chaining, and Whole Task Methods (1981)

  Richard T. Walls, Thomas Zane, William D. Ellis Behavior Modification 5/1 p61-74

  SAGE Publications DOI:10.1177/014544558151005