Mehanizem sklepanja je programski sistem, ki je zasnovan za sprejemanje zaključkov z analizo problemov v luči baze strokovnega znanja, ki ga črpa. Doseže logične rezultate na podlagi predpostavk, ki jih vzpostavijo podatki. Včasih so motorji za sklepanje sposobni preseči strogo logično obdelavo in uporabiti izračune verjetnosti, da dosežejo zaključke, ki jih baza znanja ne podpira strogo, temveč le namiguje ali namiguje.
Večina motorjev sklepanja, zasnovanih na področju umetne inteligence, temelji na konceptu ekspertnega sistema. Ekspertni sistem je zgrajen za reševanje problemov na določenem in včasih ozko opredeljenem področju, kot so določene medicinske specialnosti. Komponenta motorja sklepanja ekspertnega sistema je kontrolna struktura, ki proizvaja začetni izhod na podlagi vseh podatkov, ki trenutno obstajajo v bazi znanja in programskih pravil ekspertnega sistema, nato pa jih na smiseln način uporabi za določen problem. Ker so rezultati mehanizma za sklepanje rezultat podatkov, se spreminjajo, ko se podatki posodabljajo, lahko pa se tudi spremenijo, ko sam motor za sklepanje išče podatke na različne načine. Če so podatki v sistemu ponderirani glede na enega ali več zaključkov pred drugimi, lahko to spremeni rezultate, ki jih ustvari mehanizem sklepanja.
Programsko opremo, ki uporablja mehanizem sklepanja, lahko razumemo kot aktiven selektivni mehanizem, pri katerem so dejanja obdelave usmerjena glede na najnovejše stanje podatkov. Strokovni sistemi imajo dva splošna načina obdelave teh shranjenih podatkov, ki ju imenujemo veriženje naprej ali nazaj. Pri veriženju naprej pravila ekspertnega sistema analizirajo podatke, ki mu jih posreduje sklepni mehanizem, in rezultati se kot novi podatki vrnejo nazaj v sistemsko shrambo podatkov. To sproži nove rešitve za težave, saj sistem izboljšuje podatke in jih tehta z induktivnim sklepanjem, kar pomeni, da doseženi sklepi ne bodo nujno odražali prvotnih podatkov ali predpostavk, ki so bili uporabljeni za začetek analize.
Nazajno verigo je bolj usmerjeno v verjetnost, saj se shranjeni podatki od začetka tehtajo glede na vrednost. Pravila se uporabljajo za preverjanje veljavnosti pogojev podatkov glede na dano težavo in pri tem se podatkom dodelijo nove vrednosti verjetnosti. Imenuje se tudi hipotezno veriženje, ki ne daje strogih zaključkov, dokler nenehno preizkušanje podatkov glede na pogoje, ki jih določajo pravila strokovnega sistema, ne dosega minimalne stopnje dokaza za vprašanje ali problem, ki se preučuje.
Bayesova logika je ena od verjetnostno usmerjenih oblik programske opreme za sklepanje, ki uporablja veriženje nazaj, poimenovana po Thomasu Bayesu, angleškem matematiku iz sredine 18. stoletja. Takšna logika uporablja bazo znanja o prejšnjih dogodkih za napovedovanje prihodnjih izidov s ponavljajočimi se preizkusi znanja in vključuje dodatne dokaze o rezultatih poskusov v nove poskuse, s ciljem ustvarjanja vedno natančnejših rezultatov. Arhitektura programske opreme Fuzzy Logic se lahko zanese tudi na mehanizem sklepanja kot del svojega sistema. Razlika z mehko logiko je v tem, da je rezultat mehak niz ali obseg možnih rešitev, ki se nato združijo v eno skupino in se z logiko in verjetnostjo zožijo na en optimalen zaključek ali dejanje.
SmartAsset.