Mehanizam zaključivanja je softverski sustav koji je dizajniran da donosi zaključke analizom problema u svjetlu baze podataka stručnog znanja na koju se oslanja. Dolazi do logičnih ishoda na temelju premisa koje podaci uspostavljaju. Ponekad su motori za zaključivanje također sposobni ići dalje od stroge logičke obrade i koristiti izračune vjerojatnosti kako bi došli do zaključaka koje baza podataka ne podržava striktno, već samo implicira ili nagovještava.
Većina mehanizama zaključivanja dizajniranih u području umjetne inteligencije temelji se na konceptu ekspertnog sustava. Ekspertni sustav je izgrađen za rješavanje problema u specifičnom i ponekad usko definiranom području, kao što su određene medicinske specijalnosti. Komponenta motora za zaključivanje ekspertnog sustava je kontrolna struktura koja proizvodi početni izlaz na temelju bilo kojih podataka koji trenutno postoje u bazi znanja i programskih pravila ekspertnog sustava, a zatim ih primjenjuje na određeni problem na smislen način. Budući da su rezultati mehanizma za zaključivanje rezultat podataka, oni se mijenjaju kako se podaci ažuriraju, a mogu se mijenjati i dok sam mehanizam za zaključivanje podataka pretražuje podatke na različite načine. Ako se podaci u sustavu ponderiraju prema jednom ili više zaključaka u odnosu na druge, to može promijeniti rezultate koje generira mehanizam zaključivanja.
Softver koji koristi mehanizam zaključivanja može se smatrati aktivnim selektivnim mehanizmom, gdje se radnje obrade usmjeravaju prema najnovijem stanju podataka. Stručni sustavi imaju dva opća načina obrade ovih pohranjenih podataka, koji se nazivaju ulančavanje naprijed ili unatrag. U ulančavanju naprijed, pravila ekspertnog sustava analiziraju podatke koje mu šalje mehanizam zaključivanja, a rezultati se vraćaju u pohranu podataka sustava kao novi podaci. To pokreće nova rješenja problema jer sustav pročišćava podatke i važe ih induktivnim zaključivanjem, što znači da doneseni zaključci neće nužno odražavati izvorne podatke ili premise koje su korištene za početak analize.
Lanac unatrag više je orijentiran na vjerojatnost, pri čemu se pohranjeni podaci ponderiraju za vrijednost od samog početka. Pravila se koriste za provjeru valjanosti uvjeta podataka u svjetlu zadanog problema i, kako se to radi, podatcima se dodjeljuju nove vrijednosti vjerojatnosti. Također se naziva i hipotezama, ulančavanje unatrag ne donosi stroge zaključke sve dok kontinuirano testiranje podataka u odnosu na uvjete utvrđene pravilima stručnog sustava ne zadovolji minimalnu razinu dokaza za pitanje ili problem koji se proučava.
Bayesova logika je jedan od vjerojatnosno orijentiranih oblika softvera mehanizma zaključivanja koji koristi ulančavanje unatrag, nazvan po Thomasu Bayesu, engleskom matematičaru iz sredine 18. stoljeća. Takva logika koristi bazu znanja o prethodnim događajima za predviđanje budućih ishoda kroz ponovljene testove znanja, te uključuje dodatne dokaze o ishodima ispitivanja u nove pokuse, s ciljem proizvodnje sve točnijih rezultata. Arhitektura softvera Fuzzy Logic također se može osloniti na mehanizam zaključivanja kao dio svog sustava. Razlika s neizrazito logikom je u tome što je izlaz neizraziti skup ili raspon mogućih rješenja koja se zatim agregiraju u jednu grupu i, putem logike i vjerojatnosti, sužavaju na jedan optimalni zaključak ili radnju.