决策者在日常通常会面临着很多不确定因素。通常情况下，我们并没有足够的知识来解决手头的问题，因此只有尽力寻找方法来弥补我们在知识和技能方面的缺陷。另一些情况下，我们得到的信息并不精确，或者受到噪声影响；在一些更坏的情况下，我们甚至没有作出决策所需的任何数据。另一方面，或许存在这样的情况：虽然所有数据都是在我们的控制下得到的，但却不存在能指导我们如何处理和分析数据的精细准确的方法。尽管如此，决策者常常可以通过自身的直觉、创造力、想象力和意志力，进而成功地处理不确定因素，并作出较好的决策。

事实上，尽管在解决问题的过程中存在着复杂性和不确定性，但绝大部分人还是有能力作出合理的良好的决策。例如，对于医生而言，他们必须处理来自实验室的不确定的试验结果，以及指出某种疾病的不同程度的症状。尽管如此，医生也必须为病人作出诊断，以便提出一个合理的治疗方案。类似地，专家系统，或者任何一种智能系统，都应该能够描述和分析不确定数据；否则，对于现实生活中的一系列经常不完整、不一致、有噪声影响，甚至完全缺失的数据问题，系统往往无能为力。

事实上，不确定性遍及现实世界，并且也存在于各种技能领域。其根源可以归结于以下两类：不完备的领域知识和不完备的数据信息^[1]。在第一种情况下，某一领域的理论可能是并不完善的。因此，专家自然而然需要有一些探索精神，或者根据无科学依据的方法来达到一种令人满意的，但不必是最优的解决方案。在一个基于规则的专家系统中，技能是一系列IF-THEN规则的集合，知识工程师^[1]则被迫要建立规则前提和相应结论之间的具体关联。很遗憾，在很多领域这些关联是很微弱的，而且不能被清晰地且充分地理解（确实，科学是不断进步的，一些以观察或实验为依据的、新的、更强的理论不断地被发现，被完善）。此外，在很多领域涉及问题的解决方案经常会存在着相互矛盾的意见。因此，将多种多样的专家观点整合到“统一”的知识库中是一个巨大的挑战。(www.daowen.com)

第二种情况，实际的案例数据可能是不精确的或不可靠的。不可靠的原因可能包含以下几种：由于传感器的不可靠性使得精确的测量是不可能实现的；所谓的实验测试结果只能是近似的；实验报告则为主观的且含糊不清；实验证明可能是相互矛盾的；同时人为的误差和偏见的分类会妨碍到最严谨、最一丝不苟的专家。即使是有可能收集到更精确的数据，这样做也是不切实际或者说是不合理的。一个恰当的例子：对于医生而言依靠一些类型的扩散性的外科手术去获得更好的病人数据是很可能的，但是这样的过程会很耗时，且对病人的健康是有危害的。其另一个弱点或缺陷就是，采集更多信息需要花费时间，而有时需要作出迅速的判断。例如在一些危急时刻，决策者必须依靠不完整的信息，来迅速地作出决策，完全没有足够的时间来收集到全部数据，也就没有足够的时间来对收集到的信息进行严格且谨慎的分析。

由于这种不确定性几乎存在于各种令人感兴趣的领域中，因此好的专家系统一定要能够处理这些不确定性。基于此发展起来的很多方法，都可以用于进行不精确推理，其中包括：模糊逻辑方法、可信度函数理论（也叫做DS证据理论）、主观概率理论（包含贝叶斯推理）以及置信度原理^[2]。这一章将集中介绍两种最普遍的不精确推理模式：置信度方法和贝叶斯推理。而在讨论过程中表现出的主旨：不精确推理借助于图表表示。本章将介绍置信度方法和贝叶斯网络将如何发挥作用，进而构建因果关系图，以阐述其推理过程，并明确地显示出不确定性如何在一个系统中进行传播。